← 라이브러리로 돌아가기

Threads digest · @edutrend_

일·연구의 변화

AI 덕분에 주당 7시간을 아꼈는데, 왜 일은 더 안 끝날까요?

AI는 시간을 아껴줬지만, 그 결과를 확인하는 일까지 없애주지는 않았습니다. 과학자들의 ‘검증세’에서 출발해 실험실의 병목, 안전한 질문으로 쏠리는 가로등 효과, 앞으로 필요한 세 가지 역량을 짚습니다.

현미경으로 시료를 검증하는 연구자와 순서를 기다리는 시료 용기 · AI 생성 주제 이미지
글의 주제를 표현한 AI 생성 이미지 · 실제 연구 장면이 아닙니다.

7시간을 아꼈는데, 왜 일은 더 안 끝날까요?

“AI 덕분에 주당 7시간을 아꼈는데, 왜 일은 더 안 끝날까요?”

Google·Google DeepMind·MIT FutureTech 연구진이 과학자 600여 명의 설문과, 별도로 수집한 1,500만 건의 Gemini 상호작용 로그 표본 등을 분석한 대규모 연구를 공개했습니다.

연구가 드러낸 뜻밖의 생산성 병목, 바로 ‘검증세(Verification Tax)’입니다.

빨라진 건 아이디어, 밀리는 건 그다음

연구자 약 4분의 3이 AI 덕분에 순시간을 절감했다고 답했습니다. 연구가 제시한 평균 절감 시간은 주당 약 6.9시간입니다.

하지만 진짜 문제는 ‘그다음’에 벌어집니다.

응답자의 약 44%는 지난 2년 사이 연구의 주된 병목이 실험실 검증, 필드 데이터 수집, 논문 작성 같은 ‘다운스트림’으로 이동했다고 답했습니다. AI가 가설을 만들고 코드를 짜는 속도는 빨라져도, 그 뒤에 이어지는 일까지 같은 속도로 빨라지는 것은 아닌 겁니다.

아낀 시간을 다시 쓰게 만드는 ‘검증세’

검증세는 AI가 만든 가설, 코드, 합성 데이터의 오류와 환각을 점검하고 검증하는 데 지불해야 하는 시간적·인지적 비용을 뜻합니다.

AI로 시간을 절약한 과학자의 89.3%는 절약한 시간의 10%를 넘게 검증에 썼습니다. 45.7%는 절약한 시간의 25%를 넘게 AI 결과물을 감사하고 확인하는 데 썼습니다.

약 10명 중 1명은 아낀 시간의 절반보다 많은 시간을 검증에 썼습니다.

생성은 빨라졌지만, 믿고 쓸 수 있는 결과인지 확인하는 일은 여전히 남아 있는 것이죠.

가설은 쌓이는데, 실험실의 속도는 그대로라면

생산성이 높아졌는데 왜 연구자들은 더 허덕일까요?

AI가 그럴듯한 가설을 수십 개씩 쏟아내도, 실제 물리적 실험실(Wet-lab)의 파이펫팅이나 임상 시험까지 저절로 빨라지지는 않기 때문입니다.

응답자의 40.5%는 3년 전보다 ‘아직 실험해보지 못한 미검증 가설의 백로그’가 늘었다고 답했습니다. 생성 속도가 검증 속도를 앞질렀을 때 생길 수 있는 병목입니다.

쉬운 질문에만 빛이 비치는 ‘가로등 효과’

더 심각한 경고는 ‘가로등 효과(Streetlight Effect)’입니다.

연구자의 48.8%는 AI 사용이 데이터와 AI 역량이 이미 잘 갖춰진, 더 안전하고 점진적인 질문에 집중하도록 했다고 답했습니다. 반대로 더 위험하고 비정형적이거나 매우 야심찬 질문을 추구하도록 했다는 응답은 27.5%였습니다.

검증이 비싼 미지의 질문보다, 데이터가 풍부하고 결과를 확인하기 쉬운 질문으로 연구가 몰릴 수 있다는 경고입니다.

AI가 논문의 양은 늘려줄지언정, 정작 과학의 본질인 ‘미지의 영역 개척’은 가로막을 수도 있다는 뜻입니다.

이제 경쟁력은 생성 속도만으로 결정되지 않습니다

이 발견은 지식 노동과 교육 현장에도 강력한 시사점을 던집니다.

이제 경쟁력은 ‘누가 AI로 초안을 빠르게 뽑아내는가’에만 있지 않습니다. 쏟아지는 초안 속에서 오류와 허점을 가려내는 ‘평가력(Judgment)’과 ‘검증 인프라’를 누가 쥐고 있느냐가 핵심입니다.

검증 역량이 없는 상태에서 AI 생성 속도만 높이면, 결국 ‘검증세 체납’으로 시스템 전체가 막힐 수 있습니다.

미래의 전문가에게 필요한 세 가지 역량

결국 미래의 전문가에게 필요한 핵심 역량은 명확해집니다.

문제 정의력: AI에게 던질 진정으로 가치 있는 질문을 고르는 안목.

비판적 감사(Auditing) 능력: AI의 환각과 통계적 왜곡을 잡아내는 고도화된 도메인 지식.

병목 관리 역량: 생성된 아이디어를 현실 세계에서 빠르게 실증해 낼 수 있는 실행력.

이 글에서 소개한 원문

AI in Science: Early Insights

Mihai Codreanu, Alex Imas, Juan Mateos-Garcia, Joseph Emmens, Evalyne Muiruri, Arthur Turrell, Julian Jacobs, Atoosa Kasirzadeh, Ana Trišović, Yiyuan Chen, Tanya Rodchenko, Catherine Pollard, Scott Strand, Daniel Rock, Zanna Iscenko, Fabien Curto Millet, Neil Thompson, James Manyika (2026)

arXiv 사전공개 논문 · arXiv:2609.28504v2

연구 원문 보기 ↗
원문 타래 이어 읽기Edutrend의 Threads에서

이 글 공유하기