Informatization Policy Vol. 33, No.3 (2026), pp.003-017 Review Paper https://doi.org/10.22693/NIAIP.2026.33.3.003 # 생성형 AI가 사용자 인지역량에 미치는 영향과 정책적 시사점* 임 일** 대규모 언어 모델(Large Language Model, LLM)을 비롯한 생성형 AI의 급격한 확산은 지식 노동과 학습 환경에 전례 요 약 없는 생산성 향상을 제공하지만, 이와 동시에 인지적 외주화(cognitive offloading)를 유도하여 인간 고유의 비판적 사고, 독립적 추론, 장기 기억 능력을 저해할 위험을 안고 있다. 본 논문은 정보시스템(Information Systems: IS), 심리학, 인간-컴퓨터 상호작용(Human-Computer Interaction: HCI), 신경과학 및 교육학 분야의 최신 문헌을 종합하여 LLM이 인간의 인지역량에 미치는 영향에 대하여 이론적, 실증적 연구 결과를 조사하고 통합적인 재해석을 제시하였다. 종합하면, 습관적인 AI 의존은 (1) ‘인지 부채(cognitive debt)’의 누적, (2) 메타인지적 게으름(metacognitive laziness)과 시간 단축의 착각(speedup illusion), (3) ‘주권의 함정(sovereignty trap)’과 신념의 외주화(belief offloading), (4) 스키마 형성 붕괴에 따른 ‘속 빈 마음(hollowed mind)’ 상태를 초래할 수 있는 것으로 나타났다. 본 연구에서는 이러한 인지적 쇠퇴 완화를 위한 방안으로 AI 설계 측면과 AI를 활용한 교육 측면에서 몇 가지 방안을 제시한다. 주제어 : 대규모 언어 모델(LLM), 인지적 외주화, 인지 부채, 주권의 함정, 속 빈 마음, 메타인지적 게으름 # The Effects of Generative AI on User’s Cognitive Capabilities and # Its Policy Implications* Il Im** The rapid proliferation of generative AI, including large language models (LLMs), has delivered Abstract unprecedented productivity gains in knowledge work and learning environments. At the same time, however, it carries the risk of inducing cognitive offloading that may undermine humans' inherent capacities for critical thinking, independent reasoning, and long-term memory formation. This paper synthesizes recent literature from information systems (IS), psychology, human-computer interaction (HCI), neuroscience, and education to provide a multifaceted theoretical and empirical analysis of the effects of LLMs on human cognitive abilities. Taken together, the reviewed evidence indicates that habitual reliance on AI can give rise to (1) the accumulation of ‘cognitive debt,’ (2) metacognitive laziness and a ‘speedup illusion,’ (3) a ‘sovereignty trap’ and belief offloading, and (4) a ‘hollowed mind’resulting from the breakdown of schema formation. To mitigate such cognitive decline, this study suggests several approaches from two perspectives: the design of AI systems and the pedagogical use of AI in education. Keywords: Large Language Model(LLM), cognitive offloading, cognitive debt, sovereignty trap, hollowed mind, metacognitive laziness 접수: 2026. 7. 30; 최종수정: 2026. 9. 7; 게재확정: 2026. 9. 7. * 본 연구는 연세대학교 경영대학 연구경쟁력 강화사업(2025-22-0216)과 연세대학교 AI혁신연구원 연구비 (2025-22-0464) 지원을 받았습니다. ** 연세대학교 경영학과 교수 (il.im@yonsei.ac.kr, https://orcid.org/0000-0001-7536-3170) ## I. 서론 따라서 기술의 편의성과 인간의 인지적 성장 사이 의 균형을 유지하는 것은 현시대의 가장 시급한 과제이 ChatGPT를 비롯한 대규모 언어 모델(Large 다. 본 리뷰는 IS, 심리학, HCI, 교육학 및 신경과학 분 Language Model: LLM)은 학습, 글쓰기, 정보 탐색, 야의 핵심 학술지, 학회에 발표된 최신 실증 연구와 이 의사결정 지원 등 인간의 고차원적 인지 과업 전반에 빠 론적 논의, 그리고 아직 심사를 거치지 않은 예비 논문 르게 통합되고 있다. 이러한 기술적 전환은 단기적인 생 (preprint) 및 블로그와 같은 실무 자료를 통합적으로 산성을 극대화하고 즉각적인 피드백을 제공하는 등 지 검토한다. 이를 통해 생성형 AI가 인간의 인지역량에 미 식집약적인 업무와 학습에 긍정적인 생산 혁신을 가져 치는 구체적인 부작용을 규명하고 사용자의 인지적 자 왔다(Martínez-Peláez et al., 2025). 그러나 프라이버 율성과 주권을 보호하기 위한 교육적, 시스템 설계적 개 시에 대한 우려를 가져오고 있으며(장창기, 2025), 동 선 방안을 제시하고자 한다. 시에 효율성에 지나치게 의존한 나머지 인간 스스로 수 본 연구의 문헌조사를 위하여 IS 분야의 MIS 행해야 할 본질적인 사고 과정마저 기계에 위임하는 인 Quarterly, Information Systems Research, Journal 지적 외주화(cognitive offloading) 양상이 심화되고 of Management Information Systems, Journal 있다(Gerlich, 2025a; Heersmink, 2024). of the Association for Information Systems, 심리 이러한 현상은 정보 검색 엔진과 인터넷이 인간의 기 학 ·HCI 분야의 Computers in Human Behavior, 억 전략에 미친 영향을 규명한 기존 연구(Sparrow et Information & Management, Decision Support al., 2011)의 연장선에 있다. 그러나 LLM은 단순한 정 Systems, 주요 학술대회(ACM CHI, ICIS)를 대상 보 저장을 넘어 스스로 논증을 구성하고 판단을 내리는 으로 ‘large language model,’ ‘generative AI,’ 등 고차원적 인지 과정을 대신 수행한다는 점에서 인터 ‘ChatGPT,’ ‘cognitive offloading,’ ‘critical 넷으로 인한 영향과는 질적으로 다른 심각한 결과를 가 thinking’을 검색어로 하여 2020년 이후 발행된 문헌 져올 수도 있다. AI의 무분별한 사용이 계속될 경우, 지 을 검색하였다. Crossref API를 통한 데이터베이스 검 식 습득의 기반이 되는 인지 구조가 잠식되어 장기적으 색으로 상기 7개 IS ·심리학 저널에서 총 93편의 문헌 로 비판적 사고와 독립적 추론 능력이 위축될 수 있다 을 식별하였으며, 이에 더해 학회 프로시딩, 프리프린 (Klein & Klein, 2025). 또한, 그 결과 인간의 학습능력 트(arXiv), 국내 저널 및 기타 관련 학술지에 대해서는 자체가 퇴보할 수도 있다. 최근에는 이러한 현상을 설 인용망 추적(citation chaining) 및 수기 검색(hand 명하기 위해 ‘인지 부채(cognitive debt)’(Kosmyna et search)을 병행하였다. 식별된 문헌은 제목 및 초록을 al., 2025), ‘주권의 함정(sovereignty trap)’과 ‘속 빈 기준으로 LLM 또는 생성형 AI가 인간의 인지역량(비판 마음(hollowed mind)’(Klein & Klein, 2025), ‘메타 적 사고, 기억, 메타인지 등)에 미치는 영향을 직접적으 인지적 게으름(metacognitive laziness)’(Choudhuri 로 다루는지 여부를 기준으로 1차 스크리닝하였고, 이 et al., 2026), ‘시간 단축의 착각(speedup illusion)’ 후 전문 검토를 통해 IS, 심리학, HCI, 교육학 분야의 (Yu et al., 2026), ‘신념 외주화(belief offloading)’ 실증 및 이론 연구로 적격성을 재확인하였다. 또한, 검 (Guingrich et al., 2026) 등 다수의 신조어가 학계에 색결과에는 없지만 연구자 판단으로 적절하다고 생각 서 제안되고 있으며, 이는 문제의식이 특정 분야에 국한 되는 논문을 4편 추가였으며 학술연구논문은 아니지만 되지 않고 IS, 심리학, 인간-컴퓨터 상호작용(Human- 중요하다고 생각되는 블로그도 2편을 추가하여 최종적 Computer Interaction: HCI), 신경과학, 교육학 전반 으로 국내 문헌 4편, 국외 문헌 33편, 총 37편이 본 문 으로 급속히 확산되고 있음을 보여준다. 헌연구에 포함되었다. 생성형 AI가 사용자 인지역량에 미치는 영향과 정책적 시사점 Ⅱ. 이론적 배경: 인지적 외주화와 확장된 인지 니면 사고 과정을 완전히 대신하는 대체(replacement) 도구로 쓰이는가에 따라 인지 발달의 궤적이 근본적으 1. 거래적 기억과 구글 효과 로 달라진다고 본다. 적절한 개입 없이 대체재로만 활용 된다면 장기적으로 고차원 지적 역량의 영구적인 손실 인간이 정보 처리의 부담을 외부 도구나 타인에 을 피할 수 없다는 것이 그의 핵심 주장이다. 게 위임하는 인지 작용은 거래적 기억(transactive 이러한 이론적 프레임은 뒤에서 살펴볼 Klein and memory)과 인지적 외주화(cognitive offloading) 개 Klein(2025)의 ‘속 빈 마음(hollowed mind)’ 개념 념을 기반으로 설명된다. Sparrow et al.(2011)는 정보 과도 맞닿아 있다. 이들은 확장된 인지 이론을 정교화 가 디지털 도구에 저장되어 있어 언제든 접근할 수 있다 하여, 절차적, 검색적 정보의 외주화(예: 계산기, 검색 고 믿을 때 사람들이 정보 자체보다 ‘정보를 어디서 찾 엔진 사용)와 LLM과 같은 통합적 추론(integrative 을 수 있는지’의 경로를 더 잘 기억하는 이른바 구글 효 reasoning)의 외주화는 질적으로 다른 문제이며, 후자 과(Google effect)를 발견하였다. 이는 디지털 도구가 의 경우 도구에 대한 의존이 곧 사고 능력 자체의 상실 기억의 내용물이 아니라 정보를 처리하는 인지적 전략 로 이어질 수 있다고 주장한다. 자체를 바꾼다는 점을 시사하며, 이후 LLM의 인지적 영향을 다루는 다수의 연구가 이 이론적 틀을 계승하고 Ⅲ. LLM이 인간 인지역량에 미치는 영향 있다. | 정동훈(2026)은 에이전틱 AI를 “인간의 부족한 기 억력, 계산력, 탐색 능력을 보완하는 외주화된 인지 (offloaded cognition) 시스템”으로 명시적으로 규정 하고, 인간은 AI 산출물을 감독하고 가치 판단을 내리 는 ‘지휘자’ 역할을 맡는다고 주장한다. 이 또한 AI에 의 | 1. 신경인지적 관점: ‘ 인지 부채(Cognitive Debt) 인간이 기억과 추론, 글쓰기와 같은 핵심 인지적 활 동을 LLM에 전적으로 외주화할 때 두뇌의 신경 가소 성과 인지적 관여도는 저하되는 것으로 보고된다(Li, | ’ 의 축적 | | --- | --- | --- | | 한 인지의 외주화의 일종이라고 할 수 있다. | 2025). 이러한 현상의 생리학적 증거는 뇌파(EEG | 2) ) 측 | | | 정을 통해 실증되었다. Kosmyna et al.(2025)이 MIT | | | 2. 확장된 인지 이론과 LLM | 미디어랩에서 수행한 4개월간의 종단적 실험(N=54)에 | | | | 서, 참가자들은 LLM 사용 집단, 검색 엔진 사용 집단, | | | 최신 문헌들은 생성형 AI의 파급력이 이러한 기존의 | 도구 미사용 집단으로 나뉘어 에세이 작성 과제를 반복 | | | 검색 수단을 넘어선다고 경고한다. Heersmink(2024) | 수행하였다. 그 결과 LLM 사용 집단은 도구 미사용 집 | | | 는 LLM이 사용자의 사고 및 글쓰기 과정 자체에 역동 | 단에 비해 뇌의 신경 연결성(neural connectivity) 수 | | | 적으로 개입하는 주체라는 점에서 이를 확장된 인지 | 준이 유의미하게 낮게 나타났으며, 자신이 생성한 글에 | | | (extended cognition) 이론의 관점에서 재검토해야 한 | 대한 소유감(ownership)과 기억 회상(recall) 능력이 | | | 다고 강조한다. 그는 LLM이 사용자의 사고를 임시적으 | 현저히 저하되었다. 나아가 처음 LLM을 사용하던 집단 | | | 1) 로 지탱해주는 비계 (scaffolding) 도구로 쓰이는가, 아 | 이 이후 도구 없이 스스로 글을 써야 하는 상황(LLM- | | | 1 ) 비계(scaffold)의 원래 의미는 공사장에서 인부들이 높은 현장에 접근을 돕기 위해 임시로 설치하는 발판 등의 구조물이다. 교육학에서는 학생의 학습을 | | | | 돕기 위해서 보조적으로 사용하는 교재, 교육방식 등의 지원을 지칭하는 용어로 사용한다. 비계의 특성상 임시적으로 제공하고 점진적으로 없애는 것을 | | | | 전제로 한다. | | | | 2 ) Electroencephalography (EEG): 전극을 통해 뇌의 전기적 활동(뇌파)을 기록하는 전기생리학적 측정방법을 말한다. | | 정보화정책 5 | to-Brain 조건)으로 복귀했을 때도 신경 연결성의 활 에 따르면, 일상적으로 생성형 AI를 신뢰하고 사용하는 성 저하가 한동안 지속되는 경향이 관찰되었다. 연구자 학생일수록 성찰(reflection), 이해에 대한 욕구(need 들은 이를 인지 능력의 누적 손실을 뜻하는 ‘인지 부채 for understanding), 비판적 사고(critical thinking) (cognitive debt)’로 개념화하였다. 다만 이 연구는 아 수준이 유의미하게 낮아지는 ‘메타인지적 게으름’을 직 동료 심사를 거치지 않은 예비 논문(preprint) 단계 보였다. 역설적으로 기술 친화적 동기(technophilic 이며, 표본 크기(N=54)와 인과 해석의 적절성에 대한 motivations)와 컴퓨터 자기효능감이 높은 학생일수 학계의 비판적 의견이 존재한다. 따라서 해당 결과는 AI 록, 그리고 AI나 학업 경험이 많은 학생일수록 이러한 수용이 신경생리학적 저하로 직결될 수 있음을 시사하 경향이 더 심한 것으로 나타났다(Choudhuri et al., 는 강력하기는 하지만 아직은 잠정적인 결과로 이해하 2026). 저자들은 이것이 습관적인 생성형 AI 사용이 점 는 것이 적절하다. 또한, Li (2025)은 LLM을 ‘인지적 보 진적으로 지적 습관을 약화시켜 과의존과 사용 확대로 철물(cognitive prostheses)’로 규정하며, 기억력, 비 이어지는 ‘인지 부채의 악순환(cognitive debt cycle)’ 판적 사고력, 창의성, 동기 측면에서 장기적인 과의존의 을 형성하기 때문으로 추측한다. 다만 이 연구는 2026 위험을 종합적으로 논의하였다. 년 초 공개된 예비 논문으로, 정식 학술지 게재 이전 단 Jiang et al.(2025)은 EEG 신호를 활용해 LLM과 계임을 밝혀 둔다. 의 상호작용이 주의(attention), 인지 부하(cognitive 이러한 발견은 지식 노동자를 대상으로 한 대규모 조 load), 의사결정 과정에 미치는 영향을 정량적으로 포 사에서도 확인된다. Lee et al.(2025)은 319명의 지 착하는 프레임워크(Interaction-Aware Language 식 노동자를 대상으로 설문을 실시하고, 생성형 AI 활 Transformer 및 Interaction-Optimized Reasoning 용 과정에서 실제로 936건의 사례를 수집, 분석하였 Strategy)를 제안하였다. 이 연구는 잘 설계된 LLM 다. 그 결과 과업에 대한 자기 확신(task-specific self- 인터페이스와의 상호작용이 정보처리를 효율화하여 confidence)이 높을수록 비판적 사고가 더 많이 발 인지 부하를 낮추고 주의 집중도를 높일 수 있음을 보여 휘되는 반면, 생성형 AI에 대한 확신(confidence in 주는데, 이는 일견 긍정적으로 해석될 수 있으나, 동시 GenAI)이 높을수록 비판적 사고에 들이는 노력이 감소 에 인지 부하의 감소가 정보에 대한 능동적 처리(deep 하는 것으로 나타났다. 이는 AI 산출물에 대한 신뢰가 processing)의 감소를 동반할 위험이 있다는 점에서 곧 사용자의 검증 동기를 대체하는 기제로 작동함을 시 Kosmyna et al.(2025)의 인지 부채 논의와 함께 해석 사하며, 앞서 논의한 ‘인지적 외주화’가 개인의 인지 성 될 필요가 있다. 즉, 인지 부하 저하 자체는 중립적인 현 향이 아니라 AI에 대한 상대적 신뢰 수준에 의해 조절 상이지만, 그것이 ‘편안함’ 때문인지 ‘사고의 생략’ 때문 될 수 있음을 보여준다. 인지를 구분하는 것이 향후 연구의 과제로 남는다. 이와 유사한 맥락에서 Gerlich(2025a)는 설문조사 연구(N=666)에서 AI 도구 사용 빈도와 비판적 사고력 2. 메타인지적 게으름과 비판적 사고의 저하 사이의 유의한 역의 상관관계를 확인하였으며, 이 관계 가 인지적 외주화에 의해 매개됨을 입증하였다. 즉, AI 학습자가 AI를 일상적으로 사용할 때, 문제 해결과 도구를 많이 사용할수록 비판적 사고력이 약화되는데, 사고의 과정을 덜어내면서 비판적 사고 역량이 저하 ‘인지적 외주화’ 경향이 클수록 이 관계가 더 강해진다 되는 현상이 실증적으로 관찰되고 있다(Choudhuri 는 것이다. 특히 이러한 효과는 AI 산출물에 대한 의존 et al.,, 2026). 북미 5개 대학의 과학, 기술, 공학, 수 도가 높고 독립적 평가 능력이 상대적으로 낮은 젊은 연 학(STEM) 전공 학생 299명을 대상으로 한 설문 연구 령층에서 더 뚜렷하게 나타났다. 이 연구는 상관관계 분 석이라는 방법론적 한계가 존재하기는 하지만, LLM을 용과 같은 통합적 추론의 외주화를 구분해야 한다고 제 포함한 AI 도구에 대한 습관적 의존이 정보를 스스로 평 안하며, 전자는 기존의 계산기, 검색엔진 사용과 유사하 가, 정당화하는 인식적 주체성을 약화시킬 수 있다는 실 게 정당화될 수 있지만, 후자의 경우 도구 의존이 곧 능 증적 근거를 제공한다. 력의 공동화로 이어질 위험이 크다고 강조한다. 나아가, 사용자가 자신의 신념과 가치관 형성 과정마 3. 시간 단축의 착각(Speedup Illusion) 저 AI에 양도하는 현상도 보고되고 있다. Guingrich et al.(2026)은 ‘신념 외주화(belief offloading)’라는 개 AI와의 상호작용에서 사용자는 종종 인지적 노력이 념을 제안한다. 이는 신념을 형성하고 유지하는 인지 줄어든 것을 작업 시간이 단축된 것으로 착각한다(Yu et 과정 자체가 AI 시스템에 위임되어, 그 결과가 사용자 al., 2026). 이 연구에서는 대규모 (N=1,237) 행동연구 의 행동과 신념 체계 전반에 영향을 미치는 현상을 말 를 통해서 사용자가 직접 과제를 수행할 때와 AI의 도움 한다. 저자들은 철학, 심리학, 컴퓨터 과학 문헌을 종합 을 받을 때의 실제 작업 완료 시간에는 유의미한 차이가 하여 신념 외주화가 발생하는 경계 조건에 대한 기술적 없었음에도 불구하고, 사용자는 AI가 작업을 훨씬 더 빠 (descriptive) 분류 체계를 제시하고, 그 규범적 함의를 르게 해주고 주관적 노력(subjective effort)이 실제보 논의한다. 다 덜 들었다고 응답하였다. 저자들은 이를 ‘시간 단축 이러한 우려는 실제 조직 맥락에서도 확인된다. 의 착각(speedup illusion)’으로 명명하였다. 이는 사용 Blanding(2025)은 전문성을 갖춘 실무자조차 AI의 그 자가 시간의 절감과 노력의 절감을 혼동하며, AI의 매끄 럴듯하지만 틀린 답변에 설득되어 자신의 판단을 유 러운 답변을 수용함으로써 인지적 참여를 스스로 포기 보하는 사례들을 소개하며, 조직 내 의사결정에서 AI 하는 결과를 낳는다는 점에서 위에서 논의한 메타인지 에 대한 ‘과도한 위임(deferring to AI)’이 초래할 수 적 게으름과 비슷한 맥락에 있다. 다만 이 연구도 2026 있는 위험을 경고한다. 이 자료는 동료 심사를 거친 년 발표된 예비 논문 단계로, 후속 검증이 필요하다. 학술 논문이 아니라 실무 지향적 칼럼(practitioner commentary)이라는 점에서 인용 시 유의가 필요하나, 4. ‘주권의 함정(Sovereignty Trap)’과 신념 외주화 학계의 실증 연구 결과가 실제 조직 현장에서도 재현되 고 있음을 시사하는 정황적 근거를 제시한다. IS 및 HCI 관점에서는 AI 산출물에 대한 신뢰와 의존 양상이 인간의 비판적 사고를 무디게 하는 과정을 추적 ## Ⅳ. LLM이 의사결정과 창의성에 미치는 영향 해 왔다. Klein and Klein(2025)은 AI가 제공하는 답 변에 손쉽게(frictionless) 접근할 수 있는 환경이 사용 1. 알고리즘 신뢰와 의사결정에서의 인지적 관여 자로 하여금 심층 학습에 필수적인 인지 과정을 체계적 으로 우회하게 만드는 ‘속 빈 마음(hollowed mind)’ 상 IS 분야에서는 LLM을 포함한 알고리즘적 의사결정 태를 유발한다고 주장한다. 이들은 이러한 심리적 기제 보조 도구에 대한 인간의 신뢰와 의존 양상이 오랜 연구 를 ‘주권의 함정(sovereignty trap)’으로 명명하는데, 주제였다. Jussupow et al.(2024)은 인간이 알고리즘 이는 AI가 보여주는 권위 있는 유능함이 사용자로 하여 의 조언을 인간의 조언보다 더 신뢰하는 ‘알고리즘 선호 금 정보 접근을 실제 능력으로 착각하게 하여 스스로의 (algorithm appreciation)’와 반대로 더 불신하는 ‘알 지적 판단을 AI에 양도하도록 유혹하는 현상을 가리킨 고리즘 회피(algorithm aversion)’ 현상이 공존하는 이 다. 저자들은 절차적, 검색적 정보의 외주화와 LLM 사 유를 개인 특성, 과업 특성, 알고리즘 특성이라는 세 층 위로 통합하여 설명한다. 이 프레임워크는 LLM 기반 업에서의 기능적 의존)과 관계적 의존(relationship 의사결정 지원 도구에 대한 인간의 인지적 관여 수준이 dependency, LLM을 사회적으로 의미 있는 존재로 인 고정적이지 않고 맥락에 따라 체계적으로 달라짐을 보 식하는 경향)이라는 두 요인으로 구분하였다. 이 척도는 여준다. ‘보조(assistance)’에서 ‘의존(reliance)’으로의 이행 과 Klingbeil et al.(2024)은 실험을 통해, 조언이 단순 정을 계량적으로 포착할 수 있는 도구를 제공함으로써, 히 AI에 의해 생성되었다는 사실을 아는 것만으로도 사 향후 LLM 사용이 인지역량에 미치는 종단적 영향을 측 람들이 해당 조언에 과도하게 의존하는 경향을 보인다 정하는 데 기여하고 있다. 는 것을 입증하였다. 참가자들은 AI의 조언이 맥락 정 Alavi et al.(2024)은 지식경영(knowledge 보나 자신의 판단과 상충하는 경우에도 이를 따르는 경 management) 프레임워크를 생성형 AI 맥락으로 확장 향을 보였으며, 이러한 과의존은 실제로 비효율적인 의 하여 생성형 AI가 지식의 창출, 저장, 전달, 적용이라는 사결정 결과로 이어졌다. 이는 LLM이 제공하는 답변의 지식경영 과정 전반에 미치는 영향을 논의한다. 이들은 정확성과 무관하게, ‘AI가 생성했다’는 출처 표지 자체 생성형 AI가 정보처리를 향상시키고 개인 및 조직 학습 가 사용자의 비판적 검토 과정을 단축시킬 수 있음을 시 을 촉진할 잠재력을 지니는 동시에, AI 편향(bias)과 인 사한다. 간 간 사회화 감소, 특히 경험이 적은 주니어 지식노동 Stadler et al.(2024)의 실험 연구는 이러한 경향을 자의 주변화(marginalization)라는 조직적 위험을 수 학습 맥락에서 정량적으로 뒷받침한다. 이들은 대학생 반한다고 지적한다. 이는 위에서 논의한 인지적 외주화 91명을 ChatGPT-3.5 사용 집단과 구글 검색 사용 집 의 세대, 숙련도별 비대칭적 영향이 조직 수준에서도 재 단으로 무작위 배정하여 과학적 탐구 과제(자료 조사 및 현될 수 있음을 시사한다. 추천안 정당화)를 수행하게 하였다. 그 결과 ChatGPT 한편 Schulz and Knierim(2024)은 웨어러블 EEG 사용 집단은 인지 부하에서 유의하게 낮은 수준을 보고 장비를 활용하여 생성형 AI 보조 도구가 실제로 지식 하였으나, 최종 추천안에 대한 근거 제시와 추론의 질은 노동의 인지 부하를 감소시키는지를 실증적으로 검증 오히려 구글 검색 집단보다 낮았다. 저자들은 이를 ‘인 하였다. 예비 연구 결과, 머신러닝 모델링 과제를 수행 지적 안락함의 대가(cognitive ease at a cost)’로 명명 하는 동안 AI 어시스턴트를 사용한 참가자들의 인지 부 하며, 인지 부하 감소가 반드시 학습이나 추론의 질적 하는 기존의 인터넷 검색을 사용한 경우와 비교하여 전 향상으로 이어지지는 않는다는 점을 실증적으로 보여 반적으로 감소하지 않았으며, 오히려 특정 조건에서는 주었다. 이 결과는 위에서 논의한 메타인지적 게으름 및 인지 부하가 증가하는 것으로 나타났다. 이 결과는 위에 시간 단축의 착각 개념을 서로 다른 실험 패러다임에서 서 논의한 인지 부하 감소 및 시간 단축의 착각에 대한 교차 검증한 결과로 볼 수 있다. 김수정(2026)은 생성형 통념에 중요한 반대 증거를 제공하며, 생성형 AI의 인 AI와의 지속적 상호작용이 초래하는 이와 같은 ‘인지적 지적 효과가 과업의 성격과 도구의 설계에 따라 상당히 경계의 붕괴’를 AI의 ‘아부(sycophancy)’ 성향이 이용 이질적일 수 있음을 시사한다. 다만 이 연구는 학술대회 자의 자기 서사를 과도하게 강화해 현실 인식과 사회적 발표 단계의 예비 연구(pilot study)로, 표본 규모가 작 판단 능력을 약화시키는 과정으로 설명하기도 한다. 아 향후 대규모 후속 검증이 필요하다. 한편 Li et al.(2025)은 ‘LLM 의존 척도(LLM dependence scale)’를 개발, 검증하였다. 이들은 탐 2. 공동 창작, 의사결정, 창의성 색적, 확인적 요인분석을 통해 의존을 도구적 의존 (instrumental dependency, 의사결정과 인지적 과 HCI 분야에서는 LLM과의 상호작용이 사용자의 사 고 내용 자체에 미치는 영향에 주목해 왔으며, Jakesch 계될 경우 오히려 인지적 참여가 증가할 수 있음을 시사 et al.(2023)은 CHI 2023에서 발표한 대규모 온라인 한다. 이러한 결과는 인지적 영향이 도구 자체가 아니라 실험(N=1,506)을 통해, 특정 견해를 더 자주 생성하도 설계 방식에 의해 좌우된다는 점을 뒷받침한다. 록 설계된 LLM 기반 글쓰기 보조 도구를 사용한 참가 교육 현장의 실제 경험을 다룬 연구도 존재한다. 자들이 실제로 해당 견해 쪽으로 태도가 이동하고, 작 Park and Ahn(2024)은 질적 연구에서, 한 학기 동안 성한 글에도 그 편향이 반영됨을 확인하였다. 참가자들 ChatGPT를 실제로 활용한 대학생 30명과 교수, AI 전 은 이러한 영향을 스스로 인식하지 못한 채 도구의 견 문가 등 5명을 대상으로 포커스 그룹 워크숍과 참여적 해를 자신의 것으로 흡수하는 경향을 보였다. 이 연구 디자인 세션을 진행하였다. 학생들은 ChatGPT의 대화 는 LLM이 단순히 표현을 돕는 도구를 넘어, 사용자의 형 인터페이스와 즉각적 피드백을 긍정적으로 평가하 신념과 태도 형성 과정, 즉 인식적 자율성(epistemic 였으나, 동시에 복잡한 개념을 지나치게 단순화하여 받 autonomy)에까지 관여할 수 있음을 실증적으로 보여 아들이는 경향, 그리고 스스로 검증하지 않고 답을 그대 준 대표적 사례로 평가되며, 위에서 논의한 ‘신념 외주 로 수용하는 행태에 대한 우려도 함께 보고되었다. 이 화’ 개념의 실증적 연구로 볼 수 있다. 연구는 실제 고등교육 현장에서 나타나는 기회와 위험 이 공존함을 실증적으로 보여준다. 1) 글쓰기 지원과 비계(Scaffolding) 설계 Dhillon et al.(2024)은 현장 실험(N=131)을 통해, 2) 의사결정과 적정 신뢰(Appropriate Reliance) 논증적 글쓰기 과제에서 AI 비계 수준(무지원, 문장 단 AI 지원 의사결정 맥락에서 기존 연구들은 신뢰 보정 위 제안인 저수준 비계, 문단 단위 제안인 고수준 비계) 의 중요성을 강조한다. Ma et al.(2024)은 세 편의 연 과 글쓰기 품질, 생산성 사이에 U자형 관계가 존재함을 속 연구를 통해, 인간의 자기확신 (self-confidence) 발견하였다. 저수준 비계는 오히려 품질과 생산성을 저 을 보정하는 메커니즘이 AI에 대한 합리적 신뢰를 촉진 해하였으나, 고수준 비계는 유의한 향상을 가져왔으며 하고 인간-AI 팀의 의사결정 성과를 향상시킴을 입증 특히 평소 글쓰기에 익숙하지 않거나 기술 친숙도가 낮 하였다. 이는 위에서 논의한 IS 분야의 적정 신뢰 연구 은 사용자에게 더 큰 이득을 주었다. 이는 비계의 ‘양’보 (Klingbeil et al., 2024)와 상호보완적으로, 사용자의 다 ‘설계 방식’이 인지적 결과를 좌우함을 보여주는 중 메타인지적 자기평가 능력이 AI 의존의 적절성을 좌우 요한 증거로, 아래에서 논의할 구조화된 프롬프팅 설계 하는 핵심 변수임을 보여준다. 원칙에실증적근거를제시한다. Kimetal.(2025)은LLM이제공하는설명 한편 Göldi et al.(2024)은 무작위 실험(N=120)을 (explanation)과 출처(source)가 사용자의 적정 신뢰 통해, 동료 평가 글쓰기 과제에서 아이디어 생성과 평가 에 미치는 영향을 정교하게 분석하였다. 설명은 정답과 를 돕는 지능형 지원 도구를 제공했을 때 학생들이 도구 오답 모두에 대한 의존을 동시에 높이는 반면, 출처 제 가 미리 제시한 아이디어나 평가를 그대로 수용하기보 공은 정답에 대해서는 적정 신뢰를 높이면서도 오답에 다 스스로 선택적으로 활용하는 경향을 보였으며, 지원 대한 과의존은 감소시키는 것으로 나타났다. 흥미롭게 이 제공되었음에도 글쓰기 자체에는 오히려 더 적극적 도 설명 내에 내적 불일치가 존재할 경우 오히려 오답에 으로 참여했음을 확인하였다. 이는 위에서 논의한 인지 대한 과의존이 줄어들었는데, 이는 완벽하게 매끄러운 적 외주화 우려에 대한 중요한 반례로서, 도구가 완성된 설명이 사용자의 비판적 검토를 무력화할 수 있음을 시 답을 즉시 제공하기보다 사용자의 관련 인지 과정(예: 사한다. 아이디어 발상, 평가적 판단)을 ‘유발’하는 방식으로 설 실제 검색 행동에 대한 대규모 실험도 이루어졌다. Spatharioti et al. (2025)은 LLM 기반 검색을 사용한 을 잠식할 수 있다는 점을 보여준다. 그러나 Göldi et 참가자들이 기존 검색엔진 사용자보다 더 빠르고 적은 al.(2024)의 연구가 보여주듯, 이러한 잠식 효과는 보편 수의 질의로 과제를 완료하며 더 높은 만족도를 보고하 적이거나 불가피한 것이 아니라 도구의 설계 방식—비 였음을 확인하였다. 그러나 LLM이 제공한 정보가 틀린 계의 수준, 설명과 출처의 제시 방식, 오류 가시성—에 경우에도 사용자들은 이를 그대로 수용하여 과의존하 따라 상당히 조절될 수 있다. 요컨대 위에서 리뷰한 신 는 경향을 보였으며, 이는 색상 강조 등 오류 인지를 돕 경과학, 교육, 심리학, IS, HCI 등의 서로 다른 학문분 는 인터페이스 개입을 통해서만 완화될 수 있었다. 야의 연구가 모두 유사한 결론, 즉 ‘검토와 정당화 과정 을 생략한 AI 의존은 인지적 자율성을 잠식하지만, 이 3) 창의성에 대한 이중 효과 는 설계적 개입을 통해 완화될 수 있다’는 결론으로 수 LLM이 인간의 창의적 사고에 미치는 영향은 양가적 렴하고 있다는 점이 핵심 시사점이다. 인 것으로 나타난다. Kumar et al.(2025)은 대규모 사 앞의 문헌연구를 종합하면 몇 가지 공통된 패턴이 드 전등록 실험(N=1,100, 두 개의 병렬 실험)을 통해, 확 러난다. 첫째, IS, 심리학, HCI, 신경과학, 교육학 모두 산적 사고와 수렴적 사고라는 창의성의 두 핵심 요소에 LLM의 영향은 사용자가 ‘전략적 활용’과 ‘무비판적 의 대한 LLM 지원의 효과를 검증하였다. 그 결과 LLM의 존’ 중 어느 쪽에 가까운가에 따라 상반된 결과를 낳는 도움을 받는 동안에는 창의적 수행이 단기적으로 향상 다는 점이다(Gerlich, 2025a, 2025b; Jussupow et 되었으나, 이후 LLM 없이 동일한 과제를 수행할 때에 al., 2024; Klein & Klein, 2025). 둘째, 다수의 연구가 는 오히려 독립적 창의 수행 능력이 저해되는 것으로 나 인지적 영향의 핵심 기제로 ‘검토와 정당화 과정의 생 타났다. 이는 위에서 논의한 Kosmyna et al.(2025)의 략’을 지목한다는 점에서, LLM에 대한 과의존은 단순 ‘인지 부채’ 개념이 창의성 영역에서도 재현됨을 보여주 한 능력 저하가 아니라 인지적 노력을 기울이는 습관 자 는 증거이다. 체의 변화로 이해될 필요가 있다. 셋째, 본 리뷰가 통합 시각적 아이디어 발상 과제를 다룬Wadinambiarachchi 한 개념들, 즉 인지 부채, 주권의 함정, 속 빈 마음, 메타 et al.(2024)의 실험(N=60)은 이러한 우려를 뒷받침한 인지적 게으름, 시간 단축의 착각, 신념 외주화는 서로 다. 이들은 참가자를 AI 이미지 생성기(Midjourney) 지 독립적인 현상이라기보다 ‘검토 생략→신뢰 과잉→스 원 조건과 비지원 조건으로 무작위 배정하였는데, AI 지 키마 미형성→자율성 상실’로 이어지는 하나의 연쇄적 원을 받은 참가자들은 초기 예시에 대한 고착(fixation) 과정을 서로 다른 각도에서 포착한 것으로 재해석할 수 이 더 강하게 나타났으며, 산출한 아이디어의 수, 다양 있다. 성, 독창성 모두에서 기준 집단보다 낮은 성과를 보였 이상의 문헌연구결과를 종합하면 <표 1>과 같다. 다. 질적 분석에 따르면 이러한 효과는 참가자가 AI에 ## 프롬프트를 구성하는 방식과 AI의 제안에 대응하는 전 V. 인지 저하 극복 및 인지적 주권 회복을 략에 따라 상당히 조절되는 것으로 나타나, 창의성에 대 위한 개선 방안 한 LLM의 영향 역시 위에서 논의한 것처럼 설계와 사 용 방식에 따라 달라질 수 있음을 시사한다. 이러한 부작용에 대처하기 위해, 개입 전략을 제시한 이상의 결과는 앞서 논의한 Kosmyna et al.(2025) 다. 인지 저하를 극복하기 위해서는 AI 시스템 자체의 의 소유감 저하 결과 및 Klein and Klein(2025)의 속 설계를 바꿔야 할 필요도 있고, 또한 AI를 사용하는 사 빈 마음 개념과 함께, LLM과의 공동 작업이 산출물 용자, 특히 인지역량의 형성을 주도하는 교육과정의 변 의 질적 향상과는 별개로 사용자의 주체적 사고 과정 화가 필요하다고 생각된다. 따라서, 개입 전략은 AI 시 **<표 1> LLM의 사용과 인지역량의 관계에 대한 연구 요약**

연구 카테고리	독립변수	종속변수(DV)	결과 요약	논문
LLM 사용 집단은 신경 연결성이 최저이고 소유감·
		도구 유형(LLM/검색엔 신경 연결성(EEG),	회상이 저하되며, 도구 제거 후에도 저하가 지속	Kosmyna et al.,
	진/미사용, 4개월	소유감, 기억 회상; 반복); LLM 인터페이스 주의, 인지 부하, 의사 설계된 인터페이스가 인지 부하를 낮추고 주의를	(‘인지 부채’). EEG 기반 정량 프레임워크는 잘	2025;
신경인지적				Jiang et al., 2025
지표	설계·상호작용 방식	결정 과정	높일 수 있음을 보여주지만, 능동적(deep) 정보처리 감소 위험도 공존한다는 양가적 시사점을 제공
(뇌연결성· 인지부하)
	도구 유형(ChatGPT-		두 연구 모두 AI 도구 사용이 기대와 달리 인지
	3.5 vs 구글 검색; AI	인지 부하(외재적·	부하를 유의하게 낮추지 못하거나(일부 조건에서 어시스턴트 vs 인터넷 내재적·본유적, EEG), 오히려 증가), 낮아진 경우에도 추론의 질은 오히려 Schulz and Knierim,	Stadler et al., 2024;
	검색)	추론·근거제시의 질	저하됨(‘인지적 안락함의 대가’)	2024
			성찰·이해욕구·비판적 네 편의 연구가 수렴적으로, AI에 대한 신뢰· AI 신뢰·사용빈도, 기술 사고(‘메타인지적 게으 사용빈도가 높을수록 비판적 사고에 들이는 노력이 2026; 친화적 동기/자기효능 름’), 비판적사고 발휘 감소함을 보여줌. 특히 자기효능감이 높거나 AI가 Lee et al., 2025;	Choudhuri et al.,
	감, 과업 자기확신 vs		노력, 비판적 사고력, 실제보다 빠르다고 착각하는 사용자일수록 검증
비판적	AI 확신, AI 지원 여부		지각된 시간/노력(‘시 없이 수용하는 경향이 강해 ‘인지 부채의 악순환’을	Gerlich, 2025a;
메타인지 사고력·		간 단축의 착각’)	형성	Yu et al., 2026
LLM을 ‘인지적 보철물(cognitive prostheses)’
		LLM 의존 전반(개념적 기억력, 비판적 사고력, 로 규정하고, 장기 과의존의 다차원적 위험을		Li, 2025
	논의)	창의성, 동기	종합 논의 조언 출처 표지(AI/인간), 의존도·과의존, 의사 네 편을 종합하면, ‘AI가 생성했다’는 표지 자체는 Klingbeil et al., 2024;
	자기확신 보정 메커니	결정 효율성/성과,	맹목적 과의존을 유발하지만, 설명·출처의 제시	Ma et al., 2024;
		즘, 설명·출처 제공 여부· 적정 신뢰 수준, 결정 방식·사용자의 자기확신 보정·인터페이스 상 오류		Kim et al., 2025;
	불일치, 검색도구 유형 속도·정확도		가시성(색상강조)에 따라 과의존이 완화될 수 있음 Spatharioti et al.,
의사결정 신뢰·	(LLM기반/기존)		이 확인됨	2025
(적정의존)			두 편 모두 개념적 통합 리뷰로서, AI에 대한 신뢰·
	개인·과업·알고리즘	알고리즘 선호/회피	관여 수준이 맥락에 따라 체계적으로 달라진다는	Jussupow et al.,
	특성(알고리즘 수용);	(인지적 관여 수준);	점과, 생성형 AI가 조직 학습을 촉진하는 동시에 생성형 AI의 지식경영 지식 창출·저장·전달· 주니어 인력 주변화 같은 위험을 수반한다는 점을 Alavi et al., 2024	2024;
	통합 정도	적용, 조직적 위험	이론적으로 논의
		AI의 손쉬(frictionless) ‘속 빈 마음’/주권	세 편의 이론 논문이 서로 다른 개념(주권의 함정,	Klein and Klein,
	신념·인지적 정보 접근; 신념 형성		상실(개념적); 신념체 신념 외주화, 관계화)으로 동일한 현상—AI에 대한 2025;
자율성·	과정의 AI 위임;	계·행동(‘신념 외주	손쉬운 접근이 사용자의 독립적 판단·신념형성·	Guingrich et al.,
	정서적의존 생성형 AI와의 지속적 화’); 인지적 경계·		현실인식 능력을 잠식하는 과정—을 각기 다른	2026;
	상호작용(‘관계화’)	정서적 웰빙·소통역량 각도에서 포착		김수정, 2026

**<표 1> 계속**

연구 카테고리	독립변수	종속변수(DV)	결과 요약	논문
	편향되도록 설계된 AI		두 연구 모두 위 이론적 개념들이 실제로 나타남을
		글쓰기 도구; AI 답변의 태도·의견 변화; 판단 보여줌—대규모 실험에서 사용자는 AI가 유도한		Jakesch et al., 2023;
	신념·인지적 유창함·그럴듯함	유보·과도한 위임	견해를 무의식적으로 흡수했고, 전문 실무자조차 그럴듯한 오답에 판단을 유보한 사례가 다수 보고됨 Blanding, 2025
자율성·
정서적의존		도구적 의존 (instrumental) /	‘보조 → 의존’ 이행 과정을 계량적으로 포착하는
	(척도 개발 연구)	관계적 의존	2요인 구조 척도를 개발·검증	Li et al., 2025
(relationship)
	AI 비계 수준(무지원/		글쓰기 품질, 생산성; 두 연구 모두 인지적 외주화가 보편적이지 않음을
	저수준 비계/고수준	글쓰기 참여도	보여주는 반례로, 지원의 ‘양’이 아니라 ‘설계 방식’ Dhillon et al., 2024;
	비계); 지능형 지원 도구 제공 여부	(engagement)	에 따라 결과가 갈림—적절히 설계된 고수준 비계· 유발형 지원은 오히려 품질과 참여를 높임	Göldi et al., 2024
창의성·	LLM 지원 여부	확산적·수렴적 사고	두 연구 모두 AI 지원이 창의적 산출물의 단기적	Kumar et al., 2025;
	글쓰기 지원 (사용 중/사용 이후);		(창의성); 디자인 고착 질은 높이지만, 초기 예시에 대한 고착을 강화하고 Wadinambiarachchi
	AI 이미지 생성기		(fixation), 아이디어 이후 독립적 창의 수행 능력을 저해함을 실증—	et al., 2024
	지원 여부	수·다양성·독창성	‘인지 부채’가 창의성 영역에서도 재현됨
	ChatGPT 실제 활용		대화형 인터페이스·즉각 피드백은 긍정 평가;
	경험(한 학기)		인식(기회·위험 지각) 단순화·미검증 수용에 대한 우려도 동시 보고	Park and Ahn, 2024
		스템 개발의 관점과 AI를 사용하는 교육에서의 전략으 로 나누어서 살펴본다.		현저히 경감시키고, 사용자의 성찰적 몰입(reflective engagement)을 극대화하는 것으로 나타났다. 이는 동
일 저자의 상관연구(Gerlich, 2025a)에서 제기된 우려
	1. AI 시스템 설계에 대한 시사점			에 대해 실험적으로 통제 가능한 해법을 제시했다는 점 에서 의미가 있다.
		1) 구조화된 프롬프팅과 비계(Scaffolding)의 점진적 제거		시 지원 장치로서의 비계(scaffold)로 상정되어야 하며, 또한, 교육 측면에서 AI는 항구적인 도구가 아닌 임
		하는 단방향 의존성에서 벗어나도록 유도해야 한다. AI 학습자가 AI에 최초 질문으로 완성된 출력값을 기대		학습자의 주체적 이해도가 높아질수록 개입 빈도를 낮 춰 독립적 사고를 하도록 디자인되어야 한다. Vendrell
		가 사용자로 하여금 해결 과정을 직접 도출하게 하거나 반론 제기 및 가설 검증을 제안하도록 설계하는 ‘구조		and Johnston(2026)은 고등교육 맥락에서 생성형 AI 를 통합할 때 지켜야 할 설계 원칙들을 제시하며, 특히
	화된 프롬프팅(structured prompting)’ 기법의 활용 을 일상화할 필요가 있다. Gerlich(2025b)에 따르면,			비계의 수준을 학습자의 숙련도에 따라 동적으로 조정 하는 ‘점진적 해체(fading)’ 원리를 강조한다.

이러한 통제된 방식의 대화식 활용은 인지적 외주화를 | 2) 메타인지 프롬프트(Metacognitive Prompts)의 | | (cognitive sovereignty)’의 가치관을 함양해야 한다 | | | --- | --- | --- | --- | | 시스템적 개입 | | (Klein & Klein, 2025). 만일 이를 개개인이 하기 어렵 | | | 대학생들을 대상으로 한 실험에서 AI 검색 과정 중 | | 다면 시스템의 설계나 제도에서라도 이를 지원하도록 | | | 학습자의 성찰을 유도하는 ‘메타인지 프롬프트’(이해 점 검, 다양한 관점 고려, 통합 및 성찰 등)를 제공했을 때, | | 할 필요가 있을 것이다. | | | 학생들은 더 다양한 주제를 탐색하고 심층적인 후속 질 문(critical queries)을 던지는 등 비판적 사고가 촉진 | | 2. 일반 교육에서의 시사점 | | | 되었다. Singh et al. (2025)은 40명 규모의 사용자 연 | | | 1) ‘ 선(先) 수동 학습(Manual First) ’ 과 ‘ AI-Free | | 구를 통해 단순히 AI의 답을 수동적으로 수용하는 대 | | Zones ’ 의 획정 | | | 신, AI의 한계와 편향성을 평가하고 누락된 관점을 파 | | | 두뇌 장기기억 시스템에 확실한 개념적 스키마를 형 | | 악하도록 돕는 시스템적 개입이 효과적임을 보였다. 이 | | 성하기 위해서는 일련의 인지적 노이즈와 마찰, 즉 ‘바 | | | 는 인터페이스 설계 수준에서 비판적 사고를 할 수 있도 | | 람직한 어려움(desirable difficulties)’이 내재되어야 | | | 록 ‘기본값(default)’을 조정할 필요가 있을 수도 있음 | | 한다(최승락, 2025). 이를 달성하기 위해, 기본 개념 학 | | | 을 시사한다. | | 습 단계에서는 생성형 AI 활용을 철저히 배제하고 개념 을 체화하는 ‘선(先) 수동 학습’ 기간이 보장되어야 한 | | | 3) 재생적 경험과 인지적 주권( Cognitive Sovereignty ) | | 다. 이는 위에서 논의한 Klein and Klein(2025)의 절 | | | 의 확립 | | 차적 외주화와 통합적 추론 외주화의 구분과 직접적으 | | | 종래의 기술 도입이 주로 생산성 및 속도 ‘최적화 | | 로 연결되는 설계 원칙으로, 통합적 추론 능력이 아직 | | | (optimization)’ 패러다임 하에 진행되었는데, AI에서 | | 형성되지 않은 학습 초기 단계에서는 AI 개입을 원천적 | | | 는 이와 같은 패러다임은 인간 인지의 위축이라는 역 | | 으로 차단해야 함을 의미한다. | | | 풍을 낳고 있다. 향후 시스템 설계는 인공지능이 인간 | | | 아울러, 전체 업무 혹은 학습 과정에서 과업 기획 단 | | 의 두뇌를 지적 퇴화로부터 지키고, 뇌의 신경 가소성 | | 계, 핵심 아이디어 브레인스토밍, 최종 논리 검증 단계 | | | 과 역동적 유연성을 오히려 회복해 주는 ‘재생적 경험 | | 등 중추적 고등 인지 영역에서는 생성형 AI 사용을 차 | | | (regenerative experience, RX)’ 패러다임으로 진화 | | 단하는 ‘AI 없는 구역(AI-Free Zones)’을 제도화함으 | | | 해야 한다(Gee, 2025). Gee(2025)는 AI 시스템 설계 | | 로써 사용자의 인지적 자율성을 제도적으로 사수해야 | | | 목표를 효율성 극대화에서 인간의 인지적, 건강적 재생 | | 한다. 이러한 제안은 국내 문헌에서도 확인되는데, 최승 | | | 으로 전환할 것을 촉구하며 이를 뒷받침하는 윤리적 거 | | 락(2025)은 생성형 AI 시대의 교육적 활용 방안을 다룬 | | | 버넌스와 리더십의 필요성을 논의한다. 이 자료는 심사 | | 논의에서 인지적 외주화의 위험을 완화하기 위한 교육 | | | 이전의 예비 논문이라는 한계가 있으나, 본 논문이 검토 | | 현장 차원의 실천적 지침을 제시한 바 있다. 다만 이 자 | | | 한 여러 실증 연구들이 공통적으로 지향하는 설계 철학 | | 료는 소속 기관에서 발간한 보고서 성격임을 고려할 필 | | | 을 개념적으로 통합하고 있다는 점에서 논의의 가치를 지닌다. | 요가 있다. | | | | 궁극적으로 사용자는 AI 출력물의 매끄러운 수식어 | | | 2) 과정 중심 평가와 비교 판단( Comparative Judgment ) | | 이면을 끊임없이 의심하고 교차 검증을 실행하는 인 | 훈련 | | | | 지적 긴장감을 품어야 하고, 결과물의 최종 수용 및 책 | | | AI가 결과물의 유창함과 형식적 그럴싸함을 정교하 | | 임 귀속은 오로지 인간 주체에 놓인다는 ‘인지적 주권 | | 게 흉내 낼 수 있는 환경에서는 기존의 결과물 중심 평 | |

가 모델이 무력화된다. 따라서 사용자가 결과물을 얻기	라인과 설계적 마찰이 뒷받침될 때 비로소 인간과 AI 간
위해 AI와 프롬프트 수준에서 주고받은 맥락적 상호작	의 진정한 인지적 파트너십이 실현될 수 있을 것이다.
용 및 교정 과정을 평가하는 과정 중심 평가 체제로 전	향후 연구는 다음과 같은 방향성을 가져야 할 것이
환해야 한다. Martínez-Peláez et al.(2025)은 LLM이	다. 첫째, Li et al. (2025)이 수립한 ‘LLM 의존 척도’
고등교육에서 능동적 학습과 맞춤형 피드백을 촉진할	와 같은 검증된 측정 도구의 범용성을 넓혀, 실제 외주
잠재력을 지니는 동시에, 평가 방식이 결과물이 아닌 과	화 행위가 기억 및 추론 수준에 미치는 장기 종단적 영
정 중심으로 재설계될 때에만 비판적 사고와 문제 해결	향의 인과적 고리를 밝혀야 한다. 둘째, 다양한 과업 맥
역량 함양에 실질적으로 기여할 수 있다고 주장한다. 이	락(정량적 분석, 감성적 글쓰기, 사회적 상호작용 등)
연구는 LLM과 인지능력에 대한 중요한 시사점을 제공	에 따라 AI 도구의 수용 수준과 인지 저하 폭이 상이하
하지만 LLM이 교육환경에서 사용되는 경우에 초점을	게 일어나는지에 대한 광범위하고 심도 있는 연구가 이
맞추고 있다는 점에서 본 논문과의 차이점이 존재한다.	어져야 한다. 셋째, Heersmink(2024) 및 Klein and
특히 학습자에게 고의로 오류나 할루시네이션(환각),	Klein(2025)이 주창한 절차적 외주화와 통합적 추론
논리적 약점이 섞인 AI 다중 출력 답변들을 제시한 후	외주화의 구분, 그리고 최승락(2025) 등이 제안한 점진
직접 결함을 추출하고 서열을 책정하게 만드는 ‘비교	적 비계 구조와 ‘AI 없는 구역’의 실제적 유효성을 비교
판단(comparative judgment)’ 훈련은 인지적 나태성	행동 분석 및 뇌 활동 측정을 통해 체계적으로 검증해야
(lazy thinking)을 방지하고 메타인지 역량을 환기시	할 것이다. 넷째, 현재 가설적으로 제안되고 있는 인지
키는데 효과적인 것으로 나타났다(House, 2025). 이	부채, 시간 단축의 착각, 신념 외주화 등의 핵심 개념들
는 채점 및 평가 플랫폼을 운영하는 실무 기관의 블로그	이 심사를 거친 대규모 반복 연구를 통해 재현되는지 확
자료에서 제안된 방법론으로, 심사를 거친 학술적 근거 는 충분하지 않으나, 앞에서 언급된 메타인지 프롬프트	인하는 것이 학문적 신뢰성 확보를 위한 선결 과제이다.
연구(Singh et al., 2025) 및 구조화된 프롬프팅 연구
(Gerlich, 2025b)와 개념적으로 일치한다.	■ 참고문헌
김수정 (2026). 생성형 AI의 일상화와 인간-인공지능 관계의
Ⅵ. 결론 및 향후 연구 방향	재구성: 인공지능의 ‘관계화’가 제기하는 새로운 정책 쟁점. <정보화정책>, 33권 2호, 3-28. https://doi.
본 리뷰는 다학제적 통합 고찰을 통해 생성형 AI가	org /10.22693/NIAIP.2026.33.2.003
인간의 인지역량에 가하는 잠재적 위험 요인과 이를 상	장창기 (2025). 인공지능 기반 서비스 이용에 있어서 개인의 정보평가 성향의 영향: 프라이버시 염려 및 보호 행동
쇄하기 위한 설계 원칙들을 종합하였다. LLM은 올바 른 제어 장치와 메커니즘 하에 활용될 경우 생산성 제고	과의 조절된 매개효과 분석. <정보화정책>, 32권 3호,

21-42. https://doi.org/10.22693/NIAIP.2025. | 와 지적 협업을 돕는 ‘확장 도구’로 유용하지만, 무비판 | 32.3.021 | | --- | --- | | 적이고 습관적인 외주화 수단으로 방치된다면 ‘인지 부 | 정동훈 (2026). 에이전틱 AI 시대의 인간-기계 상호작용 재구 | | 채’의 가속과 ‘주권의 함정’을 이끌며 인지 생태계를 황 | 성에 관한 이론적 고찰. <정보화정책>, 33권 1호, | 3-24. https://doi.org/10.22693/NIAIP.2026. 폐화할 위험을 지닌다. 결국, AI는 인간 사유의 대체재 33.1.003 가될수 없으며, 구조화된 프롬프팅, 메타인지 프롬프 최승락 (2025). <생성형 AI 시대, AI를 어떻게 활용할 것인 트, 선 수동 학습과 AI 없는 구역, 과정 중심 평가, 그리 가?: 인지적 외주화의 위험과 교육적 해법>. 한림대학 고 재생적 인텔리전스 패러다임과 같은 제도적 가이드 교 인문사회융합연구원 제1회 AI 융합교육 콜로키움 | 발표자료. [비(非) 동료심사 콜로키움 발표문] | | 10.48550/arXiv.2602.08754 | | --- | --- | --- | | Alavi, M., Leidner, D. E. & Mousavi, R. (2024). A | | Heersmink, R. (2024). Use of large language models | | knowledge management perspective of | | might affect our cognitive skills. Nature Human | | generative artificial intelligence. Journal of the | | Behaviour, 8,805-806. https://doi.org/10.1038/ | | Association for Information Systems, 25 (1), | | s41562-024-01859-y | | 1-12. https://doi.org/10.17705/1jais.00859 | | House, M. (2025). Cognitive offloading is real and new | | Blanding, M. (2025). The dangers of deferring to AI: It | | learners are most at risk: How RM Compare | | seems so right even when it's wrong. Harvard | | keeps the thinking human. RM Compare Blog. | | Business School Working Knowledge. | | Jakesch, M., Bhat, A., Buschek, D., Zalmanson, L. & | | Choudhuri, R., Sanchez, C. A., Burnett, M. & Sarma, | | Naaman, M. (2023). Co-writing with opinionated | |A.(2026).Thinkingless,trustingmore:GenAI's||languagemodelsaffectsusers'views.| | impacts on students' cognitive habits (arXiv: | | Proceedings of the 2023 CHI Conference on | | 2601.22430) [Preprint]. arXiv. https://doi. | | Human Factors in Computing Systems (CHI '23), | | org/10.48550/arXiv.2601.22430 | | Article 111. ACM. https://doi.org/10.1145/ | | Dhillon, P. S., Molaei, S., Li, J., Golub, M., Zheng, S. & | 3544548.3581196 | | | Robert, L. P. (2024). Shaping human-AI | | Jiang, T., Wu, J. & Leung, S. C. H. (2025). The cognitive | | collaboration: Varied scaffolding levels in | | impacts of large language model interactions | | co-writing with language models. Proceedings | | on problem solving and decision making using | | of the 2024 CHI Conference on Human Factors | | EEG analysis. Frontiers in Computational | | in Computing Systems (CHI '24). ACM. https:// | | Neuroscience, 19,1556483. https://doi.org/ | | doi.org/10.1145/3613904.3642134 | | 10.3389/fncom.2025.1556483 | | Gee, R. O. W. (2025). Stewarding regenerative | | Jussupow, E., Benbasat, I. & Heinzl, A. (2024). An | | experience (RX): From AI-driven efficiency to | | integrative perspective on algorithm aversion | | human cognitive and health regeneration | | and appreciation in decision-making. MIS | | [Preprint]. Preprints.org. | | Quarterly, 48 (4),1575-1590. https://doi.org/ | | Gerlich, M. (2025a). AI tools in society: Impacts on | | 10.25300/MISQ/2024/18512 | | cognitive offloading and the future of critical | | Kim, S. S. Y., Vaughan, J. W., Liao, Q. V., Lombrozo, T. | | thinking. Societies, 15 (1),6. https://doi.org/ | | & Russakovsky, O. (2025). Fostering appropriate | | 10.3390/soc15010006 | | reliance on large language models: The role of | | Gerlich, M. (2025b). From offloading to engagement: | | explanations, sources, and inconsistencies. | | An experimental study on structured prompting | | Proceedings of the 2025 CHI Conference on | | and critical reasoning with generative AI. | | Human Factors in Computing Systems (CHI '25). | | Data, 10 (11),172. https://doi.org/10.3390/data | | ACM. https://doi.org/10.1145/3706598.3714020 | | 10110172 | | Klein, C. R. & Klein, R. (2025). The extended | | Göldi, A., Wambsganss, T., Neshaei, S. P. & Rietsche, | | hollowed mind: Why foundational knowledge is | | R. (2024). Intelligent support engages writers | | indispensable in the age of AI. Frontiers in | |throughrelevantcognitiveprocesses.||ArtificialIntelligence,8,1719019.https://doi.| | Proceedings of the 2024 CHI Conference on | | org/10.3389/frai.2025.1719019 | | Human Factors in Computing Systems (CHI '24). | | Klingbeil, A., Grützner, C. & Schreck, P. (2024). Trust | | ACM. https://doi.org/10.1145/3613904.3642549 | | and reliance on AI: An experimental study on | | Guingrich, R. E., Mehta, D. & Bhatt, U. (2026). Belief | | the extent and costs of overreliance on AI. | | offloading in human-AI interaction (arXiv: | | Computers in Human Behavior, 160,108352. | | 2602.08754) [Preprint]. arXiv. https://doi.org/ | | https://doi.org/10.1016/j.chb.2024.108352 | | Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., | | Felix, V. G. (2025). Can large language models | | Liao, X.-H., Beresnitzky, A. V., Braunstein, I. & | | foster critical thinking, teamwork, and problem- | | Maes, P. (2025). Your brain on ChatGPT: | | solving skills in higher education?: A literature | | Accumulation of cognitive debt when using an | | review. Systems, 13 (11),1013. https://doi.org/ | | AI assistant for essay writing task (arXiv:2506. | 10.3390/systems13111013 | | | 08872) [Preprint]. arXiv. https://doi.org/ | | Park, H. & Ahn, D. (2024). The promise and peril of | | 10.48550/arXiv.2506.08872 | | ChatGPT in higher education: Opportunities, | | Kumar, H., Vincentius, J., Jordan, E. & Anderson, A. | | challenges, and design implications. Proceedings | | (2025). Human creativity in the age of LLMs: | | of the 2024 CHI Conference on Human Factors | | Randomized experiments on divergent and | | in Computing Systems (CHI '24). ACM. https:// | | convergent thinking. Proceedings of the 2025 | | doi.org/10.1145/3613904.3642785 | | C H I Co n f e re n c e o n H u m a n Fa c to r s i n | | Schulz, T. & Knierim, M. T. (2024). Cognitive load | | Computing Systems (CHI '25). ACM. https:// | | dynamics in generative AI-assistance: A NeuroIS | | doi.org/10.1145/3706598.3714198 | | study. Proceedings of the 45th International | | Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., | | Conference on Information Systems (ICIS 2024). | | Rintel, S., Banks, R. & Wilson, N. (2025). The | | Association for Information Systems. | | impact of generative AI on critical thinking: | | Singh, A., Guan, Z. & Rieh, S. Y. (2025). Enhancing | | Self-reported reductions in cognitive effort and | | critical thinking in generative AI search with | | confidence effects from a survey of knowledge | | metacognitive prompts. Proceedings of the | | w o r ke r s. P ro ce e d i n g s o f t h e 2025 C H I | | Association for Information Science and | | Conference on Human Factors in Computing | | Technology, 62(1). https://doi.org/10.1002/ | | Systems (CHI '25). ACM. | pra2.1287 | | | Li, B. (2025). Study on the long-term cognitive effects of | | Sparrow, B., Liu, J. & Wegner, D. M. (2011). Google | | excessive LLM use among students and general | | effects on memory: Cognitive consequences of | | users. Journal of Contemporary Educational | | having information at our fingertips. Science, | | Research, 9 (10),203-214. https://doi.org/ | | 333 (6043),776-778. https://doi.org/10.1126/ | | 10.26689/jcer.v9i10.12112 | science.1207745 | | | Li, Z., Zhang, Z., Wang, M. & Wu, Q. (2025). From | | Spatharioti, S. E., Rothschild, D. M., Goldstein, D. G. | | assistance to reliance: Development and validation | | & Hofman, J. M. (2025). Effects of LLM-based | | of the large language model dependence | | search on decision making: Speed, accuracy, | | scale. International Journal of Information | | and overreliance. Proceedings of the 2025 CHI | | Management, 83,102888. https://doi.o rg/ | | Conference on Human Factors in Computing | | 10.1016/j.ijinfomgt.2025.102888 | | Systems (CHI '25). ACM. https://doi.org/ | | Ma, S., Wang, X., Lei, Y., Shi, C., Yin, M. & Ma, X. | 10.1145/3706598.3714082 | | | (2024). “Are you really sure?” Understanding the | | Stadler, M., Bannert, M. & Sailer, M. (2024). Cognitive | | effects of human self-confidence calibration in | | ease at a cost: LLMs reduce mental effort but | | AI-assisted decision making. Proceedings of | | compromise depth in student scientific inquiry. | | the 2024 CHI Conference on Human Factors in | | Computers in Human Behavior, 160,108386. | | Computing Systems (CHI '24). ACM. https:// | | https://doi.org/10.1016/j.chb.2024.108386 | | doi.org/10.1145/3613904.3642671 | | Vendrell, M. & Johnston, S.-K. (2026). Scaffolding | | Martínez-Peláez, R., Mena, L. J., Toral-Cruz, H., | | critical thinking with generative AI: Design | | Ochoa-Brust, A., Gonzalez Potes, A., Flores, V., | | principles for integrating large language models | | Ostos, R., Ramirez Pacheco, J. C., Felix, R. A. & | | in higher education. Computers and Education: | Artificial Intelligence, 10,100572. https://doi. org/10.1016/j.caeai.2026.100572 Wadinambiarachchi, S., Kelly, R. M., Pareek, S., Zhou, Q. & Velloso, E. (2024). The effects of generative AI on design fixation and divergent thinking. Proceedings of the 2024 CHI Conference on Human Factors in Computing Systems (CHI '24). ACM. https://doi.org/10.1145/3613904.3642919 Yu, S., Cheng, M., Jabbar, A., Sucholutsky, I., Collins, K. M., Jurafsky, D. & Hawkins, R. D. (2026). Cognitive offloading and the speedup illusion in human-AI interaction (arXiv:2605.23177) [Preprint]. arXiv. https://doi.org/10.48550/ arXiv.2605.23177