<div id="readability-page-1" class="page"><div>
    <article>
        

        <div>
            

<h2 id="원문-정보">원문 정보</h2>

<blockquote>
  <ul>
    <li><strong>제목</strong>: Is AI ruining our skills? Early results are in — and they’re not good</li>
    <li><strong>출처</strong>: Nature (News feature) · Mariana Lenharo (<a href="https://www.nature.com/">nature.com</a>)</li>
    <li><strong>발행</strong>: 2026-06-18</li>
    <li><strong>원문 링크</strong>: <a href="https://www.nature.com/articles/d41586-026-01947-1">https://www.nature.com/articles/d41586-026-01947-1</a></li>
  </ul>
</blockquote>

<p>이 글을 Articles에 담는 맥락: 지금까지 이 위키의 AI 글들이 대체로 “AI가 일을 어떻게 바꾸는가”를 다뤘다면, 이 Nature 기사는 한 단계 더 안쪽 — “AI에 기댄 사람의 <strong>실력 자체</strong>가 어떻게 되는가”를 <strong>측정된 증거</strong>로 묻는다.</p>

<blockquote>
  <p><strong>읽기 전 주의 — 접근 범위 고지.</strong> 이 포스트는 원문의 <strong>접근 가능한 부분</strong>만을 근거로 쓰였다. Nature의 d41586 뉴스 기사는 도입부와 의료 연구 사례까지는 읽혔지만, <strong>Anthropic의 소프트웨어 엔지니어 실험 ‘결과’부터는 페이월</strong>(“Log in or create an account to continue”)로 가려져 있었다. 그래서 아래 “핵심 내용”의 의료 파트는 원문에 충실하고, 소프트웨어 파트는 <strong>실험 설계까지만</strong> 사실로 적고 결과는 비워 둔다. 가려진 숫자나 결론을 지어내지 않는다.</p>
</blockquote>

<h2 id="한-줄-요약-tldr">한 줄 요약 (TL;DR)</h2>

<p>AI 보조 도구에 익숙해진 전문가는, 그 도구를 <strong>끄고</strong> 일할 때 실력이 떨어진다 — 폴란드 내시경 전문의들의 선종 발견율이 AI 도입 후 28.4%에서 22.4%로 내려갔다. “탈숙련(deskilling)”은 미래의 걱정이 아니라 이미 측정되는 현상이며, 아직 검증된 해법이 없다는 것이 기사의 골자다.</p>

<h3 id="한눈에-보기--탈숙련이-진행되는-경로">한눈에 보기 — 탈숙련이 진행되는 경로</h3>

<pre><code>flowchart LR
    A["AI 보조 도구 도입&lt;br/&gt;(선종을 짚어 주는 AI)"] --&gt; B["자동화 안주&lt;br/&gt;(complacency)&lt;br/&gt;덜 집중·덜 책임"]
    B --&gt; C["AI 없이 수행할 때&lt;br/&gt;맨몸 실력 저하"]
    C --&gt; D["선종 발견율&lt;br/&gt;28.4% → 22.4%&lt;br/&gt;(−6.0%p)"]
    D --&gt; E["확립된 해법 없음&lt;br/&gt;다음 10년의 연구 과제"]
</code></pre>

<p>이 글의 척추는 위 한 줄이다 — 도구가 좋아질수록(A) 스스로 훑는 긴장을 놓고(B), 도구를 껐을 때 기본기가 깎이며(C), 폴란드 내시경 연구에서 그 낙폭이 6.0%포인트로 측정됐다(D). 그리고 아직 검증된 해법은 없다(E).</p>

<h2 id="왜-이-글을-골랐나">왜 이 글을 골랐나</h2>

<p>이 위키에는 “AI 시대에 사람의 가치는 어디에 남는가”를 다룬 글이 이미 여럿 있다. <a href="/2026/06/22/ai-era-expertise-redesign.html">하용호의 ‘전문성 재설계’</a>는 “스킬 숙련자에서 운영 책임자로” 전문가를 다시 정의했고, <a href="/2026/06/23/the-untrainable.html">Sarah Guo의 ‘The Untrainable’</a>은 “측정 가능한 일은 학습되어 commodity가 된다”고 했으며, <a href="/2026/06/19/ai-hasnt-replaced-engineers.html">‘AI는 왜 엔지니어를 대체하지 못했나’</a>는 해고 서사의 실체를 해부했다.</p>

<p>이 글들은 대체로 <strong>낙관 혹은 재배치</strong>의 논리다 — “스킬은 옮겨갈 뿐 사라지지 않는다.” Nature 기사는 그 낙관에 <strong>반대 방향의 데이터</strong>를 던진다. AI를 쓰면 생산성이 오르는 건 맞지만, <strong>그 대가로 AI 없이 일할 때의 기본기가 깎인다</strong>면 이야기가 다르다. 이건 의견이 아니라 무작위 대조와 전후 비교로 측정된 수치다. 그래서 균형을 위해 읽을 값어치가 있다.</p>

<h2 id="핵심-내용">핵심 내용</h2>

<h3 id="의료-현장에서-측정된-탈숙련--폴란드-내시경-연구">의료 현장에서 측정된 탈숙련 — 폴란드 내시경 연구</h3>

<p>기사가 드는 가장 또렷한 증거는 폴란드의 내시경 전문의 연구다. 모두 경력 동안 <strong>최소 2,000건 이상의 대장내시경</strong>을 수행한, 충분히 숙련된 의사들이었다. 이들에게 선종(adenoma, 대장암으로 발전할 수 있는 용종)을 잡아내는 AI 시스템을 도입했다.</p>

<figure>
<svg role="img" aria-label="폴란드 내시경 연구의 3구간 가로 타임라인. ① AI 도입 전 맨몸 선종 발견율 28.4% ② AI 도입 후 AI를 켜고 보조받을 때는 향상(↑, 원문 미확인이라 화살표만) ③ AI 도입 후 AI 없이 다시 측정한 맨몸 발견율 22.4%로 하락. 측정 대상은 도구를 켰을 때가 아니라 도구를 껐을 때의 맨몸 실력임을 강조하는 막대 도식" viewBox="0 0 640 360" xmlns="http://www.w3.org/2000/svg">
  <title>폴란드 내시경 연구 — 측정 대상은 '도구를 껐을 때'의 맨몸 실력 (28.4% → 22.4%)</title>

  <text x="320" y="26" text-anchor="middle" font-size="14.5" fill="currentColor" font-weight="700">측정 대상은 '도구를 껐을 때'의 맨몸 실력</text>
  <text x="320" y="45" text-anchor="middle" font-size="11" fill="currentColor" opacity="0.6">선종 발견율 · AI를 켰을 때가 아니라 껐을 때를 잰다</text>

  
  <line x1="40" y1="300" x2="600" y2="300" stroke="currentColor" stroke-width="1.5" opacity="0.4"></line>
  <text x="40" y="322" font-size="9.5" fill="currentColor" opacity="0.55">AI 도입 전</text>
  <text x="320" y="322" text-anchor="middle" font-size="9.5" fill="currentColor" opacity="0.55">AI 도입 후 · 보조 시</text>
  <text x="600" y="322" text-anchor="end" font-size="9.5" fill="currentColor" opacity="0.55">AI 도입 후 · AI 없이</text>

  
  
  <g>
    <rect x="64" y="158" width="120" height="142" rx="2" fill="var(--bg-light)" stroke="currentColor" stroke-width="2.5"></rect>
    <text x="124" y="148" text-anchor="middle" font-size="20" fill="currentColor" font-weight="700">28.4%</text>
    <text x="124" y="183" text-anchor="middle" font-size="11" fill="currentColor" font-weight="700">① 맨몸</text>
    <text x="124" y="201" text-anchor="middle" font-size="9.5" fill="currentColor" opacity="0.65">도구 OFF</text>
  </g>

  
  <g>
    
    <rect x="264" y="96" width="120" height="204" rx="2" fill="var(--bg-panel)" stroke="var(--secondary-color)" stroke-width="2.5" stroke-dasharray="5 5"></rect>
    <text x="324" y="86" text-anchor="middle" font-size="20" fill="var(--secondary-color)" font-weight="700">↑</text>
    <text x="324" y="135" text-anchor="middle" font-size="11" fill="currentColor" font-weight="700">② AI 켜고</text>
    <text x="324" y="153" text-anchor="middle" font-size="9.5" fill="currentColor" opacity="0.65">도구 ON · 향상</text>
    <text x="324" y="171" text-anchor="middle" font-size="9" fill="currentColor" opacity="0.5">(수치는 측정 대상 아님)</text>
  </g>

  
  <g>
    <rect x="464" y="188" width="120" height="112" rx="2" fill="var(--bg-light)" stroke="var(--accent-color)" stroke-width="2.5"></rect>
    <text x="524" y="178" text-anchor="middle" font-size="20" fill="var(--accent-color)" font-weight="700">22.4%</text>
    <text x="524" y="213" text-anchor="middle" font-size="11" fill="currentColor" font-weight="700">③ 다시 맨몸</text>
    <text x="524" y="231" text-anchor="middle" font-size="9.5" fill="currentColor" opacity="0.65">도구 OFF</text>
  </g>

  
  <line x1="184" y1="158" x2="464" y2="188" stroke="var(--accent-color)" stroke-width="2" stroke-dasharray="4 4" opacity="0.8"></line>
  <g transform="translate(320,236)">
    <rect x="-44" y="-15" width="88" height="30" rx="4" fill="var(--bg-panel)" stroke="var(--accent-color)" stroke-width="2"></rect>
    <text x="0" y="5" text-anchor="middle" font-size="13" fill="var(--accent-color)" font-weight="700">−6.0%p</text>
  </g>
</svg>
<figcaption>핵심 반전: 측정한 것은 AI를 ‘켰을 때’가 아니라 ‘껐을 때’의 맨몸 실력이다. AI 도입 전 28.4%(①), AI를 켜면 향상(②, 다만 그 수치는 이 연구의 측정 대상이 아니다), 그러나 도입 후 AI 없이 다시 재면 22.4%(③) — 6.0%포인트 낙폭이다.</figcaption>
</figure>

<p>핵심은 <strong>AI를 켰을 때가 아니라 껐을 때</strong> 무슨 일이 벌어지는가다. AI 도구 도입 <strong>이전</strong> 3개월 동안, 전문의들은 대장내시경의 28.4%에서 선종을 적어도 하나 발견했다. 도구 도입 <strong>이후</strong>, 같은 의사들이 <strong>AI 없이</strong> 수행한 대장내시경의 선종 발견율은 <strong>22.4%로 떨어졌다.</strong> 6%포인트의 낙폭이다. 도구를 쥐어 줬더니, 그 도구를 내려놓은 손이 둔해진 것이다.</p>

<p>이 결과는 2025년 10월 <em>The Lancet Gastroenterology and Hepatology</em>에 발표됐다. 공저자인 오슬로 대학교의 의사이자 연구자 Yuichi Mori는 이 현상을 확정하려면 더 많은 연구가 필요하다고 신중하게 덧붙이면서도, 문제의 무게를 분명히 했다.</p>

<blockquote>
  <p>“There is no established solution against deskilling right now. It should be a very hot research topic in the next decade.”</p>

  <p>(지금으로선 탈숙련에 대한 확립된 해법이 없다. 다음 10년간 매우 뜨거운 연구 주제가 되어야 한다.)</p>
</blockquote>

<h3 id="왜-깎이는가--자동화-안주">왜 깎이는가 — ‘자동화 안주’</h3>

<p>기사는 그 메커니즘을 한 문장으로 요약한다. 이런 도구에 <strong>지속적으로 노출되면</strong> 임상의가 “AI 보조 없이 인지적 결정을 내릴 때 <strong>덜 동기부여되고, 덜 집중하며, 덜 책임감 있게</strong>” 된다는 것이다. 보조선이 늘 화면에 떠 있으면 스스로 구석구석을 훑는 긴장을 놓게 된다 — GPS만 보고 다니다 길눈이 어두워지는 것과 같은 결의 현상이다.</p>

<p>이게 단지 의사 개인의 자각에 그치지 않는다는 점도 짚힌다. 간호사의 70%, 의사의 77%가 AI 과의존으로 인한 실력 상실을 우려한다. 의료에서 AI 도구의 변화를 다룬 책의 저자이자 UCSF 의사인 Robert Wachter, 그리고 시러큐스 대학교의 Kevin Crowston 같은 연구자들이 이 우려에 목소리를 보탠다. Crowston은 처방보다 자각을 먼저 말한다.</p>

<blockquote>
  <p>“Just being aware that this phenomenon exists hopefully provokes some self-reflection about which skills people want to maintain.”</p>

  <p>(이 현상이 존재한다는 것을 인지하는 것만으로도, 사람들이 어떤 실력을 유지하고 싶은지 스스로 돌아보게 되기를 바란다.)</p>
</blockquote>

<h3 id="소프트웨어-엔지니어링으로--여기서부터는-페이월">소프트웨어 엔지니어링으로 — 여기서부터는 페이월</h3>

<p>기사는 같은 질문을 <strong>소프트웨어 개발</strong>로 옮긴다. 컴퓨터 과학 분야에서도 실력이 깎이는지 보기 위해, 샌프란시스코의 AI 기업 Anthropic의 연구진이 무작위 대조 실험(randomized controlled trial)을 설계했다. <strong>52명의 소프트웨어 엔지니어</strong>에게 기본적인 코딩 과제를 시켰고, 참가자 전원은 웹 검색과 과제 수행 방법 안내에 접근할 수 있었다. 그중 <strong>절반에게만 AI 어시스턴트를 함께 쓰도록</strong> 했다.</p>

<p><strong>원문에서 읽을 수 있는 것은 여기까지다.</strong> 이 실험의 결과 — AI를 쓴 절반이 이후 AI 없이 일할 때 어떻게 됐는지 — 는 페이월 너머에 있어 확인하지 못했다. 의료 사례와의 대구로 보아 비슷한 방향의 결과가 예상되지만, 이는 어디까지나 <strong>추측</strong>이며 본문은 이를 사실로 적지 않는다. 정확한 수치와 결론이 궁금하다면 Nature 원문 구독 또는 Anthropic의 원자료를 확인해야 한다.</p>

<h2 id="분석과-인사이트">분석과 인사이트</h2>

<p>여기서부터는 원문 요약이 아니라 내 해석이다.</p>

<p><strong>1) “생산성 향상”과 “실력 향상”은 같은 말이 아니다.</strong> AI 글에서 가장 흔히 뭉뚱그려지는 지점이다. AI를 쓰면 같은 시간에 더 많이, 더 빨리 한다 — 이건 대체로 사실이다. 하지만 이 연구가 측정한 건 다른 축이다. <strong>도구를 뺀 상태의 맨몸 실력.</strong> 폴란드 의사들은 AI를 켜면 더 잘 잡았겠지만, 껐을 때 도입 전보다 못해졌다. 생산성 곡선이 올라가는 동안 역량 곡선이 내려가고 있었다면, 우리는 지금까지 한 축만 보고 있었던 셈이다.</p>

<p><strong>2) 이건 ‘취향’·’운영’으로의 재배치 서사에 대한 반례다.</strong> 이 위키의 여러 글 — <a href="/2026/06/19/ai-engineer-taste.html">코드가 공짜가 된 시대의 ‘취향’</a>, <a href="/2026/06/22/ai-era-expertise-redesign.html">전문성 재설계</a> — 은 “생산은 AI가, 사람은 판단·검증·운영으로 옮겨간다”고 봤다. 그런데 <strong>판단과 검증은 생산을 직접 해 본 실력에서 나온다.</strong> 선종을 스스로 찾아내 본 눈이 있어야 AI가 놓친 것을 의심할 수 있다. 맨몸 실력이 깎이면, 정작 사람에게 남겨두려던 ‘검증’ 능력도 함께 깎인다. 탈숙련은 재배치 서사의 토대를 갉는다.</p>

<p><strong>3) 가장 무서운 건 손상이 보이지 않는다는 점이다.</strong> AI를 켜고 일하는 동안에는 지표가 좋아 보인다. 손상은 <strong>AI가 없는 순간</strong> — 도구가 다운됐거나, 도구가 틀렸거나, 도구가 다루지 못하는 희귀 케이스 — 에만 드러난다. 즉 가장 실력이 필요한 순간에 가장 크게 깎여 있다. 이 비대칭은 <a href="/2026/06/19/llm-written-incident-report-future.html">LLM이 써 줄 인시던트 리포트의 미래</a>가 말한 “쓰기는 곧 사고하기 — 도구가 사고를 대신하면 사고하는 근육이 빠진다”와 정확히 같은 형태다.</p>

<p><strong>4) 다만 데이터는 아직 초기다.</strong> Mori 본인이 “더 많은 연구가 필요하다”고 했고, 한 편의 의료 연구와(읽지 못한) 한 편의 소프트웨어 실험으로 일반화하기엔 이르다. 6%포인트 낙폭이 영구적인지, 의식적 훈련으로 회복되는지, 분야마다 다른지 — 전부 열린 질문이다. 이 글의 가치는 “AI가 실력을 망친다”는 단정이 아니라, <strong>그 질문을 측정 가능한 가설로 올려놓았다</strong>는 데 있다.</p>

<h2 id="적용-포인트">적용 포인트</h2>

<ul>
  <li><strong>‘AI 없는 날’을 의도적으로 만들어라.</strong> 비행기 조종사가 자동조종을 끄고 손으로 착륙을 연습하듯, 주기적으로 도구를 끄고 맨몸으로 같은 일을 해 보며 기본기를 측정·유지한다.</li>
  <li><strong>유지할 핵심 실력을 골라 명시하라.</strong> Crowston의 조언대로 “나는 어떤 실력을 끝까지 유지할 것인가”를 먼저 정한다. 모든 걸 유지할 순 없으니, <strong>AI가 틀렸을 때 그것을 알아챌 수 있어야 하는 능력</strong>을 우선순위에 둔다.</li>
  <li><strong>AI 산출물을 ‘검토’가 아니라 ‘재현’으로 검증하라.</strong> 답을 받아 끄덕이는 대신, 핵심 케이스만이라도 스스로 풀어 보고 대조한다 — 이것이 검증 근육을 살려 두는 가장 싼 운동이다.</li>
  <li><strong>팀 차원에서 ‘맨몸 지표’를 따로 본다.</strong> 생산성(AI 포함)만 보지 말고, AI 없이 수행했을 때의 품질을 별도로 추적해 역량 곡선이 내려가고 있지 않은지 본다.</li>
  <li><strong>주니어 교육에 특히 경계한다.</strong> 처음부터 AI로 일을 배운 세대는 ‘깎일 맨몸 실력’을 애초에 쌓지 못할 위험이 있다. 기본기는 도구 없이 먼저 길러 둔 뒤 도구를 얹는 순서가 안전하다.</li>
</ul>

<h2 id="마무리">마무리</h2>

<p>Nature 기사는 AI 도구를 버리라고 말하지 않는다. 말하는 건 더 불편한 사실이다 — <strong>도구가 좋아지는 동안 우리 자신은 조용히 둔해질 수 있고, 그 손상은 도구가 사라진 순간에만 드러난다.</strong> 폴란드 내시경 사례의 6%포인트는 작아 보이지만, “충분히 숙련된 전문가조차 몇 달 만에 깎인다”는 점에서 무겁다. 아직 해법은 없고, Mori의 말처럼 다음 10년의 숙제로 남았다. 그때까지 우리가 할 수 있는 건, Crowston의 처방대로 <strong>무엇을 끝까지 내 손으로 할지 스스로 정해 두는 일</strong>이다. (소프트웨어 엔지니어 실험의 결과는 페이월 너머에 있으니, 그 숫자가 궁금하다면 원문을 직접 확인하길 권한다.)</p>

<h3 id="더-읽어보기">더 읽어보기</h3>

<ul>
  <li><a href="https://www.nature.com/articles/d41586-026-01947-1">원문 — Is AI ruining our skills? Early results are in — and they’re not good (Nature, Mariana Lenharo)</a></li>
  <li><a href="/2026/06/22/ai-era-expertise-redesign.html">AI 시대, 나의 전문성을 재설계하는 법 (하용호)</a> — “스킬 숙련자에서 운영 책임자로”라는 재배치 서사. 이 글의 탈숙련 데이터와 정면으로 대조해 읽으면 좋다.</li>
  <li><a href="/2026/06/23/the-untrainable.html">The Untrainable: 벤치마크할 수 없는 일에 가치가 남는다 (Sarah Guo)</a> — “측정 가능한 일은 학습되어 commodity가 된다”는 명제. 측정 가능한 실력이 깎이는 현상과 같은 동전의 양면.</li>
  <li><a href="/2026/06/19/ai-hasnt-replaced-engineers.html">AI는 왜 소프트웨어 엔지니어를 대체하지 못했나</a> — 대체 서사의 실체. 대체가 아니라 ‘탈숙련’이 진짜 위협일 수 있다는 보완 관점.</li>
  <li><a href="/2026/06/19/llm-written-incident-report-future.html">LLM이 써 줄 인시던트 리포트의 미래가 두렵다 (Lorin Hochstein)</a> — “쓰기는 곧 사고하기” — 도구가 사고를 대신하면 사고하는 근육이 빠진다는, 탈숙련과 같은 형태의 경고.</li>
  <li><a href="/2026/06/22/surviving-in-the-job-market.html">노동시장이라는 게임에서 살아남기 (Evan Moon)</a> — 실력이 곧 시장 가치라면, 그 실력을 지키는 일은 커리어 방어 그 자체다.</li>
</ul>

        </div>

        
    </article>

    
</div></div>

Orc’s WIKI

Orc Hwang

원문 정보
제목: Is AI ruining our skills? Early results are in — and they’re not good
출처: Nature (News feature) · Mariana Lenharo (nature.com)
발행: 2026-06-18
원문 링크: https://www.nature.com/articles/d41586-026-01947-1
이 글을 Articles에 담는 맥락: 지금까지 이 위키의 AI 글들이 대체로 “AI가 일을 어떻게 바꾸는가”를 다뤘다면, 이 Nature 기사는 한 단계 더 안쪽 — “AI에 기댄 사람의 실력 자체가 어떻게 되는가”를 측정된 증거로 묻는다.
읽기 전 주의 — 접근 범위 고지. 이 포스트는 원문의 접근 가능한 부분만을 근거로 쓰였다. Nature의 d41586 뉴스 기사는 도입부와 의료 연구 사례까지는 읽혔지만, Anthropic의 소프트웨어 엔지니어 실험 ‘결과’부터는 페이월(“Log in or create an account to continue”)로 가려져 있었다. 그래서 아래 “핵심 내용”의 의료 파트는 원문에 충실하고, 소프트웨어 파트는 실험 설계까지만 사실로 적고 결과는 비워 둔다. 가려진 숫자나 결론을 지어내지 않는다.
한 줄 요약 (TL;DR)
AI 보조 도구에 익숙해진 전문가는, 그 도구를 끄고 일할 때 실력이 떨어진다 — 폴란드 내시경 전문의들의 선종 발견율이 AI 도입 후 28.4%에서 22.4%로 내려갔다. “탈숙련(deskilling)”은 미래의 걱정이 아니라 이미 측정되는 현상이며, 아직 검증된 해법이 없다는 것이 기사의 골자다.
한눈에 보기 — 탈숙련이 진행되는 경로
flowchart LR
    A["AI 보조 도구 도입<br/>(선종을 짚어 주는 AI)"] --> B["자동화 안주<br/>(complacency)<br/>덜 집중·덜 책임"]
    B --> C["AI 없이 수행할 때<br/>맨몸 실력 저하"]
    C --> D["선종 발견율<br/>28.4% → 22.4%<br/>(−6.0%p)"]
    D --> E["확립된 해법 없음<br/>다음 10년의 연구 과제"]
이 글의 척추는 위 한 줄이다 — 도구가 좋아질수록(A) 스스로 훑는 긴장을 놓고(B), 도구를 껐을 때 기본기가 깎이며(C), 폴란드 내시경 연구에서 그 낙폭이 6.0%포인트로 측정됐다(D). 그리고 아직 검증된 해법은 없다(E).
왜 이 글을 골랐나
이 위키에는 “AI 시대에 사람의 가치는 어디에 남는가”를 다룬 글이 이미 여럿 있다. 하용호의 ‘전문성 재설계’는 “스킬 숙련자에서 운영 책임자로” 전문가를 다시 정의했고, Sarah Guo의 ‘The Untrainable’은 “측정 가능한 일은 학습되어 commodity가 된다”고 했으며, ‘AI는 왜 엔지니어를 대체하지 못했나’는 해고 서사의 실체를 해부했다.
이 글들은 대체로 낙관 혹은 재배치의 논리다 — “스킬은 옮겨갈 뿐 사라지지 않는다.” Nature 기사는 그 낙관에 반대 방향의 데이터를 던진다. AI를 쓰면 생산성이 오르는 건 맞지만, 그 대가로 AI 없이 일할 때의 기본기가 깎인다면 이야기가 다르다. 이건 의견이 아니라 무작위 대조와 전후 비교로 측정된 수치다. 그래서 균형을 위해 읽을 값어치가 있다.
핵심 내용
의료 현장에서 측정된 탈숙련 — 폴란드 내시경 연구
기사가 드는 가장 또렷한 증거는 폴란드의 내시경 전문의 연구다. 모두 경력 동안 최소 2,000건 이상의 대장내시경을 수행한, 충분히 숙련된 의사들이었다. 이들에게 선종(adenoma, 대장암으로 발전할 수 있는 용종)을 잡아내는 AI 시스템을 도입했다.
핵심은 AI를 켰을 때가 아니라 껐을 때 무슨 일이 벌어지는가다. AI 도구 도입 이전 3개월 동안, 전문의들은 대장내시경의 28.4%에서 선종을 적어도 하나 발견했다. 도구 도입 이후, 같은 의사들이 AI 없이 수행한 대장내시경의 선종 발견율은 22.4%로 떨어졌다. 6%포인트의 낙폭이다. 도구를 쥐어 줬더니, 그 도구를 내려놓은 손이 둔해진 것이다.
이 결과는 2025년 10월 The Lancet Gastroenterology and Hepatology에 발표됐다. 공저자인 오슬로 대학교의 의사이자 연구자 Yuichi Mori는 이 현상을 확정하려면 더 많은 연구가 필요하다고 신중하게 덧붙이면서도, 문제의 무게를 분명히 했다.
“There is no established solution against deskilling right now. It should be a very hot research topic in the next decade.”
(지금으로선 탈숙련에 대한 확립된 해법이 없다. 다음 10년간 매우 뜨거운 연구 주제가 되어야 한다.)
왜 깎이는가 — ‘자동화 안주’
기사는 그 메커니즘을 한 문장으로 요약한다. 이런 도구에 지속적으로 노출되면 임상의가 “AI 보조 없이 인지적 결정을 내릴 때 덜 동기부여되고, 덜 집중하며, 덜 책임감 있게” 된다는 것이다. 보조선이 늘 화면에 떠 있으면 스스로 구석구석을 훑는 긴장을 놓게 된다 — GPS만 보고 다니다 길눈이 어두워지는 것과 같은 결의 현상이다.
이게 단지 의사 개인의 자각에 그치지 않는다는 점도 짚힌다. 간호사의 70%, 의사의 77%가 AI 과의존으로 인한 실력 상실을 우려한다. 의료에서 AI 도구의 변화를 다룬 책의 저자이자 UCSF 의사인 Robert Wachter, 그리고 시러큐스 대학교의 Kevin Crowston 같은 연구자들이 이 우려에 목소리를 보탠다. Crowston은 처방보다 자각을 먼저 말한다.
“Just being aware that this phenomenon exists hopefully provokes some self-reflection about which skills people want to maintain.”
(이 현상이 존재한다는 것을 인지하는 것만으로도, 사람들이 어떤 실력을 유지하고 싶은지 스스로 돌아보게 되기를 바란다.)
소프트웨어 엔지니어링으로 — 여기서부터는 페이월
기사는 같은 질문을 소프트웨어 개발로 옮긴다. 컴퓨터 과학 분야에서도 실력이 깎이는지 보기 위해, 샌프란시스코의 AI 기업 Anthropic의 연구진이 무작위 대조 실험(randomized controlled trial)을 설계했다. 52명의 소프트웨어 엔지니어에게 기본적인 코딩 과제를 시켰고, 참가자 전원은 웹 검색과 과제 수행 방법 안내에 접근할 수 있었다. 그중 절반에게만 AI 어시스턴트를 함께 쓰도록 했다.
원문에서 읽을 수 있는 것은 여기까지다. 이 실험의 결과 — AI를 쓴 절반이 이후 AI 없이 일할 때 어떻게 됐는지 — 는 페이월 너머에 있어 확인하지 못했다. 의료 사례와의 대구로 보아 비슷한 방향의 결과가 예상되지만, 이는 어디까지나 추측이며 본문은 이를 사실로 적지 않는다. 정확한 수치와 결론이 궁금하다면 Nature 원문 구독 또는 Anthropic의 원자료를 확인해야 한다.
분석과 인사이트
여기서부터는 원문 요약이 아니라 내 해석이다.
1) “생산성 향상”과 “실력 향상”은 같은 말이 아니다. AI 글에서 가장 흔히 뭉뚱그려지는 지점이다. AI를 쓰면 같은 시간에 더 많이, 더 빨리 한다 — 이건 대체로 사실이다. 하지만 이 연구가 측정한 건 다른 축이다. 도구를 뺀 상태의 맨몸 실력. 폴란드 의사들은 AI를 켜면 더 잘 잡았겠지만, 껐을 때 도입 전보다 못해졌다. 생산성 곡선이 올라가는 동안 역량 곡선이 내려가고 있었다면, 우리는 지금까지 한 축만 보고 있었던 셈이다.
2) 이건 ‘취향’·’운영’으로의 재배치 서사에 대한 반례다. 이 위키의 여러 글 — 코드가 공짜가 된 시대의 ‘취향’, 전문성 재설계 — 은 “생산은 AI가, 사람은 판단·검증·운영으로 옮겨간다”고 봤다. 그런데 판단과 검증은 생산을 직접 해 본 실력에서 나온다. 선종을 스스로 찾아내 본 눈이 있어야 AI가 놓친 것을 의심할 수 있다. 맨몸 실력이 깎이면, 정작 사람에게 남겨두려던 ‘검증’ 능력도 함께 깎인다. 탈숙련은 재배치 서사의 토대를 갉는다.
3) 가장 무서운 건 손상이 보이지 않는다는 점이다. AI를 켜고 일하는 동안에는 지표가 좋아 보인다. 손상은 AI가 없는 순간 — 도구가 다운됐거나, 도구가 틀렸거나, 도구가 다루지 못하는 희귀 케이스 — 에만 드러난다. 즉 가장 실력이 필요한 순간에 가장 크게 깎여 있다. 이 비대칭은 LLM이 써 줄 인시던트 리포트의 미래가 말한 “쓰기는 곧 사고하기 — 도구가 사고를 대신하면 사고하는 근육이 빠진다”와 정확히 같은 형태다.
4) 다만 데이터는 아직 초기다. Mori 본인이 “더 많은 연구가 필요하다”고 했고, 한 편의 의료 연구와(읽지 못한) 한 편의 소프트웨어 실험으로 일반화하기엔 이르다. 6%포인트 낙폭이 영구적인지, 의식적 훈련으로 회복되는지, 분야마다 다른지 — 전부 열린 질문이다. 이 글의 가치는 “AI가 실력을 망친다”는 단정이 아니라, 그 질문을 측정 가능한 가설로 올려놓았다는 데 있다.
적용 포인트
‘AI 없는 날’을 의도적으로 만들어라. 비행기 조종사가 자동조종을 끄고 손으로 착륙을 연습하듯, 주기적으로 도구를 끄고 맨몸으로 같은 일을 해 보며 기본기를 측정·유지한다.
유지할 핵심 실력을 골라 명시하라. Crowston의 조언대로 “나는 어떤 실력을 끝까지 유지할 것인가”를 먼저 정한다. 모든 걸 유지할 순 없으니, AI가 틀렸을 때 그것을 알아챌 수 있어야 하는 능력을 우선순위에 둔다.
AI 산출물을 ‘검토’가 아니라 ‘재현’으로 검증하라. 답을 받아 끄덕이는 대신, 핵심 케이스만이라도 스스로 풀어 보고 대조한다 — 이것이 검증 근육을 살려 두는 가장 싼 운동이다.
팀 차원에서 ‘맨몸 지표’를 따로 본다. 생산성(AI 포함)만 보지 말고, AI 없이 수행했을 때의 품질을 별도로 추적해 역량 곡선이 내려가고 있지 않은지 본다.
주니어 교육에 특히 경계한다. 처음부터 AI로 일을 배운 세대는 ‘깎일 맨몸 실력’을 애초에 쌓지 못할 위험이 있다. 기본기는 도구 없이 먼저 길러 둔 뒤 도구를 얹는 순서가 안전하다.
마무리
Nature 기사는 AI 도구를 버리라고 말하지 않는다. 말하는 건 더 불편한 사실이다 — 도구가 좋아지는 동안 우리 자신은 조용히 둔해질 수 있고, 그 손상은 도구가 사라진 순간에만 드러난다. 폴란드 내시경 사례의 6%포인트는 작아 보이지만, “충분히 숙련된 전문가조차 몇 달 만에 깎인다”는 점에서 무겁다. 아직 해법은 없고, Mori의 말처럼 다음 10년의 숙제로 남았다. 그때까지 우리가 할 수 있는 건, Crowston의 처방대로 무엇을 끝까지 내 손으로 할지 스스로 정해 두는 일이다. (소프트웨어 엔지니어 실험의 결과는 페이월 너머에 있으니, 그 숫자가 궁금하다면 원문을 직접 확인하길 권한다.)
더 읽어보기
원문 — Is AI ruining our skills? Early results are in — and they’re not good (Nature, Mariana Lenharo)
AI 시대, 나의 전문성을 재설계하는 법 (하용호) — “스킬 숙련자에서 운영 책임자로”라는 재배치 서사. 이 글의 탈숙련 데이터와 정면으로 대조해 읽으면 좋다.
The Untrainable: 벤치마크할 수 없는 일에 가치가 남는다 (Sarah Guo) — “측정 가능한 일은 학습되어 commodity가 된다”는 명제. 측정 가능한 실력이 깎이는 현상과 같은 동전의 양면.
AI는 왜 소프트웨어 엔지니어를 대체하지 못했나 — 대체 서사의 실체. 대체가 아니라 ‘탈숙련’이 진짜 위협일 수 있다는 보완 관점.
LLM이 써 줄 인시던트 리포트의 미래가 두렵다 (Lorin Hochstein) — “쓰기는 곧 사고하기” — 도구가 사고를 대신하면 사고하는 근육이 빠진다는, 탈숙련과 같은 형태의 경고.
노동시장이라는 게임에서 살아남기 (Evan Moon) — 실력이 곧 시장 가치라면, 그 실력을 지키는 일은 커리어 방어 그 자체다.

AI가 우리의 실력을 망치고 있는가: 의사·개발자의 ‘탈숙련(deskilling)’을 다룬 Nature 기사

댓글