GPT-6 Astra의 등장은 단순히 이전보다 더 똑똑한 인공지능 모델 하나가 추가되었다는 의미로 보기 어렵다. 더 중요한 변화는 인공지능이 질문에 답하고 문장을 생성하는 수준을 넘어 실제 업무의 여러 단계를 연결하고 실행하며 결과물까지 완성하는 방향으로 이동하고 있다는 데 있다. 자료를 찾고 분석하고 비교한 뒤 필요한 도구를 사용하고, 결과물을 만들고, 다시 검토와 수정을 거치는 일련의 과정이 하나의 작업 흐름 안에서 연결되고 있다.
OpenAI는 Astra를 컴퓨터 사용, 브라우징, 소프트웨어 엔지니어링, 과학, 전문 업무 등 다양한 영역에서 작동하는 범용형 모델로 설명한다. 웹사이트와 데스크톱 애플리케이션을 조작하고, 자료를 조사하고, 코드를 작성하고, 웹서비스를 만들고, 다시 실행 상태를 확인하며 수정하는 식의 작업이 가능해지고 있다. 문서·스프레드시트·프레젠테이션 역시 단순히 내용을 생성하는 데서 끝나지 않고 기존 형식과 목적에 맞춰 결과물을 완성하는 방향으로 발전하고 있다.
생성에서 실행으로
지금까지 생성형 AI의 경쟁은 무엇을 얼마나 잘 만들어내는가에 집중되어 있었다. 좋은 문장을 쓰는가, 이미지를 얼마나 정교하게 만드는가, 코드를 얼마나 정확하게 작성하는가가 중요한 평가 기준이었다. 그러나 Astra에서 주목해야 할 부분은 각각의 생성 능력보다 서로 다른 능력을 하나의 목적 아래 연결하는 실행 능력이다.
사용자는 하나의 목표만 제시하고 AI는 필요한 자료를 찾고, 선별하고, 비교하고, 판단하고, 구현하며, 필요하면 다시 수정한다. 이전에는 사람이 여러 프로그램과 전문도구 사이를 오가면서 직접 연결해야 했던 과정이 점차 하나의 에이전트 작업으로 통합되고 있다. 인공지능이 무엇을 알고 있는가보다 무엇을 실제로 끝낼 수 있는가가 더 중요한 평가 기준으로 이동하고 있는 것이다.
OpenAI가 공개한 평가에서도 이러한 방향은 분명하다. Astra는 OSWorld 2.0에서 GPT-5.6 Sol보다 높은 성능을 기록하면서 작업당 소요시간을 약 47% 줄였고, 전문 업무와 자동화 평가에서도 큰 폭의 향상을 보였다. 중요한 것은 특정 벤치마크의 숫자 자체보다 추론·컴퓨터 사용·브라우징·코딩·문서 작성이 서로 분리된 기능이 아니라 하나의 엔드투엔드 작업으로 묶이고 있다는 점이다.
Astra를 사용하는 과정에서 사용량과 비용이 빠르게 증가할 수 있다는 문제는 현실적인 제약이다. 그러나 이것은 현재 기술 단계에서의 운영비용 문제에 가깝다. 더 본질적인 변화는 인공지능이 단순한 대화형 도구에서 실제 업무를 수행하는 범용 실행수단으로 이동하고 있다는 사실이다.
아이디어와 제작의 직접 연결
이 변화는 전문적인 제작수단에 접근하기 위한 장벽을 급격하게 낮춘다. 과거에는 게임을 만들기 위해 프로그래밍을 배우고, 3D 모델을 만들기 위해 별도의 모델링 프로그램을 익히며, 웹서비스를 만들기 위해 프론트엔드와 백엔드의 구조를 이해해야 했다. 영상이나 디자인 역시 각각의 전문도구를 직접 다룰 수 있어야 실제 결과물을 만들 수 있었다.
이제는 사람이 원하는 결과와 조건을 말로 설명하면 인공지능이 중간의 기술적 과정을 상당 부분 대신할 수 있다. 사진이나 스케치를 기반으로 3D 공간을 만들고, 간단한 게임을 제작하며, 웹페이지와 애플리케이션을 구현하고, 코드 오류를 찾아 직접 수정하는 작업까지 연결된다. 사람이 기술적 구현 방법을 모두 알지 못하더라도 무엇을 원하는지 정확하게 표현할 수 있다면 실제 제작 단계까지 접근할 수 있는 것이다.
이 점에서 학력이나 특정 기술교육을 받지 않은 사람도 자신의 아이디어를 명확하게 표현할 수 있다면 과거보다 훨씬 높은 수준의 결과물을 만들어낼 수 있는 시대가 열리고 있다. 중요한 생산수단이 기술을 직접 다루는 능력에서 무엇을 만들 것인지 정의하고, 어떤 조건과 기준으로 만들어야 하는지를 지시하는 능력으로 이동하고 있다.
범용성의 현실적 의미
범용 인공지능을 반드시 인간과 같은 자아를 가진 존재로 이해할 필요는 없다. 현실적인 관점에서 더 중요한 것은 인공지능이 서로 다른 분야의 문제를 이해하고 여러 도구를 사용하면서 실제 작업을 연속적으로 수행할 수 있느냐는 것이다. 이러한 기준에서 보면 Astra가 보여주는 변화는 기존 생성형 AI와 상당히 다른 단계에 놓여 있다.
영상, 이미지, 코딩, 문서, 분석, 조사, 3D 모델링, 앱과 웹서비스 제작이 각각 독립된 기능으로 존재하는 것이 아니라 하나의 목표를 중심으로 연결될 수 있기 때문이다. 사용자의 아이디어가 곧바로 조사와 설계, 제작과 수정으로 이어지기 시작한다는 점에서 범용성은 추상적인 개념이 아니라 실제 생산과 업무 방식의 변화로 나타나고 있다.
따라서 AGI 시대의 시작 여부를 특정한 정의 하나로 단정하는 것보다 현재 일어나고 있는 기능적 변화를 살펴보는 것이 더 중요하다. 인공지능이 인간처럼 자아를 가졌는가보다 사람이 가진 생각을 실제 결과물로 얼마나 광범위하게 전환할 수 있는가가 현실에서는 훨씬 직접적인 의미를 갖는다.
교육이 필요한 이유
인공지능이 거의 모든 것을 만들어낼 수 있다면 기존 교육과정이 필요 없어지는 것처럼 보일 수 있다. 그러나 오히려 이러한 환경에서는 교육의 의미를 지식 전달이 아니라 사고와 판단의 훈련이라는 관점에서 다시 볼 필요가 있다. 교육은 정보를 기억하는 과정만이 아니라 문제를 어떻게 정의하고, 자료를 어떻게 구분하며, 어떤 순서로 논리를 구성하고, 결과를 어떻게 검증할 것인지 배우는 과정이기 때문이다.
학사과정이나 석사과정에서 논문을 작성하는 경험을 예로 들 수 있다. 연구주제를 설정하고 선행연구를 검토하며, 개념을 정의하고, 연구질문을 만들고, 근거를 배열하고, 반론을 검토하고, 일정한 형식 안에서 결론을 도출하는 과정이 반복된다. 인공지능은 이러한 논문 형식을 만들어낼 수 있지만, 그 과정을 직접 수행하면서 사람이 갖게 되는 문제 설정 능력과 검증 능력까지 자동으로 제공해 주지는 않는다.
박사과정과 같은 더 깊은 연구과정에서는 단순한 정보 습득보다 문제를 얼마나 깊게 파고들 수 있는지, 기존 연구와 무엇이 다른지, 근거의 수준이 충분한지, 자신의 주장을 어디까지 확장할 수 있는지를 훈련한다. 이러한 과정에서 형성되는 능력은 AI가 대신 작성한 결과물을 받는 것과는 성격이 다르다. 결과물은 AI가 대신 만들 수 있어도 그 결과물을 판단할 수 있는 사람의 능력은 별도의 훈련을 통해 형성된다.
형식을 만드는 훈련
책을 만드는 과정도 같은 문제를 보여준다. 한 권의 책에는 제목과 목차가 있고, 장과 절의 위계가 있으며, 본문과 인용, 참고문헌, 서지정보와 판권정보, 페이지 구성과 편집 구조가 존재한다. AI는 이러한 요소를 모두 생성할 수 있지만 실제로 책을 직접 구성해 본 사람은 무엇이 빠졌고 무엇이 지나치며 어느 부분의 구조가 어색한지를 보다 빠르게 판단할 수 있다.
형식을 직접 만들고 수정하는 경험은 단순한 지식과 다르다. 반복적인 작성과 수정 과정에서 사람은 전체와 부분의 관계를 보는 능력, 정보를 배열하는 순서, 내용의 밀도와 균형을 판단하는 감각을 얻게 된다. 이러한 능력은 결과물을 한 번 생성했다고 해서 만들어지는 것이 아니라 실제 과정을 반복하면서 축적된다.
AI 역시 아무런 구조가 없는 명령보다 명확한 목적과 순서, 형식과 우선순위를 가진 지시에서 더 높은 완성도를 만들어낸다. 따라서 인공지능이 발전할수록 오히려 사람이 구조와 형식을 이해하는 능력이 더 중요해질 수 있다. 사람이 스스로 구조를 만들 수 있어야 인공지능에게도 구조화된 지시를 내릴 수 있기 때문이다.
판단 능력의 격차
AI에게 좋은 보고서를 만들어 달라고 요청하는 것과 목적, 독자, 근거자료, 판단기준, 분량, 형식, 제외조건, 최종 사용방식까지 구체적으로 제시하는 것은 결과에서 큰 차이를 만든다. 이러한 차이는 단순히 프롬프트 기술의 차이가 아니라 문제를 얼마나 정확하게 이해하고 있는지의 차이에서 나온다.
좋은 지시를 하기 위해서는 먼저 좋은 판단을 할 수 있어야 한다. 좋은 판단에는 무엇이 중요한지 구별하는 능력과 어떤 기준으로 비교해야 하는지 설정하는 능력이 필요하다. 이러한 능력은 단순한 지식 습득만으로 만들어지지 않으며 교육과 연구, 실무와 반복적인 시행착오 속에서 형성된다.
인공지능을 이용하면 누구나 일정 수준 이상의 결과물을 만들 수 있게 될 가능성이 높다. 그러나 그 결과물이 정확한지, 충분한지, 목적에 적합한지 판단하는 능력은 사람마다 다를 수밖에 없다. AI가 제작능력을 평준화할수록 결과적으로 인간의 판단력과 경험의 격차가 더 분명하게 드러날 수도 있다.
교육과 AI의 새로운 관계
AI 시대의 교육은 인공지능 없이 모든 것을 직접 해내는 사람을 만드는 방향에서 인공지능을 제대로 지휘할 수 있는 사람을 만드는 방향으로 변화할 필요가 있다. 그러나 이것이 기존 교육과정을 폐기해야 한다는 의미는 아니다. 오히려 기존 교육과정 안에서 무엇을 훈련해야 하는지를 다시 구분해야 한다는 의미에 가깝다.
기초지식은 여전히 필요하다. 자신이 전혀 모르는 분야에서 AI가 만들어낸 결과가 정확한지 잘못되었는지를 판단하기 어렵기 때문이다. 지식은 단순히 답을 기억하기 위한 도구가 아니라 오류와 이상을 발견할 수 있는 기준이 된다.
OECD는 2026년 디지털 교육 전망에서 범용 생성형 AI가 과제 수행의 품질을 높이더라도 그것이 곧 학습 향상으로 이어지는 것은 아니라고 지적한다. 인지적 과업을 지나치게 AI에 넘기면 메타인지적 수동성과 학습 이탈의 위험이 생길 수 있지만, 명확한 교육 목적 아래 활용하면 비판적 사고와 창의성, 협업을 강화할 수 있다는 것이다. 1,000명 이상의 학생을 대상으로 한 OpenAI와 보코니대 연구에서도 ChatGPT는 결과물의 품질과 일관성을 높였고, 인과추론 훈련은 보다 독창적인 아이디어를 만드는 데 기여했으며, 두 가지를 함께 사용한 집단에서는 두 효과가 동시에 나타났다.
UNESCO 역시 학생을 단순한 AI 사용자가 아니라 책임 있는 사용자이자 공동 창작자로 보고, 이해·적용·창작의 단계에서 AI 역량을 기르도록 제안한다. 에듀테크의 방법은 크게 변할 수 있지만 사람이 직접 사고하고 판단하며 구조화하는 훈련 자체는 사라질 수 없다.
완성도를 가르는 인간의 역할
앞으로는 좋은 아이디어를 가지고 있다는 사실 자체가 경쟁력이 되기 어려울 가능성이 있다. AI를 이용하면 수많은 사람이 비슷한 아이디어를 빠르게 실제 결과물로 구현할 수 있기 때문이다. 제작비용과 기술장벽이 낮아질수록 차이를 만드는 것은 아이디어 자체보다 그것을 얼마나 구체적으로 정의하고 끝까지 완성했는가가 된다.
같은 AI를 사용하더라도 어떤 자료를 선택하고, 어떤 조건을 설정하고, 어느 부분을 다시 수정하고, 어디까지 검증했는지에 따라 결과는 크게 달라질 수 있다. 이 과정에서 사람의 경험과 전문성, 사고력과 구조화 능력이 다시 중요해진다. AI가 많은 작업을 대신할수록 사람은 더 높은 단계에서 판단하고 지휘하는 역할을 맡게 된다.
Astra가 보여주는 변화는 그래서 인간의 역할이 사라진다는 신호라기보다 인간의 역할이 이동하고 있다는 신호에 가깝다. 직접 제작하는 비중은 줄어들 수 있지만 무엇을 만들 것인지 결정하고, 결과의 적절성을 판단하고, 수정 방향을 정하며, 최종 결과에 책임지는 역할은 여전히 사람에게 남는다.
가속되는 협업의 시대
GPT-6 Astra와 같은 모델이 확산되면 인공지능과 인간의 협업 속도는 더욱 빨라질 것이다. 사람의 창발적인 아이디어와 인공지능의 실행 능력이 결합하면 과거에는 많은 인력과 시간이 필요했던 작업도 개인 수준에서 수행할 수 있게 된다. 연구, 콘텐츠, 교육, 소프트웨어, 영상, 출판과 같은 분야의 생산구조도 이에 따라 빠르게 재편될 가능성이 크다.
그러나 이 과정에서 사람이 해야 할 훈련까지 AI에 맡겨버리면 장기적으로는 판단능력이 약화될 수 있다. AI가 결과를 만들어주는 것과 사람이 그 결과를 이해하고 평가할 수 있는 것은 다른 문제이기 때문이다. 따라서 앞으로의 교육은 AI 사용 자체를 가르치는 수준을 넘어 AI와 협업하면서도 인간의 사고과정을 유지하고 강화할 수 있는 방향으로 발전해야 한다.
범용 에이전트 시대의 핵심은 인간과 인공지능 가운데 누가 더 많은 일을 하는가에 있지 않다. 사람이 무엇을 생각하고 어떤 구조를 만들며 어떤 기준으로 판단하는지, 그리고 인공지능이 그 생각을 얼마나 빠르고 정확하게 현실의 결과물로 구현하는지가 더 중요하다. Astra가 보여주는 변화는 이러한 새로운 협업 구조가 기술적 가능성을 넘어 실제 작업환경으로 들어오고 있다는 데 의미가 있다.
참고자료
- OpenAI, 「GPT-6 Astra: 새로운 세대의 지능」, 2026.09.03.
- OpenAI, 「릴리스 노트 · GPT-6 Astra 소개」, 2026.09.03.
- OpenAI, 「더 나은 답안, 더 폭넓은 사고: ChatGPT와 비판적 사고 훈련으로 학생들이 얻는 것」, 2026.08.27.
- OECD, 「OECD Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education」, 2026.01.19.
- UNESCO, 「AI competency framework for students」, 2024, updated 2026.01.16.
- YouTube, AI 겸임교수 이종범, 「진작 이렇게 쓸걸...GPT 이미지 2.5 + GPT-6 아스트라」, 2026.09.08.
필자 소개
이명훈은 법학을 전공했으며 인공지능 행위의 책임귀속과 법적 지위, 책임법 문제를 다룬 석사학위논문을 작성해 대학원 석사학위논문 논문우수상을 받았다. 현재 인공지능 법제·책임법과 인간·AI 협업, Agentic AI 및 다중 인공지능 에이전트 시스템의 행위효과와 책임귀속 문제를 연구하고 있다.
진작 이렇게 쓸걸...GPT 이미지 2.5 + GPT-6 아스트라 ↗
GPT-6 Astra의 등장은 단순히 이전보다 더 똑똑한 인공지능 모델 하나가 추가되었다는 의미로 보기 어렵다. 더 중요한 변화는 인공지능이 질문에 답하고 문장을 생성하는 수준을 넘어 실제 업무의 여러 단계를 연결하고 실행하며 결과물까지 완성하는 방향으로 이동하고 있다는 데 있다. 자료를 찾고 분석하고 비교한 뒤 필요한 도구를 사용하고, 결과물을 만들고, 다시 검토와 수정을 거치는 일련의 과정이 하나의 작업 흐름 안에서 연결되고 있다.
OpenAI는 Astra를 컴퓨터 사용, 브라우징, 소프트웨어 엔지니어링, 과학, 전문 업무 등 다양한 영역에서 작동하는 범용형 모델로 설명한다. 웹사이트와 데스크톱 애플리케이션을 조작하고, 자료를 조사하고, 코드를 작성하고, 웹서비스를 만들고, 다시 실행 상태를 확인하며 수정하는 식의 작업이 가능해지고 있다. 문서·스프레드시트·프레젠테이션 역시 단순히 내용을 생성하는 데서 끝나지 않고 기존 형식과 목적에 맞춰 결과물을 완성하는 방향으로 발전하고 있다.
생성에서 실행으로
지금까지 생성형 AI의 경쟁은 무엇을 얼마나 잘 만들어내는가에 집중되어 있었다. 좋은 문장을 쓰는가, 이미지를 얼마나 정교하게 만드는가, 코드를 얼마나 정확하게 작성하는가가 중요한 평가 기준이었다. 그러나 Astra에서 주목해야 할 부분은 각각의 생성 능력보다 서로 다른 능력을 하나의 목적 아래 연결하는 실행 능력이다.
사용자는 하나의 목표만 제시하고 AI는 필요한 자료를 찾고, 선별하고, 비교하고, 판단하고, 구현하며, 필요하면 다시 수정한다. 이전에는 사람이 여러 프로그램과 전문도구 사이를 오가면서 직접 연결해야 했던 과정이 점차 하나의 에이전트 작업으로 통합되고 있다. 인공지능이 무엇을 알고 있는가보다 무엇을 실제로 끝낼 수 있는가가 더 중요한 평가 기준으로 이동하고 있는 것이다.
OpenAI가 공개한 평가에서도 이러한 방향은 분명하다. Astra는 OSWorld 2.0에서 GPT-5.6 Sol보다 높은 성능을 기록하면서 작업당 소요시간을 약 47% 줄였고, 전문 업무와 자동화 평가에서도 큰 폭의 향상을 보였다. 중요한 것은 특정 벤치마크의 숫자 자체보다 추론·컴퓨터 사용·브라우징·코딩·문서 작성이 서로 분리된 기능이 아니라 하나의 엔드투엔드 작업으로 묶이고 있다는 점이다.
Astra를 사용하는 과정에서 사용량과 비용이 빠르게 증가할 수 있다는 문제는 현실적인 제약이다. 그러나 이것은 현재 기술 단계에서의 운영비용 문제에 가깝다. 더 본질적인 변화는 인공지능이 단순한 대화형 도구에서 실제 업무를 수행하는 범용 실행수단으로 이동하고 있다는 사실이다.
아이디어와 제작의 직접 연결
이 변화는 전문적인 제작수단에 접근하기 위한 장벽을 급격하게 낮춘다. 과거에는 게임을 만들기 위해 프로그래밍을 배우고, 3D 모델을 만들기 위해 별도의 모델링 프로그램을 익히며, 웹서비스를 만들기 위해 프론트엔드와 백엔드의 구조를 이해해야 했다. 영상이나 디자인 역시 각각의 전문도구를 직접 다룰 수 있어야 실제 결과물을 만들 수 있었다.
이제는 사람이 원하는 결과와 조건을 말로 설명하면 인공지능이 중간의 기술적 과정을 상당 부분 대신할 수 있다. 사진이나 스케치를 기반으로 3D 공간을 만들고, 간단한 게임을 제작하며, 웹페이지와 애플리케이션을 구현하고, 코드 오류를 찾아 직접 수정하는 작업까지 연결된다. 사람이 기술적 구현 방법을 모두 알지 못하더라도 무엇을 원하는지 정확하게 표현할 수 있다면 실제 제작 단계까지 접근할 수 있는 것이다.
이 점에서 학력이나 특정 기술교육을 받지 않은 사람도 자신의 아이디어를 명확하게 표현할 수 있다면 과거보다 훨씬 높은 수준의 결과물을 만들어낼 수 있는 시대가 열리고 있다. 중요한 생산수단이 기술을 직접 다루는 능력에서 무엇을 만들 것인지 정의하고, 어떤 조건과 기준으로 만들어야 하는지를 지시하는 능력으로 이동하고 있다.
범용성의 현실적 의미
범용 인공지능을 반드시 인간과 같은 자아를 가진 존재로 이해할 필요는 없다. 현실적인 관점에서 더 중요한 것은 인공지능이 서로 다른 분야의 문제를 이해하고 여러 도구를 사용하면서 실제 작업을 연속적으로 수행할 수 있느냐는 것이다. 이러한 기준에서 보면 Astra가 보여주는 변화는 기존 생성형 AI와 상당히 다른 단계에 놓여 있다.
영상, 이미지, 코딩, 문서, 분석, 조사, 3D 모델링, 앱과 웹서비스 제작이 각각 독립된 기능으로 존재하는 것이 아니라 하나의 목표를 중심으로 연결될 수 있기 때문이다. 사용자의 아이디어가 곧바로 조사와 설계, 제작과 수정으로 이어지기 시작한다는 점에서 범용성은 추상적인 개념이 아니라 실제 생산과 업무 방식의 변화로 나타나고 있다.
따라서 AGI 시대의 시작 여부를 특정한 정의 하나로 단정하는 것보다 현재 일어나고 있는 기능적 변화를 살펴보는 것이 더 중요하다. 인공지능이 인간처럼 자아를 가졌는가보다 사람이 가진 생각을 실제 결과물로 얼마나 광범위하게 전환할 수 있는가가 현실에서는 훨씬 직접적인 의미를 갖는다.
교육이 필요한 이유
인공지능이 거의 모든 것을 만들어낼 수 있다면 기존 교육과정이 필요 없어지는 것처럼 보일 수 있다. 그러나 오히려 이러한 환경에서는 교육의 의미를 지식 전달이 아니라 사고와 판단의 훈련이라는 관점에서 다시 볼 필요가 있다. 교육은 정보를 기억하는 과정만이 아니라 문제를 어떻게 정의하고, 자료를 어떻게 구분하며, 어떤 순서로 논리를 구성하고, 결과를 어떻게 검증할 것인지 배우는 과정이기 때문이다.
학사과정이나 석사과정에서 논문을 작성하는 경험을 예로 들 수 있다. 연구주제를 설정하고 선행연구를 검토하며, 개념을 정의하고, 연구질문을 만들고, 근거를 배열하고, 반론을 검토하고, 일정한 형식 안에서 결론을 도출하는 과정이 반복된다. 인공지능은 이러한 논문 형식을 만들어낼 수 있지만, 그 과정을 직접 수행하면서 사람이 갖게 되는 문제 설정 능력과 검증 능력까지 자동으로 제공해 주지는 않는다.
박사과정과 같은 더 깊은 연구과정에서는 단순한 정보 습득보다 문제를 얼마나 깊게 파고들 수 있는지, 기존 연구와 무엇이 다른지, 근거의 수준이 충분한지, 자신의 주장을 어디까지 확장할 수 있는지를 훈련한다. 이러한 과정에서 형성되는 능력은 AI가 대신 작성한 결과물을 받는 것과는 성격이 다르다. 결과물은 AI가 대신 만들 수 있어도 그 결과물을 판단할 수 있는 사람의 능력은 별도의 훈련을 통해 형성된다.
형식을 만드는 훈련
책을 만드는 과정도 같은 문제를 보여준다. 한 권의 책에는 제목과 목차가 있고, 장과 절의 위계가 있으며, 본문과 인용, 참고문헌, 서지정보와 판권정보, 페이지 구성과 편집 구조가 존재한다. AI는 이러한 요소를 모두 생성할 수 있지만 실제로 책을 직접 구성해 본 사람은 무엇이 빠졌고 무엇이 지나치며 어느 부분의 구조가 어색한지를 보다 빠르게 판단할 수 있다.
형식을 직접 만들고 수정하는 경험은 단순한 지식과 다르다. 반복적인 작성과 수정 과정에서 사람은 전체와 부분의 관계를 보는 능력, 정보를 배열하는 순서, 내용의 밀도와 균형을 판단하는 감각을 얻게 된다. 이러한 능력은 결과물을 한 번 생성했다고 해서 만들어지는 것이 아니라 실제 과정을 반복하면서 축적된다.
AI 역시 아무런 구조가 없는 명령보다 명확한 목적과 순서, 형식과 우선순위를 가진 지시에서 더 높은 완성도를 만들어낸다. 따라서 인공지능이 발전할수록 오히려 사람이 구조와 형식을 이해하는 능력이 더 중요해질 수 있다. 사람이 스스로 구조를 만들 수 있어야 인공지능에게도 구조화된 지시를 내릴 수 있기 때문이다.
판단 능력의 격차
AI에게 좋은 보고서를 만들어 달라고 요청하는 것과 목적, 독자, 근거자료, 판단기준, 분량, 형식, 제외조건, 최종 사용방식까지 구체적으로 제시하는 것은 결과에서 큰 차이를 만든다. 이러한 차이는 단순히 프롬프트 기술의 차이가 아니라 문제를 얼마나 정확하게 이해하고 있는지의 차이에서 나온다.
좋은 지시를 하기 위해서는 먼저 좋은 판단을 할 수 있어야 한다. 좋은 판단에는 무엇이 중요한지 구별하는 능력과 어떤 기준으로 비교해야 하는지 설정하는 능력이 필요하다. 이러한 능력은 단순한 지식 습득만으로 만들어지지 않으며 교육과 연구, 실무와 반복적인 시행착오 속에서 형성된다.
인공지능을 이용하면 누구나 일정 수준 이상의 결과물을 만들 수 있게 될 가능성이 높다. 그러나 그 결과물이 정확한지, 충분한지, 목적에 적합한지 판단하는 능력은 사람마다 다를 수밖에 없다. AI가 제작능력을 평준화할수록 결과적으로 인간의 판단력과 경험의 격차가 더 분명하게 드러날 수도 있다.
교육과 AI의 새로운 관계
AI 시대의 교육은 인공지능 없이 모든 것을 직접 해내는 사람을 만드는 방향에서 인공지능을 제대로 지휘할 수 있는 사람을 만드는 방향으로 변화할 필요가 있다. 그러나 이것이 기존 교육과정을 폐기해야 한다는 의미는 아니다. 오히려 기존 교육과정 안에서 무엇을 훈련해야 하는지를 다시 구분해야 한다는 의미에 가깝다.
기초지식은 여전히 필요하다. 자신이 전혀 모르는 분야에서 AI가 만들어낸 결과가 정확한지 잘못되었는지를 판단하기 어렵기 때문이다. 지식은 단순히 답을 기억하기 위한 도구가 아니라 오류와 이상을 발견할 수 있는 기준이 된다.
OECD는 2026년 디지털 교육 전망에서 범용 생성형 AI가 과제 수행의 품질을 높이더라도 그것이 곧 학습 향상으로 이어지는 것은 아니라고 지적한다. 인지적 과업을 지나치게 AI에 넘기면 메타인지적 수동성과 학습 이탈의 위험이 생길 수 있지만, 명확한 교육 목적 아래 활용하면 비판적 사고와 창의성, 협업을 강화할 수 있다는 것이다. 1,000명 이상의 학생을 대상으로 한 OpenAI와 보코니대 연구에서도 ChatGPT는 결과물의 품질과 일관성을 높였고, 인과추론 훈련은 보다 독창적인 아이디어를 만드는 데 기여했으며, 두 가지를 함께 사용한 집단에서는 두 효과가 동시에 나타났다.
UNESCO 역시 학생을 단순한 AI 사용자가 아니라 책임 있는 사용자이자 공동 창작자로 보고, 이해·적용·창작의 단계에서 AI 역량을 기르도록 제안한다. 에듀테크의 방법은 크게 변할 수 있지만 사람이 직접 사고하고 판단하며 구조화하는 훈련 자체는 사라질 수 없다.
완성도를 가르는 인간의 역할
앞으로는 좋은 아이디어를 가지고 있다는 사실 자체가 경쟁력이 되기 어려울 가능성이 있다. AI를 이용하면 수많은 사람이 비슷한 아이디어를 빠르게 실제 결과물로 구현할 수 있기 때문이다. 제작비용과 기술장벽이 낮아질수록 차이를 만드는 것은 아이디어 자체보다 그것을 얼마나 구체적으로 정의하고 끝까지 완성했는가가 된다.
같은 AI를 사용하더라도 어떤 자료를 선택하고, 어떤 조건을 설정하고, 어느 부분을 다시 수정하고, 어디까지 검증했는지에 따라 결과는 크게 달라질 수 있다. 이 과정에서 사람의 경험과 전문성, 사고력과 구조화 능력이 다시 중요해진다. AI가 많은 작업을 대신할수록 사람은 더 높은 단계에서 판단하고 지휘하는 역할을 맡게 된다.
Astra가 보여주는 변화는 그래서 인간의 역할이 사라진다는 신호라기보다 인간의 역할이 이동하고 있다는 신호에 가깝다. 직접 제작하는 비중은 줄어들 수 있지만 무엇을 만들 것인지 결정하고, 결과의 적절성을 판단하고, 수정 방향을 정하며, 최종 결과에 책임지는 역할은 여전히 사람에게 남는다.
가속되는 협업의 시대
GPT-6 Astra와 같은 모델이 확산되면 인공지능과 인간의 협업 속도는 더욱 빨라질 것이다. 사람의 창발적인 아이디어와 인공지능의 실행 능력이 결합하면 과거에는 많은 인력과 시간이 필요했던 작업도 개인 수준에서 수행할 수 있게 된다. 연구, 콘텐츠, 교육, 소프트웨어, 영상, 출판과 같은 분야의 생산구조도 이에 따라 빠르게 재편될 가능성이 크다.
그러나 이 과정에서 사람이 해야 할 훈련까지 AI에 맡겨버리면 장기적으로는 판단능력이 약화될 수 있다. AI가 결과를 만들어주는 것과 사람이 그 결과를 이해하고 평가할 수 있는 것은 다른 문제이기 때문이다. 따라서 앞으로의 교육은 AI 사용 자체를 가르치는 수준을 넘어 AI와 협업하면서도 인간의 사고과정을 유지하고 강화할 수 있는 방향으로 발전해야 한다.
범용 에이전트 시대의 핵심은 인간과 인공지능 가운데 누가 더 많은 일을 하는가에 있지 않다. 사람이 무엇을 생각하고 어떤 구조를 만들며 어떤 기준으로 판단하는지, 그리고 인공지능이 그 생각을 얼마나 빠르고 정확하게 현실의 결과물로 구현하는지가 더 중요하다. Astra가 보여주는 변화는 이러한 새로운 협업 구조가 기술적 가능성을 넘어 실제 작업환경으로 들어오고 있다는 데 의미가 있다.
참고자료
필자 소개
이명훈은 법학을 전공했으며 인공지능 행위의 책임귀속과 법적 지위, 책임법 문제를 다룬 석사학위논문을 작성해 대학원 석사학위논문 논문우수상을 받았다. 현재 인공지능 법제·책임법과 인간·AI 협업, Agentic AI 및 다중 인공지능 에이전트 시스템의 행위효과와 책임귀속 문제를 연구하고 있다.