AI 도구를 쓰는 연구자가 논문을 더 많이 쓰고, 인용도 더 많이 받고, 연구책임자도 더 빨리 된다는 결과는 이제 크게 놀랍지 않았습니다. 저도 실제로 논문 검색이나 아이디어 정리, 연구계획서 초안 작성에서 AI의 도움을 받는 시간이 점점 늘고 있기 때문입니다.
그런데 논문의 뒷부분이 더 흥미로웠습니다. 연구자 개인은 더 생산적이고 영향력 있어지는데, 과학 전체가 다루는 주제는 오히려 좁아지고 있다는 분석이었습니다. 처음에는 조금 모순처럼 느껴졌습니다. AI는 분명 더 많은 논문을 찾아주고, 더 많은 아이디어를 제안하고, 낯선 분야로 들어가는 문턱을 낮춰줍니다. 그런데 왜 과학의 범위는 넓어지는 것이 아니라 좁아질 수 있을까요.
Nature에 발표된 Hao et al.의 연구는 이 질문을 꽤 정면으로 다룹니다. 연구진은 4,130만 편의 자연과학 논문을 분석해 AI 도구가 과학자 개인과 과학 전체에 어떤 영향을 주는지 살폈습니다. 결과만 보면 AI를 쓰는 연구자에게는 거의 좋은 소식입니다. 논문을 더 많이 쓰고, 인용도 더 많이 받고, 연구 커리어에서도 더 빠르게 앞서가는 경향이 나타났습니다.
하지만 과학 전체로 시야를 넓히면 이야기가 달라집니다. AI를 활용한 연구가 늘어날수록 연구 주제는 데이터가 풍부하고 이미 잘 정리된 영역으로 몰리는 경향을 보였습니다. 즉, AI가 완전히 새로운 질문을 더 많이 열어주는 것이 아니라, 이미 데이터와 방법론이 잘 갖춰진 분야를 더 빠르게 파고드는 방향으로 작동할 수 있다는 것입니다.
AI는 연구자의 속도를 확실히 올려줍니다
연구를 해보면 압니다. 논문 한 편을 쓰는 데 시간이 오래 걸리는 이유는 글을 못 써서만이 아닙니다. 관련 문헌을 찾고, 연구질문을 좁히고, 변수와 결과를 정리하고, 비슷한 선행연구를 비교하는 과정에서 시간이 많이 걸립니다.
AI는 이 과정의 속도를 확실히 올려줍니다. 예전에는 PubMed나 Google Scholar에서 키워드를 바꿔가며 하나씩 찾아야 했던 내용을, 이제는 AI에게 먼저 물어볼 수 있습니다. “이 주제의 핵심 키워드는 무엇인지”, “비슷한 연구는 어떤 방향으로 진행됐는지”, “내 질문이 너무 넓은지”를 빠르게 정리할 수 있습니다.
저도 연구 초안을 만들 때 AI를 먼저 켜는 경우가 많아졌습니다. 물론 최종 확인은 논문 원문과 데이터베이스에서 다시 해야 하지만, 처음 방향을 잡는 데는 확실히 도움이 됩니다. 특히 낯선 주제를 처음 볼 때 AI가 만들어주는 개념 지도는 꽤 유용합니다.
그래서 AI를 쓰는 연구자가 더 많은 논문을 쓰고 더 많은 인용을 받는다는 결과는 직관적으로 이해됩니다. AI는 연구자를 대신해 연구를 완성해주는 도구라기보다, 연구자가 탐색과 정리에 쓰는 시간을 줄여주는 도구에 가깝습니다. 같은 시간 안에 더 많은 질문을 검토하고, 더 빠르게 초안을 만들고, 더 많은 문헌을 비교할 수 있게 됩니다.
그런데 왜 연구 주제는 좁아질까
문제는 AI가 잘하는 일이 무엇인지에 있습니다. AI는 완전히 낯선 곳에서 아무 단서 없이 새로운 질문을 발명하기보다, 이미 존재하는 데이터와 논문, 패턴을 바탕으로 가능성 높은 답을 제안하는 데 강합니다. 그러다 보니 자연스럽게 자료가 많은 분야, 방법론이 잘 정리된 분야, 인용이 많은 분야를 중심으로 추천이 이루어질 수 있습니다.
예를 들어 어떤 연구자가 새로운 주제를 찾기 위해 AI에게 질문했다고 가정해보겠습니다. AI는 대개 관련 논문이 많고, 설명하기 쉽고, 이미 학계에서 어느 정도 검증된 키워드를 중심으로 답을 구성합니다. 그 답은 안전하고 그럴듯하지만, 동시에 다른 연구자들도 비슷하게 도달할 가능성이 높은 길입니다.
연구자가 모두 비슷한 AI 도구를 쓰고, 비슷한 프롬프트를 던지고, 비슷한 논문 요약을 참고한다면 어떤 일이 생길까요. 각자 더 빠르게 연구하는 것처럼 보이지만, 전체적으로는 비슷한 질문과 비슷한 방법으로 몰릴 수 있습니다.
이 논문의 핵심은 바로 이 지점이라고 봅니다. AI는 개인 연구자의 생산성을 높이지만, 과학 전체의 탐색 방향을 더 넓히는 것이 아니라 이미 데이터가 많은 영역으로 집중시킬 수 있습니다. 쉽게 말하면 연구자는 더 빨라졌지만, 모두가 같은 고속도로를 타는 상황이 될 수 있다는 것입니다.
연구자는 정말 더 창의적이 되는 걸까
AI를 쓰면 아이디어가 많아지는 것처럼 느껴집니다. 실제로도 처음에는 그렇습니다. 제목 후보도 여러 개 나오고, 연구질문도 다양하게 제안해주고, 관련 키워드도 빠르게 정리됩니다. 그런데 어느 순간부터 이상한 느낌이 들 때가 있습니다. 답변은 많지만, 그 답변들이 어딘가 비슷합니다.
이건 AI가 부족해서라기보다 AI의 작동 방식과 관련이 있습니다. AI는 기존 지식의 패턴을 학습해 그럴듯하고 확률 높은 결과를 생성합니다. 그래서 완전히 엉뚱하지만 중요한 질문보다는, 이미 논문과 데이터가 많아 설명하기 쉬운 질문을 더 안정적으로 제안할 가능성이 큽니다.
연구에서 정말 중요한 질문은 때로는 데이터가 부족하고, 용어도 정리되어 있지 않고, 선행연구도 적은 곳에서 나옵니다. 그런데 이런 주제는 AI에게 물어도 답이 빈약하거나 불확실하게 나올 수 있습니다. 연구자가 그 불확실성을 견디지 못하면 결국 AI가 더 잘 설명해주는 주제로 돌아가게 됩니다.
저는 이 부분이 꽤 중요하다고 생각합니다. AI가 연구자의 창의성을 없앤다기보다, 연구자가 AI의 답변을 너무 편하게 받아들이는 순간 탐색의 폭이 줄어들 수 있습니다. AI가 제시한 질문 중에서 고르는 방식에 익숙해지면, AI가 잘 못 보는 질문을 놓칠 수 있습니다.
AI는 범위를 넓히는 도구일까, 좁히는 도구일까
결론적으로 AI는 둘 다 할 수 있습니다. AI는 분명 연구자의 범위를 넓혀줍니다. 내가 모르는 분야의 용어를 알려주고, 다른 학문과의 연결점을 보여주고, 초보자가 진입하기 어려운 주제를 빠르게 훑을 수 있게 해줍니다. 이 점에서 AI는 연구의 문턱을 낮추는 도구입니다.
하지만 동시에 AI는 연구를 좁힐 수도 있습니다. 이미 데이터가 많은 분야, 인용이 많은 논문, 설명하기 쉬운 주제를 중심으로 연구자를 안내할 수 있기 때문입니다. 연구자가 AI의 제안을 그대로 따라가면, 과학 전체는 더 빠르게 움직이지만 더 비슷한 방향으로 움직일 수 있습니다.
그래서 중요한 것은 AI를 쓰느냐 마느냐가 아닙니다. AI에게 어떤 역할을 맡길 것인가입니다. 문헌의 지도를 그리게 할 수는 있지만, 연구질문의 최종 방향까지 맡기면 위험할 수 있습니다. 초안을 쓰게 할 수는 있지만, 무엇이 정말 새로운 질문인지 판단하는 일은 연구자가 해야 합니다.
AI는 연구자를 대체하는 도구라기보다 연구자의 습관을 증폭시키는 도구에 가깝습니다. 이미 안전한 주제만 고르는 연구자는 AI로 더 빠르게 안전한 주제를 찾게 될 수 있습니다. 반대로 낯선 연결을 의도적으로 찾는 연구자는 AI를 통해 더 넓은 분야를 탐색할 수도 있습니다.
앞으로 연구자에게 더 중요해질 능력
이 논문을 보면서 저는 앞으로 연구자에게 더 중요해질 능력이 검색 능력보다 판단 능력일 것이라고 느꼈습니다. 예전에는 좋은 논문을 찾는 능력이 중요했다면, 이제는 AI가 찾아준 논문과 아이디어 중 무엇을 믿고 무엇을 버릴지 결정하는 능력이 더 중요해지고 있습니다.
또 하나는 불편한 질문을 유지하는 능력입니다. AI가 답을 잘 주지 못하는 질문, 데이터가 부족한 질문, 선행연구가 적은 질문은 처음에는 비효율적으로 보입니다. 하지만 과학의 범위를 넓히는 질문은 원래 그런 곳에서 나올 가능성이 큽니다.
AI가 연구자의 생산성을 높이는 것은 이제 거의 분명해 보입니다. 문제는 그 생산성이 과학의 다양성과도 연결되는가입니다. 논문을 더 많이 쓰고 인용을 더 많이 받는 것이 개인에게는 성공일 수 있습니다. 하지만 모든 연구자가 비슷한 도구를 써서 비슷한 질문을 향해 간다면, 과학 전체에는 다른 비용이 생길 수 있습니다.
저는 AI를 연구에서 쓰지 말자는 입장이 아닙니다. 오히려 적극적으로 써야 한다고 생각합니다. 다만 AI가 제안한 길이 가장 빠른 길일 수는 있어도, 항상 가장 중요한 길은 아닐 수 있다는 점을 기억해야 합니다.
AI가 과학의 범위를 넓혀줄지, 아니면 연구자들을 비슷한 질문으로 몰아갈지는 결국 도구 자체보다 연구자가 그것을 어떻게 쓰느냐에 달려 있습니다. AI가 답을 더 빨리 주는 시대일수록, 연구자는 더 느리게 질문을 의심하는 사람이 되어야 할지도 모릅니다.
이 글은 Nature에 발표된 Hao et al.의 연구 내용을 바탕으로, 연구 실무에서 AI를 활용하며 느낀 개인적인 의견을 함께 정리한 글입니다. 실제 연구 수치와 방법론은 원문 논문을 함께 확인하는 것이 가장 정확합니다.