# OECD 학력 1위, AI 활용은 저조—PISA 2025가 던지는 “생각하는 힘을 잃지 않는 활용 방식” 질문

> https://bookfactory.kr/board/news/17105
> 게시판: 뉴스
> 작성자: admin
> 작성일: 2026-09-17T09:25:15.815Z

---

![見出し画像](https://assets.st-note.com/production/uploads/images/312226682/rectangle_large_type_2_778c62fee3b8ae7a55304c67d272a67c.png?width=1280)

“AI를 쓰면 일도 공부도 빨라진다.” 지난 1년ほど 우리는 이 말을 몇 번이나 들었을까. 글을 요약해 달라고 한다. 기획안의 초안을 만들게 한다. 모르는 말을 설명해 달라고 한다. 이메일 문장을 다듬어 달라고 한다. 확실히 빠르다. 편리하기도 하다. 그런데 그 편리함 바로 옆에는 답하기가 조금 까다로운 질문이 있다. 빨리 끝낸 뒤에, 내 머리에는 무엇이 남아 있을까.

2026년 9월 8일, OECD가 공표한 PISA 2025 결과가 이 질문을 세계적인 규모로 던졌다. 15세 학생을 대상으로 한 국제 조사에서 일본은 과학적 리터러시, 읽기 리터러시, 수학적 리터러시 3개 분야 모두에서 OECD 회원국 중 1위가 되었다. 반면 일본 학생들의 학습 목적 AI 이용은 OECD 평균보다 훨씬 낮았다. 이 둘을 나란히 놓으면 “일본의 좋은 성적은 AI를 쓰지 않았기 때문이다”라고 말하고 싶어진다. 하지만 그렇게 단순한 이야기는 아니다. AI를 쓰는 학생의 성적이 낮다고 해도, AI가 성적을 떨어뜨린 것인지, 원래 학습에 어려움을 겪던 학생이 AI에 도움을 구한 것인지, 조사만으로는 가려낼 수 없다. 게다가 일본 학생들에게는 AI가 내놓은 정보의 질을 평가하는 학습 경험이 적다는 과제도 보인다. 즉 이번 뉴스는 “AI를 쓰지 마라”는 경고가 아니다. AI에게 대신 생각하게 하는 것과 AI를 이용해 자신이 생각하는 것은 다르다. 그 차이를 학교에서도 직장에서도 이제 말로 분명히 해야 한다는 뉴스다.

이 글에서는 PISA 2025에서 무엇이 밝혀졌고 무엇이 아직 밝혀지지 않았는지를 정리한다. 그 위에서 아이들의 학습뿐 아니라 50대의 다시 배우기, 회사의 회의, 부하 직원에게 내리는 지시, 자료 작성까지 포함해 “생각하는 힘을 내려놓지 않는 AI 사용법”을 구체적으로 생각해 보고자 한다.

1. 먼저, PISA 2025는 무엇을 조사했나
PISA는 OECD가 실시하는 국제 학업성취도 조사다. 학교에서 외운 지식의 양만을 겨루는 시험이 아니다. 15세 학생이 익힌 지식과 기능을 실생활에서 마주치는 과제에 어느 정도 활용할 수 있는지를 본다. 2025년 조사에는 91개 국가·지역에서 76만 명이 넘는 학생이 참가했다. 이번에는 과학이 중심 분야였고, 읽기, 수학, 컴퓨테이셔널 문제 해결 능력 등도 조사되었다.

여기서 “일본이 3개 분야에서 1위”라는 보도의 읽는 법에 주의하고 싶다. 국립교육정책연구소의 공표 자료에 따르면 일본은 OECD 회원 38개국 중에서는 과학, 읽기, 수학 모두에서 1위였다. 다만 싱가포르나 대만 등을 포함한 전체 참가국·지역의 단순한 순위는 아니다. 국제 조사의 순위에는 통계상의 폭이 있다. 점수 차가 작으면 깔끔하게 한 줄로 세워 “확실히 몇 위”라고 말할 수 없는 경우가 있다. 그래서 공식 자료에서는 순위의 범위도 함께 제시하고 있다.

일본의 좋은 성적을 정당하게 평가하면서도 “전 세계 참가 지역 중 전 과목 1위”라고 이야기를 부풀리지 않기. 이것은 사소한 말꼬투리의 문제가 아니다. 숫자를 읽는 힘 자체가 PISA가 측정하려는 힘과 겹치기 때문이다. 또 국가의 평균점에서 한 사람 한 사람의 능력이나 장래를 단정할 수도 없다. 일본 안에도 잘하는 것과 어려워하는 것, 배우는 환경의 차이가 있다. 국제 순위는 교육 전체를 보는 단서일 뿐, 눈앞의 아이를 평가하는 이름표가 아니다.

2. 세계에서 일어나고 있는 것은 읽기와 수학의 장기적인 하락
이번에 국제적으로 크게 보도된 것은 일본의 순위만이 아니다. OECD 평균에서는 2015년부터 2025년 사이에 읽기 리터러시가 28점, 수학이 22점 하락했다. OECD는 읽기 하락을 약 1년 반 분, 수학을 1년을 조금 넘는 학습량에 해당한다고 설명하고 있다.

이 하락을 생성형 AI만의 책임으로 돌릴 수는 없다. 기간 중간에는 코로나19로 인한 학교 교육의 혼란이 있었다. 가정 환경, 결석, 수업 규율, 보호자의 관여, 디지털 기기로 인한 주의 분산 등 여러 요인이 겹쳐 있다.

그럼에도 읽기 하락은 일하는 어른에게도 남의 일이 아니다. 문장을 끝까지 읽지 않고 처음 몇 줄로 판단한다. 제목만으로 내용을 이해한 듯 착각한다. 긴 설명을 피하고 짧은 요약만으로 회의에 참석한다. 자신의 생각과 다른 정보를 근거를 확인하지 않고 물리친다. 이것들은 학교 시험에서만 일어나는 문제가 아니다. 규정, 계약서, 사고 보고, 거래 조건, 고객의 불만. 일에서는 읽어 넘긴 한 줄이 나중에 큰 손실로 이어지는 일이 있다. 읽기 리터러시란 소설을 음미하는 힘만이 아니다. 상대가 무엇을 말하고 있는지, 무엇을 말하지 않고 있는지, 어디에 조건이 있는지를 가려내는 힘이기도 하다.

3. 일본은 좋은 성적이지만, “AI를 쓰지 않는 것”이 정답이라고는 할 수 없다
OECD의 일본 대상 자료에서는 일본 학생의 27%가 학습을 돕기 위해 AI 챗봇을 주 1회 이상 쓴다고 답했다. OECD 평균은 46%였다. 새로운 주제를 미리 조사하는 데 AI를 쓰는 학생은 일본 11%, OECD 평균 31%. 읽어야 할 글을 요약하는 데는 일본 14%, OECD 평균 30%. 작문 초안에는 일본 15%, OECD 평균 29%였다. 반면 조사 대상이 된 학교 과제 중 어느 것에도 AI를 “전혀 또는 거의 쓰지 않는다”고 답한 일본 학생은 39%. OECD 평균은 14%였다.

이용 빈도만 보면 일본은 분명히 낮다. 그러나 “쓰지 않았기 때문에 고득점이었다”고 인과관계를 확정할 수는 없다. OECD 보고에서도 AI 이용과 성적의 관계는 복잡하다고 되어 있다. 글 요약, 작문, 조사 등 특정 과제에서 AI를 쓰는 학생은 쓰지 않는 학생보다 과학 점수가 평균적으로 낮은 경향이 있었다. 반면 “학습을 돕는다”는 일반적인 목적에서는 주 단위 이용자와 비이용자의 평균 성적은 대체로 같은 수준이었다.

여기서 말할 수 있는 것은 “AI를 쓸수록 머리가 나빠진다”가 아니다. 무엇을 위해, 어느 단계에서, 어떻게 쓰느냐에 따라 AI가 학습을 돕는 경우와 생각하는 작업을 대신해 버리는 경우가 있을 것 같다는 것이다.

4. 상관을 인과관계로 바꾸지 않기
뉴스를 정확히 읽기 위해 여기서는 조금丁寧히 생각하고 싶다. 가령 AI를 자주 쓰는 학생의 평균 점수가 낮았다고 하자. 생각할 수 있는 설명은 하나가 아니다. 첫째, AI에 과제를 맡기고 스스로 생각하는 시간이 줄었을 가능성이 있다. 둘째, 학습에서 막히고 있는 학생일수록 설명이나 요약을 AI에 구했을 가능성이 있다. 셋째, AI 이용의 많음과 장시간 스마트폰 이용, 수면, 학습 습관 등 다른 요소가 동시에 관계되어 있을 가능성이 있다. 넷째, 나라와 학교에 따라 AI를 이용할 수 있는 환경이나 가르치는 법이 다르다. 조사 데이터에서 관련성이 보여도 그것 하나만으로 원인과 결과의 방향을 정할 수는 없다.

이는 기업의 데이터 분석에서도 일어난다. 연수 영상을 자주 보는 사원의 성적이 낮다고 해서 연수가 사원의 능력을 떨어뜨렸다고는 할 수 없다. 일에 불안을 느끼는 사람일수록 연수를 열심히 보고 있을지도 모른다. 쿠폰을 쓰는 고객의 구매 금액이 낮다고 해도 쿠폰이 매출을 떨어뜨린 것인지, 가격에 민감한 고객이 쿠폰을 고른 것인지는 별도의 검증이 필요하다. 숫자의 차이를 찾아내는 일과 왜 차이가 생겼는지를 확인하는 일. 이 둘은 다른 일이다.

5. 정말 위험한 것은 “답을 받는 속도”에 익숙해지는 것
AI의 문제를 이용 시간만으로 판단하면 본질을 놓친다. 하루 10분이라도 과제문을 읽지 않고 답을 만들게 하면 생각할 기회를 잃을지 모른다. 반대로 1시간을 써도 AI의 설명에 반박하고 다른 근거를 찾고 이해되지 않는 점을 거듭 묻고 있다면 학습은 깊어질 가능성이 있다. 중요한 것은 AI에 닿은 시간보다 그 사이에 자신의 머리가 무엇을 하고 있었느냐다.

위태로운 사용에는 공통점이 있다. 물음을 스스로 정하기 전에 AI를 연다. 원자료를 읽지 않고 요약만 읽는다. 처음 나온 답을 완성품으로 쓴다. 모르는 말을 모른 채로 제출한다. 출처를 확인하지 않고 그럴듯함으로 판단한다.

이런 사용법은 단기적으로는 편하다. 그러나 편해진 작업 안에 본래 익혀야 할 힘이 들어 있는 경우가 있다. 신입이 보고서를 쓰는 과정에서는 사실을 고르고, 순서를 생각하고, 원인과 추측을 나누는 힘을 배운다. AI가 다듬어진 보고서를 순식간에 만들면 겉모습은 좋아져도 그 판단 과정을 경험하지 못한 채로 남는다. 근력은 무거운 것을 한 번도 들지 않고는 붙기 어렵다. 사고력에도 적당한 부하가 필요하다. 모든 부하를 없애는 것이 효율화가 아니다. 의미 없는 수고를 줄이고 성장에 필요한 부하를 남기는 것이 진짜 효율화가 아닐까.

6. 일본의 또 다른 숫자 ― AI를 평가하는 학습 경험
일본의 AI 이용이 적은 것을 “신중해서 좋다”고만 평가하면 다른 과제를 놓친다. OECD 데이터에서는 수업에서 AI 생성 정보의 질을 평가하는 것을 배웠다고 답한 일본 학생은 31.2%였다. OECD 평균은 62.6%이다.

쓰는 사람이 적다고 해서 평가 방법을 가르치지 않아도 되는 것은 아니다. 학교 밖에서는 AI를 쓸 가능성이 있다. 진학처나 취업처에서는 이용을 요구받을지도 모른다. 검색 결과, 광고, SNS 게시물 안에도 AI로 생성된 정보가 섞여 있다. 자신이 생성형 AI 화면을 열지 않더라도 AI가 만든 정보에서 완전히 떨어져 살기는 어려워지고 있다.

필요한 것은 무조건 믿는 것도 무조건 거부하는 것도 아니다. 누가 발신하고 있는가. 원자료가 있는가. 숫자의 대상 기간과 모집단은 무엇인가. 사실과 의견이 나뉘어 있는가. 반대 정보를 확인했는가. 모르는 점을 “모른다”고 남길 수 있는가. 이런 확인 방법을 익히는 것은 AI 조작의 능숙함보다 오래 쓸 수 있다. 일본의 좋은 성적을 지키는 것뿐 아니라 AI 시대에 필요한 평가력을伸ばす 것. 이 둘을 함께 노려야 한다.

7. 아이에게 가르친다면 “금지”냐 “자유”냐의二択으로 하지 않기
가정에서는 AI를 쓰게 해야 하는지 금지해야 하는지로 의견이 갈리기 쉽다. 하지만 실제 학습에서는 과제에 따라 역할을 바꾸는 편이 현실적이다. 예를 들어 한자나 계산의 기초 연습에서는 먼저 스스로 푸는 시간이 필요할 것이다. 작문이라면 스스로 주장과 이유를 쓴 뒤 반대 의견을 AI에 내게 하는使い方이 있다. 과학이라면 자신의 예상을 먼저 쓰고 AI의 설명과 비교해 차이를 찾는다. 영어라면 완성된 번역문을 받는だけでなく 자신의 번역에서 어색한 부분을 지적해 달라고 한다.

가정에서 정하는 규칙은 “하루 몇 분까지”만으로는 부족하다. 다음 세 단계를 공유하면 알기 쉽다. 처음은 스스로 생각한다. 중간에 AI를 상담 상대로 쓴다. 마지막은 자신의 말로 설명한다. 답을 본 뒤에 “왜 그렇게 되는지”“다른 예로도 설명할 수 있는지”를 본인이 말하지 못하면 이해했다고 판단하지 않는다. 이는 아이를 의심하기 위해서가 아니다. AI가 만든 보기 좋은 답과 본인의 이해를 나누기 위해서다.

8. 50대의 다시 배우기에도まったく 같은 함정이 있다
이 조사는 15세가 대상이지만 과제는 세대를 묻지 않는다. 오히려 경험이 긴 사람일수록 AI의 유창한 문장에 “자신의 경험과 맞는다”고 느껴 세부의 오류를 놓치는 일이 있다. 반대로 AI에 대한苦手 의식 때문에 모든 것을 거부하고 배울 기회를 잃기도 한다.

50대からの AI 활용에서 중요한 것은 젊은 사람보다 빨리 조작하는 것이 아니다. 자신이 무엇을 알고 무엇을 모르는지를 구별하는 것. AI의 제안이 현장 조건에 맞는지를 판단하는 것. 결과에 책임질 수 있는 범위에서 쓰는 것. 오랜 경험에는 강점이 있다. 과거에 비슷한 실패가 없었는지. 이 제안을 실행하면 누구의 작업이 늘어나는지. 예외 상황에서 현장이 멈추지 않는지. 고객에게는 어떻게 보이는지. 이런 물음은 일반적인 문장 생성만으로는 나오기 어렵다. AI에 일을 빼앗기지 않기 위해 필요한 것은 모두 스스로 쓰는 것이 아니다. AI가 쓴 것을 자신의 경험과 책임으로 다시 만들 수 있는 것이다.

9. 직장에서 일어나는 “완성품의 착각”
생성형 AI로 만든 자료는 문장이整っている. 표제가 있다.箇条書きになっている. 결론다운 것이 쓰여 있다. 그래서 내용을 충분히 검토하지 않아도 완성품으로 보인다. 나는 이를 “완성품의 착각”이라고 부르고 싶다.

예를 들어 “인력 부족 대책을 5가지 내줘”라고 부탁하면 채용 강화, 정착 지원, 업무 효율화, 외부 인력, 처우 개선 같은 그럴듯한案이並ぶ. 그러나 회사에서 정말 필요한 것은 그 다음이다. 어느 부서의 어느 시간대에 몇 명이 부족한지. 채용 부족인지 배치의 문제인지. 그만두는 사람이 많은지 작업량이 늘어난 것인지. 실시 비용은 얼마고 누가 담당하는지. 무엇을 가지고 개선되었다고 판단하는지. 일반론이 깔끔하게並んだだけでは 의사결정은 할 수 없다. 자료의 겉모습이 완성된 순간에 생각하는 일이 끝났다고 착각하지 않기. AI의 출력은 회의의 종점이 아니라 물음을 늘리기 위한 출발점으로 두는 편이 좋다.

10. 회의의 질을 떨어뜨리지 않는 “AI 자료 5점 확인”
AI를 쓴 자료를 회의에 낼 때는 작성자에게 다음 5점을 함께示してもらう. 첫째는 목적. 이 자료로 무엇을 정하고 싶은지. 둘째는 확인된 사실. 사내 데이터, 법령, 거래 조건 등 근거를 확인한 부분은 어디인지. 셋째는 가정. 숫자나 조건이 미확정이어서 편의상 둔 전제는 무엇인지. 넷째는 미확인 사항. AI가示したが 아직 원전이나 담당자에게 확인하지 못한 정보는 무엇인지. 다섯째는 작성자 자신의 판단. 여러案 중どれ를 고르고 왜 그렇게 생각하는지.

이 5점이 있으면 참가자는 AI의 문장을 그대로 평가하는 것이 아니라 의사결정에 필요한 재료를 볼 수 있다. 반대로 “AI가 이렇게 말합니다”만으로는 책임의 둘 곳이 없다. AI에는 직책도 결재권도 없다. 실패했을 때 거래처에 설명할 수도 없다. 최종 판단하는 사람이 자신의 말

**출처:** [note 원문](https://note.com/anms/n/nf829a405b804)

*번역: Gemma 3(.44) 초벌 + 교정 1청크*

[원문 보기](https://note.com/anms/n/nf829a405b804) | 출처: note.com