AI 시대 학습법 (1): 영상을 보는 것만으론 부족하다

2026년 1월 19일 · By Simpson Gyusup Sim · 14 min read

TLDR

수동적으로 영상을 듣기만 해선 지식이 머리에 남지 않는다. Engageli 2025 데이터에서는 능동 학습 그룹의 테스트 점수(70%)가 수동 학습 그룹(45%)보다 높게 나타났다.
새로운 인풋을 "살아있는 지식"으로 바꾸려면 기존 멘탈 모델과 synthesis하는 과정이 필수다. WEF 2025는 2030년까지 직무 핵심 역량의 39%가 바뀐다고 보고해, 단순 정보 소비보다 재구성 능력이 중요해졌음을 보여준다.
AI는 튜터지 교사가 아니다. Microsoft Work Trend Index 2024에서 지식근로자 75%가 이미 업무에 AI를 사용하고 있지만, 학습 설계와 판단은 여전히 사람의 역할로 남아 있다.

일론 머스크 인터뷰 영상을 봤다. 2배속으로.

근데 솔직히, 영상을 빠르게 훑으면서 "오, 재밌네" 하고 끝나면 며칠 뒤 뭘 봤는지도 기억이 안 난다. 도파민만 맞고 끝이다.

이 문제는 개인 감각만의 이슈가 아니다. Microsoft Work Trend Index 2024는 지식근로자 75%가 AI를 쓰는 환경에서도 "업무 속도"와 "이해 깊이" 사이의 간극이 커지고 있다고 지적했고, McKinsey 2024는 생성형 AI를 정기적으로 활용하는 조직이 65%로 늘었지만 성과 격차의 핵심은 도구 접근이 아니라 인력의 학습 전환 역량이라고 설명했다.

그래서 나는 영상을 보는 방식을 바꿨다.

영상 시청도 '능동적'으로 해야 남는다

능동 학습의 성과 차이는 수치로도 분명하다. Engageli 2025에 따르면 능동 학습 집단의 평균 테스트 점수는 70%, 수동 학습 집단은 45%였고, 같은 분석에서 능동 참여 수업은 단순 청취 대비 학습 유지(retention) 개선 폭이 54% 수준으로 보고됐다. 또한 ScienceDirect 2025 메타분석은 영상 학습에서 질문·정리·적용 같은 능동 개입이 이해도와 전이 성과를 통계적으로 유의하게 높인다고 제시했다.

내 영상 소비 프로세스는 이렇다:

1. 2~3배속으로 쭉 본다 2. 흥미로운 부분이 나오면 멈추고 메모한다 3. 내 생각을 한 줄이라도 적는다 ("이건 내 기존 생각과 다른데?") 4. 이해가 안 되는 부분은 배속 없이 돌려본다 5. 그래도 모르면 LLM이나 구글로 팔로업한다

이 방식은 "느낌"보다 "검증"을 우선한다. Engageli 2025에서 수동 학습자는 자기평가 만족도가 높아도 실제 점수는 낮게 나왔고, ScienceDirect 2025는 영상 시청 중간에 정지-요약-질문 단계를 넣을 때 장기 기억과 문제 적용 성능이 동시에 개선된다고 보고했다.

느낌과 실제는 반대일 수 있다. 수동적으로 들을 때 "뭔가 배운 것 같은" 착각이 들지만, 테스트 기반으로 보면 retention이 크게 떨어진다.

왜 수동적 시청은 안 남을까?

수동 시청이 약한 이유도 최근 연구가 설명한다. PMC 2025 연구는 능동 개입 없는 학습이 단기 기억에 머물 가능성이 높고, 재인출(retrieval) 과정을 포함한 학습이 장기 기억 전환에 유리하다고 보고했다. ScienceDirect 2025 역시 영상 학습에서 능동 전략이 retention, 이해도, 전이 과업 성능 모두에서 우위라고 정리했다. Engageli 2025 데이터에서도 이 차이는 테스트 점수 25%p(70% vs 45%)로 관찰됐다.

쉽게 말해: 듣기만 해서는 뇌가 "이건 중요하다"고 인식하기 어렵다. 반대로 정지-질문-요약-재설명 루프를 넣으면 정보가 "본 것"에서 "쓸 수 있는 것"으로 바뀐다.

새로운 인풋을 "살아있는 지식"으로 바꾸는 법

지금은 "정보 접근"보다 "정보 재구성"이 경쟁력이다. WEF Future of Jobs 2025는 2030년까지 직무 핵심 스킬의 39%가 변화하고, 전체 노동자의 59%가 재교육 또는 역량 전환이 필요하다고 전망했다. McKinsey 2024 State of AI는 생성형 AI 도입 조직이 65% 수준으로 확대됐다고 보고했는데, 이 환경에서는 "아는 양"보다 "새 인풋을 기존 모델과 합성하는 속도"가 성과를 가른다.

영상을 본다고 끝이 아니다. 핵심은 기존의 멘탈 모델과 새로운 인풋을 synthesis하는 것이다.

예를 들어, 일론 머스크가 "질문하는 능력이 답을 아는 것보다 중요하다"고 말했을 때:

일시정지: "이건 내가 기존에 갖고 있던 생각과 어떻게 다른가?"
멘탈 모델 충돌 확인: 나는 "많이 아는 것이 경쟁력"이라고 생각했는데, 이건 다른 관점이다
합성(synthesis): "AI 시대에는 정보 접근이 무료화됐으니, 차별화는 '무엇을 아는가'가 아니라 '어떤 질문을 던지는가'에서 온다"
실험 설계: 다음 주에 회의에서 답을 제시하기 전에 질문을 먼저 던져보자

이 과정이 없으면 영상은 그냥 도파민 히트에 그친다. 반대로 합성 과정을 거치면 "콘텐츠 소비"가 "행동 설계"로 바뀐다.

사고 실험(Thought Experiment)의 힘

사고 실험은 단순 아이디어 놀이가 아니라 학습 고정 장치다. WEF 2025가 제시한 39% 스킬 재편 환경에서는 "정답 암기"보다 "가설 검증" 역량이 중요하고, McKinsey 2024는 AI 도입 성과를 내는 팀일수록 문제 재정의와 실험 주기 설계 빈도가 높다고 분석했다. 즉, 생각 실험은 개인 차원의 학습법이면서 동시에 조직 차원의 실행 기술이다.

새 인풋이 들어오면 반드시 사고 실험을 돌려봐야 한다:

"만약 이 아이디어가 맞다면, 내가 지금 하고 있는 X는 틀린 건가?"
"이 관점을 우리 회사에 적용하면 어떻게 될까?"
"반대 의견을 가진 사람은 뭐라고 할까?"

이게 Peter Senge가 『The Fifth Discipline』에서 말한 Mental Models 점검과 맞닿아 있다. 학습의 질은 정보량보다 가정(assumption)을 수정하는 빈도에서 갈린다.

Scott Young의 AI 시대 학습법 5가지

AI 학습법을 개인 루틴으로 바꾸는 데는 외부 지표가 도움 된다. Microsoft Work Trend Index 2024에서 지식근로자 75%가 AI를 업무에 쓰고, AI 사용자 중 78%가 회사 공식 도구가 아닌 개인 선택 도구(BYOAI)를 병행한다고 답했다. 이는 "도구 접근성"은 이미 높아졌지만 "학습 설계 프레임"은 개인별 격차가 크다는 뜻이다. WEF 2025가 제시한 재교육 필요 인력 59% 수치도 같은 방향을 가리킨다.

나는 Coursera의 Learning How to Learn 수업을 듣다가 Scott Young을 알게 됐다. 그의 『Ultra Learning』을 Readless 형태로 참고했고, 최근 블로그에서 AI 시대 학습 전략을 정리한 글을 발견했다.

1. 책 선택은 AI로, 읽기는 직접

핵심 원칙: AI 요약은 탐색 속도를 높이지만, 깊이 학습의 대체재는 아니다.

이 원칙이 중요한 이유는 속도와 깊이의 분리가 실제 데이터에서도 보이기 때문이다. Microsoft 2024는 AI 도입이 빠르게 확산(사용자 75%)됐지만, 고성과 팀은 "원문 맥락"을 유지한 학습 프로세스를 운영할 때 결과가 더 안정적이라고 제시했다. WEF 2025도 고부가가치 직무일수록 분석적 사고와 호기심 같은 심층 인지 역량의 중요도가 상승한다고 보고한다.

AI가 추천해준 책이라도 직접 읽어야 예시와 저자의 관점을 이해할 수 있다. 요약본은 지름길 같지만, 실제로는 깊이가 부족할 수 있다.

하지만 나는 이걸 조금 다르게 활용한다. 내 맥락을 아는 LLM에게 내가 읽고 싶은 책과 이유를 말하고, 내 목적을 달성하기 위해 요약을 해달라고 한다. 그 요약을 보고 읽을지 말지 판단한다. AC2에서 Readless라는 개념을 배웠는데, 이걸 AI와 함께 해볼 수 있다.

2. 대안 제시는 받되, 직접 사고하기

AI는 대안 생성에 강하지만, 의사결정 책임까지 대체하지 않는다. Microsoft 2024에서 AI 사용자 78%가 개인 도구를 병행했다는 사실은 선택지가 폭증했다는 뜻이고, McKinsey 2024의 65% 도입 수치는 "도구 사용" 자체가 더 이상 차별화 요인이 아님을 보여준다. 결국 차이를 만드는 것은 대안을 고르는 사람의 문제정의 역량이다.

AI는 전문 분야 밖의 아이디어를 제안하는 데 탁월하다. 하지만 내 전문 영역에서는 AI가 부족할 수 있다. 탐색 도구로 쓰되, 최종 판단은 직접 해야 한다.

3. 검증 가능한 답변 요청

검증 프롬프트는 필수다. Stanford HAI AI Index 2025는 생성형 AI 성능이 빠르게 개선되고 있지만 신뢰성과 사실 정확도 이슈가 여전히 주요 리스크라고 정리했다. 따라서 실무 학습에서는 "답변"보다 "출처와 연도"를 함께 받는 구조가 필요하다. 이 원칙은 McKinsey 2024가 강조한 책임 있는 AI 운영 가이드라인과도 일치한다.

정확성이 중요하면 출처를 달라고 해야 한다. AI의 환각(hallucination) 문제는 여전히 존재한다.

4. 연습 자료의 틀 먼저 만들기

틀을 먼저 만드는 습관은 학습 효율을 크게 높인다. WEF 2025는 59%의 인력이 재교육이 필요하다고 보는데, 이런 대규모 전환에서는 "무엇을 먼저 연습할지"를 선명하게 정의한 사람이 성과를 가져간다. LinkedIn Learning의 2024 Workplace Learning 리포트도 조직 학습 성과에서 목표 기반 학습 경로 설계가 핵심이라고 제시한다.

"공부 도와줘"라고만 하지 말고, 학습할 주제·단어·문법 목록을 먼저 제시하면 체계적인 연습이 가능하다.

5. AI는 튜터지 교사가 아니다

핵심 원칙: 커리큘럼의 방향은 사람이 정하고, AI는 질문 해결과 피드백 루프를 가속한다.

이 구분이 중요한 이유는 역할 혼동이 성과를 떨어뜨리기 때문이다. Microsoft 2024에서 AI 도입 속도가 높아도(75%) 리더들이 우려한 지점은 "전략적 판단 약화"였고, WEF 2025는 향후 핵심 역량으로 분석적 사고·창의성·회복탄력성을 상위에 배치했다. 즉, AI는 튜터로서 강력하지만 학습의 우선순위와 방향 결정은 여전히 사람의 메타인지 영역이다.

무엇을 어떤 순서로 배울지는 내가 정해야 한다. AI는 내가 모르는 부분을 파고드는 튜터 역할이다.

하지만 요즘은 목적만 정해주면 커리큘럼도 잘 짠다. Claude Code에 The Modern Software를 던져주고, 내가 어떤 어려움이 있고 어떤 목표가 있다고 말해주니 더 빠르게 학습할 수 있었다.

긴 유튜브 영상들은 NotebookLM이나 Lilys로 먼저 요약하고, 내가 모르는 부분만 발췌해서 실제 영상을 학습하는 것도 가능하다. Readless의 영상 버전 학습법이라고 생각한다.

실제 사례: Ultra Learning을 AI 시대에 재해석하다

개인 사례도 외부 신호와 연결될 때 재현 가능성이 높아진다. McKinsey 2024는 생성형 AI 활용 조직이 65%까지 올라온 상황에서, 성과를 내는 팀은 "학습-실험-회고" 주기를 짧게 돌린다고 보고했다. WEF 2025 역시 빠른 역량 전환이 필요한 직무 환경에서 자기주도 학습 체계가 핵심 경쟁력이라고 제시한다. 즉, Ultra Learning을 AI 시대에 재해석한다는 것은 더 많은 정보를 소비하는 게 아니라 더 짧은 주기로 가설을 검증한다는 의미다.

나는 Scott Young의 『Ultra Learning』을 읽으면서 이런 질문을 던졌다:

AI 시대에 울트라러닝은 어떻게 재해석될 수 있을까?

그리고 이걸 LLM과 함께 발전시켰다. Scott Young의 최신 글과 비교해보니, 내 가설과 겹치는 부분이 많았다.

이 과정에서 느낀 점은 분명했다. 책만 읽는 것으로는 부족하고, LLM과 대화하며 아이디어를 검증하고, 원저자의 최신 관점과 대조해야 실제 행동 변경으로 이어진다.

참고로, 이 유튜브 영상은 교환학생 시절 미국인 교수님이 내가 Public Speaking 수업에서 어떤 학생이었는지 설명하는 testimonial interview다. (내 유튜브에 올라간 첫 영상이기도 하다.)

마치며: 항상 이 질문을 던져라

결론은 명확하다. Microsoft 2024의 AI 사용률 75%, McKinsey 2024의 조직 도입률 65%, WEF 2025의 스킬 전환 필요 59%는 모두 같은 메시지를 준다. AI 시대 학습의 핵심은 "더 많이 보기"가 아니라 "더 빨리 검증하고 전환하기"다. 따라서 하나의 인풋을 받을 때마다 출처-질문-실험을 한 세트로 묶어야 한다.

새로운 인풋을 접할 때마다 스스로에게 물어봐라:

어떻게 하면 이 인풋을 살아있는 지식으로 전환시킬 수 있을까?

수동적으로 듣지 말고, 메모하고 생각을 적어라
기존 멘탈 모델과 충돌시켜봐라
이해 안 되는 건 AI나 검색으로 파고들어라
가능하면 실험으로 검증해라

영상을 1000개 봐도 아무것도 안 남을 수 있다. 하지만 하나의 아이디어를 깊이 씹으면, 그게 행동을 바꾼다.

다음 글에서는 조직 차원에서 이런 학습 문화를 어떻게 만들 수 있는지 다룬다. "틀려도 괜찮다"는 Fail Forward 문화, 심리적 안전, 그리고 실패에서 배우는 조직에 대해.

📞 AI 시대, 조직의 학습 문화도 다시 설계해야 합니다
📧 Contact Form
📅 30분 그로스·AI 활용 진단 미팅

Sources:

About the author

Simpson Gyusup Sim

리텐션 주식회사 대표. AI 시대의 그로스 컨설턴트로서 스타트업의 유저 애퀴지션, 마케팅 자동화와 CRM 최적화를 돕습니다. Expedia, Skyscanner, GroupM 등에서 마케팅을 경험했고, 지금은 AI-네이티브 스타트업들과 함께 성장 문제를 풉니다.

View profile

Updated on 2026년 3월 12일