1. 전문성의 비밀: 스키마
그런데… 여러분 머릿속 한 가지 반론이 떠올랐을거 같아요.
"그거 구글 치면, ChatGPT한테 물어보면 다 나오는데, 왜 굳이 외워야 하나요?"
좋은 질문입니다. 실제로 1970년대에도 똑같은 논쟁이 있었습니다. 계산기가 보급되던 시기였죠. 사람들은 생각했습니다. "암기와 사고력은 별개다. 힘들게 암기할 필요 없이 사고하는 법만 가르치면 되지 않을까?"
이런 배경에서 '구성주의 교육이론'이 등장했습니다. 이 이론은 학습자가 수동적으로 지식을 받아들이는 게 아니라 스스로 지식을 구성해나간다고 봅니다. "암기는 구시대적이고, 탐구와 사고력이 중요하다"는 관점이었죠.
문제가 생겼습니다
이렇게 하면 단순 지식을 쌓아서 스키마를 만드는 과정이 약해지더라고요. 특히 학습 초기에 문제가 심각했습니다.
왜일까요? 인지과학의 연구 결과는 명확합니다.
지식이 많아질수록 스키마 형태로 통합해서 덩어리로 인식해야 작업기억에서 하나의 단위로 다룰 수 있게 됩니다. 하나하나 찾아보고 확인한 낱개 단위로는 작업기억 용량이 딸려서 크고 복잡한 사고를 할 수가 없습니다.
React 예시
여러분이 React로 복잡한 상태 관리를 설계한다고 해봅시다. useState, useEffect, useCallback, useMemo, useContext... 이런 것들을 그때그때 찾아보면서 설계할 수 있을까요?
안 됩니다. 각 훅의 특성이 장기기억에 스키마로 저장되어 있어야, 작업기억에서 "아, 이 상황에선 useCallback이 필요하고, 저기선 useMemo가 필요하겠네"라고 직관적으로 판단할 수 있습니다.
이게 바로 자동화된 전문성입니다.
또 어떤 예시가 있을까요? 멀리 갈 것 없습니다. 추상화 교과서 3장에서 배운 '일반해 어휘'들이 그 대상입니다.
•
Form, Query, Validator, Guard...
이 단어들이 여러분의 장기기억 속에 스키마(Schema)로 자리 잡아야 합니다. 그래야 코드를 볼 때 "어? 저거 Validator 패턴이네"라고 0.5초 만에 인식(청킹)할 수 있습니다. 이 파이프라인이 그 어휘들을 여러분의 뇌에 '설치'하는 과정입니다.
핵심 통찰
결국 단어를 외워야 문장을 만들 수 있습니다. 추론만으로는 전문가가 될 수도, 큰 일을 할 수도 없어요. '큰 일'은 자동화된 전문성이 '직관'이라는 형태로 해내는 겁니다.
그렇다면 어떻게 장기기억에 스키마를 쌓을까요? AI 시대에는 어떤 방법이 효과적일까요?
3. 핵심 원리: 부하의 재분배
여기서 AI의 역할이 명확해집니다.
AI가 할 수 있는 것과 인간만 할 수 있는 것을 구분하는 핵심 개념이 있습니다. 바로 인지부하의 종류입니다.
인지부하의 종류 | 설명 | 예시 | AI 역할 |
본질적(intrinsic) | 학습 내용 자체의 복잡도 | 미적분의 난이도 | 순서화/분절화로 낮춤 |
외재적(extraneous) | 학습과 무관한 불필요한 노력 | 논문 찾기, 포맷 맞추기 |  AI가 처리 |
생성적(germane) | 스키마 형성을 위한 노력. 진짜 학습 | 개념 이해, 관계 파악 | 인간이 해야 함 |
핵심 인사이트
AI는 외재적 인지부하만 줄여줄 뿐, 생성적 인지부하는 여전히 내가 져야 합니다.
외재적 인지부하가 뭐냐고요? 논문 찾기, PDF 다운로드, 플래시카드 포맷 맞추기 같은 거요. 이런 건 학습의 본질이 아닙니다. AI가 대신해줄 수 있어요.
생성적 인지부하는요? 개념 이해하기, 관계 파악하기, 내 상황에 적용하기. 이건 AI가 대신 못 합니다. 내가 땀을 흘려야 해요.
전략
AI가 할 수 있는 건 AI에게 맡기고, 인간은 오직 인간만 할 수 있는 것, 즉 이해하기에만 집중하는 겁니다.
어차피 우리 뇌가 쓸 수 있는 에너지의 총량은 정해져 있습니다. 불필요한 외재적 인지부하는 최소화하고 생성적 인지부하를 최대화하면, 학습 효율이 극대화됩니다.
그리고 앞서 본 "Your Brain on ChatGPT" 연구를 기억하세요. 순서가 중요합니다. 뇌를 먼저 쓰고 LLM을 써야 합니다. 처음부터 LLM에 의존하면 부호화가 안 됩니다.
그렇다면 구체적으로 어떻게 할까요?
