AI와 과학의 딜레마: 개인은 날아오르고 과학 전체는 좁아진다
AI는 과학자 한 명 한 명을 슈퍼스타로 만들지만, 과학 자체의 지평선은 조용히 오그라들고 있다.
숫자만 보면 이건 분명 좋은 소식이다. AI 도구를 활용한 연구자는 그렇지 않은 연구자보다 논문을 3배 더 많이 발표하고, 피인용 수는 거의 5배에 달한다 [1, 2]. 팀 리더로 올라서는 속도도 평균 1.4년이나 빠르다. 어마어마한 격차다.
하지만 개인이 잘 된다는 것과, 과학 전체가 잘 된다는 것은 다른 문제다. 4,130만 편의 논문을 분석한 2026년 Nature 연구는 AI 활용이 집단적으로 탐구하는 과학 주제 수를 줄이고, 연구자 간 상호 교류까지 감소시킨다는 것을 보여준다 [10]. 어딘가 불편한 역설이 작동하고 있는 것이다.
AI가 과학 연구를 어떻게 바꾸고 있나
AI가 연구 현장에 스며든 방식은 조용하지만 광범위하다. 예전에는 문헌 검토 하나만 해도 몇 주가 걸렸다. 관련 논문 수백 편을 직접 읽고, 요약하고, 비교해야 했으니까. 지금은 AI 도구가 수천 편의 논문을 수분 만에 정리해준다[3]. Scite나 Julius 같은 플랫폼은 스마트 인용 분석과 자연어 데이터 탐색을 통해 연구자가 코딩 없이도 통계 분석을 수행하게 해준다[4].
가설 생성, 실험 설계, 심지어 초고 작성까지 AI가 돕는다[5]. 재료 과학에서는 AI 알고리즘이 방대한 데이터셋을 훑어 새로운 소재 조합을 찾아내고, 유전체학에서는 수십억 개의 염기서열 패턴을 추출한다[6, 7].
AlphaFold가 수십 년간 풀리지 않던 단백질 구조 예측 문제를 해결하면서 2024년 노벨상까지 수상했다는 건, AI가 단순한 보조 도구를 넘어섰음을 상징적으로 보여준다[8, 9]. 연구 협업 방식도 달라졌다. AI는 실시간 문서 공유, 버전 관리, 커뮤니케이션 플랫폼을 통해 지리적으로 떨어진 연구자들이 유기적으로 연결되도록 돕는다[5]. 연구 초기부터 발견을 빠르게 공유할 수 있어, 집단적 혁신 속도도 빨라진다[2].
그러니까, 생산성 측면에서는 분명히 게임체인저다. 문제는 다른 데 있다.
역설: 개인은 올라가는데, 과학은 좁아진다
4,130만 편의 논문을 분석한 2026년 Nature 연구가 흥미로운 숫자를 내놓았다. AI 활용 연구는 집단적으로 탐구하는 과학 주제 수를 4.63% 줄이고, 연구자 간 상호 교류는 22%나 감소시켰다[10].
이게 무슨 뜻인지 감이 잘 안 올 수 있다. 쉽게 풀자면 이렇다. AI는 데이터가 풍부한 곳에서 잘 작동한다. 그래서 AI를 쓰는 연구자들은 자연스럽게 데이터가 많은 분야—컴퓨터 비전, 언어 모델, 분자생물학의 특정 하위 분야—에 몰린다. 데이터가 적은 분야, 윤리적으로 복잡한 분야, 인문학적 맥락이 필요한 분야는 상대적으로 소외된다. 이를 "집단적 언덕 오르기" 현상이라고 한다[10]. 모두가 같은 산을 같은 루트로 오르는 것이다.
시카고대 사회학자 James Evans는 이것이 개인 인센티브와 과학 공동체의 이익 사이에 생긴 근본적 충돌이라고 짚는다[11]. AI는 빠름과 규모를 보상하지, 놀라움을 보상하지는 않는다.
그림 1. AI 도구 활용에 따른 연구 프로세스 고도화 및 지식 도메인 편중 현상. 인공지능 기술의 연구 전 주기 통합은 가설 수립 및 데이터 분석 효율을 극대화하여 학계의 전반적인 생산성을 비약적으로 제고한다. 이러한 기술적 진보는 연구 주기를 획기적으로 단축하고 논문 출판 빈도를 높이는 성과를 거두었으나, 특정 데이터 집약적 응용 분야에만 연구력이 집중되는 '좁은 AI 함정'을 유발하여 학문적 테마의 다양성을 저해한다. 이는 결과적으로 과학적 탐구의 범위를 제약하고 복잡한 현상에 대한 실질적 통찰 없이 수치적 결과에만 의존하는 '이해의 착각'을 초래할 위험을 내포한다.
"이해의 환상"이라는 함정
2024년 예일대 인류학자 Lisa Messeri와 프린스턴 인지과학자 M. J. Crockett이 공동 발표한 논문은 더 근본적인 문제를 제기한다. AI 도구가 만들어낼 수 있는 "이해의 환상(illusion of understanding)"이다[12].
논문은 AI의 역할을 네 가지 유형으로 구분한다.
- AI as Oracle: 방대한 문헌을 자동으로 검색·요약해 연구 질문 수립을 돕는다.
- AI as Surrogate: 데이터 수집이 어려운 상황에서 인간 실험 참가자를 대체하는 데이터를 생성한다.
- AI as Quant: 복잡한 데이터셋을 인간 능력을 초월하여 분석한다.
- AI as Arbiter: 과학 연구의 타당성을 객관적으로 평가한다.
문제는 각 단계에서 AI가 개입할수록, 연구자가 실제로 자신의 데이터나 현상을 깊이 이해했는지 여부를 확인하기 어려워진다는 것이다. AI가 분석한 결과를 그냥 믿어버리면, 실제로는 이해하지 못한 채 이해했다고 착각하게 된다. 재현성 위기가 심화될 수 있는 이유다[12].
'좁은 AI 함정'과 학문의 리스크
과학계에서 점점 더 자주 언급되는 개념이 있다. "좁은 AI 함정(Narrow AI Trap)"이다[13]. 쉽게 말해, AI 연구가 지나치게 특정 영역에만 집중되면서 생기는 구조적 취약성이다.
2017년을 기점으로 AI 연구의 주제 다양성이 사실상 정체됐다는 분석이 있다[13]. 특히 기업이 주도하는 연구일수록 이 경향이 강하다. 컴퓨터 비전이나 대규모 언어 모델처럼 데이터가 풍부하고 상업적 가치가 큰 분야에 집중되면서, 윤리적으로 중요하고 개념적으로 풍부한 연구 영역들은 뒷전으로 밀린다[11, 14].
AI 연구자들이 새로운 분야로 이동하는 것도 쉽지 않다. 기존 분야를 떠나면 쌓아온 피인용 모멘텀이 끊기는 리스크가 있다[15]. 학문적 정체성이 흔들리고, 전문성으로 인정받던 기반이 흔들린다. 그러니까 연구자들은 개인 경력상의 이유로도 같은 영역에 머무를 수밖에 없는 구조적 압력을 받는다. 이른바 "주제 좁히기 함정"—어떤 주제를 좁혀도 진짜 연구 문제에 다가서지 못하는 현상—과 비슷한 구조다[16, 17].
학제 간 연구, 생각보다 어렵다
"그러면 학제 간 연구(interdisciplinary research)를 더 활성화하면 되지 않나요?" 라고 물을 수 있다. 맞는 방향이긴 한데, 현실은 더 복잡하다.
Cambridge Forum on AI에 게재된 최근 연구는 응용 AI와 윤리학의 교차 영역에서 만들어진 학제 간 연구 문화가 오히려 AI를 기존 학문 규범으로부터 분리시키는 효과를 낼 수 있다고 주장한다[18]. 즉, 다른 분야의 방법론과 거버넌스 프레임워크를 AI에 끌어오는 방식이, 역설적으로 AI 실무자들이 그 분야의 책임 기준에서 벗어날 여지를 준다는 것이다.
단백질 구조 예측이나 빈곤 추정 같은 응용 AI 프로젝트들은 다양한 지식 관점의 교류가 얼마나 중요한 성과로 이어지는지를 보여준다[19]. 하지만 그 과정이 피상적으로 이루어지면, 기술적으로는 그럴듯하지만 윤리적·사회적 복잡성은 놓치는 단순화된 해결책이 나올 뿐이다[18].
STEM 교육 현장에서도 비슷한 패턴이 보인다. 연구 결과가 교실로 들어오는 과정이 막히는 이유—교사 업무 과부하, 예산 부족, 기관 문화—는 AI 도입의 장벽과 구조적으로 닮아있다[20]. 리더십, 전담 자원, 협력적 파트너십이 있을 때만 연구와 실천 사이의 간극이 좁혀진다는 교훈은, AI 거버넌스 논의에서도 반복된다.
미래는 어떻게 될까
2050년까지 노벨상 수준의 발견을 독립적으로 해낼 수 있는 AI 시스템을 목표로 하는 "노벨 튜링 챌린지"라는 구상이 있다[8]. 막연한 이야기처럼 들리지만, AI가 자율적으로 가설을 생성하고 실험을 설계하는 방향으로 진화하고 있다는 건 분명한 트렌드다.
반면 지금 당장 시급한 과제는 AI 인프라의 민주화다. 현재 대형 AI 연구 인프라는 소수의 거대 기업과 최상위 대학에 집중돼 있다. 미국 국가 AI 연구 자원(NAIRR) 이니셔티브는 더 넓은 범위의 연구자들이 AI 인프라에 접근할 수 있도록 하는 시도다[21]. 이런 노력이 AI 연구의 다양성을 회복하는 데 의미 있는 역할을 할 수 있다.
고등교육 현장에서도 AI 도입이 가속화되고 있지만, 학문적 무결성·데이터 프라이버시·형평성 같은 윤리적 문제들이 여전히 충분히 다루어지지 않고 있다[22, 23]. 교육 기관들이 AI 거버넌스 프레임워크를 제대로 갖추지 않으면, AI 사용의 혜택은 일부에게만 집중되고 나머지는 소외될 것이다.
과학의 발전을 막는 진짜 병목이 기술적 문제가 아니라 문화적·제도적 문제일 수 있다는 시각도 있다[24]. 새롭고 학제 간 연구보다 점진적이고 전문 분야 내 연구를 선호하는 심사 시스템, 팀이 아닌 개인을 보상하는 학문 구조, 자동화에 적합하지 않게 설계된 실험실 환경. 이것들이 진짜 문제라면, AI만으로는 해결할 수 없다.
Discussion: AI가 과학을 재편하는 방식, 우리가 아직 모르는 것들
이 연구 결과들이 제기하는 질문은, 단순히 "AI를 잘 쓰자"는 메시지로 끝낼 수 없는 더 깊은 구조적 문제를 향한다.
핵심 긴장 관계를 다시 짚어보자. Hao et al.(2026)의 연구는 AI 활용 연구자가 개인적으로는 비약적으로 성장하지만, 과학 공동체 전체의 주제 다양성은 4.63% 줄고 연구자 간 교류도 22% 감소한다는 것을 실증적으로 보여준다[10]. 이건 기술 낙관론자들이 쉽게 무시하기 어려운 데이터다. 예일대의 Messeri는 이 상황이 과학을 "집단적 과업"으로 보는 시각 자체를 위협한다고 말한다[12].
그런데 여기서 무거운 가능성이 하나 있다. 만약 좁아진 탐구 범위가 일시적 현상이 아니라면? AI 도구가 더욱 자율적인 방향으로 진화한다면, 인간 연구자가 원래 했던 "불확실하고 비효율적인 탐험"의 역할이 더 위축될 수 있다. 그 탐험이야말로 예상치 못한 발견의 원천이었는데 말이다. 알고리즘적 효율이 과학적 상상력과 진짜 충돌하는 시점이 오고 있는 건지도 모른다.
또 다른 미해결 질문은 데이터 빈곤 분야에 관한 것이다. AI는 데이터가 풍부한 곳에서 잘 작동하지만, 그렇지 않은 분야—저자원 언어 연구, 인류학적 현지 조사, 희귀 질환 연구—는 AI 도구의 혜택을 거의 받지 못한다[2]. 이 격차는 장기적으로 과학 자원 배분을 더 불균등하게 만들 것이다. 더 넓은 데이터셋을 구축하는 것이 하나의 해법으로 제시되지만[10], 어떤 분야는 그 자체가 수십 년의 현장 작업을 필요로 한다.
AI가 과학의 사회적 문제라는 관점도 주목할 만하다. 최근 연구들은 AI 민주화를 가로막는 장벽이 기술이 아니라 커뮤니티 기능 장애, 잘못 정렬된 연구 우선순위, 데이터 단편화, 인프라 불평등이라는 점을 강조한다[21, 24]. NAIRR 같은 이니셔티브가 AI 인프라 접근을 확장하려는 노력을 기울이고 있지만, 제도적 인센티브 구조가 변하지 않으면 그 효과는 제한적일 것이다.
낙관적으로 보면, 미래의 자율 AI 에이전트가 지금의 인간 연구자처럼 주제 편향성 없이 광범위하게 탐구할 수 있게 될 수도 있다. 비관적으로 보면, 현재의 좁아지는 추세가 더 강화되면서 특정 분야와 그렇지 않은 분야 사이의 과학적 불평등이 심화될 수도 있다. 지금 어느 방향으로 가고 있는지는, 여전히 불분명하다.
AI를 더 잘 쓰는 것이 아니라, AI를 어떤 목적을 위해 어떻게 쓸 것인지를 과학 공동체가 집단적으로 결정해야 한다. 그 결정이 늦어질수록, 수정하기는 더 어려워질 것이다.
그림 2. 과학 연구에서의 AI 역설: 생산성 가속화와 연구 지평의 협소화 대조. AI 기술은 연구 워크플로우를 혁신하여 출판물 산출량을 3배 이상 증대시키고 다년간 소요되던 발견 기간을 수일 내로 단축하는 강력한 생산성 엔진으로 기능한다. 그러나 이러한 속도의 이면에는 연구자가 복잡한 현상을 완전히 파악했다는 인지적 오류를 유발하고, 2012년을 기점으로 연구 주제의 다양성이 정체되거나 특정 영역으로의 과잉 전문화를 야기하는 등 연구 탐구의 질적 범위를 축소시키는 역설적 리스크가 공존한다
References
[1] Li, L., Xu, K., & Ma, P. (2025). AI as a catalyst for transforming scientific research: a perspective. AI Agent, 1, 8. https://doi.org/10.20517/aiagent.2025.08
[2] Soochan, P. (2023). The Effect of AI on Research. AWIS. https://awis.org/resource/effect-ai-research/
[3] Keiser University. (2025, April 17). The Significance of AI in Modern Academia. ORI Happenings, Seahawk Nation. https://www.keiseruniversity.edu/the-significance-of-ai-in-modern-academia/
[4] UCLA HumTech. (n.d.). Boosting Research Productivity with Lesser-Known AI Tools: Scite and Julius. AI Toolkit for the Humanities Classroom. https://humtech.ucla.edu/instructional-support/ai-toolkit-for-the-humanities-classroom/boosting-research-productivity-with-lesser-known-ai-tools-scite-and-julius/
[5] Morressier. (2023, February 17). How can AI impact every step of the research process? https://www.morressier.com/post/how-can-ai-impact-every-step-of-the-research-process
[6] Devereson, A., Anagnostopoulos, C., Champagne, D., Lavandier, H., Van der Veken, L., Devenyns, T., Weihe, U., Peluffo, A., Lin, B., Hou, J., & Eckhoff, M. (2025, January 15). Scientific AI: Unlocking the next frontier of R&D productivity. McKinsey Tech: Forward. https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/tech-forward/scientific-ai-unlocking-the-next-frontier-of-r-and-d-productivity
[7] Scifocus. (2024). Top 10 AI Tools For Academic Research. Scifocus Blog. https://www.scifocus.ai/blogs/top-10-ai-tools-for-academic-research
[8] Frueh, S. (2023, November 6). How AI Is Shaping Scientific Discovery. National Academies of Sciences, Engineering, and Medicine. https://www.nationalacademies.org/news/how-ai-is-shaping-scientific-discovery
[9] DIP AI. (2026). Ultimate Guide – The Best AI Productivity Tools for Scientists of 2026. Deep Intelligent Pharma Blog. https://www.dip-ai.com/use-cases/en/the-best-AI-productivity-tools-for-scientists
[10] Hao, Q., Xu, F., Li, Y., & Evans, J. (2026). Artificial intelligence tools expand scientists' impact but contract science's focus. Nature, 649, 1237–1243. https://doi.org/10.1038/s41586-025-09922-y
[11] Dolgin, E. (2026, January 19). AI Boosts Research Careers but Flattens Scientific Discovery. IEEE Spectrum. https://spectrum.ieee.org/ai-science-research-flattens-discovery
[12] Messeri, L., & Crockett, M. J. (2024). Doing more, but learning less: The risks of AI in research. Yale News (Nature). https://news.yale.edu/2024/03/07/doing-more-learning-less-risks-ai-research
[13] Emergent Mind. (2025, July 8). Narrow AI Trap: Risks and Limitations. https://www.emergentmind.com/topics/narrow-ai-trap
[14] Jain, A., & Mitchell, W. (2022). Specialization as a double‐edged sword: The relationship of scientist specialization with R&D productivity and impact following collaborator change. Strategic Management Journal, 43(5), 986–1024. https://doi.org/10.1002/smj.3357
[15] Journal of Next-Generation Research 5.0. (2026). How to Shift Research Focus Without Losing Citation Momentum. https://jngr5.com/jngr/Shift_Research_Focus_Without_Losing/
[16] Rea, C., & Mullaney, T. S. (2022, September 27). Stop Telling Students to 'Narrow Down' Their Topic. Inside Higher Ed. https://www.insidehighered.com/advice/2022/09/28/dont-encourage-students-narrow-down-their-research-topic-opinion
[17] Minnesota State University. (n.d.). Narrowing a Topic. In Critical Thinking in Academic Research. Pressbooks. https://minnstate.pressbooks.pub/ctar/chapter/narrowing-a-topic-choosing-using-sources-a-guide-to-academic-research/
[18] Mussgnug, A. M. (2026). Interdisciplinary research: Friend or foe to ethical AI? Cambridge Forum on AI: Culture and Society, 2, e4. https://doi.org/10.1017/cfc.2026.10015
[19] Ross, P. T., & Bibler Zaidi, N. L. (2019). Limited by our limitations. Perspectives on Medical Education, 8(4), 261–264. https://doi.org/10.1007/s40037-019-00530-x
[20] Iqbal, F. (2025, April 1). Examining the Consequences of Poor Research Implementation on UK Educational Outcomes and STEM Standing. LinkedIn Pulse. https://www.linkedin.com/pulse/examining-consequences-poor-research-implementation-uk-fiaraz-iqbal-f2sue
[21] Roded, T., & Slattery, P. (2025, April 29). AI and the Future of Scientific Discovery. MIT FutureTech. https://futuretech.mit.edu/news/ai-and-the-future-of-scientific-discovery
[22] Cliburn, E. (2025, January 7). A Growing Influence: The Power of AI in Academia. Insight Into Academia. https://insightintoacademia.com/a-growing-influence-the-power-of-ai-in-academia/
[23] DerSimonian, R., & Montagnino, C. (2025, June 18). Crafting Thoughtful AI Policy in Higher Education: A Guide for Institutional Leaders. Faculty Focus. https://www.facultyfocus.com/articles/academic-leadership/crafting-thoughtful-ai-policy-in-higher-education-a-guide-for-institutional-leaders/
[24] Olvera, A. (2025, April 29). AI can accelerate scientific advance, but the real bottlenecks to progress are cultural and institutional. Bulletin of the Atomic Scientists. https://thebulletin.org/2025/04/ai-can-accelerate-scientific-advance-but-the-real-bottlenecks-to-progress-are-cultural-and-institutional/
[25] Spubl.al. (2025). Top-10 AI tools that will change the way you approach scientific research. https://spubl.al/en/blog/top-10-ai-tools-that-will-change-the-way-you-approach-scientific-research
본 글은 공개된 연구를 바탕으로 정보 제공 목적으로 작성되었으며, 전문적인 판단을 대신하거나 의학적 진단이나 치료를 위한 근거로 사용될 수 없습니다.
댓글
댓글 쓰기