생성형 인공지능의 등장은 인간의 사고·학습·업무 방식 전반을 재편하고 있으며, 특히 ChatGPT와 같은 대형언어 모델(LLM)은 인간이 AI를 단순한 기술적 도구로 활용하는 차원을 넘어, 인간과 AI가 함께 사고하고 문제를 해결하는 ‘공동지능(Co-Intelligence)’이라는 새로운 패러다임을 열어가고 있다(Mollick, 2024). 이러한 변화는 AI가 인간의 능력을 대체하는 존재가 아니라 인간을 보조하고 확장하는 파트너로 자리 잡고 있음을 의미한다. 기존의 자동화 중심 관점과 달리, 생성형 AI는 인간의 인지능력과 결합하여 생산성 향상, 문제해결 능력 증대, 창의적 사고의 확장 등 질적·양적 변화 모두를 발생시킨다는 점에서 교육, 산업, 노동, 사회 전체의 구조적 전환을 촉발하고 있다(Brynjolfsson, 2022; Shneiderman, 2020). 그러나 AI 활용의 이점이 모든 학습자에게 동일하게 제공되는 것은 아니다. 최근 연구들은 AI와의 협업 능력, 프롬프트 설계, 문제 구조화, 메타인지 기반 검증 능력, 그리고 AI와의 상호작용을 통해 사고를 확장하는 능력과 같은 고차원적 역량이 사용 집단에 따라 크게 다르며, 이것이 새로운 형태의 격차를 만들어낼 수 있다고 지적한다(Xu et al., 2024; Yang et al., 2023). 즉, 생성형 AI 시대의 핵심 불평등은 단순한 디지털 접근성이나 장비 보유 여부가 아니라, “AI와 얼마나 효과적으로 협업할 수 있는가”라는 인간-AI 공동작업 능력의 차이에서 발생한다. 이러한 국제적 논의를 토대로 OECD 교육연구혁신센터(CERI)는 AI가 인간의 능력을 어떻게 보완하거나 확장하는지를 객관적으로 평가하기 위해 ‘AI 역량지표(AI Capability Indicators)’를 개발하였다(OECD, 2025). 이 지표는 언어, 사회적 상호작용, 문제 해결, 창의성, 메타인지 및 비판적 사고, 지식·학습 기억, 비전, 조작 능력, 로보틱 인텔리전스 등 총 9개의 능력을 5단계로 평가하여, AI가 인간의 어떤 능력과 어느 수준에서 경쟁 또는 보완 관계를 형성하는지 측정할 수 있도록 한다. 특히 이 지표는 AI의 능력 향상이 교육·훈련·직무 요구 역량을 어떻게 변화시켜야 하는지, 그리고 어떤 과업이 AI를 중심으로 재구성될 수 있는지 판단하는 중요한 근거를 제공한다. 이러한 흐름을 고려하면, AI의 발전이 가져오는 진정한 변화는 기술 자체가 아니라 인간의 학습과 사고 구조가 어떻게 달라지는가에 있다. 그리고 바로 이 지점에서 “공동지능 격차(Co-Intelligence Gap)”의 문제가 중요하게 떠오른다. 공동지능 격차란 동일한 AI 기술을 제공받더라도 학습자의 협업 역량 수준에 따라 AI의 효과가 크게 달라지는 현상을 의미한다. 예를 들어 프롬프트 설계 능력, 검증 능력, 워크플로 재설계 능력 등은 개인의 교육 수준, 경험, 기술 환경 등에 따라 달라지며, 결국 AI 활용 결과 역시 크게 차이가 난다. 특히 선진국과 개도국 학습자 간에는 디지털 접근성, AI 노출 경험, 교육 자원의 질적 차이가 존재하며, 이로 인해 생성형 AI를 학습·문제 해결 파트너로 사용할 때 명확한 성과 차이가 나타날 가능성이 크다. 이에 본 연구는 이러한 국제적 맥락과 AI 협업 시대의 변화된 역량 요구를 바탕으로, 선진국과 개도국 학습자 간 생성형 AI 활용 방식, 공동사고 수준, 워크플로 재설계 역량의 차이를 탐색적으로 규명하고자 한다. 즉, 공동지능 격차가 실제로 존재하는지, 존재한다면 어떤 형태와 구조로 드러나는지, 그리고 AI가 인간의 사고 과정을 어떤 방식으로 확장하는지에 초점을 맞춘 탐색적 연구이다. 이를 위해 본 연구는 다음의 두 가지 탐색적 연구문제를 설정하였다. ① 선진국과 개도국 학습자 간 공동지능 격차가 어떤 ‘형태’와 ‘구조’로 나타나는가? ② 생성형 AI는 도구를 넘어 ‘공동사고의 장(場)’으로 기능하는가? 이러한 연구문제를 중심으로 본 연구는 AI 시대의 새로운 학습 불평등 구조를 탐색하고, 향후 공동지능 기반 교육 모델과 국가 간 AI 활용 역량 격차 해소 전략을 수립하기 위한 기초자료를 제공하고자 한다.

본 연구는 생성형 인공지능이 단순한 도구를 넘어 인간의 사고 과정에 참여하는 공동지능(Co-Intelligence)의 가능성을 탐색적으로 검토하였다. 이를 위해 Ethan Mollick이 제시한 AI 활용 4원칙(동료로서의 AI, 코치로서의 AI, 시뮬레이터로서의 AI, 메타인지·반성 도구로서의 AI)에 대한 이해와 실제 적용 경험이 양 집단에 어떠한 영향을 미치는지와 같이 특정 구성요인을 검토하기 위해 실험연구를 진행하였다. 연구 결과, 대부분의 구성요인에서 두 집단 간 차이는 통계적으로 유의하지 않았으나, AI Adoption & Scaling Maturity에서만 유의미한 차이가 확인되었다(t = 2.12, p = .047). 이는 선진국 학습자들이 생성형 AI를 더 빠르게 수용하고, 기존 학습·업무 과정에 보다 체계적으로 통합하며, 새로운 워크플로를 구성하는 데 있어 개도국 학습자보다 높은 성숙도를 보인다는 점을 시사한다. 이는 공동지능 격차가 단순한 기술 접근성의 차이가 아니라, 생성형 인공지능을 학습 과정에 통합하고 확장하는 구조적 성숙도의 차이에서 나타난다는 점이 시사되었다. 특히 AI Adoption & Scaling Maturity에서 나타난 유의한 차이는 이러한 구조적 격차를 경험적으로 보여주는 지표로 해석될 수 있다. 즉, ‘도입-활용-확장’으로 이어지는 구조적 성숙도의 차이에서 나타난다는 점이 확인되었다. 한편 생성형 AI가 단순한 자동화 도구를 넘어 ‘공동 사고의 장(場)’으로 기능하는지에 대한 가능성의 탐색에서는 Workflow Redesign과 Co-Intelligence Workflow에서 두 집단 간 유의한 차이가 나타나지 않았다. 이는 AI가 학습자의 사고과정에 보조적 역할(augmentation)을 수행하는 방식이 두 집단 모두에서 유사한 수준으로 나타났음을 의미한다. 다시 말해, 생성형 AI는 두 집단 모두에게 기존 작업을 단순히 자동화하는 기능보다는 인간의 사고를 확대·보완하는 도구로 활용되고 있으며, 이는 언어 생성·아이디어 확장·초안 작성·정보 구조화 등 공동사고를 가능하게 하는 영역에서 광범위하게 작동하고 있음을 보여준다. 또한 Workflow Redesign의 평균값이 두 집단에서 거의 동일하게 나타난 점은, AI를 활용해 작업 흐름을 ‘완전히 재설계하는 단계’에는 아직 두 집단 모두 충분히 도달하지 못했음을 시사한다. 즉, 생성형 AI가 주도하는 Workflow Redesign은 초기 단계에 머물러 있으며, AI를 인간 사고의 파트너로 확장하는 Augmentation 중심의 활용은 활발하지만, 조직적이고 구조적 수준의 재설계는 선진국·개도국 모두에서 아직 제한적으로 나타나고 있다.

종합하면, 본 연구는 선진국과 개도국 학습자 간 공동지능 격차가 ‘AI 활용 성숙도(AI Adoption & Scaling Maturity)’라는 구조적 차원에서만 특정하게 나타나며, 나머지 공동사고·워크플로 상호작용 요소에서는 유사한 패턴을 보인다는 점을 확인하였다. 즉, 생성형 AI는 국가 간 경제적·디지털 환경 차이와 무관하게 대부분의 학습자에게 ‘공동사고의 장’으로 기능하고 있으며, 인간의 사고를 보완하는 보조적 활용이 중심을 이루는 반면, 선진국 집단은 AI를 학습 과정 전반에 더 빠르고 종합적으로 활용하는 경향을 보였다. 이는 공동지능 격차가 사용의 ‘유무’에서 발생하는 것이 아니라, AI 활용을 학습 프로세스 속에 어떻게 구조화하고 확장하는가의 차이, 즉 ‘구조적·전략적 성숙도’에서 비롯된다는 점을 보여주는 중요한 결과이다. 따라서 공동지능 격차는 단순한 기술 접근성의 문제가 아니라, 생성형 인공지능을 활용하여 학습 및 문제 해결 과정을 재구성하는 능력의 차이에서 비롯된다고 해석할 수 있다. 다만 본 연구는 탐색적 연구로서 이러한 해석은 인과적 검증이 아닌 경험적 패턴에 기반한 해석이라는 점에서 신중한 접근이 필요하다.

따라서 향후 연구에서는 보다 확장된 표본과 정교한 연구설계를 통해 공동지능 격차의 구조와 영향 요인을 심층적으로 검증할 필요가 있다. 또한 본 연구에서 확인된 차이와 패턴을 기반으로 보다 정교한 연구가설을 설정하고, 생성형 AI 활용 성숙도가 학습자의 워크플로 재설계, 공동사고 수준, 그리고 학습성과에 어떠한 영향을 미치는지를 구조적으로 검증하는 후속 연구가 진행될 필요가 있다.

한편 본 연구는 다음과 같은 몇 가지 한계점을 가진다.

첫째, 본 연구의 표본 수는 총 22명으로 제한적이며, 이는 통계적 검정력(statistical power)에 영향을 미칠 수 있다. 특히 소표본 환경에서는 정규성 가정이 완전히 충족되지 않을 가능성이 존재하므로 향후 연구에서는 보다 큰 표본을 활용한 검증이 필요하다.

둘째, 연구 참여자의 86.4%가 석사과정 재학생으로 구성되어 있어 표본이 고학력 집단에 편중되어 있다. 이는 연구 결과의 일반화 가능성에 제한을 줄 수 있으며, 향후 연구에서는 다양한 교육 수준 및 직무 집단을 포함할 필요가 있다.

셋째, 본 연구는 선진국과 개발도상국 학습자를 비교하였으나, 국가별 표본 수가 제한적이기 때문에 국가 특성 자체의 영향을 충분히 분리하여 분석하기에는 한계가 있다. 향후 연구에서는 국가 단위 또는 지역 단위의 확장된 표본을 활용한 비교 분석이 요구된다.

넷째, 본 연구는 자기보고식 설문(self-reported data)에 기반하여 AI 활용 행태를 측정하였다는 점에서 중요한 해석상의 제한을 가진다. 이러한 자료는 실제 ChatGPT활용 과정에서 나타나는 프롬프트 전략, 상호작용 로그, 산출물의 질, 그리고 학습성과의 객관적 차이를 직접적으로 입증하는 근거라기보다는, 참여자들이 자신의 AI 활용 경험과 역량 수준을 어떻게 인식하고 평가하는지를 반영하는 지각적(perceptual) 자료에 해당한다. 따라서 본 연구에서 도출된 집단 간 차이는 실제 수행 능력의 차이라기보다는, AI 활용에 대한 인식 수준과 자기평가된 성숙도의 차이를 보여주는 탐색적 결과로 해석하는 것이 타당하다. 향후 연구에서는 시스템 로그 데이터, 프롬프트 기록, 산출물 평가 등 행동 기반 데이터(behavioral data)를 결합하여 공동지능 활용의 객관적 성과를 검증할 필요가 있다.

마지막으로, 본 연구는 탐색적 연구(exploratory study)의 성격을 가지며, 인과관계를 검증하기보다는 집단 간 차이와 패턴을 파악하는 데 초점을 두었다. 따라서 후속 연구에서는 구조방정식 모형(SEM) 등을 활용한 인과적 관계 검증이 필요하다.

본 연구는 공동지능 격차의 ‘형태’와 ‘구조’를 확정적으로 규명하기보다는, 특정 구성요인을 중심으로 나타나는 차이를 통해 그 가능성과 방향성을 탐색적으로 확인하였다.