Executive Summary

AI를 연구에 쓴 과학자는 이전보다 훨씬 많은 논문을 냈고 인용도 크게 늘었습니다. 그런데 같은 기간, 과학이 통째로 다루는 주제의 폭은 오히려 좁아졌습니다. 개인의 생산성 지표가 뛰는 동안 집단 지식의 다양성은 줄어든 것입니다. 이 글은 그 현상 자체를 다시 증명하려는 것이 아니라, 그 뒤에 이어진 논의를 정리합니다.

페블러스는 이 데이터를 4,130만 편 분석 리포트에서 이미 자세히 다뤘습니다. 이번 글은 그 리포트가 나온 뒤 한 달 사이 네이처 지면 안팎에서 이어진 후속 논평들을 봅니다. 세 편의 논평이 서로 다른 언어로 같은 결론에 닿습니다. 좁아짐을 멈추는 열쇠는 더 나은 모델이 아니라, 연구자와 심사자와 펀더가 무엇을 보상하느냐에 있습니다.

데이터를 다루는 사람에게 이 논쟁은 남의 일이 아닙니다. 좋은 데이터가 다양성을 잃으면 모델이 좁아지듯, AI에 기댄 과학도 같은 곳으로 몰립니다. 무엇을 최적화하면 무엇이 조용히 사라지는가라는 질문이 데이터 품질의 영역에서 과학 전체의 영역으로 넓어진 셈입니다.

한눈에 보는 수치

출처: Hao, Xu, Li & Evans (2026), Nature 649 · 상세 분석은 페블러스 리포트

×3.02

개인 논문 생산성

AI를 쓴 연구자의 발표량 증가

×4.84

인용 수

개인 영향력 지표도 함께 상승

−4.63%

주제 다양성

과학 전체가 다루는 주제의 폭은 축소

−22%

후속 협업

한 연구 뒤 이어지는 참여의 감소

1

네이처가 한 달 뒤 스스로에게 던진 질문

한 편의 논문이 어떤 현상을 데이터로 증명하고 나면, 보통은 거기서 이야기가 끝납니다. 이번엔 달랐습니다. James Evans 연구팀이 4,130만 편을 분석해 개인은 강해지고 과학 전체는 좁아졌다는 결과를 발표한 지 한 달 남짓 지나, 같은 네이처 지면 안에서 후속 논평이 잇따라 올라왔습니다. 논문이 문제를 증명했다면, 이 논평들은 다음 질문으로 넘어갑니다. 좁아짐을 멈추려면 무엇을 바꿔야 하는가.

가장 정면으로 그 질문을 꺼낸 글은 난징의과대학의 Xizhe Zhang이 쓴 네이처 World View 논평입니다. 제목이 곧 프레임입니다. AI는 과학의 르네상스를 부를 것인가, 아니면 여기저기 흩어진 단일문화를 부를 것인가. Zhang은 그 갈림길을 결정하는 것이 모델의 성능이 아니라고 못박습니다. 연구자와 심사자와 펀더가 속도 대신 독창성을 보상하도록 제도가 움직이느냐, 방향은 거기서 갈립니다. AI는 이제 곁다리 도구가 아니라 연구 인프라의 일부가 되어, 과거 대규모 협업팀이 나눠 하던 문헌 리뷰와 실험 설계와 모델 구축을 소수의 AI 무장 연구자가 대신하고 있습니다.

무엇이 갈림길을 가르는가 AI가 연구 인프라의 일부가 됐다 독창성·장기 기여를 보상 속도·생산성만 보상 르네상스 주제 다양성 확장 확산된 단일문화 주제가 한 곳으로 수렴 보상 기준이 방향을 정한다
▲ 무엇을 보상하느냐가 르네상스와 단일문화의 갈림길을 가른다 | 페블러스 원본 도식 (Zhang, 2026 프레임 재해석)

프레임의 전환: 5월 리포트가 답한 질문이 "왜 좁아지는가"였다면, 네이처가 스스로 이어 던진 질문은 "좁아짐을 어떻게 멈추는가"입니다. 그리고 그 답의 무게중심은 기술이 아니라 제도 쪽으로 넘어가 있습니다.

2

가드레일이 필요하다는 경고

Zhang의 논평보다 조금 앞서, 인류학자 Lisa Messeri와 인지과학자 M. J. Crockett이 네이처에 더 직설적인 코멘트를 실었습니다. 제목부터 경고입니다. 과학계가 AI를 무비판적으로 받아들이는 상황이 우려스러우니 지금 당장 가드레일을 세워야 한다고 말합니다. 두 사람은 이론이 아니라 이미 관찰된 문제 두 가지를 근거로 듭니다. AI를 활용한 논문일수록 더 좁고 기성적인 연구 질문에 몰리는 경향이 보였고, 일부는 AI를 쓰지 않은 논문보다 학술적 완성도가 낮게 평가됐습니다.

굽은 산길의 가드레일과 '급커브 주의, 서행' 경고판
▲ 위험을 미리 알리는 표지판과 가드레일 — 지금 세워야 한다는 경고의 비유 | Source: Wikimedia Commons (schwiki, CC BY-SA 4.0)

같은 날 네이처는 컴패니언 사설을 함께 실었습니다. 제목은 인간 없이는 좋은 과학이 불가능하다는 선언입니다. AI가 문헌을 훑고 초안을 쓰고 데이터를 정리하는 일을 아무리 잘해도, 어떤 질문이 물을 가치가 있는지를 판단하는 자리에는 사람이 있어야 한다는 논지입니다. 흥미로운 대목은 이 경고가 5월 리포트가 인용한 Messeri와 Crockett의 2024년 논문과는 별개의 새 글이라는 점입니다. 2024년 글이 "AI가 이해의 착각을 부른다"는 인식론적 진단이었다면, 이번 2026년 코멘트는 "그 진단이 이미 현실이 됐다"는 실증 관찰에 가깝습니다.

핵심: 좁아짐은 미래의 가설이 아니라 이미 지면에서 관찰되는 현상입니다. 그래서 논의의 언어가 "이런 위험이 있을 수 있다"에서 "지금 가드레일을 세우자"로 바뀌었습니다.

3

병목은 모델이 아니라 보상 체계

세 번째 자료는 학술지 Communications Psychology에 실린 글로, 좁아짐이 왜 저절로 굴러가는지를 메커니즘으로 설명합니다. 생성형 AI 연구 붐 자체가 주제와 방법론을 한곳으로 모으는 피드백 루프를 만든다고 짚습니다. AI를 연구하는 방식마저 AI스럽게, 즉 서로 닮은 쪽으로 수렴해 간다는 자기지시적 관찰입니다. 개인에게는 합리적인 선택 하나하나가 쌓여 시스템 전체를 단일 작물만 심는 밭처럼 만든다는 비유가 여기서 나옵니다.

이 피드백 루프는 세 지점을 돕니다. 먼저 평가와 펀딩이 속도와 생산성을 보상합니다. 그러면 개인은 합리적으로 AI가 잘 풀어 주는 질문에 집중합니다. 그런 선택이 쌓이면 과학 전체의 주제와 방법이 한곳으로 수렴하고, 좁아진 지형은 다시 다음 사람의 선택을 같은 방향으로 밀어붙입니다. 보상 기준을 건드리지 않는 한 이 순환은 스스로 돕니다. 아래 도식은 그 세 지점을 한 장으로 정리한 것입니다.

개인에게 합리적인 선택이 쌓여 만드는 피드백 루프 속도·생산성을 보상 잘 풀리는 질문에 집중 주제·방법 수렴 = 다양성 하락 보상 기준을 바꾸지 않으면 루프는 계속 돈다
▲ 속도를 보상하면 개인은 잘 풀리는 질문으로 몰리고, 그 선택이 쌓여 집단의 주제 다양성이 낮아진다 | 페블러스 원본 도식

이 진단은 원 연구자들의 목소리와도 겹칩니다. Evans는 문제의 뿌리를 개인 인센티브와 과학 전체 사이의 충돌로 요약합니다. 개인에게는 AI로 빠르게 많이 내는 편이 이득이지만, 그 이득의 총합이 과학 전체에는 손실로 돌아옵니다. Northwestern의 Luís Amaral은 더 직설적입니다. 지금 우리는 같은 구덩이를 점점 더 깊게 파고 있다는 표현으로 수렴의 위험을 짚습니다.

그래서 세 자료가 내놓는 처방도 한 지점으로 모입니다. 독창성과 이론적 깊이, 그리고 어려운 문제에 오래 매달리는 장기 기여를 보상하는 쪽으로 평가 기준을 옮기자는 것입니다. 위험은 컴퓨터가 획일적으로 사고하는 데 있지 않습니다. 사람이 컴퓨터가 잘 푸는 질문만 골라 묻기 시작하는 데 있습니다. 무엇을 보상하는지가 결국 무엇을 묻는지를 결정합니다.

증거가 말하는 것: 더 좋은 모델을 만든다고 좁아짐이 풀리지 않습니다. 세 편의 논평이 서로 다른 경로로 같은 병목을 지목합니다. 무엇을 보상하는가라는 제도의 문제입니다.

4

제도가 못 보는 것을 데이터가 보여줄 수 있다

여기서 솔직해질 필요가 있습니다. 평가와 펀딩의 기준을 바꾸는 일은 데이터 인프라 하나로 풀리는 문제가 아닙니다. 그것은 학계의 제도와 인센티브라는 상위 레이어의 문제이고, 페블러스가 만드는 도구가 직접 손댈 수 있는 영역도 아닙니다. 이 점을 인정하는 데서 이야기를 시작하는 편이 정직합니다.

다만 제도를 바꾸려면 먼저 무엇이 좁아지고 있는지를 볼 수 있어야 합니다. 어느 분야가 조용히 비어 가는지, 어떤 데이터가 아무도 손대지 않은 채 방치되는지, 다양성이 어디서부터 무너지는지를 계측하는 일은 결국 데이터의 문제입니다. 페블러스가 데이터의 다양성을 진단하고 복원하는 인프라를 만들어 온 이유가 여기에 있습니다. 모델이 좁아지는 조짐을 데이터 층위에서 먼저 잡아내려는 시도가, 과학이 좁아지는 조짐을 읽는 일과 같은 문법을 씁니다.

그래서 이번 논쟁은 데이터를 다루는 사람에게 하나의 점검 질문으로 남습니다. 나의 파이프라인은 어떤 지표를 최적화하고 있으며, 그 최적화 뒤에서 무엇이 조용히 사라지고 있는가입니다. 속도와 생산성은 재기 쉽습니다. 사라지는 다양성은 재기 어렵습니다. 재기 어려운 쪽을 계측 가능하게 만드는 일이, 좁아짐을 멈추자는 논의에 근거를 대는 방법입니다.

마무리: 이 글은 5월 리포트가 데이터로 증명한 문제의 다음 장입니다. 문제를 증명하는 일과 좁아짐을 멈추는 일은 다른 능력을 요구합니다. 후자는 무엇을 보상할지 다시 정하는 제도의 몫이지만, 그 결정에 필요한 근거는 다양성을 계측하는 데이터에서 나옵니다.

R

참고문헌

학술·논평

보도·관련 글