AI가 우리의 삶을 너무 쉽게 만들어 줄 경우 어떤 일이 발생하는가?

토론토 대학 심리학 연구진이 Communications Psychology(2026년 2월 24일)에 발표한 'Against Frictionless AI' 논문은 AI의 기술적 특성을 '마찰 제거(friction removal)' 관점에서 분석한다. 현재의 LLM 기반 AI는 단일 프롬프트로 아이디어에서 최종 산출물까지 곧바로 생성하도록 최적화되어 있어, 사용자가 문제와 씨름하는 중간 단계를 건너뛰게 만든다. 심리학에서 말하는 '바람직한 어려움(desirable difficulties)' 이론에 따르면, 적절한 인지적 부하는 기억 공고화와 학습을 심화시키는 핵심 메커니즘이다. 저자들은 AI가 이 중간 과정을 우회하면서 '과정보다 결과 우선' 구조를 만들고 있다고 지적한다. 세탁기·계산기 같은 과거 기술이 물리적·반복 노동을 줄인 것과 달리, AI는 창의적·인지적 작업 자체의 마찰을 제거한다는 점에서 질적으로 다르다.

개발자에게 가장 직접적인 영향은 'vibe coding'으로 대표되는 코딩 워크플로의 변화다. 논문은 코딩이 프로그래머의 정체성과 의미 형성에 깊이 연결된 활동이라는 점을 강조하며, 이를 AI로 대체할 때 기술 숙련도뿐 아니라 직업적 의미감까지 훼손될 수 있다고 본다. 실제로 연구들은 AI로 작성된 결과물이 덜 신뢰받고, 덜 창의적으로 평가되며, 작성자 본인조차 자신의 결과물을 기억하지 못하는 경향을 보여준다. 주니어 개발자나 학습 단계의 엔지니어에게는 더 심각한데, 디버깅·아키텍처 설계·코드 리뷰 과정에서 얻어야 할 '문제 해결 근육'이 형성되지 않으면, AI가 없는 환경이나 AI가 잘못된 답을 줄 때 스스로 판단할 능력이 약화되기 때문이다.

실무적으로는 AI 사용을 이분법이 아닌 '생산적 마찰(productive friction)' 연속선 위에서 재설계할 필요가 있다. 산을 케이블카로 오르는 것과 걸어서 오르는 것이 같은 정상에 도달해도 전혀 다른 경험인 것처럼, 코드도 어떤 경로로 도달했는지가 장기 역량에 영향을 준다. 개발자는 ① 보일러플레이트·반복 변환 같은 '마찰 없어도 되는 작업'과 ② 설계 판단, 에러 추적, 알고리즘 선택처럼 '씨름이 학습이 되는 작업'을 구분해 AI 개입 수준을 달리 가져가는 전략이 필요하다. 팀 차원에서는 페어 프로그래밍, 코드 리뷰 의무화, AI 사용 시 근거 설명 요구 같은 관행으로 인위적 마찰을 복원할 수 있다.

장기적으로 AI 도구 제작자들에게도 시사점이 있다. 저자는 현재 AI의 기본값(default)이 '즉답+추가 질문 유도'이지만, '같이 사고하는 과정 모델(process model)'로 기본값을 바꾸면 더 협업적인 도구가 될 수 있다고 제안한다. AI 에이전트나 코딩 어시스턴트를 설계하는 한국 개발자라면, 응답 속도와 답의 완성도만 KPI로 삼지 말고 '사용자의 학습·숙련도 향상'을 제품 지표에 포함시키는 방향을 고려할 만하다. 특히 청소년·주니어를 타깃으로 한 제품에서는 소크라틱 문답 모드, 힌트 우선 제공, 단계별 공개 같은 친마찰(friction-aware) UX가 경쟁 차별점이 될 수 있다.