최근 연구 과정에서 생성형 AI를 활용하는 사례가 늘어나면서, 과거에는 상상하기 어려웠던 문제가 발생하고 있다.
바로 실제로 존재하지 않는 논문이 참고문헌 리스트에 포함되는 현상이다.

 

1. 존재하지 않는 논문이 인용되는 이유

최근 국제 학술지들은 AI가 생성한 허위 참고문헌 문제에 대해 공식적인 경고를 보내고 있다.
실제 사례로 2023년 Nature 지는 ChatGPT로 논문 초안을 작성했을 때, AI가 매우 자연스럽게 존재하지 않는 참고문헌이나 부정확한 정보를 만들어낼 수 있다는 점을 지적했다.

조선비즈 보도에 따르면, 2026년 한 해에만 의료 분야 논문 약 2,810편에서 가짜 참고문헌이 발견되는 충격적인 사태가 벌어졌다.

더욱 심각한 것은 AI로 작성된 논문들이 서로를 반복적으로 인용하며 허위 정보를 확산시키고, 심지어 AI가 만든 가짜 학술 사이트까지 등장하여 학술 정보 생태계 전체를 오염시키고 있다는 점이다.

AI는 실제 논문처럼 보이는 제목과 DOI(디지털 콘텐츠 고유 식별번호) 형식까지 매우 정교하게 만들어내기 때문에, 연구자들조차 이를 쉽게 발견하지 못하는 경우가 많다.

 

 

2. 가짜 참고문헌, 왜 이런 일이 반복될까?

AI가 생성한 가짜 논문은 얼핏 보기에 매우 그럴듯하다.

특히 영문 문장 구조가 자연스럽고, 실제 존재하는 저널과 유사한 이름을 사용하기 때문에 초보 연구자들은 더욱 쉽게 속아 넘어간다.

 

이러한 현상이 반복되는 주요 원인은 다음과 같다.
첫째, 편의성에 대한 과도한 의존 : 마감이 임박한 상황에서 빠르게 선행연구 리스트를 만들고 싶은 유혹에 AI가 정리해준 리스트를 그대로 가져다 쓰는 경우가 많다.

둘째, 검증 과정의 생략 : 많은 연구자가 제목만 확인하고 실제 논문의 초록을 읽거나 DOI 링크를 클릭하여 실재 여부를 확인하는 과정을 건너뛴다.

셋째, 형식에 대한 맹신 : APA, MLA, Vancouver 등 학술적 형식이 갖춰져 있으면 내용도 사실일 것이라고 착각하는 오류에 빠지기 때문이다.
하지만 참고문헌에서 가장 중요한 것은 '매끄러운 형식'이 아니라 '실제로 존재하는 자료인가' 하는 점임을 잊어서는 안 된다.

 

 

3. AI 시대에 살아남는 논문 검증 체크는 연구자의 책임

AI 시대 연구자에게 가장 필요한 능력은 단순히 도구를 빠르게 사용하는 기술이 아니라, AI가 만든 정보를 끝까지 검토하고 검증하는 책임 있는 사고력이다.

 

논문의 신뢰성을 지키기 위해 다음 체크리스트를 반드시 확인해야 한다.
☑ 논문 초록이라도 직접 읽었는가?
☑ DOI 링크를 실제로 클릭하여 원문을 확인했는가?
☑ AI가 생성한 참고문헌 리스트를 교차 검증 없이 그대로 사용하지 않았는가?
☑ Google Scholar나 학술 DB에서 직접 검색하여 실재 여부를 판단했는가?

결론적으로, 없는 논문 단 한 편이 참고문헌에 들어가는 순간, 해당 논문의 전체 신뢰도는 무너진다.

이는 단순한 실수를 넘어 논문 철회라는 심각한 결과로 이어질 수 있다.

연구의 시작은 문장의 유려함이 아니라 근거의 실재성에 있다는 점을 명심하고, 반드시 원문 논문과 학술 데이터베이스를 통해 인용 정보를 다시 확인하는 습관을 가져야 한다.

 

* 내용 출처 : AI 시대 연구 생존 전략

* 참고 :

biz.chosun(2026.02.09.). AI끼리 논문 만들고 서로 인용... 가짜 학술 사이트까지 생겼다, https://biz.chosun.com/science-chosun/science/2026/02/09/G4YWEMZTGRTDCZRZMEZWGY3FGE/

biz.chosun(2026.02.10.). AI가 쓴 논문 사이트 등장... “정보 생태계 오염” 우려, https://biz.chosun.com/science-chosun/science/2026/02/10/MNRTCZTGGZRGIMRWMZTDMNBWMQ/

biz.chosun(2026.05.11.). 참고 문헌도 가짜, 의학 분야 논문 2810편 적발. https://biz.chosun.com/science-chosun/science/2026/05/12/LIDJCLYIFJAFZMZCJQUSGDJJPE/

Nature(2023.07.11.). 과학자들이 ChatGPT를 이용해 논문 전체를 처음부터 생성했는데, 과연 그 성능은 괜찮을까요?.https://www.nature.com/articles/d41586-023-02218-z

요즘 연구계획서를 보면 드는 생각

요즘 초보연구자들의 연구계획서를 보다 보면 비슷한 느낌을 받을 때가 많다.

 

문장은 깔끔하고 표현도 자연스럽다.

연구 흐름도 얼핏 보면 그럴듯하다.

 

하지만 끝까지 읽고 나면 이상하게 머릿속에 남는 것이 없다.

 

왜 그럴까?

 

최근 연구계획서 상당수는 AI를 활용해 작성되고 있기 때문이다.

문제는 AI를 사용했다는 사실 자체가 아니다.

오히려 지금 시대에 AI를 활용하는 것은 너무 자연스러운 일이다.

진짜 문제는 따로 있다.

 

생각 없이 AI가 정리한 문장을 그대로 가져오는 순간, 연구의 핵심까지 비어버리는 경우가 많다는 점이다.

 

나는 종종 이렇게 표현한다.

 

AI는 아주 예쁜 포장지와 비슷하다.

하지만 그 안에 무엇을 담을지는 결국 연구자의 몫이다.

 

안에 정말 가치 있는 선물이 들어 있을 수도 있다.

반대로 겉은 화려하지만 안은 비어 있는 상자일 수도 있다.

 

연구도 마찬가지다.

결국 중요한 것은 문장이 아니라 질문이다.

 

---

1. 왜 이 연구를 해야 하는가?

요즘 연구계획서를 보면 가장 먼저 드는 생각이 있다.

 

그래서 왜 이 연구를 해야 하는가?

 

이 질문이 빠져 있는 경우가 정말 많다.

예를 들어 AI 추천 서비스와 만족도를 연구한다고 해보자.

그런데 왜 지금 이 연구가 필요한지 설명이 없다.

 

이미 비슷한 연구가 너무 많다면 어떨까.

심사자는 자연스럽게 이런 생각을 하게 된다.

 

이 연구를 꼭 다시 해야 하는 이유가 있는가?

 

초보연구자들은 변수 연결 자체에만 집중하는 경우가 많다.

하지만 연구는 단순히 변수끼리 연결한다고 끝나는 것이 아니다.

 

왜 지금 이 문제가 중요한가를 설명할 수 있어야 한다.

특히 아래 질문은 반드시 고민해봐야 한다.

 

① 왜 이 연구가 필요한가?
② 지금 시점에서 왜 중요한가?
③ 어떤 현실 문제에서 시작된 연구인가?
④ 기존 연구는 무엇을 설명했는가?
⑤ 이전 연구와 무엇이 다른가?

 

이 질문에 답하지 못하면 연구는 쉽게 흔들리게 된다.

---

2. 변수는 많다고 좋은 것이 아니다.

특히 독립변수는 더 조심해야 한다.

 

초보연구자 연구계획서를 보다 보면 독립변수가 지나치게 많은 경우가 있다.

특히 AI 관련 연구에서 이런 패턴이 자주 보인다.

 

AI 추천 정확성
AI 편의성
AI 신뢰성
AI 개인화
AI 반응속도

 

이렇게 변수만 계속 늘어난다.

그런데 정작 읽는 사람 입장에서는 이런 생각이 든다.

 

그래서 이 변수들이 왜 필요한가?

 

단순히 선행연구에서 많이 사용했다고 넣는 경우도 많다.

하지만 변수는 개수가 중요한 것이 아니다.

 

왜 그 변수를 선택했는지가 더 중요하다.

특히 종속변수는 더 신중해야 한다.

 

왜냐하면 종속변수는 결국 이 연구가 무엇을 설명하고 싶은지를 보여주기 때문이다.

예를 들어 만족도라는 종속변수를 사용했다면 이런 고민이 필요하다.

 

이 연구 결과가 단순 만족도 설명에서 끝나는가?

아니면 실제 행동 변화나 지속 사용 같은 더 의미 있는 결과를 설명할 수 있는가?

즉, 종속변수는 연구의 방향과 가치를 결정하는 핵심이라고 볼 수 있다.

---

3. 모델과 가설은 ‘멋있어 보이는 것’이 아니라 ‘맞는 것’이어야 한다.

요즘은 AI를 활용하면 연구모형도 정말 그럴듯하게 만들어진다.

 

AMOS 구조도도 예쁘고 SmartPLS 모형도 화려하다.

 

하지만 중요한 것은 디자인이 아니다.

이 모델이 정말 연구에 적합한가이다.

 

예를 들어 어떤 연구자는 거의 모든 논문에 TAM이나 UTAUT를 가져온다.

왜냐하면 많이 쓰이기 때문이다.

하지만 많이 사용된다고 해서 내 연구에도 무조건 맞는 것은 아니다.

 

중요한 것은 연구 문제와 모델이 연결되는가이다.

즉 연구는 “유명한 모델 가져오기 게임”이 아니다.

내 연구 문제를 가장 잘 설명할 수 있는 틀을 선택하는 과정이다.

그래서 연구계획서를 작성할 때는 반드시 이런 질문을 해봐야 한다.

 

① 이 모델이 왜 내 연구에 적합한가?
② 다른 모델보다 어떤 장점이 있는가?
③ 변수 관계를 정말 잘 설명하는가?
④ 이 연구가 어떤 시사점을 줄 수 있는가?

 

이 질문이 빠지면 연구는 점점 형식적인 문서가 되어간다.

---

결국 연구는 ‘생각의 깊이’에서 차이가 난다.

AI는 앞으로 더 발전할 것이고 연구계획서 문장도 더 자연스러워질 것이다.

하지만 여전히 AI가 대신하지 못하는 것이 있다.

 

바로 질문이다.

왜 이 연구를 해야 하는가?

왜 이 변수를 선택했는가?

왜 이 모델이 필요한가.?

 

이 질문을 끝까지 고민한 연구계획서는 확실히 다르게 보인다.

반대로 AI가 정리한 문장을 그대로 붙여 넣은 연구계획서는 읽다 보면 어느 순간 비슷하게 느껴진다.

결국 연구는 문장을 잘 쓰는 경쟁이 아니다.

무엇을 고민했는지가 드러나는 과정이다.

 

AI는 아주 훌륭한 도구가 될 수 있다.

하지만 연구의 방향까지 대신 결정해주지는 않는다.

결국 연구의 핵심은 여전히 연구자의 생각 안에 있다.

AI 시대, 연구 생존 전략

 

논문을 쓰다 보면 이런 순간이 자주 찾아온다.

 

“분명히 어디선가 읽었는데 어디였지?”
“좋은 아이디어가 있었는데 기억이 안 난다”
“자료는 많은데 글로 연결이 안 된다”

 

AI 시대에는 자료를 찾는 속도가 매우 빨라졌다.

ChatGPT, Perplexity, Elicit, Consensus 같은 도구를 활용하면 논문, 개념, 사례를 예전보다 훨씬 쉽게 찾을 수 있다.

 

그런데 문제는 여기서 시작된다.

자료는 많아졌는데, 내 생각은 오히려 흐려질 수 있다는 점이다.

이때 필요한 연구법이 바로 제텔카스텐 Zettelkasten이다.

제텔카스텐은 쉽게 말해 생각을 작은 메모로 쪼개고, 서로 연결하여 나만의 지식 창고를 만드는 방법이다.

 

 

 

---

1. 제텔카스텐은 ‘생각 조각’을 모으는 연구법이다.

제텔카스텐은 20세기 독일의 사회학자 니클라스 루만에 의해 널리 알려졌다.

 

루만은 평생 엄청난 양의 연구를 남긴 학자로 유명하다.

그는 58권(번역서 제외)의 책과 350편의 논문을 발표했고, 지금도 사회학 분야에서 매우 영향력 있는 연구자로 평가받는다.

 

독일어로 Zettel은 ‘종이 쪽지’, Kasten은 ‘상자’를 의미한다.

즉, 제텔카스텐은 말 그대로 메모 상자이다.

 

하지만 단순히 메모를 많이 모으는 방식은 아니다.
중요한 것은 하나의 메모에 하나의 생각만 담는 것이다.

 

예를 들어 논문을 읽다가 다음과 같은 내용을 발견했다고 해보자!

“AI 도구는 연구자의 문헌 탐색 시간을 줄여준다.”

 

이 내용을 그대로 복사해두는 것이 아니라, 내 말로 바꿔서 짧게 적는다.

 

“AI는 자료 검색 시간을 줄여주지만, 연구자가 비판적으로 해석하지 않으면 잘못된 정보도 빠르게 확산될 수 있다”

 

이렇게 적으면 단순한 복사가 아니라 내 생각이 들어간 연구 메모가 된다.

 

제텔카스텐의 핵심은 이것이다.

자료를 저장하는 것이 아니라, 생각을 저장하는 것이다.

 

AI 시대에는 자료 수집보다 더 중요한 능력이 바로 ‘생각을 정리하는 능력’이다.

---

2. 제텔카스텐은 메모를 서로 연결해 아이디어를 키운다.

일반적인 메모는 시간이 지나면 잊는다.

폴더 안에 저장해둔 자료도 다시 열어보지 않으면 존재하지 않는 것과 비슷하다.

하지만 제텔카스텐은 다르다.

각각의 메모를 서로 연결한다.

예를 들어 다음과 같은 메모들이 있다고 해보자!

 

첫째, AI는 문헌 탐색 시간을 줄인다.
둘째, AI가 만든 답변은 오류를 포함할 수 있다.
셋째, 초보 연구자는 AI 답변을 그대로 믿는 경향이 있다.
넷째, 연구윤리는 AI 활용 과정에서 더 중요해진다.

 

이 메모들을 연결하면 하나의 연구 주제가 보이기 시작한다

 

“AI 시대 초보 연구자의 정보 신뢰성과 연구윤리 인식에 관한 연구”

 

처음에는 단순한 메모였지만, 서로 연결되면서 연구 주제, 연구문제, 가설, 논문 목차로 발전할 수 있다.

 

제텔카스텐은 마치 생각의 레고 블록과 같다.
작은 블록 하나만 보면 평범하지만, 여러 개를 연결하면 멋진 구조물이 된다.

 

논문도 마찬가지이다.
논문은 갑자기 완성되는 것이 아니라, 작은 생각들이 잘 연결될 때 만들어진다.

---

3. AI 시대의 제텔카스텐은 '나만의 연구 두뇌'를 만드는 방법이다.

AI는 빠르게 답을 주지만, AI가 대신해줄 수 없는 것이 있다.

바로 나의 문제의식이다.

 

왜 이 주제를 연구하려는지?
어떤 관점에서 바라보는지?
기존 연구와 무엇이 다른지?
내 연구가 어떤 의미를 가지는지?

 

이런 질문은 연구자 스스로 정리해야 한다.

 

제텔카스텐은 이 과정을 도와준다.
AI가 찾아준 자료를 그대로 저장하는 것이 아니라, 다음과 같이 바꾸는 것이다.

 

“이 내용은 내 연구와 어떤 관련이 있을까?”
“이 개념은 어떤 변수와 연결될 수 있을까?”
“이 논문은 내 연구의 차별점을 설명하는 데 도움이 될까?”
“이 메모는 나중에 서론, 이론적 배경, 시사점 중 어디에 활용할 수 있을까?”

 

이렇게 정리하면 AI는 단순한 답변 도구가 아니라, 연구자의 사고를 확장하는 도구가 된다.

AI가 자료를 빠르게 찾아준다면, 제텔카스텐은 그 자료를 내 연구의 언어로 바꾸는 방법이다.

 

그래서 AI 시대의 제텔카스텐은 단순한 메모법이 아니다.

나만의 연구 두뇌를 만드는 방법이다.

 

 

 

* 내용 참조 : 글 쓰는 인간을 위한 두 번째 뇌 제텔카스텐(2021). 지은이 숀케 아렌스, 옮긴이 김수진. 인간희극.

AI가 발전하면 공부가 훨씬 더 쉬워질까?

 

실제로 AI는 숙제를 도와주고, 논문을 요약해주며, 긴 글도 빠르게 정리해준다.

예전에는 자료를 찾기 위해 몇 시간씩 검색해야 했지만, 지금은 AI에게 질문하면 몇 초 만에 답을 받을 수 있다.

그래서 어떤 사람들은 이제 사람은 생각을 덜 해도 되는 시대가 온 것 같다고 말하기도 한다.

 

하지만 실제로는 오히려 반대다.

AI가 발전할수록 사람의 사고력은 더 중요해지고 있다.

왜냐하면 AI는 답을 만들어줄 수는 있어도, 그 답이 정말 맞는지까지는 스스로 판단하지 못하기 때문이다.

예를 들어 AI에게 과제를 물어보면 매우 자연스럽게 설명해준다.

 

AI는 처음 사용해 보면 정말 똑똑해 보인다. 

하지만 자세히 보면 존재하지 않는 참고문헌을 만들거나, 잘못된 정보를 사실처럼 설명하는 경우도 있다.

 

문제는 이런 오류가 너무 자연스럽다는 점이다.

그래서 사람들은 AI 답변을 그대로 믿고 사용하다가 실수하기도 한다.

실제로 최근 학술계에서는 AI가 만든 가짜 참고문헌이 실제 논문에 들어간 사례도 계속 발견되고 있다.

이런 이유 때문에 앞으로 더 중요한 것은 AI를 빨리 사용하는 능력이 아니다.

AI가 만든 정보를 스스로 다시 생각하고 검토하는 능력이다.

---

 

 

 

1. AI는 답은 만들 수 있지만 질문까지 대신하지는 못한다.

 

AI는 이미 존재하는 정보를 정리하는 데는 매우 강하다. 하지만 정말 중요한 질문이 무엇인지는 스스로 결정하지 못한다.

예를 들어 AI에게 환경 문제에 대해 설명해달라고 하면 여러 내용을 정리해줄 수 있다.

하지만 왜 사람들이 환경 문제를 해결하지 못하는지, 무엇이 가장 큰 원인인지, 어떤 해결 방법이 현실적인지는 결국 사람이 직접 고민해야 한다.

 

연구나 아이디어는 바로 이런 질문에서 시작된다.

그래서 앞으로 중요한 것은 정보를 많이 외우는 능력보다, 왜라는 질문을 할 수 있는 능력이다.

---

2. AI는 정보를 만들 수 있지만 검증까지 대신하지는 못한다.

AI는 문장을 정말 자연스럽게 만든다. 그래서 틀린 내용도 맞는 것처럼 보일 수 있다.

예를 들어 AI가 존재하지 않는 논문 제목을 만들어도 처음에는 진짜처럼 느껴질 수 있다.

 

특히 학생들은 AI가 알려준 내용을 그대로 복사해서 사용하는 경우도 많다.

하지만 연구에서는 작은 오류 하나도 매우 큰 문제가 될 수 있다.

그래서 AI 시대에는 정보를 그대로 믿는 사람이 아니라, 다시 확인하는 사람이 더 중요해지고 있다.

즉, 앞으로는 단순 암기보다 검증하는 사고력이 더 중요해질 가능성이 크다.

---

3. AI 시대에는 연결하는 사고력이 더 중요해진다.

AI는 정보를 빠르게 정리할 수 있다. 

하지만 서로 다른 내용을 연결해 새로운 아이디어를 만드는 것은 아직 사람의 역할에 더 가깝다.

예를 들어 어떤 학생은 AI가 정리한 내용을 그냥 외운다.

반면 어떤 학생은 그 내용을 보면서 다른 문제와 연결해 새로운 질문을 만든다.

 

바로 여기서 사고력 차이가 생긴다.

좋은 연구자는 단순히 정보를 많이 아는 사람이 아니다.

읽은 내용을 자기 생각으로 연결하고 새로운 의미를 발견할 수 있는 사람이다.

그래서 앞으로는 단순히 많이 아는 사람보다, 깊게 생각하고 연결할 수 있는 사람이 더 중요해질 가능성이 크다.

---

AI 시대에도 결국 가장 중요한 것은 사람의 사고력이다. AI는 강력한 도구가 될 수 있다.

하지만 질문하고, 검증하고, 새로운 의미를 만드는 일까지 완전히 대신하지는 못한다.

 

그래서 앞으로의 시대에는 AI를 잘 사용하는 사람보다, AI를 사용하면서도 스스로 생각할 수 있는 사람이 더 강한 경쟁력을 가지게 될 가능성이 크다.

AI 시대, 연구윤리 왜 지금 더 중요해졌을까?

 

AI는 이제 연구 환경을 빠르게 바꾸고 있다. 

논문 검색, 자료 정리, 초안 작성까지 이전보다 훨씬 빠르게 가능해졌다.

특히 대학원생이나 초보 연구자들에게는 매우 편리한 도구처럼 느껴질 수 있다. 

하지만 최근 학술계에서는 AI 활용이 늘어나면서 예상하지 못했던 문제들도 빠르게 나타나고 있다.

특히 가짜 참고문헌과 허위 데이터 문제는 단순 실수를 넘어 연구 신뢰성 자체를 흔들 수 있다는 우려까지 나오고 있다.

 

---

 

 

 

1. AI는 왜 존재하지 않는 참고문헌까지 만들까?

최근 해외 학술계에서는 AI가 생성한 가짜 참고문헌 문제가 실제 연구 현장에서 반복적으로 발견되고 있다. 

문제는 AI가 실제 논문처럼 매우 자연스럽게 제목과 저자명, DOI 형식까지 만들어낸다는 점이다. 

 

처음에는 연구자들도 오류를 쉽게 발견하지 못하는 경우가 많다. 

특히 초보 연구자들은 AI가 정리해준 참고문헌을 충분히 검토하지 않고 그대로 사용하는 실수를 하기도 한다. 

실제로 일부 논문에서는 존재하지 않는 논문이 참고문헌에 포함되거나, 허위 데이터가 실제 연구처럼 반복 인용되는 사례도 나타나고 있다.

 

AI는 문장을 자연스럽게 만들 수는 있다. 

하지만 참고문헌과 데이터의 진위를 스스로 검증하지는 못한다. 결국 마지막 검토 책임은 연구자에게 남아 있다.

---

2. 왜 유명 학술단체에서도 문제가 발생했을까?

더 큰 문제는 세계적인 학술단체에서도 AI가 생성한 허위 정보 문제를 완전히 걸러내지 못한 사례가 나타났다는 점이다.

최근에는 AI가 작성한 논문과 가짜 참고문헌이 실제 학술 심사 과정까지 통과한 사례들이 보고되면서 학술계 전체가 큰 충격을 받기도 했다.

 

특히 AI는 실제 논문 형식을 매우 자연스럽게 모방할 수 있기 때문에, 심사자들도 오류를 쉽게 발견하지 못할 가능성이 커지고 있다. 이는 단순한 기술 문제가 아니라 연구윤리와 검증 시스템 전체의 문제로 이어질 수 있다.

 

이제는 유명 학술지나 권위 있는 학회라고 해서 모든 정보가 자동으로 신뢰되는 시대가 아니게 되었다.

AI 시대 연구자는 논문 제목, 참고문헌, 데이터, 통계 결과까지 직접 반복 검토하는 태도가 더욱 중요해지고 있다.

---

3. AI 시대 연구자에게 가장 중요한 능력

많은 사람들은 AI 시대에는 논문을 빨리 쓰는 사람이 유리할 것이라고 생각한다. 

하지만 실제로는 반대 방향으로 가고 있다. 

AI가 정보를 빠르게 생성할수록, 연구자에게는 검증 능력과 사고력이 더 중요해지고 있다. 

특히 의료·보건 분야처럼 실제 사람의 건강과 연결되는 연구에서는 작은 오류 하나도 매우 큰 문제로 이어질 수 있다.

 

논문 한 편의 오류는 단순히 연구자 개인의 문제가 아니다. 

잘못된 정보가 사회 전체로 확산될 수도 있고, 다른 연구자들의 후속 연구에도 영향을 줄 수 있다. 

그래서 앞으로 중요한 것은 AI를 얼마나 빠르게 사용하는가가 아니다. 

 

AI가 만든 정보를 끝까지 검토하고, 다시 질문하고, 직접 검증할 수 있는 태도다. 

결국 AI 시대에도 연구를 완성하는 것은 AI 자체가 아니라 연구자의 사고력과 책임감일 가능성이 크다.