3줄 요약

  1. Tsinghua·University of Chicago 공동 연구진(Hao·Xu·Li·Evans)이 1980~2025년 자연과학 논문 4,130만 편을 분석해 AI 도입의 개인-집단 효과를 동시에 측정한 Nature 게재(2026년 1월) 논문이다.
  2. 개별 과학자에게 AI는 강력한 추진제다 — 논문 수 3.02배, 인용 4.84배, 프로젝트 리더 1.37년 조기 진입.
  3. 그러나 집단 차원에서 과학의 주제 다양성은 4.63% 좁혀지고, 후속 연구 간 상호 인용은 22% 감소한다. AI는 데이터가 풍부한 분야로 과학자를 끌어모아 “데이터 부족한 프런티어"를 비워 두는 중력장 역할을 한다.

연구 설계

저자들은 OpenAlex 데이터셋에서 1980~2025년 영어 자연과학 논문 41,298,433편을 추렸다. 분야는 생물·의학·화학·물리·재료·지질 6개 — AI 자체를 발명·정련하는 컴퓨터과학·수학은 의도적으로 제외했다. AI를 쓰는 자연과학과 AI를 만드는 학문을 분리해야, AI가 다른 학문에 미치는 영향을 깨끗하게 측정할 수 있기 때문이다.

AI 논문 식별은 BERT 기반 두 단계 분류기를 썼다. 제목과 초록을 각각 학습한 두 모델을 앙상블해 F1=0.875의 식별 정확도를 얻었고, 12명의 도메인 전문가가 라벨링한 결과(Fleiss’ κ=0.964)와 대조했다. 식별된 AI 논문은 총 310,957편으로, 전체의 0.75%다.

저자들은 AI 발전을 세 시대로 나눈다.

  • 머신러닝(ML) 시대: 1980~2014
  • 딥러닝(DL) 시대: 2015~2022
  • 생성형 AI(GAI) 시대: 2023~현재

각 시대마다 AI 채택률은 가속됐다. 1980년 대비 2025년 AI 논문 비중은 지질학에서 10.70배, 생물학에서 51.89배로 늘었고, AI를 채택한 연구자 수는 지질학에서 135.46배, 물리학에서 362.16배로 증가했다.

Fig 1. 분야별 AI 채택률의 가속화 (1980~2025)

Fig 1. 1980~2025년 6개 자연과학 분야의 AI 채택 추세. 모든 분야에서 AI 논문 비중과 AI 채택 연구자 수가 가속하며 증가한다. 출처: Hao et al. (2026), Nature, CC BY 4.0.

개인 차원 — AI는 과학자에게 무엇을 주는가

먼저 논문 단위. AI 논문은 발표 이후 수십 년에 걸쳐 비-AI 논문보다 연간 인용을 평균 98.70% 더 받는다. JCR Q1 저널 게재 비중도 18.60% 더 높다.

연구자 단위에서는 격차가 더 크다. AI를 채택한 과학자는 평균적으로 다음 이점을 누린다.

지표AI 채택 vs. 비채택
연간 출판 논문 수3.02배
연간 받는 인용 수4.84배
주니어 → 시니어(프로젝트 리더) 전환 시간1.37년 단축 (7.33년 vs. 8.70년)
주니어가 시니어로 전환할 확률13.64%p 높음 (45.00% vs. 31.36%)

저자들은 같은 시기 같은 위치에서 출발한 과학자들을 매칭한 분석(selection bias 통제)에서도 이 격차가 유지된다고 보고한다. 즉 “원래 잘하는 사람이 AI를 쓰는” 효과가 아니라, AI 자체가 추가 가속을 만든다는 것이다.

Fig 2. AI는 논문 영향력을 키우고 연구자 경력을 가속한다

Fig 2. (a) AI 논문 vs. 비-AI 논문의 연간 평균 인용. (b) AI 채택 연구자의 연간 인용 — 4.84배. (c) 주니어→시니어 전환 확률. (d) 전환 시간 생존 함수 — 지수 분포 적합. 출처: Hao et al. (2026), Nature.

흥미로운 부차 발견 한 가지: AI 논문 팀은 비-AI 팀보다 평균 19.29% 작다. 특히 주니어 연구자 수가 31.14% 줄어든다. AI가 주니어가 하던 단순 데이터 처리·문헌 검색·코드 작성을 자동화하면서, 팀이 굳이 주니어를 많이 두지 않아도 굴러간다는 신호다. 동시에 남아 있는 주니어는 더 빨리 시니어가 된다. 입구는 좁아지고 통과는 빨라지는 구조다.

집단 차원 — 과학의 초점은 좁아진다

논문은 여기서부터 본격적으로 역설을 펼친다. 저자들은 논문을 SPECTER 2.0(과학 문헌 전용 임베딩) 768차원 공간에 투영한 뒤, 두 가지 지표로 “지식의 너비"를 측정했다.

  • 지식 범위(Knowledge Extent, KE) — 표본 논문군이 공간에서 차지하는 “지름”. 같은 분야 내에서 얼마나 넓은 주제를 다루는지.
  • 지식 엔트로피 — 주제 분포의 균등도. 낮을수록 특정 문제에 쏠려 있다는 뜻.

결과는 일관적이다. AI 연구는 비-AI 연구보다 지식 범위가 4.63% 좁고, 모든 6개 분야에서 (p<0.001) 동일한 방향이다. 200개 이상의 하위 분야로 쪼개 봐도 70% 이상에서 같은 수축이 관찰된다. 엔트로피도 모든 분야에서 낮다 — AI 연구는 분야 전반보다 특정 인기 문제에 쏠려 있다.

Fig 3. AI 도입은 학문 내·학문 간 지식 범위의 수축과 연관된다

Fig 3. (b) 768차원 임베딩의 t-SNE 투영. AI 논문(파랑)은 비-AI 논문(주황)보다 좁은 영역에 군집한다. (c) 6개 분야 모두에서 AI의 지식 범위가 더 좁다. (d) 엔트로피도 일관되게 낮다. 출처: Hao et al. (2026), Nature.

저자들은 이 수축의 원인을 따져 봤다. 주제의 본질적 인기, 원래의 영향력, 연구비 우선순위 — 모두 AI 채택률과 거의 관련이 없었다. 유일하게 강하게 연관된 변수는 데이터 가용성이다. 데이터가 풍부한 영역일수록 AI가 도입되고, 결과적으로 그 영역에 과학자가 더 모인다. AI는 데이터의 무게로 학문 공간을 잡아당기는 중력장이다.

메커니즘 — 별 모양 인용과 “외로운 군중”

수축이 어디서 오는가? 저자들은 두 가지 보완 분석으로 메커니즘을 풀어낸다.

먼저 논문 가족(paper family) 분석. AI 논문 한 편에서 파생된 인용 가족의 지식 범위는 오히려 비-AI보다 3.46% 넓다. 즉 원본 한 편이 다양한 후속 연구를 낳는 능력은 AI 쪽이 더 좋다. 그렇다면 전체 수축은 어디서 오는가?

답은 후속 연구들 사이의 상호 인용 부재에 있다. 같은 원본을 인용한 후속 논문들이 서로 인용하는 빈도 — 저자들은 이를 “팔로우온 engagement"라 부른다 — 가 AI 연구에서는 22.00% 낮다. 후속 연구들은 원본만 바라볼 뿐, 서로 대화하지 않는다.

이 패턴이 누적되면 별 모양 인용 구조가 생긴다. 소수 슈퍼스타 논문이 중앙에 있고, 다수의 후속 논문이 방사형으로 매달려 있되 서로는 연결되지 않는 구조. AI 인용의 GINI 계수는 0.754로, 비-AI(0.690)보다 높다. 상위 22.2% 논문이 전체 인용의 80%를, 상위 54.14%가 95%를 가져간다.

Fig 4. AI 연구의 후속 engagement 감소와 별 모양 인용 집중

Fig 4. (b) 같은 원본을 인용한 논문들끼리 서로 인용하는 비율 — AI 쪽이 22% 낮다. (c) 인용 분포 — AI는 상위 소수가 압도적으로 점유. (d) 같은 원본을 인용하면서도 서로 모르는 논문 쌍은 임베딩 공간에서 가장 가까운 쌍의 거리가 76.51% 더 짧다 — 중복 연구의 신호. 출처: Hao et al. (2026), Nature.

더 통렬한 발견은 (d) 패널에 있다. 같은 원본을 인용했지만 서로 모르는 논문 쌍을 보면, 임베딩 공간에서 가장 가까운 쌍의 거리가 서로 아는 쌍보다 76.51% 짧다. 가까이서 같은 주제를 다루면서도 서로의 존재를 모르는 — “lonely crowd”. 결과적으로 중복 연구가 늘어난다.

저자들은 이 집단 행동을 collective hill-climbing(집단적 산오름)으로 비유한다.

모두가 같은 인기 산을, 같은 등산로로 오르는 상황. 경로와 정상이 모두 한정되어 있어 정체가 발생하고, 더 높을 수도 있는 다른 산 — 새로운 질문과 답 — 의 탐색은 외면받는다.

AI가 잘하는 일(데이터 풍부한 분야의 알려진 문제 가속)이 너무 매력적이기 때문에, 과학자들은 그쪽으로 몰리고, 그 결과 과학 전체의 다양성이 줄어든다.

정책 함의 — 무엇이 뒤에 남겨지는가

저자들은 Discussion에서 가장 무거운 질문을 던진다. 어떤 주제가 AI 시대에 가장 덜 다뤄질 위험에 처해 있는가?

답은 자연 현상의 기원에 관한 질문들이다. 본질적으로 데이터가 적을 수밖에 없는 주제 — 희귀 질환, 신생 분야, 가설이 먼저 와야 데이터가 모이는 영역. AI는 “가로등 아래의 과학"을 가속하면서, 가로등이 비치지 않는 곳의 근본 질문을 멀리한다.

이 우려가 더 큰 이유는 두 가지 요인이 겹쳐 있기 때문이다.

  1. 개인적 인센티브: 논문 3배, 인용 5배, 승진 1.37년 빠름. AI 채택을 거부하는 합리적 이유가 개인 차원에선 없다.
  2. 정책적 가속: 연구비 정책은 AI for Science 지원을 늘리는 방향으로 움직인다.

두 힘이 합쳐지면 데이터 빈약한 프런티어는 더 비워진다. 저자들은 마지막 문단에서 처방을 제시한다 — AI의 인지적 능력 확장에서 감각적·실험적 능력 확장으로 방향을 전환해야 한다는 것이다. 기존 데이터를 더 잘 분석하는 AI가 아니라, 지금까지 접근 불가능했던 새로운 종류의 데이터를 수집하고 관측할 수 있게 해 주는 AI. 과학사의 큰 발견들이 새 도구로 자연을 새로 본 데서 왔다는 점을 떠올리면 자연스러운 결론이다.

가장 흥미로운 지점

내가 가장 오래 멈춰 선 부분은 메커니즘이 결핍이 아니라 효율에서 온다는 점이다. AI 연구의 인용 가족이 더 넓다는 발견 — 즉 AI 논문 한 편은 다양한 후속을 낳는 능력이 충분하다. 그런데도 전체 다양성이 좁아지는 이유는, 그 후속들이 서로의 존재를 모르기 때문이다.

AI가 자동화하는 일들 — 문헌 검색, 데이터 정리, 가설 후보 생성 — 은 원래는 옆 연구실의 동료와 대화하면서 하던 일이다. 그 대화에서 우연한 충돌이 새 발견을 낳았다. NPR 인터뷰에서 James Evans가 짚은 대목도 같다. AI가 동료 대화를 대체할 수 있게 되면서, 과학자들이 그 대화를 덜 하게 된다. 22% 감소는 인지적 도구의 부수효과가 아니라, 과학이라는 사회 시스템 자체의 구조 변화 신호다.

거꾸로 말하면, AI 시대에 과학의 다양성을 지키려면 “AI를 덜 쓰자"가 아니라 “AI를 쓰는 사람들 사이의 우연한 충돌을 어떻게 다시 설계할 것인가"가 진짜 질문이다. 학회 구조, 협업 인센티브, 평가 시스템, 도구 자체의 UX — 모두 다시 봐야 할 자리에 놓여 있다.

같은 시기 Nature에 실린 동반 논문은 이 흐름이 과학자 훈련과 판단력 자체를 약화시킬 위험을 추가로 경고했다. 개인 가속과 집단 수축의 역설은, 더 깊은 곳에서는 과학자가 무엇을 배워서 무엇을 묻는 사람으로 자라느냐의 문제로 이어진다.

출처