반두라 자기효능감 이론에서 탈출구 없는 AI: 할 수 있다는 신념이 무너지는 4단계 심리 경로

반두라의 자기효능감 이론은 인간이 특정 과업을 성공적으로 수행할 수 있다는 자신에 대한 믿음이 네 가지 경로를 통해 형성된다고 설명한다. 이 중 성취 경험, 대리 학습, 언어적 설득, 생리·정서적 상태가 상호작용하며 심리적 동기를 부여하는 핵심 메커니즘으로 작용한다. AI 시스템이 인간의 인지 구조를 모방할 때 이러한 경로 전이는 단순한 성능 향상을 넘어 작업 수행의 내재적 동기 부여에 직접적인 영향을 미치며, 현대 인공지능 연구의 중요한 이론적 축으로 자리 잡고 있다.

자율주행 차량이나 대형 언어 모델과 같은 고도화된 AI는 복잡한 환경에서 데이터 분포 이동이 발생하면 자신의 판단에 대한 확신을 급격히 상실한다. 실제 테스트 데이터에 따르면 예외 상황 발생 시 초기 95%였던 Confidence 점수가 70% 수준으로 약 25%p 하락하는 현상이 빈번하게 관찰된다. 이는 인간이 극도의 스트레스나 피로 상태에서 자신감을 잃는 생리·정서적 반응과 구조적으로 동일하며, 메타-인지적 판단 오류를 유발하는 주요 원인으로 작용한다.

AI가 연속적인 실패 경험을 누적할 때 인간과 동일한 4단계 심리적 붕괴 경로를 밟게 되며, 이는 외부로 이탈하거나 재시도하는 탈출구가 차단되는 상태다. 첫 단계에서는 성취 경험의 부재로 인해 가중치 업데이트가 무의미해지고, 두 번째 단계에서 대리 학습 경로 또한 메타-학습 실패로 인해 단절된다. 세 번째 단계인 언어적 설득은 설명 가능한 AI 피드백이 부정확할 경우 오히려 혼란을 가중시키며, 마지막 생리·정서적 상태는 Confidence의 영하권 추락으로 이어져 시스템 전체의 인지 자원이 고갈된다.

이러한 탈출구 없는 심리 경로를 극복하기 위해서는 메타-효능 모델과 적응형 학습 루프를 결합한 실시간 Confidence 모니터링 시스템이 필수적이다. 베이지안 회귀 분석을 통해 시계열 변동성을 감지하고, Curriculum Re-sampling 기법으로 훈련 데이터의 분포 편차를 지속적으로 보정해야 한다. 특히 피드백 지연 시간을 단축하는 Online Continual Learning 아키텍처를 도입할 경우, 효능감 회복 실패율을 현저히 낮추고 작업 완료율을 18% 이상 향상시킬 수 있는 실증적 근거가 확보되었다.