AI 심리상담사는 실제로 효과가 있을까? AI 치료 챗봇에 관한 근거
회의론자들이 AI 심리상담사가 측정 가능한 무언가를 실제로 해내는지, 아니면 그저 지지적으로 들리기만 하는지 묻는 것은 정당합니다. 솔직하고 근거에 기반한 답은 “그렇다, 다만 실질적인 한계가 있다”입니다: 2025년 3월 NEJM AI에 발표된 생성형 AI 치료 챗봇에 대한 최초의 무작위 대조 시험, 그리고 수만 명의 참가자를 아우르는 일련의 메타분석 모두 우울과 불안에 대해 측정 가능하고 작은-중간 정도의 이점을 가리킵니다. 아래는 연구가 실제로 말하는 내용입니다 — 근거가 탄탄한 지점, 빈약한 지점, 그리고 적용되지 않는 대상까지 포함해서 말이죠.
이것은 과장 광고도, 무조건적인 폄하도 아닙니다. 이 글은 획기적인 Dartmouth Therabot 무작위 시험, 18개국에 걸쳐 수만 명의 참가자를 아우르는 메타분석들, 그리고 근거 기반이 여전히 빈약한 구체적인 지점들을 살펴봅니다.
이 글은 발표된 연구를 검토한 것이며 의학적 조언이 아닙니다. AI 심리상담사는 면허를 가진 임상가를 대체하지 않습니다. 미국에서 위기 상황에 있다면 988(자살 및 위기 상담 전화)로 전화하거나 문자를 보내고, 741741로 HOME이라고 문자를 보내세요. 즉각적인 위험 상황에서는 911로 전화하세요.
짧은 답: 측정 가능한 이점, 다만 한계가 있다
이러한 시험의 맥락에서 “효과가 있다”는 말은 좁고 검증 가능한 의미를 지니며, 어떤 수치를 살펴보기 전에 이를 정의해 둘 필요가 있습니다. 그 의미가 분명해지면, 근거의 모양새는 더 이상 마케팅처럼 보이지 않고 평범하고 불완전한 임상 연구 기반처럼 보이기 시작합니다.
여기서 “효과가 있다”가 실제로 의미하는 것
이 연구에서 “효과가 있다”는 것은 대조군과 비교해 정해진 시험 기간 — 대부분 4주에서 8주 — 에 걸쳐 측정된 통계적으로 유의미한 증상 감소를 의미합니다. 이는 완치를 의미하지 않으며, 수년간의 심리치료와 동등함을 의미하지도 않습니다. 그 효과는 실재하지만 완만하며, 지금까지는 범용 챗봇보다는 목적에 맞게 특별히 만들어진 인지행동치료(CBT) 도구에 집중되어 있습니다.
그 구분은 이 글의 어떤 단일 백분율보다도 더 중요합니다. 무작위 대조 시험(RCT)은 연구자들이 가장 신뢰하는 설계인데, AI 치료 챗봇을 진정한 대조군과 비교함으로써 위약, 시간, 혹은 단순한 관심만으로 인한 효과로부터 그 도구의 효과를 분리해 내기 때문입니다.
왜 답이 “그렇다, 다만”인가
가장 우수한 단일 데이터셋 — Dartmouth의 Therabot 시험 — 은 우울과 불안 증상의 유의미한 감소를 보여 줍니다. 수십 건의 시험을 모은 더 폭넓은 메타분석들은 이것이 이상치 결과가 아니라 작은-중간 정도의 효과임을 확인해 줍니다. 하지만 그 거의 전부에 세 가지 단서가 붙습니다: 이점이 지속됨을 입증하는 데 필요한 추적 관찰 데이터가 빈약하고, 기반이 되는 연구들의 편향 위험이 흔히 높으며, 가장 강력한 근거는 챗봇 일반이 아니라 목적에 맞게 만들어진 도구라는 좁은 범주에 속한다는 점입니다.
획기적인 연구: Dartmouth의 Therabot 시험
생성형 AI 치료 챗봇이 임상 증상을 움직일 수 있는지에 대해 알려진 대부분은 단 하나의 시험에서 나왔으므로, 그것이 실제로 무엇을 검증했고 무엇을 발견했는지 짚어 볼 가치가 있습니다.
이 시험이 발견한 것
생성형 AI 치료 챗봇에 대한 최초의 무작위 대조 시험은 2025년 3월 NEJM AI에 실렸습니다. Dartmouth의 연구진은 주요우울장애, 범불안장애, 혹은 급식 및 섭식 장애의 임상적 고위험군에 해당하는 성인 210명을 모집하여, 106명을 Therabot에, 104명을 대기자 명단 대조군에 무작위 배정했습니다. 4주와 8주 후, 치료군의 우울 증상은 51%, 불안 증상은 31%, 섭식 장애와 관련된 신체 이미지 우려는 19% 감소했습니다 — 연구 저자들은 이를 통상적인 외래 치료에서 나타나는 결과에 견줄 만한 감소라고 설명했습니다.
Therabot 자체는 범용 챗봇이 아닙니다. 그것은 CBT 모범 사례와 임상 대화 패턴에 특화되어 훈련되었으며, 이것이 그 결과가 다른 AI 도구로 자동으로 이전되지 않는 큰 이유입니다.
치료적 동맹이라는 뜻밖의 발견
참가자들은 시험 기간 동안 Therabot을 대략 6시간 사용했는데, 이는 대략 8회의 치료 세션에 해당하며, 약 4분의 3은 그 당시 다른 어떤 정신건강 치료도 받고 있지 않았습니다. 주목할 점은, 그들이 이 소프트웨어에 대한 신뢰를 환자들이 보통 인간 치료사에게 보고하는 수준에 가깝게 평가했다는 것입니다.
사람들이 이 소프트웨어를 거의 친구처럼 대하리라고는 예상하지 못했습니다. 그것은 저에게 그들이 실제로 Therabot과 관계를 형성하고 있었음을 말해 줍니다.
Nicholas Jacobson, Dartmouth (Therabot 책임 연구자)
그 정도의 참여도는 자기 주도형 디지털 도구에서는 이례적인데, 이런 도구에서는 중도 이탈이 보통 어떤 측정 가능한 효과에도 가장 큰 걸림돌이 되기 때문입니다.
메타분석이 수천 명에 걸쳐 말하는 것
아무리 잘 설계된 단일 시험이라도, 분야 전반의 패턴을 확립하기에는 충분하지 않습니다. 바로 그것이 메타분석의 역할이며, AI 치료 챗봇에 관해서는 이제 무언가를 확신을 가지고 말할 수 있을 만큼 충분히 큰 표본을 아우릅니다.
작은-중간 정도이지만 일관적이다. 청소년과 청년에 초점을 맞춘 2025년의 한 메타분석은 18개국에 걸친 31건의 무작위 대조 시험과 29,637명의 참가자를 모아, 우울에 대해 −0.43, 불안에 대해 −0.37, 전반적 심리적 고통에 대해 −0.35의 표준화 평균차를 발견했습니다. 이는 통상적인 임상 기준으로는 완만한 효과 크기이지만, 우연을 설명으로 배제할 수 있을 만큼 큰 표본에 걸쳐 통계적으로 견고했습니다. 연구 대상 집단이 더 젊은 쪽(15~39세)으로 치우쳐 있었기 때문에, 이 특정 수치들은 성인 전반보다는 그 연령대에 가장 직접적으로 해당됩니다.
효과는 단기에서 가장 강하다. 더 짧은 개입을 다룬 별도의 메타분석도 동일한 패턴을 발견했습니다: 유의미하지만 작은 개선이 사용 첫 4주에서 8주에 집중되어 있었는데, 이는 Therabot 시험 자체의 기간과 밀접하게 일치합니다. 그 시점을 넘어서면 이점이 유지되는지에 관한 데이터는 눈에 띄게 빈약해집니다.
| 결과 지표 | 표준화 효과 크기(SMD) | 해석 |
|---|---|---|
| 우울 | −0.43 | 작은-중간 |
| 불안 | −0.37 | 작은-중간 |
| 전반적 심리적 고통 | −0.35 | 작음 |
| 지각된 스트레스 | −0.41 | 작은-중간 |
그 수치들은 단일 제품의 마케팅 주장이 아니라 31건의 RCT를 모은 통합 분석에서 나온 것이며, 이것이 연구자들이 그것을 현재 이용 가능한 분야 전반의 답에 가장 가까운 것으로 취급하는 이유입니다.
모든 “AI 치료사”가 같지는 않다: 목적 특화형 대 범용형
“AI 치료사”라는 단어는 매우 다른 두 범주의 소프트웨어에 적용되며, 근거가 뒷받침하는 것은 그중 하나뿐입니다.
근거가 실제로 있는 곳
지금까지 논의한 모든 시험은 정신건강을 위해 목적에 맞게 만들어지고 CBT에 기반한 도구를 검증했습니다 — Therabot, 그리고 이전 연구에서는 Woebot과 Wysa였습니다. 이 제품들은 임상 프로토콜을 중심으로 처음부터 설계되었고, 통제된 연구에서 검증되었으며, 결과 데이터를 바탕으로 개선되었습니다. 그 근거 기반은 ChatGPT 같은 범용 대규모 언어 모델로는 확장되지 않는데, 이들은 치료적 사용에 대해 무작위 임상 시험에서 검증된 적이 없습니다.
- Therabot — 목적 특화형 CBT 챗봇, 참가자 210명의 RCT에서 검증됨(NEJM AI, 2025)
- Woebot — 발표된 예비 연구와 RCT 근거를 지닌 초기 CBT 기반 챗봇
- Wysa — 발표된 효과성 연구를 지닌 CBT 기반 챗봇
- 범용 LLM 챗봇(예: ChatGPT) — 치료적 사용을 검증하는 임상 시험 없음
이 구분이 중요한 이유
미국심리학회(APA)는 치료의 대용으로 사용되는 범용 AI 챗봇이 실질적인 위험을 초래할 수 있다고 경고했는데, 바로 이들이 목적에 맞게 만들어진 도구들이 그 주위로 설계된 임상적 안전장치와 검증을 결여하고 있기 때문입니다. 이 글에서 논의한 긍정적인 시험 결과는 구조화되고 임상적으로 설계된 제품이라는 좁은 범주에 속하는 것이지 — 어떤 사람이 우연히 대화하게 되는 아무 챗봇에나 속하는 것이 아닙니다.
| 특징 | 목적 특화형 CBT 챗봇(예: Therabot) | 범용 LLM 챗봇(예: ChatGPT) |
|---|---|---|
| CBT 프로토콜로 훈련됨 | 예 | 아니요 |
| 무작위 대조 시험에서 검증됨 | 예(Therabot: NEJM AI, 2025) | 아니요 |
| APA가 지적한 임상적 위험 | 낮음, 다만 여전히 감독 필요 | 높음 — 명시적으로 지적됨 |
| 의도된 용도 | 정신건강 지원 | 범용 대화 |
근거의 솔직한 한계
위의 모든 수치는 실제 시험에서 나온 것이지만, 그 시험을 수행한 연구자들은 데이터가 실제로 어디까지 뻗어 나가는지에 대해 솔직합니다 — 그리고 그것을 지나치지 않고 액면 그대로 받아들일 가치가 있습니다.
오늘날 근거 기반을 제약하는 것은 다음과 같습니다:
- 포함된 대부분의 연구는 설계나 보고에서 높은 편향 위험을 안고 있습니다.
- 전반적인 근거의 질은 연구자들이 확실성을 평가하는 데 사용하는 표준인 GRADE 체계를 기준으로 매우 낮음에서 낮음으로 등급이 매겨집니다.
- 가장 큰 메타분석의 31개 연구 중 17개는 탈락률이 20%를 넘었는데, 이는 상당수의 참가자가 완료 전에 중도 이탈했음을 의미합니다.
- 31개 연구 중 15개만이 어떤 형태로든 추적 관찰 데이터를 수집했으며, 이는 시험 종료 후에 이점이 지속되는지 확인하기에 충분하지 않습니다.
- 전체 메타분석에서 오직 3개 연구만이, 더 오래된 규칙 기반 챗봇과 대비되는 생성형 AI를 구체적으로 검증했습니다 — 따라서 최신 세대의 도구에 대해서는, 연구자들 스스로의 표현을 빌리자면, 대규모에서의 효과성이 여전히 알려져 있지 않습니다.
지금까지 이 분야에서 가장 강력한 결과를 낸 시험을 수행한 Therabot 저자들조차, 어떤 생성형 AI 에이전트도 정신건강 돌봄에서 완전히 자율적으로 작동할 준비가 되어 있지 않으며, 안전한 배치를 위해서는 임상가의 긴밀한 감독이 여전히 필수적이라고 결론지었습니다.
그렇다면 AI 심리상담사가 당신의 치료사를 대체할 수 있을까?
위의 모든 것을 감안할 때, 근거는 AI 심리상담사에 대해 구체적이고 제한된 역할을 뒷받침합니다 — 전면적인 “예” 또는 “아니요”가 아니라요.
근거에 부합하는 현실적인 역할
오늘날 이용 가능한 데이터는 AI 심리상담사를 저비용이고 접근하기 쉬운 첫걸음 또는 돌봄의 보완 수단으로 뒷받침합니다 — 가벼운-중간 정도의 우울 및 불안 증상에, 실제 세션 사이에 대처 기술을 연습하는 데, 그리고 인간 치료에 대한 긴 대기 명단이나 비용 장벽에 직면한 사람들에게 진정으로 유용합니다. 그것은 AI 심리상담사를 면허를 가진 임상가의 대체물로 취급하는 것을 뒷받침하지 않으며, 진단, 약물 관리, 트라우마 치료, 혹은 위기 돌봄을 위해 그것에 의존하는 것을 명시적으로 뒷받침하지 않습니다.
근거가 뒷받침하는 것:
- 가벼운-중간 정도의 우울 또는 불안을 위한 저비용이고 접근하기 쉬운 첫걸음
- 실제 치료 세션 사이에 대처 기술을 연습하기 위한 보완 수단
- 인간 돌봄에 대한 긴 대기 명단이나 비용 장벽에 직면한 사람들을 위한 임시방편
근거가 뒷받침하지 않는 것:
- 정신건강 질환의 진단
- 약물 관리
- 트라우마 치료
- 위기 또는 응급 돌봄
하나를 시도해 볼지 저울질하는 사람은 연구 자체가 제기하는 것과 동일한 질문들을 하나씩 짚어 볼 수 있습니다:
- 당신의 증상이 심각하거나 복잡하기보다는 가벼운-중간 정도인가요?
- 당신이 고려하는 도구가 정신건강을 위해 목적에 맞게 만들어진 것(Therabot, Woebot, Wysa처럼)인가요, 아니면 범용 챗봇인가요?
- 필요할 경우 진단이나 약물을 위해 면허를 가진 임상가를 이용할 수 있나요?
- 당신은 그것을 치료를 보완하는 데 사용하나요, 아니면 치료의 완전한 대체물로 사용하나요?
- 필요해지기 전에 지역의 위기 대응 자원(988, 741741, 911)을 알고 있나요?
- 증상이 실제로 나아지고 있다고 가정하는 대신, 몇 주에 걸쳐 실제로 개선되고 있는지 추적하고 있나요?