AI 교육의 질문을 바꾸자 — 도구가 무엇을 할 수 있는가에서, 학습자에게 무엇이 필요한가로

AI 교육 담론은 대부분 기술이 무엇을 할 수 있는지에 쏠려 있다. 얼마나 빨리 콘텐츠를 만들고, 얼마나 정교하게 개별 학습을 맞추며, 얼마나 빠르게 데이터를 분석하는가. 그러나 학습자가 비판적 사고와 분석 능력을 기르기 위해 실제로 무엇이 필요한지, 그 과정에서 사람 사이의 관계는 어떤 역할을 하는지에 대한 질문은 상대적으로 조용하다. Hechinger Report에 실린 K-12 교육자 Joy Delizo-Osborne의 글은 이 비대칭을 정면으로 짚는다. AI 도입 자체에 반대하는 글이 아니라, 도입의 속도와 방향을 결정하는 질문 자체를 바꾸자는 제안이다. 한국에서도 AI 기반 학습 도구가 빠르게 확산되는 만큼, 한 번쯤 멈춰서 들여다볼 만한 관점이다.

잘못된 질문에 빠진 AI 교육 담론

Delizo-Osborne은 단호하게 말한다. 지금 우리는 AI와 교육에 대해 잘못된 질문을 하고 있다고. 대화의 중심은 기술이 무엇을 할 수 있는가에 가 있다. 콘텐츠 생성 속도, 개인화된 연습 제공, 데이터 분석 능력 같은 항목들이다. 그러나 학습자가 K-12 학업 경험에서 비판적 사고와 분석 능력을 키우기 위해 무엇이 필요한지, 그리고 그 과정에서 인간관계가 어떤 역할을 하는지에 대해서는 훨씬 적은 관심이 쏠린다.

이 비대칭은 사소한 강조점의 차이가 아니다. 어떤 질문을 우선에 두느냐에 따라 도구 선택의 기준이 달라지고, 예산이 어디로 흐르는지가 달라지며, 결국 교실의 모양이 바뀐다. 기술이 할 수 있는 것을 기준으로 삼으면 가능한 모든 자동화를 도입하게 된다. 반대로 학습자에게 필요한 것을 기준으로 삼으면, 같은 기술이라도 교실에 들어오는 방식과 빈도가 달라진다. 한국에서도 새로운 AI 학습 도구가 등장할 때마다 "이런 것도 된다"는 기능 위주의 소개가 먼저 나오는 경우가 많다. 정작 학습자가 어떤 사고 습관을 길러야 하는지, 그것이 이 도구로 가능한지에 대한 검증은 그 뒤에 따라붙는다. 순서를 거꾸로 세워볼 필요가 있다.

학습은 정보 접근의 문제가 아니다

저자는 자신의 딸 이야기를 짧게 꺼낸다. 그의 딸은 선택적 함구증이 있어 학교 환경에서 어른들에게 자신의 목소리를 안정적으로 내기 어렵다. 그런데도 매일 교사들은 아날로그적인 방식으로 — 인내심, 일관성, 도전 과제, 돌봄을 통해 — 아이가 시도하고, 위험을 감수하고, 성장할 수 있는 조건을 만들어낸다. 이 경험은 그에게 한 가지를 분명히 해주었다. 학습은 단지 정보 접근이나 효율의 문제가 아니라, 신뢰와 반응성, 위험 감수, 그리고 학생을 있는 그대로 만나는 어른의 꾸준한 존재를 통해 만들어진다는 사실이다.

이 통찰은 특수한 사례에서 출발하지만, 결론은 보편적이다. 모든 학습자는 — 정도와 형태는 달라도 — 안전하다고 느낄 때 비로소 시도하고, 시도 안에서 성장한다. AI가 24시간 답을 제공하고 개별 진단을 내려준다 해도, "이 어른은 내가 틀려도 괜찮다고 여긴다"는 감각을 대신 만들어주지는 못한다. 효율의 언어로는 측정되지 않는 이 층위가 학습의 토대를 이룬다. 도구 도입을 결정할 때 이 토대를 흔드는 방식인지, 보강하는 방식인지가 핵심 질문이 된다.

개인화의 그림자 — 사라지는 협업과 토론

저자는 AI가 가져올 개선 가능성을 부정하지 않는다. 교사의 학생 과제 분석을 효율화하는 도구, 실시간 다국어 지원 플랫폼, 수업 계획에 몇 시간을 들이지 않고도 맞춤형 연습을 제공하는 적응형 시스템 — 모두 현실적인 가치다. 데이터 해석이 쉬워지고, 행정 업무가 줄며, 학생이 더 많은 맞춤 피드백을 받을 수 있는 환경도 충분히 상상 가능하다.

그러나 그는 동시에 경고한다. 개인화 학습 플랫폼의 약속을 빠르게 따라가다 보면, 정작 학습의 가장 중요한 부분을 놓치고 있는 순간이 이미 생기고 있다고. 가령 모든 학생이 AI 챗봇의 지원을 받으며 각자 독립적으로 학습하는 교실은, 협업·토론·소통 같은 핵심 역량을 기를 기회가 비어 있을 수 있다. 답을 빨리 찾는 능력은 길러져도, 다른 사람의 의견과 부딪치며 자기 생각을 다듬는 경험은 줄어든다. 한국에서도 학습 앱과 개별 진도 관리가 정교해지는 만큼, 같은 공간에 있어도 서로의 사고에 닿지 않는 풍경이 늘어날 수 있다. 개인화는 분명한 이점이 있지만, 그것이 "각자 따로"의 다른 이름이 되지 않도록 설계가 필요하다.

정답이 아니라 개념적 이해

저자가 가장 분명하게 정리한 부분이 여기다. 학업 발달은 단순히 정답을 찾는 일을 넘어선다. 사실 확인과 절차적 유창성은 학습자의 장기적 성공에 분명히 중요하다. 그러나 그만큼 중요한 것이 개념적 이해이고, 개념적 이해는 다양한 의견과 부딪치고, 틀린 답을 마주하고, 생산적인 인지적 분투를 거치는 과정에서만 길러진다.

이 지점이 AI 도구가 가장 쉽게 무너뜨릴 수 있는 영역이다. 잘 설계된 AI는 학습자가 막혔을 때 적절한 힌트와 즉각적인 정답 경로를 제공한다. 효율 면에서는 이상적이지만, 학습자가 스스로 막힘을 견디고 그 안에서 개념을 재구성할 시간은 짧아진다. 빨리 답에 닿는 경험이 반복되면, 모호함을 견디는 근육은 자라지 않는다. 학습 데이터가 보여주는 성취도 곡선은 매끄럽게 올라가지만, 곡선 뒤에 어떤 사고 과정이 있었는지는 기록되지 않는다. 도구를 평가할 때 "학습자가 충분히 헤맬 여지를 남기는가"라는 항목을 넣어야 하는 이유다.

테크노프래그머틱 — 속도가 아니라 정렬

저자는 자신의 접근을 "테크노프래그머틱(technopragmatic)"이라 부른다. 무엇이 작동하는지를 강조하는 입장이다. 그는 속도를 늦추자고 말하지 않는다. 이런 기술적 진보가 더 나은 교육 성과와 오랜 형평성 격차 해소에 큰 가능성을 가지고 있다는 점을 인정한다. 다만 질문을 계속 던지자는 것이다. 단지 생성할 수 있다는 이유만으로 AI 기반 "해결책"을 도입해서는 안 된다. 우리가 새로운 기술로 아이들과 우리 공동의 미래를 위해 무엇을 하길 원하는지를 먼저 고려해야 한다.

이 관점의 핵심 질문은 단순하다. "이 기술이 우리의 목표와 정렬되어 있는가?" 도구의 성능표가 아니라, 우리가 학습자에게 길러주고 싶은 능력과 그 도구가 같은 방향을 보고 있는지를 묻는 것이다. 한국의 AI 교육 도입 논의에서도 같은 질문을 적용해볼 수 있다. 특정 플랫폼이 어떤 기능을 제공하는가보다, 그 기능이 우리가 키우려는 사고 습관과 같은 방향인지가 먼저다. 정렬되지 않은 효율은, 빠른 속도로 다른 목적지에 도착하는 일이 될 수 있다.

도입 전에 바꿔야 할 한 가지 질문

이 글에서 가져갈 수 있는 가장 실용적인 변화는 의외로 단순하다. 새로운 AI 학습 도구를 만났을 때 먼저 묻는 질문을 바꾸는 것이다. "이게 뭘 할 수 있지?"가 아니라 "학습자에게 필요한 것 중 어디에 닿는가, 그리고 무엇을 대체하는가?"로. 같은 도구라도 이 질문을 거치면 도입 여부와 방식이 달라진다. 어떤 도구는 교사가 학생을 더 잘 만나도록 시간을 벌어준다. 어떤 도구는 그 만남 자체를 줄인다. 겉으로는 비슷해 보여도, 결과는 정반대일 수 있다.

저자가 마지막으로 남긴 질문은 열려 있다. 5년 뒤 이상적인 교실은 어떤 모습일까. 훌륭한 교실의 구성 요소는 이 새로운 기술 시대에 어떻게 변할까. 그리고 가장 큰 영향을 받을 최종 사용자 — 학습자 자신 — 의 목소리가 그 결정에 어떻게 반영되도록 할까. 정답은 없다. 그러나 도구가 가능하게 만든 모든 것을 자동으로 받아들이는 대신, 매번 "이게 우리의 목표와 같은 방향인가"를 다시 묻는 습관 — 그 작은 멈춤이, AI를 도입하는 속도만큼이나 중요한 능력이 될 것이다.