AI를 도구로 쓸 것인가, 학습 경험으로 재설계할 것인가

맥킨지가 발표한 'Where AI will create value—and where it won't' 보고서는 한 문장으로 요약된다. AI를 단순한 생산성 보조 도구로 쓰는 것만으로는 지속 가능한 경쟁 우위를 만들 수 없다는 것. 보고서는 칸 아카데미의 Khanmigo 사례를 들어, AI가 핵심 서비스와 비즈니스 모델 자체에 녹아들 때 비로소 의미 있는 가치가 발생한다고 설명한다. 한국의 영어학원, 수능 대비 학원, 그리고 EBS·인강 시장도 정확히 같은 분기점에 서 있다. AI 첨삭 기능을 붙였다고 해서 학원의 본질이 바뀌는 것은 아니다. 문제는 AI를 어디에, 어떻게, 어느 깊이로 끼워 넣느냐다.

생산성 도구로서의 AI는 이미 평준화되고 있다

AI 첨삭, AI 문제 생성, AI 단어 퀴즈는 더 이상 차별화 요소가 아니다. 학원가에서 'AI 도입'이라고 홍보하는 대다수 서비스는 사실상 외부 API를 호출해 학생의 영작문에 빨간 줄을 긋거나, 수능 기출 변형 문제를 자동으로 만들어내는 수준에 머물러 있다. 맥킨지가 지적하는 지점이 바로 여기다. 누구나 같은 모델, 같은 프롬프트, 같은 인터페이스를 쓸 수 있다면 그것은 우위가 아니라 기본값이다. 영어학원의 강사가 한 시간에 채점할 수 있는 영작문 분량이 두 배로 늘었다고 해서, 그 학원의 학습 결과가 두 배로 좋아지는 것은 아니다. 생산성은 비용을 낮추지만, 비용 절감은 곧 가격 경쟁으로 이어지고, 가격 경쟁은 학원의 마진을 갉아먹는다. 내신 대비 보충 자료를 AI로 빠르게 만들 수 있게 되면 옆 학원도 똑같이 만든다. 결국 도구의 도입은 진입 장벽이 아니라 진입 조건이 된다. 학부모가 학원을 고를 때 'AI 첨삭이 된다'는 문구는 이미 변별력을 잃고 있고, 'AI를 통해 우리 아이의 무엇이 어떻게 달라지는가'라는 질문이 그 자리를 대체하고 있다.

Khanmigo가 보여준 핵심—서비스 자체의 재설계

맥킨지가 Khanmigo를 사례로 든 이유는 단순하다. 칸 아카데미는 AI를 기존 강의 영상에 부가 기능으로 얹은 것이 아니라, 학습자와 대화하며 사고를 유도하는 튜터링 경험 자체로 재구성했다. 정답을 바로 알려주는 대신 질문을 되돌려주고, 학생이 막힌 지점을 짚어내며, 그 학생만의 학습 흐름을 따라간다. 한국 학원이 참고해야 할 지점은 'Khanmigo와 같은 챗봇을 만들자'가 아니라 '서비스의 핵심 경험을 AI 위에서 다시 설계할 수 있는가'라는 질문이다. 영어학원의 핵심 경험은 무엇인가. 단어 외우기와 문법 강의가 핵심이라면, 그 부분은 이미 EBS와 무료 인강이 충분히 대체하고 있다. 학원이 차별점을 만들 수 있는 영역은 학생 한 명 한 명의 약점을 추적하고, 그 약점을 메우는 경로를 설계하고, 그 과정에서 발생하는 막힘을 즉시 풀어주는 일이다. 이것은 강사 한 명이 30명을 동시에 가르치는 구조에서는 물리적으로 불가능했다. AI는 바로 이 불가능을 가능으로 바꾸는 자리에 들어가야 한다. 첨삭 속도를 높이는 게 아니라, 학생별 학습 경로를 매일 다시 그리는 일에 쓰여야 한다.

한국 영어 교육의 구조적 빈틈—진단과 피드백 루프

한국 영어 교육의 오랜 약점은 진단의 부재다. 중학교 내신에서 80점을 받은 학생과 70점을 받은 학생이 어디에서 무엇을 모르는지, 학원도 학교도 정확히 짚어내지 못하는 경우가 많다. 점수는 결과지일 뿐 진단지가 아니기 때문이다. 수능 영어도 마찬가지다. 등급은 나오지만, 그 학생이 어법 문제에서 약한 것인지, 빈칸 추론의 논리 흐름을 못 따라가는 것인지, 어휘량의 절대 부족인지, 지문의 주제 추상화 능력의 문제인지는 흐릿하게 남는다. 강사의 경험과 직관에 기댄 진단은 정교하지만 확장이 어렵다. 한 강사가 깊이 있게 진단할 수 있는 학생 수에는 한계가 있고, 그 진단의 결과가 다음 수업의 교재 선택과 문제 배치로 이어지기까지의 시차도 길다. AI가 들어가야 할 자리가 바로 여기다. 학생이 푼 모든 문제, 작성한 모든 문장, 발음한 모든 음성을 누적해 패턴을 추출하고, 다음 학습 단위에서 해당 약점을 집중적으로 다루는 콘텐츠를 자동으로 배치하는 구조. 첨삭은 이 구조의 한 부품일 뿐이다. 핵심은 진단—처방—피드백—재진단으로 이어지는 닫힌 루프다.

학습 경로 설계—개별화의 진짜 의미

'개별화 학습'이라는 단어는 학원 광고에서 닳도록 쓰여 왔다. 그러나 실제로 한국 학원에서 개별화는 대부분 레벨 테스트 한 번으로 반을 나누는 수준에 그친다. 같은 반 안에서는 다시 일률적인 진도가 흘러간다. AI를 학습 경로에 녹인다는 것은 이 일률성을 매일 단위로 깨는 것이다. 어제 어법 문제에서 가정법 도치를 놓친 학생에게는 오늘 그 패턴이 들어간 지문이 우선 배치되고, 어휘 약점이 누적된 학생에게는 그 어휘가 반복 노출되는 별도의 경로가 만들어진다. 같은 학원, 같은 강사, 같은 시간표 안에서도 학생마다 다른 문제 묶음과 다른 피드백을 받는 구조다. 이것이 가능해지면 학원의 가치 제안 자체가 달라진다. '좋은 강사가 있는 곳'에서 '내 아이의 약점을 가장 정확하게 추적하고 메워주는 곳'으로 이동한다. 자기주도학습 시장도 마찬가지다. 인강과 문제집을 단순히 전달하는 플랫폼은 가격 경쟁에 몰리지만, 학습자의 데이터를 기반으로 매일의 학습 메뉴를 다시 짜주는 플랫폼은 다른 가치를 만든다.

피드백 루프가 쌓이면 데이터가 해자가 된다

맥킨지 보고서가 암시하는 또 하나의 지점은 데이터의 누적이다. AI 모델 자체는 외부에서 가져올 수 있다. GPT 계열이든 Claude 계열이든, 학원이 자체 모델을 만들 필요는 없다. 그러나 그 모델 위에 무엇이 쌓이느냐는 학원마다 다르다. 수년간 누적된 학생들의 풀이 패턴, 오답 유형, 진도별 성취도, 영작문의 한국어식 오류 패턴—이런 데이터는 외부에서 복제할 수 없다. 그리고 이 데이터가 쌓일수록 진단의 정확도와 처방의 적중률이 올라간다. 옆 학원이 같은 AI API를 쓰더라도, 데이터의 깊이가 다르면 결과가 다르다. 이것이 맥킨지가 말하는 '비즈니스 모델에 녹인 AI'의 의미에 가깝다. 도구를 쓰는 것이 아니라, 도구를 통해 자기 조직만의 자산을 만드는 것. 한국 학원 시장에서 이 지점을 먼저 인식하고 데이터 설계부터 시작하는 곳과, AI 첨삭 배너만 붙이는 곳의 격차는 3년, 5년 뒤에 매우 다른 모습으로 드러날 가능성이 크다.

강사의 역할은 사라지지 않고 위로 이동한다

AI가 진단하고 경로를 짜고 피드백을 준다면 강사는 무엇을 하는가. 이 질문 앞에서 많은 학원장이 망설인다. 그러나 답은 비교적 명확하다. 강사의 역할은 사라지지 않고 위로 이동한다. 반복적인 채점, 단순 어휘 설명, 정형화된 문법 강의는 AI가 더 일관되게 처리한다. 강사는 그 위에서 학생의 학습 동기를 관리하고, AI가 잡아내지 못하는 사고의 비약을 짚어주고, 진로와 연결된 학습 전략을 함께 설계하는 자리로 옮겨간다. 수능 영어에서 1등급을 노리는 학생과 3등급에서 2등급으로 올라가려는 학생에게 필요한 코칭은 다르다. 내신 시험 직전의 학생과 학기 초의 학생에게 필요한 멘탈 관리도 다르다. 이런 맥락 판단은 여전히 사람의 영역이다. 다만 강사가 그 자리에 집중하려면 그 아래 단계의 일을 AI에게 안전하게 맡길 수 있는 시스템이 먼저 갖춰져야 한다. 도구로서의 AI를 넘어 경험으로서의 AI를 설계해야 한다는 맥킨지의 지적은, 한국 학원 현장에서는 결국 강사의 시간을 어디에 쓰게 할 것인가의 문제로 번역된다.

지금 학원이 던져야 할 세 가지 질문

맥킨지의 보고서를 한국 영어학원과 자기주도학습 시장의 언어로 옮기면 세 가지 질문이 남는다. 첫째, 우리 학원의 AI는 강사의 시간을 줄이는 데 쓰이고 있는가, 학생의 학습 경험을 다시 짜는 데 쓰이고 있는가. 둘째, 우리 학원에는 학생의 학습 데이터가 어떤 구조로 쌓이고 있으며, 그 데이터가 다음 수업의 설계로 되돌아오는 루프가 작동하는가. 셋째, AI가 처리하는 영역과 강사가 책임지는 영역의 경계가 명확하게 정의되어 있는가. 이 세 질문에 자신 있게 답할 수 있는 학원은 많지 않다. 그러나 답을 만들기 시작한 곳과 그렇지 않은 곳의 차이는 점점 벌어질 것이다. AI 첨삭이 된다는 한 줄의 광고 문구가 변별력을 잃은 자리에서, 진짜 차별점은 보이지 않는 학습 경로의 설계 안에 숨어 있다. 맥킨지가 말한 '가치를 만드는 AI'는 결국 그 보이지 않는 곳에서 작동한다.