교사 수업을 비평하는 AI 코치, 신뢰를 가른 건 ‘누가 보느냐’였다

시애틀 인근 페닌슐라 교육구는 학생 250명 이하의 작은 학교 교사들이 큰 학교 교사들과 같은 수업 코칭을 받지 못하는 격차를 메우려 했다. 해법은 사람 코치를 더 뽑는 것이 아니라, 교사가 올린 수업 영상을 분석해 피드백을 주는 AI 도구였다. LessonLens라 이름 붙은 이 도구의 무게중심은 기능보다 설계 철학이다. 평가도 감시도 아닌, 교사 본인만 들여다보는 비공개 거울로 만들어졌다는 점이다.

작은 학교가 받지 못한 코칭

James Cantonwine은 9,000명 규모 페닌슐라 교육구의 연구·평가 책임자다. Cantonwine이 오래 마음에 걸려 한 것은 학생 250명 이하의 작은 학교들이었다. 큰 캠퍼스 교사들은 개별 수업 코칭을 받지만 작은 학교 교사들에게는 그런 기회가 닿지 않았다. 사람을 더 배치하기 어려운 조건에서 Cantonwine은 인공지능을 차선책으로 골랐다.

출발점은 Cantonwine이 본 한 소프트웨어 시연이었다. 이 도구는 교사가 수업 중 던진 개방형 질문과 폐쇄형 질문의 수를 비교해 보여 줬다. 개방형 질문은 학생의 창의적 사고를 자극하고 폐쇄형 질문은 예, 아니오, 맞다, 틀리다 정도로 끝난다. 흥미로운 접근이었지만 Cantonwine은 거기서 멈추기 아깝다고 봤다. 꽤 멋지지만 가치를 책상 위에 많이 남겨 둔 것 같았다는 것이 Cantonwine의 평이다. 질문 개수를 세는 데서 더 나아가, AI가 수업 실천을 돌아보게 하는 자세한 피드백을 줄 수 있다고 본 것이다.

영상을 올리면 기준을 직접 고른다

LessonLens의 작동 방식은 단순하다. 교사가 자기 수업 영상을 올린 뒤 어떤 기준으로 평가받을지 스스로 고른다. 선택지에는 널리 쓰이는 수업 모범 사례 청사진들이 들어 있다. Charlotte Danielson의 Framework for Teaching, Doug Lemov의 Teach Like a Champion, 보편적 학습 설계(Universal Design for Learning), 그리고 교육구가 자체적으로 만든 수업 지침이다.

기준을 교사가 고른다는 점이 핵심이다. 외부에서 하나의 잣대를 내리꽂는 방식이 아니라, 교사가 지금 자기 수업에서 보고 싶은 면을 직접 정한다. 국가 자격 인증을 준비하던 한 교사는 인증 제출용으로 계획한 수업을 사람 심사에 앞서 LessonLens에 평가받았다. 도구가 한 번 거치는 예행 거울이 된 셈이다.

DNA 수업이 받은 피드백

한 생물 교사는 DNA를 다룬 수업 영상을 올린 뒤 교육구가 모범으로 여기는 기준에 자기 수업이 얼마나 부합하는지 물었다. LessonLens는 두 가지를 칭찬했다. 학생들의 동료 협업을 북돋운 점, 그리고 분명한 지시를 준 점이다. 동시에 한 가지를 제안했다. 학급 전체에 질문을 던지는 방식 대신, 개별 학생이 수업을 얼마나 이해했는지 따로 확인해 보라는 것이었다.

이 피드백의 결이 보통의 평가와 다르다. 점수도 등급도 아니다. 잘한 것을 짚은 뒤 다음에 시도해 볼 한 가지를 건넨다. 사람 코치라면 아무리 호의적이어도 평가받는다는 느낌을 지우기 어렵다. Cantonwine이 겨눈 지점이 정확히 거기다. Cantonwine은 AI가 사람 비평에 따라붙는 판단의 무게 없이 교사가 수업을 돌아보도록 도울 수 있다고 봤다.

일부러 보이지 않게 만든 도구

가장 설계자다운 결정은 보이지 않게 만든 것이다. 도구 사용은 전적으로 선택이고 교사 인사 평가에 쓰이지 않는다. 교육구 관리자는 몇 명이 이 도구를 썼는지는 볼 수 있지만 누가 썼는지는 알 수 없다. 도구가 준 피드백 자체도 관리자는 열람하지 못한다. 일부 교사가 플랫폼을 시험하고 다듬는 일을 돕겠다며 자발적으로 자기 피드백을 공유했을 뿐이다.

관리자에게 보이지 않게 한 것은 의도적이었다고 Cantonwine은 말한다. 중학교 과학 교사였던 Cantonwine은 자신이 코치와 겪은 경험을 떠올리며 도구를 설계했다. 어떤 수업 코치에게나 가장 큰 과제 하나는, 교사에게 내가 빅브라더가 아니라는 걸 어떻게 이해시키느냐다. 교장을 대신해 감시하러 온 사람이 아니라 동료가 더 나아지도록 돕는 사람이라는 것. AI 코칭 도구도 똑같은 일을 해내야 한다는 것이 Cantonwine의 결론이었다.

바이브 코딩으로 만든 현장 도구

Cantonwine은 이 도구를 Claude Code로 만들었다. 널리 쓰이는 AI 코딩 애플리케이션이고 경쟁 제품으로는 Codex, Cursor, Replit, Loveable 등이 꼽힌다. 코드를 한 줄씩 직접 짜기보다 AI에게 의도를 말해 만들어 내는 이 방식을 바이브 코딩이라 부른다. 덕분에 교육구는 시장에 나온 어떤 제품보다 자기 맥락에 맞고 더 싼 코칭 플랫폼을 직접 손에 쥐었다.

대가가 없는 것은 아니다. 전문가들은 바이브 코딩으로 만든 도구가 사람이 짠 것보다 더 자주 오작동하고 보안 취약점에 노출되기 쉽다고 지적한다. 컴퓨터 과학 역량이 깊은 교육구라면 이 문제를 줄인다. Cantonwine 본인은 그런 배경이 없지만 교육구 정보책임자 Kris Hagel과 코딩 경험이 더 깊은 직원들과 바짝 붙어 일했다. 현장의 필요를 아는 사람이 기획한 뒤 기술을 아는 사람이 받쳐 준 구조다.

누가 보느냐가 도구의 성격을 정한다

같은 AI 도구라도 결과물을 누가 보느냐에 따라 완전히 다른 물건이 된다. 피드백이 관리자에게 흘러가면 평가 장치가 된다. 본인만 보면 거울이다. 페닌슐라 교육구가 한 일의 핵심은 알고리즘의 정교함이 아니라, 데이터의 동선을 끊어 낸 설계 결정이다.

한국에서 수업이든 업무든 AI로 분석하는 도구를 들일 때 가장 앞서 던질 질문도 기능이 아니다. 이 도구가 내놓은 결과를 누가 볼 수 있는가, 사람을 줄 세우는 데 쓰이는가, 본인이 끄고 켤 수 있는가다. 같은 기술이 신뢰의 도구가 될지 감시의 도구가 될지는 모델 성능이 아니라 이 세 가지 답에서 갈린다. 도입을 검토하는 자리에서 성능 지표보다 이 권한 설계를 앞세워 확인하는 것, 그 한 가지가 도구의 운명을 바꾼다.