11% 향상의 실제 의미와 한국 교실

목요일 오후 4시, 학원 강사실은 늘 그렇듯 시험지 더미와 함께 조용히 돌아가고 있었다. 빨간 펜을 들고 고2 수학 오답을 훑던 강사의 시선이 잠깐 스마트폰 화면으로 향했다. 구글이 발표한 연구 결과였다. 생성형 AI 기반 맞춤형 학습 자료가 표준 디지털 교과서 대비 11퍼센트 향상을 기록했다는 헤드라인이 짧고 굵게 박혀 있었다. 강사는 시험지를 내려놓지 않은 채 잠시 그 숫자를 바라봤다. 11이라는 숫자가 자신이 가르치는 교실과 어떤 관계가 있는지, 아니면 전혀 다른 세계의 이야기인지 바로 판단이 서지 않았다. 이 글은 그 숫자가 어떤 조건에서 만들어졌는지, 그리고 그것이 한국의 내신·수능 준비 교실로 번역될 때 무엇이 남고 무엇이 사라지는지를 살펴본다.

11%가 만들어진 조건: 숫자 뒤에 있는 설계

교육 연구에서 11퍼센트 효과 크기는 작지 않다. EBS 강의와 사교육 효과를 비교한 국내 연구들이 대체로 4~6퍼센트 범위에서 유의미한 차이를 보고했다는 점을 감안하면, 11퍼센트는 연구자 입장에서 충분히 주목할 수치다. 구글의 실험은 학습자가 동일한 개념을 배울 때 고정된 순서와 고정된 난이도의 자료를 받는 통제 집단과, 실시간으로 난이도와 경로가 조정되는 AI 생성 자료를 받는 실험 집단을 비교하는 방식으로 설계되었다. 핵심 메커니즘은 두 가지였다. 첫째는 실시간 적응이다. 학습자가 문제를 풀 때마다 시스템이 반응 패턴을 읽어 다음 자료의 난이도와 유형을 즉각 조정한다. 둘째는 이미 아는 내용을 건너뛰는 기능이다. 표준 교과서는 전체 학습자를 위해 설계된 순서를 따르기 때문에, 특정 개념을 이미 습득한 학생도 같은 분량을 소화해야 한다. AI 시스템은 이 중복을 제거해 학습 밀도를 높인다.

그런데 여기서 '맞춤형 학습'이라는 말이 두 가지 다른 수준을 뜻한다는 점을 구분할 필요가 있다. 낮은 수준의 맞춤화는 난이도 선택이다. 쉬운 문제를 맞히면 더 어려운 문제를 주고, 틀리면 더 쉬운 문제를 주는 방식이다. 이것은 이미 많은 학습 앱이 구현한 기능이다. 높은 수준의 맞춤화는 실시간 인지 지도 재구성이다. 단순히 난이도를 올리고 내리는 것이 아니라, 학습자가 어느 개념 사이의 연결을 놓쳤는지, 어느 오개념이 오답의 원인인지를 추론해 학습 경로 자체를 재설계하는 것이다. 구글 연구의 11퍼센트는 주로 이 두 번째 수준에서 나온 효과였다. 이 차이를 이해하지 않으면 숫자만 빌려와서 맥락을 잃게 된다. 11퍼센트가 어떤 종류의 맞춤화에서 발생했는지를 모른 채 같은 숫자를 기대한다면, 전혀 다른 수준의 시스템에 같은 기대를 걸게 되는 오류가 생긴다.

한 교사가 동시에 볼 수 있는 학생 수의 한계

학원 고2 수학 심화반을 생각해보자. 15명이 같은 시간에 같은 문제를 풀고 있다. 강사가 순회하며 풀이 과정을 확인하는 데 한 학생당 최소 1~2분이 필요하다면, 40분 수업 안에 꼼꼼히 들여다볼 수 있는 학생 수는 5~6명이 현실적인 상한선이다. 나머지 9~10명의 풀이 과정은 결과물인 답안만으로 판단하게 된다. 맞았으면 넘어가고, 틀렸으면 오답 풀이를 듣는다. 이 구조에서는 '맞았지만 개념이 없는' 학생과 '틀렸지만 핵심은 잡고 있는' 학생이 같은 범주로 취급될 가능성이 높다.

AI 기반 시스템의 가장 실질적인 강점은 바로 이 병렬 처리 능력에 있다. 시스템은 15명의 풀이 패턴을 동시에 읽는다. 응답 시간, 수정 횟수, 오답의 유형, 같은 유형의 문제에서 반복되는 실수 패턴을 학생 개인별로 기록한다. 사람인 강사가 집중적으로 볼 수 있는 5~6명의 데이터보다, 시스템이 15명 전원에 대해 수집하는 데이터가 양적으로 압도적으로 많다. 그러나 구글 연구는 중요한 사실 하나를 함께 보고했다. AI 단독보다 AI와 교사가 결합된 환경에서 학습 향상이 더 컸다는 것이다. 이것은 역할 분리의 문제로 이해해야 한다. AI는 패턴을 포착하는 데 강하지만, 그 패턴의 원인을 해석하는 데는 여전히 교사의 판단이 개입해야 한다. 어떤 학생이 이차함수 문제에서 계속 부호를 틀린다면, AI는 그 패턴을 정확히 기록한다. 그러나 그것이 단순 실수인지, 음수 개념 자체가 흔들리는 것인지, 아니면 시험 긴장으로 인한 주의력 분산인지는 학생을 직접 보아온 교사가 더 정확하게 판단할 수 있다. 데이터 수집과 원인 해석은 다른 능력이다.

닫힌 학습 목표 앞에서 맞춤형 경로가 부서지는 지점

구글 연구가 진행된 환경과 한국 내신·수능 준비 환경 사이에는 근본적인 차이가 있다. 그것은 학습 목표의 개방성 여부다. 연구 환경에서 학습 목표는 '이 개념을 이해한다'는 열린 형태였다. 얼마나 깊이, 어떤 경로로 이해하든 결과물인 이해 수준이 기준이었다. 반면 내신 시험의 목표는 '이 선생님이 이번 시험에서 낼 이 유형의 문제를 정확히 풀어낸다'는 닫힌 형태다. 출제자의 관점, 출제 패턴, 심지어 출제자가 선호하는 풀이 방식까지 학습의 일부가 된다. AI가 아무리 정교하게 학습 경로를 최적화해도, 특정 교사의 출제 스타일을 학습 목표로 삼는 순간 그 최적화의 방향 자체가 달라진다.

수능은 다른 방식으로 닫혀 있다. 수능은 출제자가 고정되어 있지 않고 문항 유형도 해마다 조금씩 변하지만, 전략적으로 접근하는 방식이 개념적 깊이를 추구하는 방식과 충돌하는 경우가 있다. 고2 후반부터 수험생들은 개념 이해보다 문항 유형 인식과 시간 배분 전략에 집중하기 시작한다. AI 맞춤형 시스템이 개념 간 연결을 강화하는 경로를 제안한다면, 그것은 수험생 입장에서 지금 당장 필요한 전략과 방향이 어긋날 수 있다. 교육적으로 올바른 경로와 수험 전략적으로 최적인 경로가 항상 같지는 않다.

중3에서 고1 구간의 학생 심리도 변수다. 이 연령대는 자신이 모른다는 것을 드러내는 것에 대한 저항이 강하다. AI 시스템이 학습 경로를 맞춤화하려면 학습자의 현재 이해 수준을 정확히 파악해야 한다. 그런데 그 파악 과정 자체가 '내가 이걸 모른다'는 것을 시스템에, 나아가 주변 학생들에게 드러내는 경험으로 느껴질 때 학생들은 정확한 데이터를 제공하기를 회피한다. 맞춤화의 정확도는 데이터의 정직성에 의존하는데, 그 정직성을 방해하는 사회적 맥락이 교실 안에 존재한다. 마지막으로 시간 제약의 문제가 있다. 수능 D-100일 상황에서 기존에 쌓아온 루틴을 새로운 AI 시스템으로 전환하는 것은 그 시스템이 아무리 이론적으로 우수해도 현실적인 리스크를 동반한다. 검증된 방식으로 70점을 받을 수 있는 학생이 새로운 시스템에 적응하는 과정에서 혼란을 겪는다면, 그 손실은 11퍼센트 향상으로 상쇄되지 않는다.

강사의 전문성이 이동하고 있는 방향

지금 학원가에서 조용히 일어나고 있는 변화를 들여다보면 흥미로운 패턴이 보인다. AI가 생성한 문제 세트를 수업 전에 미리 배포하고, 학생들이 풀어온 응답 패턴을 분석해 수업 내용을 설계하는 방식을 도입한 강사들이 늘고 있다. 이들이 공통적으로 말하는 것은 수업 전 준비 시간이 줄어든 것이 아니라 준비의 성격이 바뀌었다는 점이다. 문제를 직접 만드는 데 쓰던 시간이 학생별 응답 패턴을 읽는 데 쓰이게 되었다. 이것은 교사의 역할이 문제 제작자에서 데이터 해석자로 이동하고 있다는 신호다.

이 이동은 단순히 도구가 바뀌는 문제가 아니다. 요구되는 판단의 종류가 바뀌는 것이다. 기존에 좋은 강사의 핵심 능력 중 하나는 좋은 문제를 만드는 것, 혹은 좋은 문제를 선별하는 것이었다. 앞으로 그 역할의 일부는 AI가 담당할 가능성이 높다. 그렇다면 강사의 전문성은 어디로 이동해야 하는가. 수업 중 각 학생의 인지 상태가 얼마나 정확하게 포착되고 있는지를 판단하는 능력이 그 방향 중 하나다. 학생이 맞는 답을 냈을 때, 그것이 개념 이해에서 나온 것인지 문제 패턴 암기에서 나온 것인지를 구분하는 것. 학생이 틀렸을 때, 오개념의 위치가 어디인지를 최소한의 대화로 정확히 짚어내는 것. 이런 능력은 데이터를 수집하는 AI가 보완할 수 없는, 해석과 개입의 영역이다. 강사의 시간 자원도 재배분되고 있다. 교재 연구와 문제 제작에 쓰이던 시간이 줄어든 만큼, 언제 개입할 것인지를 판단하는 데 더 많은 시간이 투입될 수 있다. 적절한 개입 타이밍을 놓치지 않는 것, 학생이 막혀 있는 지점을 수업 흐름 안에서 자연스럽게 다루는 것, 이런 판단의 질이 강사의 실질적 역량을 결정하는 요소로 무게가 이동하고 있다.

다음 수업 전에 당장 할 수 있는 한 가지

거창한 시스템 도입 없이도 지금 당장 시작할 수 있는 방법이 하나 있다. 학생이 문제를 풀고 나면 정오답 여부만 확인하지 말고, 확신 수준을 함께 묻는 것이다. '이 문제 풀었을 때 확실했어, 아니면 찍었어?' 혹은 '이 풀이를 다시 설명할 수 있어?' 같은 질문이다. 이 단순한 추가 질문 하나가 학생 집단을 네 개의 범주로 나눈다. 맞고 확신했던 학생, 맞았지만 불확실했던 학생, 틀렸지만 개념은 잡고 있었던 학생, 틀렸고 개념도 없는 학생이다. 이 네 집단에게 필요한 처방은 완전히 다르다.

확신 없이 맞힌 학생은 같은 개념의 변형 문제에서 무너질 가능성이 높다. 수능 준비 단계에서 이 학생을 놓치면, 기출 변형 앞에서 갑자기 흔들리는 상황을 만들게 된다. 틀렸지만 개념을 잡고 있는 학생은 계산 실수나 문제 독해 문제일 가능성이 높고, 이는 개념 재지도가 아닌 훈련 방식 조정으로 해결된다. 오답 수가 같아도 두 학생이 필요로 하는 것은 완전히 다른데, 정오답 기록만 보면 그 차이가 보이지 않는다. 이것이 바로 AI 맞춤형 시스템이 자동화하려는 것이다. 시스템은 응답 시간, 오답 패턴, 수정 횟수 등을 조합해 학생의 확신 수준을 추론한다. 강사가 이 확신 수준 질문을 직접 물어보는 방식으로 먼저 실습해보면 두 가지를 얻을 수 있다. 첫째는 각 학생의 실제 인지 상태에 대한 더 정확한 데이터다. 지금 당장 수업 설계를 개선하는 데 쓸 수 있는 정보다. 둘째는 나중에 AI 도구를 도입할 때 무엇을 위임할 것인지를 판단하는 기준이 생긴다는 것이다. 시스템이 추론하는 확신 수준이 강사가 직접 물어서 얻은 것과 얼마나 일치하는지를 비교해볼 수 있는 눈이 생긴다. 어떤 도구를 쓰든, 학생의 인지 상태를 정확히 파악하는 것이 출발점이라는 사실은 변하지 않는다.

강사실로 돌아온 그 목요일 오후, 스마트폰을 내려놓고 다시 시험지를 집어 들었을 때 11이라는 숫자는 사라지지 않았다. 그 숫자가 만들어진 조건과 이 교실의 조건이 어떻게 다른지를 정확히 알수록, 그 숫자에서 가져올 수 있는 것과 가져올 수 없는 것이 선명해진다. AI가 각 학생에 대한 데이터를 더 많이, 더 정확하게 포착할수록 교사의 판단은 더 중요해지는가, 아니면 덜 필요해지는가. 오늘 이 교실 안에서 그 질문에 답을 가진 사람은 아직 아무도 없다.