스스로 배우는 AI가 수험생에게 묻는 것

AI는 사용하는 만큼 나아지는 것이 아니라, 사용하는 방식에 따라 나아지거나 그 자리에 머문다. 이것이 지금까지의 상식이었다. 그런데 최근 에이전트 연구가 이 전제를 흔들기 시작했다. 반복 작업 속에서 AI 스스로 재사용 가능한 스킬 모듈을 만들고, 이후 유사한 문제가 오면 그 스킬을 꺼내 쓰는 구조다. 사용할수록 더 능숙해진다는 뜻이다. 학습이라는 단어를 쓰지 않고 이것을 설명하기가 어렵다. 이 글은 그 작동 방식을 한국 수험생의 공부 구조와 나란히 놓는다. AI 에이전트가 스킬을 쌓는 방식과 수능 영어 수험생이 기출 훈련을 통해 유형 감각을 기르는 방식이 구조적으로 얼마나 닮아 있는지, 그리고 왜 그 유사성이 경고처럼 읽히는지를 분석한다.

수능 영어의 반복 구조는 이미 에이전트 설계를 닮았다

한국의 수능 영어는 구조가 고정되어 있다. 빈칸 추론, 글의 순서, 문장 삽입, 주제·제목 찾기, 함축적 의미 추론. 출제 유형은 10개를 크게 넘지 않고, 그 원리는 수십 년에 걸쳐 반복된다. EBS 연계율은 오랫동안 50%에서 70% 수준을 유지해 왔다. 학원 강사는 그 유형 하나하나를 분해해 전략으로 만들고, 학생은 그 전략을 수백 문항에 걸쳐 반복 적용하며 내면화한다. '기출 분석'이라는 이름으로 이 과정이 체계화되고, 현장에서는 '유형 감각이 생겼다'는 말로 결과를 측정한다.

자기 스킬을 만드는 AI 에이전트의 작동 원리도 이와 닮았다. 동일 계열의 과제를 반복 처리하면서, 에이전트는 매번 처음부터 추론하는 대신 그 과정에서 재사용 가능한 절차를 추출해 저장한다. 빈칸 추론 유형을 수백 번 처리한 에이전트라면, 그 유형에서 어떤 논리 흐름을 먼저 확인해야 하는지, 어떤 선택지 패턴이 오답인지를 스킬 형태로 축적한다. 다음번에 유사한 문제가 오면 그 스킬이 먼저 호출된다. 처음부터 다시 생각하지 않아도 된다.

이 유사성이 단순한 흥미로운 비교에 머물지 않는 이유가 있다. AI 에이전트의 스킬 형성 구조를 들여다보면, 수험생이 반복 훈련을 통해 쌓는 것이 진짜 독해력인지, 아니면 수능이라는 포맷에 최적화된 반응 패턴인지를 다시 묻게 된다. 반복이 능력을 만드는 것은 맞다. 그런데 그 능력이 어떤 능력인지는 반복의 구조에 따라 달라진다. 에이전트도, 학생도, 이 질문 앞에서 같은 자리에 서 있다.

루틴화된 능력과 전이 가능한 능력은 다르다

자기 스킬을 만드는 AI 에이전트 연구에서 가장 주목할 개념은 전이 가능성이다. 에이전트가 쌓은 스킬이 같은 포맷의 반복 작업에서만 유효하다면 그것은 루틴이다. 새로운 도메인이나 다른 포맷에서도 그 전략이 작동한다면 그것이 전이 가능한 능력이다. 이 둘은 훈련 과정에서 겉으로 비슷해 보이지만, 평가 맥락이 달라지는 순간 완전히 다른 결과를 낳는다.

구체적인 장면을 들면 이렇다. 수능 영어 빈칸 추론 유형을 2년에 걸쳐 수백 문항 훈련한 고3 학생이 있다. 그 학생이 수능에서 해당 유형에 강점을 보이는 것은 자연스러운 결과다. 그런데 대학 입학 이후, 전공 교양 수업에서 영어 논문 두 쪽을 읽고 저자의 핵심 주장을 요약해 제출하라는 과제를 받았을 때, 그 학생의 빈칸 추론 전략이 그대로 작동하는가. 빈칸 추론은 선택지와의 대조를 통해 작동하는 포맷 의존 전략이다. 핵심 개념을 강조하는 문장을 찾고, 그것과 가장 자연스럽게 연결되는 선택지를 고르는 방식이다. 선택지가 없는 상황에서 텍스트만 앞에 두고 주장을 직접 구성해야 하는 작업은 전혀 다른 처리 과정을 요구한다. 이 차이가 드러나는 순간, 루틴화된 능력과 전이 가능한 능력 사이의 간격이 수면 위로 올라온다.

AI 에이전트 연구가 이 개념을 전면에 내세우는 것은, 스킬을 자동으로 만든다는 것이 자동으로 더 유연한 능력자를 만든다는 뜻이 아님을 설계자들이 이미 알고 있기 때문이다. 어떤 포맷에서, 어떤 방식으로 스킬이 형성되는지가 그 스킬의 적용 범위를 결정한다. 수능 준비가 수능이라는 포맷에 최적화된 스킬을 쌓는 훈련인지, 영어로 사고하고 표현하는 근본적인 능력을 기르는 훈련인지는 설계와 개입 방식에 따라 달라진다. 같은 기출 반복이라도 어떤 질문을 함께 던지느냐에 따라 루틴이 될 수도, 전이 가능한 능력이 될 수도 있다.

자동화된 분석이 한국 학원 현장에서 부딪히는 곳

자기 스킬을 형성하는 AI 에이전트가 실제 교육 도구로 적용될 때, 한국 학원 현장에서는 예상치 못한 지점에서 한계에 부딪힌다. 기술이 정교해질수록 오히려 그 적용 가능성의 경계가 더 선명해진다.

첫 번째 충돌은 평가 구조의 단순성에서 온다. 내신 시험과 수능은 정답이 하나인 선다형이 핵심이다. 에이전트가 학생의 오답 패턴을 분석해 '이 학생은 역접 접속사 이후 주제 전환에 반응이 느리다'는 정밀한 데이터를 축적할 수 있다고 해도, 그 분석이 시험 점수로 연결되려면 결국 같은 유형 문제를 더 풀어야 한다. 에이전트가 약점을 정확히 짚어낸다고 해서 그 약점이 자동으로 해소되지 않는다. 정밀한 진단과 반복 훈련은 별개의 과정이다. 학원 현장에서 진단 도구가 아무리 정교해도 수업 시간을 채우지 못하는 것은 이 때문이다.

두 번째 충돌은 강사의 역할 재정의 문제다. 경험 있는 강사가 수년간 쌓아온 것도 일종의 스킬 묶음이다. 특정 유형에서 학생들이 공통으로 빠지는 오답 패턴, 그것을 교정하는 최적 타이밍, 학생의 반응을 보고 설명 방식을 실시간으로 조율하는 과정. 이 중 일부가 AI 에이전트에 의해 자동화된다면, 강사가 비교 우위를 가져야 할 영역이 어디인지를 다시 정의해야 한다. 수업 중의 동기 개입, 학생의 정서 상태에 따른 즉흥 판단, 교실 분위기 조율 — 이 영역은 아직 에이전트가 스킬화하기 어렵다. 그러나 이 영역만으로 강사의 역할이 충분한가라는 질문은 이미 열려 있다.

세 번째 충돌은 학생의 메타인지 기회 감소 문제다. 에이전트가 반복 사용을 통해 학생에게 맞춤화된 피드백을 제공한다는 것은, 학생이 스스로 자신의 오류를 인식하고 그 원인을 거슬러 올라가는 과정을 AI에 위임하게 된다는 의미이기도 하다. 수능 영어 고난도 문항을 틀렸을 때, 왜 틀렸는지를 스스로 설명하는 과정 자체가 실력의 일부다. AI가 먼저 '당신은 이 유형에서 이런 이유로 틀린다'고 설명해주면, 학생의 자기 인식은 AI의 언어 위에서 형성된다. 그 편의가 메타인지 훈련의 기회를 줄인다. 표면적인 점수는 오를 수 있어도, 낯선 텍스트 앞에서 스스로 추론하는 능력은 다른 방향으로 흘러간다.

스킬을 대신 만들어주는 AI가 유효해지는 조건

자기 스킬을 형성하는 AI 에이전트의 교육적 가치는 두 조건이 충족될 때 비로소 현실화한다. 이 조건이 충족되지 않으면, 기술이 정교해질수록 오히려 학습자의 역량 형성을 방해할 수 있다.

첫 번째 조건은 학습자가 AI의 분석을 해석하는 주체로 남을 때다. 에이전트가 학생의 약점 패턴을 정리해 제시하는 것은 가능하다. 그 분석이 실질적인 학습 개선으로 이어지는 것은, 학생이 그 데이터를 읽고 자신의 훈련 전략을 스스로 조정할 때다. AI의 분석이 학생의 책상에 올라오는 순간 그것은 데이터다. 학생이 그것을 해석하고 내일의 공부 방향을 바꾸는 순간 그것이 학습이 된다. 이 전환이 일어나지 않으면, 에이전트의 스킬 누적은 학생의 능력 향상과 무관하게 진행된다.

두 번째 조건은 포맷이 열려 있는 영역에서 쓰일 때다. 선택지 기반의 정형화된 수능·내신 포맷보다, 에세이 피드백이나 자유 서술형 답안 교정처럼 정답이 하나가 아닌 영역에서 에이전트의 스킬 누적이 훨씬 더 유효하다. 학생이 같은 구조적 오류를 에세이에서 반복할 때 에이전트가 그 패턴을 기억하고, 이전보다 구체적이고 직접적인 교정을 제안한다면 그것은 실질적인 교육 지원이다. 이 조건이 충족될 때, 에이전트가 스스로 만드는 스킬은 학생의 능력을 대체하는 것이 아니라 보조하는 방향으로 작동한다.

결국 스스로 스킬을 만드는 AI가 교육 현장에 들어올 때 핵심 질문은 하나다. 그 스킬이 학습자를 대신하는 방향으로 쌓이는가, 아니면 학습자가 자기 능력을 기르도록 돕는 방향으로 쌓이는가. 이 구분은 기술 수준의 문제가 아니다. 어떻게 설계하고 어떻게 사용하느냐의 문제다. 같은 에이전트도 쓰는 방식에 따라 전혀 다른 학습 환경을 만든다.

내가 먼저 설명하고, AI는 그다음에

수능 영어를 준비하면서 AI를 쓰고 있다면, 한 가지 순서를 바꿔볼 수 있다. AI에게 문제 풀이를 먼저 시키는 것이 아니라, 내가 이미 틀린 문제를 앞에 놓고 왜 틀렸는지를 내 언어로 먼저 설명한 다음, 그 설명이 맞는지 AI에게 검토를 요청하는 것이다. 이 순서의 차이가 결과를 바꾼다. AI가 먼저 해설을 내놓고 내가 따라가면, 나의 오류 인식은 AI의 언어 위에서 형성된다. 내가 먼저 설명하고 AI가 검토하면, 나의 메타인지가 먼저 작동하고 AI는 그것을 보정하는 역할에 머문다. 같은 AI를 쓰더라도 순서에 따라 학습의 방향이 달라진다.

이 방식은 불편하다. AI가 먼저 깔끔한 해설을 내놓는 것이 훨씬 빠르고 편하기 때문이다. 그러나 빠른 것이 배운 것과 같지 않다. AI 에이전트가 반복 속에서 자기 스킬을 쌓아가듯, 학생도 반복 속에서 자신의 오류를 인식하고 설명하는 습관을 쌓는다. AI의 스킬이 내 학습을 가장 정교하게 보조할 수 있는 시점은, 내가 먼저 시도한 이후다. 그 순서가 거꾸로 되면, AI가 배우고 나는 따라가는 구조가 된다.

AI가 스스로 배운다는 말이 비유가 아니게 됐다. 에이전트는 반복 속에서 전략을 추출하고, 다음 문제를 더 잘 처리하기 위해 그것을 저장한다. 이 작동 방식이 학습이 아니라면 무엇인가라는 질문으로 이 글을 열었다. 그런데 그 에이전트가 학생의 공부방에 들어와 오답 패턴을 쌓고, 같은 유형에서 점수가 오를 때 — 우리가 쌓는 것은 학생의 실력인가, 에이전트의 스킬인가.