AI 튜터가 작동하는 조건

AI 튜터를 도입한 두 학원이 있었다. 같은 LLM 엔진, 같은 인터페이스, 같은 요금제로 시작했다. 6개월 후 한 곳은 수강생 재등록률이 올랐고 다른 한 곳은 서비스를 폐기했다. 두 서비스의 모델은 동일했다. 차이를 만든 것은 어떤 학습자 데이터를 어떤 형태로 AI에게 공급했는가라는 질문이었다.

이 칼럼이 묻는 것은 하나다. AI 튜터가 실질적으로 작동하려면, 모델에 앞서 무엇이 갖춰져야 하는가.

모델보다 데이터 구조가 먼저다

AI 학습 도구 도입 논의에서 반복되는 패턴이 있다. 어떤 LLM 모델을 쓰는지, 어떤 회사의 API를 연결했는지를 가장 앞세워 물어본다. 정작 중요한 질문들은 뒤로 밀린다. 학습자의 오답 이력이 어떤 형태로 저장되어 있는가. 교수자가 피드백을 입력하면 데이터가 어디에 쌓이는가. 학생 A와 학생 B의 학습 패턴을 비교하는 공통 포맷이 존재하는가. 이 질문들이 뒤에 오는 것 자체가 문제다.

국내 중·고등 수준의 사교육 시장에서 AI 학습 도구를 도입한 학원들을 들여다보면, 대부분 출석 기록, 시험지, 상담 메모가 서로 다른 시스템에 분산되어 있다. AI 도구는 분산된 기록 위에 올라타지만 이 시스템들과 연결되지 않는다. 결과적으로 AI는 현재 세션 안에서만 반응하고 학습자의 장기적 패턴을 읽지 못한다. 아무리 최신 모델을 연결해도 결과는 같다. 학습자 맥락 없이 AI 튜터는 챗봇이다.

2022 개정 교육과정 이후 고등학교 영어 수업에서 수행평가 비중이 커졌다. 말하기, 쓰기, 토론이 내신에 들어왔다. AI 튜터가 이 영역을 실질적으로 지원하려면, 교사가 입력한 루브릭 기준, 학생의 발화 데이터, 교정 이력이 구조화된 형태로 축적되어야 한다. 그런데 이 데이터를 체계적으로 수집하고 저장하는 인프라를 갖춘 학교나 학원은 극히 적다. 교사 대부분은 여전히 종이 체크리스트나 엑셀 파일로 수행평가를 기록한다. AI가 읽을 수 없는 형태의 기록이다.

문제는 의지가 없는 것이 아니라 기준이 없다는 데 있다. AI 도구를 도입하면 알아서 데이터가 쌓인다는 기대가 있다. 실제로는 그렇지 않다. AI 도구가 수집하는 것은 사용자의 입력, 클릭, 응답이다. 수집된 데이터가 학습 진단에 쓸 수 있는 형태인지는 별개의 문제다. 인프라 없이 도입된 AI 툴은 사용 로그를 쌓을 뿐, 학습 이력을 쌓지 않는다.

구조화되지 않은 입력은 AI에게 소음이다

데이터 구조화는 기술 용어처럼 들리지만 교육 현장에서 갖는 의미는 구체적이다. 강사가 수업 후 오늘 학생이 가정법 과거완료를 틀렸다고 메모를 남긴다고 하자. 이 메모가 자유 텍스트로 저장되면, AI가 나중에 이 학생이 가정법을 반복해서 틀린다는 패턴을 인식하기 어렵다. 같은 정보라도 오류 유형, 문항 번호, 날짜, 수업 ID처럼 정해진 필드로 저장되면 완전히 달라진다. AI가 이 필드를 기반으로 학습자 오류 패턴을 분석하고 같은 오류를 겪는 다른 학생과 비교하며 다음 수업에 제안할 연습 문항을 자동으로 생성하는 것이 가능해진다.

고3 수험생 대상 영어 독해 집중반을 예로 들면, 강사가 매 수업마다 학생별 정오답을 구조화된 방식으로 입력하는 데 드는 시간은 수업당 10분 내외다. 이 10분의 입력이 6개월 누적되면, AI가 읽을 수 있는 학습자 프로필이 만들어진다. 이 프로필이 있을 때 AI 튜터는 이 학생은 빈칸 추론에서 역접 연결사 뒤의 논리 흐름을 놓친다는 진단을 내릴 수 있다. 프로필 없이 AI에게 이 학생의 취약점을 물으면, AI는 오늘 대화에서 받은 정보만으로 답한다. 이는 튜터가 아니라 일회성 조언자다.

거버넌스는 구조화의 다음 단계다. 누가 어떤 데이터를 입력하는지, 오류 수정 권한은 누구에게 있는지, 학습자가 서비스를 탈퇴하면 데이터는 어떻게 처리되는지를 규정하는 운영 규칙이다. 이 규칙이 없으면 데이터를 쌓기 시작해도 나중에 법적 문제나 데이터 불일치로 시스템 전체가 흔들린다. 구조화가 입력 형식이라면, 거버넌스는 이 구조가 유지되도록 하는 운영 규칙이다. 두 가지가 함께 가지 않으면 인프라라고 부를 수 없다.

구조화 없이 AI에게 공급되는 데이터는 신호가 아니라 소음이다. 소음이 많은 환경에서 AI 모델은 패턴을 읽는 대신 평균을 반환한다. 모델 성능이 높아도 입력 데이터의 질이 낮으면 출력의 질도 낮아진다. AI 튜터의 품질은 모델 버전이 아니라, 모델에게 공급되는 학습자 데이터의 구조화 수준이 결정한다.

개인정보법과 교사 노동이 가로막는 인프라

원칙이 틀린 것이 아니다. 실행 가능성이 한국 교육 현장에서 예상보다 좁다는 것이 문제다. 인프라 우선이라는 주장이 현장에서 어떻게 부딪히는지를 직시할 차례다.

첫 번째 저항은 교사 노동이다. 구조화된 데이터 입력은 강사에게 추가 업무다. 수업 준비, 채점, 학부모 상담으로 이미 과부하 상태인 강사에게 수업당 10분 추가 입력은 이상적으로 들린다. 주 15회 수업을 담당하는 강사라면, 이것만으로도 주당 2시간 30분의 추가 부담이다. 학원 측에서 이 작업에 별도 시간과 보상을 보장하지 않으면, 구조화 입력은 자연스럽게 생략되거나 비정형 메모로 대체된다. 인프라를 갖추겠다는 결정이 현장에서 흐지부지되는 이유는 대개 여기에 있다.

두 번째 저항은 개인정보보호법이다. 미성년자 학습자의 오답 이력, 발화 데이터, 수행평가 피드백은 민감 정보에 해당한다. 학원이 이를 AI 서비스 제공업체에 전달하려면 보호자 동의를 받아야 하고 동의서 내용을 학부모가 완전히 이해하기 어렵다는 민원이 생기면 도입 자체가 중단될 수 있다. 2023년 이후 학원 현장에서 AI 데이터 수집에 관한 법적 문의가 늘어난 것은 이 맥락이다. 법적 리스크를 기피하는 학원일수록 AI 도구를 도입하더라도 데이터 수집 기능을 꺼두는 방식을 택한다. 결과적으로 도입하고도 인프라 없이 쓰는 상황이 만들어진다.

세 번째는 표준화의 부재다. A 학원의 오류 유형 분류 체계와 B 학원의 체계가 다르면, 두 기관 데이터를 합쳐 AI를 학습시키거나 비교하는 것이 불가능하다. 교육청별로 학습 데이터 형식도 다르고 EBS 연계 수능 데이터와 학원 자체 문제은행 데이터는 서로 호환되지 않는다. 인프라를 갖추자는 주장은 옳지만 누가 표준을 정하는가라는 질문이 해결되지 않으면 개별 기관의 노력은 고립된 섬으로 남는다. 공교육과 사교육 사이, 또는 사교육 기관들 사이에 공통 데이터 표준이 없는 한, 기관 단위의 구조화가 아무리 잘 이루어져도 시스템 단위의 AI 효과는 나오기 어렵다.

에이전트형 AI일수록 데이터 병목이 선명해진다

이 모든 저항에도 불구하고 인프라 우선 원칙이 흔들리지 않는 이유가 있다. 데이터 없이 AI를 도입하면, 나쁜 AI가 좋은 교사를 대체하는 구조가 만들어진다.

학습 데이터가 없는 AI 튜터는 평균적인 학습자에게 최적화된 응답을 한다. 수능 영어 3등급 학생에게도, 1등급 직전 학생에게도 비슷한 수준의 조언을 내놓는다. 교사라면 두 학생에게 전혀 다른 개입 방식을 쓴다. AI가 이 차이를 만들어내려면, 두 학생의 학습 이력 데이터가 AI에게 공급되어야 한다. 인프라 없이 도입된 AI는 개인화의 외관을 띠지만 실질은 일반화다. 일반화된 AI가 교사의 자리를 채우기 시작하면, 개별 학습자에게 맞는 개입이 사라진다. 이것은 기술의 한계가 아니라 구조의 실패다.

에이전트형 AI는 상황을 더 복잡하게 만든다. 에이전트는 대화에 응하는 것을 넘어, 학습자의 상태를 파악하고 다음 행동을 스스로 결정한다. 이 학생이 오늘 집중도가 낮으니 단어 복습보다 짧은 듣기 훈련이 적합하다는 판단을 에이전트가 내리려면, 오늘의 집중도 데이터뿐 아니라 이 학생의 과거 패턴 데이터가 필요하다. 에이전트형 AI일수록 데이터 구조화의 선행이 더 중요해진다. 모델이 강력해질수록, 모델이 읽을 데이터의 질이 병목이 된다. 아무리 뛰어난 판단 엔진이라도 읽을 데이터가 없으면 일반적인 추측만 가능하다.

AI 도입 모델 성능이 빠르게 올라갈수록, 그 성능을 실제 교육 효과로 전환하지 못하는 데이터 인프라 격차는 더 크게 벌어진다. 모델 격차는 줄어드는 중이다. 데이터 격차는 늘어나는 중이다. AI 튜터 시장에서 앞으로 차이를 만드는 것은 어떤 모델을 쓰는가가 아니라, 얼마나 잘 구조화된 학습자 데이터를 갖고 있는가로 이동한다.

AI 도입을 검토하는 교사나 강사가 벤더에게 가장 먼저 물어야 할 질문이 여기서 나온다. 이 도구가 학습자 데이터를 어떤 형식으로 저장하는가. 저장된 데이터를 언제든 내가 내보낼 수 있는가. 다른 시스템과 연동이 가능한가. 모델 성능 수치를 묻는 질문보다 이 세 가지가 앞에 와야 한다. 모델을 고르는 기준이 아니라, 도입 이후 효과가 지속적으로 쌓이도록 하는 인프라를 선택하는 기준이기 때문이다.

기록 습관이 인프라 논의의 언어가 된다

인프라 구축이 대형 IT 프로젝트처럼 들릴 필요는 없다. 지금 당장 착수하는 일은, 오늘 수업에서 관찰한 것을 어떤 형식으로 남길지를 정하는 것이다. 학생 이름, 날짜, 단원, 오류 유형, 반복 여부를 컬럼으로 가진 스프레드시트 하나가 3개월 후 AI 도구가 읽을 수 있는 학습자 프로필의 씨앗이 된다. AI 튜터를 본격 도입하기 전에 이 기록을 6주 이상 쌓아두는 것이 인프라의 첫 걸음이다. 도구가 아니라 습관이 앞선다.

물론 이것만으로 AI 인프라가 완성되지 않는다. 표준화, 거버넌스, 시스템 간 연동은 개인 강사 한 명이 해결하는 범위를 벗어난다. 그러나 수업 기록을 구조화하는 습관이 없는 강사가 인프라가 중요하다는 주장을 피부로 이해하기는 어렵다. 구조화된 기록을 먼저 경험한 강사만이, 기관 단위의 인프라 논의에서 실질적인 요구사항을 제시한다. 나중에 더 큰 것을 요구할 언어는, 지금 작은 것을 구조화한 경험에서 나온다.

무엇보다, 이 기록 습관은 AI 도구와 무관하게 교수 실천을 강화한다. 어떤 오류가 반복되는지, 어떤 학생이 어떤 맥락에서 어려움을 겪는지를 정리된 형태로 보게 되는 것 자체가 강사의 판단력을 높인다. AI가 없어도 이 데이터는 다음 학기 커리큘럼을 설계할 때, 혹은 학부모 상담에서 근거를 제시할 때 쓸모가 있다. AI를 위한 준비이기도 하지만 더 정확하게는 더 나은 교수를 위한 준비다.

AI 튜터 도입 광고는 계속 늘어난다. 모델 성능 수치도 계속 높아진다. 이 광고가 보여주지 않는 것은, 광고 속 모델이 읽을 수 있는 학습자 데이터가 과연 지금 교실에 존재하는가다. 모델이 아무리 강력해도 읽을 데이터가 없으면 추측만 한다. 지금 수업 후 남기는 기록의 형태가 결국 AI 튜터의 수준을 결정한다면, 오늘 수업 끝에 무엇을 어떤 형태로 남겼는지를 한 번쯤 들여다볼 필요가 있지 않을까.