[AI MEMO] 왜 생성형 AI의 효과는 불균등한가

생성형 AI 교육 효과는 지역과 여건에 따라 상이
데이터센터 집중과 인터넷 접근 격차가 활용 범위를 제한
인프라를 먼저 갖추는 정책이 생산성 격차 해소의 출발점

본 기사는 스위스 인공지능연구소(SIAI)의 SIAI Research Memo 시리즈 기고문을 한국 시장 상황에 맞춰 재구성한 글입니다. 본 시리즈는 최신 기술·경제·정책 이슈에 대해 연구자의 시각을 담아, 일반 독자들에게도 이해하기 쉽게 전달하는 것을 목표로 합니다. 기사에 담긴 견해는 집필자의 개인적 의견이며, SIAI 또는 그 소속 기관의 공식 입장과 일치하지 않을 수 있습니다.

생성형 AI는 교육 현장의 업무 효율을 높일 수 있는 기술로 주목받고 있지만, 실제 활용 여건은 지역과 교육 시스템에 따라 크게 다르다. 인프라가 충분한 곳에서는 수업 준비와 평가, 학생 관리 전반에 AI가 빠르게 적용되는 반면, 여건이 취약한 환경에서는 활용 범위가 제한된다. 이러한 차이는 기술 격차라기보다 인프라 불균형에서 비롯된다. 북미가 전 세계 가동 중인 데이터센터 용량의 절반 가까이를 차지하는 것과 달리, 2023년 기준 약 30억명은 여전히 인터넷에 접속하지 못하고 있다.

국제결제은행(BIS)은 이러한 조건 차이로 인해 생성형 AI의 산출 효과가 신흥국보다 선진국에서 더 크게 나타날 것으로 분석했다. 연산 자원과 네트워크 여건, 그리고 자동화를 뒷받침하는 비용 구조가 결합되면서 교육 분야에서도 AI 활용 성과가 일부 교육 시스템에 먼저 집중될 가능성이 크다는 설명이다. 이 격차를 완화하려면 개별 교육기관의 기술 도입을 넘어 정책 차원의 대응이 필요하다.

생성형 AI 생산성 격차의 정의

생성형 AI 생산성 격차는 AI 활용을 통해 기대되는 효과와 실제 현장에서 나타나는 성과 사이의 차이를 의미한다. 이 차이는 교육 여건에 따라 점차 확대되고 있다. 연산 자원과 통신 인프라가 충분하고 자동화 투자가 용이한 환경일수록 AI 활용 성과가 빠르게 축적되는 반면, 그렇지 못한 곳에서는 효과가 제한적으로 나타난다.

교육 현장에서도 이러한 흐름은 이미 확인되고 있다. 재정 여력이 있는 교육기관은 AI 기반 수업 보조와 평가 자동화, 학생 지원 업무를 비교적 빠르게 도입하고 있다. 반면 상당수 기관은 보안 데이터와 연동되지 않거나 네트워크 환경에 취약한 제한적 도구에 머물고 있다. 같은 기술을 도입하더라도 적용 범위와 성과에 차이가 발생하는 이유다.

이 같은 현상은 거시 경제 흐름과도 맞물린다. 펜실베이니아대 와튼스쿨 예산모델(PWBM)은 생성형 AI가 향후 수십 년간 생산성과 GDP 성장을 끌어올릴 수 있으며, 재정적 효과도 비교적 이른 시점부터 나타날 수 있다고 분석했다. 글로벌 회계·컨설팅 법인 어니스트앤영(EY) 역시 2025년 초 AI 관련 소프트웨어와 데이터센터, 에너지 인프라 투자가 연율 약 18% 증가해 미국 분기 GDP 성장률에 약 1%포인트 기여했다고 평가했다. 다만 이러한 투자는 일부 지역과 시장에 집중돼 있으며, 그 결과 교육 분야에서도 연산 자원과 클라우드 비용을 감당할 수 있는 기관만이 실질적인 성과 개선을 체감하고 있다.

생산성 격차를 만드는 경로

생성형 AI로 인한 생산성 격차는 크게 세 가지 경로에서 형성된다. 업무 처리 방식, 도구의 활용 수준, 그리고 투자와 자원의 배분 구조다. 먼저 업무 측면에서 AI는 수업 준비, 평가 문항 작성, 피드백 정리, 맞춤형 학습 자료 제작 등 반복적인 작업을 줄여준다. 그러나 생산성 향상은 절감된 시간을 실제 운영에 어떻게 반영하느냐에 따라 달라진다. 인건비 부담이 크고 인력 운용이 빠듯한 환경에서는 남는 시간이 비용 절감이나 업무 재편으로 이어지기 쉽다. 반면 임금 수준이 낮은 곳에서는 시간 절감이 곧바로 재정 효과로 연결되지 않아 활용 범위가 제한된다. 팬데믹 이후 선진국에서 서비스 부문 인건비가 높은 수준을 유지한 점도 AI 도입 속도를 높이는 요인으로 작용했다.

도구의 활용 여건 역시 격차를 키운다. PWBM은 AI가 기존 소프트웨어와 하드웨어의 효율을 높이면서 생산성을 끌어올린다고 분석했다. 교육 분야에서는 콘텐츠 플랫폼, 학습 데이터 분석, 학생정보시스템과 연동된 자동화 업무가 이에 해당한다. 그러나 이러한 기능은 안정적인 인터넷 환경을 전제로 한다. 세계은행에 따르면 2024년 기준 전 세계 인구의 약 63%가 인터넷을 이용하고 있지만, 영상 수업과 데이터 분석에 필요한 유선 광대역은 여전히 많은 지역에서 비용 부담이 크다. 이로 인해 교육 현장에서는 AI를 폭넓게 활용하는 곳과 일부 기능만 제한적으로 사용하는 곳 사이의 격차가 나타나고 있다.

자본의 배분 구조는 이러한 차이를 더 고착화한다. 생성형 AI에는 대규모 연산 자원이 필요하지만, 데이터센터 공급은 에너지와 입지 제약으로 빠르게 늘지 못하고 있다. 북미가 전 세계 IT 가동 용량의 절반 가까이를 차지하는 반면, 일부 아시아 지역에서는 신규 공급이 더디다. 가트너(Gartner)는 2025년 전 세계 공공 클라우드 지출이 7,000억 달러(약 1,012조9,000억원)를 넘어설 것으로 전망했으며, 증가분의 상당 부분이 AI 수요에서 비롯될 것으로 내다봤다. 클라우드 가격은 글로벌 기준으로 형성되지만, 실제 이용 가능한 서비스 수준은 지역 인프라에 따라 달라진다.

선진국이 먼저 효과를 보는 이유

이러한 조건 차이는 선진국이 생성형 AI 활용에서 먼저 성과를 내는 배경을 설명한다. 가장 직접적인 요인은 연산 자원이다. AI 학습과 운영에는 특수 반도체와 고성능 장비가 필요하지만 공급은 제한적이다. 데이터센터 GPU 시장에서 엔비디아의 비중이 높은 가운데, 수출 통제와 산업 정책은 고급 칩이 공급되는 지역을 좌우한다. 그 결과 전력 수급이 안정적이고 정책 불확실성이 낮은 지역에 연산 자원이 집중되고, 해당 지역의 교육 시스템은 고급 AI 기능을 안정적으로 활용할 수 있다.

통신 환경 역시 중요한 변수다. 여전히 수십억명이 인터넷에 접속하지 못하고 있으며, 많은 교육기관은 비용 부담으로 충분한 유선망을 확보하지 못하고 있다. 네트워크 여건이 취약한 환경에서는 AI 기반 학습 지원이나 학급 단위 데이터 분석을 지속적으로 운영하기 어렵다. 대도시의 교육기관이 수업 운영과 학습 관리 전반에 AI를 활용하는 반면, 농촌 지역에서는 특정 시기나 제한된 범위에서만 사용하는 사례가 나타난다.

비용 구조도 격차를 확대한다. 선진국에서는 AI를 도입해 행정 처리나 학생 지원 업무를 자동화할 경우 비교적 짧은 기간 안에 비용 절감 효과가 나타난다. 반면 임금 수준이 낮은 지역에서는 이러한 전환이 즉각적인 재정 개선으로 이어지지 않아 추가 투자가 지연되는 경우가 많다. 이로 인해 재정 여력이 있는 교육기관일수록 AI 관련 투자가 빠르게 진행되고, 이후 도입 비용도 더 빠르게 낮아지는 구조가 형성된다.

시장 환경 역시 이러한 흐름을 강화한다. 클라우드 지출은 미국과 유럽에 집중돼 있으며, 대형 대학과 에듀테크 기업은 장기 계약과 시스템 표준화를 통해 유리한 조건을 확보하고 있다. OECD 자료가 보여주듯 초기 도입자는 시간이 지날수록 격차를 확대한다. 교육 분야에서도 상위권 대학과 재정이 취약한 기관, 전담 IT 조직을 갖춘 지역과 그렇지 못한 지역 사이의 차이가 점차 벌어지고 있다.

생성형 AI 생산성 격차를 줄이기 위한 정책

정책의 초점은 뒤처진 교육 현장이 안정적으로 AI를 도입할 수 있는 조건을 마련하는 데 있다. 우선 연산 자원 확보다. 정부는 공립학교와 교원 양성기관을 대상으로 지역 단위의 교육용 연산 자원을 구축해 GPU 사용 시간을 안정적으로 확보할 필요가 있다. 이를 위해 인근 데이터센터에서 일정 용량을 사전에 확보하고, 지연 시간과 가격 변동을 관리하는 체계를 마련해야 한다. 교육 분야의 AI 도입은 데이터센터와 전력 인프라 확충 계획과 연계해 추진될 필요가 있다.

네트워크 인프라 역시 핵심 과제다. 교육 재원은 교내 유선망과 마지막 구간 광섬유 구축에 우선 투입돼야 한다. 여건상 즉각적인 확충이 어려운 지역에서는 로컬 연산 장비와 데이터 저장, 정기 동기화 방식을 결합한 운영 체계를 마련할 필요가 있다. 핵심은 수업과 행정에 필요한 AI 기능이 안정적으로 작동할 수 있는 환경을 확보하는 데 있다.

조달 방식과 운영 역량도 함께 정비돼야 한다. 개별 기능 중심의 도입을 피하고, 학생 정보·평가·학습 관리 시스템이 연동된 통합 플랫폼을 기준으로 조달을 진행해야 한다. 계약 조건은 수업 준비 시간 감소, 중도 이탈 조기 파악, 학습 성과 개선 등 구체적인 지표와 연계돼야 한다. 성과를 공유하면 다른 기관의 도입도 자연스럽게 속도를 낼 수 있다.

인력 운용 방식의 조정도 필요하다. AI는 전문 인력이 핵심 업무에 집중할 수 있도록 보조하는 방향으로 활용돼야 한다. 언어 치료 대상 선별, 학습 부진 학생 조기 파악, 대학 초년생 지원 강화 등이 대표적이다. 교사와 전문가에게 연수와 협업 시간을 제도적으로 보장하면 정책 효과는 더욱 높아질 수 있다.

국제결제은행(BIS)과 OECD의 분석은 생성형 AI의 초기 효과가 선진국에 먼저 집중될 가능성을 보여준다. 그러나 이는 구조적 조건에서 비롯된 차이일 뿐, 고정된 결과는 아니다. 연산 자원과 네트워크 등 기본 인프라가 갖춰지고 AI 서비스가 안정적으로 운영되면, 교육 현장에서의 활용은 점차 실질적인 성과로 이어질 수 있다. 이러한 조건이 누적될수록 생성형 AI 생산성 격차는 국가 간 불균형을 키우는 요인에서 정책을 통해 관리 가능한 교육 과제로 전환될 것이다.

본 연구 기사의 원문은 The Two-Speed Reality of Classroom AI을 참고해 주시기 바랍니다. 본 기사의 저작권은 스위스 인공지능연구소(SIAI)에 있습니다.