AI 튜터 도입으로 반복 교육 기능 자동화
교사 역할 재편·보상 구조 정비가 핵심 과제
재투자 없는 도입은 교육 격차 확대 위험

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.

인공지능(AI) 튜터 활용이 확산되면서 교육 현장의 역할 배분이 달라지고 있다. 학생 질문에 즉각 응답하고 반복 학습을 지원하는 기능은 이미 다수 학교에서 일상적으로 활용되고 있고, 일련의 연구들은 AI 튜터가 연습 중심 학습과 기초적 추론 능력 향상에 일정한 효과를 보인다는 점을 확인했다. 그 결과 과제 채점과 기본 설명처럼 반복성이 높은 업무는 점차 자동화되고, 교사는 학습 설계와 개별 지도에 더 많은 시간을 투입할 여지가 생겼다.

문제는 자동화 이후 교사의 역할을 어떻게 재정의할 것인가다. 제도적 준비 없이 AI 활용이 확산될 경우, 교육 품질의 편차가 확대되고 수업 설계 역량을 갖춘 교사에 대한 수요가 위축될 가능성이 있다. AI 튜터링 확산은 이미 교육 노동의 구조적 변화를 요구하고 있다.

가르침의 구조 재편

AI 튜터 도입은 교실에서 수행되는 교육 업무의 구성을 바꾸고 있다. 반복 예시 제시, 기초 질의응답, 즉각적 피드백처럼 표준화된 업무는 AI가 담당할 수 있다. 이에 따라 교사는 교육과정 설계, 학생별 학습 상태 진단, 사회·정서적 지원 등 고도의 판단이 요구되는 영역에 역량을 집중하게 된다. 실제로 대규모 교육 프로그램 상당수는 이미 이러한 기능별 분업 구조를 전제로 운영되고 있다.

이러한 전환 과정에서 교사 보수 수준과 AI 도입 속도는 중요한 변수로 작용한다. 다수 선진국에서 교사 보수는 유사한 학력을 요구하는 전문직 대비 낮은 수준에 머물러 있으며, 추가 업무와 연수에 투입할 여력도 제한적이다. 이런 조건에서 AI 도구 활용이 빠르게 확산되고 있지만, 현장 준비는 이를 따라가지 못하고 있다.

미국 경제 전문지 포브스에 따르면 2024~2025년 사이 학교 현장에서 AI 도구 활용은 크게 늘었으나, 영국 교사의 76%, 미국 교사의 69%는 소속 기관으로부터 정식 AI 교육을 받지 못했다고 응답했다. 이는 보상과 준비 체계 없이 기술 도입만 앞서가는 구조를 보여준다. 이러한 상황이 지속될 경우 교사 간 역량 격차가 확대되고, 교육 현장의 대응 능력도 함께 약화될 가능성이 크다.

인센티브 구조의 변화

AI 튜터가 기초 설명과 반복 학습을 맡게 되면서 학교의 인력 운영 방식도 달라지고 있다. 기본 수업을 유지하는 데 필요한 교사 수가 줄어들 수 있다는 계산이 가능해졌기 때문이다. 교사 보수가 낮고 관리 기준이 느슨한 환경일수록, 행정 측면에서는 인력 축소를 선택할 유인이 커진다. 예산 제약 속에서 표준 수업안이나 외부 콘텐츠로 수업을 대체해 온 기존 흐름은 AI 도입을 계기로 더 가속될 수 있다.

업무를 기능별로 구분하면 인간 교사의 역할은 보다 분명해진다. 수업 내용 설계, 학습 자료 선택, 학습 부진 학생에 대한 개입은 자동화가 어려운 영역이다. 이 역할들은 단순 전달 업무보다 교육 성과에 미치는 영향이 크다. 그러나 이러한 업무에 대한 보상이 충분하지 않을 경우, 숙련 교사는 예산과 관리 여력이 있는 학교에 집중되고 다른 학교에서는 AI 의존도가 높아질 가능성이 커진다.

교육과정을 학군 단위에서 통합 관리하는 지역에서는 AI 활용의 효율성이 상대적으로 높다. 공통 자료를 함께 검증하고 개선할 수 있기 때문이다. 그 결과 교실에서는 교사가 멘토링과 개별 피드백에 더 많은 시간을 배분할 수 있다. 교육 행정은 이러한 변화를 반영해 교사 평가와 자격 기준을 수업 설계와 학생 지원 역량 중심으로 조정할 필요가 있다. 지식과 자료를 공동으로 관리하면, 교육 품질을 유지하는 비용을 낮추면서도 소수의 숙련 인력이 AI 튜터링 운영을 책임지는 구조의 구축이 가능하다.

연구가 보여주는 조건

AI 튜터의 학습 효과는 활용 방식에 따라 크게 달라진다. 일련의 연구 결과들은 반복 연습과 개념 확인처럼 구조화된 학습 영역에서 AI 튜터의 성과가 비교적 안정적으로 나타난다는 점을 보여준다. 학습 시간과 연습량이 늘고, 기본 이해도 역시 개선되는 경향이 확인됐다. 지난해 세계적인 학술지 네이처에 게재된 연구에서는 연습 중심 과제에서 AI 튜터가 교실 수업 기반 학습보다 높은 성과를 기록한 것으로 나타났다.

이러한 효과는 교육과정과의 연계 여부에 따라 좌우된다. 실제 학습 목표에 맞춘 자료 구성, 공통 연습 문항, 점검 기준이 함께 설계된 경우에만 성과가 유지됐다. 이 같은 조건은 교육과정과 학습 목표가 비교적 고정된 초·중등 교육 환경에서 충족되기 쉽다. 성과 점검과 조정이 대학 교육보다 용이하기 때문이다.

운영 방식에 따른 차이도 확인된다. AI 튜터를 교사와 함께 활용한 경우, 학습 성과의 변동성이 줄어드는 경향이 나타났다. 목표 설정, 학습 진도 관리, 개입 시점 판단을 교사가 맡을 때 성과가 보다 안정적으로 유지됐다. 이 구조에서는 혼합 모델에 기여하는 교사의 역할을 어떻게 평가하고 보상할지가 중요한 과제로 떠오른다. 이에 대한 기준이 마련되지 않을 경우, AI 활용은 교육 개선보다는 비용 절감 수단으로 소비될 가능성이 커진다.

과목별 효과 차이도 뚜렷하다. 수학처럼 반복성과 규칙성이 높은 영역에서는 성과가 비교적 분명하다. 반면 글쓰기나 역사 과목에서는 명확한 평가 기준과 인간의 검토가 병행되지 않을 경우 피상적인 피드백에 그칠 가능성이 높다. 이에 따라 AI 활용은 구조화된 영역부터 적용하고, 다른 과목은 감독 아래 단계적으로 확대하는 접근이 요구된다.

오류 관리의 필요성

다만 위험도 뒤따른다. AI 튜터 활용에서 가장 큰 위험 요소는 오류다. 사실과 다른 설명이 제시될 경우, 잘못된 이해가 학습 과정에 그대로 남을 수 있다. 오류 발생 가능성은 과제 유형에 따라 달라진다. 정답과 절차가 명확한 문제에서는 상대적으로 낮지만, 해석이나 설명이 요구되는 질문에서는 높아진다. 문제는 소수의 오류라도 반복되면 학습 환경 전반의 신뢰가 약화되고 잘못된 개념이 고착될 수 있다는 점이다. 이 때문에 학교는 오류를 예외적 사건이 아니라 상시 관리 대상으로 인식해야 한다.

오류 대응의 핵심은 기술 성능보다 운영 체계에 있다. AI가 활용할 수 있는 자료 범위를 명확히 제한하고, 판단이 불확실한 질문은 교사에게 이관하는 절차가 필요하다. 모든 응답은 기록돼야 하며, 생성 근거를 추적할 수 있어야 한다. 프롬프트 조정이나 검색 방식 개선만으로는 한계가 있다. 이를 지속적으로 점검하고 조정할 수 있는 전문 인력이 전제돼야 한다. 그 결과 반복 설명 중심의 역할은 줄고, 교육과정 관리와 AI 운영을 감독하는 역할의 비중이 커진다.

오류가 누적될 경우 학습 환경의 신뢰 회복은 결코 쉽지 않다. AI가 잘못된 공식이나 사실과 다른 설명을 반복하면 학생은 수업 내용 전반을 의심하게 된다. 이 상태에서는 이후에 제공되는 설명과 피드백도 학습에 제대로 작동하기 어렵다. 따라서 오류 공개 기준, 수정 절차, 인간 개입 경로를 사전에 명확히 설정해야 한다. 이러한 기준은 AI 시스템 선택에도 직접적인 영향을 미친다. 응답 과정을 검증할 수 없는 폐쇄형 도구보다, 기록과 감사가 가능한 구조가 교육 환경에 더 적합하다.

교육 체계의 선택

경제 구조상 AI 도입 속도는 계속 빨라질 가능성이 크다. 자동화는 비용 부담을 낮추면서 기초 교육을 유지하는 수단으로 활용되고 있다. 다만 자동화로 확보된 시간과 생산성이 교육의 질 개선으로 이어지기 위해서는 이를 뒷받침하는 제도 설계가 필요하다. 별도의 장치가 없을 경우, 자동화 효과는 운영 비용 절감에 머물 수 있다.

실행 과제는 세 가지로 정리된다. 우선 AI 활용 기준을 명확히 설정해야 한다. 학습 목표, 허용 가능한 오류 수준, 인간 개입 조건, 성과 공개 방식이 이에 포함된다. 다음으로 지역 단위 지원 체계를 구축할 필요가 있다. 검증된 학습 자료와 평가 기준을 공동으로 관리해, 개별 학교가 기술 도입에 따른 위험을 단독으로 부담하지 않도록 해야 한다. 마지막으로 교사 경력 구조를 재편해야 한다. 교육과정 설계, 시스템 운영 관리, 학생 지원 역할에 대해 명확한 책임과 보상 체계를 마련할 필요가 있다.

과거 표준화 시험과 획일적인 수업 자료 확산은 수업을 경직시키고 교사의 자율성을 제한했다. 자동화 역시 제도적 통제 없이 확산될 경우 유사한 경로를 밟을 수 있다. 이를 피하려면 AI 도입으로 절감된 비용의 재투자 경로를 공개하고, 그 효과가 취약 계층의 학습 환경에 어떤 영향을 미치는지 점검해야 한다.

AI 튜터링은 이미 반복적인 교육 업무를 자동화하고 있다. 쟁점은 이 변화가 인간 전문성 축소로 이어질지, 역할 재편과 역량 강화로 연결될지다. 반복 업무는 AI가 담당하고, 설계와 판단은 교사가 맡으며, 절감된 자원을 인력과 지원에 재투자할 경우 접근성과 학습 성과를 함께 끌어올릴 수 있다. 최종적인 방향은 정책 설계와 운영 선택에 달려 있다.

본 연구 기사의 원문은 LLM-powered tutoring and the Discreet Reordering of Teaching을 참고해 주시기 바랍니다. 본 기사의 저작권은 스위스 인공지능연구소(SIAI)에 있습니다.