교육 AI 특집: 블룸의 꿈에서 AI 튜터까지, 모든 학생에게 최고의 선생님을

들어가며

1984년, 시카고 대학교의 교육심리학자 벤자민 블룸(Benjamin Bloom)이 한 편의 논문을 발표했다. 제목은 "2 시그마 문제(The 2 Sigma Problem)". 블룸이 발견한 사실은 충격적이면서도 직관적이었다.

1:1 개인 과외를 받은 학생은 일반 교실 수업을 받은 학생보다 평균 2 표준편차(σ) 높은 성적을 보인다. 이는 과외를 받은 평균적인 학생이 일반 교실의 상위 2%에 해당하는 성적을 낸다는 뜻이다.

블룸의 발견은 교육의 본질적 딜레마를 드러냈다. 1:1 과외가 압도적으로 효과적이라는 것은 모두가 알고 있다. 문제는 비용이다. 모든 학생에게 전담 과외 선생님을 붙이는 것은 경제적으로 불가능하다. 블룸은 이것을 "2 시그마 문제"라고 명명했다. 집단 교육에서도 1:1 과외만큼 효과적인 방법을 찾을 수 있는가?

40년간 이 질문에 완전한 답을 내놓은 사람은 없었다. 그런데 2025년 6월, 하버드 대학교에서 발표된 한 편의 연구가 교육계를 뒤흔들었다. 194명의 물리학 수강생을 대상으로 한 무작위 대조 시험(RCT)에서, AI 튜터를 사용한 학생들이 교실 수업 학생들보다 2배 이상의 학습 효과를 보인 것이다. 효과 크기는 0.73~1.3 표준편차 — 블룸이 말한 2 시그마에 근접하는 수치였다.

이 글은 블룸의 질문에서 출발해, 교육 기술 100년의 역사를 거쳐, 2026년 AI가 교육을 어떻게 변화시키고 있는지를 추적한다. 기술의 역사, 핵심 이론, 실제 사례, 그리고 풀어야 할 과제까지 — 교육과 AI의 교차점에서 벌어지는 모든 것을 다룬다.

---

제1장: 기계가 가르칠 수 있는가 — 교육 기술의 기원 (1924–1970)

프레시의 자동 시험기: 시작은 100년 전이었다

교육에 기계를 활용하려는 시도는 놀라울 정도로 오래됐다. 1924년, 오하이오 주립대학교의 심리학 교수 시드니 프레시(Sidney Pressey)가 미국심리학회(APA) 학술대회에서 "자동 지능 검사 기계"를 선보였다. 객관식 문제를 제시하고, 학생이 정답을 고를 때까지 다음으로 넘어가지 않는 간단한 장치였다.

프레시의 기계는 두 가지 혁신적 원리를 담고 있었다. 자기 주도 학습(self-pacing)과 즉각 피드백(immediate feedback). 이 두 원리는 100년이 지난 2026년에도 AI 교육의 핵심 원칙으로 남아 있다. 하지만 프레시의 기계는 상업적으로 실패했다. 가격이 15달러 — 1930년대 학생 1인당 연간 교육비의 절반 — 였기 때문이다. 지금은 스미소니언 박물관에 전시되어 있다.

스키너의 교수 기계: 행동주의가 교실에 들어오다

30년 뒤인 1953년, 하버드의 심리학자 B.F. 스키너(B.F. Skinner)가 딸의 4학년 교실을 방문했다. 그는 두 가지에 충격을 받았다. 첫째, 모든 학생이 같은 속도로 진도를 나간다. 둘째, 학생들이 과제에 대한 피드백을 받기까지 24시간을 기다린다.

스키너는 자신의 행동주의 이론 — 학습은 자극과 강화의 반복이다 — 을 적용한 교수 기계(teaching machine)를 설계했다. 핵심 원리는 세 가지였다:

1. 작은 단위(frame)로 쪼개기 — 학습 내용을 소화 가능한 크기로 분할
2. 자기 주도 학습 — 학생마다 다른 속도로 진행
3. 즉각적 강화 — 정답이면 즉시 다음으로, 오답이면 재시도

1957년 스푸트니크 쇼크와 1958년 국방교육법(NDEA)이 교육 혁신에 대한 투자를 촉발하면서, 스키너의 "프로그램 학습(programmed instruction)"은 1960년대에 급속히 확산됐다.

여기서 주목할 점: 프레시(1924)와 스키너(1953)가 기계 교육에서 발견한 세 가지 원칙 — 개인화된 속도, 즉각적 피드백, 작은 단위의 학습 — 은 2026년 AI 튜터의 핵심 설계 원칙과 정확히 일치한다. 기술은 100년간 바뀌었지만, 좋은 교육의 원칙은 변하지 않았다.

PLATO: 최초의 컴퓨터 기반 교육 시스템

1960년, 일리노이 대학교 어바나-샴페인의 전기공학 박사과정 학생 도널드 비처(Donald L. Bitzer)가 역사적인 시스템을 만들었다. PLATO(Programmed Logic for Automatic Teaching Operations). 대학의 ILLIAC I 컴퓨터에서 구동된 최초의 대규모 컴퓨터 기반 교육 시스템이었다.

PLATO는 전용 프로그래밍 언어 TUTOR로 교육 콘텐츠를 제작할 수 있었고, 1970년대 초에는 1,000명이 동시 접속할 수 있었다. 1976년에는 950개 터미널에 3,500시간 이상의 코스웨어가 운영됐다. 흥미롭게도 PLATO는 최초의 온라인 커뮤니티 중 하나를 탄생시키기도 했다 — 인터넷의 선구자 역할을 한 것이다.

최초의 지능형 튜터링 시스템(ITS)

1970년, 볼트 베라넥 앤 뉴먼(BBN)의 하이메 카보넬(Jaime Carbonell)이 SCHOLAR**를 개발했다. 남미 지리를 가르치는 이 시스템은 **최초의 지능형 튜터링 시스템(Intelligent Tutoring System, ITS)으로 평가된다. PLATO와의 결정적 차이는 SCHOLAR가 자연어 대화를 사용했고, 학생과 시스템 모두 질문을 주고받는 혼합 주도(mixed-initiative) 방식이었다는 것이다.

이후 등장한 주요 ITS들:

이 시스템들의 공통된 설계 철학은 "학생의 지식 상태를 모델링하고, 그에 맞는 교육을 제공한다"는 것이었다. 2026년 AI 튜터의 철학과 동일하다. 달라진 것은 규모와 정교함이다.

---

제2장: 교육의 과학 — AI 시대에도 변하지 않는 이론들

블룸의 2 시그마 문제 (1984): 모든 것의 출발점

블룸의 1984년 논문을 좀 더 자세히 들여다보자. 시카고 대학교 박사과정생 조앤 아나니아(Joanne Anania)와 조지프 버크(Joseph Arthur Burke)의 학위 논문 연구에 기반한 이 논문은 세 가지 교육 조건을 비교했다.

완전학습(Mastery Learning)만으로도 1 시그마 향상을 보였다. 완전학습이란 학생이 특정 단원을 90% 이상 이해할 때까지 다음으로 넘어가지 않는 방법이다. 블룸이 1968년 처음 제안한 이 개념은 존 캐롤(John Carroll)의 학교 학습 모형에 기반한다 — "학생들은 능력이 아니라 필요한 시간이 다를 뿐이다."

하지만 1:1 과외의 효과(+2σ)에는 미치지 못했다. 블룸의 도전은 명확했다: 1:1 과외의 효과를 집단 교육에서 재현할 수 있는 방법을 찾아라. 이 도전이 이후 40년간 교육 기술 연구의 북극성이 되었다.

비고츠키의 근접 발달 영역 (ZPD)

러시아 심리학자 레프 비고츠키(Lev Vygotsky, 1896-1934)의 이론은 AI 교육에 특히 관련이 깊다.

근접 발달 영역(Zone of Proximal Development, ZPD)은 학습자가 혼자서 할 수 있는 것과 도움을 받으면 할 수 있는 것 사이의 간격이다.

비고츠키는 이 ZPD에서 학습이 가장 효과적으로 일어난다고 주장했다. 핵심은 "더 유능한 타자(More Knowledgeable Other, MKO)"의 역할 — 교사, 부모, 또래 학생이 적절한 비계(scaffolding)를 제공하고, 학습자의 능력이 성장함에 따라 점차 비계를 철거하는 것이다.

AI 튜터는 이 MKO 역할을 수행하기에 이상적인 위치에 있다. 학생의 현재 수준을 실시간으로 파악하고, ZPD에 맞는 난이도의 과제와 힌트를 제공하며, 학생이 성장함에 따라 지원 수준을 자동으로 조절할 수 있기 때문이다. 2020년 Walkington과 Bernacki의 연구에 따르면, 알고리즘 기반 비계(scaffolding)가 고정 순서 교육 대비 23%의 학습 효과 향상을 보였다.

구성주의: 지식은 받는 것이 아니라 만드는 것

장 피아제(Jean Piaget)의 인지 구성주의, 존 듀이(John Dewey)의 경험 학습론, 제롬 브루너(Jerome Bruner)의 발견 학습론이 공유하는 핵심 명제가 있다:

지식은 수동적으로 전달받는 것이 아니라, 학습자가 능동적으로 구성하는 것이다.

MIT의 시모어 페퍼트(Seymour Papert)는 이 아이디어를 한 단계 더 밀고 나갔다. 피아제와 함께 제네바 대학에서 연구(1958-1963)한 페퍼트는 "사람들은 세계 속에서 무언가를 직접 만들 때** 가장 효과적으로 배운다"는 **구성론(Constructionism)을 주창했다. 그는 1960년대 후반, 어린이를 위한 최초의 프로그래밍 언어 Logo를 만들었다. 아이들은 Logo로 "거북이(turtle)"를 프로그래밍하며 기하학, 수학, 문제 해결을 자연스럽게 배웠다. 이 정신은 이후 Scratch와 Lego Mindstorms로 이어졌다.

2026년 AI 교육에서 구성주의의 교훈은 명확하다. AI가 답을 직접 알려주는 것은 좋은 교육이 아니다. 학생이 스스로 답을 구성할 수 있도록 안내하는 것이 좋은 교육이다. 이것이 Khanmigo 같은 AI 튜터가 "답을 알려주지 않고 질문으로 유도하는" 설계 원칙을 채택한 이유다.

---

제3장: 인지 튜터에서 MOOC까지 — 디지털 교육의 진화 (1985–2020)

CMU 인지 튜터: ITS가 현실 교실에 들어오다

카네기 멜론 대학교(CMU)의 존 앤더슨(John Robert Anderson)은 인간의 인지 과정을 모델링하는 ACT-R(Adaptive Control of Thought-Rational)** 아키텍처를 개발했다. **켄 코에딩거(Ken Koedinger)와 함께 이 이론을 교육에 적용한 것이 인지 튜터(Cognitive Tutor)다.

인지 튜터의 핵심은 학생의 지식 상태를 실시간으로 추적(knowledge tracing)하는 것이다. 학생이 문제를 풀 때마다 시스템은 "이 학생이 이차방정식의 어떤 부분을 이해하고 있고, 어떤 부분에서 실수하는가"를 추론한다. 그리고 약한 부분을 집중적으로 연습시킨다.

1995년 발표된 논문 "Cognitive Tutors: Lessons Learned"(Anderson, Corbett, Koedinger, Pelletier)의 핵심 발견:

인지 튜터를 사용한 학생은 기존 수업의 1/3 시간만에 동일한 숙달도에 도달했다. 효과 크기는 약 1 표준편차.

이 연구는 1998년 Carnegie Learning, Inc.** 설립으로 이어졌다. 1999년 75개 학교에서 시작해, 2007년에는 미국 고등학교 수학 수업의 약 **10%(1,300개 이상 학구, 475,000명 이상 학생)에서 사용됐다. ITS가 연구실을 넘어 실제 교실에 대규모로 배치된 최초의 사례였다.

AutoTutor: 대화형 AI 교육의 선구자

1997년 멤피스 대학교의 아서 그래서(Arthur C. Graesser)가 개발한 AutoTutor는 자연어 대화로 학생을 가르치는 시스템이었다. 단순히 문제를 내고 정답을 확인하는 것이 아니라, 학생과 대화를 주고받으며 이해를 점검하고 깊은 사고를 유도했다.

2014년 발표된 17년간의 연구 리뷰에서, AutoTutor의 학습 효과는 0.8 표준편차 — 인간 전문 튜터와 대등한 수준이었다. 그래서 교수의 말을 빌리면, "대화는 피상적 지식을 넘어 깊은 이해에 도달하게 하는 가장 강력한 교수 방법 중 하나다."

ITS 효과에 대한 메타분석: 숫자가 말하는 것

ITS의 효과를 둘러싼 대규모 메타분석들이 쌓이면서, 블룸의 도전에 대한 답이 점점 명확해졌다.

특히 2011년 VanLehn의 연구는 중요한 재해석을 제공했다. 블룸이 주장한 인간 1:1 과외의 효과가 2σ라고 했지만, 후속 연구들을 종합하면 실제로는 약 0.79σ — 그리고 ITS의 효과도 이와 거의 대등했다. 즉, 잘 설계된 ITS는 이미 인간 과외에 근접하는 효과를 보이고 있었다.

MOOC의 등장과 교훈 (2012)

2011년, 스탠퍼드의 세 개 강좌 — 앤드류 응(Andrew Ng)의 머신러닝, 세바스찬 스런(Sebastian Thrun)과 피터 노빅(Peter Norvig)의 AI — 가 온라인에 공개됐다. AI 강좌에만 58,000명이 등록했다. 이 성공에 자극받아 2012년 Coursera(응과 대프니 콜러), Udacity(스런), edX(MIT와 하버드, 아난트 아가르왈 주도)가 잇달아 설립됐다. 2012년은 "MOOC의 해"로 불렸다.

하지만 현실은 냉정했다. 2013년 펜실베이니아 주립대 연구에서 Coursera의 평균 수료율은 4%에 불과했다. MOOC은 접근성을 혁명적으로 높였지만, 학습 지속성과 개인화에서 근본적 한계를 드러냈다. 영상을 틀어놓고 수동적으로 시청하는 것은, 블룸이 말한 1:1 과외의 능동적 상호작용과는 거리가 멀었다.

칸 아카데미: 동영상에서 AI 튜터로

2004년, 헤지펀드 분석가 살 칸(Sal Khan)이 사촌 나디아에게 단위 변환을 원격으로 가르치기 시작했다. 야후 두들로 시작한 이 과외가 2006년 유튜브 영상으로 확장됐고, 2008년 비영리법인 칸 아카데미(Khan Academy)가 탄생했다. 2026년 현재 유튜브 채널의 구독자 수는 927만 명, 총 조회수는 20억 회를 넘는다.

칸 아카데미는 MOOC의 한계를 완전학습(mastery learning) 시스템으로 극복하려 했다. 학생은 한 단원을 마스터하기 전에는 다음으로 넘어갈 수 없다. 블룸의 이론을 디지털로 구현한 것이다. 하지만 여전히 부족한 것이 있었다 — 1:1 대화형 교육. 이 빈자리를 채운 것이 2023년의 Khanmigo다.

망각 곡선과 간격 반복: 기억의 과학

교육 기술사에서 빼놓을 수 없는 갈래가 기억 과학**이다. 1885년 독일 심리학자 **헤르만 에빙하우스(Hermann Ebbinghaus)가 7개월간 자기 실험을 통해 발견한 망각 곡선(forgetting curve) — 기억은 학습 직후부터 지수적으로 감소한다 — 은 이후 간격 반복(spaced repetition) 학습법의 이론적 토대가 되었다.

1985년 폴란드 분자생물학도 피오트르 보즈니악(Piotr Wozniak)이 SuperMemo의 원형을 만들었고, 1987년 컴퓨터 프로그램으로 구현하면서 탄생한 SM-2 알고리즘은 오늘날 Anki(2006, 오스트레일리아의 대미언 엘메스 개발)를 비롯한 수많은 앱의 기반이 되고 있다.

2026년의 AI 튜터들은 이 간격 반복 원리를 자동으로 적용한다. 학생이 특정 개념을 마지막으로 접한 시점, 당시 정답률, 난이도를 종합해 최적의 복습 시점을 계산한다. 에빙하우스의 141년 된 발견이 AI로 정밀하게 구현되고 있는 셈이다.

---

제4장: LLM 혁명 — 모든 것이 바뀐 2022년 11월 30일

ChatGPT가 교육에 가져온 충격

2022년 11월 30일, OpenAI가 ChatGPT를 공개했다. 2주 만에 최초의 학생 표절 사례가 보고됐다(사우스캐롤라이나 주 Furman University). 2023년 1월, 뉴욕시 공립학교가 ChatGPT를 금지했다. 로스앤젤레스, 볼티모어, 호주 퀸즐랜드와 뉴사우스웨일스가 뒤를 이었다.

하지만 금지 기조는 오래가지 않았다. 2023년 중반, 분위기가 전환됐다. MIT Technology Review는 이렇게 썼다: "단순한 부정행위 도구와는 거리가 먼, 많은 교사들이 ChatGPT가 교육을 실질적으로 개선할 수 있다고 믿기 시작했다."

이 전환이 일어난 이유를 이해하려면, LLM이 기존 ITS와 근본적으로 다른 점을 파악해야 한다.

핵심 차이는 유연성이다. 전통 ITS는 "이 학생이 이차방정식의 3단계에서 실수했으니 규칙 17번 피드백을 제공"이라는 방식이었다. LLM 기반 튜터는 학생이 어떤 질문을 하든 맥락에 맞는 설명을 생성할 수 있다. "왜 양변에 같은 수를 더해도 되나요?"라는 예상치 못한 질문에도, 학생의 수준에 맞는 직관적 설명을 즉석에서 만들어낸다.

Khanmigo: AI 튜터의 모범 사례

2022년 여름, OpenAI가 칸 아카데미에 GPT-4를 선보였다. 2023년 3월, Khanmigo가 출시됐다. 살 칸의 2023년 4월 TED 강연은 핵심을 이렇게 요약했다:

"우리는 교육에 있어 가장 큰 긍정적 전환의 문턱에 서 있습니다. AI를 통해 말입니다."

Khanmigo의 설계 원칙은 교육학적으로 정교하다:

1. 답을 주지 않는다 — 직접적인 정답 대신, 질문과 힌트로 학생을 유도한다
2. 소크라테스식 대화 — "왜 그렇게 생각하니?", "다른 방법은 없을까?"
3. 실시간 수준 조절 — 학생의 이해도에 따라 설명 난이도를 자동 조정
4. 교사 대시보드 — 교사가 학생들의 AI 사용 현황을 모니터링

성장세는 인상적이다. 2023-24학년도 40,000명 학생에서 시작해, 2024-25학년도에 700,000명으로 17배 증가했다. 학구 파트너는 45곳에서 380곳 이상으로 확대됐다. 2025년 말 기준, 130개국에서 150만 명이 사용하고 있으며, 칸 아카데미 전체 사용자는 1억 7천만 명을 넘는다. 2025-26학년도에는 아랍어, 중국어, 러시아어, 우크라이나어, 우르두어, 베트남어 등으로 확장됐다.

Duolingo: AI로 148개 강좌를 1년 만에 만들다

Duolingo는 2022년 9월 OpenAI와 협력을 시작했고, 2023년 3월 GPT-4를 통합한 Duolingo Max를 출시했다. "내 답변 설명하기(Explain My Answer)"와 "역할극(Roleplay)" 기능이 핵심이었다.

하지만 진짜 전환점은 2025년 4월이었다. Duolingo는 148개 신규 언어 강좌를 한꺼번에 출시했다 — 기존 강좌 수의 2배가 넘는 규모를, 생성형 AI를 활용해 1년 미만에 제작했다. 전통적 방식이라면 수십 년이 걸렸을 작업이다. 2025년 기준 일일 활성 사용자(DAU) 5,000만 명 돌파, 연간 예약 매출 10억 달러 최초 달성이라는 기록을 세웠다.

AI 언어 학습의 폭발적 성장

교육 AI에서 가장 활발한 투자가 일어나는 분야가 언어 학습이다.

Speak, Praktika, ELSA, Univerbal, Blue Canoe 등 언어 학습 AI 스타트업들이 합산 4억 달러 이상의 투자를 유치하며, AI 교육 분야 최대 하위 카테고리를 형성했다. 이들의 공통점은 "말하기 연습" — 전통적으로 가장 비싸고 확장하기 어려운 교육 영역 — 을 AI로 혁신한다는 것이다.

---

제5장: 숫자가 말하는 것 — 2025년 핵심 연구 결과

하버드 RCT: AI 튜터가 교실 수업을 2배 앞지르다

2025년 6월 Scientific Reports에 발표된 Kestin et al.의 연구는 AI 교육 분야의 랜드마크가 됐다.

실험 설계:

• 194명의 하버드 물리학 수강생을 무작위로 두 그룹에 배정
• AI 그룹: GPT-4 기반 AI 튜터로 학습
• 교실 그룹: 하버드의 유명한 능동적 학습(active learning) 수업

결과:

효과 크기 0.73~1.3σ(분위 회귀)로 통계적으로 매우 유의미했다(z = -5.6, p < 10⁻⁸). 주의할 점은 이것이 하버드 학부생이라는 특수한 모집단이라는 것이다. 하지만 AI 튜터가 명문 대학의 능동적 학습 수업조차 앞지를 수 있다는 것을 최초로 엄밀하게 보여준 연구라는 점에서 의의가 크다.

영국 RCT: AI + 인간 교사 하이브리드의 가능성

2025년 5~6월, Google DeepMind의 LearnLM과 영국 수학 교육 플랫폼 Eedi가 공동으로 수행한 RCT도 주목할 만하다.

• 165명의 영국 중등학교 학생 대상
• AI 튜터링에 인간 교사가 감독하는 하이브리드 모델
• AI 그룹의 문제 해결 성공률 66.2% vs 인간 전담 그룹 60.7%
• 교사가 AI 메시지의 76.4%를 수정 없이 또는 최소 수정으로 승인
• 3,617개 AI 메시지 중 유해 콘텐츠 0건, 사실 오류 5건(0.1%)

이 연구가 시사하는 것은 AI 단독이 아니라 AI+인간 하이브리드가 최적의 모델일 수 있다는 것이다. AI가 1차 응대를 하고, 인간 교사가 감독하며 필요시 개입한다.

133개 연구 메타분석: LLM 교육 효과의 전체 그림

2025년 9월 arXiv에 발표된 대규모 메타분석은 2022~2025년의 133개 실험/준실험 연구, 188개 독립 효과 크기를 종합했다.

특히 주목할 발견:

• AI-as-tutor(대화형 지도) 효과: g = 0.902 vs AI-as-tool(도구로 사용) 효과: g = 0.436 — 2배 이상 차이
• 8주 이상 중재 효과: g = 1.024 vs 1-4주: g = 0.389 — 장기적 사용이 훨씬 효과적

이것은 중요한 메시지를 담고 있다. AI를 단순히 "검색 도구"로 사용하는 것과 "튜터"로 사용하는 것은 교육 효과에서 근본적 차이가 있다.

---

제6장: 한국의 AI 교육 — 야심과 현실 사이

AI 디지털교과서: 1.2조 원의 실험

한국은 AI 교육 도입에 세계에서 가장 야심찬 접근을 시도한 나라 중 하나다. 정부는 1.2조 원(약 8억 5천만 달러)을 투입해 AI 디지털교과서를 개발했고, 출판사들도 8,000억 원을 추가 투자했다. 2025년 예산만 5,333억 원이었다.

일반적인 교과서 개발이 개발 18개월, 심사 9개월, 준비 6개월인 데 비해, AI 교과서는 각각 12개월, 3개월, 3개월로 단축된 일정으로 추진됐다.

타임라인:

현장의 목소리

학생 고호담 씨: "기술적 문제 때문에 수업이 계속 지연됐어요." 수학 교사 이현준 씨: 학생 모니터링이 "어려웠고" 전반적 품질이 "미흡했다." 초등 교사 김차명 씨: "더 이상 정부를 신뢰하지 않습니다."

2024년 11월에는 교원단체와 시민단체가 교육부 장관을 상대로 소송을 제기했고, 2025년 1월 정부는 의무 도입에서 자율 시범**으로 방침을 전환했다. 2025년 8월, 국회가 AI 디지털교과서의 법적 지위를 박탈하는 법안을 통과시키면서, 채택률은 37%에서 **19%(2,095교)로 급락했다.

2026년 정책 전환: "대체"에서 "보조"로

한국 교육부는 2026년 AI를 "보조적 활용(auxiliary tool)"으로 재포지셔닝했다. 교과서 전면 대체가 아니라, 기존 교육을 보완하는 도구로 자리매김한 것이다. 주요 변화:

• 기초학력(기본 읽기·쓰기·수학)이 정책의 중심으로 이동
• 1,900개 선도학교에서 단계적 AI 시범 실시
• "K교육 AI" 플랫폼 개발 중 (범용 교실/행정 활용)
• 영어, 수학, 정보 AI 교과서는 제한적으로 유지; 국어, 기술·가정 제외; 사회, 과학은 2027년으로 연기
• AI 중점학교 1,141교 선정, 학교당 약 3,400만 원 특별 배정 (총 385억 원)
• 중학교 정보 교과 AI 교육 시수를 약 13시간에서 21시간으로 60% 확대 ("모두를 위한 AI" 정책)

한국 EdTech 생태계

정부 정책의 부침과 별개로, 민간 EdTech 시장은 활발하다.

클래스팅(Classting): 한국 공교육 AI 코스웨어 1위. 2026년 AI Learning(맞춤학습), AI Sandbox(학생용 안전한 생성형 AI), 교육과정 도구의 3종 통합 플랫폼으로 진화했다.

EBS AI 단추 플러스: 딥러닝 기반 무료 자기주도학습 플랫폼. 초·중·고 전 학년 대상. AI 펭톡(초등 영어 말하기 연습)도 운영 중이다.

네이버 클라우드: HyperCLOVA X 기반 AI 코치로 학생 서술형 답안을 평가·교정한다.

KT:** Upstage, 매스프레소(콴다)와 공동 개발한 수학 특화 LLM **"MathGPT"를 운영 중이다.

한국 EdTech 시장 규모는 2025년 9.98조 원**, 2026년 10.83조 원(전년비 8.5% 성장)으로 전망된다. 기업 대상 조사에서 2025년 **33.7%가 "AI 교육이 최우선 투자 항목"이라고 응답했고, 2026년에는 이 비율이 50.9%로 늘어났다.

---

제7장: 뜨거운 쟁점들 — 부정행위, 형평성, 그리고 교사의 미래

AI 부정행위: 숫자로 보는 현실

AI가 교육에 가져온 가장 즉각적인 충격은 학문적 진실성(academic integrity) 문제다.

영국 대학에서는 2023-24학년도에 AI 부정행위 사례가 약 7,000건 보고됐다 — 전년 대비 3배 증가. AI 관련 부정행위는 학생 1,000명당 1.6건에서 7.5건으로 급증했다.

특히 우려되는 것은 탐지 편향**이다. 레딩 대학교 연구에 따르면, AI 생성 텍스트의 94%가 탐지되지 않는다. 더 심각한 것은 AI 탐지 도구가 비영어권 화자에게 **61.22%의 오탐율(false positive)을 보이는 반면, 영어 원어민에 대해서는 5.19%에 불과하다는 것이다. AI 탐지 도구 자체가 편향을 재생산하고 있는 셈이다.

대학들의 대응은 크게 세 방향으로 나뉜다:

1. 대면 시험 강화 — 구술 시험, 수기 시험 부활
2. AI 활용을 교육 과정에 통합 — "AI를 쓰되, 과정을 기록하라"
3. 평가 방식 재설계 — 과정 중심 평가, 포트폴리오, 성찰 보고서

영국 공인회계사 자격시험(ACCA)은 2026년 3월부터 온라인 정규시험을 폐지한다고 발표했다. 극단적이지만 상징적인 대응이다.

교육 형평성: 새로운 디지털 격차

AI 교육의 또 다른 핵심 쟁점은 형평성이다. 2025년 4월 기준, 미국 대학의 절반이 학생에게 생성형 AI 도구에 대한 기관 차원의 접근 권한을 제공하지 않고 있다.

이것은 새로운 디지털 격차를 만든다. 부유한 학교는 AI 인프라를 갖추고, 교사 연수를 진행하고, 유료 AI 도구를 도입한다. 예산이 부족한 학교는 기본적인 인터넷 연결조차 불안정하다. AI 시스템은 대부분 영미권 데이터로 학습되어, 다양한 문화적·언어적 맥락을 충분히 반영하지 못한다.

브루킹스 연구소가 경고하듯, AI가 교육 격차를 해소하는 것이 아니라 심화시킬 위험이 있다. 이 격차를 막기 위한 정책적 개입이 필수적이다.

AI 리터러시: 새로운 필수 역량

2025년, AI 리터러시가 전 세계적으로 핵심 역량(core competency)으로 인정받기 시작했다.

• OECD + 유럽집행위원회: 2025년 5월 AI 리터러시 프레임워크 초안 발표 (Code.org 등과 공동 개발, K-12 대상, 2026년 최종본 예정)
• 세계경제포럼(WEF): 2025년 5월 AI 리터러시를 "교육의 핵심 역량"으로 선언
• 미국 노동부: 2026년 2월 AI 리터러시 가이드라인 발표 (노동력 교육용)
• 필리핀: 2026년 2월, 세계 최초로 모든 공립학교에서 AI 사용을 공식 허가하는 행정 명령 발표

AI 리터러시는 단순히 "AI 도구 사용법"이 아니다. AI의 작동 원리 이해, 한계 인식, 윤리적 판단, 비판적 평가 능력을 포괄한다. AI가 생성한 답을 무비판적으로 수용하는 것이 아니라, 그 답의 정확성과 편향을 판단할 수 있는 능력이 핵심이다.

---

제8장: 2026년의 풍경 — AI 교육의 현재와 미래

시장 규모와 성장

연평균 성장률(CAGR) 31.2%로, 가장 빠르게 성장하는 AI 응용 분야 중 하나다. 특히 교육 분야의 LLM 시장은 2026년 $74.9억**에서 2030년 **$350억 이상**으로 CAGR **47.7%의 폭발적 성장이 전망된다.

주요 글로벌 정책 동향 (2026)

미국: 2026년 1월, 교육부가 FIPSE를 통해 1.69억 달러를 배정. 이 중 5,000만 달러가 고등교육 AI 활용 전용. 2026년 3월, 상원에서 NSF AI 교육법이 발의됐다. 2028년까지 100만 명 이상의 AI 인력 양성, 최소 5개 커뮤니티 칼리지 AI 우수센터 설립, 저소득·농촌·부족 지역 K-12 학생 집중 지원이 골자다.

OECD 디지털교육전망 2026(2026년 1월): 37%의 중등 교사가 AI를 사용하고 있으며, 57%가 수업 계획에 도움이 된다고 응답했지만, 72%가 학문적 진실성에 우려를 표명했다. 핵심 발견: "GenAI로 과제를 완수하는 것과 학습하는 것은 같지 않다 — AI 접근이 제거되면(예: 시험) 이점이 사라진다."

Canvas IgniteAI Agent(2026년 3월): 북미 고등교육 기관의 40% 이상이 사용하는 Canvas가 AI 교수 에이전트를 출시했다. 루브릭 생성, 콘텐츠 정렬, 토론 리뷰를 자동화하되, 채점의 완전 자동화는 의도적으로 차단했다. AWS 기반이며, 2026년 6월까지 미국 Canvas 고객에게 무료 제공된다.

교사의 역할: 대체가 아닌 증강

2026년의 합의는 명확해지고 있다. AI는 교사를 대체하는 것이 아니라 증강(augment)한다.

브루킹스 연구소의 2025년 보고서가 정리한 AI 튜터링의 4대 강점:

1. 자연스러운 대화 — 기존 ITS와 달리 자유로운 질의응답
2. 동적 질문 생성 — 학생 수준에 맞는 질문을 실시간 생성
3. 심리적 안전성 — "무한한 인내심"으로 학생이 부끄러움 없이 질문
4. 범용성 — 특정 과목에 국한되지 않는 유연한 대응

동시에 3가지 개선이 필요한 영역:

1. 진정한 개인화 vs 단순 개별화 — 학생의 관심사, 학습 스타일까지 반영
2. 피드백 품질 — 답 수준이 아닌 과정 수준의 피드백으로 진화
3. 인간-AI 하이브리드 모델 — AI가 1차 대응, 교사가 감독·개입

MagicSchool AI의 사례는 교사 증강의 방향을 보여준다. 80개 이상의 AI 교수 도구(수업 계획, 평가, 개별교육프로그램 작성 등)를 제공하며, 미국 거의 모든 학구와 160개국에서 500만 명 이상의 교사가 사용한다. 18개월 만에 6,500만 달러를 유치했다.

스탠퍼드 연구에서는, AI CoPilot을 사용한 인간 튜터의 학생들이 수학 평가에서 4%포인트 높은 진도 달성률을 보였다. AI가 교사를 대체하는 것이 아니라, 교사를 더 효과적으로 만드는 것이다.

---

마치며: 블룸의 꿈, 40년 만의 응답

1984년, 벤자민 블룸은 물었다. "모든 학생에게 1:1 과외만큼 효과적인 교육을 줄 수 있는가?"

40년이 지난 2026년, 우리는 그 질문에 대한 부분적이지만 실질적인 답을 갖게 됐다. 하버드 연구의 0.73~1.3σ, 133개 연구 메타분석의 AI-as-tutor 효과 0.9σ — 이 숫자들은 블룸의 2σ에 완전히 도달하지는 못했지만, 그 어느 때보다 가까이 와 있음을 보여준다.

하지만 숫자보다 중요한 것은 방향이다.

좋은 교육의 원칙은 100년간 변하지 않았다. 각 학생의 속도에 맞추고, 즉각적으로 피드백하고, 학생이 스스로 지식을 구성하도록 돕는 것. 변한 것은 이 원칙을 모든 학생에게 동시에 적용할 수 있는 기술이 등장했다는 것이다.

물론 해결해야 할 과제는 산적해 있다. 부정행위 문제, 교육 형평성, AI 리터러시, 교사의 역할 재정립, 한국의 AI 디지털교과서 경험이 보여준 성급한 도입의 위험까지. 기술이 준비됐다고 해서 교육 현장이 바로 따라가는 것은 아니며, 교육학적 원칙, 현장 교사의 목소리, 학생의 실제 경험이 기술 도입의 속도를 결정해야 한다.

그럼에도 한 가지는 분명하다. 프레시의 자동 시험기에서 시작된 100년의 여정이, AI 튜터라는 형태로 블룸이 상상했던 세계에 한 발짝 더 다가섰다는 것. 모든 학생이 자신만의 선생님을 가질 수 있는 세계, 그 꿈이 처음으로 현실의 영역에 들어왔다.

---

참고 문헌:

• Bloom, B.S. (1984). "The 2 Sigma Problem." Educational Researcher, 13(6), 4-16.
• Anderson, J.R. et al. (1995). "Cognitive Tutors: Lessons Learned." Journal of the Learning Sciences, 4(2), 167-207.
• VanLehn, K. (2011). "The Relative Effectiveness of Human Tutoring, ITS, and Other Tutoring Systems." Educational Psychologist, 46(4), 197-221.
• Graesser, A.C. et al. (2014). "AutoTutor and Family: A Review of 17 Years of Natural Language Tutoring." IJAIED.
• Kestin, G. et al. (2025). "AI tutoring outperforms active learning." Scientific Reports.
• OECD (2026). Digital Education Outlook 2026.