AI 서브에이전트, 교실 속 교사의 전문성을 확장하는 방법

오늘날 교실은 단순히 지식을 전달하는 공간을 넘어선다. 교사는 학습자 개개인의 성장을 돕는 동시에, 교육 과정 설계, 평가, 행정 등 다양한 역할을 수행한다. 이처럼 복잡한 교육 환경 속에서 교사는 어떻게 효율성을 높이고 자신의 전문성을 심화할 수 있을까.

1. 교실의 인지 부하, AI 조력자가 필요한 이유

“인간의 마음이 가장 잘 작동하는 것은 복잡한 세상의 모든 복잡성을 이해하려고 할 때가 아니라, 특정 문제에 집중할 수 있을 때이다.”

교사는 매일 엄청난 양의 정보와 씨름한다. 수많은 학생들의 학습 진도, 개별적인 요구 사항, 학부모 소통, 수업 자료 개발, 평가 설계, 교내 행정 업무에 이르기까지, 처리해야 할 ‘컨텍스트’는 끊임없이 쌓인다. 이 모든 정보를 한 번에 기억하고 완벽하게 처리하려는 시도는 필연적으로 인지 부하를 유발한다. 마치 하나의 거대한 프로젝트를 혼자 감당하려는 개발자와 같다. 모든 파일, 모든 논의, 모든 절반쯤 완성된 생각이 기억 공간에 머무르며 반응 속도를 늦추고 본질적인 작업의 집중도를 떨어뜨린다. 교육 현장에서는 이를 ‘교사의 컨텍스트 부식’이라 부를 수 있다.

클로드 코드(Claude Code)와 같은 AI 도구 사용자들이 겪는 ‘컨텍스트 부식(Context Rot)’ 현상은 교사에게도 시사하는 바가 크다. AI 모델이 수많은 정보를 동시에 처리할 수 있는 것처럼 보일지라도, 컨텍스트 창이 지나치게 커지면 오히려 정보 검색 능력이 떨어지고 오류가 발생하기 쉽다. 너무 많은 정보는 주의를 분산시키고, 이전의 실수를 반복하거나, 심지어는 충분한 검토 없이 작업을 진행하는 결과를 초래한다. 교사 역시 이와 유사한 경험을 한다. 여러 학생의 복잡한 상황을 동시에 처리하거나, 방대한 자료를 바탕으로 새로운 수업을 기획할 때, 정보의 과부하는 오히려 비효율을 낳는다.

이러한 문제에 대한 해법으로 등장하는 개념이 바로 서브에이전트이다. 서브에이전트는 독립된 컨텍스트 창을 가진 격리된 AI 인스턴스를 의미한다. 특정 작업을 할당받아 수행하고, 그 결과만을 주 대화에 반환한다. 이는 마치 교사가 복잡한 프로젝트를 여러 개의 작은 팀으로 나누어 각 팀에게 명확한 목표와 자원을 제공하는 방식과 유사하다. 각 팀은 자신의 영역에만 집중하며, 최종적으로 취합된 결과는 전체 프로젝트의 완성도를 높인다.

Bett 2026에서 강조된 ‘한계 없는 학습(Learning without Limits)’의 핵심은 기술이 교사의 역할을 대체하는 것이 아니라, 교사 고유의 역량을 강화하고 확장하는 동반자로서 기능한다는 점이다. 서브에이전트는 이러한 AI 동반자로서 교사의 인지 부하를 경감하고, 복잡한 교육 업무를 효율적으로 관리하며, 궁극적으로는 교사가 학생과의 깊이 있는 상호작용과 창의적인 수업 설계에 더 많은 에너지를 쏟을 수 있도록 돕는다. 교사는 AI의 도움으로 개별 학생에게 최적화된 학습 경험을 제공하고, 수업의 질을 높이며, 행정 업무 부담을 줄이는 등 다각적인 변화를 경험할 수 있다. AI는 단순히 지식을 전달하는 도구를 넘어, 교실에서 발생하는 다양한 딜레마를 해결하는 강력한 시스템으로 진화하고 있다. 그렇다면 이 서브에이전트라는 개념은 구체적으로 교실에서 어떻게 활용될 수 있을까?

핵심 정리 서브에이전트는 교사의 복잡한 업무 환경에서 인지 부하를 줄이고 효율적인 작업 관리를 돕는 AI 협업 모델이다.

2. 서브에이전트, 교사의 전문성을 심화하는 도구

“우리는 모든 것을 혼자 할 필요가 없다. 때로는 가장 효율적인 방법이 신뢰할 수 있는 조력자에게 특정 작업을 위임하는 것이다.”

교사는 교육 과정을 설계할 때, 때로는 익숙하지 않은 주제를 연구하고, 때로는 여러 학생들의 진도를 동시에 확인해야 한다. 이러한 다면적인 과제들이 주 대화 흐름을 방해하지 않으면서도 효율적으로 처리될 수 있다면 어떨까? 서브에이전트는 바로 이러한 상황에서 교사의 전문성을 심화하는 강력한 도구로 기능한다.

서브에이전트는 독립적인 컨텍스트 창을 가진 자기 완결적인 AI 에이전트이다. 주 AI가 서브에이전트를 생성하면, 이 서브에이전트는 독립적으로 파일을 읽고, 자료를 탐색하며, 필요한 경우 변경 사항을 생성한다. 작업이 완료되면 서브에이전트는 관련 결과만을 주 대화에 반환한다. 이는 교사가 복잡한 학급 프로젝트를 진행할 때, 특정 과제를 전담하는 소규모 학생 그룹을 운영하는 것과 비슷하다. 각 그룹은 부여된 과제에만 집중하고, 최종 결과물만 교사에게 보고한다.

각 서브에이전트는 새로운 컨텍스트로 시작하며, 이전 대화의 이력이나 사용된 스킬로부터 자유롭다. 여러 서브에이전트가 병렬적으로 작동할 수 있으며, 각각 다른 권한을 가질 수 있다. 예를 들어, 학습 자료 조사 서브에이전트는 읽기 전용 접근 권한을 가지지만, 수업 활동 설계 서브에이전트는 편집 권한을 가질 수 있다.

클로드 코드는 여러 내장 서브에이전트 유형을 포함한다.

• 범용 에이전트: 복잡한 다단계 과제에 활용한다. 교실에서는 특정 프로젝트의 포괄적인 계획 수립이나 복합적인 문제 해결에 사용될 수 있다.
• 계획 에이전트: 코드베이스를 연구한 후 구현 전략을 제시한다. 교실에서는 새로운 교육 프로그램을 설계하기 전 관련 교육 과정, 학습 목표, 평가 방안 등을 조사하고 통합적인 전략을 수립하는 데 활용될 수 있다.
• 탐색 에이전트: 빠르고 읽기 전용 코드 검색에 최적화되었다. 교실에서는 방대한 교육 자료, 학술 논문, 웹 기반 콘텐츠 등에서 특정 정보를 빠르게 찾아 요약하는 데 적합하다.

AI는 종종 할당된 과제를 처리하기 위해 스스로 서브에이전트를 생성한다. 그러나 교사가 이러한 작동 방식을 명시적으로 지시하거나, 재사용 가능한 전문 서브에이전트를 정의하여 AI가 자동으로 위임하도록 할 수도 있다. 서브에이전트를 언제 활용해야 하는지 아는 것이 이 기능을 유용하게 만드는 핵심이다.

특정 유형의 작업은 서브에이전트 위임을 통해 명확한 이점을 얻는다. 이러한 작업의 특징을 인식하는 것은 서브에이전트 활용의 효과를 극대화한다.

• 조사 위주 과제: 무언가를 변경하기 전에 그것이 어떻게 작동하는지 이해해야 할 때 서브에이전트는 방대한 자료를 탐색하고 요약본을 반환한다. 예를 들어, 교사가 새 단원을 시작하기 전, 관련 연구 동향이나 다양한 교수법을 조사해야 할 때 수십 개의 논문을 직접 읽는 대신 서브에이전트에게 관련 자료를 요약하도록 지시할 수 있다. 주 대화는 깔끔하게 유지되고, 원시 자료 대신 정리된 발견 사항이 도착한다.

• 여러 독립적인 과제: 여러 파일에 걸쳐 오류를 수정하거나, 여러 구성 요소의 패턴을 업데이트하거나, 서로 의존성이 없는 변경 사항을 만들 때 병렬 서브에이전트가 작업을 더 빠르게 완료한다. 교실에서는 여러 학생의 보고서에서 공통적인 오류 패턴을 수정하거나, 여러 학습 자료의 특정 부분을 동시에 업데이트하는 경우에 활용된다. 세 개의 서브에이전트가 동시에 작업하면 일반적으로 작업 완료 시간이 단축된다.

• 신선한 관점 필요: 구현에 대한 편향 없는 검토가 목표일 때, 서브에이전트는 주 대화에서 오는 가정, 컨텍스트 또는 맹점을 상속받지 않기 때문에 깨끗한 상태에서 객관적인 평가를 제공한다. 예를 들어, 교사가 개발한 새로운 수업 방식이나 평가 루브릭에 대해 객관적인 피드백이 필요할 때 서브에이전트에게 이전 논의 내용 없이 순수하게 검토하도록 요청한다. 주 대화를 유지하면서 신선한 관점을 얻을 수 있다.

• 확실한 검증: 변경 사항을 최종 확정하기 전에 독립적인 서브에이전트가 구현이 테스트에 과적합되지 않았는지, 또는 엣지 케이스를 놓치지 않았는지 확인할 수 있다. 교사가 수업 계획을 최종 확정하기 전, 특정 학습 활동이 예상치 못한 부작용을 일으키지는 않는지, 또는 모든 학생 유형을 포괄하는지 등 두 번째 의견이 필요할 때 활용한다. 코드에 대한 친숙함 때문에 놓칠 수 있는 문제를 발견한다.

• 파이프라인 워크플로: 과제가 명확한 단계(예: 설계 → 구현 → 테스트)를 가질 때, 각 단계는 집중적인 주의를 통해 이점을 얻는다. 교실에서는 프로젝트 기반 학습(PBL)과 같이 여러 단계를 거치는 수업을 진행할 때 유용하다. 설계 단계는 설계 서브에이전트, 구현 단계는 구현 서브에이전트, 테스트 단계는 테스트 서브에이전트가 맡는다. 각 서브에이전트는 다른 단계의 컨텍스트가 잡음을 만들지 않고 자신의 단계에 집중한다.

이러한 서브에이전트의 활용은 ‘클로드 코드 세션 한도 관리’에서 언급된 ‘컨텍스트 부식’ 문제를 해결하는 데 본질적으로 기여한다. 주 대화의 컨텍스트를 불필요하게 늘리지 않고, 특정 작업을 독립된 공간에서 처리한 후 핵심 결과만을 반환함으로써 AI의 효율성과 정확성을 높인다. 궁극적으로 교사는 AI가 제공하는 ‘동적 학습 경험’을 통해 학습 내용을 변화시키고, 학생들의 기억력과 학습 만족도를 높이는 데 집중할 수 있다. 서브에이전트가 이러한 학습 자료 변환 작업을 효율적으로 수행하는 조력자가 되는 것이다.

토의 활동 자신이 담당하는 교육 업무 중 서브에이전트 개념을 적용할 수 있는 영역은 무엇이며, 어떤 유형의 서브에이전트가 가장 효과적일지 이야기 나눈다.

핵심 정리 서브에이전트는 복잡한 교육 업무를 효율적으로 분할, 처리하고 객관적인 통찰을 제공하며, 교사의 전문성을 심화하는 강력한 도구가 된다.

3. 서브에이전트 활용 전략: 교실 자동화와 전문성 성장의 균형

“훌륭한 도구는 단순히 작업을 대신하는 것을 넘어, 우리가 더 스마트하고 깊이 있게 일하도록 만든다.”

교실에 AI 도구를 도입하는 것은 교사의 업무 부담을 줄이고 학습의 질을 높이는 강력한 방법이다. 그러나 AI를 효과적으로 활용하려면 매번 복잡한 지시를 입력하는 수고를 넘어, AI가 교사의 의도를 더 자연스럽게 이해하고 실행하도록 만드는 전략이 필요하다. 서브에이전트 활용에는 여러 방법이 있으며, 이는 단순한 대화형 지시부터 고도로 자동화된 워크플로에 이르기까지 다양하다.

대화형 호출: 가장 유연한 접근 방식은 클로드에게 서브에이전트 사용을 대화로 요청하는 것이다. 이는 모든 클로드 코드 인터페이스에서 작동한다.

• “이 학습 목표에 맞는 추가 탐구 자료를 서브에이전트를 사용해 찾아달라.”
• “이 학생의 글쓰기 초고를 별도의 에이전트가 피드백해달라.”
• “이 세 가지 연구 과제를 병렬로 진행해달라. 각 팀이 조사한 내용을 동시에 확인하고 싶다.” 명시적인 지시가 중요한다. 작업의 범위, 병렬 실행 요청 여부, 원하는 출력 형태를 구체적으로 명시해야 한다. 예를 들어, “이 단원의 개념을 병렬 서브에이전트를 활용해 탐색해달라: 1. 핵심 용어와 정의를 찾고 요약, 2. 관련 실제 사례를 3가지 이상 제시, 3. 이 개념을 활용한 간단한 퀴즈 5문항 생성. 각 결과는 요약된 형태로 반환하고, 전체 파일 내용은 제외해달라.” 이 지시는 세 가지 독립적인 과제를 명확히 정의하고, 병렬 실행을 요청하며, 출력 형식을 지정한다.

맞춤형 서브에이전트: 동일한 종류의 서브에이전트가 계속 요청될 때(예: 보안 검토자), 이를 맞춤형 서브에이전트로 한 번 정의할 수 있다. 이렇게 정의하면 클로드는 작업이 그 설명과 일치할 때마다 자동으로 작업을 위임한다. 교실에서는 학습 목표 검토 에이전트, 평가 루브릭 에이전트, 자료 요약 에이전트 등으로 정의할 수 있다. 이들은 .claude/agents/ 디렉토리에 마크다운 파일 형태로 존재하며, 시스템 프롬프트, 도구 권한, 심지어 특정 모델까지 지정할 수 있다. ‘Bett 2026’에서 강조한 ‘작동성(Integration)’과 ‘책임감(Responsibility)’ 원칙은 이러한 맞춤형 서브에이전트 설계에 중요한 지침이 된다. AI의 잠재력만큼이나 윤리적 활용이 중요하므로, 교사는 어떤 역할을 AI에게 위임할지 신중하게 결정하고 설계해야 한다.

CLAUDE.md 지침: 맞춤형 서브에이전트가 전문가를 정의한다면, CLAUDE.md 파일은 언제 클로드가 그 전문가에게 작업을 위임해야 하는지에 대한 규칙을 정의한다. 예를 들어, 모든 코드 검토가 읽기 전용 서브에이전트를 거쳐야 한다거나, 모든 건축 관련 질문이 먼저 연구 단계를 거쳐야 한다고 정책을 설정하는 곳이다. 교실에서는 “모든 토론 활동은 자료 조사를 통해 사실 확인을 거친 서브에이전트의 검토를 받는다” 또는 “새로운 프로젝트 시작 시, 항상 기존 학습 자료와의 연계성을 탐색하는 서브에이전트가 먼저 작동한다”와 같은 정책을 설정할 수 있다. 클로드는 모든 대화 시작 시 이를 읽으므로, 팀원이나 세션에 관계없이 일관된 행동이 유지된다.

스킬: 반복적으로 실행되는 복잡한 다단계 워크플로의 경우, 스킬은 재사용 가능한 인터페이스를 제공한다. 스킬은 .claude/skills/에 한 번 정의한 후 /스킬-이름으로 호출하거나, 작업 설명과 일치할 때 클로드가 자동으로 로드하도록 할 수 있다. 예를 들어, ‘심층 연구 스킬’은 학습 목표 분석, 관련 자료 검색, 핵심 개념 요약, 예상 질문 도출 등 여러 단계를 포함하는 포괄적인 연구 작업을 자동화한다.

훅(Hooks): 훅은 클로드 코드의 특정 라이프사이클 지점에서 자동으로 실행되는 사용자 정의 셸 명령, HTTP 엔드포인트 또는 LLM 프롬프트이다. 훅은 이벤트 기반으로 서브에이전트 워크플로를 자동화할 수 있다. 예를 들어, 학생 보고서 제출 시 자동적으로 표절 검사 또는 학습 목표 달성도 예측 서브에이전트를 실행하도록 설정할 수 있다. 이는 CI/CD(지속적 통합/지속적 배포)와 유사한 품질 관리 과정을 교육 과정에 적용하는 방식이다. 훅은 서브에이전트 오케스트레이션의 가장 자동화된 접근 방식을 대표하며, 대화형 호출이나 CLAUDE.md 지침으로 시작하여 워크플로가 성숙해짐에 따라 도입하는 것이 일반적이다.

하지만 서브에이전트가 항상 최적의 솔루션은 아니다. 모든 AI 도구처럼 서브에이전트도 오버헤드를 발생시킨다. 각 서브에이전트는 자체 컨텍스트를 가동하고, 토큰을 소모하며, 교사와 작업 사이에 추가적인 간접 계층을 더한다. 컨텍스트 격리, 병렬 처리, 또는 신선한 관점이 실제로 도움이 될 때만 그 비용을 감수할 가치가 있다.

• 순차적이고 의존적인 작업: 두 번째 단계가 첫 번째 단계의 전체 결과가 필요하고, 세 번째 단계가 그 둘 모두를 필요로 할 때, 단일 세션으로 체인을 처리하는 것이 서브에이전트가 파일을 통해 상태를 전달하는 것보다 일반적으로 더 명확하다. 학생 개개인과의 심층 상담이나 복잡한 문제 해결 과정에서 교사의 직접적인 개입과 실시간 상호작용이 필수적인 경우 여기에 해당한다.

• 동일 파일 편집: 두 서브에이전트가 같은 파일을 병렬로 편집하는 것은 충돌을 초래할 수 있다. 이 시나리오에서는 밀접하게 연결된 변경 사항을 하나의 컨텍스트 창에 유지하는 것이 바람직하다.

• 작은 과제: 빠른 수정이나 집중적인 질문의 경우, 위임의 오버헤드가 이점보다 크다. 주 대화에서 바로 질문하거나 지시하는 것이 더 효율적이다.

• 너무 많은 전문 에이전트: 모든 것에 대해 맞춤형 서브에이전트를 정의하려는 유혹이 있지만, 클로드를 옵션으로 과부하 시키면 자동 위임의 신뢰성이 떨어진다. 대부분의 팀은 몇 개의 잘 정의된 에이전트에 집중한다. 교사 역시 너무 많은 AI 에이전트를 정의하기보다, 핵심적이고 반복적인 업무에 집중하여 활용하는 지혜가 필요하다.

• 에이전트 간 직접 조율 필요: 서브에이전트는 주 대화에 결과를 보고하지만, 서로 소통할 수는 없다. 서브에이전트가 서로 통신해야 하는 작업의 경우, ‘에이전트 팀(agent teams)’을 사용한다. 에이전트 팀은 서브에이전트가 별도의 세션 간에 조율하므로 더 무겁고 비용이 많이 든다.

결론적으로 서브에이전트의 잠재력을 최대한 활용하기 위해서는 신중한 접근이 요구된다. 대화형 프롬프트로 시작하여, 반복되는 요청 패턴을 파악한 후 자동화 시스템을 구축하는 점진적인 도입 방식이 효과적이다. 목표는 서브에이전트 위임을 자연스럽게 만들고, 교사의 주의가 본질적인 교육 활동에 머무르도록 하는 데 있다.

핵심 정리 서브에이전트의 다양한 활용 전략은 교사의 업무를 효율적으로 자동화하고 전문성을 특정 영역으로 심화시키지만, 그 활용에는 명확한 의사결정 기준과 단계적 접근이 필요하다.

4. 한계 없는 학습을 향한 교사의 여정

AI 서브에이전트의 개념은 단순히 기술적인 진보를 넘어, 교사의 교육적 역할과 전문성 개발에 대한 새로운 시각을 제시한다. 앞서 탐구했듯이, 서브에이전트는 교사가 겪는 인지 부하를 효과적으로 관리하고, 복잡한 교육 업무를 효율적으로 분할 및 처리하며, 나아가 교사 고유의 전문성을 심화하는 강력한 동반자로 기능한다. 이는 Bett 2026에서 제시된 ‘한계 없는 학습’이라는 비전과 맥락을 같이 한다. AI는 교사를 대체하는 것이 아니라, 교사의 역량을 증강하고, 인간적 연결과 창의적 교육에 더 집중할 수 있는 환경을 조성한다.

방대한 교육 자료를 조사하고 요약하며, 학생 개개인의 특성을 고려한 맞춤형 학습 계획을 수립하고, 다양한 관점에서 수업 설계를 검토하며, 심지어는 반복적이고 행정적인 업무를 자동화하는 과정에서 서브에이전트의 역할은 점차 확대될 것이다. 이들은 교과서를 동적 학습 경험으로 변모시키는 AI의 가능성을 현실로 만드는 데 중요한 조력자가 된다. 서브에이전트를 활용한 ‘파이프라인 워크플로’는 수업 디자인, 자료 준비, 평가 설계 등 다단계로 이루어진 교육 과정을 체계적으로 관리하는 새로운 방법을 제시한다. 이는 교사가 각 단계에 집중하여 품질을 높이고, 전체적인 교육 과정의 완성도를 끌어올린다.

결국 AI 서브에이전트는 교사가 ‘무엇을 가르칠 것인가’에 대한 고민을 넘어, ‘어떻게 가르칠 것인가’, 그리고 ‘어떻게 나의 전문성을 확장할 것인가’에 대한 답을 찾아가는 여정에 필수적인 도구가 된다. 우리는 AI가 제공하는 효율성과 객관성을 활용하여, 교실의 복잡성을 넘어선 새로운 교육의 지평을 열어갈 수 있다.

앞으로 이 글이 제기한 문제들을 교실에서, 학교에서, 혹은 자기 자신에게 어떻게 이어갈 것인지. 교사들은 AI 서브에이전트의 개념을 자신의 업무에 적용할 작은 시도를 시작한다. 예를 들어, 특정 학습 자료 요약이나 간단한 피드백 생성 등 대화형 호출부터 점진적으로 자동화된 맞춤형 에이전트를 설계한다. 동료 교사들과의 전문적 학습 공동체에서 AI 활용 사례를 공유하고, 최적의 활용 방안에 대해 함께 토론하며 집단 지성을 형성한다. 이러한 과정을 통해 AI 도구를 단순히 ‘활용’하는 것을 넘어, 교육적 가치와 윤리적 책임감을 바탕으로 ‘설계’하는 주체로 거듭날 가능성을 모색한다.

생각할 질문

교사는 학생과의 상호작용과 관계 형성에 더 집중하기 위해, 어떤 종류의 업무를 AI 서브에이전트에게 위임할 수 있을까?

교사의 핵심적인 ‘인간적 역량’을 더욱 강화하기 위해, AI 서브에이전트는 어떤 방식으로 교사를 지원해야 할까?

학교 차원에서 AI 서브에이전트와 같은 전문화된 AI 도구의 도입 및 활용을 위한 지원 시스템을 어떻게 구축할 수 있을까?

출처

https://claude.com/blog/subagents-in-claude-code