AI 스킬 재사용, 교육 현장의 생산성을 넘어 작업 방식의 최적화

수많은 AI 도구가 쏟아지는 가운데, 어떤 기술이 교육 현장의 실제적인 가치로 연결될 수 있을까? 화려한 기능 목록에 현혹되지 않고, 본질적인 변화를 가져올 수 있는 AI의 ‘재사용성’에 집중해야 한다. 이번 영상은 그 해답의 실마리를 명확히 제시한다. AI를 단지 소비하는 것을 넘어, 우리의 작업 방식에 맞춰 세팅하고 최적화하는 과정이 진정한 가치를 창출한다는 통찰을 얻는다.

AI ‘스킬’의 본질, 도구를 넘어선 작업 방식의 최적화

영상은 대규모 언어 모델(LLM) 기반의 코딩 도구 클로드 코드(Claude Code)를 800시간 이상 사용하며 얻은 6가지 ‘스킬’을 소개한다. 발표자는 화려하지만 한두 번 쓰고 마는 스킬이 아닌, 매일 손이 가며 실제 작업 속도를 높이는 스킬에 집중한다. 본질적으로, 이 ‘스킬’이라는 개념은 반복적인 프롬프트 엔지니어링을 구조화하고 자동화하여 재사용하는 과정이다. AI 도구를 단순히 사용하는 것을 넘어, 사용자의 작업 방식에 맞게 최적화하는 데 그 목적이 있다. 이는 교육 현장에서 교사들이 매일 반복하는 루틴 업무, 예컨대 학습 목표 설정, 평가 루브릭 생성, 피드백 초안 작성 등에서 엄청난 생산성 향상을 가져올 수 있다.

AI를 시니어 개발자처럼 훈련하는 법

AI는 때로 열정은 넘치지만 판단력은 부족한 주니어 개발자처럼 행동한다. 영상에서 소개된 Karpathy Guidelines와 Superpowers 스킬은 이러한 AI의 한계를 구조적으로 보완한다.

Karpathy Guidelines는 AI 코딩 에이전트가 자주 저지르는 세 가지 문제를 해결하기 위한 네 가지 규칙으로 구성된다. AI는 종종 모르는 상태에서 바로 코드를 짜거나, 비효율적으로 긴 코드를 만들고, 불필요한 부분까지 건드려 버리는 경향을 보인다.

이 문제를 해결하기 위한 Karpathy Guidelines의 핵심 원칙은 다음과 같다.

문제점	해결 원칙	목표 효과
모르는 것을 모른 채 코딩 시작	먼저 질문하라(Ask first)	불확실성 감소, 명확한 요구사항 파악
100줄이면 될 코드를 1000줄로 확장	간결하게 작성하라(Write concisely)	코드 가독성 향상, 불필요한 복잡성 제거
버그 수정 시 주변 코드까지 임의 변경	필요한 부분만 수정하라(Edit minimally)	의도치 않은 버그 유입 방지, 코드 안정성 유지
(암묵적) 맥락 부족	맥락을 파악하라(Understand context)	문제의 본질 이해, 정확한 솔루션 도출

이처럼 단순한 규칙들은 AI의 비효율성을 효과적으로 제어한다. 교육 맥락에서 보면, 교사가 AI에게 ‘학습 계획’을 맡겼을 때 AI가 바로 결과물을 내놓는 대신, 먼저 ‘어떤 학년, 어떤 과목, 어떤 학생 그룹’인지 질문하게 만드는 것과 같다. 이는 AI의 초기 결과물 품질을 근본적으로 향상시키는 방법이다.

더 나아가 Superpowers 스킬은 클로드에게 시니어 개발자의 작업 프로세스를 강제한다. AI가 무작정 코드부터 짜는 것이 아니라, 먼저 스펙을 정리하고, 구현 계획을 세우며, 핵심적으로는 테스트 코드를 먼저 작성하도록 유도한다. 이 스킬을 활용하면 첫 결과물의 퀄리티가 60점에서 80점으로 올라가는 효과를 가져온다고 영상은 주장한다. 이 20점의 향상은 단순히 숫자의 변화가 아니다. 초기 단계에서의 오류 감소는 디버깅 시간을 대폭 줄이고, 궁극적으로 교사의 재능이 더 고차원적인 학습 설계와 학생 상호작용에 투입될 여지를 직접적으로 늘린다.

비정형 데이터를 읽어내는 AI

영상은 클로드 비디오(Claude Video)와 언더스탠드 애니싱(Understand-Anything) 스킬을 통해 AI가 방대한 비정형 데이터를 어떻게 처리하고 통찰력을 추출하는지 보여준다.

클로드 비디오 스킬은 AI가 유튜브 링크를 통해 영상의 스크립트와 프레임을 분석하여 영상의 구조를 파악하고 내용에 대한 질문에 답변하도록 한다. 짧은 영상은 촘촘하게, 긴 영상은 넓게 프레임을 추출하는 자동 조절 기능은 AI의 효율적 분석 능력을 증명한다. 이 기능은 교육자가 강의 영상의 핵심 구조를 빠르게 파악하거나, 학생 발표 영상에서 특정 키워드를 분석하여 피드백 초안을 생성하는 데 활용될 수 있다.

언더스탠드 애니싱 스킬은 20만 줄짜리 코드 베이스와 같은 방대한 프로젝트를 스캔하여 모든 파일, 함수, 의존성 관계를 추출하고 지식 그래프로 시각화한다. 대시보드를 통해 아키텍처 레이어별로 확인하고, 노드를 클릭하면 해당 코드가 무엇인지, 어디와 연결되어 있는지 설명한다. 더욱이 이 스킬은 코드뿐만 아니라 PDF, 마크다운, 심지어 사진까지 비전으로 읽어 그래프에 넣어준다. 이는 비단 개발뿐 아니라 교육 현장에서도 강력한 영향력을 행사한다. 방대한 학습 자료, 교과서, 참고문헌 등을 AI가 지식 그래프로 구조화하여 교사가 새로운 교재를 빠르게 이해하거나, 학생들에게 복잡한 개념 간의 연결성을 시각적으로 제시하는 데 활용할 수 있다. 처음 접하는 복잡한 지식 체계를 ‘가이드 투어’처럼 안내하는 기능은 학생의 자기 주도 학습 경로 설계에도 결정적인 기여를 한다.

AI의 ‘기억’을 확장하는 에이전트 메모리

클로드 코드의 기본 메모리 관리 방식은 한계가 명확하다. 마크다운 파일로 세션별 기록을 남겨도 분량이 커지면 관리가 어렵고, 매번 모든 내용을 기록할 수는 없다. 에이전트 메모리(agentmemory) 스킬은 이러한 한계를 넘어선다. 이 스킬은 12개의 자동 후크 세션을 통해 모든 작업을 조용히 기록한다. 사용자가 별도로 개입할 필요 없이, AI가 알아서 내용을 압축하여 로컬 데이터베이스에 저장하고, 다음 세션에서 필요한 컨텍스트만 골라 주입한다.

기존 방식과 에이전트 메모리 스킬의 차이점은 다음 표와 같다.

기능	기존 클로드 코드 메모리 (마크다운)	에이전트 메모리 (로컬 DB)
기록 방식	수동 기록 및 관리	12개 자동 후크 세션, 자동 기록 및 압축
저장 방식	텍스트 파일(마크다운)	로컬 데이터베이스
컨텍스트 주입	파일 전체 또는 수동 선택	벡터 검색, 그래프 검색 조합으로 핵심 정보 주입
검색 효율성	관련 없는 내용 포함 가능	현재 작업에 필요한 정보만 골라 가져옴
사용자 개입 필요	높음	거의 없음

에이전트 메모리는 벡터 검색과 그래프 검색을 조합하여 현재 작업에 가장 필요한 정보만을 선별적으로 가져온다. 이는 교사가 AI와 협업하여 특정 학생의 학습 이력을 지속적으로 관리하거나, 특정 프로젝트의 진행 상황을 장기적으로 추적하며 맥락에 맞는 피드백을 제공하는 데 필수적이다. AI가 교사 개개인의 ‘기억’을 확장하고, 학습자의 개별 맥락을 깊이 이해하는 데 중요한 역할을 한다.

교육 현장을 위한 궁극의 스킬, 나만의 AI 조력자 만들기

영상은 가장 강력한 스킬로 스킬 크리에이터(Skill Creator)를 꼽는다. 앤트로픽의 공식 스킬인 이것은 사용자가 원하는 스킬을 설명하면 클로드가 직접 만들고, 테스트하고, 패키징까지 해준다. 코드를 직접 수정하거나 복잡한 포맷을 외울 필요가 없다. 이는 교육 현장에 엄청난 시사점을 던진다. 교사들이 특정 수업 방식, 평가 기준, 학생 특성에 맞춰 자신만의 AI 도구를 직접 만들 수 있음을 의미한다.

스킬은 한 번 만들고 끝나는 것이 아니다. 발표자는 앤트로픽 엔지니어들의 말을 인용하여, 사람들이 프롬프트 하나하나에 공을 들이면서도 정작 그 프롬프트를 스킬로 만들지 않는다고 지적한다. 클로드를 1일차에 사용하는 방식과 30일차에 사용하는 방식은 완전히 달라야 한다. 즉, 스킬을 실행해 보고 아쉬운 부분이 있다면 “다음부터는 이런 식으로 해줘”라고 수정하는 반복적인 개선 과정이 필수적이다. 매번 같은 프롬프트를 반복 입력하는 것은 매번 작업을 새로 시작하는 것과 다름없다.

이 원칙은 교육 현장에서 특히 중요하다. 일반적인 AI 도구는 범용성을 지닌다. 하지만 특정 학교의 교육 철학, 학급의 고유한 문화, 특정 학생의 학습 스타일을 완벽히 반영하기는 어렵다. 스킬 크리에이터는 교사가 자신의 전문성과 경험을 AI에 주입하여, 개인화된 교수학적 조력자를 만드는 가능성을 열어준다. 특정 주제의 서술형 평가 루브릭을 생성하는 스킬을 만들고, 학생들의 답변을 스킬에 넣어 평가 초안과 피드백을 받는 과정을 반복하며 스킬을 정교화할 수 있다. 이 과정이야말로 AI를 교육 현장에 깊이 내재화하는 방법이다.

AI 스킬을 교육 현장에 정착시키려면

AI 스킬의 도입은 분명 교육 현장에 생산성과 효율성의 혁신을 가져올 잠재력을 지닌다. 그러나 이 변화가 무조건적인 낙관으로 이어져서는 안 된다. 비판적 관점에서 그 이면의 부작용과 윤리적 문제를 날카롭게 짚고 넘어가야 한다.

AI 스킬은 반복 작업을 자동화하여 교사의 업무 부담을 줄이고, 더 고차원적인 교수 활동에 집중할 시간을 제공한다. 특정 학생의 학습 데이터를 분석하여 맞춤형 학습 자료를 생성하거나, 복잡한 프로젝트 기반 학습(PBL)의 설계 프로세스를 구조화하는 데 결정적인 도움을 줄 수 있다. 60점에서 80점으로의 초기 결과물 품질 향상은 교사가 피드백과 수정에 들이는 시간을 획기적으로 줄여줄 수 있다.

하지만 문제는 다음과 같다.

• 탈숙련화(Deskilling) 위험: AI 스킬에 과도하게 의존하면, 교사들이 해당 업무에 대한 본연의 역량(예: 복잡한 지식 체계를 직접 구조화하는 능력, 비정형 데이터를 분석하는 능력)을 잃을 수 있다. 이는 AI의 오류를 비판적으로 검토하거나, AI가 해결하기 어려운 새로운 문제에 직면했을 때 교사의 대응 능력을 저하시키는 결과를 초래한다.
• 편향성 증폭: AI 스킬이 학습한 데이터는 기존의 편견이나 특정 관점을 내포할 수 있다. 만약 교사가 이 스킬로 생성된 학습 자료나 평가 기준을 무비판적으로 사용한다면, 이러한 편향성이 교육 현장에 그대로 전이되어 특정 학생들에게 불이익을 주거나 다양성을 저해하는 결과를 낳을 수 있다.
• 맥락 상실: AI 스킬은 보편적인 패턴에 기반한다. 그러나 교육 현장은 학생 개개인의 고유한 특성, 학급의 역동성, 학교의 문화, 지역사회의 맥락 등 무수한 변수가 상호작용하는 복잡계다. AI 스킬이 제공하는 결과물이 이러한 미묘한 맥락을 놓칠 경우, 오히려 교육적 효과를 저해할 수 있다. 본질적으로, ‘어떻게’에 대한 고민 없이 ‘무엇을’에만 집중하는 교육 현장은 AI의 잠재력을 온전히 활용할 수 없다.
• 디지털 격차 심화: AI 스킬의 개발 및 활용 능력은 모든 교사에게 균등하게 분포되지 않는다. 이러한 도구에 대한 접근성, 활용 능력, 그리고 가장 중요한 ‘맞춤형 스킬’을 만들고 개선하는 역량의 차이는 교사 간, 나아가 학교 간의 교육 격차를 심화시킬 수 있다.

이러한 부작용과 윤리적 문제를 극복하고 AI 스킬이 교육 현장에 실질적인 가치를 제공하려면, 단순한 도구 도입을 넘어선 구조적인 접근이 필요하다. 거창한 조직을 새로 만들라는 뜻은 아니다. 교사들이 각자 만든 스킬과 그 실패담을 정기적으로 꺼내 놓고 함께 들여다보는 자리가 있을 때, AI 스킬은 개인의 요령에서 학교의 자산으로 옮겨간다. 그런 자리에서 교사들은 다음과 같은 활동을 통해 AI 스킬을 비판적으로 활용하고 발전시킨다.

• 공동 탐색 및 실험: 교사들은 각자의 교과 및 학급에서 AI 스킬을 도입하고 실험하며, 그 효과와 한계를 공유한다.
• 맞춤형 스킬 공동 개발: ‘스킬 크리에이터’의 원리를 적용하여, 특정 교육 목표나 학교 특성에 맞는 교육용 AI 스킬을 함께 설계하고, 반복적인 피드백을 통해 개선한다. 이는 개별 교사의 부담을 줄이고, 집단 지성을 활용하여 더 정교한 스킬을 만드는 데 기여한다.
• 비판적 성찰 및 윤리적 논의: AI 스킬의 결과물을 함께 분석하고, 그 안에 내재된 편향성이나 맥락 부재의 문제를 비판적으로 논의한다. 어떤 조건에서만 AI 스킬이 유효한지, 그리고 어떤 부분은 반드시 교사의 개입과 판단이 필요한지를 명확히 한다.
• 협력적 지식 구축: 개별 교사의 AI 활용 노하우를 ‘공동의 스킬’로 만들어 공유하고, 이를 통해 학교 전체의 AI 리터러시와 교수 전문성을 향상시킨다. 이는 게임이론의 관점에서 반복적인 협력 게임에 해당한다. 각 교사가 자신의 경험을 공유하고 다른 이의 스킬 개선에 기여함으로써, 개별적인 최적화가 전체 시스템의 효율을 극대화하는 결과를 낳는다.

결국 AI 스킬은 단순한 ‘버튼’이 아니다. 그것은 우리의 교육적 상상력과 전문성을 담아낼 수 있는 ‘그릇’이다. 이 그릇을 어떻게 빚고, 무엇을 담을지는 온전히 교사들의 집단 지성과 협력적 노력에 달려 있다.

지속적인 학습과 협력의 장

AI 스킬은 정적인 도구가 아니다. 그것은 사용자, 즉 교사와 함께 진화해야 하는 동적인 시스템이다. AI 스킬을 교육 현장에 성공적으로 안착시키려면, 교사 개개인의 노력뿐 아니라 학교 전체의 협력 문화가 필요하다. 가장 작은 시작은 거창한 위원회가 아니다. 동학년 협의회가 끝난 뒤 5분, 각자 그 주에 만든 스킬 하나를 공유 폴더에 올리고 다음 모임에서 그 결과를 함께 뜯어보는 일이다. 그 반복이 쌓여야 AI 스킬은 한 사람의 요령이 아니라 학교의 역량이 된다.

출처

• 영상: 클로드 코드 800시간 쓰고 남은 스킬 6개 — Jay Choi

  인디해커 라이프