AI 워크플로우, 교실의 복잡한 숙제를 풀다
우리는 모두 안다. 현장에서 마주하는 문제들이 얼마나 복잡하고 다층적인지. AI 기술이 ‘만능 해결사’처럼 등장했지만, 실상은 단일한 질문-답변으로는 한계에 부딪히기 일쑤다. 단순 반복 업무가 아니라, 깊이 있는 사고와 다각적인 검증이 필요한 교육 현장의 진짜 난제들. 어쩌면 답은 AI를 하나 더 추가하는 것이 아니라, AI가 스스로 복잡한 작업을 설계하고 실행하는 방식의 변화에 있었다. 클로드(Claude)가 선보인 동적 워크플로우는 이 질문에 대한 새로운 해법을 제시한다.
AI의 고질적 한계, 동적 워크플로우가 깬다
최근 클로드 코드(Claude Code)는 동적 워크플로우 기능을 출시했다. 이 기술의 핵심은 클로드가 각 작업에 맞춰 스스로 실행 전략, 즉 ‘하네스(harness)’를 즉석에서 설계하고 구축한다는 점이다. 기본 클로드 코드 하네스는 코딩에 최적화되어 있지만, 연구, 보안 분석, 에이전트 팀 구성, 코드 리뷰 등 다양한 복잡성에 대응하는 맞춤형 하네스 구축이 필요했다. 동적 워크플로우는 이 맞춤형 하네스를 클로드가 자체적으로 생성하여 복잡한 문제들을 더 원활하게 해결하도록 돕는다.
본질적으로, 기존 AI 모델은 단일한 사고의 흐름 속에서 계획과 실행을 동시에 처리한다. 이는 간단한 코딩 작업에는 효율적이지만, 대규모 병렬 처리, 장기 실행, 또는 이해관계가 첨예한 작업에서는 구조적으로 실패한다. 마치 한 명의 교사가 수십 명의 학생 개개인의 모든 학습 과정을 동시에 설계하고 평가하기 어려운 상황과 같다. 클로드의 설명에 따르면, 단일 컨텍스트 내에서 복잡한 작업을 오래 수행할수록 AI는 다음 세 가지 고질적인 실패 모드에 취약해진다.
| AI의 기존 약점 | 설명 | 동적 워크플로우의 해결책 |
|---|---|---|
| 에이전트 게으름 | 복잡한 다단계 작업을 완전히 끝내지 않고 부분적인 진척 후 완료를 선언한다. (예: 보안 검토 50개 중 35개만 처리) | 분리된 하위 에이전트들이 각자의 명확한 목표를 가지고 작업하여 완결성을 높인다. |
| 자기 편향성 | 자신의 결과나 발견을 선호하여, 루브릭에 따른 검증이나 판단 시 객관성이 떨어진다. | 검증 전담 하위 에이전트를 두어 결과에 대한 독립적인 비판적 평가를 수행한다. |
| 목표 이탈 | 여러 번의 요약과 압축 과정에서 초기 목표의 세부 사항, 예외 조건, 또는 특정 제약이 점진적으로 손실된다. | 각 하위 에이전트가 고립된 목표를 지니고 작업하며, 컨텍스트 압축으로 인한 정보 손실을 최소화한다. |
이러한 문제들은 교육 현장에서 AI를 활용할 때도 그대로 나타난다. 예를 들어, AI에게 ‘학생들의 비판적 사고력을 높이는 심층 토론 학습 계획을 세워라’고 지시하면, 단순히 활동 목록을 나열하거나 피상적인 질문만 던지는 경우가 많다. 초기 목표에 대한 심층적 이해나 다양한 변수를 고려한 계획 수립 능력은 제한적이었다. 동적 워크플로우는 이 한계를 하위 에이전트(subagent) 개념으로 돌파한다. 여러 AI가 각자의 ‘분야’와 ‘책임’을 맡아 협업하는 구조다.
하위 에이전트 협업으로 작동하는 동적 워크플로우
동적 워크플로우는 자바스크립트(JavaScript) 파일을 실행하여 하위 에이전트를 생성하고 조정한다. 여기서 핵심은 워크플로우가 각 하위 에이전트가 사용할 AI 모델(지능 수준)을 결정하고, 이들을 독립적인 작업 공간(worktree)에서 실행할 수 있다는 점이다. 이는 마치 교사가 특정 과제에 따라 학생들을 소그룹으로 나누고, 각 그룹에 맞는 학습 자료와 목표를 부여하는 과정과 유사하다. 고난도 과제에는 높은 지능의 모델을, 단순 검증에는 경량 모델을 할당하여 자원 효율성을 높일 수 있다.
흥미롭게도, 이러한 워크플로우는 중단되어도 세션을 다시 시작하면 중단된 지점부터 작업을 이어간다. 이는 장기 프로젝트나 복잡한 연구 작업에서 치명적인 실패를 막는 중요한 기능이다. 교실에서 진행되는 프로젝트 학습에서도, 학생들이 갑작스럽게 작업을 중단해야 할 때 진행 상황을 기록하고 다시 시작할 수 있는 유연성은 필수적이다.
동적 워크플로우를 활용할 때 클로드가 자주 사용하는 몇 가지 패턴이 있다. 이는 우리가 복잡한 교육 문제를 AI와 함께 해결할 때 참고할 만한 전략적 사고방식을 제공한다.
| 워크플로우 패턴 | 설명 | 교육 현장 적용 예시 |
|---|---|---|
| 분류 및 실행 | 분류 에이전트가 작업 유형을 결정하고, 해당 유형에 맞는 에이전트나 행동으로 작업을 라우팅한다. | 학생 질문 분류 (개념, 심화, 오류 등) 후, 각 질문에 맞는 설명, 추가 자료, 피드백 제공 에이전트로 연결한다. |
| 분산 및 통합 | 작업을 여러 작은 단계로 나누고, 각 단계에 에이전트를 실행한 후 결과를 통합한다. 각 단계는 독립적인 컨텍스트를 유지한다. | 교과서 단원별 핵심 개념 추출, 각 개념에 대한 설명 자료 생성, 활동 설계 후, 이들을 통합하여 하나의 학습 모듈을 완성한다. |
| 대립적 검증 | 생성된 결과물을 별도의 에이전트가 특정 루브릭이나 기준에 따라 비판적으로 검증한다. | AI가 생성한 시험 문제의 난이도, 타당성, 문항 오류 등을 다른 AI 에이전트가 검토하고 수정 제안한다. |
| 생성 및 필터링 | 특정 주제에 대해 다양한 아이디어를 생성하고, 루브릭이나 검증으로 최상의 아이디어만 선별한다. | 특정 주제의 에세이 주제 아이디어 수십 개를 생성한 후, 창의성, 적합성, 논쟁성 루브릭으로 상위 5개를 선별한다. |
| 토너먼트 | 여러 에이전트가 동일한 작업을 다른 방식으로 시도하고, 심사 에이전트가 쌍대 비교로 최우수 결과물을 선정한다. | 특정 문제 해결을 위한 다양한 교수 전략을 AI 에이전트들이 제안하고, 교육 목표 달성 가능성 기준으로 최적의 전략을 토너먼트 방식으로 선택한다. |
| 반복 실행 | 작업량이 불확실할 때, 특정 중단 조건(새로운 발견 없음, 오류 없음)이 충족될 때까지 에이전트를 반복적으로 생성하며 작업을 수행한다. | 학생들의 오개념을 찾는 작업을 반복하여 수행하고, 더 이상 새로운 오개념이 발견되지 않을 때까지 분석한다. |
이 패턴들은 단순히 코드 작업에만 국한되지 않는다. 교실 운영, 교육 콘텐츠 개발, 학생 평가 등 다양한 교육 활동에 적용될 가능성이 농후하다. 예를 들어, ‘토너먼트’ 패턴은 다양한 교수법 아이디어를 경쟁시켜 최적의 방법을 찾는 데 활용될 수 있고, ‘대립적 검증’은 AI가 생성한 학습 자료의 오류를 잡아내는 데 유용하다. 중요한 것은 우리가 AI에게 어떤 작업을 ‘어떻게’ 수행하도록 설계할 것인가 하는 질문이다.
교실에서 AI 워크플로우를 활용하는 법
동적 워크플로우는 우리가 AI를 바라보는 관점을 근본적으로 바꾼다. 단순한 도구가 아니라, 특정 목적을 가진 ‘지능형 팀’을 구성하는 것이다. 교육 현장에서의 적용 사례를 상상해 본다.
- 커리큘럼 및 자료 심층 연구: 특정 주제에 대한 심층 연구 워크플로우를 생성한다. 웹 검색 하위 에이전트가 자료를 수집하고, 검증 에이전트가 사실 관계를 확인하며, 종합 에이전트가 인용된 보고서를 작성한다. 이는 새로운 교육과정 개발이나 특정 교과 내용의 심화 자료를 만들 때 매우 효과적이다. 학생들의 독서 활동 후, 사실 확인 및 비판적 분석을 위한 자료를 AI가 직접 찾아내고 요약하는 것도 가능하다.
- 학생 프로젝트 검증 및 피드백: 학생들이 제출한 보고서나 프로젝트의 기술적 주장을 검증하는 워크플로우를 만든다. 한 에이전트가 주장들을 식별하고, 다른 에이전트가 각 주장의 근거를 찾아 검토한다. 심지어 검증 에이전트가 소스의 신뢰도까지 평가하도록 설계할 수 있다. 이는 교사의 피드백 부담을 줄이면서도 학생들의 학습 과정을 더욱 깊이 있게 지원한다. 단, 이 과정에서 학생의 창의성이나 비정형적 사고를 억압하지 않도록 검증 기준과 범위를 명확히 설정해야 한다.
- 학습 자료 분류 및 재구성: 수많은 학습 자료나 학생들의 질문 데이터를 특정 기준(난이도, 주제, 학생 오답 유형 등)에 따라 분류하고 정렬하는 작업에 워크플로우를 활용한다. 예를 들어, 오답 노트를 분석하여 유사한 오개념을 가진 학생들을 그룹화하고, 각 그룹에 맞는 보충 학습 자료를 추천하는 식이다. 이는 교사가 맞춤형 교육을 제공하는 데 필요한 시간과 노력을 획기적으로 줄여줄 수 있다. 중요한 것은 AI가 단일 컨텍스트 내에서 수천 개의 데이터를 한 번에 처리하려 하면 품질이 저하되므로, 토너먼트나 병렬 처리 패턴으로 점진적으로 정렬하는 전략이 필요하다.
- 교육 과정 오류 및 개선점 탐색: 수업 기록, 학생 피드백, 평가 결과 등을 종합하여 특정 학습 목표 달성 부진의 근본 원인을 파악하는 워크플로우를 구축한다. 로그, 설문 결과, 학습 데이터 등 분리된 증거로부터 가설을 생성하는 하위 에이전트를 여러 개 실행하고, 각 가설에 대해 반박 및 검증 에이전트가 교차 검증을 수행한다. 이는 교사가 자신의 교수 전략을 객관적으로 성찰하고 개선하는 데 필수적인 통찰을 제공한다.
언제 워크플로우를 멈춰야 하는가
동적 워크플로우는 분명 강력한 도구다. 하지만 모든 작업에 필요한 것은 아니다. 필자의 경험상, 워크플로우는 일반적인 코딩 작업보다 훨씬 많은 토큰을 소비한다. ‘이 작업이 정말 더 많은 컴퓨팅 파워를 필요로 하는가?’라는 질문에 스스로 답해야 한다. 단순한 질문에 대해 5명의 리뷰 패널을 구성하는 것은 과도한 자원 낭비일 뿐이다.
워크플로우는 새로운 기술이며, 우리는 여전히 이를 가장 잘 활용하는 방법을 탐색하는 중이다. 교사들이 워크플로우를 활용할 때 중요한 것은 명확한 목표 설정과 종료 조건 정의이다. 예를 들어, ‘학생들의 창의적 글쓰기 아이디어를 도출하라’는 워크플로우를 만들었다면, ‘최소 10개의 독창적인 아이디어를 제공하고, 각 아이디어에 대한 3가지 발전 방향을 제시한다’와 같은 구체적인 목표와 종료 조건을 명시해야 한다.
또한, 워크플로우를 효과적으로 활용하기 위한 몇 가지 팁이 있다.
- 구체적인 프롬프트: 세부적이고 명확한 지시가 최상의 결과를 낳는다. “빠른 워크플로우”로 가정을 빠르게 검토하는 것도 가능하다.
- /goal 및 /loop와 결합: 반복적인 작업(트리아지, 연구, 검증 등)의 경우
/loop로 정기적인 실행을 지시하고/goal로 명확한 완료 요구사항을 설정한다. - 토큰 사용량 예산 설정:
use 10k tokens와 같이 명시적인 예산을 설정하여 과도한 자원 소모를 방지한다. - 워크플로우 공유: 작업이 완성된 워크플로우는
~/.claude/workflows에 저장하거나 스킬(skill) 형태로 동료들과 공유하여 재활용할 수 있다. 이는 교사 간 효율적인 교수 학습 노하우 공유의 새로운 모델이 될 수 있다.
동적 워크플로우는 AI와의 협업 방식을 혁신하는 새로운 출발점이다. 이는 AI를 단순한 정보 제공자가 아닌, 우리의 복잡한 교육 과제를 함께 고민하고 해결하는 전략적 파트너로 격상시킨다. 지금 당장, 당신의 교실에서 가장 복잡하다고 느끼는 문제 하나를 꺼내어 이 워크플로우 패턴 중 하나를 적용해볼 가능성을 상상해보라. 그리고 그 과정에서 당신이 발견한 새로운 활용법을 기꺼이 주변 동료와 공유해야 한다. 이것이 우리가 AI 시대를 함께 헤쳐나가는 가장 현명한 길이다.