AI는 ‘맞춤 학습’을 어디까지 이끄는가: 환상과 현실

교육의 디지털 전환이라는 거대한 파도 속에서, AI 기반의 ‘개인화 학습’은 미래 교육의 핵심 키워드로 떠오른다. 하지만 우리는 이 변화의 본질을 얼마나 깊이 이해하는가? 과연 AI는 학습을 진정으로 개인화하는가, 아니면 단지 개별화를 더 빠르고 효율적으로 만드는 도구에 불과한가?

AI와 맞춤 학습, 개념부터 짚고 넘어간다

이 연구는 디지털 교육 시대에 ‘개별화(individualization)’와 ‘개인화(personalization)’ 개념을 AI 기술 관점에서 재정의한다. 이 구분을 명확히 하는 일은 AI를 교육 현장에 적용하는 방향성을 결정하는 데 핵심적이다.

개별화는 교육자가 학생의 학습 속도와 방법을 조절하지만, 학습 목표는 집단 전체에 동일하게 적용된다. 학생은 주어진 커리큘럼을 자신의 페이스에 맞춰 따라가는 ‘객체’에 가깝다. 반면 개인화는 학생이 자신의 목표를 설정하고, 학습 경로를 공동으로 설계하며, 교육 과정의 ‘주체’로 참여하는 방식이다. 학습 목표 또한 개인의 흥미와 필요에 따라 유연하게 달라진다.

이 구분은 탁상공론이 아니다. 우리가 AI를 활용해 무엇을 진정으로 추구해야 하는지 방향을 제시한다. 대다수 교육 현장은 이 둘의 차이를 명확히 인지하지 못하는 현실이다. 본 연구의 설문조사 결과, 교사의 45%가 두 개념의 차이를 모른다고 답했다. 이 간극은 AI 활용의 오남용으로 이어진다.

AI 기반 학습 플랫폼의 현실, 개별화의 극대화인가 개인화의 시작인가

AI 기술은 개별 학습 접근의 실질적인 가능성을 크게 확장했지만, 연구가 보여주듯이 현재 구현되는 개인화는 여전히 제한적이다. 시스템은 주로 학습 내용의 형식, 속도, 순서를 조절하는 ‘개별화’ 영역에 집중한다.

해외 주요 사례

• Squirrel AI Learning (중국): 이 시스템은 지식을 ‘나노 단위’로 분해해 학생의 지식 공백을 진단하고, 학습 경로를 맞춤형으로 제공한다. 2,400만 명 학생 데이터와 100억 건 학습 상호작용을 바탕으로 한 LAM 모델은 전통 방식 대비 학업 성취도를 약 30% 향상시켰다. 이 기술은 학습 효율을 극대화한다.
• Carnegie Learning (미국): 지능형 튜터링 시스템(ITS)을 활용해 인지 과학 기반의 실시간 피드백과 코칭을 제공한다. 이 시스템은 학생들의 수학 성적 향상과 학습 참여도 증대를 이끈다.
• Knewton Adaptive Learning (미국): 심리 측정 모델과 머신러닝을 통해 개별 학생에게 최적화된 학습 자료를 동적으로 제공하며, 학습 콘텐츠와 분리된 ‘개인화 엔진’ 아키텍처를 제시한다.
• Chen, Y. (2025) 연구 (의대생): AI 플랫폼을 사용한 의대생 그룹은 대조군 대비 학업 성취도 평균 84.47점 vs 81.72점으로 유의미하게 높았다. 또한 하루 자율 학습 시간은 49.25분에서 34.80분으로 증가했고, 과학 문헌 독서량은 1.5배 늘어났다. 이는 AI가 학업 성취도, 학습 만족도, 자기 주도 학습 능력을 동시에 높일 수 있음을 보여준다.

그림 1. 해외 주요 AI 학습 시스템 — Squirrel AI, Knewton, Carnegie Learning, 의대생 실험 등 6개 사례.

러시아 주요 사례

• «스베르클래스» (SberClass): 러시아의 국가 프로젝트로, 65개 지역 2,500개 학교 50만 명 학생이 사용한다. 개인 맞춤형 학습 계획과 경로 설정을 지원하며, 국가 차원에서 개인화 학습 인프라를 구축한다.
• 칸트 발트 연방대학교 «인스쿨테크»: 학생의 학업 성취도, 심리적 프로파일, 행동 특성, 심지어 신경 생리적 지표까지 통합해 ‘디지털 프로파일’을 구축한다. 이 정보를 바탕으로 교육 GPS 시스템처럼 학습 경로를 역동적으로 조정한다.
• 모스크바 시 교육대학교 (MGPU)의 «디지털 미러»: 수업 중 학생들의 영상, 음성 데이터를 분석해 감정, 표정, 시선 등을 파악한다. AI 모델은 교사의 교수법을 분석하고 피드백을 제공하여 교사의 전문성 개발을 돕는다.

그림 2. 러시아 주요 AI 학습 시스템 — 스베르클래스, 인스쿨테크, 디지털 미러, ITMO 생태계 등 6개 사례.

이 연구들이 보여주는 것은 명확하다. AI는 학습 내용의 형식, 속도, 순서를 조절하는 데 탁월하며, 이는 곧 ‘고도화된 개별화’이다. AI는 주어진 목표를 가장 효율적으로 달성하게 돕는 도구이지, 아직은 학생 스스로 목표를 찾아 떠나는 여정의 나침반은 아니다.

한계와 비판적 관점, AI는 만능 해결사가 아니다

연구는 AI 시스템이 주로 인지적 측면(지식, 기술)과 주어진 결과에 대한 학생 활동 최적화에 중점을 둔다고 지적한다. 대부분의 AI 플랫폼은 학생의 무엇을 배울지보다 어떻게 배울지에 초점을 맞춘다. 이는 정해진 커리큘럼 내에서 학습의 ‘효율’을 높이는 방향이다.

본질적으로, 현재 AI 기반 맞춤 학습은 ‘학습자가 설정한 목표’가 아니라 ‘시스템이 설정한 목표’를 향해 나아가는 과정의 효율을 최적화한다. 진정한 개인화는 학습 목표의 개별화와 학습자 주도의 자기 조절 학습 능력을 요구한다. 이는 단순히 데이터를 기반으로 학습 경로를 추천하는 것을 넘어서, 학습자가 자신의 삶과 연결된 의미를 발견하고 목표를 설정하도록 돕는 차원이다.

이 연구는 AI가 학생의 ‘정서적 반응’이나 ‘신경 생리적 지표’까지 활용하는 멀티모달 데이터의 가능성을 언급한다. 하지만 이러한 데이터가 학습자의 자유로운 목표 설정을 돕기보다, 시스템이 학습자를 더 정교하게 ‘관리’하고 ‘조종’하는 도구로 전락할 위험도 상존한다. AI의 알고리즘이 투명하지 않다면, 우리는 ‘개인화’라는 명분하에 학습자에게 최적화된 감금 상태를 만드는 것은 아닌지 질문해야 한다. 이 연구는 이 중요한 질문을 던지지만, 깊이 탐구하지는 않았다.

AI 시대, 교사의 역할과 새로운 교육 환경

AI는 새로운 교육 환경이다. 이 환경에서 진정한 개인화를 위해서는 교수 설계의 변화, 알고리즘 투명성, 학생의 적극적인 목표 설정 참여가 필요하다.

교사 설문 결과는 흥미롭다. 응답 교사의 87%가 수업 준비 최적화 및 AI 도구 통합 방법에 대한 실질적인 지침을 원했다. 이는 교사들이 AI를 ‘도구’로 바라보며, 자신의 역할 변화에 대한 고민이 깊다는 증거다. AI는 교사의 ‘모두를 위한 정면 수업’ 부담을 줄여주며, 개별 지원 역할을 대신할 수 있다. AI는 또한 학습자의 ‘보이지 않는’ 데이터(감정, 미세한 지식 공백)를 가시화하여 교사가 더 심층적인 교육 설계를 할 수 있도록 돕는다.

AI 시대에 교사는 지식 전달자가 아닌 ‘성장 멘토’이자 ‘환경 설계자’로 거듭나야 한다. AI가 학습 속도와 내용을 조절하는 ‘오퍼레이터’ 역할을 맡는 동안, 교사는 학습자의 가치관 형성, 비판적 사고, 창의성 등 AI가 대체하기 어려운 인간적 역량 개발에 집중할 시간과 에너지를 확보한다. 이것이 AI가 주는 가장 큰 기회이다.

그러나 이러한 변화는 교사가 단순히 AI를 ‘사용하는’ 것을 넘어, AI의 작동 원리를 이해하고, 알고리즘의 한계와 윤리적 함의를 비판적으로 성찰할 수 있는 ‘알고리즘 리터러시’를 갖출 때만 성립한다. 학교는 교사들이 이러한 역량을 함께 실험하고 성찰하는 전문적 학습 공동체(PLC)를 활성화하는 구조를 먼저 구축해야 한다. 그렇지 않으면 AI는 또 하나의 ‘관리 도구’로 전락하고 만다.

우리 교실에 AI를 제대로 적용하는 행동 지침

우리는 AI가 제공하는 개별화의 효율성을 환영하되, 그것이 진정한 개인화로 나아가기 위한 디딤돌임을 잊지 말아야 한다. 지금 당신의 교실에서 AI를 ‘제대로’ 활용하기 위한 첫걸음은 다음과 같다.

1. AI를 활용해 학생의 ‘약점 진단’과 ‘반복 학습’을 자동화한다. 이 연구에서 Squirrel AI나 Carnegie Learning이 보여주듯이, AI는 학생의 부족한 부분을 정확히 찾아내고, 필요한 반복 학습을 맞춤형으로 제공하는 데 압도적인 효율을 보인다. 이 과정을 AI에게 맡겨 교사는 시간을 확보해야 한다.
2. 확보한 시간을 ‘학습 목표 공동 설정’과 ‘성장 멘토링’에 투입한다. AI가 루틴한 학습 관리를 대신하는 동안, 교사는 학생들과 1대1로 대화하며 그들의 흥미, 강점, 미래 목표를 탐색한다. 그리고 이를 실제 학습 목표로 연결하고, 학습 경로를 함께 디자인하는 데 주력해야 한다. 학생이 학습의 ‘주인’이 되도록 돕는 것이 진정한 개인화이다.

이 두 가지 원칙은 AI가 개별화의 효율을 높이는 동시에, 교사가 개인화의 본질에 집중할 수 있도록 돕는 실질적인 로드맵이 된다.

---

출처

• Karakozov, S. D., Ryzhova, N. I., Samokhvalova, E. A., & Gosudarev, I. B. (2026). From Individualization to Personalization of Education: Theoretical Aspects and Practical Implementation Based on Artificial Intelligence Solutions. Integration of Education, 30(2), 346–369. https://doi.org/10.15507/1991-9468.26302.346-369