AI 혼란: 증강과 자동화를 넘어 재구축으로 나아가야 하는가?
AI가 세상을 뒤흔들 것이라는 기대는 무성하지만, 막상 우리 교육 현장에서 체감하는 변화는 여전히 미미하다. 많은 교사와 관리자가 챗GPT 같은 생성형 AI를 활용하고 있지만, 여전히 익숙한 방식 안에서 보조 도구로만 활용한다. AI가 가져올 진정한 파괴적 혁신은 단순한 도구 도입을 넘어선다는 주장이 그래서 더욱 설득력을 얻는다.
AI, 기대와 현실 사이 — 왜 아직 체감하지 못하는가?
이 연구는 AI가 만능처럼 보이지만, 예상했던 큰 파괴가 아직 완전히 도래하지 않은 이유를 명확히 짚는다. 그 이유는 AI 모델의 능력 부족이나 이를 활용하는 도구의 미비함 때문이 아니다. 오히려 대부분의 조직이 AI 이전 시대에 맞춰 설계된 워크플로우를 가속화하는 데 AI를 사용하기 때문이라고 연구진은 주장한다.
역사는 흥미로운 비유를 제공한다. 초기 공장이 증기기관을 전기모터로 단순히 교체했을 때는 생산성 향상이 미미했다. 그러나 공장 레이아웃과 생산 프로세스를 전기의 유연성과 분산화 특성에 맞춰 재설계했을 때에야 생산성이 폭증했다. 이 논문은 지금의 AI 활용 방식이 마치 전기모터를 증기기관 자리에 그대로 끼워 넣는 것과 같다고 말한다. 현재 교육 현장에서도 챗GPT로 학습지 문항을 만들거나 초안 작성에 쓰는 수준이다. 본질적으로 기존 워크플로우를 유지한 채 속도만 높인다.
AI 통합 3단계 — 증강, 자동화, 그리고 재구축
연구는 AI 통합 과정을 증강(Augmentation), 자동화(Automation), 재구축(Reconstruction)이라는 세 단계의 렌즈로 설명한다. 진정한 구조적 변혁은 마지막 재구축 단계에서만 발생한다고 강조한다.
- 증강(Stage 1): AI가 인간이 수행하는 개별 업무를 향상한다. 이는 오늘날 AI 사용의 지배적인 방식이다. 이메일 초안 작성, 문서 요약, 코드 제안, 고객 질문 응답 등이 여기에 해당한다. 인간은 작업 순서, 판단, 책임에 대한 통제권을 갖는다. 조직 재설계가 필요 없어 빠르게 확산한다. 교육 현장의 예시는 교사가 수업 계획 초안을 작성하거나 연습 문제를 생성하는 데 AI의 도움을 받는 상황이다.
- 자동화(Stage 2): 일상적인 업무가 ‘배후’에서 진행되며 인간의 인지 부담을 줄인다. 이는 종종 생산성 향상의 첫 번째 ‘실제’ 단계로 느껴진다. AI는 시스템 내부에서 더 열심히 일하지만, 시스템 자체는 크게 변하지 않는다. 교육 현장의 예시는 AI 시스템이 수업 계획을 생성하고, 평가를 만들고, 채점을 돕는 경우다. 학생들은 설명 방식을 실시간으로 조정하는 AI 튜터와 상호작용한다. 교사와 학생은 콘텐츠 전달 메커니즘보다 학습 경로 구성, 결과 해석, 진도 관리에 더 집중한다. 하지만 이는 기존의 휴먼 중심 시스템 (양식, 대기열, 승인, 회의) 안에서 작동한다.
- 재구축(Stage 3): 여기서 오랜 시간 예상했던 파괴적 혁신이 비로소 나타난다. 워크플로우를 AI의 고유한 능력, 즉 속도, 병렬 처리, 메모리, 지속적인 모니터링, 기계 간 상호작용에 맞춰 재설계한다. 업무 단계는 재조정되고, 제거되거나 감사 가능한 제약 조건으로 바뀐다. 거버넌스는 사후에 추가되는 것이 아니라 워크플로우에 직접 설계된다. 인간의 역할은 고차원적인 업무로 이동한다. 이 과정에서 활동 자체의 의미가 재정의된다. “쇼핑하다”, “학습하다”, “코딩하다”는 단순한 실행 방식의 변화를 넘어 그 본질이 바뀐다. 교육 현장의 예시는 교육 시스템이 지속적이고 개인화된 학습 루프 중심으로 재편되는 것이다. AI는 숙달도를 추적하고, 맞춤형 지시를 생성하고, 진행 상황을 평가하며, 그 결과를 커리큘럼 설계에 다시 반영한다. 정확히는 정적인 결과물 (숙제와 시험)에서 동적인 기술 습득과 지속적인 평가로 초점이 바뀐다.
교육 현장의 AI 활용은 대부분 증강 단계에 머문다. 자동화 단계를 넘어서는 사례도 찾아보기 어렵다. 재구축 단계는 교육의 목적, 평가, 교사의 역할에 대한 근본적인 질문을 던진다. 이 변화가 정착되려면 교사들이 함께 실험하고 성찰하는 구조가 먼저다.
다음 표는 연구에서 제시한 AI 통합 3단계별 교육 분야의 변화를 보여준다.
| 도메인 | 1단계: 증강 | 2단계: 자동화 | 3단계: 재구축 |
|---|---|---|---|
| 교육 | AI가 학생들의 과제 완성, 개념 설명, 연습 문제 생성 돕는다. 교사는 수업 계획이나 시험 문제 초안 작성에 AI를 사용한다. | AI 시스템이 수업 계획, 평가를 생성하고 채점을 돕는다. 학생들은 설명을 실시간으로 조정하는 AI 튜터와 상호작용한다. | 교육이 지속적이고 개인화된 학습 루프 중심으로 재편된다. AI가 숙달도를 추적, 맞춤형 지시 생성, 진행 상황 평가, 결과를 커리큘럼 설계에 피드백한다. 정적 결과물에서 동적 기술 습득 및 지속 평가로 전환된다. |
재구축 단계에서는 단순한 업무 지원을 넘어 위임, 지속적인 모니터링, 기계 간 조정 중심으로 워크플로우가 재설계된다. 이는 교육의 본질을 변화시키는 근본적인 전환점이다.
재구축을 가로막는 4가지 제도적 장벽
진정한 재구축 단계가 아직 대규모로 나타나지 않는 이유는 기술적 한계보다 제도적인 제약에 있다. 연구는 다음과 같은 네 가지 주요 제약을 강조한다.
- 신뢰 및 책임: AI 에이전트에 의미 있는 권한을 위임하려면 감사 가능성, 책임의 명확한 할당, 인센티브의 정렬이 필수다. 조직은 에이전트의 행동을 검사하고, 결과를 평가하며, 실패에 대응하고, 문제가 발생했을 때 구제책을 제공해야 한다. 교사는 AI의 “블랙박스” 안에 학습자 데이터가 어떻게 처리되는지 신뢰할 수 있어야 한다.
- 데이터 및 인터페이스: 신뢰할 수 있는 에이전트 실행을 위해서는 깨끗하고 상호 운용 가능한 데이터, 명시적이고 기계 판독 가능한 정책 정의가 필요하다. 많은 교육 기관은 아직 자체 운영을 기계가 자율적으로 작동할 만큼 충분히 명확하게 만들지 못한다. 개인 정보 보호는 재구축의 첫 번째 조건이다.
- 워크플로우: 대부분의 교육 시스템은 여전히 인간 중심적이다. 화면을 읽고, 양식을 작성하고, 예외를 해결하는 등 모든 상호작용을 인간이 중재한다고 가정한다. AI 중심 시스템은 지속적인 인간 개입 없이 에이전트가 거래하고, 조정하고, 문제를 에스컬레이션할 수 있는 API, 프로토콜, 기계 판독 가능한 규칙을 요구한다. 기존의 평가-기록-행정 시스템은 AI 네이티브 워크플로우와 거리가 멀다.
- 인센티브: 기존 비즈니스 모델 안에서 AI로 효율을 끌어올리는 편이 처음부터 시장과 조직을 재구축하는 것보다 안전하고 쉽다. 단기적인 목표 달성에 집중하는 현재 교육 시스템은 장기적인 재구축 투자를 저해하는 구조적인 한계를 갖는다. 판을 바꾸는 변화를 시도하려는 소규모 주체는 투자 역량이 부족하고, 대규모 주체는 기존 시스템을 파괴할 인센티브가 부족하다.
이 4가지 장벽은 교육 현장에서도 너무나 현실적이다. 구조적으로 보면, 현재의 평가-기록-행정 시스템은 AI 네이티브 워크플로우와 거리가 멀다. AI 기술 자체는 발전하지만, 이를 효과적으로 통합하고 운영하기 위한 사회적, 제도적 인프라가 미흡하다.
‘좋은 곳’으로 AI 혼란을 이끄는 방법
AI의 미래는 필연적이지만, 그 영향은 정해져 있지 않다고 연구는 말한다. 리더들은 혁신이 모두에게 이로운 “좋은 곳”으로 향하도록 의도적으로 방향을 설정해야 한다. 마치 하키 선수가 퍽이 가는 곳으로 스케이트를 타는 것을 넘어, 퍽이 좋은 곳으로 가도록 적극적으로 방향을 이끌어야 한다는 비유와 같다.
이를 위해 연구는 조직이 다음의 실천적인 방안들을 제안한다.
- 기계 판독 가능한 데이터 및 인터페이스에 투자한다. 이는 에이전트 간 상호작용을 가능하게 하는 핵심 기반이다.
- 기존 프로세스 위에 자동화를 덧입히는 대신, 워크플로우를 AI 네이티브로 재설계한다. 이는 시스템 수준의 근본적인 변화를 의미한다.
- AI 기반 의사결정에 대한 명확한 위임 범위와 책임 구조를 정의한다. 이는 신뢰와 책임 문제를 해결하는 초석이다.
교육 분야에서는 이 세 가지가 곧 교사 전문성 개발과 맞닿는다. 교사들이 새로운 도구 사용법만 배우는 것을 넘어, AI가 어떻게 학습 경험을 재정의하고, 교사의 역할을 확장하는지 함께 고민하고 설계하는 과정이 핵심이다. 전문적 학습 공동체(PLC)에서 교육 과정과 평가 방식을 함께 재설계하는 실험이 필요하다. 단순히 AI를 도구로 활용하는 것을 넘어, AI가 교육의 본질을 어떻게 변화시킬지에 대한 깊은 성찰과 집단적 실행이 선행되어야 한다. 그렇지 않으면, AI는 현재의 교육 격차와 불평등을 가속화할 뿐이다.
출처
- Rothschild, D. M., Hofman, J. M., Mobius, M., Lucier, B., Dillon, E., Goldstein, D. G., Immorlica, N., & Slivkins, A. (2026). From augmentation to reconstruction: Guiding the AI disruption to the good place. arXiv preprint arXiv:2605.29207.