✍🏻 트라이팟 컬럼

AI가 코딩을 대행하는 시대, 교사는 무엇을 해야 하는가? 안드레이 카파시는 사유(Thinking)는 아웃소싱해도 이해(Understanding)는 불가능하다고 단언한다. 2025년 12월을 기점으로 AI 에이전트의 능력이 급격히 향상됨에 따라, 교육 현장에서도 근본적인 역할 재정의가 필요하다. 2025년 12월, 에이전트 시대의 개막 카파시는 2025년 12월을 AI 에이전트가 실질적으로 작동하기 시작한 분기점으로 지목한다. 이전에는 코드 덩어리를 던져주고 수정해야 하는 수준이었지만, 이후에는 에이전트가 스스로 리서치, 계획, 코딩, 테스트, 디버깅까지 일관된 흐름으로 수행하기 시작했다는 것이다. 작년 11월쯤 AI 코딩 능력이 별로라고 결론 내렸다면, 지금 다시 시도해야 한다. 소프트웨어 3.0 시대, 코딩은 프롬프팅 소프트웨어를 3단계로 구분하는 카파시의 프레임워크는 시사하는 바가 크다. 소프트웨어 3.0 시대에는 프로그래밍이 곧 프롬프팅이 된다. 코드 위에서 돌아가던 것이, 코드가 사라진 자리에 신경망이 직접 들어가는 것이다. 이 변화는 기존 패러다임의 속도 향상이 아닌, 이전에는 불가능했던 것을 가능하게 한다. 앱을 만들 계획이 있다면, 신경망 호출 한 번으로 되는 것은 아닌지 질문해야 한다. AI의 들쭉날쭉 지능과 인간의 역할 카파시는 AI가 모든 영역에서 뛰어난 것이 아니라, 채점 가능한 영역에서만 천재적인 능력을 발휘한다고 강조한다. 답이 명확한 수학, 코딩에서는 능숙하지만, 일상적인 상식이나 미묘한 뉘앙스를 파악하는 데는 어려움을 겪는다. 10만 줄 코드 리팩토링하는 모델이 세차장에는 차를 가져가야 하는 것을 모르는 상황이 발생한다. 이러한 들쭉날쭉함(Jagged Intelligence) 때문에 인간이 루프 안에 있어야 한다. AI를 도구로 사용하되, 최종 결정권은 인간이 가져야 한다. 오픈AI가 체스 데이터를 프리트레이닝에 추가했을 때 체스 능력이 향상된 사례는, AI의 능력이 데이터 분포에 얼마나 의존적인지 보여준다. 바이브 코딩과 에이전틱 엔지니어링의 균형

AI에게 코딩을 시켜본 경험이 있는가? 시키는 대로 했을 뿐인데, 왜 항상 만족스러운 결과가 나오지 않을까? 마치 학생이 질문의 요지를 파악하지 못하고 엉뚱한 답을 늘어놓는 상황과 놀랍도록 닮았다. AI의 코딩, 우리 학생들의 학습 과정과 닮았다 최근 AI 분야의 저명한 개발자 안드레이 카르파티의 통찰이 담긴 흥미로운 글을 읽었다. 그는 대규모 언어 모델(LLM)이 코드를 생성할 때 흔히 저지르는 실수들을 지적한다. 이를 요약하면 세 가지 문제로 요약된다. 첫째, AI는 스스로 잘못된 가정을 하고 이를 확인하지 않은 채 코드를 만들어낸다. 혼란스러워도 명확히 묻지 않고, 불일치를 드러내거나 절충안을 제시하지도 않는다. 둘째, 코드를 불필요하게 복잡하게 만든다. 추상화를 남용하고, 쓸모없는 코드를 정리하지 않으며, 100줄이면 될 것을 1,000줄로 늘린다. 셋째, 주어진 과제와 상관없는 기존 코드의 주석이나 구조를 마음대로 수정하거나 삭제하는 경우가 생긴다. 마치 학생이 본질을 놓친 채 과도하게 장황한 보고서를 쓰고, 불필요한 부분까지 손대어 오히려 완성도를 떨어뜨리는 모습과 흡사하다. 이러한 문제를 해결하고자 그는 LLM의 코드 생성 능력을 향상하는 네 가지 원칙을 제시한다. 코딩 전 사고: 생각하고 묻는다 첫 번째 원칙은 "코딩 전 사고(Think Before Coding)"이다. LLM은 종종 모호한 지시를 받으면 스스로 한 가지 해석을 택하고 그 방향으로만 진행한다. 이 원칙은 AI에게 가정을 명시적으로 밝히고, 불확실한 경우 추측 대신 질문하게 한다. 만약 여러 해석이 가능하다면, AI는 그 해석들을 제시하고 사용자에게 선택을 요구한다. 더 간단한 방법이 있다면 주저 없이 반대 의견을 내고, 혼란스러울 때는 무엇이 불분명한지 정확히 말하고 명확화를 요청한다. 우리 교육 현장에서도 학생들에게 문제 해결 전 자신의 가정을 밝히고, 궁금한 점을 질문하며, 더 나은 해결책을 탐색하게 하는 과정과 다르지 않다. 이는 메타인지를 훈련하는 핵심이다. 간결함의 미덕: 단순함이 최고이다

새 학년, 교사들이 가장 먼저 마주하는 것이 학생의 얼굴이 아니라 빼곡한 사업 목록이라면 학교는 과연 어디를 향해 가는가. 교사들은 더 많이 일하는데 정작 수업 시간은 줄어드는 기묘한 현실이 우리 교육 현장을 짓누른다. 교육의 본질을 가리는 가짜 노동의 그림자가 점차 짙어진다. 교사들이 학생보다 사업 목록을 먼저 만나는 이유 얼마 전, 한 교감은 새 학년 업무 분장 회의를 두 시간 가까이 진행했다. 그중 절반은 누가 어떤 사업을 맡을지를 두고 팽팽한 침묵이 오갔다. 교사들이 새 학년 첫날 학생이 아닌 '사업 목록'과 먼저 마주한다는 사실은 오늘날 학교가 어떤 공간으로 작동하는지를 명확히 보여준다. 이런 현실 속에서 교육부는 '학교 가짜 일 줄이기'에 나섰다고 반가운 소식을 전한다. 학생 상장 공적 조서 작성 관행을 없애고, 예산 증빙을 간소화한다는 내용이다. 그러나 현장의 반응은 미지근하다. 전국교직원노동조합은 "언 발에 오줌 누기식 처방"이라 혹평한다. 서류 한 장을 줄이는 것으로 학교가 숨 쉴 여유를 찾을 수 없기 때문이다. 이른바 가짜 노동은 단순한 행정 업무가 아니다. 교육의 본질을 침해하고, 교사의 에너지를 소진시키는 그림자 업무다. OECD가 말하는 불편한 숫자 감각이 아닌 데이터로 현장을 들여다본다. OECD 국제 교원 및 교직 환경 조사인 탈리스(TALIS, 2024) 결과는 한국 학교의 기형적인 구조를 여실히 보여준다. 한국 초등교사의 주당 행정업무 시간은 4.5시간으로, OECD 평균인 2.7시간보다 무려 1.7배 많다. 일본과 더불어 최상위권에 해당한다. 흥미롭게도, 한국 초등교사의 총 근무시간은 41.1시간으로 전체 조사국 평균인 40.4시간보다 약간 길다. 더 많이 일하지만, 정작 핵심인 수업 시간은 평균 24.9시간보다 4.4시간 적은 20.5시간에 불과하다. 교사는 더 많은 시간을 학교에 머물지만, 수업에 할애하는 시간은 줄어든다. 그 공백을 메우는 것이 평균의 1.7배에 달하는 행정업무 시간이다. OECD는 이러한 현실을 두고 한국을 "교육 성과는 높지만 교직의 지속가능성은 현저히 낮은 고성과-고위험 구조"라 진단한다. 학교가 교육이라는 목적지 대신 행정이라는 다른 길로 질주하는 모습과 같다.

급변하는 인공지능 기술은 교육 현장의 오랜 믿음을 뒤흔든다. 과거의 학습 방식과 미래의 필요 사이에서 교사들은 새로운 방향을 탐색한다. 이 글은 인공지능의 진화가 던지는 도전에 직면하여, 교사에게 요구되는 태도와 역량이 무엇인지 깊이 성찰한다. 불확실성 시대, 교사의 흔들리는 좌표 "우리는 이미 존재하는 것과 아직 존재하지 않는 것 사이의 경계를 탐험한다." 교단에 서서 학생들과 마주하는 교사들은 매일 새로운 교육적 질문에 직면한다. 특히 인공지능 기술의 눈부신 발전은 어제의 상식을 오늘의 구습으로 만든다. 과거 우리는 인공지능이 결코 넘을 수 없는 인간만의 영역을 확신하며 그 경계를 교육의 목표로 삼았다. 과연 그 경계는 여전히 견고하게 존재하고 있을까? 2016년 일본의 인공지능 도로보군 프로젝트는 도쿄대 입학에 도전했다. 당시 도로보군은 일본 대학입학자선발 대학입시센터시험에서 상위 20%의 성적을 기록했다. 수학과 역사 과목에서는 만점에 가까운 성적을 받았으나, 국어와 영어처럼 맥락 이해와 의미 파악이 중요한 과목에서는 저조한 성적을 나타냈다. 당시 전문가들은 인공지능의 한계를 명확히 지적했다. 글과 글 사이의 맥락을 이해하지 못하고, 유연성이나 창조성을 발휘하지 못하며, 스스로 생각하고 판단하는 능력은 없다는 것이 지배적인 견해였다. 도로보군을 기획한 아라이 노리코 교수 역시 인공지능이 도쿄대 입학 목표를 달성하지 못하고 프로젝트를 중단한 이유로 이러한 근본적인 한계를 꼽았다. 그러나 불과 몇 년 만에 상황은 급변했다. 최근 보도에 따르면, 최신 대규모 언어 모델(LLM)은 2026학년도 도쿄대 입학시험에서 실제 수험생 최고점을 넘어서는 점수를 기록했으며, 교토대 시험에서도 수석 합격 수준의 성적을 냈다고 한다. 특히 수학 과목에서는 만점을 기록했고, 2020년 당시 도로보군이 약점을 보였던 세계사 서술형 문제나 복합적 의미 해석 문제에서도 발전된 양상을 보인다. 이처럼 단기간에 인공지능의 능력이 확장되자, 과거 인공지능의 한계라고 여겼던 지점들이 무색해지는 경험을 한다.

AI가 우리의 삶을 바꾼다고 말한다. 하지만 그 AI가 정말 한국인의 삶을, 우리의 교육 현장을, 그리고 우리 학생들의 마음을 이해하는지 생각해 본 적이 있는가. 단지 기술이 아니라 '사람'을 닮아가는 AI의 새로운 시도에 주목한다. AI, 사람을 만나다 최근 엔비디아가 Nemotron-Personas-Korea라는 흥미로운 데이터셋을 공개했다. 이는 한국인의 다양한 삶의 모습을 반영하는 합성 페르소나 데이터셋이다. 즉, 가상의 인물들이지만 실제 한국 사회의 통계적 분포를 따른다. AI가 한국 사람들의 생각과 감정을 더 잘 이해하고 반응하도록 돕는 중요한 시도다. 이 데이터셋은 단지 이름과 직업 목록이 아니다. 각 페르소나는 직업, 취미, 가족 관계, 성격, 사는 지역, 심지어 특정 상황에서의 반응 방식까지 상세하게 묘사한다. 마치 소설 속 인물처럼 생생하다. AI가 '철수'나 '영희'라는 추상적인 개념이 아니라, '광주 서구 하역 현장의 베테랑 전기태 씨'나 '서초동 부동산 회계 사무원 최은지 씨'처럼 구체적인 인물을 학습하는 셈이다. 이처럼 AI에게 인간 군상의 깊이와 다양성을 보여주려는 노력은 궁극적으로 AI의 이해도를 높이는 길이다. 통계 속 살아있는 이야기 Nemotron-Personas-Korea는 가상의 인물이지만, 그 기반은 놀랍도록 현실적이다. 대한민국 통계청, 대법원, 국민건강보험공단, 농촌경제연구원, 네이버 클라우드의 실제 통계 데이터를 바탕으로 인구통계학적 특성, 지리적 분포, 심지어 성격 특성까지 반영한다. 말 그대로 '통계 속에서 살아있는 이야기'를 끄집어낸다. 예를 들어, "전기태 씨"라는 페르소나를 보면, 그는 70대 광주 서구의 하역 일을 하는 가장이다. 투박한 전라도 사투리를 쓰며, 주말에는 무등산 자락을 걷고 단골 목욕탕에서 친구들과 정치 이야기를 나눈다. 무뚝뚝하지만 아내가 좋아하는 간식을 슬그머니 식탁에 올려두는 애정을 표현한다. 이러한 묘사는 단순히 연령, 직업, 지역만 제공하는 것이 아니다. 한 인물의 삶의 궤적, 가치관, 행동 양식까지 보여준다. AI는 이처럼 구체적인 사례를 통해 '70대 광주 할아버지'라는 추상적인 개념을 훨씬 더 풍부하게 이해한다.

오늘날 교육 현장은 그 어느 때보다 복잡한 도전에 직면한다. 방대한 학습 자료의 홍수 속에서 학생 개개인의 필요에 맞춘 교육을 제공하고, 행정 업무 부담 속에서도 수업의 질을 높이는 것은 교사에게 늘 버거운 과제로 다가온다. 이러한 상황에서, 인공지능은 단순한 검색 도구를 넘어 교사의 전문성을 확장하고 교육의 지평을 넓히는 '에이전트'로서 새로운 가능성을 제시한다. 이 글은 교사가 AI를 단순한 도구가 아닌 능동적인 협력자로 활용하기 위한 구체적인 방법론을 탐구한다. 왜 지금, 'AI 에이전트' 역량 개발인가? "기술은 그 자체로 선하지도 악하지도 않다. 중요한 것은 우리가 그것을 어떻게 사용하는가이다." 교실에는 매일 예측 불가능한 상황이 펼쳐진다. 학생들의 다양한 학습 속도, 배경 지식의 차이, 개별적인 흥미와 요구는 교사에게 끊임없이 맞춤형 접근을 요구한다. 동시에 교과서 내용은 끊임없이 업데이트되고, 새로운 교육 방법론이 쏟아져 나오며, 행정 업무는 줄어들 기미를 보이지 않는다. 이러한 복잡한 교육 환경 속에서, 교사는 마치 여러 개의 복잡한 프로젝트를 동시에 관리하는 프로젝트 매니저와 같은 역할을 수행한다. 이처럼 모호하고 다층적인 과제들을 처리하기 위해 교사는 AI를 어떻게 활용해야 하는가? 최신 인공지능 모델의 발전은 AI를 과거의 단순한 정보 검색 도구나 텍스트 생성기를 넘어, 더욱 자율적이고 지능적인 '에이전트'로 인식해야 함을 시사한다. 특히 코딩 작업과 같이 명확한 목표와 복잡한 논리적 사고를 요구하는 분야에서 클로드 Opus 4.7과 같은 모델이 보여주는 역량은 교육 현장에 중요한 함의를 던진다. 이 모델은 과거 버전보다 모호성 처리 능력, 버그 발견 능력, 그리고 세션 간 맥락 유지 능력이 현저히 개선되었다. 이는 교사가 AI에게 넘겨주는 교육 과제 역시 과거보다 훨씬 더 복잡하고 추상적인 것이 될 수 있음을 의미한다. 예를 들어, 학생들의 수행 평가 피드백 초안을 작성하거나, 특정 주제에 대한 심화 학습 자료를 여러 관점에서 탐색하게 하거나, 혹은 학습 부진 학생을 위한 개별화된 보충 자료를 생성하는 작업들은 본질적으로 높은 수준의 모호성과 다단계 추론을 요구한다. AI 에이전트가 이러한 모호한 과제를 더 효과적으로 이해하고, 오랜 시간 동안 일관된 맥락을 유지하며 작업을 수행할 수 있다는 것은 교사에게 실질적인 업무 경감과 더불어 교수 전문성 심화의 기회를 제공한다.

문제는 교육자들의 판단력이 부족해서가 아니다. 교육자들이 몸담고 있는 시스템 자체가 끊임없는 변화를 합리적이고 유능한 것으로 만든다는 것이 핵심이다. 마치 물고기가 물을 벗어나 살 수 없듯, 교육 시스템의 구조적 특성 네 가지가 우리를 이 반짝이는 새것의 굴레에서 벗어나기 어렵게 만든다. 교육에는 네 가지 구조적인 힘이 작용한다. 느리고 불분명한 피드백 고리 성공과 실패, 효과와 비효과가 명확하지 않다. 보이는 변화만이 리더십의 증거 짧은 관리자 임기동안 지속성과 안정이 수동적이며 방향없음으로 보이기 쉽다. 새로운 아이디어에 대한 낮은 진입 장벽 검증대신 일단 도입하는 데 대한 안전장치나 그 장벽이 현저히 낮다. 도덕적 긴급성 어려움을 겪는 아이들에게 도움이 될 수 있다는 제안이라면, 당장 행동해야 한다는 압력이 엄청나 이것이 행동을 향하는 강력한 편향이 된다. 유행에 무심히 끌려가지 않으려면 진짜 유능함을 가시화해야 한다. 그렇게 하지 않으면 시스템은 개선의 현실보다 변화의 외양에 계속 보상할 것이다. 교육이 유행에 민감한 것은 우리가 흔히 생각하는 이유 때문이 아니다. 무엇이 효과적인지 잊어서가 아니라, 때론 시스템이 가만히 있는 것(아무것도 하지 않는다는 뜻이 아니다)을 무책임하게 보이도록 만들기 때문이다. 심지어 그 가만히 있음이 성공을 위해 꼭 필요한 순간에도, 우리 뇌는 즉각적인 만족과 보상에 매우 민감하게 반응한다.

교육 현장에서 마주하는 복잡한 문제들은 종종 우리의 선한 의도와 노력을 무색하게 만든다. 학생들의 성장과 교사들의 웰빙을 위한 끊임없는 시도에도 불구하고, 문제는 해소되지 않거나 때로는 더 심화되는 역설적인 상황이 나타난다. 이 글은 이러한 현상의 근본 원인을 시스템 사고의 관점에서 탐구하고, 공감 기반 시스템 리더십(CSL)이 제시하는 지속 가능한 변화의 길을 깊이 사유한다. 선한 의도가 좌절되는 역설, 그 이면에 작동하는 시스템 "모든 시스템은 현재 자신이 만들어내는 결과를 완벽하게 만들어내도록 설계되어 있다." 성적 부진 학생을 위한 특별 보충 수업, 교사 스트레스 해소를 위한 일회성 힐링 연수, 갈등 상황 해결을 위한 강압적 지시 등 교육 현장에서 이루어지는 수많은 조치는 분명 선한 의도에서 출발한다. 당면한 문제에 대한 해결책을 찾으려는 간절한 마음에서 비롯된 노력들이다. 그러나 시간이 지나면서 학생들은 학습 자체에 대한 흥미를 잃고, 교사들은 냉소주의에 빠지며, 학교 구성원 간의 소통은 더욱 단절되는 경험을 하는 경우가 많다. 이처럼 애써 내놓은 해결책이 오히려 기존의 문제를 심화시키거나 새로운 문제를 야기하는 현상은 왜 반복되는 것일까? 우리는 종종 눈앞의 고통스러운 문제 증상에만 매몰되어 즉각적인 해결책을 찾으려 한다. 이는 시스템 사고에서 말하는 '부담 전가(Shifting the Burden)'라는 고전적인 원형(Archetype)과 깊이 연관되어 있다. 부담 전가 모델은 문제 증상, 증상적 해결책, 부작용, 그리고 근본적 해결책이라는 네 가지 핵심 요소로 구성된다. 우리에게 가장 시급하고 고통스러운 '문제 증상'이 나타나면, 우리는 보통 가장 빠르고 쉽게 적용할 수 있는 '증상적 해결책'에 매달린다. 이러한 증상적 해결책은 단기적으로는 문제를 완화하는 것처럼 보인다. 예를 들어, 학생들의 성적 하락이라는 증상에 대해 강압적인 보충수업을 늘리는 것은 당장 시험 성적을 올리는 데 기여할 수 있다. 교사들의 높은 스트레스에 대한 일회성 힐링 연수나 격려 현수막 게시는 잠시나마 분위기를 전환하는 데 도움을 줄 수도 있다.

몸과 마음은 연결되어 있다. 사람들은 구체적인 신체적 경험을 바탕으로 추상적인 심리적 개념을 형성한다. 이는 단순히 관념적인 개념이 아니라, 신경생물학적인 근거를 갖는다. Williams과 Bargh(2008)는 자신들의 연구에서 뇌의 뇌섬엽(insular cortex)은 신체적인 온도 감각을 처리할 뿐만 아니라, 타인에 대한 신뢰와 공감 같은 대인관계적 따뜻함을 처리하는 데에도 공통적으로 관여한다고 말한다. 제시된 실험의 내용이 매우 흥미롭다. ■ 실험 1: 물리적 온도가 타인에 대한 인상 평가에 미치는 영향 (1) 실험방법: 참가자들은 실험실로 이동하는 엘리베이터 안에서 실험 보조자의 부탁으로 '따뜻한 커피' 또는 '차가운 아이스 커피'를 잠시 들고 있게 되며 온도에 노출됨. 이후 가상의 인물에 대한 성격 평가 설문지를 작성함. (2) 실험 결과: 따뜻한 커피를 들었던 참가자들은 차가운 커피를 들었던 참가자들에 비해 타인을 더 따뜻하고 관대한 성격을 가진 사람으로 평가함. ■ 실험 2: 물리적 온도가 친사회적 행동에 미치는 영향 (1) 실험 방법: 참가자들은 제품 평가를 명목으로 '따뜻한 치료용 패드' 또는 '차가운 치료용 패드'를 잠시 들고 있게 됨. 이후 연구 참여에 대한 보상으로 '자신을 위한 선물'과 '친구를 위한 선물' 중 하나를 선택하도록 함. (2) ​실험 결과: 차가운 패드를 경험한 참가자들은 자신을 위한 보상을 선택하는 비율(75%)이 압도적으로 높았음. 반면, 따뜻한 패드를 경험한 참가자들은 친구에게 주는 이타적인 선물을 선택하는 비율(54%)이 더 높게 나타나, 물리적 따뜻함이 친사회적 행동을 촉진함을 증명함. ■ 나의 생각 우리가 인식하지 못하는 순간에도 우리는 감각을 이성적 판단에 통합하여 활용하고 있다. 배움도 본질적으로 그러하다. 머리로만 배우는 것 같지만, 유아기부터 축적된 이미지 도식을 활용하여 개념을 이해하고 확장한다. AI를 수업에 활용할 때 실패하는 이유는, 배움이 단순히 머릿 속에서만 일어난다고 생각하기 때문이다. 신체 움직임, 감각의 활용, 환경과 타인과의 상호작용 등이 배제된 학습은 학생의 배움을 온전히 이끌 수 없다.

Ⅰ. 들어가는 말: AI 시대, 교육의 질문이 바뀌다 우리는 지금 'AI 디지털시대 미래인재 양성'이라는 거대한 전환 앞에 서 있다. 생성형 AI는 지식을 저장하고 꺼내 쓰고 조합하는 데 있어 이미 사람을 넘어서는 속도와 효율을 보이고 있다. 이 변화 속에서 학교가 여전히 지식을 효율적으로 전달하는 일에 머문다면, 교육은 학생의 삶과 멀어질 위험이 있다. 국민주권정부가 제시한 '각자의 가능성을 키우는 교육'은 단순히 기술 사용법을 익히는 교육이 아니다. 학생이 자신이 살아가는 세계에서 문제를 발견하고, 그 문제를 어떤 관점으로 바라볼 것인지 고민하고, 디지털 환경에서 해결 방안을 만들어 가는 힘을 기르는 방향이다. AI는 학습의 목적이 아니라, 자신의 생각을 확장하는 과정에서 활용하는 하나의 도구일 뿐이다. [그림 1] AI 시대 학습 구조의 변화: 지식 중심 교육에서 목적 기반 학습으로의 전환 이제 교육이 던져야 할 핵심 질문은 [그림 1]과 같이 바뀌었다. 과거의 중심이 "무엇을 배울 것인가"였다면, 오늘의 중심은 "왜 배우는가, 어떻게 배울 것인가, 그리고 그 배움을 가지고 무엇을 할 것인가"로 이동한다. 본 토론문에서는 이러한 문제의식을 바탕으로, AI 시대 교육의 구조를 설명할 수 있는 틀로서 빙산 역량 모델(Iceberg Model)과 다중복합 리터러시를 살펴본다. 그리고 이를 실제 수업에 구현한 미림마이스터고등학교의 〈기후 데이터 대시보드 제작〉과 〈땀 흘리는 시 팟캐스트 영상 제작〉 프로젝트 사례를 통해, 미래인재 양성의 방향을 구체적으로 이야기하고자 한다. Ⅱ. 이론적 배경: 역량 구조와 문해력의 재구성 AI 시대의 학습은 학생이 자신의 삶과 가치관을 기초로 문제를 바라보고, 탐구하고, 결과물을 만들어 내는 흐름을 갖추어야 한다. 이를 설명하는 데에 빙산 역량 모델과 다중복합 리터러시가 중요한 역할을 한다. 1. 빙산 역량 모델: 학습의 출발점은 태도(Why)이다 빙산 역량 모델은 기존 교육이 주목해온 표층의 역량―즉, 지식(What)과 기능(How)만으로는 AI 시대의 학습을 설명할 수 없음을 지적한다. 이 모델은 학습의 출발점이자 방향성을 결정하는 심층의 요소, 곧 태도(Why)가 역량의 핵심임을 강조한다. 학생이 무엇을 배우는가보다 더 중요한 질문은 "나는 왜 이 문제를 다루는가?"이다. 이 질문에 대한 목적성이 결여될 경우, 어떠한 기술이나 지식도 의미 있는 학습으로 확장되기 어렵다. 따라서 AI 시대 학습은 WHY → HOW → WHAT, 즉 태도가 기능을 인도하고, 기능이 지식을 의미 있게 구성하는 방식의 구조로 재편되어야 한다. [그림 2]는 이러한 역량 구조를 시각적으로 잘 보여준다

Loewenstein(1994)은 기존의 호기심 연구가 호기심의 자발적 추구와 구체적인 트리거에 대한 설명이 불충분하다고 지적한다. 그는 호기심을 '지식의 공백에서 발생하는 인지적 박탈감'으로 재정의하고 그 원인과 과정을 통합적으로 설명하는 정보 공백 이론을 제시한다. ■ 호기심의 기본 메커니즘, 참조점(Reference Point)의 이동 사람에게는 정보를 받아들이는 두 가지 기준점이 있음. '현재 자신의 지식 수준'과, '알고자 하는 지식의 수준(참조점)' 평소에는 두 기준점이 일치하지만, 어떠한 트리거(퀴즈,질문 등)에 의해 '내가 잘 모르고 있다는 것'이 느껴지면, 참조점이 높아짐 두 기준점 사이의 '공백'은 불쾌한 박탈감을 유발하며, 사람은 이 불쾌함을 해소하기 위해 정보를 찾아 그 공백을 메우려고 하는데, 이것이 바로 호기심임. ■ 호기심의 트리거 질문이나 수수께끼: 명시적으로 답을 모른다는 것을 일깨워 공백을 만듦. 지식의 순서가 뒤바뀐 사건: 결과는 알지만 원인을 모를 때 공백이 생김. (예: 미스터리 소설) 예상 위반: 자신의 기대와 다른 일이 벌어졌을 때, 세상에 대한 자신의 모델(지식)에 구멍이 있음을 인지함. 타인의 지식 소유: 남들은 아는데 나는 모른다는 사실이 공백을 자극함. 과거의 잊어버린 기억: 분명히 알았던 것 같은데 기억이 안 날 때, 공백이 매우 강하게 느껴짐. ■ 지식과 호기심의 역 U자 관계 호기심은 '어느 정도 알고 있을 때' 가장 강력하게 발동함. 이는 지식이 늘어날수록 채워야 할 공백이 눈에 잘 띄게 되기 때문임. 전혀 지식이 없을 때는 공백을 인지할 수 없고, 지식이 너무 많으면 공백이 없어 호기심이 발동하기 어려움 ■ 호기심의 주요 특성 강렬함(Intensity): 호기심은 무언가를 얻으려는 희망보다는, 정보가 결핍되어 있다는 '상실감'에 기반하기 때문에 강력한 동기를 유발함. 일시성(Transience): 호기심은 정보 공백에 대한 주의에 의존하므로, 주의가 분산되면 빠르게 사라짐.

"PLC는 동아리가 아니라, 교사의 숨 쉴 구멍이다" 2회차 영국 연수에서 다시 확인한 '연결'의 힘 이번에 두 번째 영국 연수를 다녀왔다. 2년 전에는 터치교사단 1기 우수 교사로, 이번에는 디지털교육연구대회 전국 1등급 수상이라는 이름으로 다시 그곳에 섰다. 같은 나라, 비슷한 일정이었지만 내 마음의 결이 달랐다. 무엇보다 "일 걱정"을 내려놓고 연수에만 온전히 몰입했다. 2년 전에는 해야 할 일을 한 보따리 들고 가서, 몸은 영국에 있어도 머리는 늘 한국의 업무 일정표를 서성이곤 했다. 이번엔 정말 아무것도 가져가지 않았다. 연말정산만 빼고. 이번 연수의 가장 큰 선물은 "사람"이었다. 전국 1등급 수상자와 전국에서 선발된 교육혁신선도교사 우수 선생님들과 함께 움직였고, 그 자체로 지경이 넓어졌다. 학교라는 섬에서 각자 헤엄치던 교사들이, 잠시나마 같은 바다 위에 떠 있는 배가 된 느낌이었다. 우리는 서로의 수업을 묻고, 실패를 웃고, 다시 해볼 실험을 적어 내려갔다. 네트워킹이라는 단어가 너무 가볍게 들릴 정도로, 이 만남은 "회복"에 가까웠다. 그 과정에서 더 선명하게 보인 것이 있다. 많은 선생님들이 각자의 학교에서 파편화된 채 고군분투하고 있다는 사실이다. 열심히 하는 사람일수록 더 조용히, 더 혼자 버티는 경우가 많다. 그래서인지 PLC에 대한 욕구가 컸다. 마음껏 수업을 나누고, 대화하고, 공유할 수 있는 자리. 단순한 정보 교환이 아니라 "내가 하고 있는 고민이 틀리지 않았다는 확인"이 필요한 것이다. 교사의 성장은 개인의 의지로만 가능한 일이 아니라, 연결을 통해 촉발되는 경우가 많다는 걸 다시 느꼈다. 현지에서 방문한 Caterham School에서 들은 이야기가 특히 오래 남았다. 디지털 전환 담당 선생님이 학기 시작 전에 교원 한 명 한 명을 만나 어려움을 파악하고, 무엇이 필요한지 상담한 뒤 맞춤형 지원을 설계한다고 했다. 우리가 흔히 떠올리는 '연구회'나 '자발적 모임'과는 결이 달랐다. PLC가 개인의 열정에만 기대는 문화가 아니라, 학교가 책임지는 시스템이자 행정이었다. "디지털 역량"을 교사 개인의 과제로 남겨두지 않고, 학교 전체의 약속으로 끌어안는 방식. 그 구조가 부러웠다.

새로운 시대의 평가, 통제에서 역량 중심으로 ​ 교육부가 생성형 인공지능(AI) 시대의 도래에 발맞춰 학생 평가의 공정성과 신뢰성을 확보하고자 <수행평가 시, AI 활용 관리 방안>을 선제적으로 마련한 노력은 매우 시의적절하며 긍정적으로 평가받아야 마땅합니다. AI가 학습의 보조 도구를 넘어 지식 생성의 주체로 부상하는 오늘날, 학생의 실제 역량을 공정하게 측정하고 미래 사회에 필요한 AI 협업 역량을 길러주는 평가 체계를 구축하는 것은 더 이상 미룰 수 없는 핵심적인 정책 과제입니다. ​ 하지만 현재 발표된 관리 방안은 근본적으로 '통제와 규제'라는 패러다임에 머물러 있어 학교 현장의 복잡한 현실을 충분히 담아내지 못하는 한계를 보입니다. 'AI 활용 과정 표기 의무화', '금지 행위 설정' 등은 평가의 근본적인 틀은 그대로 둔 채 학생의 자발적 준수에 의존하는 '설명적 조치(discursive changes)'에 그칩니다. 이러한 접근은 교사에게 과도한 행정 부담을 지우고, 학생의 모든 활용 과정을 검증하는 것이 현실적으로 불가능하여 정책의 실효성을 담보하기 어렵습니다. ​ 따라서 본 제안에서는 단순한 비판을 넘어, 평가의 패러다임을 '통제'에서 '역량' 중심으로 전환하는 구체적이고 현실적인 대안을 제시하고자 합니다. 핵심은 학생에게 규칙 준수를 요구하는 것을 넘어, 과제의 본질과 평가 메커니즘 자체를 변경하는 '구조적 변화(structural changes)'를 통해 AI의 부적절한 사용을 원천적으로 어렵게 만드는 것입니다. 이를 통해 정책의 실효성을 높이는 동시에 교사의 감독 부담을 줄이고, 학생이 AI를 책임감 있는 협력자로 활용하는 역량을 자연스럽게 기르도록 지원할 수 있습니다. 이어지는 장에서는 현행 관리 방안이 가진 구체적인 한계점을 심층적으로 분석하고, 이를 극복하기 위한 새로운 정책 원칙과 실행 가능한 4대 개선 방안을 제안하겠습니다. ​ ​2. 현행 AI 활용 관리 방안의 한계점 분석 ​ 교육부의 관리 방안이 AI 활용에 대한 기본 원칙을 제시했다는 점에서 그 첫걸음의 의미는 분명합니다. 그러나 학교 현장의 다양한 변수와 교사의 실제적 어려움을 충분히 고려하지 않은 지침은 의도치 않은 부작용을 낳을 수 있습니다. 따라서 정책의 실효성을 높이기 위해서는 현행 방안이 가진 잠재적 문제점들을 면밀히 분석하고 보완하는 과정이 필수적입니다.