AI와 데이터 기반 학습
2016년 3월, 서울의 한 호텔 내부. 바둑계의 전설 이세돌 9단과 구글 딥마인드의 인공지능 AlphaGo 사이에 거대한 대결이 펼쳐지고 있었다. 이 대국은 단순한 기계 대 인간의 싸움이 아니었다. ‘인공지능이 인간의 인지를 뛰어넘을 수 있는가?’라는 질문이 살아 움직이고 있었다. 그런데 두 번째 판, ‘37번째 수’가 내려졌을 때 분위기는 일순간 바뀌었다.
AlphaGo가 놓은 돌은 전통적 바둑 이론으로 보면 전혀 상식 밖의 위치였다. 다섯 번째 줄에 ‘어깨친’ 형태의 돌을 놓는 방식은 프로 기사가 중반전에서 거의 시도하지 않는 수였다. 카메라 앞 해설진은 “정말 놀라운 수”라 말했고, 이세돌은 잠시 자리를 떠 휴식을 취할 정도로 충격을 받은 모습이었다. 한 해설가는 이렇게 말했다:
“이런 수는 인간이라면 거의 1만 분의 1 확률로나 둘 수 있는 수다.”
AlphaGo는 이 수가 인간이 선택할 가능성이 0.01 % 정도라고 내부적으로 계산했다. 하지만 그럼에도 불구하고, 이 수를 두었다. 그 결과는 승리였다.
이 대국 이후, 이세돌은 “AI가 등장하자, 내가 1위가 된다 해도 ‘이길 수 없는 존재’가 있다는 걸 깨달았다.” 이 말은 곧 그의 결단으로 이어졌다. 2019년 11월 19일, 그는 한국기원에 은퇴서를 제출하며 24년간의 프로 바둑 인생을 마감했다.
기술이 인간의 손과 눈을 대신하던 시대는 끝났다.
이제 기술은 인간의 사유와 판단을 함께하는 존재가 되었다.
AI는 단순히 지식을 저장하고 전달하는 도구가 아니라, 학습 과정을 이해하고, 예측하며, 조율하는 지능적 파트너로 진화했다.
이것은 기술의 진화라기보다, 배움의 본질이 재정의되는 사건이었다.
AI 기반 학습의 역사는 데이터에서 시작된다.
모든 학습 기록, 클릭, 시청 시간, 질문, 정답 비율은 하나의 데이터 포인트가 된다.
이 데이터들이 모여 학습자의 패턴을 그린다 — 언제 집중이 흐트러지고, 어떤 유형의 문제에 취약한지, 어떤 순서로 개념을 제시해야 이해가 깊어지는지.
이제 AI는 그 패턴을 분석하고, “다음에 무엇을 배워야 하는가”를 예측한다.
학습은 더 이상 ‘교사가 계획한 과정’이 아니라, 데이터가 제안하는 과정이 된다.
이러한 패러다임의 전환은 러닝 애널리틱스(Learning Analytics)에서 출발했다.
처음에는 단순히 학습자의 행동을 추적하고 통계를 내는 수준이었다.
그러나 2010년대 중반부터 머신러닝이 결합되면서, 데이터는 점점 더 정교한 의미를 가지게 되었다.
AI는 학습자 개개인의 인지 패턴을 해석하고, 개인별로 최적화된 학습 경로를 실시간으로 제시하기 시작했다.
그 결과 탄생한 개념이 바로 적응형 학습(Adaptive Learning)이다.
적응형 학습 시스템은 마치 개인 교사처럼 작동한다.
AI는 학습자의 응답 속도, 정답률, 망설임의 패턴까지 분석해 학습 난이도와 순서를 조정한다.
학생이 어려워하는 개념은 다시 다른 방식으로 설명하고, 충분히 이해한 개념은 과감히 생략한다.
이것은 교수 설계의 자동화(Automated Instructional Design)라 부를 만한 일이다.
대표적인 사례로, ‘DreamBox’, ‘Knewton’, ‘ALEKS’ 같은 시스템들은 이미 수백만 명의 학습 데이터를 기반으로
학생의 다음 학습 단계를 스스로 설계하고 있다.
AI는 또한 예측적 피드백(predictive feedback)을 가능하게 했다.
이전에는 학습자가 실수를 해야 피드백이 주어졌지만,
이제는 AI가 학습자의 오답 가능성을 미리 계산해,
실수를 저지르기 전에 피드백을 제공한다.
즉, AI는 교정의 순간을 ‘뒤에서’가 아니라 ‘앞에서’ 발생시키는 존재가 되었다.
배움은 점점 더 사전적(preventive)이고, 예측 가능한(predictive) 행위가 되어가고 있다.
이러한 변화는 교육의 철학에도 큰 질문을 던진다.
“배움이 완벽히 예측될 수 있다면, 그것은 여전히 배움일까?”
AI가 학습자의 약점을 찾아내고, 최적의 경로를 제시하는 순간,
배움의 불확실성 — 즉, 탐구와 실패의 공간 — 은 점점 줄어든다.
AI는 학습을 효율적으로 만들지만, 동시에 인간의 탐색 본능(curiosity)을 축소시킬 위험도 내포하고 있다.
이 딜레마는 교육의 ‘인간적 요소’에 대한 새로운 성찰을 불러왔다.
AI는 데이터를 통해 ‘무엇을 배워야 하는가’를 알려주지만,
‘왜 배우는가’에 대한 질문에는 여전히 답하지 못한다.
AI가 아무리 정교해도, 학습의 동기와 의미는 여전히 인간의 내면에서 비롯된다.
결국, AI는 교사의 자리를 대신하는 것이 아니라,
배움을 설계하는 ‘동료 지성’으로 자리 잡아야 한다는 결론에 이른다.
AI와 데이터의 결합은 또한 교육을 사회적 수준에서 재편하고 있다.
AI 튜터는 이제 교실의 일부가 되었고,
학습자는 세계 어디서나 개인화된 교사의 도움을 받을 수 있다.
이는 교육의 접근성(accessibility)을 획기적으로 높였지만, 동시에 감시(surveillance)의 문제도 낳았다.
AI가 학습자의 모든 행위를 기록하고 분석하는 세계에서,
배움은 점점 더 투명한 데이터 행위가 되어간다.
이것은 “효율과 자유 중 무엇이 더 중요한가”라는 오래된 철학적 논쟁을 다시 소환한다.
그럼에도 불구하고, AI는 분명히 ‘학습의 언어’를 이해하기 시작한 최초의 기술이다.
그는 텍스트를 읽고, 질문을 분석하고, 오류의 원인을 추론한다.
인간 교사의 감각을 부분적으로 복제하는 이 기술은,
교육의 본질을 다시금 “해석의 예술”로 되돌려놓았다.
이제 AI는 지식을 ‘제공하는 도구’가 아니라,
학습자와 대화하며 함께 배우는 존재로 진화하고 있다.
이 시점에서 교육은 다시 근원적인 질문으로 돌아간다.
“우리는 기술을 통해 배우는가, 아니면 기술과 함께 배우는가?”
이제 배움은 인간만의 행위가 아니다.
AI와 인간이 함께 만들어가는, 공진화(co-evolution)의 과정이 되었다.
이것은 단순한 혁신이 아니라, 교육의 존재론적 변화다.
기술은 더 이상 외부의 도구가 아니라,
배움이라는 인간 행위의 내부에 들어온 지성이다.
2022년 초, 칸 아카데미 창립자 Sal Khan은 자신에게 걸려온 전화를 기억한다. 픽업한 순간, 목소리는 이렇게 시작했다. “우리가 만든 문제 데이터베이스를 보여줄까? 거기에 GPT-4를 붙이면 무슨 일이 일어날지 상상해본 적 있어?”
이 목소리는 오픈AI의 공동창립자 Greg Brockman였고, 그 제안은 단순한 협업 요청이 아니라 교육변혁의 사전고지였다. Sal Khan은 처음엔 회의적이었다. “GPT-3로 실험해본 적 있는데, 당장 수업에 투입할 만한 수준은 아니었어요.” 그는 나중에 이렇게 말했다. “그런데 몇 주 후에 이런 데모를 보고 ‘아, 이건 큰 일이다’라고 생각했죠.”
그렇게 두 조직은 교육 데이터와 최신 언어모델을 결합하는 실험을 시작했다. 오픈AI는 칸 아카데미의 문제·해설·학생응답 데이터베이스를 분석했고, 칸은 교육 디자인 전문가를 투입해 “AI 튜터가 어떻게 물어야 할까?”를 질문했다.
“왜 그렇게 풀었니?”
“다르게 풀면 어떤 방법이 나올까?”
이러한 대화 중심 설계는 기존 ‘AI가 답을 알려주는’ 역할을 넘어섰다. 2023년 3월 14일, 칸 아카데미는 공식적으로 Khanmigo를 발표한다. 이 AI 튜터는 GPT-4 기반으로 설계되었고, 초기 파일럿은 미국 여러 학군에서 진행됐다. Khanmigo는 학생이 막혔을 때 정답을 주기보다, 질문을 던지고 힌트를 제시하는 방식으로 작동했다.
이 협업은 기술과 교육이 만나는 지점에서 하나의 신호탄이었다. 오픈AI는 단지 모델을 제공한 것이 아니라, 교육적 안착을 위한 설계 파트너가 되었고. 칸 아카데미는 단순히 AI를 도입한 것이 아니라, 학습의 언어를 다시 쓰는 실험자가 되었다.