AI와 교육 혁신의 기회 - 실패사례
- AI의 가장 큰 혜택, 가장 큰 시장 교육
최재홍 가천대학교 스타트업 캠퍼스 교수
AI 기술이 교육 분야에 도입되면서 많은 기대를 모았지만, 모든 시도가 성공적인 것은 아니다. 기술적 한계, 교육 현장의 복잡성, 사용자 저항 등 다양한 이유로 실패한 사례가 존재한다. 이러한 실패의 요인은 무엇인지 알아보고, 어찌하면 실패를 줄일 수 있을 것인가를 파악해 볼 필요가 있다. 실패는 단순한 실패가 아니다. 여기에 실패의 요소들을 파악하지만. 다양한 좋은 도구, AI를 가지면서도 실패하는 이유는 다양한 실패 요소의 결합이기 때문이다. 과도한 AI에 대한 믿음이나 인간과의 협력 부재, 데이터의 부족한 양과 질, 거부감 기타 등등의 요소들의 결합을 이야기하는 것이다.
다음에서 보여주는 AI를 교육에 적용했으나 기대한 성과를 내지 못한 기업 및 프로젝트를 분석하고, 실패 원인과 시사점을 정리해보고자 한다.
1. 해외 사례 : IBM Watson Education
AI에 대한 기대를 한 몸에 받았다가 실패한 대표적인 사례가 IBM의 왓슨(Watson)이다. IBM은 AI의 연구와 실용적인 응용 개발에 획기적인 발전을 통하여 AI의 발전에 기여해 왔다. 초기에 ‘생각하는 머신’으로 사람들의 관심을 받았다. 다양한 분야에 적용되었으나 그 분야 중에 교육만을 보면, 2016년 AI 플랫폼인 왓슨(Watson)을 교육 분야에 적용해 "Watson Education"을 출시했다. 초중등 교육 기관과 대학을 대상으로 맞춤형 학습 솔루션을 제공하려 했는데 2021년에 서비스가 종료되었는데 그 원인은 다음과 같다.
1) 과도한 기술 낙관주의
왓슨은 의료 분야에서의 성공 사례를 바탕으로 교육 시장에 진출했지만, 교육 데이터의 복잡성(예: 주관적 답변, 창의적 사고 평가)을 처리하는 데 한계가 있었다. 이는 다른 분야와는 달리 인간의 주관적인 사고와 다양성에 대한 자연어 처리(NLP) 기술이 학생의 개방형 답변을 정확히 분석하지 못해 맞춤형 피드백 제공에 실패했기 때문이다.
2) 높은 도입 비용과 유연성 부족
모두가 겪는 문제이지만 비용은 가장 큰 문제 중에 하나이다. 훌륭한 솔루션의 제공은 비용대비 효과가 명확하고, 대체 불가능한 경우에 성공 가능성이 크지만 왓슨 기반 AI 교육 솔루션은 구축 및 유지비용이 매우 높았고, 효과 검증도 어렵고 일반 학교나 대학의 예산으로는 도입이 어려웠다. 또한 기존 교육 시스템(예: 교과서, 시험 방식)과의 호환성이 부족해 교사들의 활용도가 낮아서 기존의 교육 시스템으로 다시 회귀하게 되었다.
3) 데이터 부재와 윤리적 논란
초기 단계에서 충분한 교육 데이터를 확보하지 못해 알고리즘의 정확도가 떨어졌다. 데이터의 확보는 학생 데이터 수집 과정에서 프라이버시 침해 우려가 제기되며 신뢰성을 잃었기 때문이다. 구체적으로 데이터의 주체인 학생들의 개개인의 지적인 데이터의 수집 및 관리, 그리고 유통에 대한 보호가 미흡하고, 왓슨의 독점 가능성이 높을 뿐 아니라 무단 사용으로 개인 데이터의 오남용 가능성을 배재하기 어려웠다. 이는 AI의 응용에 있어서 데이터의 오남용은 모든 분야에서 우려되는 사안이다.
결국은 역사와 전통을 자랑하는 IBM의 AI 연구와 실행에 있어서 훌륭한 AI 솔루션도 해당 교육 분야의 실패는 기술에 대한 문제보다는 기존 교육의 관성이나 기술에 대한 사용자들의 맹신에서부터 출발한다. 또한 도입 비용 대비 효과를 명확히 검증하지 않은 채 확장하면 실패할 위험이 크다는 것은 당연하다. 단순한 몇 가지만을 나열했지만 실패는 이러한 몇 가지보다 더욱 많은 요소들이 합쳐진 결과일 것이며 이러한 현상은 교육에서만 나타나는 현상이 아니기에 더욱 귀담아야 할 실패 요소들이다. 따라서 조금이라도 실패의 가능성을 줄이기 위해서는 더욱 섬세하게 AI가 기술적으로 가능한 것과 교육 현장의 실제 요구 사항을 구분해야 할 필요가 있다.
2. Knewton (적응형 학습 플랫폼)
Knewton은 "AI가 모든 학생에게 맞춤형 학습 경로를 제공한다"는 비전으로 2008년 설립된 적응형 학습(Adaptive Learning) 스타트업이었다. 주요 서비스는 대학 수준의 수학·과학 분야에서 학생의 실시간 데이터를 분석해 문제 난이도와 콘텐츠를 조정하는 플랫폼이었으며, Pearson, Houghton Mifflin Harcourt 등 글로벌 교육 출판사와 협력했으나 시장에서의 경쟁력을 잃었다. 2019년 파산하며 AI 교육 시장의 과장된 기대와 현실의 괴리를 상징하는 사례가 되었다. 실패의 원인은 콘텐츠 기업의 AI 실패 사례로 주목할 필요가 있다.
1) 과장된 홍보와 실제 성과 괴리
"AI가 모든 학생을 위한 완벽한 학습 경로를 생성한다"는 주장이었지만, 실제로는 단순한 문제 난이도 조절에 그쳤다. 과장된 홍보였고 서비스, 기술이 이를 뒷받침하지 못하였다. 이러한 표현은 계속적으로 “세계 최초의 완전한 적응형 학습 플랫폼”, “AI가 학생의 뇌를 읽는 것처럼 학습 패턴분석”등과 같은 강한 어조의 표현으로 기대치를 높여 놓았다. 그러한 예를 표로 보았는데 다음과 같다.
[표 1] AI 학습 과장 홍보와 그 결과
2) 기술의 한계
기술적인 한계로 AI 모델은 난이도 조정 알고리듬에 실패하고 단순한 풀이에 한정되어 홍보와 구현의 격차만 벌어지게 되었는데, 복잡한 개념 이해보다는 기계적인 문제 풀이에 집중해 교육적 효과가 미미했다. 계산의 실수와 개념의 오해에 대한 구분이 불가능했고, 원인을 찾는 것이 어려웠으며 동일한 형태만의 해결책을 제시하였다. 결국 맞춤 분석 자체가 불가능한 한계를 보였다.
기술로 구현해야 할 가장 중요한 문제가 개인화였는데 단순한 규칙의 적용으로 개인화가 아닌 난이도 조정의 수준으로 AI가 각 학생들의 학습패턴을 이해하지 못하면서 학생들의 교육 경로 설계가 불가능한 것도 기술의 한계였다고 보인다. 개인화는 AI 서비스, 솔루션에 있어서 가장 큰 역할과 의미가 있는 것으로 이에 대한 실패는 치명적으로 개인화에 대한 기대를 허상으로 만들었다. 근본적인 문제는 양질의 데이터를 확보하지 못하면서 추천 시스템의 정확도가 떨어지게 되는 것으로 수요자인 학생 자체의 분석이 불가능한 것이 가장 큰 문제였다고 판단된다. 이러한 양질의 데이터에 대한 문제는 비단 Knewton만의 문제, 교육 서비스에서의 문제만은 아닐 것이다.
3) 콘텐츠 의존도 문제
콘텐츠 AI 기업의 기본적인 체력은 콘텐츠에 있다. 그러나 Knewton은 제휴한 출판사의 교재에 종속되어 유연한 콘텐츠 업데이트가 어려워지면서 교사들이 자체 자료를 활용하기에 부족한 자료로 현장 적용성이 떨어졌다. 2016년 Pearson 계약 종료 시 플랫폼 콘텐츠의 70% 일시적 증발하여 빈약한 콘텐츠로 AI 추천이 빈약한 콘텐츠 풀에서만 작동하여 그나마도 비효과적이었다. 몇 개의 제휴 출판사만의 계약이 가져온 비극이었고 급변하는 교육 시장에서 업데이트가 안 되는 장애를 초래하여 늘 지연되고 낙후되고 부족한 상태를 반복하였기에 실패는 당연한 것처럼 보인다. 이는 콘텐츠로 AI 서비스 기업에게 큰 교훈이 된다.
이외에도 Duolingo, Khan Academy 등 무료 또는 저비용 플랫폼이 시장을 선점하며 이러한 동향 파악에 둔감했던 Knewton의 유료 모델이 설 자리를 잃었다.
AI 콘텐츠 기업이 성공하기 위해서는 자신들의 AI 솔루션이 교육의 본질(이해도 증진)을 해결해야 하며, 단순 기술 구현에만 집중해서는 안 되며 양질의 콘텐츠에 대한 확보나 활용이 관건이기에 협력을 위한 다양한 개방형 플랫폼과의 협업이 필요하다는 시사점을 준다.
3. AltSchool (마이크로스쿨)
구글 출신 엔지니어가 2013년 설립한 AltSchool는 AI 기반 개인화 학습을 표방한 초등학교 체인으로 AI를 통해 1:1 맞춤 교육과 AI 학습 관리 시스템을 도입했으나, 2019년 대부분의 학교에 관련 공급을 중단하고 소프트웨어 공급사로 전환하여 AI를 통한 맞춤형 교육은 실패하였다. 실패 원인으로는 현실적이지 않은 비즈니스 모델이 가장 컸는데 연간 3만 달러의 고액 학비로 일반 가정의 접근성이 낮았고, 투자자 의존도가 높았기 때문이다. 소규모 학교 운영 비용(교사 인건비, AI 시스템 유지비)이 예상을 크게 초과했다. 그뿐 아니라 실제 교육 현장을 인지하지 못한 것은 공통적인 실패요인 중에 하나인데 기술과 교육 현장의 괴리를 이해하지 못하였다. AI가 생성한 학습 계획을 교사가 수정해야 했지만, 시스템이 복잡해 교사의 업무 부담만 증가시켰다. 교육에 있어서는 앞단에 보이는 교육도 중요하지만 교육 이전과 이후에 복잡하고 다양한 준비와 작업에 부담만 가중하게 된 것인데 같은 맥락으로 학생들의 사교성 발달, 그룹 활동 등 전통적인 교육 요소를 간과했다. 이외에도 AI를 다루는 기업의 공통적인 데이터 프라이버시 문제나 교육 기업의 공통적인 모든 활동에 부모들과의 마찰이 발생했다.
결국, AI는 교육의 보조 도구로 활용되어야 하며, 인간 교사의 역할을 완전히 대체할 수 없다는 결론이다. 또한 AI 교육 기업들이 자신들만의 맞춤형 교육을 위한 데이터 수집에 개인적이고 보호해야 할 지나친 데이터 수집은 윤리적 리스크를 야기할 수 있기에 이러한 문제와 정확한 서비스 간에 간극을 어떻게 메우느냐가 관건이다.
4. 국내 사례 : 큐브수학 (AI 수학 학습 앱)
2017년 출시된 큐브수학은 AI가 학생의 오답 패턴을 분석해 문제를 추천하는 서비스였으나, 2020년 서비스 종료되었다. 이들의 AI를 이용한 수학 문제 해결에 주요 기능과 특징을 정리하면 다음과 같다.
1) 주요 기능: AI 알고리즘으로 학생의 오답을 분석, 적합한 문제 추천으로 개별 학습 지원, 게임화 요소로 학습 동기를 유도하려는 시도 하였다. 재미로 풀어보는 수업을 꿈꾸었다. 한마디로 '게이미피케이션'(Gaminfication)'라는 조어로 공부와 게임을 결합한 형태이다.
2) 주요 특징: AI 기반 맞춤형 학습인 큐브수학은 학생의 학습 패턴을 분석해 맞춤형 문제를 제공하려고 했다. 이를 통해 학생들이 자신의 약점을 보완하고 개인의 속도에 맞춰 학습할 수 있도록 도왔다.
게임화 요소: 공부의 재미를 높이기 위해 보상 시스템과 아이템, 레벨 업 기능을 도입했다. 하지만 실제로는 학습 집중력을 떨어뜨리는 결과를 가져왔다.
데이터 기반의 피드백: 학생들의 답변 데이터를 수집하고 분석해서 학습 성과를 추적하고 개별 피드백을 제공했다. 그럼에도 알고리즘의 정확성이 부족해 부적절한 문제가 추천되는 경우가 많았다.
3) 실패 요인: 낮은 AI 알고리즘이 추천 정확도에 가장 큰 문제였다. 오답의 원인을 정확히 진단하지 못해 적절한 문제 추천에 실패했다. 이로 인해 사용자 경험이 저해되고 고객이 이탈하게 됐다. 더구나 해당 기업에서 가장 핵심적인 성공요소라고 꼽았던 게이미피케이선이 문제가 되었는데, 과도한 게임화 요소는 학습의 본질에서 벗어난 게임적 요소들이 오히려 집중력을 떨어뜨리고 학습 효과를 감소시켰다는 평가이다. 그리고 서비스 경쟁 제품과의 차별성 부재하다는 것인데 이미 시장에 존재하던 안정적인 AI 수학 학습 앱들과의 차별성이 부족해 신뢰를 구축하지 못했다.
5. 마치면서...
AI를 도입하여 교육에 적용하려는 기술을 가진 기업들은 공통적으로 강력한 추천을 기반으로 하고자 한다. 그러나 낮은 알고리즘 정확도가 문제가 되었다. 학생의 오답 원인(계산 실수 vs 개념 부족)을 정확히 진단하지 못해 부적절한 문제가 추천되었던 것이다. 이는 AI는 정형화된 데이터(예: 객관식 문제)에는 강하지만, 주관적·창의적 영역(예: 논술)에 적용하기 어렵기 때문이다. 이러한 근분적인 이유 중에 하나인 윤리적 문제로 데이터 프라이버시와 알고리즘 편향성에 대한 논란은 교육에서 중요한 요소인 신뢰를 무너뜨린다.
집중력을 떨어뜨리는 과도한 게임화 요소, 경쟁 제품과의 차별성 부재, 여전히 존재하는 기술적인 한계, 도입대비 효과 부재, 현장 참여부족 등 너무도 다양하고 많은 AI 교육의 어려움이 존재한다. 가장 중요한 장벽은 교육의 복잡성이다. 인간의 창의성을 보전하면서 육성하는데 피교육자의 개성을 확인하고 자라나게 하는 교육이 필요하며, 이에 종사하는 종사자(학생, 교사, 부모 등 관련자)의 이해관계를 인지하지 못하면 대부분 실패하게 된다. 이러한 참여자들의 실제 니즈를 반영하지 않은 AI 도구는 현장에서 외면당한다.
결론적으로, AI의 교육 적용은 기술적 타당성뿐 아니라 교육 철학, 경제적 모델, 사회적 수용성을 종합적으로 고려해야 한다. 실패 사례들은 AI가 만능 해결책이 아님을 보여주며, 인간 중심의 보조 도구로 접근할 때 지속 가능한 혁신이 가능함을 시사한다. @본 내용은 GAI의 도움을 받아 작성되었음
