접근성 확대의 약속과 기술 의존의 역설

생성형 AI는 교육의 민주화를 약속한다. 인터넷만 연결되면 누구나 튜터를 가질 수 있고, 복잡한 개념을 쉽게 설명받을 수 있으며, 즉각적인 피드백을 받을 수 있다. 개인화 학습(adaptive learning)의 가능성은 특히 매력적으로 들린다. 학습 속도와 수준에 맞춘 설명이 자동으로 제공되고, 반복 학습은 무한히 가능하다. 교사는 행정 업무에서 벗어나 더 많은 시간을 학생과 상호작용하는 데 사용할 수 있다는 기대도 뒤따른다. 기술은 접근성을 확장하는 방향으로 작동하는 듯 보인다. 그러나 접근성 확대가 곧 평등을 의미하지는 않는다. 생성형 AI의 성능은 모델의 크기와 학습 데이터, 구독 형태에 따라 달라진다. 고성능 모델은 유료 서비스로 제공되는 경우가 많고, 기능 차이도 존재한다. 일부 학생은 최신 모델과 고급 기능을 활용할 수 있는 반면, 다른 학생은 제한된 버전에 의존해야 하는 상황이 벌어진다. 동일한 과제를 수행하더라도 결과물의 완성도는 기술 접근성에 의해 달라질 수 있다. 새로운 형태의 ‘AI divide’가 형성될 가능성이 제기되는 지점이다.

언어와 문화적 편향 역시 중요한 변수다. 생성형 모델은 특정 언어와 데이터 환경에 더 많이 학습되어 있다. 글로벌 플랫폼에서 영어 기반 데이터가 우위를 차지하는 구조는 비영어권 학습자에게 불리하게 작용할 수 있다. 지역적 맥락이나 소수 문화의 관점은 평균화 과정에서 약화될 가능성이 있다. 이는 단순한 기술적 문제가 아니라, 지식 생산 구조와 연결된다. 어떤 관점이 더 많이 반영되는가에 따라 학습의 방향은 달라질 수 있다.

개인화 학습은 모두에게 동일하게 작동하는가

개인화 학습 도구는 학생의 이해 수준에 맞춰 설명을 조정할 수 있다는 점에서 긍정적 평가를 받는다. 읽기 지원 도구와 글쓰기 보조 시스템은 특히 L2 학습자에게 유의미한 도움을 제공한 사례가 보고됐다. 명확한 문장 구조와 어휘 선택의 안내는 학습 장벽을 낮춘다. 반복적 피드백을 자동화함으로써 교사의 시간 제약을 보완할 수 있다는 장점도 있다. 일정 조건에서 학습 성취도 향상이 관찰된 연구 결과도 존재한다. 그러나 개인화는 데이터에 의존한다. 학습자의 과거 수행 기록과 반응 데이터를 수집하고 분석하는 구조 없이는 정교한 맞춤형 지원이 어렵다. 이 과정에서 개인정보 보호와 데이터 활용 범위에 대한 논쟁이 발생한다. 미성년자의 학습 데이터가 어떤 방식으로 저장되고 활용되는지에 대한 투명성이 충분히 확보되지 않는다면, 기술 도입은 새로운 위험을 동반할 수 있다. 교육 현장은 단순한 실험 공간이 아니라, 보호 대상이기도 하다.

더 중요한 질문은 개인화가 학습의 깊이를 보장하는가 하는 점이다. 알고리즘이 난이도를 조정하고 설명 방식을 바꾸는 것은 가능하다. 그러나 학습자의 사고를 도전하게 만드는 질문을 설계하는 일은 여전히 인간 교사의 역할과 밀접하다. 개인화가 편의성 중심으로 작동할 경우, 도전적 과제 대신 안정적 성취를 강화하는 방향으로 흐를 가능성도 있다. 기술은 적응할 수 있지만, 교육은 방향을 선택해야 한다.

사교육 시장은 더 빠르게 움직인다

기술 도입 속도는 공교육과 사교육에서 다르게 나타난다. 공교육은 정책과 규정, 예산과 절차의 영향을 받는다. 반면 민간 에듀테크 기업과 사교육 시장은 비교적 빠르게 신기술을 흡수한다. 생성형 AI를 활용한 문제 풀이 보조, 자동 채점, 맞춤형 학습 경로 설계 서비스는 이미 상용화 단계에 접어들었다. 일부 플랫폼은 학생의 학습 데이터를 분석해 취약 영역을 자동으로 진단하고, 보강 문제를 즉시 제공한다. 기술 접근성이 높은 가정일수록 이러한 서비스를 더 적극적으로 활용할 가능성이 높다. 이 차이는 단기간에는 편의성의 격차로 보일 수 있다. 그러나 장기적으로는 학습 방식의 격차로 확장될 가능성이 있다. 고급 AI 기능을 활용해 반복적 피드백을 받는 학생과, 제한된 기능에 의존하는 학생 사이의 학습 경험은 점점 달라질 수 있다. 동일한 교육과정을 이수하더라도, 보조 도구의 수준 차이가 성취 격차로 이어질 가능성을 배제하기 어렵다. 기술이 학습의 효율을 높일수록, 접근성의 차이는 더 민감한 변수로 작동한다. 여기에 사교육 시장의 경쟁 논리가 결합되면 상황은 더욱 복잡해진다. 성취 향상을 약속하는 고성능 AI 도구는 마케팅 요소가 된다. 특정 모델이나 기능을 활용한 학습 전략이 ‘합격 전략’으로 포장될 가능성도 있다. 기술이 도구를 넘어 경쟁 자원이 되는 순간, 교육은 또 다른 경쟁 구도로 재편된다. 이는 단순히 기술 격차의 문제가 아니라, 교육 기회의 구조적 재배치와 연결된다.

과거 사회관계망서비스(SNS)의 확산은 개인의 소통 방식만을 바꾸지 않았다. 정보 소비 구조, 정치적 담론, 청소년의 정신 건강까지 영향을 미쳤다. 새로운 기술은 특정 영역에 국한되지 않고 생태계 전반을 재구성하는 경향이 있다. 생성형 AI 역시 예외가 아니다. 교실 안에서의 사용 방식은 가정, 사교육, 대학 입시 준비 과정과 연결된다. 기술은 단일 수업의 문제가 아니라, 교육 문화 전체의 문제로 확장된다. 이 과정에서 예상치 못한 부작용이 발생할 가능성도 존재한다. 자동화된 요약과 정리 기능은 정보 접근성을 높이지만, 동시에 깊이 있는 독서의 필요성을 약화시킬 수 있다. 빠른 피드백은 동기를 높일 수 있지만, 기다림과 숙고의 시간을 줄일 수 있다. 기술이 제공하는 이점과 위험은 분리되지 않는다. 같은 기능이 상황에 따라 확장과 약화라는 상반된 효과를 낳는다.

광고

결국 AI 격차의 문제는 단순한 디지털 접근성의 문제가 아니다. 어떤 기술을, 어떤 방식으로, 어떤 범위까지 허용할 것인가에 대한 사회적 합의의 문제다. 공교육이 기술 도입을 늦출 경우 사교육과의 격차는 커질 수 있다. 반대로 무비판적으로 도입할 경우 과의존과 데이터 보호 문제는 심화될 수 있다. 균형은 자동으로 형성되지 않는다. 설계와 규칙이 필요하다.

생성형 AI가 학습 과정에 깊숙이 개입할수록 데이터의 문제는 피할 수 없다. 개인화 학습은 학습자의 반응과 수행 기록을 분석하는 구조 위에서 작동한다. 어떤 문항에서 머물렀는지, 어떤 표현을 반복했는지, 어떤 유형의 오류를 보였는지에 대한 데이터가 축적된다. 이는 정교한 맞춤형 지원을 가능하게 하지만, 동시에 미성년자의 학습 데이터가 장기간 저장·활용될 가능성을 동반한다. 데이터 보호 장치가 충분히 마련되지 않을 경우, 학습 기록은 또 다른 자산이 될 수 있다.

해외에서는 아동 데이터 수집과 관련한 법적 분쟁과 제재 사례가 이미 등장하고 있다. 이는 기술의 위험성을 과장하기 위한 사례가 아니라, 제도적 안전장치가 필수적임을 보여주는 신호에 가깝다. 교육 현장은 실험의 장이 아니라 보호의 공간이라는 점에서, 기술 도입은 혁신과 동시에 엄격한 기준을 요구한다. 특히 공교육 영역에서는 투명성과 책임성이 전제되지 않으면 신뢰를 유지하기 어렵다.

AI 격차는 눈에 띄게 드러나지 않을 수 있다. 교실의 모습은 크게 달라지지 않을 수도 있고, 성취도 평균은 유지될 수도 있다. 그러나 학습 경험의 질은 점차 분화될 가능성이 있다. 고급 기능에 접근할 수 있는 학생은 반복적 피드백과 구조화된 지원을 받는 반면, 그렇지 못한 학생은 기본 기능에 머물 수 있다. 개인화의 정도와 자동화의 수준이 다를 경우, 장기적 역량 축적에도 차이가 생길 수 있다. 이 격차는 단순히 소득 수준의 문제로 환원되지 않는다. 학교의 정책 선택, 교사의 활용 역량, 지역별 인프라 차이 등 다양한 요소가 얽힌다. 기술은 중립적으로 존재하지 않는다. 그것을 둘러싼 환경과 제도가 효과를 결정한다. 접근성을 확장하는 기술이 동시에 새로운 차이를 만들어낼 수 있다는 점은 교육 정책 설계의 핵심 변수다.

생성형 AI는 평등을 자동으로 확장하지 않는다. 오히려 설계가 부재할 경우 새로운 형태의 교육 불평등을 형성할 가능성이 있다. 접근성을 확대하는 기술일수록, 보호와 규칙의 설계는 더욱 정교해야 한다. AI 격차는 기술 문제가 아니라 제도의 문제다. 교육은 기술을 도입하는 것만으로 완성되지 않는다. 어떻게 배치하고, 어떻게 보호하며, 어떻게 통제할 것인가가 결정적이다.

#AI와교육 #학습의재설계 #AI격차 #교육불평등 #개인화학습 #데이터보호 #에듀테크 #사교육시장 #디지털격차 #교육정책