AI는 아이를 가르칠 수 있을까

정답 대신 사고를 돌려주는 학습 도구의 조건

AI가 교육의 오래된 문제를 단번에 해결할 것이라는 기대가 다시 커지고 있다. 이번에는 정말 다를까. WorkLife 진행자 몰리 그레이엄과 OpenAI 교육 부문 책임자 리아 벨스키의 대화가 던지는 답은 단순한 낙관도, 금지도 아니다. 핵심은 AI를 쓰느냐가 아니라 아이의 생각이 어디에 남느냐다.1

AI가 완성된 답을 건네면 학습자는 가장 중요한 과정을 건너뛴다. 반대로 AI가 적절한 질문을 던지고, 힌트의 강도를 조절하고, 실수를 설명하게 하면 혼자서는 닿기 어려웠던 문제에도 도전할 수 있다. 같은 기술이 지름길이 되기도 하고, 사고를 확장하는 발판이 되기도 하는 이유다.

이 글은 해당 인터뷰의 문제의식을 바탕으로 공식 자료와 학습과학 연구를 함께 살핀다. 벨스키가 AI 기업의 교육 책임자라는 점, 소개된 성공 사례가 전체 학생을 대표하지 않는다는 점도 전제로 둔다. 결론부터 말하면 AI는 교사를 대체하는 만능 튜터가 아니다. 다만 잘 설계된 사용법 아래에서는 개별 피드백과 시도 기회를 넓히는 강력한 보조 도구가 될 수 있다.

교육 기술이 번번이 수업을 바꾸지 못한 이유

온라인 강의, 스마트폰, 비동기 수업은 지식에 접근하는 비용을 크게 낮췄다. 그러나 접근성이 높아졌다고 해서 학습이 저절로 일어나지는 않았다. 동영상을 재생하는 일과 개념을 이해하는 일 사이에는 동기, 피드백, 연습, 관계, 책임감이라는 긴 다리가 놓여 있다. WorkLife의 공식 소개도 지난 교육 기술의 약속과 실제 변화 사이의 간극에서 이번 대화를 시작한다.1

AI가 이전 기술과 다른 점은 콘텐츠를 전달하는 데 그치지 않고 학습자의 반응에 따라 다음 말을 바꿀 수 있다는 것이다. 이해가 느린 학생에게는 설명을 잘게 나누고, 이미 아는 학생에게는 더 어려운 질문을 줄 수 있다. 이 상호작용이 제대로 작동하면 일대일 튜터링의 일부 기능을 훨씬 넓게 제공할 수 있다.

가능성을 보여 주는 실험도 있다. 2025년 Scientific Reports에 실린 하버드대 물리 수업 무작위 대조실험에서, 연구진이 학습과학 원칙에 맞춰 설계한 AI 튜터를 사용한 학생들은 대면 능동학습 수업보다 짧은 시간에 더 높은 학습 성과를 보였고 참여감과 동기도 더 높게 보고했다. 다만 표본은 한 대학의 물리 강좌 194명이고, 일반 챗봇이 아니라 세심하게 설계된 전용 튜터였다. 따라서 이 결과는 가능성의 증거이지 모든 과목과 연령에 대한 승리 선언은 아니다.3

배움에는 없애면 안 되는 마찰이 있다

공부가 늘 편해야 한다는 생각은 매력적이지만 정확하지 않다. 새로운 문제 앞에서 막히고, 틀린 가설을 세우고, 무엇을 모르는지 알아차리는 과정은 이해를 깊게 만드는 재료다. 학습과학에서 말하는 생산적 실패는 학생이 아직 배우지 않은 개념을 먼저 풀어 본 뒤, 자신의 시도와 정식 해법을 비교하며 지식을 정리하는 방식이다.4

중요한 것은 모든 고생이 유익한 것은 아니라는 점이다. 문제의 난도가 지나치게 높거나, 기초 지식이 부족하거나, 피드백 없이 방치되면 어려움은 쉽게 좌절로 바뀐다. 실제로 생산적 실패 연구도 학습자의 선행지식과 자기효능감에 따라 추가 지원이 필요하다고 본다. 좋은 튜터의 역할은 마찰을 없애는 것이 아니라, 학습자가 감당할 수 있는 크기로 조절하는 데 있다.

AI가 답을 대신 쓰기 시작하는 순간 배움의 핵심 공정은 사라진다

그래서 AI 사용의 경계는 과제 종류가 아니라 인지 과정으로 그어야 한다. 문장을 교정받는 것이 언제나 나쁘지는 않고, 초안을 직접 쓰는 것이 언제나 깊은 학습을 보장하지도 않는다. 질문은 더 구체적이어야 한다. 학생이 문제를 정의했는가. 첫 시도를 했는가. AI의 답을 검토할 기준이 있는가. 마지막 판단을 자신의 언어로 설명할 수 있는가.

정답을 주는 AI와 생각을 돌려주는 AI

차이는 대화 첫 문장에서 드러난다. “이 문제의 답을 써 줘”는 산출물을 외주화한다. 반면 “내 풀이에서 처음 잘못된 단계만 찾아 줘. 정답은 말하지 말고 다음에 확인할 질문 하나를 던져 줘”는 사고의 주도권을 남겨 둔다. 좋은 학습용 AI는 설명을 서두르기보다 학생이 이미 아는 것과 시도한 것을 먼저 묻는다.

AI에게 맡겨도 되는 일

개념을 다른 비유로 다시 설명하기, 연습문제 난도를 조절하기, 틀린 풀이의 패턴 찾기, 외국어 대화 상대가 되기, 작성한 글에 독자 관점의 질문 남기기처럼 반복적이고 개인화가 필요한 피드백은 AI가 잘 보조할 수 있다. 이때도 답의 정확성을 검증하고 학습 목표에 맞는지 판단하는 책임은 사람에게 남는다.

AI에게 넘기면 안 되는 일

처음부터 끝까지 과제를 작성하게 하기, 읽지 않은 책의 감상문을 만들게 하기, 출처를 확인하지 않은 채 사실로 받아쓰기, 중요한 진로나 정서 문제에 대한 결정을 맡기기는 피해야 한다. 특히 어린 학습자의 개인정보와 민감한 상황은 학교 정책, 서비스의 연령 요건, 데이터 처리 방침을 먼저 확인해야 한다. UNESCO 역시 연령에 맞는 사용, 개인정보 보호, 인간 중심의 설계를 강조한다.5

학생들은 이미 소비자보다 제작자로 움직이고 있다

벨스키가 소개한 2026년 학생 사례의 흥미로운 지점은 부정행위가 아니라 제작이다. 학생들은 동료를 위한 학습 도구, 소외된 공동체를 위한 정신건강 자료 번역, 장애 학생을 위한 접근성 도구, 과학 연구 프로젝트를 만들었다. AI가 전문성, 자금, 기술 훈련의 문턱을 완전히 없애지는 않지만 아이디어와 시제품 사이의 거리를 줄였다는 주장이다.2

다만 이 사례들은 선발된 26명의 우수 학생을 조명하는 OpenAI 프로그램에서 나온 것이다. 일반적인 사용 행태나 평균적인 학습 효과를 보여 주는 표본은 아니다. 그럼에도 교육의 목표를 “AI를 잘 쓰는 사람”보다 “AI를 이용해 의미 있는 문제를 발견하고 실제로 만드는 사람”으로 넓혀야 한다는 방향은 참고할 가치가 있다.

교사는 덜 중요해지는 것이 아니라 역할이 선명해진다

AI는 언제든 응답하지만 아이의 표정이 굳는 이유를 알지 못한다. 답이 맞아도 우연히 맞았는지, 자신 있게 말하지만 개념을 오해했는지, 지금 필요한 것이 추가 설명인지 잠깐의 격려인지 온전히 판단하기 어렵다. 학습에는 정보 외에도 동기, 소속감, 책임, 관계가 필요하다.

교사는 무엇을 배워야 하는지 정하고, 학습자의 상태를 읽고, 서로 다른 관점을 연결하며, AI를 써도 되는 순간과 쓰지 말아야 하는 순간을 설계한다. OpenAI의 청소년 AI 리터러시 청사진도 교사가 도입 속도와 방식을 결정해야 하며, AI는 핵심 교과 지식을 대체하지 말아야 한다고 밝힌다.6 이것은 기업의 공식 입장이므로 독립적 합의와 동일하게 볼 수는 없지만, 최소한 기술 공급자조차 교사의 대체를 교육 목표로 내세우지 않는다는 뜻이다.

가정과 교실에서 바로 적용할 다섯 가지 원칙

첫 시도는 사람에게 남긴다. AI를 열기 전에 문제를 자신의 말로 다시 쓰고, 아는 것과 모르는 것을 적고, 최소 한 번은 풀이 또는 초안을 만든다.
힌트를 계단처럼 받는다. 처음에는 질문 하나만, 다음에는 관련 개념, 그다음에는 풀이의 한 단계만 요청한다. 완성 답은 마지막 검산 단계까지 미룬다.
설명 가능성을 확인한다. AI 대화를 닫은 뒤 배운 내용을 말이나 글로 재구성한다. “왜 그런가”와 “다른 문제에도 어떻게 적용할까”에 답하지 못하면 아직 학습이 끝나지 않은 것이다.
근거를 밖에서 검증한다. 교과서, 1차 자료, 공식 통계와 대조한다. AI가 제시한 출처는 실제로 존재하는지 열어 보고, 날짜와 맥락을 확인한다.
사용 흔적을 공개한다. 어디에서 어떤 도움을 받았는지 과제에 짧게 기록한다. 공개 자체가 부정행위를 막는 동시에 자신의 사고 과정을 돌아보게 한다.

낙관과 경계 사이에서

AI 교육 논의는 쉽게 두 극단으로 갈라진다. 한쪽은 모든 학생에게 개인 튜터가 생긴다고 말하고, 다른 쪽은 생각하는 능력이 사라질 것이라고 걱정한다. 둘 다 일부는 맞다. AI는 개인화된 피드백을 넓힐 수 있고, 동시에 완성 답을 너무 쉽게 제공해 사고를 약화시킬 수 있다.

정책과 제품도 사용자의 선의에만 기대서는 안 된다. 학교는 허용 범위와 출처 표시 규칙을 명확히 하고, 교사에게 실험과 재설계를 위한 시간을 제공해야 한다. 제품은 기본값부터 답을 즉시 내놓기보다 질문, 단계별 힌트, 자기 설명을 유도해야 한다. 효과 평가는 만족도나 사용량보다 장기 기억, 새로운 문제로의 전이, 독립적 수행 능력을 봐야 한다.

AI가 아이를 가르칠 수 있느냐보다 더 좋은 질문

AI는 아이를 가르칠 수 있다. 그러나 그 문장만으로는 부족하다. 계산기는 계산을 돕지만 수학 교육의 목표를 정하지 못하고, 검색엔진은 정보를 찾지만 무엇을 믿어야 하는지 가르치지 못한다. AI도 마찬가지다. 교육적 가치는 모델의 능력보다 사용을 둘러싼 설계에서 결정된다.

따라서 우리가 물어야 할 것은 “AI를 허용할까”가 아니다. AI를 쓴 뒤에도 아이가 더 좋은 질문을 만들고, 자신의 오류를 설명하고, 혼자 새로운 문제에 도전할 수 있는가다. 그 능력이 커졌다면 AI는 튜터로 일한 것이다. 결과물만 매끈해지고 생각은 남지 않았다면, AI는 학습을 대신해 버린 것이다.

출처와 확인 기준

아래 자료는 2026년 9월 30일에 확인했다. 인터뷰 및 기업 자료의 주장과 독립 연구 결과를 구분해 사용했다.

1 Molly Graham, Substack 원문 링크; TED Audio Collective, Can AI really teach your kids with Leah Belsky, 2026년 9월 29일 공개. 2 OpenAI ChatGPT for Education, Introducing ChatGPT Futures Class of 2026, 2026년 5월 6일. 3 Kestin et al., AI tutoring outperforms in-class active learning, Scientific Reports 15, 17458, 2025년 6월 3일. 4 Glogger-Frey et al., Comparing the effectiveness of preparatory activities that help undergraduate students learn from instruction, Learning and Instruction 82, 2022. 5 UNESCO, Guidance for generative AI in education and research, 2023년 9월 7일, 2026년 1월 16일 갱신. 6 OpenAI, A Strong and Safe Start with AI, 2025년 11월.

원문 인터뷰와 학습과학 연구를 바탕으로 재구성한 독립적인 한국어 블로그 글입니다.