톰마소 리치의 2026 실용 가이드가 제기한 핵심 쟁점
학생 10명 중 8명이 이미 생성형 AI를 학업에 활용하고 있지만, 공식 지침을 갖춘 교육 기관은 10곳 중 1곳도 되지 않는다. 기술 채택과 제도적 관리 사이의 이 간극이 2026년 교육 현장이 직면한 가장 실질적인 과제다. 톰마소 마리아 리치(Tommaso Maria Ricci)가 2026년 9월 10일 개인 블로그·연구 채널을 통해 발표한 'AI for Education: Complete Practical Guide 2026'는 이 문제를 실무 차원에서 정리한 문서로, 스탠퍼드 HAI(Human-Centered Artificial Intelligence)의 2026년 AI 지수 보고서와 HolonIQ의 시장 추정치를 함께 살펴보면 격차의 규모가 더욱 선명하게 드러난다.
리치의 가이드는 AI 기반 적응형 학습(adaptive learning), 지능형 튜터링 시스템(intelligent tutoring systems), 자동화된 평가(automated assessment), AI 지원 교육과정 설계의 네 축을 중심으로 교육의 운영과 교수법이 재편되고 있음을 진단했다. 이 변화는 개별 툴의 도입 수준을 넘어, 교육 거버넌스 전반의 구조적 재설계를 요구한다는 것이 가이드의 핵심 주장이다.
리치의 가이드와 스탠퍼드 HAI의 2026년 AI 지수 보고서(Stanford HAI, 2026)를 함께 보면 교육 현장 도입의 불균형이 뚜렷하게 드러난다. 보고서는 조직의 88%가 최소 하나의 AI 기능을 사용하고 있으며, 학생의 80%가 생성형 AI를 학업에 활용한다고 밝혔다. 반면, 리치의 정리에서는 공식적 정책과 지침을 갖춘 교육 기관이 10% 미만이라는 수치가 제시되어 있다.
기술 채택 속도가 제도적 관리 속도를 압도적으로 앞서고 있다는 것이며, 이는 데이터 오남용·알고리즘 편향·학습 격차 심화라는 복합 위험으로 이어질 수 있다.
광고
리치는 AI가 학생 개개인의 강점·약점·선호를 실시간으로 분석해 콘텐츠를 맞춤화한다고 설명했다. 적응형 학습 플랫폼은 학습자의 오답 패턴, 반응 시간, 상호작용 유형을 바탕으로 난이도와 피드백을 동적으로 조정한다.
예를 들어 특정 개념에서 반복적 오류가 발생하면 보조 설명을 추가하거나 연습 문제를 재구성하는 방식이다. 이러한 기능은 교사가 개별 진단에 쓰는 시간을 절감하고, 학습 효율을 높이는 도구로 작동할 잠재력이 있다.
다만 이 잠재력이 실현되려면 알고리즘이 학습한 데이터의 편향성 여부를 지속적으로 검토하는 체계가 병행되어야 한다. 리치는 AI가 교사의 단순 반복 업무를 경감시켜 고차원적 수업 설계와 피드백에 집중할 여지를 만든다고 평가했다. 자동 채점과 초안 작성 보조는 수업 준비 시간을 줄이지만, 교사는 AI가 제안한 결과를 검증·교정하는 역할을 반드시 수행해야 한다.
이 과정에서 데이터 해석 능력, 알고리즘의 한계 이해, 윤리적 판단 역량이 교사의 새로운 핵심 역량으로 부상한다. 스탠퍼드 보고서가 확인한 조직·개인 도입 비율(88%, 80%)은 이러한 변화가 소규모 실험 수준을 넘어 대규모로 진행되고 있음을 뒷받침한다.
결국 교원 양성과 연수 체계 역시 이 현실에 맞게 재설계되어야 한다.
적응형 학습·자동화 평가가 바꾸는 교실의 일상
리치는 편향(bias), 감시(surveillance), 데이터 프라이버시 문제를 사전에 관리해야 한다고 경고했다. HolonIQ의 2025년 추정치에 따르면 글로벌 에듀테크 시장은 약 4,040억 달러에 달했으며 AI가 혁신의 주된 동력으로 지목됐다. 이처럼 시장이 빠르게 팽창할수록 더 많은 학습 데이터가 수집·가공되는 환경이 조성된다.
데이터 처리 과정에서 발생하는 편향은 교육 격차를 심화할 수 있고, 민감 정보의 유출은 법적·윤리적 분쟁으로 이어질 수 있다. 따라서 기술 도입은 개인정보보호법, 저작권법, 교육 관련 법령과 정합성을 갖춘 설계 안에서 이루어져야 하며, 시장 확대 속도에 맞춰 규제 체계도 선제적으로 정비되어야 한다.
광고
리치의 가이드는 학교만이 아니라 기업 연수와 평생학습 시장에서도 AI가 핵심 도구로 자리 잡고 있다고 진단한다. 자동화된 역량 진단과 맞춤형 연수 과정은 인력 개발의 효율을 높이지만, 채용·평가 지표로 활용될 때는 공정성 문제가 제기된다. 기업의 AI 도구 사용 확산을 보여 주는 스탠퍼드 지표(조직의 88% 사용)는 교육의 결과물이 노동시장 평가에 직접 연결될 가능성을 높인다.
이는 교육정책과 노동정책의 교차 규율 필요성을 보여 준다. 일부에서는 AI 도입이 교육 불평등을 해소할 수 있다는 낙관적 관점을 제시한다.
기술이 맞춤형 학습을 제공하면 학습자 간 차이를 줄일 수 있다는 주장이다. 그러나 이 주장은 디바이스 접근성, 데이터 품질, 교사 지원 체계의 차이를 간과한다.
디지털 기기와 인터넷 접속의 불균형, 알고리즘 학습 데이터의 편향성, 현장 교사의 전문성 격차가 그대로 남아 있다면 AI는 격차를 완화하기보다 새로운 형태로 재구조화할 위험이 있다. 따라서 단순 도구 보급이 아닌 제도적 보완과 역량 투자가 병행되어야 한다. 단기적으로는 AI 도구의 확산이 수업 방식과 평가 관행을 바꿀 것이다.
중장기적으로는 교육 거버넌스의 재설계가 불가피하다. 교육과정 설계권, 평가 기준, 교사 전문성 기준, 개인정보 보호 기준이 상호 연계된 규범 체계로 통합되어야 한다. 본지 분석 결과, 한국은 교육 행정의 중앙집중적 특성과 높은 대학 진학 경쟁을 고려할 때 AI 도구의 진단·평가 기능이 입시와 연결될 경우 파급력이 다른 나라보다 훨씬 클 수 있다.
이는 본지 편집부의 자체 분석으로, 기술 채택의 속도 조절과 동시에 제도적 안전장치 마련이 한국 교육정책의 최우선 과제가 되어야 한다는 결론으로 이어진다.
광고
정책·윤리·현장 역량을 연결하는 한국의 대응 전략
리치의 2026년 가이드는 AI가 교육의 도구적 차원을 넘어 제도와 직업 생태계까지 관통하는 변화를 촉발한다고 정리했다. 한국 교육은 기술 수용의 장점을 활용하는 동시에 제도적·윤리적 위험을 관리하는 능력을 강화해야 한다. 구체적으로는 교육 기관의 공식 지침 확립, 교사 역량 전환을 위한 교육과정 재편, 데이터 거버넌스 체계 구축이 필요하다.
이 세 가지 과제를 동시에 추진하지 않으면 기술 전환의 혜택은 소수에게 집중되고, 위험은 취약 계층에 전가되는 구조가 고착될 수 있다. 교육·문화 관련 법률·윤리 주의사항 본 기사는 정보 제공을 목적으로 하며, 특정 개인의 교육·진로·문화 향유 의사결정을 대체하지 않는다.
교육·문화 관련 정책·제도·저작권·문화재와 관련된 사항은 관련 법령(교육기본법, 초중등교육법, 고등교육법, 개인정보보호법, 저작권법, 문화재보호법 등)과 국제 규범을 준수하며 전문가와 상담해야 한다. 기사에 언급된 통계와 연구는 발표 시점의 공개 자료를 근거로 인용했으며, 관련 법령·고시·지침은 개정될 수 있으므로 최신 공식 자료를 확인해야 한다.
FAQ
Q. 일반 학교에서 당장 어떤 준비를 해야 하나
A. 우선 학내 AI 도구 사용에 대한 기본 원칙을 수립하고, 학부모와 학생에게 사용 범위와 목적을 명확히 고지해야 한다. 이때 원칙의 내용은 어떤 도구를 허용하는지, 학습 데이터를 어떻게 처리하는지, 결과물의 저작권은 어디에 귀속되는지를 구체적으로 명시해야 한다. 두 번째로는 교사 대상의 데이터 해석과 윤리 교육을 제공해 AI 제안 결과를 검증할 역량을 확보해야 한다. 세 번째로는 개인정보 처리와 저장에 관해 교육청 또는 학교 법무팀과 협의해 법적 책임 소재를 정리해야 한다. 지금 당장 모든 체계를 갖추기 어렵더라도, 최소한 교사·학생·학부모가 공유하는 임시 지침을 문서화하는 것이 출발점이 된다.
Q. 교사들은 어떤 역량을 우선적으로 키워야 하나
A. 교사는 데이터 이해 능력과 알고리즘의 한계 인식 능력을 기본으로 갖춰야 한다. 평가 자동화 결과를 교육적 맥락에서 해석하고 보완하는 역량, 그리고 학생의 비인지적 능력을 평가하고 지도하는 전문성이 특히 중요하다. AI가 생성한 피드백이 특정 학습자 집단에 불리하게 작동하는 편향을 교사가 직접 식별할 수 있어야 하며, 이를 위해 교원 연수체계에 데이터 윤리와 AI 활용 교육을 의무 과목으로 포함시키는 것이 필요하다. 장기적으로는 교원 자격 기준 자체에 AI 리터러시 항목을 반영하는 방향으로 제도 개편이 이루어져야 한다.
Q. 한국 입시와 AI 평가 도구는 어떤 관계가 있나
A. 현재 한국의 대학입시는 수능, 학생부, 논술 등 다양한 평가 요소로 구성되며, AI 진단 도구가 이 평가 지표와 연동될 경우 특정 데이터에 최적화된 학생이 유리해지는 구조가 형성될 수 있다. 예를 들어 적응형 학습 플랫폼이 산출하는 '역량 점수'가 학생부 기재 항목과 연결된다면, 해당 플랫폼 접근성이 낮은 학생은 구조적으로 불이익을 받게 된다. 본지 분석 결과, 이 문제는 단순한 기술 도입 문제가 아니라 입시 공정성과 직결된 정책 사안이다. 따라서 교육부는 AI 평가 도구의 입시 연계 기준을 사전에 명확히 설정하고 공개 논의를 거쳐야 한다.
※ 이 기사는 Tommaso Maria Ricci의 개인 블로그·연구 채널에 2026년 9월 10일 게재된 'AI for Education: Complete Practical Guide 2026', 스탠퍼드 HAI(Human-Centered Artificial Intelligence)의 2026년 AI 지수 보고서(Stanford HAI, 2026), HolonIQ의 2025년 글로벌 에듀테크 시장 추정치를 참조하여 작성하였다.
광고
){kind=small}
){kind=small}
){kind=small}
){kind=small}