캘리포니아 폴리텍 해양캠퍼스 교수의 시연 (예일대 교수학습센터 워크숍, 2026.3)
퍼듀대 수학과 장샹슝(Xiangxiong Zhang) 교수의 정리 (2026)
"Claude Code를 LaTeX, Word, Zoom처럼 매일 쓰는 도구로 씁니다."
교육
연구
행정
오늘 발표 자료도 이렇게 만들었습니다. ① 목차와 담을 내용의 초안은 제가 잡고, ② 자료 수집과 슬라이드 구성은 에이전트가 하고, ③ 원문 대조, 자료 검토와 수정은 다시 제가 했습니다. 3부에서 이 가운데 세 가지를 직접 해 봅니다.
1부
AI 교육 연구 동향
교육 분야 생성형 AI 연구로 지금까지 알게 된 것
2부
예비교사의 AI 역량
정책과 연구는 어디로 가고 있고, 예비교사에게 무엇이 필요한가
3부
교원의 에이전트 활용 실습
교육(면담 정리), 연구(연구 브리핑), 행정(할 일 정리)
오늘 드리고 싶은 말은 한 문장입니다. 에이전트는 과제를 끝낼 수 있지만 배움을 대신하지는 못합니다.
어떻게 설계하느냐에 따라 학습 효과가 달라졌다
지금의 근거는 대부분 챗봇형 생성형 AI 연구에서 나왔습니다. 에이전트를 다룬 학습 연구는 이제 시작이며, 앞에서 본 옌리샹(Lixiang Yan)의 이론이 그 첫 틀입니다.
도구 챗봇에서 에이전트로
묻고 답하던 AI가 이제 목표를 받아 강좌의 과제와 토론까지 혼자 끝냅니다
근거 "효과가 있나"에서 "어떻게 설계하나"로
같은 모델이라도 답을 주느냐 힌트를 주느냐에 따라 학습 결과가 달랐습니다
평가 AI 리터러시를 평가하기 시작
PISA 2029 미디어와 AI 리터러시, 국가 수준 초중 AI, 디지털 리터러시 검사
환경 AI가 만든 정보 속에서 배우는 학생들
AI 슬롭은 사람도 기계도 잘 가려내지 못합니다. 출처를 따라가 확인하는 힘이 필요합니다
답을 주는 AI
고교 수학 현장 실험입니다. AI로 연습한 학생은 연습 성적이 올랐습니다.
그러나 AI 없이 본 시험에서는 AI를 쓰지 않은 학생보다 낮았습니다.
힌트를 주는 튜터
하버드 물리 수강생 194명입니다.
힌트를 주도록 설계한 AI 튜터로 배운 학생이 능동학습 수업보다 학습 향상이 중앙값 기준 2배 넘게 컸습니다.
이해에 쓰느냐, 대신 쓰게 하느냐
설명을 듣는 데 쓴 학생은 효과가 남았습니다.
글을 대신 쓰게 한 학생은 AI를 치우자 효과가 사라졌습니다. (심사 전 논문)
세 연구 모두 AI를 치운 뒤 무엇이 남았는지를 따로 쟀습니다. 결과를 가른 것은 모델이 아니라 쓰게 한 방식이었습니다.
OECD Digital Education Outlook 2026
교육적 의도를 갖고 쓰면 학습에 도움이 됩니다.
설계 없이 과제를 넘기면 수행은 오르지만 학습은 늘지 않습니다.
미국심리학회(APA) 전문가 보고서 (2026)
"AI may improve performance while reducing learning."
참여율, 완료율, 흥미는 학습의 증거가 아닙니다. 학습은 도구를 닫은 뒤에 확인됩니다.
우리가 채점하는 것은 수행입니까, 학습입니까?
믿을수록 덜 생각한다
지식노동자 319명, 사용 사례 936건을 조사했습니다.
AI를 믿을수록 비판적 사고를 덜 했습니다.
인지 부채
54명이 ChatGPT, 검색, 도구 없음 세 집단으로 나뉘어 에세이를 쓰는 동안 뇌파(EEG)를 쟀습니다.
국내 보도 AI타임스(2025.6.23) 「MIT "챗GPT 사용자, 뇌파 측정 결과 학습 능력 저하…인지·기억력 모두 감소"」. 기사도 표본이 작고 동료 심사 전이라고 덧붙였습니다. aitimes.com
반론
빈 대학과 드레스덴 공대 연구진이 논평을 냈습니다. 결론을 더 보수적으로 읽어야 한다는 다섯 가지 지적입니다.
두 논문 모두 동료 심사 전입니다. '뇌가 망가진다'가 아니라 도움을 많이 받을수록 덜 관여할 수 있다는 예비 신호로 읽습니다.
안다고 착각한다
인터넷 검색을 한 사람은 설명할 자신감이 높아졌습니다.
그러나 실제 설명은 더 정확하지 않았습니다.
사람의 일이 바뀝니다. 자료를 모으기보다 확인하고, 직접 하기보다 감독합니다.
③에서 생각을 AI에 넘기면 덜 따져 본다는 결과를 보았습니다. 그렇다면 따져 보는 힘(비판적 사고)은 어디서 길러야 할까요?
"일반적이고 따로 떠다니는 능력이 아니다. 교과 안에서 가르쳐야 한다" 파울 키르슈너(Paul Kirschner). 대니얼 윌링햄(Daniel Willingham)의 논의와 함께 Pearson (2026, Nature)에서
그래서 교과교육학이 더 중요해집니다. AI 리터러시 과목 하나로는 부족하고, 교과마다 다른 생각하는 방법을 가르칠 교사가 필요합니다. 다음 ⑤에서는 이런 주장의 근거가 어디까지 쌓였는지 봅니다.
의학교육 메타분석
의대생 대상 무작위 실험 11편, 786명(AI 395명, 전통 수업 391명)을 묶었습니다.
AI를 어떻게 썼나
결과
교사가 직접 한 작은 무작위 실험
영국 중등 과학(9, 10학년). 교사 39명이 각자 반에서 4주짜리 작은 무작위 실험을 돌렸습니다. AI 튜터로 복습한 학생과 스스로 복습한 학생을 비교했습니다.
저자들도 "효과를 단정하기보다 반복 검증이 필요하다"고 썼습니다. 플랫폼 회사가 평가를 의뢰했고, 심사 전 논문입니다.
성적과 배움은 따로 봐야
논평 논문으로, 수행과 학습을 구분하자고 주장합니다.
지금 분명한 것은 하나입니다. 과제를 어떻게 짜느냐가 결과를 가릅니다.
1
효과가 있나?
결과가 엇갈립니다
의학교육 메타분석 (BMC 2025), Kestin (2025)
2
어떻게 써야 효과가 나나?
과제 구조와 설계
Bastani (2025), OECD DEO (2026)
3
무엇을 잃나?
생각을 넘기기, 안다는 착각
Lee (CHI 2025), Kosmyna (2025)
4
교사는 무엇을 할 줄 알아야 하나?
교과별 역량, 역량 틀
UNESCO (2024), AILit (2026), Pearson (Nature 2026)
연구자들은 이제 학생과 도구보다 교사와 설계를 묻습니다. 사범대학에서 우리가 답해야 할 질문입니다. 2부에서 이 질문을 정책과 양성 현장으로 이어 봅니다.
모든 교과와 예비교사를 위한 인공지능 교육 정책
| 연도 | 국외 | 국내 |
|---|---|---|
| 2024 | UNESCO 교사 AI 역량 틀 (2024.9) 일본 문부과학성, 초중등 생성형 AI 활용 가이드라인 Ver.2.0 (2024.12) |
|
| 2025 | EU AI법 제4조 'AI 리터러시' 의무 적용 (2025.2) 미국 대통령령 「AI Education for American Youth」: 모든 교사의 AI 연수, K-12 AI 리터러시 (2025.4) 중국 교육부, 초중등 AI 일반교육 지침과 생성형 AI 사용 지침 (2025.5) 영국 교육부 「Generative AI in education」 개정: 교사용 활용부터, 판단은 교사가 (2025.8) |
교육부 「AI for All」: 교직과목 '디지털 교육'을 AI 중심으로 고치고 이수를 의무화하는 방안 (2025.11) 교육부 업무계획: AI 디지털교과서를 'AI 교육자료'로 전환, 질문 중심 수업 (2025.12) |
| 2026 | OECD와 EC AILit Framework (2026) OECD 「Digital Education Outlook 2026」 (2026.1) |
「대한민국 인공지능 행동계획」 과제 20, 21: 양성기관 역량진단, 임용시험 (2026.2) AI 중점학교 1,141교, 양성기관 지원 24.8억 원 (2026) KERIS 초중 AI, 디지털 리터러시 예비검사 (2026.7) |
| 2029 | PISA 미디어와 AI 리터러시 평가 |
우리 정부는 정보 전공 몇 명이 아니라 모든 교과 예비교사를 대상으로 삼습니다. 이수만 시키지 않고 진단하고 평가하려 합니다.
국외: 일본 MEXT, EU 집행위원회 AI 리터러시 Q&A, 미국 백악관 EO 14277, 중국 신화통신 보도, 영국 DfE. 국내 출처는 이어지는 슬라이드에 있습니다.
AILit Framework OECD와 EC (2026). 네 영역, 19개 역량(지식, 기술, 태도)
| 영역 | 뜻 |
|---|---|
| AI와 관계 맺기 (Engage) | AI가 있는 세상에 비판적이고 책임 있게 참여합니다. 모든 학습자의 기초 영역입니다 |
| AI로 만들기 (Create) | 사람의 주도권을 지키며 AI를 창작 파트너로 씁니다 |
| AI 관리하기 (Manage) | 사람과 AI 사이에 일을 의도적으로 나눕니다 |
| AI 설계하기 (Shape) | 사람의 가치를 반영하도록 AI 시스템을 고칩니다 |
PISA 2029 미디어와 AI 리터러시 평가와 연결됩니다. 지금 예비교사가 가르칠 학생들이 2029년에 이 역량으로 평가를 받습니다.
UNESCO 교사 AI 역량 틀 다섯 영역 × 세 단계(습득, 심화, 창조) = 15개 역량
| 영역 | 뜻 |
|---|---|
| 인간 중심 사고방식 | 사람과 AI의 상호작용에서 교사가 길러야 할 가치와 태도 |
| AI 윤리 | 교사가 이해하고 적용해야 할 윤리 원칙, 규정, 실천 규칙 |
| AI 기초와 활용 | AI 도구를 골라 쓰고 수업에 맞게 고쳐 쓰는 지식과 기술 |
| AI 교수법 | AI를 목적에 맞게 수업에 통합하는 역량 |
| 전문성 개발을 위한 AI | AI로 평생 전문성 학습과 동료와의 협력적 성장을 이끄는 역량 |
그 밖의 교사 역량 틀: DigCompEdu, TPACK + 맥락 지식
교육부 2026년 업무계획
AI 중점학교
전국 1,141교, 385억 원
2028년 2,000교 목표
강원 26교
강원 중학교 정보교사 배치율 31.0%
이 학교들에서 가르칠 교사는 우리가 길러야 합니다.
강원아이로(AI-ro)
강원교육청의 학생 맞춤형 교수학습 플랫폼입니다. AI가 학생의 학습 수준, 오답 유형, 풀이 시간을 분석해 맞춤 문제를 냅니다.
강원일보(2025.7.1), 교육플러스(2025.10.21), 머니투데이방송(2026.9.1), 바이라인네트워크(2026.5.29)
강원에서는 이미 학교마다 AI 플랫폼을 씁니다. 우리는 이 도구로 수업을 설계할 교사를 길러야 합니다.
| 시기 | 자료 |
|---|---|
| 2025.2 | 경기 「생성형 AI 활용교육 가이드라인」 교사용, 학생용 |
| 2025.12 | 교육부, 17개 시도교육청 「수행평가 AI 활용 관리 방안」 (2026학년도 적용) |
| 2026.2 | 서울 「AI, 에듀테크 공교육 도입 및 활용 가이드라인」 |
| 2026.3–4 | 대구 저작권, AI 윤리 가이드북, 경북 학교급별 길라잡이 |
| 2026.6 | 충북 AI 윤리 가이드라인 |
| 2026.8 | 전북 AI 리터러시 교육 가이드라인 (7장 20조) |
| 2026.10 | 평가원 연구리포트 13호: 교사의 수업, 평가 지원 |
강원은
2025.11 국회 자료에서 자체 가이드가 없던 7곳 가운데 하나였습니다
지금은 KERIS 저작권 가이드 같은 다른 기관 자료를 누리집에 다시 올려 안내합니다
경기도교육청 가이드라인(2025.2), 교육부 보도자료(2025.12.23), 강원도교육청 누리집, 뉴시스(2025.11.12, 진선미 의원실 자료) 등 시도별 보도
| 요구 | 예 | |
|---|---|---|
| ① 넣지 않기 | 학생 개인정보, 민감정보를 넣지 않는다 | 가명 쓰기, 대화 기록, 학습 기능 끄기 (경기) |
| ② 밝히기 | AI를 어디에 어떻게 썼는지 적는다 | 수행평가에서 출처 등 활용 과정 표기 (교육부), 학생에게 사용 사실 알리기 (경기) |
| ③ 확인하기 | 결과를 그대로 믿지 않는다 | 인증된 공식 사이트만 쓰기, 결과물을 분석하며 비판적으로 보기 (경기) |
| ④ 판단은 교사가 | 평가와 기록의 마지막 결정은 사람이 한다 | 평가 기준은 교사가 정하고 AI는 참고만 (경기), 교사가 직접 관찰하는 평가 (교육부) |
| ⑤ 저작권 지키기 | 남의 저작물을 출처와 허락 없이 쓰지 않는다 | 교육기관 저작권 가이드라인 (KERIS, 강원 게시) |
양성 과정에서는 가이드를 외우게 하기보다, 예비교사가 수업 설계 안에서 이 다섯 가지를 직접 해 보게 해야 합니다. 뒤의 '역량 네 가지'와 3부 실습에도 같은 기준을 썼습니다.
경기도교육청 (2025.2) 생성형 인공지능 활용교육 교사용 가이드라인, 교육부 (2025.12.23) 수행평가 시 AI 활용 관리 방안 보도자료, KERIS (2024) 교육기관의 생성형 AI 활용을 위한 저작권 가이드라인
규모
'slop'은 메리엄-웹스터가 고른 2025년 올해의 단어입니다. 뜻은 "주로 AI로 대량 생산되는 질 낮은 디지털 콘텐츠".
새 유튜브 계정에 뜬 쇼츠 첫 500개 중 21%가 AI 생성물이었습니다. 인기 AI 슬롭 채널 조회수는 한국이 세계 1위였습니다 (11개 채널, 약 84.5억 회).
영상 편집 업체의 자체 조사입니다.
판별: 사람
미국, 독일, 중국 3,002명에게 AI가 만든 글, 이미지, 음성을 가려내게 했습니다.
대부분 찍는 수준이었고, AI가 만든 것을 오히려 더 사람 같다고 보았습니다.
판별: 기계
사람이 '슬롭'이라고 표시한 글을 LLM(GPT-5 등)에게 판정하게 했습니다.
사람의 판정과 거의 일치하지 않았습니다 (κ ≈ 0). 심사 전 논문입니다.
판별 도구에 기대기보다 출처를 따라가 확인하는 습관을 각 교과에서 가르쳐야 합니다.
설계 생각할 몫을 남기는 수업 설계
교과 안에서 AI를 어디에 쓰고 어디서 닫을지 정합니다
검증 AI 결과를 의심하고 확인하기
AI가 모은 자료를 확인하고, AI가 한 일을 감독합니다
평가 수행이 아닌 학습의 증거 보기
과정의 증거, 도구를 닫은 뒤의 확인
책임 데이터, 윤리, 도구 품질
학생 정보 처리, AI 사용 공개, 직접 만든 도구의 검증
서울시교육청 협력적 수업설계 가이드북 (2026.9)
교사, AI, 교사 순서로 협력하는 수업 설계 (T-CID 2.0)
AI는 생각을 넓히는 상대이고, 최종 판단과 책임은 교사에게 있습니다.
2026-2학기 「디지털교육」
예비교사가 어떤 도구를 어느 단계에서 어떻게 썼는지 스스로 밝힙니다. 그다음 AI를 쓰는 수업을 직접 설계해 봅니다.
밝히기는 앞에서 본 학교 가이드의 두 번째 요구와 같습니다. 양성 과정에서 먼저 연습하면 학교에 가서도 습관이 됩니다.
이화여대 사범대학
뉴스밸류, 2026.9.13
과목 하나를 새로 여는 것이 아니라 전공 교과목 전체를 고치고 있습니다.
제주대가 2026.10.30–31에 연 전국 예비교원 AI 융합 수업설계 해커톤입니다. 한국과학창의재단의 교원양성기관 교육과정 개발 지원사업으로 열렸습니다.
대상: 성균관대 한문교육과 '한교동' 팀. 고교 통합사회에서 학생들이 AI가 만든 정보의 정확성을 검토하고 틀린 내용을 스스로 고치는 수업을 설계했습니다.
한국과학창의재단이 주최하고 신라대가 주관했습니다(2026.10.30–31, 부산). 본선 10개 팀이 과제 하나를 골라 AI 에이전트를 직접 설계하고 만들었습니다.
예비교사들은 이미 에이전트를 쓰는 데서 나아가 만들고 있습니다. 양성 과정에서 우리가 함께 따져 볼 것은 그 도구의 검증과 책임입니다.
도름스는 현직 교사들이 바이브코딩으로 만든 학습 게임, 수업 도구, 업무 도구를 나누는 커뮤니티입니다. 앱과 자료 약 640건이 올라와 있고, 작성자 프로필과 '인증 교사' 표시가 붙습니다. 일부는 오픈소스로 공개됩니다.
예비교사도 도구를 쓰는 데서 그치지 않고 도구를 설계하고 따져 볼 줄 알아야 합니다.
함께 가르쳐야 할 것
교육, 연구, 행정 업무를 하나씩 직접 해 봅니다
약 75%
LLM을 거의 써 본 적이 없다
약 20%
무료 챗봇을 검색 대신 쓴다
0.2%
최신 모델로 몇 주에서 몇 달 걸릴 일을 끝낸다
LLM으로 무엇을 할 수 있는지, 사람들은 점점 서로 다르게 알고 있습니다. 이 방에 계신 분들은 어디쯤일까요? 오늘은 0.2% 쪽에서 무엇이 되는지 직접 해 보려고 합니다.
안드레이 카파시(Andrej Karpathy), X (2026.10.11). 본인이 밝힌 어림 계산이며 통계가 아닙니다.
x.com/karpathy/status/2109361546505966046
코딩 에이전트 + 문서 저장소 연결
원칙
오늘 보여 드리는 화면의 개인정보는 모두 흐리게 하거나 가상 자료로 바꾸었습니다.
처음에 본 챗봇과 에이전트의 차이를 교수 업무로 옮기면 이렇습니다.
| 생성형 AI: 답한다 | 에이전트 AI: 일한다 | 오늘 실습 | |
|---|---|---|---|
| 일의 단위 | 한 번 묻고 한 번 답한다 "면담 메모를 요약해 줘" → 요약 한 단락 |
여러 단계를 이어서 한다 메모를 읽고 표로 정리해 파일로 저장하고 메일 초안까지 |
교육 |
| 결과 | 글을 만든다 공지 내용을 요약해 준다 |
일을 끝낸다 첨부까지 열어 마감순 할 일 표를 만든다 |
행정 |
| 움직이는 계기 | 지시를 기다린다 "이 논문 5편 요약해 줘" |
목표에 따라 움직인다 "내 분야 새 논문을 매일 아침 챙겨 줘" |
연구 |
| 다음 단계 | 사람이 한다 회고 응답 목록을 받아 내가 전자출결에 옮긴다 |
AI가 이어서 한다 응답을 읽고 출결 화면에 입력한다. 저장은 내가 누른다 |
행정 사례 ② |
에이전트는 '더 똑똑한 생성형 AI'가 아닙니다. 일하는 방식이 다릅니다. 그래서 무엇을 맡기고 어디서 확인할지를 먼저 정합니다.
비교 틀: 유데미 비즈니스(Udemy Business), From Prompts to Action: An L&D Leader's Guide to Agentic AI
| 단계 | 에이전트가 하는 일 | 제 연구 브리핑 에이전트에서 |
|---|---|---|
| 1 목표 받기 | 결과를 받는다. 단계까지 정해 주지 않는다 | "매일 아침 컴퓨터교육 새 논문 브리핑" |
| 2 계획 | 무엇을 어디서 할지 순서를 짠다 | 관심주제 파일을 읽고 학술지와 키워드를 고른다 |
| 3 실행 | 도구로 일한다 | 정해 둔 학술지에서 새 논문을 모으고 요약한다 |
| 4 결과 확인 | 목표에 맞는지 다시 본다 | 초록이 있는지, DOI가 열리는지 확인한다 |
| 5 고치기 | 모자라면 방법을 바꿔 다시 한다 | 초록이 없으면 다른 곳(OpenAlex, KCI)에서 찾아 다시 고른다 |
| 6 보고 | 결과와 남은 문제를 알린다 | 08:50 메일 발송. 못 찾은 것은 '원문 확인 필요'로 표시 |
4단계를 에이전트에게만 맡기면 우리는 조용한 실패를 놓칩니다. 10월 11~13일, 835편을 모으고도 후보는 0편이었는데 메일은 정상으로 왔습니다. 찾아낸 것은 사람이었습니다.

"An LLM agent runs tools in a loop to achieve a goal." 사이먼 윌리슨(Simon Willison, 2025.9.18), 6단계 구분: 유데미 비즈니스(Udemy Business) (원문 링크)
하네스(harness)는 원래 말의 힘을 수레에 전하는 마구입니다. 소프트웨어에서는 프로그램을 감싸 실행하고 시험하는 틀(test harness)을 뜻했고, AI에서는 모델을 감싸 도구, 기억, 규칙과 이어 실제 일을 하게 하는 소프트웨어를 가리킵니다.
에이전트 = 모델 + 하네스. 모델을 뺀 나머지 전부가 하네스입니다.
책상 위에 있는 것
우리가 할 일
Agent Loop가 일하는 순서라면, 하네스는 일하는 책상입니다. 일을 시작시키는 알람(예약, 새 메일 도착, Trigger)은 책상에 붙여 두는 장치입니다.

달라진 점
지금까지는 내가 물어야 움직였습니다
Duet은 챙길 일이 생기면 먼저 연락합니다
일하는 방식
결재는 사람이
이제 부르지 않아도 에이전트가 앞의 Agent Loop를 돌립니다. 그만큼 우리는 하네스의 결재함을 더 꼼꼼히 챙겨야 합니다. 뒤에서 볼 '매일 아침 연구 브리핑'도 같은 방식입니다.
Anthropic (2026.10.21). Introducing Claude Duet. 연구 프리뷰, 미국 Pro, Max, Ultra 사용자부터 대기 명단
claude.com/resources/articles/claude-duet
일이 크면 에이전트 하나가 다 하지 않습니다. 지휘하는 에이전트(오케스트레이터)가 일을 나누어 작업 에이전트에게 맡기고, 돌아온 결과를 합칩니다.
미리 정한 순서대로 나누는 것이 아니라, 들어온 일을 보고 그때그때 나눕니다. 하네스의 '일의 흐름'이 이 일을 맡습니다.
같은 LLM에게 역할을 나눠 맡깁니다. 에이전트마다 지침, 쓸 수 있는 도구, 맥락(기억하는 대화)이 따로입니다.
서로 다른 LLM을 한 팀으로 씁니다. 회사도, 학습한 자료도 다른 모델들입니다.
LLM Council의 예
좋은 점: 서로 다른 관점으로 교차 확인합니다. 대가: 계정과 비용이 늘고, 모델마다 다른 규칙과 개인정보 정책을 따져야 합니다.
| 에이전트 하나 | 한 모델, 여러 에이전트 | 여러 모델, 여러 에이전트 | |
|---|---|---|---|
| 나누는 것 | 나누지 않음 | 역할, 지침, 맥락 | 역할에 더해 모델 자체 |
| 좋은 점 | 단순하고 싸다. 흐름을 따라가기 쉽다 | 맥락이 덜 섞인다. 일을 나란히 할 수 있다 | 서로 다른 관점으로 교차 확인 |
| 주의할 점 | 긴 일에서 맥락이 넘친다 | 같은 모델의 같은 약점. 토큰이 늘어난다 | 비용, 계정, 정책 관리. 결과를 맞추기 어렵다 |
| 오늘 실습 | 교육, 연구, 행정 세 실습 모두 | 연구 브리핑을 키울 때 | 중요한 판단을 교차 확인할 때 |
처음에는 에이전트 하나로 시작합니다. 나누는 만큼 지휘와 확인은 사람 몫으로 늘어납니다. 앞의 '한 명과 먼저, 그다음 여럿으로'와 같은 이야기입니다.
도구를 아는 것만으로는 부족합니다. 일을 어떻게 나누고, 어디서 판단할지를 다시 짜야 합니다. 그런데 이 방법은 아직 누구도 정답을 모릅니다. 현장의 개발자들도 찾아가는 중입니다.
무신사 물류플랫폼팀 개발자의 고민
"병목은 코딩에서 사라진 것이 아니라 제 머릿속으로 옮겨온 것이었습니다."
"이해하지 못한 채 승인한 것은 산출이 아니라 부채입니다."
교수의 일도 마찬가지입니다. 맡길 일이 늘수록 판단과 확인의 몫이 커집니다. 각자 실험하고, 서로의 방법을 나눠야 할 때입니다.
코드 양
늘었다
에이전트를 도입한 회사
완성된 기능
그대로
뚜렷한 변화 없음
리뷰 시간
늘었다
PR이 올라와 합쳐지기까지
늘어난 코드를 사람이 읽고 검토하느라 시간이 걸렸습니다. 이제 사람들은 쓰는 속도보다 읽는 속도에서 막힙니다.
① 정말 생산성이 올랐습니까? 사람이 생각하는 데 쓰는 시간은 줄었습니까?
② 전문가도 버거워하는 '읽고 검토하기'를 학생은 할 수 있습니까?
하버드 연구진(Fiona Chen, James Stratton), 소프트웨어 기업 700여 곳 분석, 심사 전 워킹페이퍼 「Artificial Intelligence in the Firm: Bottlenecks in Software Production」
AI 코딩이 그렇게 좋다면 새로 나온 좋은 소프트웨어는 왜 보이지 않을까요? 개발자 네이트 메이비스(Nate Meyvis)가 이 질문에 아홉 가지 답을 내놓았습니다.
9가지 답 가운데 둘
나머지: 버그 감소, 기존 제품의 기능 추가, 일부만 새 소프트웨어를 받아들임, 사내 승인 절차는 그대로, 쓰고 버리는 소프트웨어, 개선보다 새로 만들기, 소프트웨어를 덜 씀
2부에서 본 도름스처럼 우리 교실과 연구실에도 각자 쓰는 도구가 생깁니다. 그 품질은 누가 확인합니까?
교육
면담 결과 정리
가상 면담 메모로 요약표와 후속 조치, 학생에게 보낼 메일 초안을 만듭니다
목표: 면담 후속 조치 정리, 내가 확인: 메모에 없는 말이 들어갔는가
도구: Claude Code, 약 7분
연구
연구 브리핑 받기
내 관심주제 파일로 최근 논문 브리핑을 받고, 맞는지 의심해 봅니다
목표: 최근 2주 논문 브리핑, 내가 확인: DOI가 실제로 열리는가
도구: Claude Code (+ 예약 작업), 약 10분
행정
할 일 정리
AI 브라우저 Aside가 공지 페이지를 읽고 마감이 있는 할 일 표를 만듭니다
목표: 마감 있는 할 일 표, 내가 확인: 마감일이 원문과 같은가
도구: Aside + Claude 연결, 약 10분
세 실습 모두 가상 자료나 공개 페이지로 합니다. 실제 학생 정보나 메일함은 넣지 않습니다. 슬라이드를 보며 각자 속도로 따라 하시면 됩니다.
오늘은 Claude로 설명하지만, 같은 실습을 ChatGPT(Codex), Gemini 등 다른 모델로도 할 수 있습니다. 다음 두 장에서 안내합니다.
Claude Code는 내 컴퓨터의 폴더를 읽고, 파일을 만들고 고치는 에이전트입니다. 폴더에 있는 CLAUDE.md(지침 한 장)를 먼저 읽고 일합니다.
데스크톱 앱 안에 Claude Code가 들어 있어 따로 설치하지 않아도 됩니다(VS Code 확장으로도 쓸 수 있음). 유료 구독(Pro, Max 등)이 필요합니다
AI 에이전트 실습 폴더
AI에이전트실습/
├ 01_교육_면담정리/ CLAUDE.md, 면담메모_가상.md
├ 02_연구_브리핑/ CLAUDE.md, 관심주제.md
└ 03_행정_할일/ Aside_지시문.md
앞에서 본 책상(하네스)을 직접 차려 보는 셈입니다.
다른 모델로는
ChatGPT 이용권이면 OpenAI Codex를 씁니다. 같은 폴더에서 지침 파일 이름만 AGENTS.md로 바꾸면 됩니다. 설치와 설정은 부록 E에 있습니다.
AI 에이전트 실습 폴더 내려받기: janggoons.github.io/knu-edu-ai-agent-2026, Claude Code 문서 code.claude.com/docs
Aside는 사람과 에이전트가 함께 쓰도록 만든 브라우저입니다. 로그인해 둔 사이트에서 에이전트가 직접 페이지를 읽고 일합니다.
Settings > Models > Providers > Connect → Subscription → Claude Subscription → 팝업에서 Claude 로그인Settings > Models > Task models에서 기본 모델을 Claude로알아 둘 것
Settings > Memory에서 끄거나 보관 기간을 정함다른 모델로는
구독: ChatGPT Plus, Pro, GitHub Copilot
API 키: OpenAI, Google(Gemini), xAI, OpenRouter 등
Aside 홈페이지, 도움말 docs.aside.com. 신생 스타트업(Aside Computer, Y Combinator)의 제품입니다.
교수자의 AI 사용은 교육과정 개발 57%, 연구 13%, 평가 7% 순이었습니다.
그런데 평가는 AI에게 통째로 맡긴 비율이 48.9%로 높았습니다. 가장 조심할 영역입니다.
Anthropic (2025.8.27). How educators use Claude. 교수자 대화 약 74,000건 분석
anthropic.com/news/anthropic-education-report-how-educators-use-claude
제가 에이전트에 맡기는 교육 업무입니다.
앞 장에서 본 대로 평가는 맡기지 않습니다. 채점 기준과 점수는 제가 정합니다.
면담메모_가상.md 실존 인물 아님
10/15 면담 20분. 2학년 학생 A(가명).
전공 과제 마감 두 번 놓침. 주 20시간 아르바이트.
교육봉사 시간 부족(60시간 중 32시간).
임용이냐 대학원이냐 고민 중.
→ 교육봉사 기관 목록 다음 주까지 보내 주기로 함.
→ 학생은 교수학습센터 학습코칭 신청하겠다고 함.
11월 둘째 주에 다시 면담.
CLAUDE.md (지침 한 장)
면담 메모를 표로 정리한다.
① 학생 상황 ② 고민, 요청
③ 합의한 조치(누가, 언제까지)
④ 다음 면담에서 확인할 것
메모에 없는 내용은 쓰지 않는다.
애매한 것은 '확인 필요'로 표시한다.
끝에 학생에게 보낼 3문장 메일 초안.
Code 탭에 한 줄 읽기 → 표 → 저장 → 메일 초안
면담메모_가상.md를 정리해서 면담정리.md로 저장해 줘
확인할 것 ① 메모에 없는 말이 들어갔는가 ② "다음 주까지"를 날짜로 바꿨다면 맞는가 ③ 메일을 학생에게 내 이름으로 보낼 수 있는가. 고칠 점은 CLAUDE.md에 한 줄 더하고 다시 실행합니다.
오늘 발표 자료도 이렇게 만들었습니다. 목차와 담을 내용의 초안은 제가 잡고, 자료 수집과 슬라이드 구성은 에이전트가 했습니다. 원문 대조, 자료 검토와 수정은 다시 제가 했습니다. 슬라이드의 원문 화면도 에이전트가 캡처하고 제가 대조했습니다.
[매일 08:50, 클라우드]
① 관심주제 파일 읽기 소스, 키워드, 내 연구
② 수집 학술지 RSS, Crossref → 최근 14일
← 스크립트(고정)
③ 선별, 요약 초록 기준 3줄, 내 연구 연결
← LLM
④ 보관 본문, 읽기용 파일
⑤ 메일 발송
논문을 찾는 일은 정해 둔 소스에서 스크립트가, 읽고 정리하는 일은 LLM이 합니다. 제가 고치는 것은 관심주제 파일 하나입니다.
에이전트도 조용히 실패합니다
10/11~13 메일 제목: "새 논문 없음"
실제로는 수집 835편 → 후보 0편
오류도 경고도 없었습니다. 원인은
고친 뒤 후보 40~48편
강사가 운영하는 「컴퓨터교육 연구 브리핑」(2026.10~). 10/22 호: 소스 22곳, 수집 1,019편 → 후보 4편 → 선정 4편
읽는 법
에이전트가 "모른다"고 쓰게 하려면 지침에 그렇게 적어 둡니다.
관심주제.md: 내가 채우는 곳
핵심 질문: 생성형 AI가 시민성, 탐구 수업을
어떻게 바꾸는가
키워드: social studies, civic education,
generative AI, 시민교육, 사회과
소스: Theory & Research in Social Education,
사회과교육 (학술지 3~5개)
CLAUDE.md: 미리 넣어 둔 규칙
소스에 적은 학술지에서 최근 2주 논문만 찾는다.
논문마다 DOI 링크와 초록 기준 3줄 요약.
못 찾으면 못 찾았다고 쓴다. 지어내지 않는다.
결과는 브리핑_날짜.md로 저장한다.
Code 탭에 한 줄 오늘 브리핑 만들어 줘
의심하기: 세 가지 점검
| 점검 | 방법 |
|---|---|
| 있는가 | 링크, DOI 2~3개를 눌러 실제로 열리는지 |
| 맞는가 | 요약의 숫자 하나를 초록과 대조 |
| 빠졌는가 | 내가 아는 최근 논문이 목록에 있는지 |
키워드는 영문과 한글을 함께, 소스는 미리 정해 두기. 둘 다 앞의 '조용한 실패'에서 배웠습니다.
매일 받으려면(Trigger) Claude 데스크톱 앱의 예약 작업(내 PC) 또는 루틴(클라우드, 컴퓨터를 꺼도 실행)에 같은 지시를 등록합니다. 제 브리핑도 클라우드 루틴으로 매일 08:50에 옵니다.
Aside
로그인한 사이트를
직접 읽고 누르는 브라우저
aside.com
사용한 도구: Aside, aside.com
세 장 모두 재구성 화면입니다. 실제 과정을 바탕으로 다시 그렸고, 학번, 이름은 가상 자료이며 흐림 처리했습니다.
외부 문서(구글 폼)와 학교 시스템(전자출결)을 사람이 오가며 옮겨 적던 일을 맡겼습니다. 이름이 다른 학생은 표시만 하게 하고, 저장은 제가 확인한 뒤 눌렀습니다.
사용한 도구: Aside, aside.com
익숙해지면
메일함, 포털에서 같은 지시를 하고 Settings > Routines에 매주 월요일 08:00으로 등록
이렇게 맡깁니다
이 페이지의 최근 공지 가운데 교수가
해야 할 일이 있는 것만 찾아
'할 일, 마감일, 대상, 원문 링크'
표로 정리해 줘.
- 첨부파일이 있으면 열어서 마감일 확인
- 마감이 지난 것은 빼고 마감순 정렬
- 날짜가 없으면 '확인 필요'
- 아무것도 신청, 제출, 답장하지 마
마지막 줄이 가장 중요합니다(Guardrail). 읽기는 맡기고, 실행은 내가 승인합니다. 앞의 두 사례도 같았습니다.
20%
코딩 에이전트를 주 1회 이상 쓰는 계량 사회과학자
약 +75%
에이전트 사용자의 워킹페이퍼 수(최근 6개월, 약 0.5편 더)
차이 없음
학술지 신규 투고 수, 재투고 수
'차이 없음'의 뜻 최근 6개월 동안 학술지에 새로 낸 논문 수와 재투고 수는 에이전트 사용자와 다른 연구자 사이에 통계적으로 의미 있는 차이가 없었습니다. 차이는 프로젝트 시작, 워킹페이퍼처럼 연구의 앞 단계에서만 났습니다. 연구진의 해석은 둘입니다. ① 쓰기 시작한 지 얼마 안 되어 투고까지 이르지 못했을 수 있다 ② 에이전트가 연구를 시작하는 데는 도움이 되지만 논문을 다듬는 마지막 단계에는 덜 도움이 될 수 있다.
사용 격차도 보입니다. 박사과정, 박사후연구원 25%, 정년보장 교수 12%. 자기 보고이고 원래 생산적인 사람이 먼저 썼을 수 있어 인과로 볼 수 없습니다.
Anthropic (2026), 계량 사회과학자 1,260명 설문. AI에 관심 있는 연구자가 많이 응답한 표본입니다.
anthropic.com/research/coding-agents-social-sciences
뉴립스(NeurIPS) 2026 포지션 페이퍼 트랙
인공지능 분야 대표 학회가 이 트랙의 논문은 "대부분 사람이 쓴 것"이어야 하고, AI는 교정 수준으로만 쓰도록 정했습니다.
연구에 AI를 많이 쓸수록 학계는 사람이 했다는 증거를 요구합니다. 뒤에서 볼 '학술 슬롭'과 같은 문제입니다.
1단계
나 1 + AI 1
AI가 어떻게 움직이는지, 내 말을 어디까지 알아듣는지 직접 겪어 봅니다
← 지금 쓰는 AI 도구로 시작
2단계
나 1 + AI 여럿
누구에게 무엇을 시켰는지 놓치기 쉽고, 비용도 늘어납니다
앤트로픽(Anthropic): 에이전트는 약 4배, 다중 에이전트는 약 15배의 토큰 (채팅 대비, 2025.6)
3단계
사람 여럿 + AI 여럿
사람끼리 일하는 방식부터 맞춰야 합니다. 학과와 단과대학 구성원이 함께 배워야 합니다
많이 맡길수록 사람은 일을 나누고 챙기는 몫을 더 맡습니다. 도구를 아는 만큼 시킬 수 있고, 내가 일하는 방식을 지침에 쌓아 갑니다.
넣지 않을 것
워크슬롭
그럴듯해 보이지만 일을 앞으로 나아가게 하지 못하는 AI 결과물입니다. 미국 직장인 설문 결과는 이렇습니다.
Niederhoffer et al. (2025), HBR, BetterUp Labs. 자기 보고 설문
에이전트에 맡긴 공지, 강의자료, 심사 의견을 검토 없이 내보내면 그 비용은 학생과 동료가 치릅니다.
학술 슬롭
AI가 쓴 논문 390편을 주제가 같은 사람의 논문(우수 학회 게재)과 짝지어 비교했습니다. 구조, 논증, 증거 지표로 AI 논문을 85.9% 가려냈습니다(기존 탐지기 68.7%).
같은 지표가 높을수록 ICLR 심사 점수가 낮았습니다.
Oh et al. (2026), 서울대와 미네소타대, 심사 전 논문
원고도 마찬가지입니다. 내 이름으로 서명할 수 있는가, 이 하나만 물으면 됩니다.
| 일의 양 | 생산성이 올라도 사람들은 일을 더 합니다. 8개월 관찰에서 직원들은 업무 범위를 넓히고 더 오래 일했습니다 (HBR, 2026) |
| 검증 책임 | 결과는 원문과 대조합니다. 책임은 사람에게 있습니다 |
| 개인정보 | 학생 데이터를 어디까지 보내는지, 동기화 제외 규칙, IRB. 학교에서는 교육청 가이드가 기준 |
| 연구 윤리 | 저자 자격과 AI 사용 공개. 양(워킹페이퍼)과 질(투고)의 차이 |
| 사용 격차 | 경력, 기관에 따른 격차. 단과대학 구성원이 함께 배워야 합니다 |
| 권한 | 위험이 낮은 일부터 맡깁니다. 민감한 시스템에 넓은 권한을 주지 않고, 에이전트가 늘 옳다고 여기지 않습니다 (유데미 비즈니스, Udemy Business) |
우리 교과에서 학생에게 끝까지 남겨야 할 '마찰'은 무엇입니까?
'디지털 교육' 교직과목을 AI 중심으로 바꿀 때, 각 학과에서는 무엇을 가르쳐야 합니까?
교수로서 에이전트에 맡길 일과 맡기지 않을 일의 경계는 어디입니까?
맡기는 것은 절차, 남기는 것은 판단
반복 업무 하나를 고르고, 일하는 방식을 CLAUDE.md 세 줄로 적어 에이전트에 맡겨 봅니다.
이번 학기 과제 안내문을 그대로 넣어 봅니다. AI가 끝낸다면 도구를 닫아도 남는 배움이 무엇인지 다시 설계합니다.
결과는 원문과 맞춰 보고, 보내기, 결제, 저장은 내가 확인한 뒤 누릅니다.
AI 에이전트 실습 폴더와 오늘 자료: janggoons.github.io/knu-edu-ai-agent-2026

그래서 우리는 어떤 생각의 몫을 학생에게 남길지 설계해야 합니다.
교과교육학과 교사 양성에서 할 일이 더 많아집니다.
지침 한 장 쓰기 / 내 과제를 AI에게 먼저 풀리기 / 대조하고, 승인은 내가
시간이 있을 때, 질의응답 중 필요할 때
A 근거 더 보기 (8분), B 교과별로 생각하기 (10분), C 이용권으로 해 보기 (12분), D 에이전트 구조 더 보기 (질의응답용, 7장), 부록 E Codex로 같은 실습 하기 (2장)
AI를 쓰는 동안 (연습 성적)
답을 주는 AI(GPT Base) +48%
힌트를 주는 AI(GPT Tutor) +127%
AI를 치운 뒤 (시험)
답을 주는 AI(GPT Base) −17%
쓰지 않은 학생보다 낮았습니다
교사가 설계한 힌트만 주는 버전은 나쁜 효과가 줄었습니다. 같은 모델, 다른 설계입니다.
Bastani et al. (2025), PNAS. 튀르키예 고교생 약 1,000명 현장 실험
예: 교사가 직접 한 작은 무작위 실험
GCSE 과학 644명, g = 0.33
탈락 30.7%, 심사 전 논문
Harrison et al. (2026), arXiv
빠르게 근거를 만드는 방법이지만, 해석은 조심해야 합니다.
| 교과 | AI에 맡기면 사라지는 것 (예시) | 남겨야 할 생각의 몫 (예시) |
|---|---|---|
| 국어 | 초고 쓰기 | 고쳐 쓰기의 판단 근거 |
| 수학 | 풀이 과정 | 오류 찾기와 풀이 정당화 |
| 사회 | 자료 요약 | 출처 교차 검증과 관점 비교 |
| 과학 | 실험 보고서 정리 | 가설과 증거 연결 |
| 영어 | 번역, 첨삭 | 의미 협상과 표현 선택 |
옆 분과 3분: 우리 학과 과목 하나를 골라 이 표의 한 줄을 채워 보세요.
주의
학생 답안이나 개인정보는 넣지 않습니다.
과제 안내문만 씁니다.
바꿀 수 있는 것
AI에게 다시 묻습니다.
"이렇게 바꾼 과제도 혼자 끝낼 수 있나요?"
완전히 막을 수는 없습니다. 우리가 지킬 것은 배움이 일어나는 자리입니다.
워크플로
사람이 미리 짜 둔 경로를 따릅니다. 순서가 정해진 일에 맞고 비용도 적습니다
에이전트
AI가 과정과 도구를 스스로 고릅니다. 목적지만 알려 줘도 길을 찾습니다
가장 단순한 방법에서 시작하고, 꼭 필요할 때만 복잡하게. Anthropic, Building effective agents (2024.12)

Anthropic Engineering (2024.12.19). Building effective agents. anthropic.com/research/building-effective-agents

Hong, Troynikov & Huber (Chroma, 2025.7.14). Context rot: how increasing input tokens impacts LLM performance. trychroma.com/research/context-rot
18개 모델(GPT-4.1, Claude 4, Gemini 2.5 등)을 비교한 보고서
책상에 오래된 매뉴얼이 쌓일수록 에이전트는 엉뚱한 매뉴얼을 펴 듭니다. 매뉴얼을 치우는 일도 우리가 할 설계입니다.

Chroma, X (2025.7.15), x.com/trychroma/status/1944835468551708905

Cognition, X (2025.6.13)
x.com/cognition/status/1933231770851553292

Walden Yan (2025.6.12). Don't Build Multi-Agents.
cognition.com/blog/dont-build-multi-agents
에이전트 여럿이 각자 받은 맥락만 알고 일하면 결과가 어긋납니다.

커서(Cursor)의 로런 탄(Lauren Tan)은 일하는 방식을 동료와 에이전트가 함께 읽는 문서로 남깁니다.
Lauren Tan, X (2026.5.25). "How I Use Cursor"
x.com/poteto/status/2058975157503570132
비용
Anthropic이 잰 토큰 사용량 (채팅 대비)
지휘는 Claude Opus 4, 작업은 Claude Sonnet 4가 맡았습니다.
사람의 한계
한 번에 머릿속에 붙잡아 둘 수 있는 것은 약 4덩어리
에이전트 다섯에게 각기 다른 일을 맡기면 사람이 이 한계를 넘게 됩니다

Claude, X (2026.8.21), x.com/claudeai/status/2090518650251804742
받으신 이용권을 만든 회사의 강의부터 들어 보세요. 도구를 만든 사람들이 작동 방식을 가장 정확하게 설명합니다.
Codex는 OpenAI가 만든 에이전트입니다. Claude Code처럼 내 폴더의 파일을 읽고 만들고 고칩니다. 지금은 ChatGPT 데스크톱 앱 안에 들어 있습니다.
Free, Go, Plus, Pro, Business, Edu, Enterprise 요금제에 Codex가 포함됩니다. 요금제마다 쓸 수 있는 양이 다릅니다
권한 네 단계
config.toml에 정한 대로터미널이 익숙하면
curl -fsSL https://chatgpt.com/codex/install.sh | sh
cd AI에이전트실습/01_교육_면담정리
codex # 처음 실행 때 Sign in with ChatGPT
macOS, Linux 명령입니다. Windows는 데스크톱 앱을 권합니다
OpenAI Codex 문서 learn.chatgpt.com/docs
방법 ① 이름 바꾸기 (권장)
각 실습 폴더의 CLAUDE.md를 복사해 AGENTS.md로 저장합니다. Codex는 폴더마다 AGENTS.md를 먼저 읽습니다.
방법 ② 설정 한 줄
~/.codex/config.toml에 아래 줄을 넣으면 CLAUDE.md도 지침으로 읽습니다.
project_doc_fallback_filenames = ["CLAUDE.md"]
나만의 공통 지침은 ~/.codex/AGENTS.md에 둡니다. 지침 파일은 합쳐서 32KiB까지 읽습니다
| 실습 | Claude Code | Codex |
|---|---|---|
| 교육 면담 정리 | CLAUDE.md + 한 줄 지시 |
AGENTS.md + 같은 지시 |
| 연구 브리핑 | CLAUDE.md, 관심주제.md |
AGENTS.md, 관심주제.md |
| 행정 할 일 | Aside + Claude 구독 | Aside + ChatGPT 구독 |
도구가 달라도 순서는 같습니다. 지침 한 장을 쓰고, 한 줄로 시키고, 결과를 원문과 대조합니다.
OpenAI Codex 문서 learn.chatgpt.com/docs/agent-configuration/agents-md