학교 망했다: AI 개인교사가 바꾸는 교육과 일자리

URL: https://www.youtube.com/watch?v=draHyCr11Xk 날짜: 2026-09-07 채널: B_ZCF

---

📌 핵심 질문 / 교육과 AI 노동의 핵심 논점

==교육의 병목은 교실에 기술을 더하는 데 있지 않고, 서로 다른 수준의 학생 25명을 같은 속도로 가르치는 집단 교육 구조에 있다.== 개인별 AI 튜터가 학습을 맡고 교사가 시민성·사회정서 학습을 맡으면 교육의 생산성이 높아지지만, AI가 일자리를 빠르게 재편할 때에는 생산성의 과실을 시민 모두와 나누는 제도가 함께 필요하다.

• 18세기 공장이 증기기관만 전기기관으로 바꿨을 때 생산성이 오르지 않았고, 동력 분배 구조를 개별 전기 모터로 바꾼 뒤에야 생산성이 급증했다.
• 교실도 교육용 도구를 개선하는 것만으로는 학생별 학습 속도 차이라는 근본 병목을 없애기 어렵다.
• 인간 개인교사는 효과가 크지만 학생 1명당 연간 약 10만 달러가 들어가므로 AI가 그 역할을 저렴하게 확장해야 한다.
• AI로 높은 생산성과 높은 실업률이 동시에 나타날 수 있으므로 알래스카 영구기금(Alaska Fund)이나 노르웨이 국부펀드(Norwegian Sovereign Fund) 같은 공동 기금이 대안이 될 수 있다.

교육 문제와 AI 일자리 문제는 모두 기존 분배·운영 구조가 새 기술의 잠재력을 가로막는다는 공통점을 가진다. 기술 도입의 속도만 높이는 것이 아니라, 학교의 목적을 학습 전달·시민성·사회화로 나누고 각 목적에 맞는 인간과 소프트웨어의 역할을 재설계해야 한다.

1. 증기기관에서 전기 모터로: 기술 교체보다 구조 재설계가 먼저다

1.1. 전기 도입에도 생산성이 오르지 않았던 공장

1. 18세기 공장의 동력 구조

   1. 증기기관 중심 운영: 18세기 대부분의 공장은 거대한 증기기관(steam engine) 하나로 움직였다.
   2. 기계식 동력 분배: 증기기관이 회전축(rod), 도르래(pulley), 벨트(belt)를 돌리고, 그 연결된 기계들이 공장 전체를 구동했다.

2. 전기기관으로 바꿨지만 생긴 당혹감

   1. 겉모습만 바꾼 전환: 공장들은 증기기관을 전기기관(electric engine)으로 교체하면 생산성이 크게 오를 것이라고 생각했다.
   2. 생산성 정체: 전기기관을 설치했는데도 생산성(productivity)은 전혀 증가하지 않았고, 사람들은 이유를 몰라 당황했다.

1.2. 병목을 제거한 개별 모터 방식

1. 진짜 제한 요인의 발견

   1. 동력 분배 시스템이 병목: 제한 요인(limiting factor)은 에너지원의 종류가 아니라 회전축과 기계식 동력을 공장 전체에 전달하는 기존 동력 분배(power distribution) 시스템이었다.
   2. 구조의 전면 철거: 공장들은 회전축과 기계식 연결 장치를 뜯어냈다.

2. 개별 전기 모터가 만든 유연성

   1. 장치별 모터: 각 장치마다 작은 전기 모터를 달아 기계가 독립적으로 움직이게 했다.
   2. 공간 재배치: 회전축에 맞춰 일렬로 놓을 필요가 없어 설비를 더 알맞게 배치할 수 있었다.
   3. 속도와 작동의 독립성: 모터마다 속도를 다르게 조절하고 필요한 모터만 켜고 끌 수 있었다.
   4. 생산성의 급증: 에너지원만 바꾼 것이 아니라 동력의 분배 구조를 바꾼 뒤 생산성이 극적으로 증가했다.

3. 교육에 적용되는 경제학적 교훈

   1. 기술 교체의 착시: 새 도구를 기존 구조에 끼워 넣는 것만으로는 생산성이 오르지 않을 수 있다.
   2. 구조가 잠재력을 결정: 기술의 이점을 실현하려면 기술을 중심으로 운영 구조와 배치를 다시 설계해야 한다.

2. 집단 교실의 병목과 개인별 인간 튜터

2.1. 25명의 학생을 한 속도로 가르치는 구조

1. 교실의 고정된 동력 분배

   1. 25명 단위의 동일 진도: 기존 교실의 근본적인 동력 분배는 학생 25명을 같은 수준과 같은 속도에 묶어 두는 구조다.
   2. 기술 개선의 한계: 교실 교육을 개선하려고 여러 방법을 계속 추가해도 이 구조 자체가 유지되면 개인별 학습 속도 차이는 남는다.

2. 세 집단으로 갈라지는 학습 경험

   1. 뒤처지는 학생: 대략 3분의 1은 수업 속도를 따라가지 못해 뒤처진다.
   2. 지루한 학생: 대략 3분의 1은 이미 내용을 알아 수업을 지루해하며 더 높은 수준에 있다.
   3. 수업 속도에 맞는 학생: 나머지 3분의 1만 교사가 정한 수업 속도에 맞춰 배운다.
   4. 대규모 교육의 마찰: 이 세 집단을 한 교실에 묶는 것이 대중 교육(mass education) 시스템의 근본적인 마찰이다.

2.2. 개인별 인간 튜터가 만드는 학습량의 도약

1. 학교의 사회적 기능과 학습 기능 분리

   1. 사회 활동 유지: 학생은 학교에서 평소처럼 친구를 만나고 사회 활동을 한다.
   2. 학습 시간의 개인화: 학습할 때는 각자 한 명의 개인 튜터(individual human tutor)와 앉아 자기 수준에 맞는 교육을 받는다.

2. 맞춤형 자료와 성취 수준

   1. 도구의 유연한 선택: 튜터는 학생에게 필요한 경우 칸 아카데미(Khan Academy), 색칠 공부(color book) 또는 적절한 다른 자료를 사용할 수 있다.
   2. 학습량 증가: 학생별로 적절한 설명과 속도를 제공하면 학습량이 대폭 늘어난다.
   3. 블룸 연구의 근거: 약 40년 전 블룸(Bloom)의 유명한 연구가 개인별 튜터링의 효과를 기록했다.
   4. 대규모 재검증: 친구인 벤 서머스(Ben Summers)가 같은 연구를 훨씬 더 큰 규모로 다시 수행하고 있다.
   5. 교육과정의 상향 이동: 이런 개인화가 실현되면 중학생이 고등학교 교육과정 전체를 알고, 고등학생이 대학 교육과정까지 아는 수준의 훨씬 나은 결과가 가능하다.

3. 스크린 논쟁과 AI 개인교사의 조건

3.1. 조너선 하이트의 스크린 비판과 양립하는 개인화

1. 스크린과 성적 하락의 관계

   1. 상관관계의 문제: 스크린이 아이를 산만하게 하고 일부 시험 점수 하락과 상관된다는 관찰은 있지만, 아직 인과관계가 확정된 것은 아니다.
   2. 양자택일이 아닌 설계 문제: 개인화 교육을 위해 모든 스크린을 허용하거나 모든 기술을 금지해야 하는 것은 아니다.

2. 인터넷과 물리적 기기의 구분

   1. 하이트의 주장에 대한 동의: 리드 헤이스팅스는 조너선 하이트(Jonathan Haidt)를 크게 지지하며 휴대전화를 치우고 사용하지 말자는 방향에 동의한다.
   2. 오프라인 태블릿 허용: 오프라인 태블릿(offline tablet)은 괜찮지만 문제는 물리적 기기 자체가 아니라 인터넷이라고 구분한다.
   3. 16세 미만 인터넷 사용 제한: 16세 미만 아이가 인터넷에서 무제한으로 활동하게 두는 것은 좋지 않다는 우려를 인정한다.
   4. 제한된 기술 활용: 인터넷의 위험을 제한하면서도 인간 튜터와 필요한 기술을 결합해 개인별 교육을 제공할 수 있다.

3.2. 인간 튜터의 비용과 AI의 확장성

1. 현재 진행 중인 인간 튜터링

   1. 인간 중심 접근: 현재 진행하는 개인별 튜터링은 AI가 아니라 인간이 맡는다.
   2. 비용 장벽: 학생 한 명당 연간 약 100,000달러가 들어가므로 모든 학생에게 제공하기에는 비용이 지나치게 높다.

2. AI 튜터로 가는 경로

   1. 핵심 과제: 인간 튜터의 역량을 AI로 근사해 모든 학생에게 개인별 교육을 제공해야 한다.
   2. 현재의 한계: 현재 AI는 인간 개인 튜터를 대체할 만큼 충분히 좋지 않다.
   3. 빠른 발전: 약 3년 사이에 ChatGPT 3.5가 고등학교 수학도 간신히 하던 수준에서 놀라운 지능을 보이는 수준으로 이동했다.
   4. 지속적 개선 전망: 지능이 계속 두 배, 두 배, 두 배로 높아지며 개선될 가능성이 있다.
   5. 장기적 가능성: AI가 인간 개인 튜터의 수준을 맞추고 넘어서는 세계가 가능하다.

3.3. 10년 뒤 교실과 인간 교사의 역할

1. 학교가 수행하는 세 가지 목적

   1. 좋은 시민 만들기: 학교는 공동체에 기여하는 좋은 시민(good citizen)을 길러야 한다.
   2. 경제적 기회 제공: 학생에게 경제적 기회(economic opportunity)를 제공해야 한다.
   3. 사회화와 사회정서 학습: 가족 밖의 다른 사람 및 성인과 일하는 법을 배우는 사회화(socialization)와 사회정서 학습(social-emotional learning)을 담당해야 한다.

2. AI가 맡기 좋은 영역과 인간이 맡아야 할 영역

   1. 학습 전달의 온라인화: 세 가지 목적 중 온라인이 특히 잘할 수 있는 부분은 지식과 학습을 전달하는 영역이다.
   2. 교사의 역할 전환: 교사는 성숙(maturity), 대인관계 기술(interpersonal skills), 가치 명료화(values clarification) 같은 고차원적 성장을 돕는 역할에 집중할 수 있다.
   3. 시민성의 재설계: AI 시대에는 좋은 시민을 만드는 학교의 역할을 어떻게 강화할지 다시 정해야 한다.
   4. 공통 정체성의 필요: K-12 시스템은 지난 100~200년, 특히 남북전쟁 이후 사회가 안정적으로 작동하던 시기에 국가 구성원이라는 공통 정체성을 만드는 기능을 어느 정도 당연하게 수행했다.
   5. 스트레스 시대의 우선순위: 사회가 스트레스가 큰 시기로 들어간다면 시민을 하나로 묶는 학교의 사명에 더 많은 관심을 기울여야 한다.

3. 정보 전달자에서 학습 촉진자로 이동하는 교사

   1. 현재 교사의 자부심: 많은 교사는 가르치고 연결하고 교과 내용을 이해시키는 데 자부심을 느낀다.
   2. 개인적 연결의 지속: 학생과 개인적으로 연결하는 부분은 사회정서 학습의 핵심으로 계속 인간 교사가 담당한다.
   3. ‘무대 위의 현자’ 폐기: 교육자들이 냉소적으로 ‘무대 위의 현자(sage on a stage)’라고 부르는 일방향 정보 전달 방식은 사라져야 한다.
   4. 대규모 강의의 종말: 대량 강의(mass teaching)가 사라지면 교육은 각 개인에게 맞춰지는 방식으로 바뀐다.
   5. 교육대학의 오래된 원칙: 약 20년 전 교육대학에서도 차별화 수업(differentiated instruction), 능동적 학습(active learning), 무대 위 강의 대신 소크라테스식 토론(Socratic discussion), 시뮬레이션(simulation)을 가르쳤다.
   6. 가치사슬 상향 이동: 교사는 학생에게 모든 정보를 일방적으로 전달하는 사람에서 능동적 학습을 촉진하고 이끄는 사람으로 올라간다.
   7. 교사 경험의 개선: 능동적 학습을 이끄는 역할은 학생뿐 아니라 교사에게도 더 나은 경험과 더 큰 재미를 줄 수 있다.

4. 소프트웨어가 확장하는 교육 기회

   1. 세계적 배포: 학습 방식이 소프트웨어에 구현되면 교사 인력 자체를 대규모로 늘리기보다 훨씬 저렴하게 전 세계에 제공할 수 있다.
   2. 안전망과 최저선 상승: 칸 아카데미 이사회에서는 기술이 교육의 안전망(safety net)을 높이고 최저선(floor)을 끌어올린다고 본다.
   3. 아프가니스탄 사례: 아프가니스탄의 젊은 여성들이 칸 아카데미를 이용했고, 그중 한 명은 현재 MIT에 다닌다.
   4. 인간 요소의 불변성: 소프트웨어가 기회를 확장해도 교실의 대부분 학생은 인간적 요소를 필요로 하며, 이상적으로는 모든 학생이 그 요소를 갖는 편이 좋다.

4. 앤트로픽과 AI 시대를 통과하는 조직

4.1. 앤트로픽 이사회가 바라보는 AI의 목적

1. 이사회 농담과 회사의 사명

   1. 가벼운 시작: 앤트로픽(Anthropic) 이사회 회의가 어떤지 묻자 리드 헤이스팅스는 상대방의 이사회 회의와 비슷하다며 웃음을 유발했다.
   2. 이윤 극대화가 아닌 목표: 앤트로픽의 분명한 사명은 이윤 극대화가 아니라 인류가 AI 시대로 성공적으로 넘어가도록 돕는 것이다.
   3. 전환의 어려움: AI 시대로 들어가는 통과 의례(portal)는 매우 어려울 수 있다는 사실을 회사가 인식하고 있다.

2. AI가 열 수 있는 긍정적 결과

   1. 자율주행: 웨이모(Waymo) 같은 자율주행 기술이 발전할 수 있다.
   2. 생명과학: 유전자 편집(gene editing)과 암 치료(curing cancer)가 가능해질 수 있다.
   3. 10~20년 뒤의 풍요: 10~20년 뒤에는 에너지가 매우 풍부해지고 건강 관련 성과가 놀라워질 가능성이 있다.
   4. 과학의 AI 융합: 과학에 AI가 깊이 결합하면 매우 많은 긍정적 결과가 나올 수 있다.
   5. 하방 위험 관리: 앤트로픽은 이런 이점을 추구하면서 대부분의 부정적 결과를 관리하거나 피하는 데 진지하게 임한다.

4.2. 빠른 발전과 안전성의 균형

1. 실존적 위험에 대한 우려

   1. 닫힌 논의의 공포: 일부 비공개 논의에 참여한 사람들은 AI가 인류에 실존적 위협이 될 확률을 10%보다 높게 보는 등 실제로 두려워한다.
   2. 책임성과 속도의 동시 추구: 앤트로픽은 책임 있게 움직이는 것처럼 보이면서도 몇 주마다 새 기능이 나올 정도로 매우 빠르게 발전하고 있다.

2. 사례별 판단과 경쟁 구조

   1. 빠르게 개선되는 대형 모델: 모든 주요 AI 모델이 빠르게 개선되고 있으며, 시기마다 서로 다른 모델이 특정 영역의 선두를 차지할 수 있다.
   2. 세 개의 성공적인 모델: 미국에 성공적인 모델이 세 개 정도 있어 선택할 수 있는 상황이 국가적으로도 좋다.
   3. 사례별 균형: 각 모델의 학습 가속 정도, 실제 능력, 하방 시나리오(downside scenario), 새롭게 가능한 일을 사례별로 검토해야 한다.

4.3. AI가 만든 조직과 전 산업의 적응

1. 앤트로픽식 조직의 실험

   1. 새로운 운영 방식: 방문자는 앤트로픽이 조직 운영과 제품 개발의 완전히 새로운 방식을 개척한다고 느꼈다.
   2. AI 중심 제품 개발: ‘코워크(Co-work)’라는 작업이 일주일 또는 2주 만에 주로 AI 자체로 만들어졌다는 사례가 언급됐다.
   3. 업종별 차이: 모든 기업이 앤트로픽처럼 변하지는 않으며, 순수 소프트웨어 기업인지에 따라 AI 조직의 모습이 달라진다.

2. 인터넷 물결보다 큰 전환

   1. AOL 키워드의 기억: 인터넷 초기에 모든 기업이 무언가를 해야 했고, AOL 키워드를 붙이던 기묘한 과도기가 있었다.
   2. 더 크고 강한 파도: AI 전환은 인터넷 물결의 더 크고 강렬한 버전이다.
   3. 전 사회의 적응: 세계의 기업과 조직뿐 아니라 정부와 군대도 AI를 어떻게 활용할지 서둘러 찾고 있다.

5. AI가 일자리를 바꾸는 속도와 예측의 함정

5.1. 다중 산업 충격과 필리핀 콜센터 사례

1. 즉각적인 고용 충격

   1. 소프트웨어와 콜센터: 소프트웨어 엔지니어링과 콜센터가 AI로 크게 바뀔 수 있다는 이야기가 이미 나오고 있다.
   2. 필리핀의 사례: 필리핀에 콜센터를 둔 스타트업 하나는 인력의 80%를 해고할 계획이며, 그 산업 규모가 필리핀 GDP의 7%에 해당한다는 사례가 제시됐다.

2. 속도가 위험을 결정

   1. 과거 200년의 전환: 지난 200년에도 경제적 변위(dislocation)는 반복됐지만 대체로 한 산업에서 천천히 일어났다.
   2. 동시 충격의 위험: 여러 산업에서 변화가 동시에 발생하면 사람들이 다른 역할을 찾을 시간이 줄어든다.
   3. 핵심 불확실성: 가장 큰 불확실성은 AI가 얼마나 빠르게 좋아지고 앞으로도 얼마나 빠르게 좋아질지다.
   4. 준비의 필요: 변화가 20년 뒤에 오든 짧은 시간에 오든, 속도를 알 수 없으므로 지금부터 대비해야 한다.

5.2. 자율주행과 방사선과의 엇갈린 예측

1. 자율주행의 느린 확산

   1. 초기 기대: 20년 전에는 자율주행이 매우 빠르게 널리 퍼질 것이라고 생각했다.
   2. DARPA 이후의 현실: 2007년 DARPA 그랜드 챌린지(DARPA Grand Challenge)에서 출발한 지 약 20년이 지났지만 전체 주행 거리 중 자율주행 비중은 0.1% 또는 0.001% 정도로 매우 작다는 평가가 나온다.
   3. 성숙과 확산의 시간: 기술이 작동하는 것과 사회 전체에 성숙하고 확산되는 것은 별개의 일이며, 후자에는 긴 시간이 걸린다.

2. 제프리 힌턴과 방사선과의 반전

   1. 과감한 예측: 신경망 연구로 노벨상을 받은 제프리 힌턴(Geoffrey Hinton)은 2016년에 5년 뒤인 2021년이면 방사선 전문의를 더 훈련할 필요가 없으니 당장 중단하라고 말했다.
   2. 가격 하락의 반작용: 방사선 판독에 AI가 더해지며 비용이 낮아졌고, 미국에서 MRI를 약 300달러에 받을 수 있게 됐다.
   3. 수요 증가: 의사들이 MRI를 더 많이 주문하고 사용했으며 보험도 더 많이 보장해 검사 건수가 크게 늘었다.
   4. 인력 부족: 방사선 전문의는 약 35,000명인데 필요한 인력은 약 40,000명으로 오히려 부족해졌다.
   5. 임금 상승: 방사선 전문의 연봉은 약 500,000달러에 가까워졌다.
   6. 예측이 틀린 이유: 방사선 전문의가 사라질 것이라는 예측은 방향이 완전히 틀렸다기보다 AI 도입과 수요 확장의 시점을 잘못 짚은 것이다.
   7. 장기적 타당성: 리드 헤이스팅스는 약 20년 뒤에는 힌턴의 예측이 맞을 것이라고 확신하며, 많은 변화가 당장 일어나지 않아도 결국 일어날 수 있다고 본다.

6. 초지능의 급가속, 실업, 그리고 공동 분배

6.1. 1~2년 안의 초지능 가능성

1. AI 연구소 지도자들의 시간표

   1. 짧아진 예상 기간: AI 연구소를 이끄는 사람들은 20년 뒤가 아니라 내년이나 2년 뒤를 이야기한다.
   2. 슈퍼 지능 데이터센터: 2년 안에 인간의 일을 할 수 있는 초지능적 천재들로 가득한 데이터센터가 생길 수 있다는 전망이 제기됐다.
   3. 정치적 양극화: 세계화가 30년에 걸쳐 만든 충격이 2~3년 안에 압축되면 정치적 양극화가 커질 수 있다는 우려가 나왔다.
   4. 낮은 확률도 대비: 그 전망이 맞을 확률이 10%뿐이어도 지금 준비해야 하는지 질문이 제기됐다.

2. 자기개선과 코드의 의미

   1. 급격한 자기개선 조건: AI가 아주 짧은 시간에 놀라운 수준으로 발전하려면 스스로를 작성하고 자기개선(self-improvement)하는 단계가 중요하다.
   2. 90% 코드 논쟁: AI가 이미 자기 코드의 90%를 작성하는 것 아니냐는 반문이 나왔다.
   3. 코드 줄 수의 한계: 코드 줄 수(lines of code)는 지능의 발전을 재는 데 까다로운 척도다.
   4. 새로운 학습 방식: 강화학습(reinforcement learning)처럼 완전히 새로운 학습 유형을 발명한다면 단순한 코드 작성보다 훨씬 중요한 변화로 볼 수 있다.
   5. 현재의 결론: 일부 발전은 매우 빠르게 일어나고 있으므로 확정적인 시점을 몰라도 지금 대비하는 것이 중요하다.

6.2. 높은 성장과 높은 실업의 동시 발생

1. 과거 실업과 경기침체의 결합

   1. 전통적 패턴: 과거에 대규모 실업이 발생할 때마다 경기침체가 함께 왔다.
   2. 재정 여력의 축소: 경기침체에서는 주식시장이 하락하고 정부 세수도 줄어 실업 문제에 대응할 돈이 부족했다.

2. AI 시대의 새로운 조합

   1. 생산성 상승: AI가 기대대로 성공하면 높은 생산성이 나타날 수 있다.
   2. GDP와 주식시장 상승: 생산성 향상과 함께 GDP 성장률과 주식시장도 높아질 수 있다.
   3. 실업의 병존: 경제가 성장하고 주식시장이 오르는데도 높은 실업률이 나타나는 조합이 가능하다.
   4. 대응할 재원: 성장으로 세수가 크게 늘면 사회적 대응에 사용할 재원이 생긴다.

6.3. 알래스카·노르웨이식 시민 기금

1. 공동 기금 모델

   1. 알래스카 영구기금: 석유 수익을 공동 자산처럼 관리하는 알래스카 펀드(Alaska Fund)를 참고할 수 있다.
   2. 노르웨이 국부펀드: 국가 차원의 자산을 시민의 이익을 위해 운용하는 노르웨이 국부펀드(Norwegian Sovereign Fund)도 모델이 된다.
   3. AI 세수의 사용처: AI 성장으로 들어올 막대한 세수를 모든 시민의 이익을 위한 기금으로 모으는 방안을 고민해야 한다.

2. UBI와 구분되는 보상 공유

   1. 공동 번영의 경로: 시민 모두를 위한 기금은 영광스럽고 조화로운 사회로 가는 경로가 될 수 있다.
   2. UBI라는 표현과 거리두기: 이를 보편적 기본소득(UBI)이라고 부르는 데에는 좋지 않은 뉘앙스가 있을 수 있다.
   3. 부분적 보상 공유: 핵심은 아무 대가 없는 지급이 아니라 AI가 만든 보상의 일부를 시민 전체와 나누는 것이다.
   4. 역사적 선례: 알래스카와 노르웨이의 기금이 자원 수익을 공동으로 나누는 방식에서 이미 비슷한 선례를 보여준다.

주요 발언 모음

“교육의 근본적인 동력 분배는 25명의 아이를 같은 수준에 묶어 두는 것이다.”

“개인별 인간 튜터링은 학생 한 명당 연간 약 10만 달러가 들어간다.”

“문제는 물리적 기기가 아니라 인터넷이다.”

“교사는 가치사슬에서 올라가 능동적 학습을 촉진하고 이끌 수 있다.”

“앤트로픽의 사명은 이윤 극대화가 아니라 인류가 AI 시대로 성공적으로 들어가게 하는 것이다.”

“높은 생산성, 높은 GDP 성장, 높은 주식시장과 높은 실업률이 동시에 나타날 수 있다.”

“보상의 일부를 나누는 시민 기금이 영광스럽고 조화로운 사회로 가는 길이 될 수 있다.”

핵심 데이터 & 수치

• 25명: 같은 수준과 속도로 묶이는 전형적인 교실의 학생 수다.
• 3분의 1씩: 대략 3분의 1은 뒤처지고, 3분의 1은 지루해하며, 3분의 1만 수업 속도에 맞는다.
• 약 40년 전: 개인 튜터링 효과를 기록한 블룸 연구가 진행된 시점이다.
• 연간 약 100,000달러: 학생 한 명에게 인간 개인교사를 붙이는 비용이다.
• 약 3년: ChatGPT 3.5가 고등학교 수학을 간신히 하던 수준에서 크게 발전한 기간이다.
• 100~200년: K-12가 공통 국가 정체성을 어느 정도 당연하게 담당해 온 기간으로 언급됐다.
• 80%와 GDP 7%: 필리핀 콜센터 인력 감축 사례와 해당 산업이 국가 GDP에서 차지하는 비중이다.
• 2007년·약 20년·0.1% 또는 0.001%: DARPA 그랜드 챌린지 이후 자율주행의 확산이 예상보다 느리다는 근거다.
• 2016년·2021년: 제프리 힌턴이 방사선 전문의 훈련 중단을 주장한 시점과 예측한 시점이다.
• 300달러: 미국에서 받을 수 있게 된 MRI의 사례 가격이다.
• 35,000명 대 40,000명: 방사선 전문의의 현재 인력과 필요 인력이다.
• 약 500,000달러: 방사선 전문의의 상승한 연봉 수준이다.
• 10% 이상: AI의 인류 실존적 위협 가능성을 우려하는 사람들의 언급된 기준이다.
• 1~2년·2~3년·10~20년: 초지능, 세계화 충격의 압축, AI 과학·에너지 성과에 관한 서로 다른 시간표다.
• 90%: AI가 이미 자기 코드를 작성한다는 질문에서 제시된 비율이다.

결론 및 시사점

1. 전기 모터가 공장의 동력 분배 구조를 바꿨듯이 AI 교육은 교실의 학생-교사 배치를 개인별 학습 구조로 바꿔야 효과를 낸다.
2. 인간 교사의 가치는 정보 전달량보다 학생과의 관계, 사회정서 발달, 가치 형성, 시민성 교육을 이끄는 능력으로 이동한다.
3. AI 개인교사는 현재 인간 튜터보다 저렴하게 확장될 가능성이 있지만, 인간적 요소와 학교의 사회화 기능을 없애서는 안 된다.
4. AI 일자리 충격의 핵심 변수는 변화의 방향보다 여러 산업에 동시에 닥치는 속도이며, 자율주행과 방사선과 사례는 기술 확산의 시간표가 예측보다 길 수 있음을 보여준다.
5. 높은 생산성과 높은 실업률이 동시에 나타날 수 있으므로 정부는 성장으로 늘어난 세수를 시민 공동 기금으로 전환할 제도를 미리 설계해야 한다.
6. AI가 내년이나 2년 안에 초지능에 도달할지 확실하지 않아도, 10%의 가능성이 사회적 대비를 시작하기에는 충분하다.

핵심 요약 (20줄)

18세기 공장은 증기기관을 전기기관으로 바꾼 뒤에도 생산성이 오르지 않아 동력 분배 구조 자체를 뜯어고쳤다. 개별 전기 모터는 공장 설비를 자유롭게 배치하고 속도를 독립적으로 조절하게 해 생산성을 극적으로 높였다. 교실의 근본 병목은 교육 도구가 아니라 학생 25명을 같은 수준과 속도에 묶는 집단 교육 구조다. 대략 3분의 1의 학생은 뒤처지고 3분의 1은 지루해하며 나머지만 수업 속도에 맞는다. 개인별 인간 튜터는 학생의 수준에 맞춰 칸 아카데미나 다른 자료를 선택해 학습량을 크게 늘린다. 블룸의 개인 튜터링 연구는 약 40년 전에 효과를 기록했고 벤 서머스가 더 큰 규모로 재검증하고 있다. 인간 개인교사는 학생 한 명당 연간 약 10만 달러가 들어가므로 AI가 그 역할을 확장해야 한다. 조너선 하이트의 우려처럼 16세 미만의 무제한 인터넷 사용은 위험하지만 문제는 기기보다 인터넷이다. 현재 AI는 인간 튜터에 못 미치지만 ChatGPT 3.5 이후 약 3년 동안 고등학교 수학 능력이 크게 발전했다. AI가 인간 튜터를 넘어도 학교는 시민성, 경제적 기회, 사회화라는 세 가지 목적을 계속 수행해야 한다. 교사는 지식 전달자인 무대 위의 현자에서 사회정서 학습과 능동적 학습을 이끄는 촉진자로 이동한다. 차별화 수업과 소크라테스식 토론 같은 교육 원칙은 AI 시대에 소프트웨어로 더 넓게 확장될 수 있다. 아프가니스탄의 칸 아카데미 학습자 중 한 명이 MIT에 진학한 사례는 기술이 교육의 최저선을 높일 수 있음을 보여준다. 앤트로픽의 사명은 이윤 극대화보다 인류가 AI 시대로 안전하게 넘어가도록 돕는 데 있다. 주요 AI 모델이 빠르게 발전하더라도 각 모델의 능력과 하방 위험을 사례별로 점검해야 한다. AI 전환은 인터넷보다 크고 강렬한 파도이며 기업, 정부, 군대 모두 활용법을 찾고 있다. 필리핀 콜센터의 80% 감축 사례는 여러 산업에서 변화가 동시에 일어날 때 고용 충격이 커질 수 있음을 보여준다. 자율주행의 느린 확산과 방사선 전문의 부족은 AI 예측이 방향은 맞아도 시점을 틀릴 수 있음을 증명한다. AI는 높은 생산성·GDP 성장·주식시장과 높은 실업률을 동시에 만들어 과거와 다른 재정 대응을 요구할 수 있다. 알래스카와 노르웨이식 시민 기금으로 AI 성장의 세수를 나누면 공동 번영과 조화로운 사회의 경로를 만들 수 있다.