AI가 다 해주는데, AI 교육은 왜 필요한가?

우리는 AI 교육을 하는 스타트업이다.

학생들이 AI의 원리를 이해하고, 데이터에서 근거를 만들고, AI를 실제 문제 해결에 활용하는 법을 배우게 하고 있다.

그런데 이런 것들을 강의로만 가르치고 싶지는 않았다.

학생이 직접 AI를 사용해 데이터를 분석하고, 모델을 실행하고, 무언가를 만들고, 실패하고, 다시 고치는 경험이 필요하다고 생각했다.

그래서 학생을 위한 Agentic Tool을 만들기 시작했다.

Claude Code나 Codex처럼 Agent가 코드를 읽고, 파일을 수정하고, 도구를 실행하고, 필요하면 스스로 오류를 고칠 수 있는 환경이다.

목적은 개발자를 위한 또 하나의 Coding Agent를 만드는 것이 아니었다.

AI를 배우는 학생에게, AI와 실제로 일해볼 수 있는 환경을 제공하는 것.

그것이 목적이었다.

그런데 Agent를 만들수록 조금 불편한 질문과 마주치게 됐다.

AI가 과제를 대신 잘 해준다면, 교육은 왜 필요한가?

"학생이 직접 할 줄 알아야 한다"는 답으로는 부족했다

처음에는 우리도 익숙한 답을 떠올렸다.

"과제를 완료한 것과 학생이 직접 할 줄 아는 것은 다르다."

물론 맞는 말이다.

하지만 이것만으로는 충분하지 않았다.

실제 문제 해결에서는 결국 결과가 중요하기 때문이다.

학생에게 데이터를 주고 이렇게 말한다고 해보자.

"이 데이터를 분석해서 고객 이탈의 원인을 찾아보세요."

한 학생은 Agent에게 한 줄만 입력한다.

"이 데이터 분석해서 churn 원인 찾아줘."

다른 학생은 통계와 데이터 분석을 훨씬 많이 알고 있어 더 구체적인 지시를 내린다.

그런데 둘이 같은 시간 안에 같은 품질의 결과를 얻었다면?

두 번째 학생이 더 많은 것을 알고 있다는 사실이 실제로 어떤 차이를 만드는가?

아무 차이도 만들지 않는다면, 그 능력을 계속 핵심 역량으로 가르쳐야 할 이유도 약해진다.

이 부분을 인정할 필요가 있었다.

AI가 안정적으로 대신할 수 있게 된 작업이라면, 사람이 예전 방식 그대로 그 작업을 직접 수행할 수 있는지를 평가하는 것은 점점 덜 중요해질 수 있다.

그래서 질문을 바꿨다.

AI 교육의 목적은 AI가 할 수 있는 일을 사람도 다시 할 수 있게 만드는 것이 아닐 수 있다.

더 중요한 질문은 이것이다.

같은 AI를 줬을 때, 이 사람이 더 어려운 문제를 더 잘 해결할 수 있는가?

우리가 가르치고 싶은 것은 AI가 할 수 있는 일을 사람이 다시 더 잘하는 법이라기보다, AI의 능력을 자신의 문제 해결 능력으로 얼마나 크게 확장할 수 있는가에 가깝다.

인간의 역할은 실행에서 더 바깥쪽으로 이동하고 있다

최근 프론티어 모델의 변화를 보면 이 이동은 이미 시작되고 있다.

2026년 7월 Anthropic은 Claude Opus 5와 Fable 5 같은 최신 모델에 맞춰 Claude Code의 시스템 프롬프트를 80% 이상 줄였지만, coding evaluation에서 측정 가능한 성능 저하가 없었다고 밝혔다.[1]

이전 세대 모델을 위해 쌓아둔 장황한 규칙과 예시가 최신 모델에서는 서로 충돌하거나, 모델이 스스로 더 나은 판단을 할 수 있는 공간을 오히려 제한할 수 있었기 때문이다.

Fable 5의 공식 가이드에서도 비슷한 변화가 보인다. Instruction following이 향상되면서 여러 행동을 하나씩 열거하기보다 짧은 지시로 원하는 방향을 제어할 수 있게 됐고, 이전 모델용으로 만든 지나치게 prescriptive한 Prompt나 Skill은 오히려 결과 품질을 떨어뜨릴 수 있으니 다시 검토하라고 권한다.[2]

중요한 것은 단순히 Prompt가 짧아졌다는 사실이 아니다.

사람이 AI의 성능을 끌어올리는 지점 자체가 바뀌고 있다는 점이다.

예전에는 AI를 잘 활용한다는 것이 주로 이런 질문에 가까웠다.

AI에게 어떻게 더 정확하게 말할 것인가?

지금은 질문의 범위가 더 바깥으로 확장되고 있다.

• 어떤 Context를 제공할 것인가.
• 어떤 Tool과 실행 환경을 줄 것인가.
• 어떤 feedback loop 안에서 스스로 검증하고 복구하게 할 것인가.
• Agent와 Validator, deterministic system, 사람을 어떤 구조로 연결할 것인가.

설계 대상이 넓어지는 흐름을 shorthand로 적어보면,

Prompt → Context → Harness → Loop → Graph

정도로 볼 수 있다.

최근에는 여러 Agent와 Tool, Validator, 사람 사이의 dependency와 실행 흐름을 설계하는 문제를 Graph Engineering이라고 부르는 흐름도 나타나고 있다. 아직 업계의 공식 표준 용어는 아니지만, 실제로 존재하는 orchestration 문제를 설명하기 위해 등장한 표현이다.[3]

물론 Prompt가 사라지고 Context가 등장하고, Context가 사라지고 Graph가 등장한다는 뜻은 아니다.

Prompt는 여전히 필요하고, Context는 여전히 중요하다. Harness와 Loop 역시 서로 대체 관계가 아니다.

더 정확한 표현은 이쪽에 가깝다.

AI가 발전할수록 인간이 설계하고 판단할 수 있는 범위가 더 바깥으로 확장되고 있다.

AI가 이미 잘하는 실행을 사람이 더 세밀하게 통제하는 것보다, AI가 더 큰 일을 안정적으로 수행할 수 있는 구조를 설계하는 쪽으로 인간의 leverage point가 이동하고 있는 것이다.

그렇다면 AI 교육도 이 이동을 따라가야 하지 않을까?

같은 AI를 써도 결과가 달라지는 이유

두 사람에게 같은 Agent를 준다고 해보자.

같은 모델을 사용하고, 같은 Tool을 제공하고, 비슷한 시간과 비용을 쓸 수 있다.

그런데 한 사람은 간단한 작업까지만 안정적으로 맡길 수 있고, 다른 사람은 훨씬 더 복잡한 문제를 맡긴다.

한 사람은 Agent가 내놓은 결과를 그대로 사용하지만, 다른 사람은 중요한 오류를 발견한다.

한 사람은 Agent를 계속 세세하게 통제하면서 오히려 작업을 느리게 만들지만, 다른 사람은 높은 자율성을 주고 중요한 순간에만 개입한다.

한 사람은 결과를 만들고 끝나지만, 다른 사람은 결과가 틀렸을 때 그것을 발견할 평가 체계까지 만들어놓는다.

이 차이가 실제로

• 성공률을 높이고,
• 결과의 품질과 신뢰성을 높이고,
• 치명적인 실패와 위험을 줄이고,
• 비용과 시간을 줄이고,
• 더 복잡한 문제를 해결하게 한다면,

그 차이를 만들어내는 능력은 AI 시대에도 실제 가치가 있는 인간의 역량이라고 볼 수 있다.

우리가 AI 교육에서 찾아야 하는 것도 이런 능력이라고 생각한다.

직접 수행 능력은 교육의 중심에서 내려올 수 있어야 한다

여기서 중요한 원칙 하나가 생겼다.

AI가 안정적으로 대신하게 된 직접 수행 능력은 교육의 중심에서도 내려올 수 있어야 한다.

그렇다고 지식까지 필요 없어진다는 뜻은 아니다.

AI가 회귀분석을 대신 수행할 수 있어도 confounding이나 selection bias를 이해해야 결과를 제대로 평가할 수 있다.

AI가 코드를 작성해도 시스템이 왜 실패했는지를 판단하려면 소프트웨어의 기본 원리를 이해해야 할 수 있다.

AI가 어떤 작업을 대신할 수 있다는 것과, 그 작업을 이해하는 지식까지 불필요해졌다는 것은 다른 이야기다.

다만 사람이 직접 수행하는 것 자체가 더 이상 결과 차이를 만들지 못한다면, 그 수행 능력을 계속 교육의 중심에 둘 이유는 약해진다.

Prompt Engineering도 마찬가지다.

목표와 제약을 명확하게 전달하는 능력은 여전히 중요하다. 하지만 "길고 정교한 Prompt를 작성하는 기술" 자체를 영구적인 핵심 역량으로 가정할 이유는 없다.

Context 구성도, Tool 선택도, Agent를 검증하고 복구시키는 방법도 언젠가는 상당 부분 모델이나 Harness가 흡수할 수 있다.

그때마다 교육은 움직여야 한다.

교육과정이 AI보다 느리게 변하면, 우리는 학생에게 이미 AI가 해결한 문제를 계속 직접 풀게 하고 있을 수 있다.

AI 교육의 역할은 특정 기법을 영구적인 교과목으로 보존하는 것이 아니다.

현재의 AI와 함께 일했을 때도 여전히 사람 사이의 성과 차이를 만드는 능력이 무엇인지 계속 찾아내는 것에 더 가깝다.

그래서 우리는 AI 시대의 역량을 세 방향에서 보고 있다

현재 우리는 필요한 역량을 크게 세 방향에서 바라보고 있다.

MODEL은 AI가 어떻게 학습하고, 정보를 표현하고, 추론하고, 실패하는지를 이해하는 능력이다. Machine Learning과 Deep Learning의 기본 개념부터 Tokenization, Embedding, Neural Network, Transformer, Training, Inference 같은 내용이 포함된다. 이 영역의 지식은 즉각적인 생산성뿐 아니라 다른 두 영역에서 AI의 결과와 한계를 판단할 수 있는 기반을 제공한다.

DATA는 데이터에서 믿을 만한 근거를 만드는 능력이다. 데이터의 품질을 보고, 패턴을 해석하고, 통계적으로 판단하고, 실험을 설계하고, 상관관계와 인과관계를 구분하고, 불확실성 속에서 결정을 내리는 능력이다. AI가 더 많은 분석을 수행할수록 그 분석을 믿어도 되는지, 어떤 근거로 의사결정을 내려야 하는지를 판단하는 능력은 오히려 더 중요해질 수도 있다.

WORKFLOW는 AI가 실제로 일을 하도록 설계하는 능력이다. 목표와 Context를 주고, 필요한 Tool과 실행 환경을 구성하고, 결과를 검증하는 Loop를 만들고, 필요하다면 여러 Agent와 deterministic system을 연결하는 영역이다.

그리고 이 세 방향을 가로지르는 것이 Evaluation, 즉 AI가 만든 것을 판단하는 능력이다.

우리는 이를 간단히 이렇게 생각하고 있다.

AI를 이해하고, 데이터에서 근거를 만들고, AI가 일할 시스템을 설계하고, 그 결과를 판단한다.

역량의 이름보다 중요한 것은 실제 결과다

하지만 우리가 어떤 역량에 이름을 붙였다고 해서 그것이 실제로 중요한 것은 아니다.

어떤 학생에게 "Context를 잘 설계한다"는 평가를 내렸다면, 처음 보는 문제에서도 그 학생이 같은 Agent의 성공률이나 결과의 신뢰성을 실제로 높일 수 있어야 한다.

"Evaluation을 잘한다"고 평가했다면 Agent가 만든 결과 속 중요한 오류를 다른 사람보다 더 잘 발견해야 한다.

"Agent를 잘 다룬다"고 평가했다면 높은 자율성을 가진 Agent에게 더 큰 일을 맡기면서도 실패와 비용을 관리할 수 있어야 한다.

그렇지 않다면 우리가 만든 역량 점수는 교육용 게임의 점수일 뿐이다.

그래서 궁극적으로 측정하고 싶은 것은 학생이 어떤 용어를 알고 있는지도, 어떤 기능을 몇 번 사용했는지도 아니다.

같은 AI를 가지고 실제로 얼마나 더 좋은 결과를 만들어낼 수 있는가.

여기서 더 좋은 결과란 단순히 하나의 숫자가 올라가는 것을 뜻하지 않는다.

더 정확할 수도 있고, 더 신뢰할 수 있을 수도 있다. 비용과 시간을 줄일 수도 있고, 위험한 오류를 미리 발견하거나 잘못된 의사결정을 막을 수도 있다.

결국 AI를 사용하는 인간의 판단이 실제 결과에 의미 있는 차이를 만들어내는가가 가장 중요한 기준이다.

그래서 프로젝트도 달라져야 한다

이 관점에서 보면 교육 프로젝트도 바뀌어야 한다.

AI가 혼자서 거의 완벽하게 끝낼 수 있는 정형화된 과제를 학생에게 반복해서 주는 것은 점점 평가 가치가 낮아진다.

예를 들어,

"Titanic 데이터로 생존 예측 모델을 만드세요."

라는 과제를 최신 Agent가 거의 자동으로 해결할 수 있다면, 프로젝트의 완료 여부만으로는 사람의 AI 역량을 거의 구분하지 못한다.

대신 사람의 판단이 여전히 차이를 만들 수 있는 문제가 필요하다.

예를 들어:

신규 고객의 retention을 개선하세요.

개발 리소스는 2주입니다.

가격 할인은 사용할 수 없습니다.

신규 가입 conversion을 크게 떨어뜨려서도 안 됩니다.

실행할 액션을 결정하고, 그 결정이 실제 효과가 있었는지 검증할 방법까지 설계하세요.

Agent는 데이터를 분석하고 여러 제안을 만들어낼 수 있다.

하지만 여러 판단이 동시에 필요하다.

무엇을 최적화할 것인가.

어떤 trade-off를 받아들일 것인가.

관찰된 관계가 실제 개입 가능한 원인인가.

어떤 결과가 나오면 전략을 바꿀 것인가.

Agent의 제안을 어떻게 검증할 것인가.

그리고 AI가 이런 판단까지 충분히 잘하게 되는 날이 오면?

그때는 이 프로젝트 역시 바뀌어야 한다.

좋은 교육 프로젝트는 현재 AI의 능력만으로는 결과가 완전히 평준화되지 않고, 인간의 판단 차이가 여전히 드러나는 문제여야 한다.

행동이 아니라, 그 행동이 무엇을 바꿨는지를 보고 싶다

학생이 Agent에게 어떤 말을 했는지를 일일이 채점하는 것도 우리가 원하는 방향은 아니다.

학생이 Agent의 계획을 수정했다고 하자.

그 수정 때문에 결과가 더 나빠졌다면 그것을 좋은 역량이라고 평가하기 어렵다.

반대로 학생이 Agent의 판단에서 중요한 문제를 발견하고 새로운 검증을 요구한 결과, 잘못된 결론이 수정됐다면 그 개입은 실제 가치가 있다.

예를 들어 Agent가 만든 모델의 accuracy가 95%라고 하자.

학생이 데이터 leakage 가능성을 의심한다.

time-based split으로 다시 평가하도록 요청한다.

실제 성능은 72%였다.

숫자만 보면 성능은 95%에서 72%로 떨어졌다.

하지만 이 학생의 개입은 결과를 나쁘게 만든 것이 아니다.

잘못된 의사결정을 막았다.

우리가 중요하게 생각하는 AI 역량은 이런 순간에 드러난다.

중요한 것은 사람이 Agent에 얼마나 자주 개입했는지가 아니다.

그 판단이 품질을 높이고, 오류를 발견하고, 위험을 줄이고, 비용을 낮추거나 더 나은 결정을 가능하게 했는가다.

물론 한 번의 개입 이후 결과가 좋아졌다고 해서 곧바로 그 개입이 원인이었다고 말할 수는 없다.

Agent가 다시 시도했어도 같은 결과에 도달했을 수 있고, 더 많은 시간이나 token을 사용한 효과일 수도 있다.

그래서 가능하다면 유사한 조건의 과제와 새로운 문제에서도 같은 패턴이 반복되는지를 봐야 한다.

우리가 보고 싶은 것은 단순한 행동 기록이 아니다.

행동 → 검증 가능한 변화 → 반복해서 나타나는 더 나은 결과

의 연결이다.

AI를 사용하지 않는 것이 독립성은 아니다

그래서 우리는 학생들이 Agent를 쓰지 못하게 할 생각도 없다.

오히려 Agent를 적극적으로 사용하게 하고 싶다.

우리가 생각하는 독립적인 학생은 AI 없이 모든 작업을 직접 하는 학생이 아니다.

교육 시스템이 다음에 무엇을 해야 하는지 알려주지 않아도, 스스로 Agent를 활용해 문제를 해결할 수 있는 학생이다.

Agent의 자율성이 높아질수록 사람의 역할은 실행에서 감독으로, 감독에서 방향 설정으로, 방향 설정에서 평가로 이동할 가능성이 있다.

그렇다면 AI 교육도 학생이 코드를 몇 줄 직접 작성했는지보다 어떤 목표와 제약을 정의했고, 무엇을 Agent에게 맡겼으며, 언제 개입했고, 결과를 어떻게 검증했는지를 더 중요하게 보게 될 것이다.

우리는 학생의 '역량 지도'를 만들고 있다

학생이 어떤 Course를 완료했는지만 기록해서는 이런 변화를 담기 어렵다.

그래서 우리는 학생이 프로젝트를 수행하면서 어떤 역량을 실제로 보여줬는지를 누적해서 보고 싶다.

하나의 프로젝트에서는 데이터 분석과 Evaluation이 중요할 수 있다.

다른 프로젝트에서는 Context와 Harness가 중요할 수 있다.

또 다른 프로젝트에서는 여러 Agent와 시스템의 역할과 연결 구조를 설계하는 능력이 중요할 수 있다.

그리고 한 번 잘했다고 끝나는 것도 아니다.

다른 데이터에서, 다른 산업에서, 다른 목표와 제약 아래에서, 처음 보는 문제에서도 같은 능력을 다시 사용할 수 있어야 한다.

우리는 이런 Transfer를 단순 반복보다 더 강한 성장의 증거로 보고 있다.

역량 지도 역시 고정되어 있지 않다.

AI가 발전하면서 어떤 인간의 직접 수행 능력이 더 이상 성과 차이를 만들지 못하면 그 중요도는 내려갈 수 있다.

새로운 Agent architecture가 등장해 새로운 판단이 필요해지면 새로운 역량이 올라올 수도 있다.

교육과 AI frontier가 함께 움직이는 구조다.

코스를 다 들으면 끝나는 제품도 만들고 싶지 않았다

이 관점은 콘텐츠 구조에도 영향을 줬다.

AI 기초 Course를 끝내고, Data Science Course를 끝내고, AI 활용 Course까지 끝내면 그다음에는 무엇을 해야 할까?

계속 새로운 Course를 만들어야 할까?

우리는 조금 다른 구조를 생각하고 있다.

Academy에서는 핵심 개념과 기본 역량을 배운다.

Lab에서는 같은 역량을 다양한 새로운 문제에서 반복해서 사용한다.

Studio에서는 자신의 데이터, 코드, 실제 문제를 가져와 AI와 함께 해결한다.

Frontier에서는 새롭게 등장하는 모델과 Agent 활용 방식을 직접 실험한다.

AI 교육의 콘텐츠는 완성된 교과서라기보다 계속 움직이는 연습 환경에 가까워질 수 있다.

결국 우리가 만들고 싶은 것

우리는 학생이 AI를 실제로 사용하면서 배우게 하기 위해 Agentic Tool을 만들기 시작했다.

그 과정에서 예상보다 더 근본적인 질문을 만났다.

AI가 대신할 수 있는 것을 왜 사람이 배워야 하는가?

지금 우리의 답은 이렇다.

AI가 안정적으로 대신할 수 있게 된 작업을 사람이 직접 수행하는 능력은 교육의 중심에서 내려올 수 있다.

하지만 그 작업을 이해하고, AI가 낸 결과를 판단하고, AI를 이용해 더 큰 문제를 해결하는 능력까지 사라지는 것은 아니다.

오히려 우리는 계속 찾아야 한다.

현재의 가장 좋은 AI를 함께 사용할 때도,

어떤 사람은 왜 더 큰 문제를 맡길 수 있는가.

왜 더 적은 실패로 끝내는가.

왜 중요한 오류를 더 잘 발견하는가.

왜 같은 AI를 가지고 더 좋은 결과를 만드는가.

그리고 그 차이를 만들어내는 판단과 개입을 프로젝트 속에서 발견하고, 훈련하고, 새로운 상황에서도 다시 발휘되는지 확인해야 한다.

우리가 만들고 있는 시스템은 점점 이런 모습에 가까워지고 있다.

우리는 학생들에게 AI와 경쟁하는 방법을 가르치고 싶지 않다.

AI가 하는 일을 사람이 다시 하는 법을 가르치는 것도 목표가 아니다.

우리가 가르치고 싶은 것은 AI로 인해 한 사람이 해결할 수 있는 문제의 크기를 계속 키우는 방법이다.

AI가 어디까지 할 수 있는지는 계속 바뀐다.

그렇다면 교육이 찾아야 할 것도 계속 바뀌어야 한다.

같은 AI를 가지고도, 어떤 사람은 왜 더 멀리 갈 수 있을까?

그 차이를 발견하고, 가르치고, 측정하는 것.

우리가 만들고 싶은 것은 AI의 경계와 함께 움직이는 교육이다.

자료 출처

1. Anthropic, The new rules of context engineering for Claude 5 generation models (2026년 7월 24일) — "We removed over 80% of Claude Code's system prompt for models like Claude Opus 5 and Claude Fable 5 with no measurable loss on our coding evaluations."
2. Anthropic, Prompting Claude Fable 5 (Claude Platform Docs) — "Strong instruction following" 및 "Refactor existing prompts and skills" 항목
3. LangChain, 3 Years of Graph Engineering with LangGraph (2026년 7월 22일)