적응형 학습은 정말 개인 맞춤일까 — AI 커리큘럼 개인화의 진짜 수준

🔍 "이 학생은 한 달에 한 번도 로그인하지 않았다" — 적응형 학습의 민낯

2025년, 한국의 한 초등학교 교실. 정부가 1조 4천억 원을 투입해 도입한 AI디지털교과서(AIDT)가 책상 위 태블릿에서 학생을 기다리고 있었다. 광고 카피는 선명했다. "모든 학생에게 자신만의 AI 튜터를." 그런데 학교 현장을 점검한 결과는 정반대였다. AIDT를 자율적으로 선정한 학교들의 활용률을 조사했더니, 단 한 번도 접속하지 않은 학생의 비율이 평균 60%에 달했고, 전체 평균 활용률은 8.1%에 그쳤다. 10명 중 6명은 로그인조차 하지 않았고, 나머지 학생들도 한 학기 대부분의 시간을 이 프로그램 없이 보냈다는 뜻이다.

이건 한국만의 이야기가 아니다. 미국 최대 교육 비영리단체 칸 아카데미가 만든 AI 튜터 '칸미고(Khanmigo)'도 비슷한 벽에 부딪혔다. 접근 권한이 있는 학생 중 실제로 정기적으로 사용하는 비율은 15%에 불과했다. 이용자 수 자체는 2024~25학년도 4만 명에서 2025~26학년도 70만 명으로 17배 넘게 폭증했지만, '쓸 수 있는 학생' 대비 '실제로 쓰는 학생'의 비율은 여전히 낮았다.

"적응형 학습(Adaptive Learning)"이라는 단어는 지난 15년간 에듀테크 업계에서 가장 많이 팔린 약속이었다. AI가 학생의 답안 패턴을 실시간으로 분석해 그 학생에게 딱 맞는 난이도와 순서로 콘텐츠를 재배열해준다는 것. 그런데 정작 이 약속이 교실에서 얼마나 실현되고 있는지, 그리고 "개인화"라는 말이 실제로 어떤 수준의 기술을 가리키는지는 의외로 검증되지 않은 채 마케팅 문구로만 소비돼 왔다. 이 글은 그 간극을 데이터와 실제 사례로 파헤친다.

🕰️ "모든 학생에게 각자의 선생님을" — 15년째 반복되는 약속의 역사

적응형 학습이라는 개념 자체는 새롭지 않다. 1970년대 지능형 튜터링 시스템(Intelligent Tutoring System) 연구부터 이어져온 아이디어지만, 이것이 상업적 마케팅 언어로 폭발한 건 2008년이었다. 전직 컨설팅업체 카플란(Kaplan) 임원이었던 호세 페레이라(Jose Ferreira)가 뉴욕에서 창업한 '뉴튼(Knewton)'이 그 출발점이다. 뉴튼은 "학생의 마음을 반쯤 읽어낸다(semi-read minds)"는 파격적인 문구로 투자자와 언론을 사로잡았고, 1억 8천만 달러(약 2,400억 원) 넘는 투자금을 유치했다. 2011년에는 세계 최대 교육출판사 피어슨(Pearson)과 손잡고 대학 교재에 적응형 알고리즘을 이식하는 대형 파트너십을 발표하며 업계의 상징이 됐다.

그로부터 10여 년, 시장은 완전히 세대교체됐다. 뉴튼은 2019년 결국 출판사 와일리(Wiley)에 인수되며 독립 기업으로서의 역사를 마쳤다. 같은 시기 중국에서는 '스쿼럴 AI(Squirrel AI)'가 정반대의 궤적을 그리며 급성장해, 2025년 12월에는 "역대 최대 규모의 AI-전통교육 대조 실험"으로 기네스 세계기록에 등재됐다. 그리고 2025년, 한국 정부는 세계에서 가장 공격적인 국가 단위 실험 중 하나인 AI디지털교과서를 전국 학교에 동시 투입했다. 뉴튼의 실패, 스쿼럴 AI의 성공, 한국의 실험이라는 이 세 궤적을 나란히 놓고 보면 "개인화"라는 말의 실체가 훨씬 또렷하게 드러난다.

💻 알고리즘은 실제로 무엇을 하고 있나 — '개인화'의 기술적 정체

학생을 이해하는 게 아니라, 정답률을 추적하는 것이다

상업용 적응형 학습 시스템 대부분이 실제로 작동하는 원리는 마케팅에서 상상하는 것보다 훨씬 단순하다. 핵심은 두 가지 통계 모델이다. 첫째는 문항반응이론(Item Response Theory)으로, 학생이 특정 문제를 맞힐 확률을 그 학생의 추정 실력과 문제의 난이도 파라미터로 계산하는 방식이다. 둘째는 베이지안 지식추적(Bayesian Knowledge Tracing)으로, 학생이 특정 개념을 "이미 숙달했는지"를 정답·오답 이력에서 확률적으로 역산한다. 이 두 모델은 1980~90년대 심리측정학에서 정립된 것으로, 그 자체로는 AI라기보다 통계학에 가깝다. 최근 생성형 AI 붐 이후 여기에 대규모 언어모델이 얹히면서 "AI 튜터"라는 이름이 붙었지만, 커리큘럼 순서를 결정하는 핵심 로직은 여전히 이 통계 모델인 경우가 대부분이다.

기업들이 알고리즘을 공개하지 않는 이유

학술지 프론티어스(Frontiers in Computer Science)에 실린 적응형 학습 경로 생성의 도입 격차(adoption gap)를 분석한 리뷰 논문은 이 지점을 정확히 짚는다. 상업용 적응형 학습 시스템은 자사의 학습자 모델링과 시퀀싱 메커니즘에 대한 기술적 세부사항을 거의 공개하지 않는다는 것이다. 즉 "이 학생에게 왜 이 문제가 다음에 나왔는가"를 외부에서 검증할 방법이 사실상 없다. 논문은 또한 많은 온라인 학습 구현이 여전히 표준화된 교수설계에 의존하고 있어 의미 있는 개인화와 학습자 참여를 제한한다고 지적한다. 다시 말해, "개인화"를 표방하는 제품 중 상당수가 실제로는 몇 개의 사전 정의된 경로(트랙) 중 하나를 배정하는 수준에 머물러 있을 가능성이 있다는 뜻이다. 이는 뉴튼이 몰락한 이유 중 하나이기도 했다 — 연구자들은 뉴튼의 적응형 기술이 학습 이론적으로 낡거나 결함이 있는 모델에 기반했다고 지적한 바 있다.

📊 숫자로 보는 개인화 효과 — 메타분석이 말하는 것과 말하지 않는 것

그렇다고 적응형 학습이 전부 허상인 것은 아니다. 학술 연구는 오히려 꽤 일관되게 긍정적인 신호를 보여준다. 2024년 저널 오브 에듀케이셔널 컴퓨팅 리서치(Journal of Educational Computing Research)에 발표된 메타분석은 2010~2022년 사이의 45개 독립 연구를 종합해, AI 기반 적응형 학습 시스템이 비적응형 학습 개입 대비 학습자의 인지적 성과에 중간~큰 수준의 긍정적 효과(효과크기 g=0.70)를 낸다고 밝혔다.

초중고 학생을 대상으로 한 또 다른 메타분석(2012~2021년, 69개 연구, 학생 9,095명)도 기술기반 적응형 학습이 인지·정의·행동적 학습 성과 전반에서 중간 수준의 긍정적 효과를 낸다고 확인했다. 특히 주목할 부분은 하위집단 분석이다. 실행기능장애(ADHD 등)를 가진 K-12 학생을 대상으로 한 메타분석 연구에서는 효과크기가 d=0.842로 가장 크게 나타났고, 수학(d=0.801)과 읽기(d=0.734) 영역에서 특히 두드러진 효과가 확인됐다. 즉 적응형 학습의 효과는 평균적인 학생보다 학습 격차가 큰 학생층에서 더 크게 나타나는 경향이 있다.

하지만 시장 통계로 눈을 돌리면 다른 그림이 겹쳐진다. 적응형 학습 소프트웨어 시장 규모 추정치는 조사기관마다 크게 엇갈린다. 한 보고서는 2025년 43억 9천만 달러에서 2026년 52억 6천만 달러로 연평균 19.9% 성장한다고 추정하는 반면, 다른 보고서는 2026년 시장을 29억 7천만 달러로, 또 다른 곳은 76억 달러로 각각 다르게 추산한다. 2035년 전망치도 379억 9천만 달러부터 546억 달러까지 기관별로 최대 1.4배 차이가 난다. 이렇게 추정치가 널뛰는 것 자체가, 이 시장을 정의하는 "적응형 학습"이라는 범주가 얼마나 느슨하고 마케팅 주도적으로 그려지고 있는지를 보여주는 방증이다.

🔍 사례 하나 — 1,800억 원을 태우고 사라진 개인화의 선구자

뉴튼의 몰락은 "개인화 마케팅과 실제 기술 수준의 간극"을 보여주는 가장 상징적인 사례다. 뉴튼은 2011년 피어슨과의 파트너십으로 정점을 찍었지만, 2017년 피어슨은 파트너십을 종료하고 자체 기술 개발로 방향을 틀었다. 이는 뉴튼에 결정적 타격이었다. 여기에 기술적 결함, 고객 이탈, 경영진 교체가 겹치며 쇠퇴가 가속화됐고, 2019년 결국 와일리에 인수되는 것으로 독립 법인 역사를 마감했다. 당시 교육 전문 매체들은 "뉴튼은 사라졌지만 더 큰 위협은 남아있다"는 제목의 기사로, 뉴튼 개인의 실패보다 "데이터로 학생을 완전히 이해할 수 있다"는 과장된 서사 자체가 문제였다고 짚었다. 프라이버시 옹호자들도 뉴튼이 학생 동의 없이 민감한 개인 데이터를 수집·저장한다고 경고한 바 있다.

🔍 사례 둘 — 기네스북에 오른 적응형 학습의 승리

반대편 극단에는 중국의 스쿼럴 AI가 있다. 2025년 12월 15일, 스쿼럴 AI의 지능형 튜터 시스템은 5개교 5~6학년 학생 1,662명을 대상으로 한 "역대 최대 규모의 AI-전통교육 대조 실험"으로 기네스 세계기록에 공식 등재됐다. 실험 결과 스쿼럴 AI를 사용한 그룹은 평균 점수와 상위권 비율 등 여러 지표에서 전통 교육 그룹을 앞섰고, 계층별 분석에서는 성적 하위·중위·상위 학생 모두가 혜택을 봤으며 특히 기초가 약한 학생들의 향상 폭이 두드러졌다. 앞서 학술지 인터랙티브 러닝 인바이런먼츠(Interactive Learning Environments)에 실린 연구에서도 중국 두 개 성(省)의 8학년 학생을 무작위로 스쿼럴 AI 그룹과 대규모·소규모 전통 수업 그룹에 배정해 수학 성취도를 비교했는데, 스쿼럴 AI 그룹의 향상 폭이 더 컸다. 지역 사례로는 칭타이핑(靑太平)이라는 소도시에서 한 달 만에 학생들의 개념 숙달률이 56%에서 89%로 뛴 사례, 여덟 살 쌍둥이가 5개월간 8학년 물리를 배워 또래 평균보다 4~6배 많은 지식 포인트를 습득한 사례가 보고됐다.

⚠️ 사례 셋 — 1조 4천억 원 교과서, 세 명 중 두 명은 켜보지도 않았다

세 번째 사례는 한국이다. 정부는 2025년 초등학교 3·4학년 수학·영어, 중학교 1학년 수학·영어·정보, 고등학교 1학년 공통수학1·2와 공통영어1·2·정보, 초등 특수학교 국어3·4 과목에 AI디지털교과서를 전면 도입했다. 그러나 정치 상황(12·3 비상계엄 이후 국정 동력 상실)과 야당의 반대가 겹치며 정책은 급격히 후퇴했다. 2024년 12월 26일 국회는 초중등교육법을 개정해 AI디지털교과서의 지위를 '교과서'에서 '교육자료'로 격하시켰다. 법적 지위가 흔들리는 사이 현장 활용도도 함께 무너졌다. 2025년 자율 선정 학교 점검 결과, 학생의 60%가 단 한 번도 접속하지 않았고 평균 활용률은 8.1%에 그쳤다.

더 심각한 문제는 예산이다. 감사원 추계에 따르면 AIDT 구독료는 2025년 3,361억 원에서 2026년 5,421억 원, 2027년 8,634억 원, 2028년 1조 732억 원으로 가파르게 늘어나며 4년 누적으로 약 2조 8,148억 원에 이를 전망이다. 낮은 활용률과 치솟는 예산이 동시에 확인되면서, 예산 대비 효과에 대한 근본적 재검토가 불가피해졌다는 평가가 나온다. 여기에 학생별 학습 이력, 오답 패턴, 진도율, 접속 시간 등이 실시간으로 수집·저장되는데 이 데이터 흐름을 통제하는 체계가 미비했다는 지적도 함께 제기됐다.

🧭 전문가들은 왜 "착각"이라 말하는가

오하이오 주립대 — "알고리즘은 능력의 착각을 만든다"

2025년 저널 오브 익스페리멘털 사이콜로지(Journal of Experimental Psychology: General)에 발표된 연구는 개인화 알고리즘의 인지적 부작용을 정면으로 다뤘다. 밴더빌트 대학의 기원 백(Giwon Bahg)과 오하이오 주립대의 블라디미르 슬럿스키(Vladimir M. Sloutsky), 브랜든 터너(Brandon M. Turner) 연구팀은, 알고리즘이 사용자의 행동에 맞춰 정보를 좁혀서 보여줄 때 학습자가 편향된 이해를 형성하면서도 자신의 부정확한 지식에 대해 오히려 과도한 확신을 갖게 된다는 사실을 실험으로 확인했다. 낯선 주제에 대해 알고리즘이 정보 노출을 통제한 참가자들은 탐색 범위를 좁히고 제한된 정보만 살펴본 결과 시험 성적은 부정확했지만, 자신의 틀린 결론에 대해 이상할 정도로 확신을 갖는 경향을 보였다.

"개인화는 소비자가 요구하는 것"이라는 수사의 함정

맥킨지(McKinsey)의 한 보고서는 "소비자는 개인화를 원하는 정도가 아니라 요구한다"고 단언한 바 있다. 이런 수사는 에듀테크 마케팅에서도 그대로 반복돼왔다. 그러나 학계에서는 이 수사와 실제 구현 사이의 간극을 지적하는 목소리가 많다. 알고리즘이 서비스 경험을 개인화하는 데 실패하면 오히려 '비개인화(depersonalization)' 과정이 일어나 신뢰를 갉아먹고 이탈로 이어질 수 있다는 연구도 있다. 즉 "개인화"라는 약속을 내걸고도 그 수준에 미달하는 제품은, 아무것도 약속하지 않은 제품보다 오히려 더 큰 실망을 유발할 위험이 있다.

운영 현장의 벽 — 프론티어스 리뷰의 결론

앞서 언급한 프론티어스의 도입 격차 리뷰 논문은 지능형 튜터링 시스템부터 메타휴리스틱 최적화, 강화학습, 최근의 대규모 언어모델 기반 접근까지 수십 년, 여러 방법론의 물결을 거쳤음에도 실제 운영 학습 환경에서의 채택은 여전히 제한적이라고 결론짓는다. 생산적인 시스템은 다수의 학습자를 장기간 서비스해야 하고, 기존 교육 인프라와 통합돼야 하며, 확장 가능한 아키텍처·신뢰할 수 있는 분석 파이프라인·기존 학습관리시스템과의 상호운용성·데이터 거버넌스와 교사 워크플로 같은 제도적 제약까지 충족해야 한다는 것이다. 알고리즘 하나가 아무리 정교해도, 이 운영상의 조건을 만족하지 못하면 종이 위의 개인화로 그친다는 뜻이다.

⚖️ 그렇다고 전부 거짓은 아니다 — 반론과 한계

여기까지만 보면 적응형 학습 전체가 과장된 마케팅처럼 느껴질 수 있다. 하지만 이는 균형 잡힌 결론이 아니다. 앞서 살펴본 메타분석들은 방법론적으로 탄탄한 다수의 연구(45~69건, 수천~수만 명 표본)를 통해 실질적인 긍정적 효과를 반복적으로 확인했다. 스쿼럴 AI의 대규모 대조 실험 역시 무작위 배정과 표준화된 측정을 거친 결과다. 문제의 핵심은 "적응형 학습이 효과가 없다"는 것이 아니라, 같은 이름 아래 기술 수준의 편차가 극단적으로 크다는 점이다. 정교한 지식추적 모델과 대규모 실증 데이터를 갖춘 시스템(스쿼럴 AI류)과, 몇 개의 난이도 구간을 오가는 규칙 기반 콘텐츠 추천 시스템이 똑같이 "AI 개인화 학습"이라는 이름으로 판매되고 있다는 것이 진짜 문제다.

또한 효과크기 연구 대부분이 학업 성취도라는 좁은 지표에 집중돼 있다는 한계도 있다. 학습 동기, 자기주도성, 협력 학습처럼 적응형 시스템이 원천적으로 다루기 어려운 영역에 대해서는 상대적으로 근거가 부족하다. 한국 AIDT의 저조한 활용률도 기술 자체의 실패라기보다, 정책 추진 속도와 현장 교사의 준비도, 정치적 불확실성이 뒤섞인 복합적 결과로 봐야 한다는 반론도 있다 — 실제로 예산 논란과 지위 격하가 정치적 사건(비상계엄) 직후 집중적으로 벌어졌다는 타임라인이 이를 뒷받침한다.

💼 그래서 담당자는 무엇을 봐야 하나 — 도입 전 체크리스트

기업 교육 담당자나 학교 관리자가 "AI 개인화 학습"이라는 이름의 제품을 검토할 때 실제로 확인해야 할 것은 다음과 같다.

• 알고리즘 설명 요구: 벤더에게 지식추적 모델(베이지안 지식추적, 문항반응이론 등)의 사용 여부와 근거를 문서로 요청한다. "AI가 알아서 최적화한다"는 답변만 돌아온다면 경계 신호다.
• 제3자 효과 검증 자료 확인: 자체 사례 연구가 아니라 동료 심사를 거친 학술 연구나 독립 기관의 검증 결과가 있는지 확인한다.
• 활용률 지표를 계약 조건에 포함: 라이선스 수가 아니라 실제 접속·완료율을 기준으로 성과를 측정하도록 계약서에 명시한다. 한국 AIDT 사례처럼 '도입'과 '활용'은 완전히 다른 지표다.
• 데이터 거버넌스 점검: 학생 학습 이력, 오답 패턴 등 민감 데이터의 수집·보관·제3자 제공 범위를 사전에 명확히 한다.
• 파일럿 기간을 반드시 확보: 전면 도입 전 한 학기 이상의 소규모 파일럿으로 실제 활용률과 학습 성과 변화를 직접 측정한다.

이런 기준으로 제품을 살펴보면, 겉으로 비슷해 보이는 "AI 학습 플랫폼"들 사이의 진짜 격차가 드러난다. 예를 들어 학습관리시스템(LMS)에 붙는 학습 분석 기능이 실제로 오답 패턴을 추적해 진도를 재배열하는 수준인지, 단순히 진도율만 보여주는 대시보드인지부터 구분해야 한다. 관련 기능 구성은 기능 소개 페이지에서, 실제 화면은 데모에서 직접 확인해보는 것이 문서상의 설명보다 훨씬 정확하다.

❓ 자주 묻는 질문

적응형 학습과 그냥 '온라인 강의'는 뭐가 다른가요?

온라인 강의는 정해진 순서대로 콘텐츠를 재생하는 방식이고, 적응형 학습은 학습자의 응답 데이터를 바탕으로 다음에 보여줄 콘텐츠의 순서·난이도를 실시간으로 바꾸는 방식이다. 다만 이 글에서 짚었듯 "실시간으로 바꾼다"의 정교함 수준은 제품마다 크게 다르다.

AI 튜터가 진짜 사람 선생님을 대체할 수 있나요?

메타분석 결과들은 적응형 시스템이 학업 성취도에 긍정적 효과를 낸다는 것을 보여주지만, 이는 대부분 교사 없는 완전 대체가 아니라 교사 주도 수업과 병행하는 혼합 모델에서 검증된 결과다. 스쿼럴 AI의 실험 설계도 개별 적응형 코스웨어와 교실 활동을 결합하는 구조였다.

한국 AI디지털교과서는 완전히 실패한 건가요?

'교과서' 지위를 잃고 활용률이 낮았다는 사실관계는 명확하지만, 이것이 적응형 학습 기술 자체의 실패인지 정책 추진 방식의 실패인지는 구분해서 봐야 한다. 정치적 혼란 속에 도입 속도와 교사 연수, 현장 소통이 충분하지 않았다는 지적이 많다.

우리 회사·학교에 도입하려면 예산을 얼마나 잡아야 하나요?

시장 조사기관별 시장 규모 추정치부터 최대 1.4배 차이가 날 정도로 표준 가격이 존재하지 않는다. 벤더별 견적을 받아 활용률·효과 검증 계획과 함께 비교하는 것이 유일한 방법이다.

적응형 학습 도입 후 얼마 만에 효과를 확인할 수 있나요?

스쿼럴 AI의 지역 사례에서는 한 달 만에 숙달률이 33%포인트(56%→89%) 오른 경우가 있었지만, 이는 집중 개입 사례다. 앞서 살펴본 메타분석들은 대체로 한 학기~1년 단위의 관찰 기간을 기준으로 효과크기를 산출했다.

개인정보 문제는 어떻게 관리해야 하나요?

학습 이력, 오답 패턴, 접속 시간 등은 민감한 개인정보에 해당할 수 있다. 도입 전 데이터 수집 범위와 보관 기간, 제3자 제공 여부를 계약서에 명시하고 이용자(학생 또는 보호자) 동의 절차를 갖추는 것이 필수다.

💡 결론 — 이름이 아니라 근거를 보고 판단하라

"적응형 학습", "AI 개인화 커리큘럼"이라는 이름 자체는 아무것도 보장하지 않는다. 같은 이름표 아래 1.8억 달러를 태우고 사라진 실패작(뉴튼)과 기네스북에 오른 성공작(스쿼럴 AI)이 동시에 존재했고, 국가 단위로 밀어붙인 실험(한국 AIDT)이 활용률 8%대로 주저앉는 동안 다른 곳에서는 효과크기 g=0.70의 검증된 성과가 쌓이고 있었다. 이 간극을 만드는 것은 마케팅 문구가 아니라 알고리즘의 실제 정교함, 운영 인프라, 그리고 무엇보다 '활용률'이라는 가장 기본적인 지표다.

교육 담당자에게 남는 실질적 결론은 하나다. "AI가 개인화해준다"는 말을 믿지 말고, 그 제품이 어떤 근거로 커리큘럼을 재배열하는지, 그리고 실제 학습자들이 얼마나 그것을 쓰고 있는지를 물어라. 도입을 검토 중이라면 요금제와 함께 실제 운영 사례를 문의해 파일럿 검증부터 시작하는 것을 권한다.

📎 출처

• 감사원, AI디지털교과서 구독료 추계 및 활용률 점검 결과(2025)
• 국회, 초중등교육법 개정안(2024년 12월 26일 통과, AIDT 지위 격하)
• Wang, X. et al., "The Efficacy of Artificial Intelligence-Enabled Adaptive Learning Systems From 2010 to 2022 on Learner Outcomes: A Meta-Analysis", Journal of Educational Computing Research, 2024
• 기술 강화 적응형 학습 메타분석(2012~2021년, 69개 연구, 9,095명), Journal of Computer Assisted Learning, 2026
• 실행기능장애 학생 대상 적응형 학습 메타분석 연구
• Bahg, G., Sloutsky, V. M., Turner, B. M., 개인화 알고리즘과 능력의 착각에 관한 연구, Journal of Experimental Psychology: General, 2025 (오하이오 주립대·밴더빌트대)
• Frontiers in Computer Science, "The adoption gap in adaptive learning path generation: an analytical review of barriers and operational requirements", 2026
• MIT Technology Review, "China has started a grand experiment in AI education", 2019 및 스쿼럴 AI 기네스 세계기록 발표자료(2025)
• Inside Higher Ed, 뉴튼(Knewton) 인수 및 몰락 관련 보도(2019)
• Khan Academy Blog, 칸미고(Khanmigo) 이용률 및 학습 성과 보고(2026)
• Adaptive Learning Market 관련 산업 조사기관 보고서 종합(Research and Markets, MarketsandMarkets, Precedence Research 외)