학원 시간표·강사 배정 자동화, 왜 사람이 짜면 항상 충돌이 날까

🔍 개강 전날 밤, 시간표 엑셀 파일이 또 꼬였다

경기도의 한 중형 어학원에서는 매 학기 개강을 이틀 앞두고 원장과 실장이 함께 밤을 새우는 일이 관례처럼 반복됐다. 강사 12명, 강의실 6개, 반 편성 20여 개를 하나의 엑셀 시트에 맞춰 넣는 작업인데, 강사 한 명의 시간대를 옮기면 그 강사가 맡은 다른 반들이 도미노처럼 흔들려 처음부터 다시 짜야 하는 일이 잦았다. 실제로 개강 당일 오전, 같은 강의실에 두 개의 수업이 동시에 배정된 사실을 뒤늦게 발견해 학부모에게 사과 문자를 보낸 적도 있다고 한다. 시간표 하나 때문에 벌어진 소동치고는 파장이 작지 않았다.

이는 특정 학원만의 사정이 아니다. 학술적으로 시간표 배정(timetabling) 문제는 강사·강의실·시간대·학생 집단이라는 여러 제약 조건을 동시에 만족시켜야 하는 조합 최적화 문제로, 컴퓨터과학에서는 이미 오래전부터 'NP-hard(다항식 시간 안에 정확한 최적해를 구하기 어려운 문제)'로 분류돼 왔다. 즉 변수가 조금만 늘어나도 사람이 손으로 모든 경우의 수를 따져 완벽한 답을 찾는 것은 이론적으로도 사실상 불가능에 가깝다는 뜻이다. 그렇다면 강사·강의실 배정을 자동화하면 실제로 무엇이 달라질까.

🕰️ 칠판 자석에서 알고리즘까지 — 시간표 관리의 변화

시간표 관리 방식도 학사관리 전반과 마찬가지로 단계적으로 진화해왔다. 가장 오래된 방식은 화이트보드에 자석이나 포스트잇으로 강사·강의실·시간대를 직접 붙여가며 짜는 방식이었다. 이 방식은 눈으로 전체를 보며 조정할 수 있다는 장점이 있었지만, 변경 사항이 생길 때마다 전부 손으로 다시 배치해야 했고 여러 사람이 동시에 참고하기 어려웠다. 이후 엑셀 시트로 옮겨오면서 검색과 정렬은 쉬워졌지만, 강사 한 명의 일정을 바꿀 때 연쇄적으로 발생하는 충돌을 자동으로 잡아내지는 못했다.

대학에서는 이 문제를 더 일찍부터 기술적으로 접근했다. 퍼듀대학교에서 처음 개발돼 현재는 아페레오재단이 지원하는 오픈소스 프로젝트로 발전한 유나이타임(UniTime)이 대표적이다. 퍼듀대학교는 약 4만 명 규모의 수강생 스케줄링에 이 시스템을 활용하고 있으며, MIT도 2014년부터 유나이타임을 도입해 스케줄링 프로세스의 기능과 유연성을 확장해왔다. 여러 대학이 예산 제약과 기술 비용 상승 속에서 오픈소스 시간표 시스템으로 눈을 돌린 흐름도 함께 확인된다.

학원업계의 변화는 대학보다 늦게, 그러나 최근 몇 년 사이 빠르게 진행되고 있다. 초기에는 결제·수납 자동화에 초점이 맞춰졌던 학원관리 프로그램들이 점차 시간표·강사 배정까지 기능을 확장하는 추세다. 수업 변경이나 강사 스케줄 조정이 클릭 몇 번으로 끝날 수 있다는 점이 강조되는 것도 이런 흐름을 반영한다. 다만 대학이 채택한 정교한 최적화 알고리즘 수준까지 도입한 국내 학원관리 서비스는 아직 흔치 않아, 시간표 자동화는 학원업계에서 상대적으로 여지가 많이 남은 영역으로 꼽힌다.

💻 왜 시간표 배정은 계산적으로 어려운 문제인가

시간표 배정이 유독 까다로운 이유는 단순히 항목이 많아서가 아니라, 조건들이 서로 얽혀 있기 때문이다. 강사 한 명의 가용 시간, 강의실의 수용 인원과 장비, 과목별 필요 시수, 학생 개인의 다른 수업과의 중복 여부까지 모두 동시에 만족시켜야 한다. 학술 문헌에서는 고등학교 시간표 문제를 제약 만족 문제로 모델링하고 이를 유전 알고리즘·타부 서치·시뮬레이티드 어닐링 같은 메타휴리스틱 기법으로 근사해 푸는 연구가 수십 년간 축적돼 왔다. 대학 수강신청 시간표 문제 역시 전통적인 제약 논리 프로그래밍이나 완전 탐색 방식으로는 효율적으로 풀 수 없는 NP-hard 문제로 분류된다는 것이 정설이다.

한국의 고교학점제는 이 문제가 실제 교육 현장에서 얼마나 첨예해지는지 보여주는 사례다. 2025년 전국 고교에 전면 시행된 고교학점제는 학생이 과목을 선택해 수강하는 방식이라, 학생마다 서로 다른 시간표를 학교가 동시에 조율해야 한다. 그런데 학교 규모와 지역에 따라 개설 가능한 과목 수 자체가 크게 갈린다. 강남권 학교는 30개 이상의 과목을 개설하는 반면 농산어촌 학교는 10개도 채 되지 않는 것으로 나타났다. 교원단체들은 이로 인한 교사의 과중한 업무 부담과 지역별 교육격차 심화를 이유로 제도의 전면 재검토를 요구하고 나섰다.

학원의 시간표 문제는 학교보다 변수는 적지만 변경 빈도가 훨씬 잦다는 점에서 나름의 어려움이 있다. 학교는 한 학기에 한 번 시간표를 확정하면 큰 변동 없이 운영되지만, 학원은 학생의 전학·휴원·추가 등록, 강사의 개인 사정에 따른 대체 강의, 시험 기간 특강 편성 등으로 학기 중에도 시간표가 수시로 바뀐다. 즉 한 번 잘 짜는 것보다 '바뀔 때마다 얼마나 빨리, 얼마나 정확하게 재조정하는가'가 학원 시간표 관리의 실질적인 핵심 역량이라 할 수 있다.

📊 데이터로 보는 시간표 복잡도의 규모

시간표 문제의 규모를 구체적인 숫자로 확인할 수 있는 연구 사례도 있다. 미국 해양사관학교(US Merchant Marine Academy)의 시간표 편성 문제를 정수계획법으로 모델링한 연구에서는 약 17만 개의 행과 열로 구성된 방정식 체계를 구성했고, 상용 솔버로 4시간에서 24시간에 걸쳐 최적해를 계산했다. 사람이 손으로 처리하기에는 애초에 불가능한 규모의 계산량이라는 뜻이다.

국내 대학의 강의실 배정 실무에서도 이 복잡성은 확인된다. 대부분의 대학은 1·2학기와 여름·겨울 계절학기까지 연 4회에 걸쳐 반복적으로 강의실 배정 작업을 수행하는데, 상당수가 여전히 수작업 중심으로 이뤄지고 있는 것으로 조사됐다. 이런 반복 작업량 자체가 자동화의 여지가 크다는 것을 보여주는 지표이기도 하다. 학원으로 시선을 옮기면 문제는 더 잦은 주기로 반복된다. 대학이 학기당 한 번 큰 틀을 짜는 것과 달리, 학원은 매달 신규 등록·휴원생이 발생할 때마다 반 편성과 시간표를 미세 조정해야 하므로, 1년으로 환산하면 훨씬 많은 횟수의 '작은 재배정'이 누적된다.

🔍 사례 1 — 고려대학교의 강의실 자동배정 알고리즘

고려대학교는 2016학년도 2학기부터 오라클 데이터베이스와 프로시저를 활용한 강의실 자동배정 알고리즘을 실제 학사 행정에 적용했다. 배정 절차는 총 4단계로 구성되는데, 1·2단계에서는 교수가 선호하는 건물을 우선으로 배정하고, 선호 건물에 강의실이 부족한 경우 3·4단계에서 인접 건물로 확장해 배정하는 방식이다. 학부 강의는 학부가 주로 사용하던 강의실에, 대학원 강의는 대학원이 주로 쓰던 강의실에 우선 배정되도록 최근 3년간의 사용률 데이터를 활용해 우선순위를 구분했다는 점도 특징적이다. 단순히 빈 강의실을 채우는 것이 아니라, 기존 이용 패턴과 선호도까지 반영해 배정 품질을 높인 사례로 평가된다.

🔍 사례 2 — 퍼듀·MIT가 20년 가까이 쓰는 오픈소스 유나이타임

유나이타임은 강좌·시험 시간표 작성부터 일정 변경 관리, 타 행사와의 강의실 공유, 개별 학생 스케줄링까지 지원하는 종합 학사 스케줄링 시스템으로, 여러 학과의 스케줄 관리자가 협업해 학생 간 수강 충돌을 최소화하도록 설계됐다. 개발 발상지인 퍼듀대학교에서는 약 4만 명 규모의 수강생 스케줄링에 쓰이고 있고, MIT는 2014년부터 도입해 기능을 지속적으로 확장해왔다. 오픈소스로 무상 배포되는 만큼, 예산이 넉넉하지 않은 대학들도 자체 개발 없이 검증된 시스템을 활용할 수 있다는 점이 확산의 배경으로 꼽힌다.

🔍 사례 3 — 나이지리아 이라로 공과대학·중동 경영대학원의 전환 사례

나이지리아 페더럴 폴리테크닉 이라로(Federal Polytechnic Ilaro)를 대상으로 한 연구는 기존 중앙집중식 수작업 시간표 시스템의 한계를 짚어내고, 이를 대체하는 자동화 솔루션이 공간 배정 효율을 높이고 오류를 줄였다는 결과를 설문 조사로 검증했다. 중동의 한 경영대학원 사례에서도 기존에 반자동으로 쓰이던 스프레드시트 도구를 새로운 자동화 시스템으로 교체한 뒤 시간표 품질이 개선되고, 업무 조율이 효율화됐으며, 처리 소요 시간이 크게 단축되고 사람이 만드는 실수가 사실상 사라졌다는 결과가 보고됐다.

📌 한눈에 보기 — 국가와 규모는 다르지만 세 사례(고려대·퍼듀·이라로)의 공통점은 뚜렷하다. 수작업 시간표의 한계는 '사람이 더 열심히 해서' 해결되는 문제가 아니라, 애초에 계산 복잡도 자체를 알고리즘으로 다뤄야 풀리는 구조적 문제였다는 것이다.

세 사례를 도입 배경과 결과 중심으로 정리하면 아래와 같다.

🧭 전문가 시각 — 알고리즘 연구자, 교육 현장, AI 도구 평가자의 시선

세 가지 서로 다른 위치에서 이 문제를 보는 시각을 정리하면 다음과 같다. 첫째, 컴퓨터과학 분야의 연구자들은 시간표 문제를 메타휴리스틱과 정수계획법으로 근사해 푸는 데 집중해왔다. 이들의 공통된 결론은 "완벽한 최적해를 매번 빠르게 구하는 것은 이론적으로 어렵지만, 실무적으로 충분히 쓸 만한 해를 합리적인 시간 안에 구하는 것은 가능하다"는 것이다. 즉 목표는 100점짜리 정답이 아니라 실무에서 바로 쓸 수 있는 좋은 답을 빠르게 얻는 것이라는 관점이다.

둘째, 국내 교육 현장의 목소리는 제도 설계 자체에 대한 근본적 문제 제기로 이어진다. 고교학점제를 둘러싼 교원단체들의 반발은 시간표 편성 부담이 단순한 도구의 문제가 아니라 '한 학교가 감당할 수 있는 과목 수와 자원의 한계'라는 구조적 문제와 맞닿아 있다는 점을 보여준다. 아무리 좋은 알고리즘이 있어도 애초에 개설 가능한 과목과 강사 자원이 부족하면 알고리즘이 풀 수 있는 문제 자체가 제한된다는 지적이다.

셋째, AI·자동화 스케줄링 도구를 평가하는 실무 전문가들은 신중한 균형론을 편다. 반복적이고 규칙이 명확한 대량의 일정 처리는 AI에 맡기되, 예외 상황이나 우선순위 판단이 필요한 지점은 사람이 최종 결정해야 한다는 것이 일관된 조언이다. 자동화 도구가 이면 시간이나 캘린더에 없는 일정을 놓치는 경우가 실제로 보고되는 만큼, 사람의 확인 절차를 완전히 없애는 것은 위험하다는 지적도 함께 나온다. 특히 고위험·고비용 결정(예: 대체 강사 섭외, 학부모 통보를 동반하는 일정 변경)에는 반드시 사람이 마지막 승인을 하고, AI는 데이터 처리와 대안 제시까지만 담당하도록 역할을 나눠야 한다는 것이 공통된 권고다.

이 세 시각을 종합하면, 시간표 자동화 도구를 고르는 기준도 명확해진다. '완벽한 정답을 내놓는 도구'를 찾기보다, '충분히 좋은 대안을 빠르게 제시하고, 예외는 사람에게 넘겨주는 도구'를 찾는 것이 현실적인 접근이라는 것이다.

⚠️ 반론과 한계 — 알고리즘이 모든 것을 해결하지는 않는다

시간표 자동화 역시 만능은 아니다. 첫째, 알고리즘이 아무리 정교해도 입력 데이터 자체가 부정확하면 결과도 틀릴 수밖에 없다. 강사의 실제 가용 시간이나 강의실 정원 정보가 최신 상태로 유지되지 않으면, 자동 배정이 오히려 잘못된 결과를 '그럴듯하게' 만들어낼 위험이 있다. 둘째, 앞서 살펴본 AI 스케줄링 도구 평가에서 지적됐듯, 자동화 시스템은 연동되지 않은 외부 일정이나 휴강·보강처럼 비정형적인 예외를 놓치기 쉽다. 사람의 최종 확인 절차 없이 전적으로 시스템에 의존하는 것은 위험하다.

셋째, 고교학점제 사례처럼 시간표 문제의 근본 원인이 자원 부족(강사 수·강의실 수 자체의 한계)에 있다면, 아무리 좋은 소프트웨어를 도입해도 해결할 수 있는 범위에는 한계가 있다. 알고리즘은 주어진 자원 안에서 최선의 배열을 찾아줄 뿐, 자원 자체를 늘려주지는 못한다는 점을 분명히 인식해야 한다. 넷째, 도입 초기에는 오히려 업무량이 늘어날 수 있다는 점도 고려해야 한다. 기존 데이터를 새 시스템의 형식에 맞춰 입력하고, 강사와 직원이 새로운 조작법을 익히는 과정에서 일시적인 혼란이 발생하는 것은 자연스러운 현상이다. 이 적응 기간을 감안하지 않고 도입 첫 주부터 완벽한 효율을 기대하면 실망으로 이어지기 쉽다.

🗺️ 실전 가이드 — 학원 시간표 자동화, 이렇게 접근한다

중소형 학원이 시간표·강사 배정 자동화를 검토할 때 참고할 수 있는 단계는 다음과 같다.

1. 제약 조건부터 명문화한다. 강사별 가용 요일·시간, 강의실별 수용 인원, 과목별 필요 시수를 문서로 먼저 정리한다. 이 데이터가 부정확하면 자동화의 효과도 그만큼 떨어진다.
2. 충돌 탐지 기능부터 확인한다. 완전 자동 배정보다 먼저, 사람이 짠 시간표에서 충돌(중복 배정)을 즉시 잡아주는 기능이 있는지가 1차 기준이다. 개강 당일 중복 배정 사고 같은 사례를 막는 최소한의 안전장치이기 때문이다.
3. 변경 발생 시 연쇄 반영 여부를 테스트한다. 강사 한 명의 일정을 바꿨을 때 관련된 다른 반·강의실이 자동으로 재계산되는지 확인한다.
4. 예외 처리 프로세스를 별도로 마련한다. 휴강·보강·대체 강사 투입처럼 시스템이 놓치기 쉬운 상황에 대한 수동 확인 절차를 남겨둔다.
5. 학기 단위로 데이터를 누적한다. 이전 학기의 배정 데이터와 선호도를 다음 학기에 재활용할 수 있는 시스템인지가 장기적인 효율의 핵심이다.
6. 학부모·강사에게 변경 알림 체계를 함께 정비한다. 시간표가 자동으로 재계산되더라도, 그 결과가 관련자에게 제때 전달되지 않으면 개강 당일 혼란 같은 사고는 그대로 재현될 수 있다. 문자·앱 알림이 자동으로 나가는지 반드시 확인한다.

도입 순서도 중요하다. 처음부터 모든 강사·과목·강의실을 한꺼번에 새 시스템으로 옮기기보다, 변수가 가장 복잡한 학기(신학기·특강 시즌)를 피해 상대적으로 조용한 시기에 시범 적용해보고, 충돌 탐지·연쇄 반영이 안정적으로 동작하는 것을 확인한 뒤 전체로 확장하는 것이 앞서 살펴본 나이스 사태 같은 급진적 전환의 위험을 피하는 방법이다.

자체적으로 처음부터 시간표 배정 알고리즘을 개발하려면 앞서 살펴본 대학 사례처럼 상당한 연구개발 자원이 필요하다. 중소형 학원 입장에서는 이미 여러 현장에서 검증된 저비용·빠른 구축이 가능한 학원 관리 시스템의 시간표·배정 기능을 활용하는 편이, 자체 개발에 드는 시간과 시행착오를 줄이는 현실적인 선택지가 될 수 있다.

❓ 자주 묻는 질문

Q1. 학원 규모가 작아도 시간표 자동화가 필요할까요?
강사가 2~3명 수준이라면 수작업으로도 충분히 관리 가능한 경우가 많다. 다만 강사와 반이 늘어날수록 조합의 경우의 수가 기하급수적으로 늘어나는 것이 시간표 문제의 특성이므로, 확장을 앞두고 있다면 미리 체계를 갖추는 것이 유리하다. 특히 원장 1인이 시간표 편성과 강의를 동시에 담당하는 소형 학원일수록, 편성에 드는 절대 시간 자체는 적어도 그 시간을 확보하기 위해 다른 업무를 미뤄야 하는 기회비용이 상대적으로 크다는 점도 고려할 만하다.

Q2. 자동 배정이 항상 최적의 시간표를 만들어주나요?
아니다. 시간표 문제는 이론적으로 완벽한 최적해를 빠르게 구하기 어려운 NP-hard 문제로 분류된다. 실무에서 쓰이는 도구들은 '충분히 좋은' 해를 빠르게 찾아주는 근사 알고리즘을 쓰는 경우가 대부분이다.

Q3. 강사가 갑자기 일정을 바꾸면 어떻게 되나요?
대부분의 자동화 도구는 변경 사항 입력 시 관련된 배정을 재계산해 충돌 여부를 알려준다. 다만 최종 확정은 사람이 검토하는 절차를 두는 것이 안전하다.

Q4. 오픈소스 시간표 시스템을 학원에서도 쓸 수 있나요?
유나이타임 같은 오픈소스는 대학처럼 IT 인력을 갖춘 조직에 맞춰져 있어, 별도 서버 운영과 커스터마이징 인력이 필요하다. 전담 IT 인력이 없는 중소형 학원이라면 별도 인프라 구축 없이 바로 쓸 수 있는 클라우드형 서비스가 더 현실적인 대안이다.

Q5. 시간표 변경 이력은 왜 중요한가요?
강사·학부모와의 분쟁이 생겼을 때 언제 누가 어떤 배정을 승인했는지 확인할 수 있는 근거 자료가 된다. 수기 관리에서는 이 이력이 남지 않는 경우가 많다.

Q6. 고교학점제처럼 학생별로 다른 시간표도 지원되나요?
대학의 개인별 수강신청 스케줄링 기술이 이미 이 문제를 다뤄왔던 만큼, 관련 알고리즘 자체는 존재한다. 다만 학원 단위에서는 보통 반 편성 단위로 배정하는 경우가 많아, 개인별 시간표 기능이 필요한지는 운영 형태에 따라 다르게 판단해야 한다.

Q7. 시간표 자동화 도구를 도입하면 강사와의 갈등도 줄어드나요?
직접적인 인과관계를 증명하기는 어렵지만, 배정 기준(선호 시간대·강의실 이용 이력 등)이 투명하게 기록되고 공유되면 "왜 내 시간표만 이렇게 짜였냐"는 식의 감정적 갈등이 줄어드는 효과는 기대할 수 있다. 고려대학교 사례처럼 배정 기준 자체를 데이터로 명문화해두는 것이 여기에 도움이 된다. 반대로 배정 기준이 불투명한 상태로 자동화만 도입하면, 강사 입장에서는 '이유를 알 수 없는 결정'이 오히려 더 늘었다고 느낄 수도 있으므로 기준 공개와 자동화는 함께 가야 한다.

💡 결론 — 시간표는 사람이 다 풀 수 있는 문제가 아니다

지금까지 살펴본 것처럼 시간표·강사·강의실 배정은 단순히 '꼼꼼함'으로 해결되는 문제가 아니라, 변수가 늘어날수록 계산량 자체가 기하급수적으로 커지는 조합 최적화 문제다. 고려대학교의 4단계 배정 알고리즘, 퍼듀·MIT가 10년 넘게 쓰고 있는 유나이타임, 나이지리아와 중동의 자동화 전환 사례는 모두 같은 결론을 가리킨다 — 수작업의 한계는 사람이 더 노력한다고 넘어설 수 있는 것이 아니라, 도구를 바꿔야 넘어설 수 있는 벽이라는 것이다. 동시에 고교학점제 사례와 AI 스케줄링 도구의 한계에서 보듯, 자원 부족이나 비정형 예외까지 알고리즘이 전부 대신해줄 수는 없다는 점도 함께 기억해야 한다.

결국 중요한 것은 반복적이고 규칙이 명확한 배정 작업은 도구에 맡기고, 예외적 판단이 필요한 부분은 사람이 담당하는 역할 분담이다. 이 원칙은 규모가 큰 대학이든 강사 몇 명뿐인 소형 학원이든 다르지 않다. 다만 학원은 대학과 달리 학기 중 변경이 훨씬 잦다는 특성이 있는 만큼, '최초 배정을 얼마나 정교하게 짜느냐'보다 '변경이 생겼을 때 얼마나 빠르고 정확하게 재조정하고, 그 결과를 관련자에게 얼마나 빨리 알리느냐'가 실질적인 성공 기준이 된다는 점을 다시 한번 강조할 만하다.

강사·강의실 배정에 실제로 얼마나 많은 시간이 새고 있는지 궁금하다면, 다음 학기 시간표를 짤 때 걸리는 시간을 직접 기록해보는 것부터 시작해볼 만하다. 구체적인 도입 방식이 궁금하다면 주요 기능 소개에서 시간표 관리 기능을 확인하거나 데모 체험으로 실제 배정 화면을 먼저 살펴본 뒤, 상담 신청을 통해 우리 학원 규모에 맞는 방식을 논의해볼 수 있다.

📎 참고 자료 및 출처

• 고려대학교 강의실 자동배정 알고리즘 설계·적용 사례 연구 (한국과학기술정보연구원 논문 DB)
• UniTime(Apereo Foundation) 공식 문서 및 도입 대학 사례(퍼듀대학교·MIT)
• arXiv, "Automated timetabling for small colleges and high schools using huge integer programs" (미 해양사관학교 사례)
• Federal Polytechnic Ilaro 시간표 자동화 사례 연구
• 중동 경영대학원 시간표 시스템 전환 사례 연구
• 교육부·전남교육청 등, 2025년 고교학점제 운영 개선 대책 발표 자료
• 교원단체 고교학점제 관련 성명 및 언론 보도(오마이뉴스 등)
• AI 스케줄링 도구 한계 관련 업계 분석(Boldly, Schedulee 등)