지난 글에서는 AI Agent 기반 교육지원 연구동향을 어떻게 살펴볼 수 있을지 생각해 보았습니다. 논문 검색어를 넓게 잡고, 수업지원과 업무지원을 나누어 보며, 작은 분석표부터 만들어 보자는 이야기였습니다. 그 글을 쓰고 나니 자연스럽게 연수 장면이 떠올랐습니다. 연구 흐름을 살펴보는 일도 필요하지만, 결국 학교 현장에서는 교사가 실제로 써 볼 수 있어야 하기 때문입니다.

요즘 생성형 AI 연수는 꽤 많아졌습니다. 프롬프트를 잘 쓰는 법, 수업자료를 만드는 법, 이미지를 생성하는 법 같은 주제가 익숙해졌습니다. 그런데 AI Agent는 조금 다르게 가르쳐야 할 것 같습니다. Agent는 한 번의 답변을 잘 받는 도구라기보다, 여러 단계를 이어서 일을 맡기는 방식에 가깝습니다. 그래서 연수도 기능 소개 중심으로만 가면 실제 업무에 잘 붙지 않습니다.

제가 Hermes Agent를 쓰면서 느낀 점은, 처음부터 거창한 자동화를 보여 주는 것보다 “내가 매일 반복하는 작은 일 하나를 어떻게 맡길 수 있을까”에서 출발할 때 이해가 빨라진다는 것입니다. 교사연수에서도 마찬가지입니다. AI Agent를 신기한 기술로 소개하기보다, 교사의 하루 업무 흐름 안에 조심스럽게 놓아 보아야 합니다.

 

1. 먼저 챗봇과 Agent의 차이를 몸으로 느끼게 하기

 

교사연수에서 AI Agent를 다룬다면 첫 시간에는 개념 설명을 길게 하기보다 짧은 비교 실습이 좋습니다. 같은 과제를 ChatGPT 같은 챗봇에게 시켜 보고, 이어서 Agent에게 시켜 보는 방식입니다. 예를 들어 “연수 안내문 초안을 써 줘”라고 요청하는 것과, “이 폴더의 지난 안내문을 참고해 새 안내문 초안을 만들고, 파일명까지 정리해 줘”라고 요청하는 차이를 보여 줄 수 있습니다.

이때 참여자가 느껴야 하는 것은 용어가 아니라 업무 방식의 차이입니다. 챗봇은 대화를 잘 이어 가는 데 강점이 있고, Agent는 도구를 쓰고 파일을 다루며 과정을 이어 가는 데 강점이 있습니다. 물론 모든 Agent가 같은 수준으로 동작하는 것은 아니고, 권한 설정과 연결된 도구에 따라 할 수 있는 일이 달라집니다.

연수에서는 이 차이를 너무 과장하지 않는 편이 좋습니다. “이제 AI가 모든 일을 대신한다”는 식의 설명은 현장 교사에게 오히려 불편하게 들릴 수 있습니다. 대신 “반복되는 초벌 작업을 줄이고, 사람은 검토와 판단에 더 집중할 수 있다” 정도로 설명하는 것이 현실적입니다.

 

2. 연수 주제를 기능이 아니라 업무 장면으로 잡기

 

AI Agent 연수의 가장 흔한 실수는 기능 목록으로 차시를 구성하는 것입니다. 파일 읽기, 메일 작성, 일정 확인, 이미지 만들기처럼 기능을 하나씩 보여 주면 당장은 그럴듯해 보입니다. 하지만 교사는 연수가 끝난 뒤 자기 자리로 돌아가면 “그래서 내 업무 중 어디에 쓰지?”라는 질문을 다시 하게 됩니다.

그래서 차시는 업무 장면 중심으로 잡는 것이 좋습니다. 예를 들면 수업자료 초안 만들기, 평가 문항 검토하기, 학부모 안내문 다듬기, 회의록 정리하기, 연수 결과 설문 요약하기 같은 장면입니다. 이 장면 안에서 필요한 기능을 자연스럽게 소개하면 참여자가 자기 업무와 연결하기 쉽습니다.

교육전문직 연수라면 장면이 조금 달라질 수 있습니다. 정책자료 요약, 연수 기획안 초안, 학교 지원자료 정리, 보고서 구조 만들기, 공문 초안 검토 같은 과제를 다룰 수 있습니다. 학교관리자 대상이라면 일정, 회의, 공문, 보고 흐름을 줄이는 사례가 더 와닿을 것입니다.

 

 

3. ‘좋은 프롬프트’보다 ‘좋은 업무 지시’를 연습하기

 

생성형 AI 연수에서는 좋은 프롬프트를 많이 강조합니다. 물론 필요합니다. 하지만 AI Agent를 쓸 때는 프롬프트라는 말보다 업무 지시라는 말이 더 가까울 때가 많습니다. 실제로 일을 시킬 때는 목적, 참고자료, 산출물 형식, 제한 조건, 확인해야 할 부분을 함께 알려 주어야 합니다.

예를 들어 “회의록 정리해 줘”라고만 쓰면 결과가 들쭉날쭉합니다. “아래 메모를 바탕으로 참석자, 논의 안건, 결정 사항, 후속 조치로 나누어 정리하고, 개인정보는 일반 표현으로 바꾸어 줘”라고 하면 훨씬 안정적입니다. 여기에 “불확실한 내용은 추정하지 말고 확인 필요로 표시해 줘”라는 조건을 붙이면 더 좋습니다.

이런 연습은 교사에게도 익숙합니다. 교사는 학생에게 과제를 안내할 때도 목적과 기준을 제시합니다. AI Agent에게 일을 맡기는 과정도 비슷합니다. 다만 상대가 사람이 아니기 때문에 더 명시적으로 말해야 하고, 결과를 반드시 확인해야 한다는 점이 다릅니다.

 

4. 안전한 실습 자료를 따로 준비하기

 

연수에서 실제 학교 문서나 학생 정보를 그대로 쓰게 하면 안 됩니다. AI Agent가 파일을 읽고 정리할 수 있다는 점이 장점이지만, 바로 그 이유 때문에 개인정보와 민감정보 관리가 중요합니다. 실습 단계에서는 가상의 회의 메모, 익명화된 안내문, 공개 자료를 활용하는 것이 좋습니다.

저라면 연수용 샘플 폴더를 하나 만들어 둘 것 같습니다. 그 안에 가상의 학교 행사 계획서, 회의 메모, 설문 응답 예시, 수업자료 초안, 안내문 초안을 넣어 둡니다. 참여자는 이 자료를 바탕으로 Agent에게 정리, 변환, 검토, 초안 작성을 시켜 봅니다. 실제 자료가 아니기 때문에 실패해도 부담이 적고, 결과 비교도 쉽습니다.

또 하나 필요한 것은 금지선입니다. 학생 이름, 학부모 연락처, 민원 내용, 인사 관련 정보, 비공개 정책자료는 연수 실습에 넣지 않는다는 원칙을 분명히 해야 합니다. AI 활용 연수는 편리함만 가르치는 자리가 아니라, 안전하게 쓰는 기준을 함께 세우는 자리여야 합니다.

 

5. 결과물을 그대로 쓰지 않고 검토하는 법을 가르치기

 

AI Agent가 만든 결과물은 초안입니다. 이 말을 연수에서 여러 번 확인해야 합니다. 문장이 자연스럽고 표가 깔끔하다고 해서 그대로 학교 문서가 되는 것은 아닙니다. 사실관계, 학교 맥락, 표현의 적절성, 책임 소재는 사람이 다시 봐야 합니다.

실습에서는 일부러 검토 활동을 넣는 것이 좋습니다. Agent가 만든 안내문 초안을 보고 빠진 정보가 있는지 찾게 하거나, 회의록 정리 결과에서 추정한 표현을 표시하게 할 수 있습니다. 평가 문항 초안을 만들었다면 교육과정 성취기준과 난이도, 편향 가능성을 확인하게 해야 합니다.

이 과정은 AI를 불신하자는 뜻이 아닙니다. 오히려 잘 쓰기 위한 절차입니다. 교사가 결과를 검토하는 기준을 가질수록 AI Agent는 더 유용해집니다. 사람의 전문성이 사라지는 것이 아니라, 초벌 작업을 줄인 뒤 전문성이 들어갈 자리를 더 분명히 만드는 것입니다.

 

6. 개인 자동화보다 학교 안 협업 규칙까지 생각하기

 

AI Agent는 개인 업무를 줄이는 데서 시작하지만, 학교 안에서 쓰려면 협업 규칙이 필요합니다. 같은 안내문을 여러 사람이 각자 다른 방식으로 만들면 오히려 혼란이 생길 수 있습니다. 어떤 자료를 AI에 넣어도 되는지, 결과물은 누가 확인하는지, 공식 문서로 쓰기 전 어떤 절차를 거치는지 정해야 합니다.

연수 후반부에는 참여자들이 자기 학교에 필요한 작은 규칙을 적어 보게 하면 좋겠습니다. 예를 들어 “학생 개인정보는 입력하지 않는다”, “AI가 만든 학부모 안내문은 담당자와 관리자 확인 후 배부한다”, “회의록은 녹취 원문이 아니라 정리 메모를 바탕으로 작성한다” 같은 문장입니다. 거창한 지침보다 실제로 지킬 수 있는 규칙이 중요합니다.

교육청이나 연수원 차원에서는 이런 규칙을 학교가 혼자 만들도록 두기보다 예시안을 제공할 수 있습니다. AI Agent 활용 사례와 함께 주의사항, 점검표, 권장 절차를 묶어 주면 학교 현장의 부담이 줄어듭니다.

 

7. 연수의 끝은 ‘내일 해 볼 한 가지’로 남기기

 

좋은 연수는 끝난 뒤 바로 해 볼 일이 남습니다. AI Agent 연수도 마찬가지입니다. 참여자가 모든 기능을 익히고 돌아가기는 어렵습니다. 대신 내일 바로 해 볼 작은 과제 하나를 정하게 하는 것이 더 현실적입니다.

예를 들어 “다음 주 안내문 초안을 만들고 사람이 검토하기”, “회의 메모를 결정 사항과 후속 조치로 정리하기”, “연수 설문 응답 10개를 주제별로 묶어 보기” 정도면 충분합니다. 작은 성공 경험이 생기면 다음 활용으로 이어집니다. 반대로 처음부터 너무 큰 자동화를 시도하면 실패했을 때 도구 전체에 대한 신뢰가 떨어질 수 있습니다.

제가 매일 블로그 원고와 이미지를 준비하는 과정도 결국 작은 반복에서 시작했습니다. 하루 한 편의 초안을 만들고, 파일을 정리하고, 링크를 확인하는 흐름이 쌓이면서 AI Agent를 일하는 동료처럼 다루는 감각이 생겼습니다. 교사연수도 그런 감각을 만드는 쪽으로 설계되어야 합니다.

 

마무리하며

 

교사연수에서 AI Agent를 가르친다는 것은 새로운 기능을 많이 보여 주는 일이 아닙니다. 교사의 실제 업무 장면을 놓고, 어떤 일은 맡기고 어떤 판단은 사람이 붙잡을지 함께 연습하는 일입니다. 안전한 자료로 실습하고, 결과를 검토하고, 학교 안 규칙까지 생각할 때 AI Agent 활용은 조금 더 현실적인 업무경감으로 이어질 수 있습니다.

 

지난 글에서는 AI Agent 활용 경험을 논문 주제로 연결하는 방법을 생각해 보았습니다. 매일 원고를 준비하고, 파일을 만들고, 이미지와 링크를 정리하는 과정도 그냥 사용기가 아니라 연구 자료가 될 수 있다는 이야기였습니다. 그러고 나니 자연스럽게 다음 단계가 떠올랐습니다. 내 경험만 들여다볼 것이 아니라, 이미 교육 분야에서는 AI Agent를 어떻게 연구하고 있는지 살펴보는 일입니다.

 

교육공학을 공부하다 보면 새로운 기술이 등장할 때마다 비슷한 흐름을 보게 됩니다. 처음에는 도구 소개와 가능성 논의가 많고, 조금 지나면 수업 적용 사례와 효과 검증이 나오며, 그 뒤에는 윤리, 교사 역할, 제도적 조건 같은 질문이 따라옵니다. 생성형 AI도 그랬고, AI Agent도 비슷한 길을 갈 가능성이 큽니다.

 

다만 AI Agent는 단순한 챗봇보다 업무 흐름과 더 가깝습니다. 사용자가 질문을 던지면 답을 주는 수준을 넘어, 파일을 읽고, 도구를 호출하고, 여러 단계를 이어서 처리합니다. 그래서 교육지원 연구에서도 “수업에 썼다”라는 말만으로는 부족합니다. 어떤 교육지원 업무에서, 어떤 도구 사용이 일어났고, 사람이 어디에서 판단했는지를 함께 보아야 합니다.

 

1. 먼저 검색어를 넓게 잡아 보기

 

연구동향을 보려면 검색어부터 정해야 합니다. 그런데 AI Agent라는 표현은 아직 논문마다 다르게 쓰일 수 있습니다. 어떤 논문은 autonomous agent라고 쓰고, 어떤 논문은 generative AI agent, LLM agent, intelligent tutoring agent, pedagogical agent 같은 표현을 쓸 수 있습니다. 교육 분야에서는 학습지원 에이전트라는 오래된 표현도 함께 섞여 있습니다.

 

그래서 처음에는 검색어를 좁게 잡기보다 넓게 잡는 편이 좋습니다. 예를 들어 “AI agent education”, “LLM agent learning”, “generative AI agent teacher support”, “autonomous agent educational support” 같은 조합을 생각해 볼 수 있습니다. 국내 자료라면 “AI 에이전트 교육”, “생성형 AI 에이전트”, “교육지원 AI”, “교사 업무 지원 AI” 같은 표현을 함께 볼 수 있습니다.

 

Hermes Agent 같은 도구를 활용한다면 이 단계에서 검색어 후보를 표로 정리해 달라고 요청할 수 있습니다. 다만 Agent가 만들어 준 검색어를 그대로 믿기보다, 실제 데이터베이스에서 검색해 보고 너무 넓거나 좁은 표현을 조정해야 합니다. 문헌 검색은 자동화할 수 있지만, 연구자가 범위를 정하는 일은 여전히 사람의 판단이 필요합니다.

 

2. ‘수업지원’과 ‘업무지원’을 구분해서 보기

 

AI Agent 기반 교육지원 연구를 볼 때 저는 먼저 두 갈래로 나누어 보고 싶습니다. 하나는 학생 학습과 수업을 직접 돕는 수업지원입니다. 예를 들면 학습자 질문 응답, 개별 피드백, 튜터링, 학습자료 추천, 과제 안내 같은 영역입니다. 이쪽은 기존의 지능형 튜터링 시스템이나 챗봇 연구와 연결됩니다.

 

다른 하나는 교사와 교육전문직의 업무를 돕는 업무지원입니다. 수업자료 초안 작성, 평가 문항 검토, 회의록 정리, 연수 기획, 정책자료 요약, 보고서 초안 작성 같은 영역입니다. 제가 블로그에서 계속 다루고 있는 부분은 이쪽에 더 가깝습니다. 학교 현장에서는 수업만큼이나 행정과 협의, 문서 업무가 큰 비중을 차지하기 때문입니다.

 

두 영역은 서로 이어져 있지만 연구 질문은 조금 다릅니다. 수업지원 연구는 학습 효과, 상호작용, 피드백의 질을 묻는 경우가 많습니다. 업무지원 연구는 시간 절감, 업무 흐름, 책임 소재, 자료 보안, 전문성 유지가 더 중요해집니다. 연구동향을 분석할 때 이 둘을 섞어 버리면 AI Agent가 실제로 무엇을 지원했는지 흐려질 수 있습니다.

 

3. 문헌을 읽기 전에 분류 틀을 작게 만든다

 

논문을 많이 모은 뒤에야 분류 기준을 만들 수도 있지만, 처음부터 작은 틀을 가지고 읽으면 훨씬 덜 헤맵니다. 예를 들어 연구 대상은 학생, 교사, 관리자, 교육전문직 중 누구인지 볼 수 있습니다. 지원 과업은 학습지원, 수업설계, 평가, 행정업무, 상담·생활지도, 전문성 개발 중 어디에 가까운지 나눌 수 있습니다.

 

또 AI Agent의 기능도 구분해 볼 수 있습니다. 단순 응답인지, 외부 자료 검색을 하는지, 파일을 읽고 요약하는지, 일정을 만들거나 문서를 생성하는지, 여러 도구를 이어서 쓰는지 보는 것입니다. AI Agent라는 이름을 붙였지만 실제로는 챗봇 수준인 경우도 있고, 반대로 작은 자동화 흐름까지 포함한 경우도 있을 수 있습니다.

 

연구 방법도 함께 봐야 합니다. 개념 논문인지, 사례연구인지, 실험연구인지, 설계기반연구인지, 문헌분석인지에 따라 해석이 달라집니다. 특히 초기 연구동향에서는 개념 논의와 가능성 탐색이 많을 수 있으므로, 효과가 입증된 것처럼 읽지 않도록 조심해야 합니다.

 

4. AI Agent에게 맡길 수 있는 일과 맡기면 안 되는 일

 

문헌분석 과정에서도 AI Agent는 꽤 유용합니다. 논문 목록을 정리하고, 초록을 표로 만들고, 연구 목적과 방법을 추출하는 작업은 반복적입니다. 사람이 하나씩 해도 되지만 시간이 오래 걸리고, 중간에 형식이 흐트러지기도 쉽습니다. Agent에게 일정한 표 형식을 주고 정리하게 하면 초벌 작업을 줄일 수 있습니다.

 

하지만 이 과정에도 선을 그어야 합니다. AI Agent에게 논문 원문을 다 읽고 결론까지 대신 내리게 하면 위험합니다. 특히 초록만 보고 연구 결과를 단정하거나, 실제 논문에 없는 내용을 그럴듯하게 보태는 문제가 생길 수 있습니다. 문헌분석에서는 출처 확인과 원문 대조가 매우 중요합니다.

 

저라면 Agent에게는 “정리”와 “검토 보조”를 맡기고, 연구자의 해석은 따로 남길 것 같습니다. 예를 들어 Agent가 초록에서 연구대상, 방법, 주요 키워드를 추출하게 한 뒤, 제가 원문을 확인하며 수정합니다. 그다음 분류 기준에 맞게 다시 묶어 보고, 애매한 논문은 별도 표시합니다. 자동화는 속도를 높이는 역할이고, 판단은 연구자가 맡는 구조입니다.

 

5. 교육전문직 관점의 질문을 따로 세워 보기

 

AI Agent 연구동향을 교육전문직 관점에서 본다면 조금 다른 질문이 생깁니다. 기존 연구가 학생 학습에 많이 치우쳐 있다면, 교사와 학교관리자, 교육청 업무를 지원하는 연구는 얼마나 있는지 궁금해집니다. 또 정책자료 요약, 연수 운영, 학교 지원 장학, 공문·보고 업무 같은 실제 업무가 연구에서 어떻게 다루어지는지도 볼 수 있습니다.

 

예를 들어 “AI Agent는 교사의 행정업무 부담을 줄이는가”라는 질문은 단순한 효율성 문제가 아닙니다. 줄어든 시간이 수업 준비와 학생 이해에 쓰이는지, 아니면 또 다른 업무로 채워지는지도 함께 보아야 합니다. 교육전문직 업무에서도 마찬가지입니다. 자료 요약이 빨라졌다고 해서 정책 판단이 자동으로 좋아지는 것은 아닙니다.

 

그래서 연구동향 분석에는 현장 맥락을 읽는 질문이 들어가야 합니다. 어떤 업무를 줄였는가, 어떤 책임은 여전히 사람에게 남는가, 학교 구성원은 AI Agent를 어떻게 받아들이는가, 자료 보안과 공정성 문제는 어떻게 다루는가 같은 질문입니다. 이런 질문이 있어야 교육지원 연구가 기술 소개에 머물지 않습니다.

 

6. 작은 분석표부터 만들어 보기

 

처음부터 완벽한 체계적 문헌고찰을 하려고 하면 부담이 큽니다. 저는 먼저 20편 정도의 논문이나 보고서를 대상으로 작은 분석표를 만들어 보는 방식이 현실적이라고 생각합니다. 제목, 연도, 국가, 대상, 지원 과업, 사용 기술, 연구 방법, 주요 결과, 한계, 교육현장 시사점을 열로 두고 정리해 보는 것입니다.

 

이 표를 만들면 연구동향이 조금씩 보입니다. 특정 연도 이후 논문이 늘어났는지, 학생 대상 연구가 많은지 교사 업무지원 연구가 많은지, 실제 학교 적용보다 개념 논의가 많은지 확인할 수 있습니다. 빈칸도 중요한 정보가 됩니다. 아직 연구가 부족한 영역이 어디인지 보여 주기 때문입니다.

 

Hermes Agent에게는 이 표의 초안을 만들게 할 수 있습니다. 예를 들어 논문 목록과 초록을 넣고, 정해진 열에 맞춰 1차 분류를 요청합니다. 이후 사람은 각 셀을 확인하고, 분류가 맞지 않는 부분을 고칩니다. 이렇게 하면 연구자는 반복 정리에 쓰는 시간을 줄이고, 해석과 논의에 더 많은 시간을 쓸 수 있습니다.

 

7. 블로그 연재와 연구동향 분석을 연결하기

 

이번 블로그 연재는 개인적인 AI Agent 사용 경험에서 시작했지만, 점점 연구와 강의로 이어질 수 있는 자료가 되고 있습니다. 매일 글을 쓰면서 교육현장 업무, 교사 지원, 교육전문직 업무경감, 학교관리자 업무 흐름 같은 주제가 반복해서 나타났습니다. 연구동향 분석은 이 경험을 더 넓은 학술 흐름 안에 놓아 보는 작업입니다.

 

블로그는 논문처럼 엄격한 형식을 요구하지 않지만, 좋은 질문을 남기기에는 좋은 공간입니다. “학교에서 AI Agent는 누구의 일을 줄이는가”, “어떤 업무는 자동화할 수 있고 어떤 업무는 사람이 붙잡아야 하는가”, “업무경감은 전문성 강화와 어떻게 연결되는가” 같은 질문을 계속 남길 수 있습니다. 나중에 논문이나 연수로 확장할 때 이 질문들이 방향을 잡아 줄 수 있습니다.

 

저는 앞으로 AI Agent 활용을 단순히 신기한 도구 사용기로만 보지 않으려 합니다. 교육공학 연구자로서, 그리고 교육전문직 업무를 경험하는 사람으로서 이 변화가 학교 업무와 교사의 삶에 어떤 의미를 갖는지 계속 살펴보고 싶습니다. 연구동향 분석은 그 길에서 한 번쯤 꼭 거쳐야 할 정리 작업입니다.

 

마무리하며

 

AI Agent 기반 교육지원 연구동향을 분석한다는 것은 논문 목록을 많이 모으는 일만은 아닙니다. 어떤 교육지원 장면을 보고 싶은지, 어떤 과업을 구분할 것인지, 사람의 판단과 Agent의 자동화를 어떻게 나누어 볼 것인지 정하는 일입니다. 그 기준이 있어야 문헌들이 하나의 흐름으로 읽힙니다.

 

지난 글에서는 AI Agent를 학교에 도입할 때 필요한 원칙을 정리했습니다. 편리하다는 이유만으로 학교 업무에 곧바로 넣기보다, 어떤 자료를 맡기지 않을 것인지, 누가 최종 확인할 것인지, 교사의 전문성을 어떻게 지킬 것인지부터 살펴보아야 한다는 이야기였습니다. 그 글을 쓰고 나니 자연스럽게 다음 질문이 생겼습니다. 지금 제가 이렇게 AI Agent를 쓰고 기록하는 경험은 연구 주제가 될 수 있을까 하는 질문입니다.

 

저는 교육공학을 공부했고, 교육전문직 업무를 하면서 새로운 기술이 학교 현장에 들어올 때 어떤 과정을 거치는지 자주 보게 됩니다. 기술 자체보다 중요한 것은 사람들이 그 기술을 어떻게 이해하고, 어떤 업무 장면에서 받아들이며, 어떤 불안과 기대를 함께 갖는가였습니다. AI Agent도 마찬가지입니다. 단순히 “좋다, 나쁘다”로 판단하기에는 이미 업무 방식 안으로 조금씩 들어오고 있습니다.

 

Hermes Agent를 사용하면서 블로그 원고를 준비하고, 파일을 만들고, 이미지를 렌더링하고, Google Drive에 올려 링크를 정리하는 과정을 매일 반복해 보았습니다. 이 과정은 개인적인 활용기이기도 하지만, 교육공학 관점에서는 꽤 흥미로운 현장 자료가 됩니다. 사람이 AI에게 무엇을 맡기고, 어디에서 다시 확인하며, 어떤 기준으로 결과물을 수정하는지 드러나기 때문입니다.

 

1. 연구 주제는 거창한 기술보다 실제 장면에서 나온다

 

AI Agent를 연구한다고 하면 먼저 최신 모델 성능이나 복잡한 시스템 구조를 떠올리기 쉽습니다. 물론 그런 연구도 필요합니다. 하지만 교육현장과 교육전문직 업무에 가까운 연구라면, 출발점은 더 작고 구체적이어도 괜찮습니다. 예를 들어 “교육전문직은 반복 문서 업무에서 AI Agent를 어떻게 활용하는가” 같은 질문이 오히려 현장과 가깝습니다.

 

제가 매일 경험하는 장면도 그렇습니다. 오늘 준비할 글의 순번을 확인하고, 이전 글의 흐름을 읽고, 다음 원고를 쓰고, Word 파일과 이미지를 만들고, Drive에 업로드한 뒤 목차 파일에 기록합니다. 사람이 직접 하면 어렵지는 않지만 여러 단계가 이어져 있어 놓치기 쉽습니다. AI Agent는 이 과정을 하나의 흐름으로 묶어 처리합니다.

 

연구 주제는 바로 이런 지점에서 나올 수 있습니다. AI Agent가 어떤 업무 단계를 대신했는가, 어떤 단계에서는 사람이 개입했는가, 자동화가 시간을 줄였는가, 오히려 확인해야 할 일이 늘었는가 같은 질문입니다. 기술을 설명하는 연구가 아니라, 기술이 업무 흐름을 어떻게 바꾸는지 보는 연구입니다.

 

2. 사용 기록은 연구 자료가 될 수 있다

 

AI Agent를 쓰다 보면 대화 기록, 생성된 파일, 수정 전후 원고, 작업 로그, 오류 메시지 같은 자료가 남습니다. 평소에는 그냥 지나가는 흔적이지만, 연구 관점에서는 중요한 자료가 될 수 있습니다. 특히 교육공학 연구에서는 학습자나 교사의 행동 기록뿐 아니라, 도구 사용 과정에서 남는 상호작용 기록도 의미 있게 다룰 수 있습니다.

 

예를 들어 제가 Hermes Agent에게 “다음 글을 준비해 줘”라고 요청하면, Agent는 목차 파일을 읽고, 초안 폴더를 확인하고, 다음 순번을 판단합니다. 그다음 원고를 만들고, 이미지 제작 방식을 선택하고, 업로드 결과를 확인합니다. 이 기록을 모으면 AI Agent와 사람이 함께 일하는 절차가 보입니다.

 

물론 모든 기록을 그대로 연구 자료로 쓰면 안 됩니다. 개인 계정 정보, 파일 경로, 인증 관련 내용, 민감한 업무 내용은 제외하거나 비식별화해야 합니다. 연구 자료로 삼으려면 무엇을 수집하고 무엇을 제외할지 기준을 먼저 정해야 합니다. 연구가 되려면 기록이 많다는 사실보다, 기록을 다루는 원칙이 분명해야 합니다.

 

3. 연구문제는 ‘효과’보다 ‘과정’을 먼저 묻는 것이 좋다

 

새로운 도구 연구에서 자주 나오는 질문은 “효과가 있는가”입니다. AI Agent도 업무 시간을 얼마나 줄였는지, 산출물의 질이 좋아졌는지 측정하고 싶어집니다. 그런데 초기 단계에서는 효과를 단정하기보다 과정부터 보는 편이 더 안전합니다. 아직 사용 방식이 안정되지 않았고, 사람마다 업무 맥락도 다르기 때문입니다.

 

예를 들면 이런 연구문제를 생각해 볼 수 있습니다. 교육전문직 업무에서 AI Agent는 어떤 반복 작업을 지원하는가. 사용자는 어떤 단계에서 AI Agent의 산출물을 신뢰하거나 수정하는가. AI Agent 활용 과정에서 개인정보와 책임 문제는 어떻게 인식되는가. 자동화 경험은 업무경감에 대한 기대와 불안을 어떻게 바꾸는가.

 

이런 질문은 숫자 하나로 끝나지 않습니다. 대신 실제 사용자의 경험과 판단 과정을 자세히 보여 줄 수 있습니다. AI Agent가 시간을 몇 분 줄였는지도 중요하지만, 사람이 어떤 일을 맡길 수 있다고 느끼는지, 어떤 일은 끝까지 직접 확인해야 한다고 느끼는지 보는 것도 중요합니다.

 

4. 작은 사례연구나 실행연구로 시작할 수 있다

 

처음부터 큰 표본을 모으거나 여러 학교를 비교하는 연구를 하기는 쉽지 않습니다. 오히려 개인의 실제 사용 경험을 바탕으로 한 사례연구, 혹은 작은 실행연구가 출발점이 될 수 있습니다. 교육전문직 한 명이 AI Agent를 업무 지원 도구로 사용하면서 어떤 가능성과 한계를 경험했는지 정리하는 방식입니다.

 

예를 들어 한 달 동안 AI Agent를 활용한 업무를 기록해 볼 수 있습니다. 자료 요약, 연수 기획, 공문 초안, 설문 문항, 회의록 정리, 블로그 원고 준비 같은 작업을 범주화합니다. 각 작업에서 요청 내용, 산출물, 수정 사항, 소요 시간, 느낀 점을 간단히 남깁니다. 이렇게 쌓인 자료는 연구의 1차 자료가 됩니다.

 

실행연구로 본다면 더 분명합니다. 먼저 현재 업무에서 반복되는 어려움을 진단하고, AI Agent를 활용한 개선 방안을 적용해 본 뒤, 결과와 한계를 성찰합니다. 한 번의 적용으로 끝내지 않고 다음 주기에서 요청 방식이나 검토 기준을 바꾸어 보는 것입니다. AI Agent 활용은 완성된 처방이라기보다 계속 조정되는 실천에 가깝습니다.

 

5. 윤리와 개인정보는 연구 설계의 앞부분에 놓아야 한다

 

AI Agent 활용 경험을 연구로 연결할 때 가장 조심해야 할 부분은 윤리와 개인정보입니다. 특히 학교 현장 자료가 들어가는 순간 주의 수준이 달라집니다. 학생 이름을 지웠다고 해서 충분한 것이 아닙니다. 학교명, 행사명, 특정 상황, 날짜가 합쳐지면 개인이나 기관이 드러날 수 있습니다.

 

그래서 연구 설계 단계에서 자료 범위를 제한해야 합니다. 공개 가능한 자료, 연구자가 직접 작성한 가상 사례, 이미 비식별화된 예시, 개인 작업 기록처럼 위험이 낮은 자료부터 시작하는 것이 좋습니다. 실제 학교 자료를 쓰려면 기관의 절차, 동의, 보안, 저장 위치, 폐기 기준까지 함께 검토해야 합니다.

 

또 하나는 AI Agent가 만든 산출물을 연구 결과처럼 착각하지 않는 것입니다. AI가 정리한 표나 요약은 연구자의 분석을 돕는 자료일 수는 있지만, 그대로 결론이 되지는 않습니다. 연구자는 자료를 어떻게 해석했는지, 어떤 기준으로 코딩하거나 분류했는지 설명해야 합니다. 도구가 분석을 도와도 연구 책임은 사람에게 남습니다.

 

6. 교육공학의 언어로 번역하는 과정이 필요하다

 

개인 사용기를 논문 주제로 만들려면 경험을 교육공학의 언어로 번역해야 합니다. “편했다”에서 멈추면 블로그 후기이고, “어떤 과업 구조에서 어떤 지원이 일어났는가”로 바꾸면 연구 질문에 가까워집니다. “시간이 줄었다”도 “반복적 인지 부담이 줄었는가”, “산출물 검토 과정이 어떻게 바뀌었는가”로 조금 더 정리할 수 있습니다.

 

예를 들어 AI Agent의 도구 사용은 수행지원(performance support) 관점에서 볼 수 있습니다. 기억과 자동화는 개인 지식관리나 업무흐름 자동화와 연결됩니다. Telegram 그룹방을 업무공간처럼 나누어 쓰는 방식은 분산된 학습·업무 환경 설계로 볼 수도 있습니다. 교육전문직의 업무경감은 단순 효율이 아니라 전문적 판단에 쓸 시간을 확보하는 문제로 해석할 수 있습니다.

 

이렇게 번역하는 과정이 중요합니다. 기술 경험을 이론에 억지로 끼워 맞추자는 뜻은 아닙니다. 현장에서 실제로 일어난 일을 교육공학 개념으로 설명하면, 개인 경험이 다른 사람도 검토할 수 있는 연구 주제로 바뀝니다.

 

7. 블로그 연재는 연구 노트가 될 수 있다

 

이번 AI Agent 연재는 티스토리에 올릴 글을 준비하는 작업이지만, 동시에 연구 노트의 역할도 할 수 있습니다. 매 글마다 어떤 업무 장면을 다루었는지, 어떤 가능성과 한계를 보았는지, 다음 질문이 무엇인지가 남기 때문입니다. 나중에 이 글들을 다시 읽으면 연구문제 후보와 사례 자료가 자연스럽게 정리될 수 있습니다.

 

물론 블로그 글과 논문은 다릅니다. 블로그는 경험을 쉽게 풀어 쓰는 공간이고, 논문은 선행연구와 방법, 분석, 논의를 갖추어야 합니다. 하지만 좋은 연구는 대개 일상의 질문에서 출발합니다. “이거 실제로 도움이 되나?”, “왜 어떤 업무에는 잘 맞고 어떤 업무에는 조심스러울까?”, “학교에서는 어떻게 받아들일까?” 같은 질문이 연구의 씨앗이 됩니다.

 

저는 AI Agent를 쓰는 경험을 단순한 활용기로만 남기고 싶지는 않습니다. 교육현장 업무경감, 교사의 전문성 보호, 학교관리자의 업무 흐름, 교육전문직의 지원 방식과 연결해 보고 싶습니다. 그렇게 보면 매일 남기는 원고와 파일, 작은 시행착오도 나중에는 연구 설계의 자료가 됩니다.

 

마무리하며

 

AI Agent 활용 경험을 논문 주제로 연결한다는 것은 거창한 기술 연구를 하겠다는 뜻만은 아닙니다. 오히려 내가 실제로 어떤 일을 맡겨 보았고, 어디에서 도움이 되었으며, 어떤 지점에서 사람이 다시 판단해야 했는지를 차분히 기록하는 일에 가깝습니다. 그 기록이 쌓이면 교육공학 연구의 질문으로 다듬을 수 있습니다.

 

+ Recent posts