AI가 과제의 답과 코드를 대신 만들어 주면 대학은 무엇을 가르쳐야 할까요. 스탠퍼드대학교는 2026년 11월 3일, 학부 전공의 교육과정과 평가를 AI 시대에 맞게 재설계하도록 총 1,000만 달러를 지원한다고 발표했습니다. 스탠퍼드 AI 교육 실험의 초점은 도구 사용법을 추가하는 데 있지 않습니다. 학생이 직접 이해해야 할 것과 AI를 활용해 수행할 것을 전공 전체에서 다시 정하는 데 있습니다.
Finconsult Summary
- 스탠퍼드 AI 교육 개편은 개별 수업을 넘어 전공의 학습목표와 과목 간 연결을 바꾸는 지원 사업입니다. 전 학과의 개편이 완료됐다는 발표는 아닙니다.
- AI 협업과 AI 없는 평가를 함께 설계해야 합니다. 완성된 보고서만으로는 학생의 이해와 판단을 충분히 확인하기 어렵기 때문입니다.
- 서울대와 KAIST에 중요한 과제는 AI 도입 자체보다 문제 정의·검증·실험·책임을 졸업 역량으로 만들고, 이를 실제로 평가하는 체계를 갖추는 것입니다.
과제가 무의미해진 것이 아니라, 과제로 증명할 수 있는 것이 달라졌습니다
예전에는 잘 정리한 풀이와 보고서가 학생이 들인 노력과 이해를 어느 정도 보여줬습니다. 그러나 AI가 그럴듯한 결과물을 빠르게 만들면, 제출물의 완성도와 학생의 실력 사이의 연결이 약해집니다. 과제를 없애자는 결론보다 먼저 물어야 할 것은 그 과제로 무엇을 확인하려 했느냐는 질문입니다.
수학 문제를 풀고 공학 코드를 작성하는 능력에서도 같은 변화가 나타납니다. 다만 난도가 비슷해 보이는 문제라도 필요한 추론, 데이터, 검증 방식은 다릅니다. AI가 모든 수학·공학 문제에서 사람보다 우수하다고 일반화하거나, 기초 공부가 필요 없어졌다고 단정할 근거로 삼아서는 안 됩니다. 정형화된 답안 생산과 새로운 상황에서의 타당성 판단은 구분해야 합니다.
가령 AI가 미분방정식의 수치해를 구했더라도 경계조건이 현실과 맞는지, 계산이 불안정해지는 구간은 어디인지, 측정오차를 어떻게 반영할지는 별도의 질문입니다. 대학의 역할은 계산을 무조건 사람 손으로 되돌리는 것도, 계산 결과를 그대로 승인하도록 훈련하는 것도 아닙니다. 결과를 믿어도 되는 조건을 학생이 설명하도록 가르쳐야 합니다.
스탠퍼드 AI 교육: 수업 하나에서 전공 전체로
스탠퍼드의 발표에 따르면 사업은 약 15개 학과와의 협력을 예상합니다. 전체 작업 일정은 2026~2027학년도부터 2028~2029학년도까지입니다. 2027년 겨울학기부터 분기별 신청을 받아, 개편 규모에 따라 학과·프로그램별로 25만~75만 달러를 지원할 예정입니다. 개별 지원 과제의 기간은 1~2년입니다.
이번 사업은 지난 4월 발표한 100만 달러 규모의 AI 교육 시드 지원과 구분됩니다. 앞선 사업이 개별 강의와 소규모 실험을 지원했다면, 새로운 사업은 전공 단위의 연결을 다룹니다. 한 교수의 혁신적인 수업만으로는 앞뒤 과목의 학습목표와 졸업 기준까지 일관되게 바꾸기 어렵다는 문제에 대응합니다.
공식 지원 지침은 curriculum mapping(교육과정 연결 설계)을 모든 과제에 포함하도록 합니다. 입문 단계에서 배운 기초가 전공 심화와 졸업 프로젝트로 어떻게 발전하는지 살펴보는 작업입니다. AI를 모든 과목에 넣으라는 요구가 아니라, AI가 존재하는 환경에서 각 단계의 목표를 다시 검토하라는 접근입니다.
운영에는 학부교육 담당 조직과 AI Meets Education at Stanford(AIMES·스탠퍼드 AI 교육 이니셔티브), Stanford Accelerator for Learning이 참여합니다. 지원금은 교수진의 시간과 노력 등 교육과정 개편에 필요한 비용도 대상으로 합니다. 소프트웨어를 구입하면 교육 혁신이 저절로 따라온다는 방식과는 다릅니다.
AI를 쓰는 능력과 쓰지 않고 설명하는 능력을 함께 봅니다
AIMES의 교수 전략 안내는 AI 사용을 요구하는 방식, 제한하는 방식, 금지하는 방식을 함께 제시합니다. 어느 하나를 전교에 강제하기보다 과목의 목표에 맞게 선택하도록 합니다. 단계별 작업 기록, 중간 피드백, 짧은 이해도 확인도 권장합니다. 이것이 모든 강의에 이미 동일하게 시행되는 새 시험제도라는 뜻은 아닙니다.
강의별 AI 정책 안내도 허용 범위뿐 아니라 교육적 이유, 실제 사용 사례, 인용과 공개 방법을 명확히 하도록 합니다. 학생에게 막연히 책임 있게 쓰라고 요구하기보다 어느 단계에서 어떤 도움을 받아도 되는지 알려주는 것입니다. AI 활용 여부를 둘러싼 혼란을 줄이는 데도 필요한 조건입니다.
이를 공학 수업에 적용한다면 기초 원리는 AI 없이 설명하고, 설계 대안은 AI와 비교하며, 최종 선택은 학생이 구두로 방어하도록 구성할 수 있습니다. 이 구성은 공식적으로 확정된 스탠퍼드의 공통 배점표가 아니라, 공개된 방향을 바탕으로 한 교육 설계 예시입니다.
예컨대 교수가 설계 조건 하나를 바꿨을 때 학생이 왜 기존 답을 수정해야 하는지 설명하도록 할 수 있습니다. 제출한 코드가 작동하는지만 확인하는 대신, 실패할 입력을 학생이 직접 만들게 하는 방법도 있습니다. 잘 꾸민 결과물보다 이해의 깊이를 드러내는 질문에 평가 시간을 쓰는 것입니다.
인간은 무엇에 집중해야 하나: 문제 정의부터 결과 책임까지
AI와 경쟁할 영역을 영구적인 인간 전용 능력 목록으로 정하는 것은 위험합니다. 모델의 능력이 바뀌기 때문입니다. 대신 교육은 도구의 성능이 달라져도 필요한 역할을 훈련해야 합니다. 어떤 문제를 풀 가치가 있는지 정하고, 결과를 검증하며, 현실의 제약 속에서 결정을 내리는 역할입니다.
첫째는 문제 정의입니다. 냉각장치의 효율을 높이라는 지시에는 소음, 비용, 전력, 안전 가운데 무엇을 우선할지 빠져 있습니다. 학생은 요구를 목적함수와 제약조건으로 바꾸고, 빠진 이해관계자를 찾아야 합니다. AI가 대안을 제시하더라도 어떤 기준으로 비교할지는 명시해야 합니다.
둘째는 검증입니다. 답변을 다른 AI에 다시 물었다는 사실만으로 정확성이 보장되지는 않습니다. 단위와 규모를 확인하고, 단순한 경우에 성립하는지 점검하며, 실제 측정이나 독립된 계산과 비교해야 합니다. 기초 수학과 전공지식은 바로 이 검증을 가능하게 하는 언어입니다.
셋째는 실험과 책임입니다. 시뮬레이션의 가정을 센서 데이터와 대조하고, 예상과 다른 결과가 나왔을 때 가설을 수정해야 합니다. 개인정보, 안전, 저작권처럼 정답 하나로 처리하기 어려운 선택도 남습니다. 학생은 AI가 제시했다는 설명을 넘어 자신이 채택한 판단의 근거와 한계를 밝혀야 합니다.
스탠퍼드의 학생용 안내 역시 AI가 학습을 돕는지, 스스로 생각할 기회를 대신 가져가는지 구분하도록 합니다. 보고서를 빨리 완성한 경험과 다음 문제를 혼자 해결할 능력은 같지 않습니다. 협업 성과와 개인 학습을 따로 확인해야 하는 이유입니다.
서울대·KAIST는 출발선에 서 있는 것이 아닙니다
한국 최상위 대학이 아무 대응도 하지 않고 있다는 식의 비교는 사실과 맞지 않습니다. 서울대의 공식 보도는 2026년 6월부터 학내 구성원을 대상으로 ChatGPT Edu를 제공한다고 설명합니다. AI 접근성을 넓히는 기반은 이미 마련되고 있습니다.
서울대가 소개한 수업 사례에는 생성형 AI를 도시설계와 글쓰기에 활용하는 방식도 등장합니다. 특히 도시설계 사례는 환경대학원의 수업이므로 학부 전공 전체의 개편으로 확대 해석해서는 안 됩니다. 그럼에도 결과를 대신 받는 수준을 넘어 협업 과정을 가르치려는 시도로 볼 수 있습니다.
KAIST도 2026년 2월 대학교육 재설계 워크숍을 발표하며 문제 정의, 비판적 사고, 인지적 주체성을 강조했습니다. AI를 활용한 효율 향상이 곧 학습 향상은 아니라는 문제의식도 제시했습니다. 다만 이 자료만으로 학과별 전공 개편의 예산과 시행 성과까지 확인할 수는 없습니다.
따라서 스탠퍼드와 비교할 지점은 AI에 대한 관심의 유무가 아닙니다. 개별 수업과 선언을 전공의 공통 기준으로 연결하고, 담당 조직과 시간·예산을 붙이며, 결과를 다음 개편에 반영하는 운영 체계를 갖췄느냐는 질문입니다.
한국 대학을 위한 제안: 졸업생이 무엇을 증명해야 하는가
서울대와 KAIST 같은 연구중심 대학에는 우선 전공별로 세 가지 역량을 나누는 작업을 제안할 수 있습니다. 도구 없이 설명해야 할 기초, AI와 함께 수행할 전문 작업, 실험과 판단으로 책임져야 할 결과입니다. 아래 방향은 두 대학의 확정 정책이 아니라 Finconsult의 제안입니다.
기초과목에서는 핵심 개념을 짧게 설명하거나 잘못된 풀이를 고치는 평가를 남길 필요가 있습니다. 심화과목에서는 AI가 만든 대안을 비교하고, 선택하지 않은 접근의 이유도 제출하도록 할 수 있습니다. 졸업 프로젝트에서는 실제 데이터와 재현 가능한 실험, 개인별 구두 설명을 연결하는 방식이 유용합니다.
평가를 바꾸려면 비용도 바뀝니다. 구술평가와 중간 점검은 자동 채점보다 교수·조교의 시간을 더 요구할 수 있습니다. 학생 수가 많은 기초강의에서는 공통 질문 기준과 채점자 교육, 이의제기 절차가 필요합니다. 말하기 능력이나 장애가 개념 이해의 평가를 왜곡하지 않도록 대체 방식도 설계해야 합니다.
AI 계정과 계산 자원을 공정하게 제공하는 일도 중요합니다. 개인의 유료 구독 수준이 성적에 영향을 주지 않도록 과제별 사용 환경을 맞추고, 연구실 데이터와 기업 협력 자료를 외부 서비스에 입력해도 되는지 정해야 합니다. 대화 기록을 제출받을 때는 학습 확인에 필요한 범위와 개인정보 보호를 함께 고려해야 합니다.
성과지표도 사용량에서 학습으로 옮겨야 합니다. AI를 끈 상태에서 새로운 조건의 문제를 설명하는지, 협업할 때 오류를 더 잘 찾아내는지, 시간이 지난 뒤에도 핵심 개념을 유지하는지 확인할 수 있습니다. 결과물의 품질과 개인의 역량을 함께 측정해야 개편의 성공 여부를 판단할 수 있습니다.
결론: 답을 만드는 속도보다, 답을 책임지는 능력
스탠퍼드 AI 교육 사업은 대학이 정답을 이미 찾았다는 선언이 아닙니다. 전공별로 무엇을 보존하고 무엇을 바꿀지 실험하도록 재원을 마련한 계획입니다. 실제 성과는 참여 학과의 교육과정, 평가 방식, 학생 학습 결과가 공개돼야 판단할 수 있습니다.
서울대와 KAIST가 참고할 핵심도 1,000만 달러라는 금액보다 개편의 단위입니다. AI를 잘 쓰는 수업 하나에서 끝내지 않고, 입문부터 졸업까지 학생이 직접 증명해야 할 역량을 연결해야 합니다. 과제의 미래는 제출을 없애는 데 있지 않습니다. AI가 만든 답을 넘어 학생이 무엇을 이해하고 검증하며 책임질 수 있는지 보여주게 하는 데 있습니다.
출처 및 더 읽을 자료
- Stanford Report: 전공 개편 지원 발표, 2026년 11월 3일
- Stanford CTL: 학과·프로그램 지원 지침
- Stanford Report: 기존 100만 달러 시드 지원
- AIMES: 운영 목적과 교육 자료
- Stanford CTL: 강의별 AI 정책 설계
- Stanford CTL: AI 사용·제한·금지 교수 전략
- Stanford CTL: 학생을 위한 AI 학습 안내
- AIMES: 실제 강의의 과제·평가·정책 사례 모음
- 서울대학교: ChatGPT Edu 도입과 행정 AI 활용
- 서울대학교: AI 활용 수업 사례
- KAIST: AI 시대 대학교육 재설계 워크숍