AI 튜터 개발, 왜 모델보다 문항 데이터가 먼저인가 — 교육 기업이 발주 전에 정해야 할 6가지

AI 튜터 개발을 검토하는 교육 기업의 회의는 대개 비슷한 문장으로 시작합니다. “우리 교재에 ChatGPT를 붙여서, 학생이 질문하면 바로 답해 주는 선생님을 만들자.” 시연은 2주면 나옵니다. 문제는 그다음입니다. 학생이 틀린 해설을 받았다는 민원이 들어오고, 연구소는 “우리 교육과정과 다르게 설명한다”고 말하고, 운영팀은 매달 올라가는 API 사용료 청구서를 봅니다. 그리고 가장 뼈아픈 질문이 나옵니다. “이 답, 우리 교재가 아니어도 똑같이 나오는 것 아닌가?”

디비컨설팅은 한국인 PM과 검증된 글로벌 개발팀으로 100건 이상의 플랫폼을 구축했고, 교육 분야에서는 시원스쿨 AI 문어한국어 앱, 공교육 AI 튜터 Q&A 플랫폼, AI 봇아미 튜터링, 수학에심장을달다, 웅진컴퍼스 LMS 커스터마이징, 가천대학교 학사관리 시스템을 수행했습니다. 그 경험에서 확인한 결론은 하나입니다. AI 튜터의 품질은 어떤 모델을 쓰느냐가 아니라, 발주사가 가진 문항·개념 데이터가 어떤 구조로 정리되어 있느냐, 그리고 그 결과를 교사와 운영자가 어떻게 다루느냐에서 결정됩니다. 이 글은 교육 기업이 AI 개발을 발주하기 전에 정해야 할 여섯 가지를 정리합니다.

왜 “모델만 붙인” AI 튜터는 반년을 넘기지 못하는가

범용 모델은 우리 교육과정을 모릅니다

범용 언어 모델은 수학 문제를 풀 수 있지만, 우리 교재가 2단원에서 어떤 개념을 먼저 가르치고 어떤 풀이법을 아직 쓰지 않는지는 모릅니다. 학생이 받는 해설이 교재와 다르면 튜터는 도움이 아니라 혼란이 됩니다. 이 간극을 메우는 것은 프롬프트 문구가 아니라, 문항마다 개념·난이도·선수 개념이 붙어 있는 데이터입니다.

“맞춤형”은 기능이 아니라 판정 기준입니다

맞춤형 학습이라는 말은 기획서에 쉽게 들어가지만, 개발팀이 받아야 할 질문은 다릅니다. 무엇을 기준으로 학생의 수준을 판정할 것인가, 어떤 조건에서 다음 문항을 바꿀 것인가. 이 기준은 개발사가 정할 수 없습니다. 교육 전문가의 결정이고, 그 결정이 없으면 개발팀은 정답률 하나로 추천 로직을 만들고 끝납니다.

결과를 볼 사람의 화면이 빠집니다

학생 화면만 설계된 AI 튜터는 출시 후 아무도 개선하지 못합니다. 어느 학급이 어느 개념에서 막히는지 교사가 볼 수 없고, 틀린 해설을 누가 검수해 고칠지 정해져 있지 않기 때문입니다. 세 문제 모두 모델의 문제가 아니라 발주 전 결정의 문제입니다.

교육 기업이 AI 튜터 개발 발주 전에 정해야 할 6가지

1. 튜터의 역할 — 답하는가, 고르는가, 채점하는가

AI 튜터는 한 종류가 아닙니다. 학생의 질문에 답하는 대화형(시원스쿨 AI 문어한국어 앱), 수준에 맞는 다음 문항을 고르는 추천형(수학에심장을달다, 공교육 AI 튜터 Q&A 플랫폼), 손으로 푼 답안을 인식해 채점하는 인식·채점형(AI 봇아미 튜터링)은 서로 다른 기술 구조를 씁니다. 대화형은 언어 모델 API와 답변 범위 제어가 핵심이고, 추천형은 모델보다 문항 데이터베이스와 추천 규칙이 핵심이며, 인식·채점형은 학습 데이터로 훈련한 별도 모델이 필요합니다. 셋을 한 번에 요구하면 견적은 세 배가 되고 일정은 끝나지 않습니다. 첫 출시에서 바꾸려는 학습 행동 하나를 먼저 고르십시오.

2. 문항·개념 데이터의 구조 — 지식맵이 있는가

추천형 튜터가 작동하려면 문항 하나하나에 개념 코드, 난이도, 선수 개념, 교재 단원이 붙어 있어야 합니다. 수학에심장을달다는 지식맵 기반 문제은행 구조 위에서 학습 경로와 실시간 성취도 측정을 구현했습니다. 이 태깅은 개발사가 대신할 수 없습니다. 교육과정을 아는 콘텐츠팀의 일이고, 발주 전에 “어디까지 되어 있고 누가 나머지를 채울 것인가”를 확인해야 합니다. 태깅이 없는 상태에서 AI 튜터부터 발주하면 개발팀은 데이터를 기다리며 멈추고, 발주사는 개발이 늦어진다고 느낍니다.

3. 수준 진단과 추천의 판정 기준

정답률만 볼 것인지, 풀이 시간과 재시도 횟수를 함께 볼 것인지, 개념 단위 성취도를 어떤 식으로 산출할 것인지, 몇 문항을 연속으로 맞히면 다음 개념으로 넘길 것인지. 이 규칙이 요구사항 정의서에 문장으로 적혀 있어야 개발팀이 로직으로 옮길 수 있습니다. 공교육 AI 튜터 Q&A 플랫폼처럼 문제 풀이와 개념 이해를 연결하는 학습 흐름을 설계할 때 가장 많은 회의가 들어가는 지점이 바로 이 판정 기준입니다. 기술 난이도보다 교육적 합의가 오래 걸립니다.

4. 틀린 해설에 대한 책임 설계 — 검수 흐름

AI는 틀립니다. 교육에서는 그 결과가 학생의 오개념으로 남기 때문에 다른 분야보다 무겁습니다. 생성된 해설을 교사나 연구원이 승인한 뒤 노출할 것인지, 신뢰도가 낮은 답변은 사람에게 넘길 것인지, 학생이 “이 해설이 이상해요”를 누를 수 있는지, 그 신고가 누구의 업무 목록으로 가는지를 정해야 합니다. AI 봇아미 튜터링의 실시간 채점에서도 정답을 오답으로 판정했을 때의 처리 흐름이 먼저 설계되어야 했습니다. API 비용 관리나 특정 벤더 종속 같은 공통 이슈는 AI 기능을 앱에 붙이면 생기는 일에서 따로 다뤘습니다.

5. 교사·학부모·운영자 화면

튜터의 결과를 누가 보고 무엇을 하는가. 교사는 학급 단위로 취약 개념을 봐야 하고, 학부모는 주간 리포트를 받아야 하며, 운영자는 문항을 추가·수정하고 노출을 끄거나 켤 수 있어야 합니다. 이 화면들은 학생 앱보다 늦게 떠오르고, 그래서 견적에서 가장 자주 빠집니다. 웅진컴퍼스 LMS 커스터마이징에서 클래스 관리, 과제 배포, 학습 데이터 분석이 요구사항의 큰 몫을 차지한 이유가 여기 있습니다. LMS 앱 기획에서도 같은 함정을 정리한 적이 있습니다. 학생 화면은 전체의 일부입니다.

6. 운영 비용과 갱신 주체

대화형 튜터는 학생이 질문할 때마다 비용이 발생합니다. 하루 질문 횟수, 답변 길이, 학기 중과 방학의 사용량 차이를 전제로 비용 정책을 먼저 정해야 합니다. 더 중요한 것은 갱신입니다. 교육과정이 개정되고 교재가 바뀔 때 문항 데이터와 해설을 누가 어떤 주기로 갱신하는지, 모델을 다른 공급사로 바꿔야 할 때 코드가 그것을 허용하는 구조인지를 계약 전에 확인해야 합니다. 출시는 한 번이지만 교육과정 개정은 반복됩니다.

세 가지 발주 방식의 비교 — 교육 콘텐츠는 발주사에게 있습니다

여섯 가지 결정에는 공통점이 있습니다. 전부 교육 기업 안에 있는 지식입니다. 교육과정, 문항, 판정 기준, 검수 권한은 개발사가 만들어낼 수 없고, 콘텐츠팀과 연구소에서 한국어로 끄집어내 요구사항으로 바꿔야 합니다. 그래서 발주 방식에 따라 결과가 갈립니다.

	국내 개발사	해외 직접 발주	한국 PM + 글로벌 개발팀
개발 단가	높음	낮음	낮음
문항·판정 기준 요구사항 정의 책임	개발사	발주사 본인	한국 PM
콘텐츠팀·연구소와의 소통 언어	한국어	영어	한국어
발주사 담당자 투입 시간	보통	매우 많음	적음
해설·추천 로직 재작업 리스크	낮음	높음	낮음
총비용 관점	비쌈	기대만큼 안 싸다	실질 절감

해외 개발팀에 직접 발주하면 단가는 내려가지만, 교육과정과 판정 기준을 영어 문서로 정리해 전달하고 매주 검수하는 일이 발주사 담당자에게 돌아옵니다. 콘텐츠 연구원이 영어로 수학 교육과정을 설명하는 회의를 매주 감당할 수 있는 교육 기업은 많지 않습니다. 국내 개발사는 그 부담은 없지만 비용이 높고, 콘텐츠·추천·인식 모델을 한 팀에서 소화하려면 견적은 그만큼 커집니다. 한국인 PM이 요구사항 정의와 검수를 책임지고 글로벌 개발팀이 구현하는 구조는 그 두 문제를 동시에 피하는 방식입니다.

디비컨설팅은 이렇게 통제합니다

1. 상담 및 요구 분석 — 한국인 PM이 콘텐츠팀·연구소와 한국어로 튜터의 역할, 문항 데이터 현황, 판정 기준, 검수 흐름을 요구사항 정의서로 문서화합니다. 이 단계가 이후 재작업의 대부분을 없앱니다.
2. 개발팀 구성 — 2~4주 안에 전담팀을 구성합니다. 대화형이면 언어 모델 연동과 백엔드, 추천형이면 데이터와 백엔드, 인식·채점형이면 모델 엔지니어를 포함해 역할에 맞게 짭니다. 앱과 웹을 함께 가져가는 경우도 같은 팀에서 처리합니다.
3. 프로젝트 개발 — 애자일로 진행하고 진행 상황을 투명하게 공유합니다. 발주사는 매주 한국어 데모를 보고 판정 기준을 조정하면 됩니다. 영어 회의는 없습니다.
4. 테스트 및 배포 — 실제 문항과 실제 학습 흐름을 기준으로 QA를 진행합니다. 오답 판정과 검수 목록 시나리오를 테스트 범위에 포함합니다.
5. 운영 및 유지보수 — API 명세, DB 스키마, 배포 절차 문서와 함께 인계하고, 교육과정 개정에 따른 갱신을 장기적으로 지원합니다.

실제로 구축한 교육 서비스

• 시원스쿨 AI 문어한국어 앱 — 태블릿·안드로이드 환경에 최적화된 AI 교육 플랫폼. ChatGPT 기반 AI 선생님이 학습자의 질문에 실시간으로 답하고, 학생 ID 연동과 개인 맞춤형 학습 환경을 제공합니다. (2023~2024)
• 공교육 AI 튜터 Q&A 플랫폼 — 사용자 수준에 맞춘 수학 문제를 제공하고, 문제 풀이와 개념 이해를 연결하는 학습 흐름을 설계한 웹 플랫폼. (2024)
• 글로벌 AI 수학 러닝 앱 — 수준별 문제 제공과 학습 흐름 설계로 자기주도 학습 환경을 구현한 AI 수학 학습 웹 플랫폼.
• AI 봇아미 튜터링 — 딥러닝 문항 인식 기반 자동 문제 분석, 제스처 인식 학습 인터랙션, 실시간 채점·피드백, 학습 데이터 축적·분석.
• 수학에심장을달다 — 지식맵 기반 문제은행, 실시간 성취도 측정, 맞춤형 문제 추천을 갖춘 AI 학습 관리 앱.
• 웅진컴퍼스 LMS 플랫폼 커스터마이징 — 저작도구·콘텐츠·LMS 기능을 고객사 환경에 맞게 재구성하고, 클래스 관리·과제 배포·학습 데이터 분석 기능을 최적화. (2021)
• 가천대학교 학사관리 시스템 — 평생교육·학위과정 운영을 위한 관리자 중심 웹 플랫폼. 교육기관 시스템 구축 기준은 별도 글로 정리했습니다.

이런 교육 기업에 적합합니다

• 자체 교재·문항·해설을 보유하고 있고, 그것을 디지털 학습 경험으로 바꾸려는 출판사, 학원 프랜차이즈, 에듀테크 기업
• 기성 LMS를 쓰고 있지만 맞춤 추천, AI 질의응답, 자동 채점처럼 솔루션이 지원하지 않는 기능이 필요한 곳
• 대학·교육기관처럼 학습 데이터를 외부 서버에 두기 어렵고 데이터 소유권이 중요한 곳
• 콘텐츠팀은 있지만 AI·백엔드 개발 조직은 없고, 해외 팀을 직접 관리할 담당자도 없는 조직

반대로, 권하지 않습니다

• 문항 데이터도 교재도 없는 상태에서 “AI 튜터”라는 기능부터 만들려는 경우. 콘텐츠가 먼저입니다. 튜터가 가르칠 것이 없으면 범용 챗봇과 같아집니다.
• 단일 교실이나 소규모 학원이 자체 앱을 원하는 경우. 기성 AI 학습 서비스나 LMS 솔루션의 AI 기능이 비용 대비 합리적입니다. 솔루션과 커스텀 개발을 가르는 기준을 먼저 보십시오.
• 사내 임직원 교육 자동화가 목적인 경우. 그것은 튜터 제품이 아니라 AI 솔루션을 사서 쓸 것인가 만들 것인가의 문제이고, 답이 다릅니다.

자주 묻는 질문

콘텐츠 연구원이 영어를 못 해도 해외 개발팀과 일할 수 있나요?

발주사는 한국인 PM하고만 한국어로 소통합니다. 교육과정 설명, 판정 기준 합의, 해설 검수 피드백이 모두 한국어로 오갑니다. 개발팀과의 영어 소통과 일정·검수 관리는 PM의 책임입니다.

AI 튜터 개발 비용은 어떻게 산정되나요?

등급별 단가에 투입 기간을 곱해 산정하고, 기획·디자인·개발·QA·배포·유지보수를 항목별로 구분해 제시합니다. 언어 모델 API 사용료는 개발비와 별도의 운영비이며 질문 횟수 정책에 따라 달라지므로 요구 분석 단계에서 함께 추정합니다. 견적 편차가 생기는 변수는 AI Agent 개발 비용 글에 정리되어 있습니다.

기획서나 정리된 문항 데이터가 없는데 견적이 가능한가요?

가능합니다. 해결하려는 학습 문제, 주요 사용자(학생·교사·학부모), 필수 기능 3~5개, 일정·예산 범위, 그리고 현재 교재와 문항이 어떤 형태로 있는지(PDF, 엑셀, 기존 LMS)만 알려주시면 개략 견적과 함께 데이터 정리 범위를 제안드립니다.

한 과목으로 시작해서 확장할 수 있나요?

가능합니다. 전담팀, 장기 협업, 인력 단위, 프로젝트 단위 중 선택할 수 있고 진행 중에도 조정됩니다. 한 과목으로 판정 기준과 검수 흐름을 검증한 뒤 과목과 학년을 넓히는 순서가 가장 일반적입니다.

소스코드와 학습 데이터의 소유권은 누구에게 있나요?

발주사에 귀속됩니다. 문항 데이터, 학생 학습 로그, 추천 규칙도 마찬가지입니다. API 명세, DB 스키마, 배포 절차 문서까지 인계하므로 이후 모델 공급사를 바꾸더라도 발주사의 자산은 그대로 유지됩니다.

정리

AI 튜터 개발에서 모델은 교체 가능한 부품이고, 교체할 수 없는 것은 발주사의 문항·개념 데이터와 교육적 판정 기준, 그리고 그 결과를 다룰 교사·운영자의 흐름입니다. 튜터의 역할, 데이터 구조, 판정 기준, 검수 흐름, 역할별 화면, 운영 비용과 갱신 주체. 이 여섯 가지가 발주 전에 한국어로 문서화되어 있으면 개발은 예측 가능해집니다. 그 문서화를 발주사 담당자가 혼자 떠안지 않게 하는 것이 한국인 PM의 역할이고, 디비컨설팅이 교육 서비스에서 반복해 온 방식입니다.