*이 장을 다 읽고 나면 알게 될 것: 평생학습이 왜 선택이 아닌 필수가 되었는지, 학습 Agent가 갖춰야 할 다섯 가지 기능은 무엇인지, 간격 반복 학습 알고리즘이 왜 핵심인지, 그리고 개인화된 학습 시스템을 직접 만드는 것이 왜 가능해졌는지*
도입: 밤 열한 시의 영어 공부
2024년 가을, 나는 밤 열한 시에 책상 앞에 앉아 있었다. 열려 있는 것은 이코노미스트 기사 한 편이다. "sovereign debt restructuring"이라는 표현이 나온다. 뜻은 안다. 그러나 입에서 바로 나오지는 않는다. 이런 표현이 한 기사에 열다섯 개쯤 있다. 전부 눈에는 익은데 혀에는 낯설다.
경제를 30년 넘게 다뤘다. 영어 보고서를 수백 편 읽었다. 그런데도 이 모양이다. 부끄러운 게 아니라 자연스러운 것이다. 사람의 기억은 새기 때문이다. 쓰지 않으면 잊는다. 한 달 전에 외운 단어도 복습하지 않으면 사라진다.
문제는 복습의 타이밍이다. 언제 복습해야 가장 효율적인지를 사람은 잘 모른다. 기분 좋을 때 복습하면 쉬운 것만 반복한다. 시험 직전에 몰아서 외우면 일주일 뒤에 다 잊는다. 이것을 심리학에서는 "망각 곡선"이라 부른다. 1885년 독일 심리학자 헤르만 에빙하우스가 발견했다. 140년 전 발견인데 아직도 대부분의 학습은 이 곡선을 무시한다.
그날 밤 나는 생각했다. 이 문제를 AI로 풀 수 있지 않을까. 내가 모르는 단어를 추적하고, 잊을 만한 시점에 다시 보여주고, 내 수준에 맞는 기사를 골라주는 시스템. 일대일 과외 교사처럼 작동하는 시스템. 그것이 나중에 Article Lingua가 되었다. 그러나 그 이야기는 뒤에 한다.
먼저, 학습이라는 영역 자체를 제대로 봐야 한다.
7.1 4년제 학위 하나로 평생을 사는 시대는 끝났다
대학 졸업장의 유효기간이 있다면 몇 년일까.
세계경제포럼(WEF)이 2023년 발표한 「미래 일자리 보고서」에 따르면, 직무에 필요한 핵심 기술의 약 절반이 5년 이내에 바뀐다. 2018년에는 그 주기가 7년이었다. 점점 빨라지고 있다. 한국고용정보원의 2024년 조사에서도 비슷한 결론이 나왔다. 직장인의 약 65%가 "현재 업무에 대학에서 배운 지식이 절반도 쓸모없다"고 답했다.
이것은 대학 교육이 나쁘다는 뜻이 아니다. 세상이 너무 빠르다는 뜻이다.
나도 마찬가지였다. 1990년대에 배운 경제학 이론은 지금도 유효하다. 수요와 공급, 비교우위, 한계효용. 이런 것은 변하지 않는다. 그러나 도구는 완전히 바뀌었다. 엑셀로 충분하던 분석이 이제는 파이썬이 필요하다. 보고서 한 편 쓰던 시간에 이제는 대시보드를 만들어야 한다. LangGraph, pgvector, ArangoDB 같은 것들을 50대 중반에 처음 배웠다. 배우지 않으면 도태되기 때문이다.
평생학습이라는 말이 1970년대에 유네스코에서 처음 나왔을 때, 그것은 아름다운 슬로건이었다. 지금은 생존 전략이다.
그렇다면 사람들은 어떻게 배우고 있는가. 크게 다섯 가지 방식이 있다.
기술 학습. 새로운 도구나 소프트웨어를 익히는 것이다. 코딩, 디자인 툴, 데이터 분석 도구 등. 손이 기억해야 하는 학습이다.
개념 학습. 새로운 분야의 이론이나 프레임워크를 이해하는 것이다. 경제학, 물리학, 철학, 경영 전략. 머리가 기억해야 하는 학습이다.
언어 학습. 외국어를 배우는 것이다. 또는 새로운 분야의 전문 용어를 익히는 것이다. 귀와 입이 기억해야 하는 학습이다.
실습. 배운 것을 실제로 적용하는 것이다. 코드를 짜보고, 보고서를 써보고, 발표를 해보는 것이다. 몸이 기억해야 하는 학습이다.
기억과 복습. 한 번 배운 것을 잊지 않기 위해 반복하는 것이다. 가장 지루하지만 가장 중요한 학습이다.
이 다섯 가지를 잘 조합하면 효과적으로 배울 수 있다. 문제는 대부분의 학습 환경이 이 조합을 무시한다는 것이다. 대학 강의는 개념 학습에 치우쳐 있다. 유튜브 튜토리얼은 기술 학습에 치우쳐 있다. 학원은 시험에 치우쳐 있다. 그리고 복습은 어디에서도 제대로 다루지 않는다.
잠시 멈추고 생각해보자
당신이 최근 1년간 새로 배운 것은 무엇인가? 그것을 배운 방식은 위 다섯 가지 중 어디에 속하는가? 그리고 그 학습에서 복습은 어떻게 이루어졌는가?
7.2 개인화 — 학습의 진짜 핵심
같은 강의실에 앉아 있어도 30명의 학생은 다른 속도로 배운다. 어떤 학생은 한 번 들으면 이해한다. 어떤 학생은 세 번을 들어야 한다. 어떤 학생은 듣는 것으로는 안 되고 직접 해봐야 한다. 이것은 능력의 차이가 아니다. 학습 방식의 차이다.
그런데 전통적 교육은 이 차이를 다루지 못한다. 한 명의 교사가 30명을 가르치면 평균에 맞출 수밖에 없다. 빠른 학생은 지루하고, 느린 학생은 뒤처진다. 중간의 학생만 적당히 따라간다. 이것이 학교의 한계다. 대학도, 기업 교육도, 온라인 강의도 마찬가지다.
진짜 효과적인 학습은 일대일 과외다. 이것은 교육학의 오래된 결론이다. 1984년 벤저민 블룸이 발표한 연구에 따르면, 일대일 과외를 받은 학생은 일반 강의를 받은 학생보다 평균 2 시그마(표준편차 두 배)만큼 높은 성취를 보였다. 이른바 "2 시그마 문제"다. 일대일 과외가 압도적으로 효과적인데, 모든 학생에게 과외 교사를 붙일 수는 없다. 비용이 너무 크다.
그런데 AI가 이 비용 구조를 바꾸고 있다.
듀오링고(Duolingo)는 2023년에 GPT-4를 도입해 언어 학습에 대화형 AI를 넣었다. 사용자의 실수 패턴을 분석해서 약한 부분을 집중적으로 연습시킨다. 칸 아카데미(Khan Academy)는 코나미고(Khanmigo)라는 AI 튜터를 만들었다. 수학 문제를 풀 때 답을 바로 알려주지 않고, 힌트를 단계적으로 준다. 소크라테스식 대화법이다. 코세라(Coursera)는 AI 기반 학습 경로 추천을 도입해, 수강자의 이해도에 따라 다음 강의를 자동으로 조정한다.
그리고 ChatGPT가 있다.
2025년 기준으로 ChatGPT의 주간 활성 사용자는 약 4억 명이다. 이 중 상당수가 학습 목적으로 사용한다. "이 개념을 쉽게 설명해줘", "이 코드가 왜 에러가 나는지 알려줘", "이 논문의 핵심을 정리해줘." 사실상 세계에서 가장 큰 학습 보조 도구가 되었다. 과외 교사가 필요 없을 정도라고? 그렇지는 않다. ChatGPT는 질문에 답하는 데는 뛰어나지만, 학습을 설계하지는 못한다. 무엇을 모르는지 진단하지 못하고, 복습 일정을 관리하지 못하고, 학습자의 성장을 추적하지 못한다.
도구와 Agent는 다르다. 도구는 불러야 작동한다. Agent는 스스로 판단해서 움직인다. 학습에서 이 차이는 결정적이다. 학습자가 "오늘 뭘 공부하지?"라고 물어야 답하는 것은 도구다. 학습자가 아무 말 하지 않아도 "오늘은 지난주에 틀렸던 개념을 복습할 시간이다"라고 먼저 알려주는 것이 Agent다.
잠시 멈추고 생각해보자
당신은 ChatGPT를 학습 도구로 사용한 적이 있는가? 그때 당신이 무엇을 물어야 할지 미리 알고 있었는가, 아니면 막연하게 물어봤는가? 만약 AI가 "오늘 이것을 복습하라"고 먼저 알려줬다면 당신의 학습은 달라졌을까?
7.3 좋은 학습 Agent의 다섯 가지 기능
그렇다면 좋은 학습 Agent는 무엇을 할 수 있어야 하는가. 다섯 가지 기능이 필요하다.
첫째, 진단이다. 학습의 출발점은 "무엇을 모르는지 아는 것"이다. 그런데 이것이 가장 어렵다. 사람들은 자기가 무엇을 모르는지 모른다. 더 정확히 말하면, 자기가 안다고 착각하는 것이 많다. 좋은 학습 Agent는 사용자에게 질문을 던져서 실제 이해 수준을 측정한다. 시험이 아니다. 대화다. "이 개념을 당신의 말로 설명해볼 수 있는가?" 이 한 마디가 정확한 진단이 된다.
둘째, 경로 설계다. 진단이 끝나면 어디로 갈 것인지를 정해야 한다. 같은 목표라도 사람마다 경로가 다르다. 파이썬을 배우는 데 프로그래밍 경험이 있는 사람과 없는 사람의 경로는 완전히 다르다. 좋은 Agent는 목표와 현재 수준 사이의 격차를 계산하고, 그 격차를 가장 효율적으로 줄이는 순서를 제안한다.
셋째, 적응형 콘텐츠다. 학습자가 잘 따라오면 난이도를 올리고, 막히면 난이도를 낮추거나 다른 방식으로 설명한다. 이것이 일대일 과외 교사가 하는 일이다. 강의실에서는 불가능하지만, AI에게는 가능하다. 핵심은 실시간 피드백이다. 학습자의 반응을 보고 즉시 조정하는 것이다.
넷째, 기억 강화다. 배운 것을 잊지 않게 만드는 것이다. 이 영역의 핵심 도구가 간격 반복 학습(Spaced Repetition)이다. 뒤에서 자세히 다루겠지만, 핵심은 간단하다. 잊을 만한 시점에 복습하면 기억이 강화된다. 그 시점을 알고리즘이 계산한다.
다섯째, 실습 환경이다. 배운 것을 적용할 수 있는 환경을 만들어주는 것이다. 코드를 배웠으면 코드를 짜볼 수 있는 샌드박스가 필요하다. 언어를 배웠으면 대화를 나눌 수 있는 상대가 필요하다. 회계를 배웠으면 가상의 재무제표를 만들어볼 수 있어야 한다. 이론과 실습 사이의 간극을 메우는 것이 이 기능의 핵심이다.
이 다섯 가지가 모두 갖춰진 학습 Agent는 아직 드물다. 대부분의 서비스는 한두 가지만 잘한다. 듀오링고는 기억 강화와 적응형 콘텐츠에 강하다. 칸 아카데미의 코나미고는 적응형 콘텐츠와 실습 환경에 강하다. ChatGPT는 진단과 적응형 콘텐츠에 강하지만 기억 강화가 없다. 다섯 가지를 통합한 Agent를 만드는 것. 이것이 이 영역의 가장 큰 기회다.
7.4 간격 반복 학습 — 140년 된 과학, 이제야 제대로 쓰인다
에빙하우스가 1885년에 발견한 망각 곡선은 단순하다. 새로 배운 것을 아무것도 하지 않으면, 하루 뒤에 약 70%를 잊는다. 일주일 뒤에는 약 80%를 잊는다. 한 달 뒤에는 거의 다 잊는다. 이것은 인간의 결함이 아니다. 뇌의 효율적 작동 방식이다. 쓰지 않는 정보를 버려서 에너지를 절약하는 것이다.
그러나 잊기 전에 복습하면 망각 곡선이 바뀐다. 한 번 복습하면 다음 번에 잊는 데 더 오래 걸린다. 두 번 복습하면 더더 오래 걸린다. 복습 간격을 점점 늘려가면, 결국 장기 기억에 정착한다. 이것이 간격 반복 학습의 원리다.
이 원리를 알고리즘으로 구현한 것이 SM-2다. 1987년 폴란드의 피오트르 보즈니악이 개발했다. 원리는 이렇다. 학습자가 어떤 항목을 복습한 뒤, 자기가 얼마나 잘 기억했는지를 0에서 5까지의 점수로 평가한다. 그 점수에 따라 다음 복습 간격이 결정된다. 잘 기억했으면 간격이 늘어난다. 못 기억했으면 간격이 줄어든다. 이 단순한 규칙이 놀라울 만큼 효과적이다.
앤키(Anki)라는 플래시카드 앱이 이 알고리즘으로 유명하다. 의대생들 사이에서 거의 필수 도구다. 한국에서도 의대생, 약대생, 법학전문대학원 학생들이 많이 쓴다. 2025년 기준으로 앤키의 전 세계 활성 사용자는 약 1,500만 명이다. 무료이고, 오래되었고, 인터페이스가 투박한데도 이 정도다. 그만큼 간격 반복의 효과가 실증적으로 입증되었기 때문이다.
문제는 앤키가 도구일 뿐 Agent가 아니라는 것이다. 사용자가 직접 카드를 만들어야 한다. 직접 분류해야 한다. 직접 복습 일정을 따라야 한다. 모든 것이 사용자의 의지에 달려 있다. 그래서 시작하는 사람은 많지만 계속하는 사람은 적다. 도구는 강력한데 운영 비용이 높다.
AI가 이 운영 비용을 극적으로 줄일 수 있다. 콘텐츠를 자동으로 카드로 변환한다. 학습자의 수준에 맞게 난이도를 조절한다. 복습 시점을 자동으로 알려준다. 학습자는 나타나기만 하면 된다. 나머지는 Agent가 한다.
한국에서 간격 반복 학습을 적용한 대표적 사례는 리멤버(Remember)의 명함 관리와 클래스101의 일부 언어 코스다. 그러나 이 둘 다 간격 반복을 핵심 기능으로 내세우지는 않는다. 미국에서는 Quizlet이 2024년에 AI 기반 간격 반복을 도입해 "Q-Chat"이라는 기능을 만들었다. 전 세계 약 6천만 명의 사용자가 쓰고 있다.
간격 반복은 학습의 가장 강력한 무기인데, 가장 적게 쓰이는 무기다. 이유는 간단하다. 지루하기 때문이다. 새로운 것을 배우는 것은 흥미롭다. 배운 것을 반복하는 것은 지루하다. AI Agent가 이 지루함을 줄일 수 있다면, 학습의 판이 바뀐다.
잠시 멈추고 생각해보자
당신이 지난 1년간 배운 것 중에서 지금 기억나는 것은 몇 퍼센트인가? 복습을 체계적으로 한 것과 그렇지 않은 것의 차이는 어떤가? 만약 AI가 매일 5분씩 복습할 것을 골라준다면, 당신은 그 5분을 쓰겠는가?
7.5 Article Lingua — 내가 직접 만든 학습 Agent
솔직히 말하면, 학습 Agent를 만들겠다고 결심한 것은 대단한 비전 때문이 아니었다. 내가 영어 공부를 제대로 못 해서였다.
나의 시스템에서 만든 Article Lingua는 영어 학습 플랫폼이다. 구조는 단순하다. 이코노미스트와 월스트리트저널 기사를 기반으로 영어를 배운다. 기사를 읽고, 모르는 어휘를 학습하고, 간격 반복으로 복습한다. 여기까지는 평범하다.
차이는 구조에 있다. Article Lingua의 핵심은 LangGraph 4-노드 파이프라인이다.
첫 번째 노드는 기사 분석이다. 기사의 텍스트를 받아서 핵심 어휘, 구문, 표현을 추출한다. 단순한 단어 목록이 아니다. 문맥 안에서의 쓰임새를 함께 뽑는다.
두 번째 노드는 수준 진단이다. 사용자의 이전 학습 이력, 틀린 단어, 복습 성과를 분석해서 현재 어휘 수준을 판정한다. 이 수준에 따라 같은 기사라도 다른 학습 콘텐츠가 생성된다.
세 번째 노드는 콘텐츠 생성이다. 수준에 맞는 퀴즈, 빈칸 채우기, 문맥 추론 문제를 만든다. LLM이 생성하되, 기사 원문을 벗어나지 않도록 제약을 건다. 환각을 막기 위해서다.
네 번째 노드는 복습 스케줄링이다. SM-2 알고리즘을 적용한다. 사용자가 각 어휘를 복습한 뒤 기억 정도를 평가하면, 다음 복습 일자가 자동으로 잡힌다. 잘 기억한 단어는 2주 뒤에 다시 나온다. 못 기억한 단어는 내일 다시 나온다.
이 네 노드가 LangGraph 위에서 순환한다. 사용자가 기사를 한 편 읽을 때마다 이 파이프라인이 한 바퀴 돈다. 학습 이력이 쌓일수록 진단이 정교해지고, 콘텐츠가 개인화되고, 복습 일정이 최적화된다.
만들면서 가장 어려웠던 것은 기술이 아니었다. 학습 설계였다. 어떤 간격으로 복습해야 하는가, 한 번에 몇 개의 단어를 보여줘야 하는가, 틀린 단어를 몇 번까지 반복해야 하는가. 이런 것들은 코딩이 아니라 교육학의 영역이다. 기술과 교육의 교차점에서 설계해야 좋은 학습 Agent가 나온다.
결과는 만족스러웠다. 내부 테스트에서 사용자의 어휘 유지율이 단순 플래시카드 대비 약 2배 높았다. 특히 복습 탈락률이 낮았다. 앤키에서는 한 달 안에 약 절반의 사용자가 복습을 중단하는데, Article Lingua에서는 그 비율이 상당히 낮았다. Agent가 먼저 복습을 제안하기 때문이다. 사용자가 의지를 발휘할 필요가 줄어든다.
이런 시스템을 만드는 데 필요한 기술은 특별하지 않다. LangGraph, 오픈소스 LLM, 기본적인 데이터베이스. 이 책의 4부에서 그 구체적인 방법을 다룬다. 여기서 강조하고 싶은 것은 하나다. 학습 Agent를 만드는 데 가장 중요한 것은 기술이 아니라 학습에 대한 이해다.
7.6 학습 Agent는 콘텐츠 전달자가 아니라 동반자다
학습 Agent를 만들겠다는 사람들이 흔히 저지르는 실수가 있다. 콘텐츠를 더 많이, 더 빠르게, 더 예쁘게 전달하는 데 집중하는 것이다. 강의 영상을 요약해주고, 교재를 정리해주고, 퀴즈를 만들어주는 것. 이것은 좋은 도구이지만, 좋은 Agent는 아니다.
좋은 Agent는 학습자의 상태를 본다.
학습자가 지쳤을 때는 콘텐츠를 줄인다. 학습자가 자신감을 잃었을 때는 쉬운 문제부터 다시 시작한다. 학습자가 한 주제에 오래 갇혀 있을 때는 다른 방향을 제안한다. 학습자가 목표를 잊었을 때는 처음의 동기를 상기시켜준다. 이것이 동반자의 역할이다.
한국의 메가스터디, 대성마이맥 같은 입시 플랫폼이 AI를 도입하고 있다. 2025년 기준으로 메가스터디는 AI 기반 취약점 분석과 맞춤형 문제 추천을 제공한다. 좋은 시도다. 그러나 여전히 "콘텐츠 전달"에 가깝다. 학습자의 상태를 읽고 대응하는 수준까지는 아직 가지 못했다.
반면 미국의 카네기러닝(Carnegie Learning)은 수학 학습에서 학습자의 문제 풀이 과정을 실시간으로 분석한다. 답이 맞았는지뿐만 아니라 어떤 단계에서 얼마나 시간을 쓰는지, 어디서 고민하는지, 어디서 잘못된 경로로 빠지는지를 본다. 그리고 그에 맞춰 힌트의 수준을 조절한다. 이것이 동반자에 가까운 Agent다. 피츠버그 지역 학교에서 실험한 결과, 이 시스템을 쓴 학생이 전통 교육을 받은 학생보다 수학 성취도에서 약 20% 높은 결과를 보였다.
콘텐츠는 도서관에도 있다. 유튜브에도, 위키피디아에도, ChatGPT에도 있다. 콘텐츠 부족이 학습의 병목인 시대는 끝났다. 지금의 병목은 콘텐츠가 아니라 지속이다. 시작하는 사람은 많고, 끝까지 가는 사람은 적다. 코세라의 완강률은 약 5~10%에 불과하다. 열 명이 시작하면 한 명만 끝까지 간다.
지속을 돕는 것. 포기하지 않게 만드는 것. 이것이 학습 Agent의 진짜 가치다. 그리고 이것은 기술만으로는 불가능하다. 인간의 학습 심리에 대한 깊은 이해가 있어야 한다. 좋은 학습 Agent를 만들려면, 좋은 교사가 어떻게 가르치는지를 먼저 관찰해야 한다.
7.7 성장의 시간 — 배움은 목적이 아니라 수단이다
마지막으로 한 가지 짚어야 할 것이 있다. 학습 자체가 목적이 된 시대의 위험이다.
우리는 "배움"을 너무 좋은 것으로만 본다. 평생학습, 자기계발, 성장 마인드셋. 모두 좋은 말이다. 그러나 배움이 목적 없는 수집이 되면 문제가 생긴다. 온라인 강의를 100개 등록하고 3개만 듣는 사람. 책을 50권 사서 5권만 읽는 사람. 자격증을 10개 따고 하나도 쓰지 않는 사람. 이런 사람이 드물지 않다. 배움의 형식을 소비하지만 실제 성장은 일어나지 않는다.
좋은 학습 Agent는 이 함정도 경계해야 한다. 단순히 더 많이 배우게 하는 것이 아니라, 배운 것이 실제로 쓰이는지를 추적하는 것이다. 파이썬을 배웠으면 실제 프로젝트에 적용했는지를 묻는다. 영어를 배웠으면 실제로 영어를 쓰는 상황이 늘었는지를 본다. 학습과 적용 사이의 간극을 좁히는 것. 이것이 "성장 Agent"가 "학습 Agent"와 다른 점이다.
한국에서 패스트캠퍼스, 인프런 같은 실무 교육 플랫폼이 성장한 것은 이 수요를 반영한다. 이론보다 실무, 개념보다 적용. 이 방향은 맞다. 그러나 강의를 듣는 것과 실무에 적용하는 것 사이에는 여전히 큰 간극이 있다. AI Agent가 이 간극에 다리를 놓을 수 있다. "지난주에 배운 SQL 쿼리를 이번 주 업무에 어떻게 적용했는가?" 이 질문을 Agent가 던진다면, 학습은 강의실을 벗어나 일상으로 들어온다.
결국 학습의 목적은 학습 자체가 아니다. 더 나은 일, 더 깊은 이해, 더 넓은 가능성이다. 학습은 수단이다. 그리고 좋은 Agent는 이 수단이 목적지에 닿도록 안내하는 동반자다.
잠시 멈추고 생각해보자
당신이 지난 1년간 등록했지만 완료하지 못한 온라인 강의가 몇 개인가? 완료하지 못한 이유는 시간 부족인가, 동기 부족인가, 적용할 곳이 없어서인가? Agent가 매주 "이번 주에 배운 것을 어디에 적용했는가?"라고 묻는다면, 당신의 학습은 달라질까?
핵심 정리
평생학습은 더 이상 슬로건이 아니다. 직무 기술의 절반이 5년 안에 바뀌는 세상에서, 배움을 멈추는 것은 도태를 의미한다. 그러나 대부분의 학습 환경은 여전히 표준화된 강의에 머물러 있고, 복습은 학습자의 의지에만 맡겨져 있다.
학습의 핵심은 개인화다. 모든 사람은 다른 속도로, 다른 방식으로 배운다. 일대일 과외가 압도적으로 효과적이라는 것은 1984년 블룸의 연구에서 이미 입증되었다. AI Agent가 이 일대일 과외의 비용 장벽을 낮추고 있다.
좋은 학습 Agent는 다섯 가지 기능을 갖춘다. 진단, 경로 설계, 적응형 콘텐츠, 기억 강화, 실습 환경. 이 중 기억 강화의 핵심 도구는 간격 반복 학습(SM-2 알고리즘)이다. 140년 전에 발견된 망각 곡선의 원리를 이제야 AI가 제대로 활용하기 시작했다.
학습 Agent는 콘텐츠 전달자가 아니라 동반자다. 콘텐츠는 이미 넘친다. 부족한 것은 지속이다. 학습자가 포기하지 않게 만드는 것, 배운 것이 실제로 쓰이게 만드는 것. 이것이 학습 Agent의 진짜 가치다.
반드시 답해봐야 할 질문 5가지
질문 1. 당신이 가장 배우고 싶은 것은 무엇인가? 그것을 배우지 못하는 가장 큰 장벽은 시간인가, 방법인가, 동기인가?
질문 2. 학습 Agent가 당신의 약점을 정확히 진단해준다면, 그 결과를 받아들이겠는가? "이 분야에서 당신은 초급 수준이다"라는 피드백을 솔직하게 수용할 수 있는가?
질문 3. 간격 반복 학습을 실제로 해본 적이 있는가? 앤키나 비슷한 도구를 쓴 경험이 있다면, 얼마나 오래 유지했는가? 중단했다면 그 이유는 무엇이었는가?
질문 4. 만약 학습 Agent를 직접 만든다면, 어떤 영역의 학습을 자동화하겠는가? 그 영역을 선택한 이유는 자주 필요해서인가, 혼자 하기 어려워서인가, 시장이 커서인가?
질문 5. 학습과 성장은 같은 것인가? 만약 다르다면, 그 차이를 만드는 것은 무엇인가? Agent가 학습뿐 아니라 성장까지 도울 수 있다고 생각하는가?
더 깊이 탐구하기
헤르만 에빙하우스, 「기억에 관하여(Über das Gedächtnis)」 (1885). 망각 곡선의 원전. 140년이 지난 지금도 학습 과학의 기초다.
벤저민 블룸, "The 2 Sigma Problem" (1984). 일대일 과외와 집단 교육의 성취도 차이를 정량적으로 보여준 고전적 연구.
피오트르 보즈니악, SuperMemo 알고리즘 문서 (supermemo.com). SM-2 간격 반복 학습 알고리즘의 원리와 발전 과정을 상세히 설명한다.
살 칸, 「Brave New Words: How AI Will Revolutionize Education」 (2024). 칸 아카데미 창업자가 AI와 교육의 미래를 다룬 책.
나의 시스템 Article Lingua 백서 (2025). LangGraph 4-노드 파이프라인과 SM-2 알고리즘을 결합한 영어 학습 Agent의 설계와 구현 사례.
다음 장에서는 일곱 영역의 마지막, 창작과 표현으로 들어간다. AI가 인간의 창작을 돕는 것과 대신하는 것의 경계는 어디인가. 그리고 자기만의 목소리를 지키면서 AI를 쓰는 방법은 무엇인가를 본다.