AI 아바타가 대학 교수를 대체할 수 있을까? 2026년의 AI 강사 내부를 들여다보다

2025년 10월, Georgia Tech 컴퓨터과학 온라인 석사의 수석 학습 아키텍트가 학생들에게 새 조교를 소개했습니다. 그 조교의 이름은 DAI-vid였고, 데이비드 조이너 교수와 똑같이 생겼고, 똑같이 들렸으며, 17개 언어로 24시간 가용했습니다. DAI-vid와 인간 교수 사이에는 한 가지 차이가 있었습니다: DAI-vid는 AI 아바타였고, 조이너의 수년치 녹화 강의와 사무실 시간으로 파인튜닝되어, 이전에는 인간의 답변을 기다려야 했던 학생 질문을 처리하기 위해 edX 플랫폼 전반에 배치되었습니다.

DAI-vid는 예외가 아니었습니다. 2025-2026 학년도 말까지 AI 아바타 강사들은 Boise State University(인간 강사의 AI 아바타가 가르치는 전체 비동기 강의), University of Miami(자신의 24/7 다중 언어 AI 버전을 가진 CS 교수), University of Virginia(2025년 가을 시작 Cognitive Science-Based Learning Hub에 배치된 아바타), Morehouse College(조교로서 각 교수와 닮은 디지털 아바타), 그리고 같은 모델을 실험하는 점점 늘어나는 온라인 교육 플랫폼 목록에 배치되었습니다. Section AI는 자사 비즈니스 교육 플랫폼에서 「최초의 AI 아바타 교수」라 부른 것을 출시했습니다. K-8 등록에 연 75,000달러까지 부과하는 텍사스 기반 Alpha School 네트워크는 인간 교사 없이 — 감독과 동기 부여를 위한 성인 「가이드」만으로 — 하루 두 시간 AI 소프트웨어로 모든 학업 수업을 진행합니다.

도발적 질문은 더 이상 AI 아바타가 가르칠 수 있느냐가 아닙니다. 지금 당장, 알아볼 만한 기관에서, 등록금을 내는 학생들에게 가르치고 있습니다. 중요한 질문은 AI 아바타가 의미 있는 의미에서 인간 교수를 대체할 수 있느냐 — 단지 콘텐츠를 전달하는 것이 아니라 학습, 멘토링, 판단, 그리고 대학 학위가 인증해야 하는 종류의 지적 변환을 만들어내는 것 — 입니다. 이 글은 첫 배치 물결의 증거, AI 아바타가 진정으로 뛰어난 곳, 체계적으로 실패하는 곳, 그리고 2026년과 그 이후 그들에 대한 현실적 역할이 어떻게 보일지를 살펴봅니다.

실제로 일어나고 있는 일: 2026 AI 강사 둘러보기

배치는 각각 다른 목표와 제약을 가진 세 범주로 군집됩니다.

• AI 조교. 인간 교수가 강의 책임자로 남습니다. AI 아바타는 수업 시간 외 학생 질문을 처리하고, 기본 명료화에 답하고, 학생들을 사전 자료를 통해 안내하고, 인간 교수에게 우선순위 높은 문제를 표면화합니다. 이는 2026년의 지배적 모델입니다. 예: Miami의 CS 교수 아바타, Morehouse의 디지털 교수 아바타, Georgia Tech의 조이너 DAI-vid. 보고된 학생 만족도는 높습니다; 아바타는 인간을 루프에서 제거하지 않고 교수 시간 병목을 줄입니다.
• AI 책임 강사. 아바타가 전체 강의의 주요 교수 존재이며, 인간 교수진은 종종 전달이 아니라 설계 수준에서 커리큘럼과 채점을 감독합니다. Boise State의 Applications of Artificial Intelligence가 가장 자주 인용되는 예입니다: 강사의 이전 가르침에서 만들어진 AI 아바타에 의해 완전히 전달되는 비동기 AI 윤리 강의. Section AI는 비즈니스 교육 플랫폼에서 유사한 모델을 운영합니다. 이 배치들은 더 새롭고(대부분 2026년 파일럿 단계), 학습 결과 데이터는 예비적입니다.
• AI가 교수진을 대체하는 기관. Alpha School 네트워크가 두드러진 예입니다. 모델: 전통적인 교사 없이 학생들이 하루 두 시간 적응형 AI 소프트웨어로 학업 수업을 합니다. 건물 안의 성인들(「가이드」라 불림)이 동기 부여, 행동 감독, 비학업 풍요화를 제공합니다. 등록금은 연 40,000-75,000달러이고, 네트워크는 2025-2026년 여러 도시로 확장했습니다. Alpha는 학생들이 「2시간 안에 2배」 학습한다고 주장합니다. 그 주장은 도전받았습니다. 학습 결과의 독립적 검증은 2026년 중반 현재 발표되지 않았습니다.

이 모델 각각은 지금 프로덕션에서 테스트되고 있습니다. 아래 결론들은 첫 배치 물결, AI 튜터링 시스템을 따라잡은 학습 결과 연구(특히 Khan Academy의 Khanmigo 작업 — 규모에서 가장 가까운 유사물), 그리고 이 프로그램을 운영하는 기관의 교수진과 학생들에게 보이는 운영 현실에서 옵니다.

AI 아바타가 진정으로 뛰어난 곳

AI 아바타를 통째로 일축하는 것은 지적으로 정직하지 않을 것입니다. 그들은 몇 가지 특정 차원에서 인간 강사를 진정으로 능가하며, 어떤 정직한 분석도 거기서 시작해야 합니다.

• 가용성. AI 아바타는 학생이 자정 마감 과제에 마침내 손을 대는 새벽 2시에 깨어 있습니다. 어떤 인간 조교도 번아웃 없이 이에 필적할 수 없습니다. 도움을 위한 대기 시간 감소는 온라인 강의에서 학생 지속의 가장 강력한 예측 변수 중 하나이며, AI 아바타가 이를 극적으로 개선합니다.
• 다중 언어 도달. Georgia Tech의 DAI-vid는 17개 언어로 작동합니다. 영어 프로그램의 국제 학생들에게 모국어로 질문하는 것과 자신의 혼동을 제2 언어로 번역하는 것의 차이는 도움을 받는 것과 받지 않는 것의 차이입니다. AI 아바타는 인간 교수진이 현실적으로 할 수 없는 방식으로 이 장벽을 제거합니다.
• 규모에서의 인내심. AI 아바타는 첫 질문자에게 준 같은 보살핌으로 천 번째에도 같은 기본 질문에 답할 것입니다. 인간 강사는 아무리 선의를 가졌더라도 이 속성을 갖지 않습니다. 같은 한 줌의 오해가 매 학기 재발하는 입문 강의의 경우, 모든 혼동된 학생을 표준 설명으로 안내하는 아바타는 실제 교육적 가치를 가집니다.
• 개인화된 페이싱. Khan Academy의 Khanmigo 데이터, 규모에서 가장 가까운 대규모 유사물이, 이로부터 명확한 이득을 보여줍니다. 200개 학교 15,000명 학생의 2026 파일럿은 매주 최소 30분 Khanmigo와 상호작용한 학생들이 전통적 수업의 추가 2-3주에 해당하는 학습 이득을 보여주었음을 발견했습니다. SRI International의 2025 연구는 전통적 비디오 수업 대비 23% 더 빠른 대수 개념 숙달을 발견했습니다.
• 당혹스러움 없는 보충. 전제 조건을 이해하지 못했음을 인정하기 위해 결코 손을 들지 않을 학생이 망설임 없이 AI 아바타에게 물을 것입니다. 이는 특히 문화적 배경이나 성격이 공개적 도움 요청을 비싸게 만드는 학생들에게 실제 교육적 이득입니다.
• 일관성. 아바타는 6개월 전에 준 질문 Q에 대한 같은 답을 오늘 주고 6개월 후에도 줄 것입니다. 인간 강사는 표류하고, 맹점을 발전시키거나, 단순히 나쁜 날이 있습니다. 콘텐츠 전달의 경우 일관성은 기능입니다.

이 각각이 정당한 이점입니다. 질문은 AI 아바타가 교육에서 유용한 일을 할 수 있느냐가 아닙니다. 분명히 할 수 있습니다. 질문은 그들이 할 수 없는 것이 인간 교수를 제거할 수 없을 만큼 충분히 중요한지입니다.

AI 아바타가 체계적으로 실패하는 곳

실패 모드는 무작위가 아닙니다. 다섯 영역에 군집하고, 각각이 인간 교수가 독특하게 제공하는 무언가를 가리킵니다.

• 모호함 하에서의 판단. 한 학생이 자기 학위 논문 주제에 대한 모호한 걱정과 어쩌면 대학원에 맞지 않을 수도 있다는 제안과 함께 사무실 시간에 도착합니다. 인간 교수는 상황을 읽고, 두 가지 구체적 질문을 하고, 실제 문제가 지도교수의 가혹한 피드백 뒤의 자신감 붕괴임을 인식하고, 교육적으로 그리고 개인적으로 개입합니다. AI 아바타는 표면 질문(논문 주제 방법론)을 유능하게 처리하고 실제 개입 지점을 완전히 놓칩니다. 학생은 기술적으로 정보를 얻고 개인적으로 도움 없이 사무실 시간을 떠납니다.
• 시간에 걸쳐 축적되는 멘토링. 진정한 멘토링은 수개월과 수년에 걸친 수십 번의 작은 상호작용의 누적 결과입니다 — 이 학생이 CS3에서 분산 시스템에 흥미를 가졌음을 기억하고, CS4에서 특정 논문을 추천했으며, 이제 시니어 학년에 연구 기회를 제안할 위치에 있는 교수. AI 아바타는 대화 메모리에서 개선되고 있지만, 인간 멘토가 신뢰성 있게 수행하는 교차 맥락, 교차 연도, 교차 도메인 통합은 도달 범위 밖에 남아 있습니다. 고용되고, 최고 PhD 프로그램에 들어가고, 특이한 기회를 얻는 졸업생들은 인간 멘토가 보고 옹호한 졸업생들이 불균형적으로 많습니다. 어떤 아바타도 아직 이를 하지 못했습니다.
• 보정된 권위. 학생이 주요 결정을 내릴 때 — 전공 변경, 강의 포기, 휴학 — 인간 교수의 추천 무게는 부분적으로 교수가 게임에 살을 가졌다는 사실에서 옵니다. 그들은 이 학생을 다시 볼 것입니다. 조언이 틀렸다면 당황할 것입니다. 동료들에게 책임이 있습니다. 아바타의 추천은 학생이 아바타가 결과를 느끼지 않을 것을 알기에 기술적으로 더 나을 때도 같은 무게를 갖지 않습니다. 이는 엔지니어링해야 할 버그가 아닙니다; AI가 재현할 수 없는 인간 책임의 특성입니다.
• 방 읽기. 가장 중요한 가르침의 일부는 강사가 어제 도출의 세 번째 단계에서 수업이 혼란스러워졌음을, 참여도가 방금 떨어졌음을, 뒤편의 똑똑한 학생이 묻기 두려워하는 질문이 있음을 알아차릴 때 일어납니다. 이는 그룹 역학의 실시간, 다중 채널 인식입니다. 2026년의 AI 아바타는 이를 전혀 하지 않습니다. 대기열에 있는 일대일 쿼리를 처리합니다.
• 새 지식 생성. 연구 대학 모델은 가르치는 사람이 또한 다음 세대 지식을 만드는 연구를 하는 사람들이라는 명제에 기반합니다. 과거 작업에서 훈련된 AI 아바타는 아직 존재하지 않는 연구를 생성할 수 없습니다. 과거 교수진의 작업에서 훈련된 아바타로 교수진을 완전히 대체한 대학은 자신을 지식 분배 기관으로 환원시켰습니다. 지식 생성 기관이 되기를 멈췄습니다.

이는 교수직을 방어하기 위해 발명된 철학적 우려가 아닙니다. 2026년의 모든 진지한 배치가 AI 아바타를 교수진의 보완으로 구조화한 운영적 이유입니다, 그들의 대체로가 아니라. 가장 공격적인 배치조차 — Boise State의 전체 강의 아바타, Alpha School의 K-8 프로그램 — 아바타 위 수준에서 인간 구조를 유지합니다(커리큘럼 설계자, 가이드, 기관 감독). 질문은 사람을 루프에 두느냐가 아닙니다. 사람이 어느 고도에서 작동해야 하느냐입니다.

학습 결과 연구: 우리가 실제로 아는 것

AI 튜터링에 대한 경험적 증거는 진정으로 흥미롭고, 옹호자나 회의론자가 보통 제시하는 것보다 더 미묘합니다. 지난 18개월의 발표된 연구에서 세 발견이 두드러집니다.

Khanmigo 증거가 가장 엄격합니다. Khan Academy의 테스트 인프라는 AI 튜터링을 위한 산업 규모 RCT에 가장 가까운 것입니다. 그들의 내부 발견(2026년 4월 How Khan Academy Is Building a Better AI Tutor에 발표)은 수십만 튜터링 스레드의 엄격한 A/B 테스트를 포함합니다. 발견은 긍정적이지만 적당합니다: 대화 로그 통합이 인지적 참여를 5.09% 개선(99.4% 신뢰), 학생 문제 해결 이력 요약이 다음 항목 정확성을 3.4% 개선. 이들은 실제 이득이고 누적되지만, 마케팅 자료가 때로 주장하는 「2X 학습」 수치는 아닙니다.

외부 검증은 혼합되어 있습니다. 2025년 초 MSU의 AI 튜터링 소프트웨어 파일럿은 모든 조건에서 유의한 학습 이득을 발견했지만 학습 결과 측면에서 AI와 비 AI 그룹 간 통계적으로 유의한 차이는 없었습니다. 학생들은 AI를 긍정적으로 인식했지만, 인식이 항상 측정 가능한 결과 이득으로 번역된 것은 아닙니다.

가장 큰 주장이 가장 적게 검증되어 있습니다. Alpha School의 「2시간 안에 2배」 헤드라인 주장은 독립적 감사나 동료 검토를 거치지 않은 내부 분석에 전적으로 의존합니다. DeepLearning.ai 뉴스레터의 연구자들은 2026년 1월 분석에서 외부 검증의 부재를 언급했습니다. CBC News는 모델에 대한 주의를 촉구하는 캐나다 교육 전문가들을 다뤘습니다. 주장은 사실로 밝혀질 수도, 부분적으로 사실일 수도, 마케팅 부풀림일 수도 있습니다; 지금 중요한 것은 AI 주도 수업에 대한 결정을 내리는 기관들이 그 결정을 근거할 엄격한 결과 데이터를 갖지 않는다는 것입니다.

2026년 중반 증거의 정직한 독해: AI 튜터링은 통제된 테스트에서 작은-에서-중간 정도의 측정 가능한 학습 이득을 만들고, 이득은 지속적 투자를 정당화할 만큼 견고해 보이며, 가장 크게 마케팅된 주장은 그것을 지원하는 증거를 앞서 갑니다. 보완으로서의 AI: 경험적으로 지원됨. 대체로서의 AI: 여전히 추측적입니다.

왜 정직한 답이 '아직은 아니고, 어쩌면 결코는 아니다'인가

이 공간의 연구자들이 AI 주도 교육의 궤적에 대해 사적으로 이야기할 때, 대화는 종종 두 종류의 가르침 사이의 구분으로 향합니다. 첫 종류는 콘텐츠 전달과 일상적 보충입니다: 개념 설명, 학생을 절차로 안내, 흔한 질문에 답, 같은 설명의 인내심 있는 반복. AI는 이미 이를 매우 잘하고 더 잘할 것입니다.

두 번째 종류는 지적 변환입니다: 학생이 학문 내 사상가로서의 정체성을 형성하도록 돕고, 학생이 자기 안에서 아직 인식하지 못한 잠재력을 인식하고, 학습자가 유능에서 독창으로 이동하는 모호한 전환을 탐색하고, 그들을 자기 분야의 사회적 직물과 연결하기. 이는 좋은 대학들이 최선일 때 항상 해온 것이며, 2026년의 AI가 전혀 하지 않는 것입니다. 흥미로운 질문은 그것이 언젠가는 할 것인가, 아니면 변환 작업이 자신이 학생이 입회되는 지적 공동체의 구성원인 인간에 본질적으로 의존하는가입니다.

배치를 면밀히 관찰한 18개월 후 우리 자신의 견해: 변환 작업은 본질적으로 인간적이며, 장기적으로 성공하는 배치는 이를 옳게 만드는 배치일 것입니다. 성공적인 2030 대학은 콘텐츠 전달, 보충, 일정, 다중 언어 도달, 24/7 가용성에 AI를 많이 사용할 것입니다. 판단, 책임, 멘토링, 존재가 필요한 것들에 인간 교수진을 보존할 것입니다. 실패한 버전 — 우리가 다음 몇 년 안에 가시적으로 실패할 것으로 예상하는 버전 — 은 인간 교수를 완전히 제거하고, 비용을 최적화하며, 5년 코호트 연구에서 졸업생이 기술적으로 정보가 있지만 직업적으로 형성되지 않았음을 발견하는 버전입니다.

실제로 부상하는 하이브리드 모델

2026년에 작동하는 것은 AI와 인간 교수진 사이의 계층화된 노동 분업입니다. 좋은 결과를 얻는 기관들 전반에서 패턴이 일관됩니다.

• 계층 1 (AI 아바타가 자율적으로 처리): 일상적 콘텐츠 질문, 전제 조건 보충, 기술적 명료화, 일정, 표준 절차 안내, 초안에 대한 기본 피드백. 여러 언어로 24/7 가용. 아바타는 자신 있게 처리할 수 없었던 쿼리를 인간 교수에게 보고합니다.
• 계층 2 (AI 아바타가 인간 검토와 함께 처리): 과제에 대한 초기 피드백(아바타가 초안 비평을 만들고, 인간 교수가 보내기 전에 검토하고 편집). AI가 루브릭 적용을 처리하고 인간이 비준하는 구조화된 과제 채점. 아바타가 흔한 질문을 처리하고 진정으로 새로운 것을 전달하는 사무실 시간 분류.
• 계층 3 (인간 교수만): 개인 멘토링 대화. 주요 결정 지원(전공 변경, 대학원 추천, 진로 조언). 연구 프로젝트 감독. 위기 개입. 책임과 판단이 필요한 어려운 사례.
• 계층 4 (도구로서 AI를 가진 인간 교수): 커리큘럼 설계(AI가 초안을 돕고, 인간이 결정), 연구(AI가 문헌 검토를 돕고, 인간이 실제 연구를 만듦), 평가 설계(AI가 문제 생성을 돕고, 인간이 큐레이트하고 검증).

이 노동 분업은 인간 전용 작업이 중요한 곳을 보존하면서 콘텐츠 전달 작업에 대해 단일 교수의 대역폭을 대략 5-10배 곱합니다. 여러 기관이 계층 1과 계층 2 대부분을 AI 처리로 옮김으로써 품질 저하 없이 훨씬 더 큰 학생-교수진 비율을 지원할 수 있다고 보고합니다. 비용 절감은 더 낮은 등록금, 또는 계층 3 작업에서 더 나은 교수진-학생 비율, 또는 둘 다로 나타납니다. 이것이 다음 5년에 이길 모델입니다.

이 모델이 하지 않는 것은 인간 교수 대체입니다. 인간 교수가 시간을 보내는 것을 재구조화합니다. 이 프로그램에서 졸업하는 학생들은 2020년 학생들과 다르게 인간 교수와 상호작용합니다: 콘텐츠 전달에 더 적은 시간, 인간 교수가 독특하게 위치한 개인적, 판단적, 변환적 작업에 더 많은 시간. 이는 다운그레이드가 아닙니다. 대부분의 학생에게 상당한 업그레이드입니다.

지금 결정하는 프로그램에 이것이 의미하는 것

AI 아바타 배치를 고려하는 행정관이나 학과장이라면, 지난 1년간 이 결정이 펼쳐지는 것을 본 데서 나온 세 가지 실용적 지침.

• 계층 3이 아니라 계층 1에서 시작하세요. 작동한 배치는 아바타가 수업 시간 외 일상적 콘텐츠 질문을 처리하는 것에서 시작했습니다. 어려움을 겪은 배치는 기저 기술이 준비되기 전에 아바타가 평가, 채점, 또는 멘토링 기능을 맡는 것에서 시작했습니다. 이론적 능력이 아니라 관찰된 성능에 기반해 아바타가 확장된 책임을 얻도록 배치를 시퀀싱하세요.
• 아바타와 함께 검증 계층을 구축하세요. 아바타가 학생들에게 코드로 도움을 줄 것이라면, 기관은 어떤 제출이 실제로 학생 작업이고 어떤 것이 아바타의 것인지 검증할 수 있어야 합니다. Plagly.ai 같은 도구가 글로 된 작업과 코드를 위해 이 검증 역할을 제공하며, 검증을 배치하지 않고 AI 튜터링을 배치하는 기관은 나중에 진단할 수 없는 평가 실패에 자신을 노출합니다.
• 교수진 대화를 신중하게 계획하세요. 아바타 배치는 교수진이 설계의 파트너일 때 성공하고 기정사실로 아바타를 제시받을 때 실패합니다. 교수진은 기술 팀이 모르는 가르침에 대한 것들을 압니다. 교수진 전문성을 극복해야 할 저항이 아니라 배치에 대한 입력으로 다루세요. 2025-2026년에 이를 한 기관들이 지금 성공적 배치를 가진 곳입니다.

근본적 질문은 AI가 대학에 있을 것인가가 아닙니다. 있습니다. 이미 있습니다. 질문은 어떤 역할을 하고 인간 교수진이 어떤 역할을 하는가이며, 그 노동 분업에 대해 신중한 결정을 내리는 기관들이 어느 극단에 도달하려는 기관들을 능가할 것입니다. 2026년에 「AI 아바타가 대학 교수를 대체할 수 있는가」에 대한 답은 정직합니다: 교수가 하는 일의 일부를 대체할 수 있고, 가장 중요한 부분은 대체할 수 없으며, 그 문장의 두 절반을 모두 내면화한 대학들이 한 쪽만 내면화한 대학들보다 더 잘 교육받은 졸업생을 만들어낼 것입니다.

자주 묻는 질문

멘토링이 이미 최소인 완전 온라인, 비동기 강의에서 AI 아바타가 교수를 대체할 수 있나요?

원칙적으로 네, 그리고 여러 파일럿 프로그램이 2026년에 이를 테스트하고 있습니다. 성공은 강의가 주로 콘텐츠 전달인지(아바타가 처리할 수 있음) 아니면 실질적 피드백과 지적 변환을 포함하는지(아바타가 일부 처리, 인간 여전히 필요)에 크게 의존합니다. Boise State의 배치가 가장 주목받는 예입니다. 2026년 중반의 정직한 답은 우리가 유망한 파일럿 데이터를 가지고 있지만 아직 다년 졸업생 결과 데이터는 가지고 있지 않다는 것입니다. 이 모델을 배치하는 프로그램은 종단적 추적에 헌신하고 졸업생 결과가 실제로 보이는 것에 따라 경로를 수정할 준비가 되어야 합니다.

AI 아바타가 대학 비용을 줄일까요?

콘텐츠 전달과 일상적 지원에는 아마 그렇겠지만, 절감은 벤더 피치가 시사하는 것보다 작습니다. 아바타가 할 수 없는 인간 작업이 가장 잘 확장되지 않는 작업이기 때문입니다. 연구 집약적 대학의 가장 큰 비용은 연구 인프라와 시니어 교수진 시간이며, 어느 것도 아바타가 대체하지 않습니다. 교수 집약적 기관은 일상적 수업에서 의미 있는 비용 감소를 볼 수 있지만, 현실적 시나리오는 산업 분석에서 때로 인용되는 50%+ 수치가 아니라 일반적 학부 프로그램에서 대략 15-30%의 수업 비용 감소입니다. 절감은 주로 헤드라인 등록금 인하가 아니라 계층 3 작업에서 더 나은 학생-교수진 비율로 나타납니다.

AI 아바타가 가르치는 강의에서 학문 정직성은 어떻게 되나요?

더 중요해지지, 덜 중요해지지 않으며, 다른 도구가 필요합니다. AI 아바타가 주요 강사일 때, 기관은 학생 작업을 아바타 출력, 학생의 다른 AI 사용, 그 둘의 조합과 구별할 수 있는 검증 메커니즘이 필요합니다. Plagly.ai 같은 탐지 도구는 선택이 아니라 운영적으로 중요해집니다. 통합 검증 없이 AI 주도 강의를 운영하는 기관은 대부분이 아직 명확히 생각해보지 못한 위험을 감수하고 있습니다.

학생들이 AI 아바타 강사에 만족하나요?

보고된 만족도는 특히 계층 1 사용 사례(24/7 가용성, 다중 언어 지원, 인내심 있는 보충)에 대해 높습니다. 아바타가 잘 못하는 일 — 창의적 작업에 대한 실질적 피드백, 멘토링 대화, 학업 방향에 대한 판단 결정 — 을 하라고 요청받을 때 만족도가 떨어집니다. Khanmigo 질적 발견은 학생들이 AI가 잘하는 것에 대해 긍정적으로 인식한다는 것을 일관되게 보여줍니다. 인간이 독특하게 잘하는 작업에 대해 학생들이 인간 교수진보다 AI를 선호하는 것은 아직 보여주지 않습니다. 이 패턴은 수년간 안정적으로 남을 가능성이 큽니다.

전적으로 AI로 운영되는 '«AI 대학»'이 성공할까요?

이것의 어떤 버전이 다음 몇 년 안에 진지하게 시도될 것이고, 어떤 버전은 괜찮아질 졸업생을 만들고 어떤 것은 그러지 못할 것입니다. 변동은 기관이 AI가 일상적 수업을 처리함으로써 자유로워진 인적 자원으로 무엇을 하느냐에서 올 것입니다. 그 능력을 더 깊은 멘토링, 학생을 위한 더 많은 연구 기회, 더 정교한 변환적 작업에 재투자하는 기관들은 우수한 졸업생을 만들 것입니다. 주로 비용을 줄이고 등록을 늘리기 위해 AI 능력을 사용하는 기관들은 기술적으로 정보가 있고 직업적으로 형성되지 않은 졸업생을 만들 것이며, 5-10년 졸업생 결과 연구에서 결과를 발견할 것입니다. 기술이 결정 요인이 아닙니다. 기술 주변의 기관 설계 결정이 결정 요인입니다.