AI 튜터의 성격을 마음대로 바꿀 수 있다면, 수업에 그대로 써도 될까

성격을 실시간으로 바꾸는 AI, 기술적으로 뭐가 달라졌나

예전에는 AI 챗봇의 성격을 바꾸려면 프롬프트에 "친절하게 답해줘"나 "엄격한 선생님처럼 말해줘" 같은 지시문을 넣는 정도가 전부였죠. 그런데 최근에는 프롬프트 대신 모델 내부의 활성화 벡터를 직접 다뤄서 성격을 바꾸는 연구가 나오고 있어요. Feng 등 연구진이 발표한 PERSONA 논문은 활성화 벡터 대수 연산을 이용해, 대화가 진행되는 추론 시점에 여러 성격 요소를 조합해 바꾸는 방법을 다룹니다. 프롬프트로 성격을 바꾸는 기존 방식은 매번 새로 지시문을 써야 하고 결과도 들쭉날쭉했지만, 이 방식은 대화 도중에도 성격 값을 실시간으로 섞을 수 있다는 점에서 다르다고 설명돼요. 성격을 레고 블록처럼 조립한다는 뜻이에요. 이 논문이 동료 심사를 거쳤는지는 아직 확인이 필요해요.

이 기술이 교실에 들어오면 그림은 꽤 매력적이에요. 수줍은 학생에게는 다정한 튜터가, 산만한 학생에게는 단호한 튜터가 실시간으로 붙을 수 있으니까요. 가령 같은 수학 문제를 풀다가 자꾸 틀리는 학생에게는 차분히 단계를 짚어주는 성격으로, 이미 잘 따라오는 학생에게는 도전 과제를 던지는 성격으로 곧바로 바뀔 수 있다는 상상도 가능해지죠.

몰입은 오르는데, 근거는 안 보인다면

문제는 여기서 시작돼요. 성격이 왜 그렇게 바뀌었는지 학습자도 교사도 알기 어렵다는 점이죠. 예를 들어 어떤 학생에게는 유독 칭찬이 많은 튜터가 붙고, 다른 학생에게는 유독 채근하는 튜터가 붙는다면, 그 차이가 학습 데이터 기반의 최적화 때문인지 우연인지 구분할 수 없어요. 학생 입장에서는 어제는 부드럽던 튜터가 오늘은 냉정하게 느껴진다면, 그 변화가 자신의 태도 때문인지 시스템의 임의 조정 때문인지 구분할 길이 없다는 점도 신뢰를 흔드는 요인이에요. 짧게 말해, 원인 불명이에요. 평가 국면에서는 더 예민해집니다. 같은 과제를 풀어도 튜터의 격려 방식이 다르면 학생이 받는 힌트의 양과 질도 달라지고, 이는 결과적으로 평가 공정성 문제로 이어질 수 있어요. 특히 성적이나 진학처럼 결과가 남는 평가라면, 이런 편차는 사소한 배려의 차이가 아니라 기회의 차이로 이어질 수 있어요.

"개인 맞춤형 교육의 지름길"이라는 반론

물론 반론도 있어요. 성격을 자유롭게 조정할 수 있는 AI 튜터야말로 학습자 개개인의 성향에 맞춘 교육을 가장 빠르게 실현하는 길이라는 주장이죠. 내향적인 학생과 외향적인 학생에게 똑같은 톤으로 말하는 게 오히려 비효율적이라는 논리도 일리가 있습니다. 실제로 학습자마다 이해 속도와 정서적 반응이 다르다는 점을 생각하면, 하나의 고정된 톤을 모두에게 적용하는 쪽이 오히려 더 게으른 설계일 수 있다는 지적도 새겨들을 만해요. 다만 그 조정이 어떤 기준과 어떤 데이터로 이뤄지는지 공개되지 않는다면, 맞춤형 교육이 아니라 불투명한 차등 대우로 흐를 위험도 함께 커져요. 그렇다고 해도 그 유연함이 어떤 원칙으로 작동하는지 학생과 교사에게 투명하게 보이지 않는다면, 맞춤형이라는 말은 결과를 사후에 정당화하는 말로 쉽게 바뀔 수 있어요.

수업에 들이기 전에 확인해야 할 세 가지

지금 무료로 쓸 수 있는 챗봇 대부분은 성격 조정 기능이 프롬프트 수준에 머물러 있어요. PERSONA 같은 활성화 벡터 조작 방식은 아직 연구 단계에 가깝고요. 상용 서비스에 곧바로 적용됐다고 단정하기는 어렵죠. 무료 계정 기준으로는 대개 성격이나 어조를 프롬프트로 지정하는 정도까지만 지원되고, 그 이상의 실시간 조정은 유료 기능이나 별도 개발이 필요한 경우가 많아요. 그래서 교실에서 당장 해볼 수 있는 확인 작업은 세 가지 정도예요. 첫째, 같은 질문을 시간대를 바꿔 반복해 던져보고 톤이 얼마나 흔들리는지 기록하는 거예요. 둘째, 학생별 답변 스타일을 모아두고 편차가 특정 집단에 쏠리는지 비교하는 거예요. 셋째, 평가에 쓰는 대화에서는 성격 조정 기능을 끄거나 고정값으로 통일하는 거예요. 이렇게 모은 기록은 거창한 통계가 아니어도 괜찮아요. 며칠만 쌓아도 튜터의 성격이 누구에게 더 관대하고 누구에게 더 엄격한지 어렴풋이 드러나거든요. 도구를 학생보다 먼저 써보고 어디서 흔들리는지 눈으로 확인하는 습관이, 결국 신뢰를 지키는 길이에요. 그 작은 확인들이 쌓이면, 교실에서 AI를 믿고 쓸 근거도 함께 쌓이는 셈이에요.

참고 자료

• Towards Miniature Humanoid Tele-Loco-Manipulation Using Virtual Reality and Reinforcement Learning — arxiv.org, 2026-07-22 발행
• 3 Google updates from Galaxy Unpacked 2026 — blog.google, 2026-07-22 발행
• Notes to Self: Can LLMs Benefit from Experiential Abstractions? — arxiv.org, 2026-07-22 발행

본문 집필에 참고한 공개 자료입니다. 접속 확인일: 2026-07-24.