대학 AI 기본교육은 교양 과목 하나가 아니라 운영모델이다

오늘의 핵심

교육부와 한국대학교육협의회가 2026년 7월 14일 세종대 대양AI센터에서 ‘2026년 대학 인공지능(AI) 기본교육과정 개발 지원사업’ 출범식을 열었다.¹ 한국대학신문 보도에 따르면 20개 참여대학 관계자 70여 명이 모였고, 사업은 2년 동안 대학당 총 3억 원을 지원하는 방식으로 시작된다.²

이 사업을 단순히 “AI 교양 과목을 몇 개 더 만드는 일”로 보면 작게 읽는 것이다. 대학컨설팅 관점에서 핵심은 [[AI 기본교육]]을 대학 전체의 [[교육과정 운영모델]]로 전환할 수 있느냐다. 교육부 보도자료는 모든 대학생이 전공과 관계없이 AI 기본 역량을 갖추도록 지원한다고 설명했다. 특히 AI 교양, 비공학계열 AI 활용 소단위 전공, 비전공 교·강사의 AI 역량 강화, 다른 대학으로의 공유·확산이 함께 제시됐다.

오늘의 신호는 분명하다. AI 교육은 더 이상 컴퓨터공학과나 소프트웨어학부의 전유물이 아니다. 경영학, 사회복지, 간호, 항공서비스, 한국어교육, 패션디자인, 공연예술, 호텔항공외식경영 같은 전공에서 AI를 어떻게 수업·프로젝트·평가·포트폴리오로 번역할 것인지가 대학경영의 과제가 됐다.

왜 대학전략 관점에서 중요한가

이번 사업에는 수도권 6개교와 비수도권 14개교가 참여한다. 교육부 보도자료에 적힌 참여대학 명단을 보면 덕성여대, 동국대, 서울여대, 세종대, 용인대, 한국외대뿐 아니라 건국대 GLOCAL, 경운대, 국립경국대, 국립한밭대, 동국대 WISE, 동명대, 동서대, 동신대, 동의대, 부산외대, 송원대, 전주대, 창신대, 한라대가 포함됐다.¹

이 구성이 흥미로운 이유는 AI 교육의 표준 모델을 한두 유형의 대학만으로 만들 수 없다는 점을 보여주기 때문이다. 종합대학, 지역대학, 예체능·보건·인문사회 계열이 섞여 있다. 결국 과제는 “AI 전공자를 얼마나 더 키울 것인가”가 아니라 “각 전공의 언어로 AI를 어떻게 쓸 수 있게 할 것인가”다.

대학전략에서 이것은 꽤 큰 전환이다. 그동안 많은 대학의 AI 전략은 전담 학과 신설, SW중심대학, 산학협력 프로젝트, 비교과 특강으로 나뉘어 있었다. 그런데 이번 사업은 [[비공학계열 AI교육]]을 전면에 둔다. 이는 대학이 AI를 특정 부서의 사업이 아니라 전공교육 전체의 기초 문법으로 다뤄야 한다는 뜻이다.

정책·교육과정·지역연계 포인트

첫째, 교양과 전공의 연결이 핵심이다. AI 교양 과목을 만드는 것만으로는 학생의 역량이 오래 남기 어렵다. 교양에서 배운 프롬프트, 데이터 이해, 모델 한계, 윤리 기준이 전공 수업의 과제와 이어져야 한다. 예를 들어 사회복지학에서는 사례관리 문서와 데이터 윤리, 식품영양학에서는 식단 데이터 분석, 항공서비스무역학에서는 고객경험 분석, 패션디자인에서는 생성형 도구를 활용한 디자인 실험으로 이어질 수 있다.

둘째, 교수역량 강화가 성패를 가른다. 교육부는 교수학습개발센터 등을 전담기구로 지정하고 비전공 교·강사의 AI 역량 강화 프로그램을 운영하도록 제시했다. 이 대목이 중요하다. AI 기본교육은 학생만의 문제가 아니라 [[교수역량 개발]]의 문제다. 강사가 도구를 불안해하거나 평가 기준을 세우지 못하면, 수업은 “AI를 써도 되는가”라는 혼란에서 멈춘다.

셋째, 소단위 전공은 보여주기용 이름보다 실제 이수경로가 중요하다. 보도자료는 AI 활용 소단위 전공 과정을 개발·운영하고 공유·확산을 추진한다고 밝혔다. 여기서 소단위 전공이 살아나려면 학생이 어느 학기에 어떤 과목을 듣고, 어떤 프로젝트를 수행하고, 어떤 결과물을 학생 포트폴리오로 남기는지가 선명해야 한다. 이름만 멋진 마이크로디그리는 학생에게 경로가 되지 않는다.

넷째, 비수도권 대학에는 지역산업 연계와 붙일 여지가 크다. 예컨대 보건·재활·소방·호텔관광·콘텐츠·한국어교육 같은 분야는 지역의 산업·공공서비스·문화관광 전략과 연결될 수 있다. AI 교육이 지역 기업의 데이터, 공공기관의 문제, 병원·복지기관·관광조직의 현장과 만나면 지역정주와 취업 경로까지 설명할 수 있다.

학생·학부모가 확인할 것

학생과 학부모는 “AI 과목이 있다”는 문구만 보지 말고, 그 과목이 전공과 어떻게 이어지는지 확인해야 한다. AI 교양 1과목을 들은 뒤 전공에서는 아무 변화가 없다면 체감 효과는 작다. 반대로 전공 필수·선택 과목 안에 데이터 과제, 현장 문제 해결, 생성형 AI 활용 기준, 윤리와 저작권 규칙, 결과물 기록이 들어가면 학생의 경험은 훨씬 구체적이 된다.

확인할 질문은 네 가지다. 첫째, 우리 전공 학생이 AI를 어디에 쓰는가. 둘째, 그 활용이 과제 한 번으로 끝나는가, 아니면 학년별로 누적되는가. 셋째, 교수자가 평가 기준과 사용 규칙을 갖고 있는가. 넷째, 학생 결과물이 취업·창업·대학원 진학에서 설명 가능한 포트폴리오로 남는가.

특히 비공학 전공 학생에게 AI 교육은 코딩을 모두 잘해야 한다는 압박이 아니다. 자기 전공의 문제를 데이터와 도구로 다시 읽는 능력에 가깝다. 좋은 대학은 이 차이를 설명할 수 있어야 한다. “전공과 관계없이 AI를 배운다”는 말은 “모두에게 같은 AI 수업을 듣게 한다”가 아니라, 전공별 문제 해결 방식에 맞게 AI 리터러시를 설계한다는 뜻이어야 한다.

대학컨설팅 관점에서 보는 전략

필자의 대학컨설팅 관점에서 참여대학이 먼저 해야 할 일은 AI 교육과정의 소유권을 정하는 것이다. AI센터, 교무처, 교수학습개발센터, 단과대학, 전공학과가 각자 사업을 들고 있으면 학생 경로는 끊어진다. 이번 사업은 [[교육과정 거버넌스]]를 다시 설계할 기회다. 누가 공통역량을 정의하고, 누가 전공별 모듈을 만들고, 누가 교수자 훈련을 책임지고, 누가 성과 데이터를 모을 것인지가 분명해야 한다.

두 번째는 평가 기준이다. AI 기본교육의 성과를 수강생 수나 특강 횟수로만 보면 실패하기 쉽다. 전공수업 내 AI 적용률, 학생 프로젝트 완성도, 전공별 도구 사용 가이드라인, 교수자 재설계 수업 수, 산업·공공기관 연계 과제, 졸업 포트폴리오 반영률 같은 실행지표가 필요하다. 사업비 3억 원은 크다면 크고 작다면 작다. 중요한 것은 돈보다 운영체계가 남는가다.

세 번째는 대학 간 공유 방식이다. 교육부는 다른 대학으로 공유·확산을 추진한다고 밝혔다. 그런데 확산은 자료집 배포만으로 일어나지 않는다. 수업계획서, 평가 루브릭, 사례 데이터, 학생 산출물 예시, 교수자 워크숍, 실패 사례까지 묶여야 한다. 그래야 한 대학의 성과가 다른 대학의 성과환류로 이어진다.

마지막으로, 이 사업은 대학 홍보의 소재이기도 하지만 그보다 더 중요한 것은 내부 정비다. AI를 잘한다고 말하는 대학은 많다. 앞으로는 “어느 학과 학생이 어떤 AI 경험을 어떤 순서로 쌓는가”를 보여주는 대학이 더 설득력을 갖는다. AI 기본교육은 교양 과목 하나가 아니라 대학의 수업 설계, 교수 지원, 전공 개편, 지역연계, 학생 포트폴리오를 묶는 운영모델이다. 이 운영모델을 빨리 만든 대학이 다음 고등교육 경쟁에서 더 강한 설명력을 갖게 될 것이다.

확인한 출처