미국 공립학교에 AI가 들어오고 있다. 그런데 정작 학교 건물 안의 인프라가 그 무게를 버텨낼 수 있는지는 아무도 제대로 묻지 않았다. govtech.com이 제기한 이 질문은 단순한 기술 조달 문제가 아니다. K-12 AI infrastructure를 어떻게 설계하느냐는, 앞으로 10년간 교육 불평등이 어떤 방향으로 심화되거나 완화될지를 결정짓는 구조적 선택이다.

---

"AI를 쓰겠다"는 결정과 "AI를 쓸 수 있다"는 현실 사이

학교에 AI 도구를 도입하는 건 이제 선택의 문제가 아니라는 분위기가 형성되고 있다. Khanmigo, Google의 교육용 Gemini, Microsoft의 Copilot for Education 같은 제품들이 이미 교실 안으로 밀려들고 있다. 그런데 이 도구들이 제대로 작동하려면 무엇이 필요한가?

기본적으로 세 가지 층위가 있다.

첫째, 네트워크 인프라. AI 기반 교육 도구는 실시간 추론(inference)을 위해 상당한 대역폭을 요구한다. 미국 교육부 산하 E-rate 프로그램은 학교 인터넷 접속 비용을 보조하지만, 현재 기준은 학생 1인당 1Mbps를 권장 최소치로 제시한다. 그런데 AI 도구가 동시에 30개 기기에서 구동되는 교실 환경을 감당하기엔 턱없이 부족하다는 게 현장 IT 담당자들의 공통된 지적이다.

둘째, 엔드포인트 하드웨어. 팬데믹 기간 보급된 Chromebook 상당수가 2026년 현재 지원 종료(EOL) 시점에 가까워지고 있다. 온디바이스 AI 처리를 위한 NPU(신경망 처리 장치)가 탑재된 기기는 아직 K-12 시장에 본격 보급되지 않았다. 클라우드 의존형 AI라면 기기 성능보다 네트워크가 병목이고, 온디바이스 AI라면 기기 자체가 병목이다. 어느 쪽이든 현재 대부분의 학교는 준비가 안 돼 있다.

셋째, 데이터 거버넌스와 프라이버시 인프라. 이건 서버나 케이블의 문제가 아니다. 미국의 FERPA(가족교육권리및프라이버시법), COPPA(아동온라인프라이버시보호법)는 학생 데이터를 AI 모델 훈련에 활용하는 것을 엄격히 제한한다. EU AI Act가 교육 분야를 '고위험 시스템'으로 분류한 것도 같은 맥락이다. 규제 환경이 복잡해질수록, K-12 AI infrastructure의 핵심은 기술 스택이 아니라 법적 컴플라이언스 레이어가 될 가능성이 높다.

---

EU AI Act가 교실에 던지는 함의

2026년 5월 10일 NewsAPI Tech 보도에 따르면, EU AI Act는 AI가 교육, 채용, 의료 등 핵심 영역에서 "개인의 삶에 중요한 결과를 초래"할 경우 고위험으로 분류하고 있다. 미국 학교들은 직접적인 규제 대상이 아니지만, 이 프레임워크는 중요한 신호를 제공한다.

미국에서 K-12 AI infrastructure를 구축하는 학교들이 직면할 현실적 질문은 이렇다: AI 기반 학습 분석 도구가 특정 학생을 "낮은 성취 가능성"으로 분류한다면, 그 결정은 누가 감사(audit)하는가? 알고리즘이 교사의 판단을 보조하는 것과 대체하는 것 사이의 경계는 어디인가?

EU의 규제 접근법은 이런 질문에 명시적 답을 요구한다. 미국은 아직 연방 차원의 AI 교육 규제 프레임워크가 없다. 이 공백은 학교 구(district)마다 다른 기준을 적용하게 만들고, 결국 부유한 학군은 좋은 컨설턴트를 고용해 컴플라이언스를 갖추고, 가난한 학군은 리스크를 모른 채 도입하거나 아예 포기하는 양극화를 만들어낼 가능성이 있다.

---

Mira Murati의 "인터랙션 모델"이 교육에 주는 힌트

전 OpenAI CTO Mira Murati가 창업한 Thinking Machines는 2026년 5월 11일 "실시간 협업을 가능하게 하는 인터랙션 모델(interaction models)"을 개발 중이라고 발표했다. 이 개념은 교육 맥락에서 흥미로운 함의를 갖는다.

현재 대부분의 K-12 AI 도구는 단방향 질의응답 구조다. 학생이 묻고, AI가 답한다. 그런데 실제 학습은 협업적이고 반복적인 과정이다. 인터랙션 모델이 교실에 적용된다면, AI는 단순한 튜터가 아니라 학습 과정 자체에 개입하는 에이전트가 된다. 이는 인프라 요구사항을 완전히 다른 차원으로 끌어올린다. 단순 텍스트 생성과 달리, 실시간 다자간 상호작용을 지원하는 AI는 레이턴시(latency)와 동시 접속 처리 능력 면에서 훨씬 높은 기준을 요구한다.

학교 IT 담당자들이 지금 당장 준비해야 할 것은 "어떤 AI 도구를 쓸 것인가"가 아니라, "어떤 종류의 AI 상호작용을 우리 네트워크가 감당할 수 있는가" 라는 질문이다.

---

K-12 AI Infrastructure의 진짜 불평등 문제

여기서 아시아-태평양 시장을 오래 커버한 저널리스트로서 한 가지 맥락을 추가하고 싶다.

한국, 싱가포르, 일본은 이미 국가 차원에서 AI 교육 인프라 투자를 집행하고 있다. 한국 교육부는 2025년부터 AI 디지털 교과서 도입을 시작했고, 이를 뒷받침하기 위한 학교 네트워크 업그레이드 예산이 중앙정부 차원에서 배분됐다. 싱가포르는 학교 네트워크 인프라를 국가 디지털 전략의 일부로 통합 관리한다.

반면 미국의 K-12 시스템은 재원 조달이 지방세(property tax) 기반이라는 구조적 문제를 안고 있다. 부유한 학군은 AI 인프라 투자 여력이 있고, 가난한 학군은 기본 인터넷 연결조차 불안정하다. AI가 교육 격차를 줄이는 도구가 될 것이라는 낙관론은, 이 인프라 불평등 앞에서 심각하게 흔들린다.

실제로 미국 FCC 데이터에 따르면 농촌 지역 학교의 상당수는 여전히 25Mbps 이하의 연결 속도를 갖고 있다. AI 도구가 요구하는 대역폭 기준에 한참 못 미치는 수준이다.

이 문제는 단순히 "학교에 와이파이를 깔자"는 차원이 아니다. AI 시대에 졸업장의 의미가 달라지고 있다는 논의처럼, K-12 단계에서의 AI 접근성 격차는 노동시장 진입 시점에 이미 구조화된 불이익으로 전환될 수 있다.

---

인프라보다 먼저 해결해야 할 것: 교사

기술 인프라 논의에서 종종 빠지는 변수가 있다. 바로 교사다.

AI 도구가 교실에 들어와도, 그것을 교육학적으로 의미 있는 방식으로 활용할 수 있는 교사가 없다면 인프라 투자는 낭비다. AI가 클라우드 배포 결정까지 스스로 내리는 시대에, 교사들이 AI 도구의 출력(output)을 비판적으로 평가하고 교육 맥락에 맞게 재구성하는 역량을 갖추지 못하면, AI는 교실에서 또 다른 형태의 주의력 분산 도구가 될 뿐이다.

미국 교원 노조들은 이미 AI 도입에 대한 우려를 표명하고 있다. 삼성 바이오로직스 파업에서 봤던 것처럼, 핵심은 임금이나 단순 반발이 아니라 기술 도입 과정에서 전문가(교사)의 판단이 얼마나 존중받는가의 문제다. 교사들이 AI 도구 선택과 활용 방식에 대한 실질적 발언권을 갖지 못한다면, 도입 과정에서 저항이 커질 것이다.

---

지금 학교 IT 담당자와 정책 입안자에게 필요한 질문들

K-12 AI infrastructure를 논할 때, 다음 질문들이 기술 스펙보다 먼저 답해져야 한다.

1. 우리 학교 네트워크는 동시 AI 세션 30개를 감당할 수 있는가? — 단순 인터넷 속도가 아니라 동시 접속 시 레이턴시 성능이 기준이 돼야 한다.

2. 학생 데이터가 AI 벤더의 모델 훈련에 사용되지 않는다는 것을 계약서로 보장받았는가? — FERPA 컴플라이언스는 체크박스가 아니라 계약 조항으로 확인해야 한다.

3. AI 도구 도입 결정에 교사가 참여했는가? — 기술 도입의 지속 가능성은 현장 수용성에 달려 있다.

4. 3년 후 이 도구가 사라졌을 때 학생들에게 남는 역량은 무엇인가? — 특정 도구 숙련도가 아니라 AI와 협업하는 사고 방식이 목표여야 한다.

AI가 교실에 들어오는 속도는 학교 인프라가 준비되는 속도보다 빠르다. 이 격차를 방치하면, AI는 교육 혁신의 도구가 아니라 기존 불평등을 증폭하는 메커니즘이 될 것이다. 기술은 준비됐다. 문제는 언제나 그 기술을 받아낼 구조다.

---

이 글은 govtech.com의 원문 보도를 바탕으로 작성됐습니다.

이 글은 이미 완성된 상태입니다. 결론 단락("AI가 교실에 들어오는 속도는...")과 출처 표기까지 포함되어 있어, 추가로 이어 쓸 내용이 없습니다.

혹시 다음 중 원하시는 작업이 있으신가요?

1. 태그 및 메타 설명 작성 — 발행을 위한 SEO 메타데이터
2. 글 전체 검토 및 다듬기 — 흐름·일관성 점검
3. 후속 글 기획 — 이 주제에서 파생되는 새로운 각도 제안
4. 영문 버전 작성 — 동일 주제의 영어 칼럼

어떤 방향으로 도움이 필요하신지 알려주세요.