교육 행정에 AI를 들일 때 — 효율과 개인정보 사이의 투트랙 전략

학교와 교육청의 행정 업무는 생성형 AI로 줄일 수 있는 일이 많습니다. 그러나 학생 성적과 교원 개인정보를 외부 서버로 보내는 순간 효율보다 큰 위험이 생깁니다. 이 자료의 결론은 공개 자료는 클라우드 AI로, 민감 데이터는 내부망의 로컬 AI로 나눠 처리하는 투트랙 구성입니다.

이 문서는 NotebookLM(노트북 LM)으로 자료를 조사해 만든 문서입니다.

• 교육 행정은 수작업 입력, 부서 간 중복, 시스템 간 연동 부족으로 교원의 행정 부담이 큽니다
• 생성형 AI는 공문 요약, 초안 작성, 엑셀·매크로 자동화, 민원 응대 연수에 쓸 수 있습니다
• 클라우드 AI는 입력한 문서가 외부 서버로 전송되므로 민감 데이터에는 맞지 않습니다
• 대안은 Ollama 같은 로컬 AI를 망분리 환경에 두고, 칩 수준 보안(TEE)으로 결과물을 검증하는 방식입니다
• 어떤 구성이든 마지막에는 **교직원이 최종 검토하는 단계(HITL)**가 있어야 합니다

기대와 위험을 함께 본다

쓸 곳은 분명합니다. 공문 요약이나 취합용 엑셀 수식처럼 결과를 사람이 바로 확인할 수 있는 일부터 넣는 편이 안전합니다. 수용 요인 분석이 말하는 것도 같습니다. 교원이 AI를 쓰게 만드는 것은 기대가 아니라 내 업무가 실제로 줄었다는 체감이고, 그 체감은 실무 시스템과 맞닿은 연수에서 나옵니다.

클라우드 AI의 한계

나이스 사례가 주는 교훈은 AI 이전의 것입니다. 오류는 코드 한 줄이 아니라 정밀도를 확인하지 않은 설계에서 나왔습니다. 여기에 결과를 검증하기 어려운 생성형 AI를 그대로 연결하면 같은 구조의 사고가 더 빨리 퍼질 수 있습니다. 비교표에서 로컬 AI가 성능에서 한발 물러서는 대신 얻는 것은 데이터가 기관 밖으로 나가지 않는다는 확실성입니다. 행정 문서 요약과 초안 작성에는 대형 모델이 아니어도 충분한 경우가 많습니다.

로컬 AI로 구성하는 워크플로우

하드웨어 요건은 생각보다 문턱이 낮습니다. 자료 기준으로 VRAM 12GB급 GPU와 32GB 메모리면 중형 오픈소스 모델을 내부망에서 돌릴 수 있습니다. 실제 도입에서 더 어려운 것은 장비보다 어떤 데이터를 어느 트랙으로 보낼지 정하는 분류 기준입니다. 이 기준이 문서로 정해져 있지 않으면 교원 개인이 판단하게 되고, 결국 편한 쪽인 클라우드로 흘러갑니다. TEE와 콘텐츠 출처 인증은 아직 모든 기관이 갖추기 어려운 단계이므로, 우선은 망분리 로컬 서버와 최종 검토 절차부터 갖추는 것이 현실적인 순서로 보입니다.

자주 묻는 질문

로컬 AI는 ChatGPT보다 성능이 많이 떨어지나요? 범용 추론은 대형 클라우드 모델이 앞섭니다. 다만 공문 요약이나 초안 작성처럼 범위가 정해진 행정 업무는 중형 오픈소스 모델로도 충분한 경우가 많습니다.

어떤 데이터를 클라우드 AI에 넣어도 되나요? 이미 공개된 자료와 개인을 식별할 수 없는 기획 아이디어까지로 한정하는 것이 자료의 권고입니다. 학생 이름, 성적, 상담 내용은 로컬에서만 처리합니다.

학교마다 서버를 따로 둬야 하나요? 꼭 그렇지는 않습니다. 자료는 무분별한 도입을 막기 위해 교육청 단위의 단일 로컬 보안 플랫폼을 제안합니다. 운영과 연수 부담도 한곳에서 관리할 수 있습니다.

저희가 이 이야기를 하는 이유

에버스톤은 2013년부터 부산에서 앱과 웹·업무 시스템을 개발해 왔고, 학습 앱과 공공·기관 대상 시스템을 만들며 AI 도입 컨설팅도 하고 있습니다. 기관에 AI를 붙일 때 가장 먼저 묻는 것이 어떤 데이터가 밖으로 나가는가입니다. 이 자료의 투트랙 구성은 그 질문에 대한 정리된 답 가운데 하나라서 소개합니다.

인용한 수치(교사 338명 대상 UTAUT 분석, 나이스 성적 오류 규모, 서명·검증 오버헤드 표, 하드웨어 권장 사양)와 사례는 원 자료 기준이며, 저희가 검증한 내용이 아닙니다.