오늘의 종합 브리핑
오늘의 관통 주제는 '똑똑함은 틀리지 않는 게 아니라 틀림을 다루는 것'이다. AI든 사람이든 신뢰는 '한 번도 틀리지 않음'이 아니라 '틀림을 되돌리고, 모를 때 멈추고, 검증하는 설계'에서 나온다는 증거가 AI·교육 양축에서 함께 나왔다. AI축 앵커(#1, Wrong but Useful)는 다중 에이전트에서 '정답에 가까운 메시지가 곧 쓸모 있다'는 통념을 정면으로 반박한다 — 틀린 답도 유용한 문제 분해·제약·원리를 담을 수 있으며, 저자들은 각 메시지를 노출·은닉해 최종 성과 기여도('궤적 가치')를 측정하는 DHD 프로토콜로 이를 두 모델 계열·다섯 벤치마크에서 실증했다. 지능의 가치가 '정답률'만이 아니라 '틀린 시도가 남긴 흔적'에도 있다는 것이다.
이 원리는 두 가지 실천으로 이어진다. 하나는 '모를 때 멈추기'다 — #4(YOPO)는 동결 언어모델이 정보가 불충분할 때 지어내지 않고 기권하도록, 한 번의 순전파 안에 답변과 기권을 함께 넣었다. 다른 하나는 '틀림을 되돌리기'다 — #6(AgentRewind)은 장기 에이전트가 초반에 낸 오류가 걷잡을 수 없이 번지기 전에, 정합 체크포인트로 이전 상태로 되돌아가 재실행하게 한다. 나란히, '얼마나 틀리는가'를 측정하는 연구도 섰다 — 법률 RAG는 근거를 붙여도 최악의 경우 응답의 절반이 환각이었고(#10), AI 의사추천은 평점 0.8점 차이에 선택 확률이 31%포인트나 흔들렸다(#8, 4만 응답 사전등록 감사). AI 출력은 여전히 '검증 전 초안'으로 다뤄야 한다는 뜻이다.
교육축에서 이 원리는 '검증 습관'과 '틀리며 배우는 설계'로 번역된다. 교육축 근거(#2)는 생성형 AI를 쥐여줘도 성적이 오르지 않았음을 실측한다 — 공학 1학년 340명의 디버깅 과제에서 성패를 가른 것은 도구 접근이 아니라 프롬프트 효율과 검증 습관이었고, 잦은 프롬프트는 오히려 성과를 떨어뜨렸다. #3은 초등생 752명에게 로봇·시각화로 '데이터를 넣고 모델을 훈련시키는' 반복 시행착오를 겪게 해 머신러닝 개념 이해를 유의하게 끌어올렸고(효과크기 0.55), #5는 교사-AI 공동설계 드론 시뮬레이터로 '먼저 안전하게 실패해 보는' 경험이 STEM 지식·역량을 높이고 인지부하를 낮춤을 보였다. 학생의 AI 대화 6만 건은 곧 학문별 사고의 흔적이었고(#7), AI를 잘 쓸 준비의 절반(53%)은 비판적·윤리적 '판단'이었다(#9).
종합하면 결론은 하나다 — AI든 학습자든, 신뢰는 '틀리지 않음'이 아니라 '틀림을 되돌리고·멈추고·검증하는' 설계에서 나온다. 교실로 옮기면 세 가지다. ① AI 도구는 '접근'이 아니라 '검증 절차'와 함께 들여라(#2·#10) — AI 답을 그대로 쓰지 말고 실행·대조·재검토를 수업 루틴으로 심는다. ② '틀려도 안전한' 시행착오 공간(시뮬레이터·초안·되돌리기)을 설계하라(#3·#5·#6) — 실패가 학습이 되게 하는 것이 핵심이다. ③ '모를 때 모른다고 말하는' 지적 정직을 AI 선택 기준이자 학생 역량으로 가르쳐라(#4·#9). 오늘의 국내 특집(대교협 2028 권장과목 공개)은 이 원칙의 진로판이다 — 권장과목을 절대 기준이 아니라 '검증 가능한 참고자료'로 다뤄, 학생이 선택을 조정·복구할 여지를 지켜야 한다.
Top 10 주요 자료
⭐ 추천 · #1 · AI · 프리프린트 · 품질 28/30
틀렸지만 쓸모 있다 — 다중에이전트에선 '오답'도 분해·제약·원리를 남긴다 ('궤적 가치' DHD)
다중 에이전트 추론에서는 합의·확신·자동 점수로 메시지를 걸러내며 '정답에 가까운 메시지가 곧 쓸모 있다'고 가정한다. 저자들은 이 가정을 정면으로 반박한다 — 틀린 답을 담은 메시지도 유용한 문제 분해, 제약 조건, 풀이 원리를 담을 수 있기 때문이다. 이를 검증하기 위해 다섯 개의 독립 생성 메시지를 캐시해 두고 각 메시지를 노출·은닉하며 동일한 통합기로 다시 실행해 그 메시지가 최종 성과에 얼마나 기여하는지('궤적 가치')를 측정하는 프로토콜 DHD를 제안했다. 두 개 모델 계열과 다섯 개 수학·과학 벤치마크에서 '틀렸지만 쓸모 있는' 메시지의 존재와 기여를 실증했다.
💡 오늘 리포트의 AI축 앵커다. '오답=폐기'라는 직관을 데이터로 뒤집어, 지능의 가치가 '정답률'만이 아니라 '틀린 시도가 남긴 유용한 흔적'에도 있음을 보인다. 교육으로 옮기면 강력하다. ① 학생의 '틀린 풀이'도 분해·제약·전략의 관점에서 재평가하라 — 오답을 지우지 말고 '어디까지 옳았는가'를 함께 읽는 채점·피드백이 학습을 키운다. ② AI 협업 수업에서 여러 초안·아이디어를 '정답 여부'로만 거르지 말고, 각 초안이 남긴 부분적 통찰을 통합하는 활동으로 설계하라. ③ '최종 정답'만 보는 평가 루브릭은 과정의 가치를 놓친다. 프리프린트(동료심사 전)라 수치 해석은 유의.
⭐ 추천 · #2 · Education · 논문 · 품질 27/30
AI를 쥐여줘도 성적은 안 올랐다 — 성패를 가른 건 '검증 습관', 프롬프트만 많이 하면 오히려 하락 (공학 340명)
공학교육에서 생성형 AI의 실제 사용 양상과 윤리적 평가를 실수업 다단계 설계로 조사했다. 1단계에서 공학 1학년 340명이 '생성형 AI만'을 외부 자원으로 쓰는 시간제한 디버깅 과제를 수행했는데, AI 접근만으로는 성공이 보장되지 않았다 — 프롬프트 효율과 결과를 검증하는 습관이 성과와 관련됐고, 오히려 잦은 프롬프트는 성과를 떨어뜨렸다. 2단계에서는 16명이 윤리위원회 역할극과 설문에 참여해 AI가 학습을 지원하는 동시에 형평성·의존·검증 책임의 문제를 제기함을 확인했다.
💡 오늘 앵커('틀림을 다루는 설계')의 교육축 핵심 근거다. 'AI를 쓸 수 있게 해주면 성적이 오른다'는 기대를 실측으로 반박한다. ① 도구 접근이 아니라 '검증 습관'이 성패를 가른다 — AI 답을 그대로 쓰지 않고 실행·대조·재검토하는 절차를 수업 루틴으로 심어야 한다. ② '많이 물어볼수록 좋다'가 아니다 — 잦은 프롬프트가 성과를 낮췄다는 결과는, 무작정 되묻기보다 '한 번 잘 묻고 스스로 검증'하는 프롬프트 절제·정련을 가르쳐야 함을 뜻한다. ③ 윤리 성찰(형평성·의존·책임)을 활용 역량과 분리하지 말고 함께 설계하라. 표본이 한 대학·공학 계열이라 일반화는 제한되나, 교실 적용 시사점은 즉시 쓸 수 있다.
⭐ 추천 · #3 · Education · 논문 · 품질 27/30
초등생도 머신러닝을 배운다 — 로봇·시각화 6~8시간 구조화 수업으로 개념이해 유의 향상 (752명·효과크기 0.55)
홍콩 7개 학교의 초등 고학년 752명(평균 11.36세)을 대상으로 6~8시간짜리 구조화된 머신러닝 입문 과정을 설계·평가했다. 로봇 훈련 활동과 실시간 알고리즘 시각화를 통해 지도학습·강화학습·k-최근접이웃·신경망 개념을 다뤘고, 사전-사후 검사에서 개념 이해가 유의하게 향상됐다(Wilcoxon 효과크기 0.55). 학생 면담에서는 안내형 워크시트와 반복적 데이터 처리·모델 훈련의 경험이 추상적 ML 개념을 구체화하는 데 핵심이었다고 보고됐다.
💡 초등 단계 AI·ML 리터러시가 '구호'가 아니라 '설계'로 가능함을 대규모로 보인다. ① 어린 학생에게도 ML은 가르칠 수 있다 — 단, 로봇·시각화로 '보이게' 하고 반복 시행착오로 '해보게' 하는 구조가 열쇠다(효과크기 0.55는 중간 이상). ② '데이터를 넣고 모델을 훈련시키는' 반복 경험 자체가 개념 형성의 통로였다는 점은, AI를 '완성된 답'이 아니라 '틀리며 학습하는 과정'으로 체험시켜야 한다는 오늘 앵커와 맞닿는다. ③ 안내형 워크시트 같은 스캐폴딩이 추상 개념을 구체화했다 — 국내 초등 정보·AI 교육과정 설계에 바로 참고할 수 있는 실증 근거다. 대규모(752명)·다학교 설계로 활용가치가 높다.
⭐ 추천 · #4 · AI · 프리프린트 · 품질 26/30
모를 땐 '모른다'고 멈춘다 — 한 번의 순전파로 답과 기권을 함께 (동결 모델 YOPO)
동결된(추가 학습 없이 고정된) 언어모델은 두 가지 약점을 함께 갖는다 — 잔차 스트림(residual stream)에 이미 담긴 근거를 충분히 활용하지 못하고, 입력이 불충분할 때를 감지하지 못해 그냥 지어낸다. 저자들은 잔차 스트림에 개입하는 조향 프로브와, 정보가 불충분하면 기권(abstain)하게 만드는 '충분성 방향'을 하나의 순전파(single forward pass)에 결합한 YOPO를 제안한다. 방향은 고정하되, 조향된 잔차에서 조향 전 잔차를 복원하는 작은 신경망을 학습시켜 두 개입 사이의 간섭을 해소한다. 동결 Qwen2.5 계열에서 답변과 기권을 함께 처리했다.
💡 '모를 때 지어내지 않고 멈추는' 능력을 추가 재학습 없이, 한 번의 계산으로 얻는다는 점이 핵심이다. AI를 교실·행정에 들일 때의 실천 함의가 크다. ① '자신 없으면 기권'은 신뢰의 최소 조건이다 — 학생용 AI 튜터·검색 도구를 고를 때 '틀린 답을 자신 있게 말하는가, 모른다고 말할 수 있는가'를 기준으로 삼자. ② 기권 기능은 '검증 부담'을 줄여준다 — AI가 불확실을 스스로 표시하면 교사·학생의 사후 검증이 그 지점에 집중될 수 있다. ③ 학생에게도 '모르면 모른다고 말하기'가 지적 정직의 역량임을 가르치는 은유로 쓸 수 있다. 프리프린트이며 특정 모델 계열 실험이라 일반화는 유의.
⭐ 추천 · #5 · Education · 논문 · 품질 26/30
시뮬레이터로 먼저 날려 본다 — 교사-AI 공동설계 드론 STEM, 지식·역량 유의 향상·인지부하↓ (중등 30+30)
교사와 AI가 함께 설계한 시뮬레이션이 중등 드론 STEM 학습에 주는 효과를 대조 설계로 검증했다. 13~17세 학생을 각 30명씩 두 집단으로 나눠, 한 집단은 실습만, 다른 집단은 실습에 5종의 교사-AI 공동설계 시뮬레이션을 더해 같은 과제를 수행했다. 시뮬레이션 집단이 STEM 지식과 비판적 사고·협업·의사소통·창의성 등 21세기 역량에서 유의하게 큰 향상을 보였고, 시뮬레이션이 인지부하를 낮추고 비행 원리를 이해시키는 데 기여한 것으로 나타났다.
💡 '먼저 안전하게 실패해 보는' 시뮬레이션이 실기 학습을 끌어올린다는 실증이다. ① 값비싸고 위험한 실습(드론 비행)일수록 시뮬레이터로 시행착오를 미리 겪게 하면 인지부하가 줄고 본실습의 학습이 깊어진다 — STEM·로봇 수업 설계의 일반 원리로 확장된다. ② 핵심은 '교사-AI 공동설계'다. AI가 시뮬레이션을 만들되 교사가 학습목표에 맞게 조율하는 협업이 효과의 조건이었다 — AI를 교사 대체가 아니라 '공동 설계자'로 두는 모델이다. ③ 지식뿐 아니라 협업·창의성 등 역량까지 올랐다는 점은 프로젝트형 STEM에 시뮬레이션을 접목할 근거가 된다. 각 30명 규모라 표본은 작으나 대조 설계로 신뢰도를 확보했다.
#6 · AI · 프리프린트 · 품질 25/30
실수를 되감는 에이전트 — 장기 실행 중 잘못을 체크포인트로 되돌려 재실행 (AgentRewind·MettleBench)
장기 실행 과제에서 LLM 에이전트가 초기에 저지른 오류는 맥락과 환경 상태로 번져, 이후 행동만으로는 되돌리기 어렵다. 저자들은 에이전트의 맥락과 통제된 환경의 정합 체크포인트를 기록해 두었다가, 문제가 생기면 이전 상태로 되돌아가 재실행할 수 있게 하는 런타임 복구 프레임워크 AgentRewind를 제안한다. 함께 제안한 MettleBench는 연속된 요구사항으로 이뤄진 장기 엔지니어링 과제를 평가한다. 여러 모델·실행 조건에서 복구 능력이 장기 과제 성공에 기여함을 보고한다.
💡 '에이전트가 실수한다'는 전제 위에서 '어떻게 되돌릴 것인가'를 설계한다는 점이 오늘 앵커와 정확히 맞닿는다. ① 자율 에이전트를 실무·교육에 들일 때는 '실수하지 않는 에이전트'가 아니라 '실수를 되감을 수 있는 에이전트'를 목표로 삼아야 한다 — 체크포인트·롤백은 안전장치의 기본이다. ② 초기 오류가 걷잡을 수 없이 번진다는 지적은, 긴 자동화 파이프라인에 '중간 저장·되돌리기' 지점을 두라는 실천 지침이 된다. ③ 학생용 프로젝트 도구도 '되돌리기·버전 기록'이 있어야 안전한 실험이 가능하다. 프리프린트라 성능 수치는 유의하되, 설계 원리는 견고하다.
#7 · Education · 논문 · 품질 25/30
학생의 AI 대화는 곧 사고의 흔적 — 6만 건이 드러낸 학문별 인지 관여 (STEM=적용·언어=이해·사회=창안)
대학의 생성형 AI 조교와 나눈 대화가 실제 인지 과정을 유발하는지 살피기 위해, 학생의 프롬프트를 '진행 중인 학습 인지의 외현화'로 보는 측정틀을 제안했다. 두 학기 116개 강좌에서 학생 메시지 6만 건을 블룸 분류(Bloom's taxonomy)로 자동 분석한 결과, 학문 계열별로 우세한 인지 관여 패턴이 달랐다 — STEM은 '적용'(20.8%), 언어는 '이해'(31.7%), 사회과학은 '창안'(33.8%)이 두드러졌다. 혼합효과 회귀에서 강좌 수준 변수의 영향도 확인됐다.
💡 학생이 AI에게 던지는 질문 자체가 '무엇을·어떻게 사고하는가'의 흔적이라는 관점이 신선하다. ① AI 대화 로그는 형성평가 자료가 될 수 있다 — 학생이 주로 '이해'에 머무는지 '적용·창안'까지 가는지를 프롬프트로 진단해 수업을 조정할 수 있다. ② 계열별 사고 패턴이 다르다는 점은, AI 활용 지도를 과목 특성에 맞게 차별화해야 함을 뜻한다(언어는 이해→적용 유도, STEM은 적용→분석 심화 등). ③ '좋은 질문하기'가 곧 사고력이라는 메시지는 학생에게 프롬프트 리터러시를 가르칠 근거가 된다. 자동 분류 기반이라 개별 해석엔 한계가 있으나 대규모(6만 건) 실증이다.
#8 · AI · 프리프린트 · 품질 25/30
AI는 누구의 의사를 추천하나 — 4만 응답 감사, 평점 0.8점이 선택확률 31%p를 흔든다
환자들이 '어떤 의사를 볼지'를 LLM 비서에게 묻기 시작하면서, 이들 시스템은 누구를 보이게 할지 조용히·대규모로 결정하는 'AI 중개자'가 된다. 저자들은 일곱 개 모델이 무작위화된 의사 카드 중 하나를 고르게 한 사전등록 알고리즘 감사(응답 40,068건)를 수행했다. 평판 신호가 지배적이었다 — 평점을 3.9에서 4.7로 올리면 선택 확률이 31.4%포인트 상승했다. 인구통계학적 균형(demographic parity)은 인간 대상 감사 연구와 유사한 양상을 보였다고 보고한다.
💡 AI가 '추천'이라는 형식으로 어떻게 사람의 선택을 좌우하는지를 대규모·사전등록으로 드러낸다. ① AI 추천은 중립이 아니다 — 평점 0.8점 차이가 선택확률을 31%p나 흔든다는 것은, 표시되는 신호에 따라 결과가 크게 갈린다는 뜻이다. 학교의 AI 추천(도서·진로·문제)도 '무엇을 근거로 순위를 매기는가'를 점검해야 한다. ② 사전등록·알고리즘 감사라는 방법 자체가 교육적이다 — AI 편향을 '느낌'이 아니라 '설계된 실험'으로 검증하는 태도를 가르칠 사례다. ③ 학생에게 'AI 추천을 그대로 믿지 말고 기준을 물어라'를 가르치는 구체 근거가 된다. 프리프린트이며 의료 도메인 특화라 수치의 일반화는 유의.
#9 · Education · 논문 · 품질 24/30
AI를 잘 쓸 준비의 절반은 '판단' — 리터러시가 AI-TPACK 준비도 53%를 설명 (예비 수학교사 130명)
남아프리카공화국의 예비 수학교사 130명을 대상으로, AI 리터러시 역량이 수학수업에서의 AI 활용 준비도(AI-TPACK)를 얼마나 예측하는지 탐색적 요인분석과 구조방정식모형으로 분석했다. 정련된 모형은 자료에 양호하게 부합했고, 리터러시 영역이 AI-TPACK 준비도 분산의 53.0%를 설명했다. 사전 AI 경험, 비판적·윤리적 판단 역량, 지각된 조직 지원이 유의한 정적 예측요인으로 나타났다.
💡 'AI를 잘 쓸 준비'가 기능 숙달만이 아니라 '판단'과 '지원'의 문제임을 통계로 보인다. ① 비판적·윤리적 판단이 활용 준비도의 유의한 예측요인이라는 점은, 교원 AI 연수가 도구 사용법을 넘어 '언제·왜 쓰지 않을지'의 판단까지 포함해야 함을 뜻한다 — 오늘 앵커('검증·판단의 설계')와 직결된다. ② '지각된 조직 지원'이 중요했다는 결과는, 개인 연수만으로 부족하고 학교 차원의 인프라·문화가 뒷받침돼야 함을 시사한다. ③ 리터러시가 준비도의 절반(53%)을 설명한다는 것은 AI 리터러시 교육 투자에 대한 실증적 정당화다. 예비교사 130명·단일국가 표본이라 일반화는 제한된다.
#10 · AI · 프리프린트 · 품질 24/30
법률 AI는 아직 얼마나 지어내나 — 최고 10% 미만, 최악은 응답의 절반 (8개 RAG·142문항)
환각은 법률 검색증강생성(RAG) 시스템에서 근거 없는 답이 중대한 결과로 이어질 수 있는 핵심 위험이다. 저자들은 영어 GDPR과 프랑스어 국가 민법 두 코퍼스에 걸쳐 여덟 개 법률 RAG 시스템의 환각을 '주장(claim)'과 '답변(answer)' 단위로 분석하고, 법률 전문가가 작성한 142개 질문 세트로 검증했다. 환각률은 최고 성능 시스템의 10% 미만부터 최악의 경우 응답의 거의 절반에 이르기까지 시스템별로 크게 갈렸다.
💡 'RAG를 붙이면 안심'이라는 통념을, 여전히 남는 환각을 정량화해 반박한다. ① 근거를 검색해 붙여도 최악의 경우 응답의 절반이 지어낸 것일 수 있다 — 고위험 영역(법률·의료·평가)에서 AI 출력은 '검증 전 초안'으로 다뤄야 한다. ② 시스템별 편차가 크다는 점은, '어떤 AI를 쓰느냐'가 신뢰도를 크게 가른다는 실무 함의다 — 도구 선택 시 환각률 같은 검증 지표를 요구하자. ③ '주장 단위'로 환각을 쪼개 본 방법은, 학생에게 'AI 답을 문장 단위로 근거와 대조하기'를 가르치는 모델이 된다. 프리프린트이며 법률 도메인 특화라 수치의 일반화는 유의하되, '검증 없이는 신뢰 없다'는 오늘 앵커의 명확한 근거다.
추천 논문 상세 분석
오늘의 뉴스 브리핑
🔹 가트너 "에이전트형 AI 추론비용, 2028년까지 5배 이상 급증" [AI 경제·에이전트]
가트너는 8월 17일 보도자료에서 에이전트형 워크플로 하나당 AI 추론비용이 2028년까지 5배 이상 증가할 것이라고 전망했다. 토큰 단가는 내려가도 다단계 실행형 AI가 더 많고 비싼 토큰을 써 총비용이 오르는 '추론 역설(Inference Paradox)'을 지목했다. 오늘 앵커와 잇대면, 에이전트에 자율을 줄수록 '틀림을 되돌리고 검증하는' 실행 비용까지 함께 커진다는 경고다. 바로가기
가트너는 8월 17일 보도자료에서 에이전트형 워크플로 하나당 AI 추론비용이 2028년까지 5배 이상 증가할 것이라고 전망했다. 토큰 단가는 내려가도 다단계 실행형 AI가 더 많고 비싼 토큰을 써 총비용이 오르는 '추론 역설(Inference Paradox)'을 지목했다. 오늘 앵커와 잇대면, 에이전트에 자율을 줄수록 '틀림을 되돌리고 검증하는' 실행 비용까지 함께 커진다는 경고다. 바로가기
🔹 엔비디아, 오픈AI 오하이오 데이터센터에 최대 1,050억 달러 지급보증 [AI 인프라·투자]
엔비디아가 8월 17일 SEC 공시 기준으로 소프트뱅크 계열 SB에너지가 오하이오주에 짓는 8GW 규모 AI 데이터센터의 임대 채무를 최대 1,050억 달러까지 보증한다고 밝혔다. 오픈AI가 20년 임차인으로 참여한다. AI 인프라 투자가 자본시장 지급보증까지 끌어들이는 초대형 국면임을 보여준다. 바로가기
엔비디아가 8월 17일 SEC 공시 기준으로 소프트뱅크 계열 SB에너지가 오하이오주에 짓는 8GW 규모 AI 데이터센터의 임대 채무를 최대 1,050억 달러까지 보증한다고 밝혔다. 오픈AI가 20년 임차인으로 참여한다. AI 인프라 투자가 자본시장 지급보증까지 끌어들이는 초대형 국면임을 보여준다. 바로가기
🔹 라운드힐뮤직, 수노·앤스로픽에 각 10억 달러 규모 저작권 침해 소송 [AI 저작권·법률]
음악 저작권사 라운드힐뮤직이 8월 17일 AI 음악 생성사 수노와 앤스로픽을 상대로 각 10억 달러 규모 저작권·DMCA 위반 소송을 제기했다. 보유·관리하는 500여 곡을 허가 없이 AI 학습에 사용했다는 주장이다. 생성형 AI의 학습데이터 정당성 다툼이 음악 영역으로 확산되는 사례다. 바로가기
음악 저작권사 라운드힐뮤직이 8월 17일 AI 음악 생성사 수노와 앤스로픽을 상대로 각 10억 달러 규모 저작권·DMCA 위반 소송을 제기했다. 보유·관리하는 500여 곡을 허가 없이 AI 학습에 사용했다는 주장이다. 생성형 AI의 학습데이터 정당성 다툼이 음악 영역으로 확산되는 사례다. 바로가기
🔹 삼성·현대차·SK·LG 총수들, AI 에이전트 만들고 '바이브코딩'까지 배운다 [AI 직무교육·재계]
국내 4대 그룹 총수들이 직접 AI 전환(AX)과 임직원 AI 교육을 주문하고 있다고 8월 17일 보도됐다. 삼성은 주요 관계사 임원 2,300여 명 대상 고강도 AI 합숙교육을 마쳤고, 정의선 현대차그룹 회장은 자연어로 요구사항을 입력하는 '바이브코딩'을 익힌 것으로 전해졌다. 'AI를 쓰는 법'이 전 조직의 필수 역량이 되는 흐름은 학교의 AI 리터러시 교육과도 맞닿는다. 바로가기
국내 4대 그룹 총수들이 직접 AI 전환(AX)과 임직원 AI 교육을 주문하고 있다고 8월 17일 보도됐다. 삼성은 주요 관계사 임원 2,300여 명 대상 고강도 AI 합숙교육을 마쳤고, 정의선 현대차그룹 회장은 자연어로 요구사항을 입력하는 '바이브코딩'을 익힌 것으로 전해졌다. 'AI를 쓰는 법'이 전 조직의 필수 역량이 되는 흐름은 학교의 AI 리터러시 교육과도 맞닿는다. 바로가기
🔹 '2026 시흥 진학박람회'에 수험생·학부모 1,500여 명…41개 대학 1대1 상담 [진로·진학(현장)]
시흥시인재양성재단이 시흥교육지원청과 함께 8월 15일 서울대 시흥캠퍼스에서 연 '2026 시흥 진학박람회'에 수험생·학부모 1,500여 명이 몰렸다고 8월 17일 보도됐다. 서울대·인천대·인하대·한양대(에리카) 등 41개 대학이 수시·정시 전형과 학과별 진학 정보를 상담했다. 2028 대입 개편을 앞두고 진학 정보 수요가 커진 현장이다. 바로가기
시흥시인재양성재단이 시흥교육지원청과 함께 8월 15일 서울대 시흥캠퍼스에서 연 '2026 시흥 진학박람회'에 수험생·학부모 1,500여 명이 몰렸다고 8월 17일 보도됐다. 서울대·인천대·인하대·한양대(에리카) 등 41개 대학이 수시·정시 전형과 학과별 진학 정보를 상담했다. 2028 대입 개편을 앞두고 진학 정보 수요가 커진 현장이다. 바로가기
※ 일부 수치·저자·DOI는 [확인 필요] 표기 항목이 있습니다. 인용 전 원문 대조를 권장합니다.