일타조교의 AI 해설 기능을 출시한 뒤, 예상보다 많은 질문을 받았습니다.

칭찬도 있었지만, 날카로운 질문도 많았습니다. "상용 LLM이랑 뭐가 다르냐", "검토 필요라고 뜨면 그건 틀린 거냐", "해설 방식을 내 스타일대로 할 수 있게 해달라" — 현장에서 AI 해설을 실제로 운영하려는 선생님들의 질문은 구체적이었습니다.

그 질문들에 하나하나 대응하다 보니, 우리가 이 엔진을 왜 이렇게 만들었는지를 선생님들께 한 번 정리해야겠다는 생각이 들었습니다.

이 글은 일타조교의 AI 해설 엔진이 어떤 문제를 풀기 위해 설계됐고, 왜 단일 LLM 호출과 다른 길을 선택했는지에 대한 기술적 배경입니다.

긴 글이지만 한 번 읽어봐주시면 감사드리겠습니다.

1. 문제 정의: AI 해설에서 진짜 중요한 것은 "정답 생성"이 아니라 "검수 우선순위"입니다

ChatGPT, Claude, Gemini 같은 LLM(대규모 언어모델)은 이제 문제를 입력하면 꽤 그럴듯한 해설을 만들어냅니다. 이 자체는 더 이상 희소한 기술이 아닙니다. 문제는 그 다음입니다.

이 해설을 바로 써도 되는가? 아니면 사람이 한 번 더 검토해야 하는가?

실제 교육 현장에서는 이 질문이 훨씬 중요합니다. 강사가 100문제 해설을 AI로 생성했더라도, 그중 어떤 문제를 믿고 바로 배포할 수 있는지 알 수 없다면 결국 거의 전부를 다시 검수해야 합니다. 이 경우 AI는 "해설 생성 도구"는 될 수 있어도, 실무 자동화 도구가 되지는 못합니다. 단일 LLM 호출의 한계도 여기에 있습니다. 모델은 답을 제시할 수는 있어도, 그 답을 운영 관점에서 어떻게 다뤄야 하는지까지 구조적으로 분류해 주지는 못합니다. 맞는 답과 위험한 답이 비슷한 톤으로 출력되면, 사용자는 다시 전부 확인할 수밖에 없습니다. 마이일타가 풀고자 한 문제는 정확히 이것입니다.

"AI가 낸 결과 중, 무엇을 바로 쓰고 무엇을 다시 봐야 하는지 먼저 분류할 수 있는가?" 이 질문에 답하기 위해, 마이일타는 정답 생성이 아니라 검수 우선순위화를 중심에 둔 파이프라인을 설계했습니다.

---

2. 기술적 해결: 정답을 만드는 AI가 아니라, 신뢰 수준을 분류하는 AI 파이프라인

일타조교 AI해설 시스템의 핵심 목표는 두 가지입니다.

1. 단일 LLM 결과보다 더 안정적인 해설 결과를 만드는 것
2. 각 문제를 "고확신"과 "검토 필요"로 자동 분류하는 것 이 두 목표를 동시에 달성하기 위해, 세 가지 메커니즘을 하나의 운영 파이프라인으로 연결했습니다.

---

2-1. 이종(Heterogeneous) 모델 병렬 검증

마이일타는 하나의 문제를 한 모델에게만 맡기지 않습니다. 서로 다른 특성을 가진 복수의 상위권 모델이 동일 문제를 독립적으로 풀이합니다. 이때 중요한 것은 단순히 답만 두 번 받아보는 것이 아닙니다.

• 각 모델은 독립적으로 풀이 과정을 생성합니다
• 시스템은 두 결과를 그대로 비교하지 않고, 먼저 출력을 정규화합니다
• 그다음 정답, 중간 추론, 식 전개, 핵심 논리 흐름을 교차 비교합니다
• 일정 기준 이상으로 합의한 경우에만 결과를 고확신 영역으로 보냅니다 즉, 마이일타는 "AI를 여러 번 부르는 방식"이 아니라, 서로 다른 모델의 결과를 비교 가능한 형태로 정리한 뒤 판별하는 구조를 사용합니다. 이 구조의 장점은 분명합니다.
• 한 모델의 편향이나 실수를 다른 모델이 보완할 수 있습니다
• 표면적으로 같은 답이라도 논리 경로가 불안정하면 바로 통과시키지 않습니다
• 반대로 표현이 조금 달라도 실질적으로 동일한 풀이 구조라면 합의로 판단할 수 있습니다 여기서 말하는 "고확신"은 절대적인 정답 보증 문구가 아닙니다. 복수 모델 합의와 내부 검증 기준을 통과한 항목에 부여하는 운영상 신뢰 태그에 가깝습니다.

---

2-2. 인지적 재작성(Cognitive Rewrite)과 자가 교정 루프

모델 간 결과가 완전히 일치하지 않는 경우도 있습니다. 하지만 불일치가 곧바로 실패를 의미하는 것은 아닙니다. 마이일타는 이 지점에서 단순 재시도를 하지 않습니다. 대신 불일치 지점을 구조화해서 모델에게 다시 전달합니다. 예를 들면 이런 식입니다.

• 어느 단계의 식 전개가 충돌하는지
• 단위 해석이 어긋났는지
• 조건 해석이 다른지
• 결론은 같지만 중간 논리가 불안정한지 이 피드백을 바탕으로 모델은 문제 전체를 처음부터 다시 쓰는 것이 아니라, 문제가 된 구간을 중심으로 재작성합니다. 이 과정은 중요한 차이를 만듭니다.
• 단순 재시도보다 실패 원인이 분명합니다
• 불필요한 재생성을 줄일 수 있습니다
• 합의 가능한 문제는 다시 살려낼 수 있습니다
• 끝까지 합의되지 않는 문제만 별도로 걸러낼 수 있습니다 즉, 마이일타는 "한 번 더 돌려보기"가 아니라, 어디가 문제였는지 알고 다시 검증하는 루프를 갖고 있습니다.

---

2-3. 부분 출력 승계(Carry-over Logic)

실서비스에서는 모델 응답이 항상 깔끔하게 끝나지 않습니다. 토큰 제한, 네트워크 지연, 응답 중단, 포맷 깨짐 같은 문제가 실제로 발생합니다. 이때 가장 비효율적인 방식은 처음부터 전체를 다시 생성하는 것입니다. 속도도 느려지고 비용도 급격히 올라갑니다. 마이일타는 마지막 유효 구간을 체크포인트처럼 관리합니다.

• 응답이 끊긴 지점까지의 유효 출력을 보존하고
• 필요한 구간만 이어서 생성하며
• 재검증 시에도 이전 결과를 최대한 승계합니다 이 로직 덕분에 병렬 검증 구조를 사용하면서도, 재작성 비용과 응답 지연을 운영 가능한 수준으로 통제할 수 있습니다.

---

3. 사용자에게는 어떻게 보이는가: "답"이 아니라 "운영 신호"가 함께 나옵니다

단일 LLM을 사용할 때 가장 불편한 지점은, 모든 답이 비슷한 얼굴로 나온다는 점입니다. 예를 들어 이런 출력이 있다고 가정해 보겠습니다.

일반적인 단일 LLM 출력

문제 1: 정답 ③ (해설 출력)
문제 2: 정답 ② (해설 출력)
문제 3: 정답 ④ (해설 출력)
문제 4: 정답 ① (해설 출력)

겉으로는 전부 멀쩡해 보입니다. 하지만 사용자는 알 수 없습니다.

• 무엇이 충분히 안정적인지
• 무엇이 경계해야 할 결과인지
• 무엇부터 먼저 검수해야 하는지 마이일타는 여기에 운영 신호를 추가합니다.

마이일타 검증 파이프라인 출력

문제 1: 정답 ③ ✅ 고확신 — 검증 기준 통과
문제 2: 정답 ② ✅ 고확신 — 검증 기준 통과
문제 3: 정답 ④ ⚠️ 검토 필요 — 모델 간 합의 부족
문제 4: 정답 ① ✅ 고확신 — 검증 기준 통과

이 차이는 매우 큽니다. 강사는 "AI가 4개를 풀었다"는 사실보다, "4개 중 3개는 바로 써도 되고 1개만 다시 보면 된다"는 정보에서 훨씬 큰 가치를 얻습니다. 즉, 마이일타의 핵심 산출물은 단순 해설이 아닙니다. 검수 우선순위가 붙은 해설입니다.

---

4. 왜 이것이 교육 실무에서 중요한가

교육 콘텐츠 운영에서는 정답률만 높다고 끝나지 않습니다. 실제로 중요한 것은 다음 네 가지입니다.

1) 검수량이 줄어드는가

강사가 직접 다시 봐야 할 항목이 줄어들수록 AI의 실무 가치가 커집니다.

2) 위험한 결과를 먼저 드러내는가

오류 가능성이 있는 문제를 숨기는 시스템보다, 먼저 표시해 주는 시스템이 더 안전합니다.

3) 해설 품질이 일정한가

답만 맞는 것이 아니라 식 전개, 단위, 기호, 과목별 표기 방식까지 안정적이어야 합니다.

4) 운영 비용이 통제되는가

검증이 정교하더라도 속도와 비용을 감당할 수 없다면 서비스로는 유지되기 어렵습니다. 마이일타는 이 네 가지를 함께 풀기 위해 설계됐습니다. 즉, 이 시스템은 "AI가 더 똑똑하다"는 주장보다, 교육자가 실제로 덜 고생하게 만드는 구조에 더 가깝습니다.

---

5. 이 기술이 필요한 이유: 신뢰 가능한 자동화만이 다음 단계 기능을 가능하게 합니다

문제풀이 해설 생성만 놓고 보면, 많은 서비스가 비슷해 보일 수 있습니다. 하지만 자동화가 실제 제품으로 확장되려면 이야기가 달라집니다. 예를 들어 아래 기능들은 모두 결과 신뢰도가 전제되어야 합니다.

• 유사 문제 자동 생성
• 기출 변형
• 자동 교재 제작
• 학생 맞춤형 문제 세트 구성
• 서술형 해설 및 피드백 생성 기초 해설 단계에서 위험한 결과를 걸러내지 못하면, 그 위에 쌓이는 모든 자동화 기능도 함께 불안정해집니다. 반대로, 어떤 결과를 바로 써도 되고 어떤 결과는 재검수해야 하는지 먼저 분류할 수 있으면, 그 위에 더 복잡한 생성 기능을 올려도 운영이 가능합니다. 이 점에서 마이일타의 상호검증 파이프라인은 단일 기능이 아니라, 제품 전체의 신뢰 인프라에 가깝습니다.

---

6. 특허 출원 기술로서의 의미

이 구조는 단순히 모델을 여러 번 호출하는 방식이 아닙니다. 출력 정규화, 상호 검증, 자가 교정, 부분 출력 승계를 하나의 흐름으로 묶어 운영하는 것이 핵심입니다. 마이일타는 이 기술을 "인공지능 기반 학습 보조 시스템에서 이종 인공지능 모델의 출력 정규화 기반 상호 검증 및 부분 출력 승계 제어를 위한 장치 및 방법" 명칭으로 특허 출원했습니다.

• 특허 출원 번호: 10-2026-0015001 즉, 마이일타가 말하는 차별점은 단순한 카피 문구가 아니라, 실제 운영 로직으로 구현되고 있는 구조적 차별점입니다.

---

7. 교육자를 위한 핵심 요약

정리하면, 마이일타 이중 AI 검증 파이프라인의 핵심 가치는 두 가지입니다.

① 더 안정적인 해설 결과

단일 모델 결과를 그대로 내보내지 않고, 복수 모델 검증과 자가 교정 루프를 거쳐 결과를 안정화합니다.

② 검토가 필요한 항목을 먼저 골라내는 기능

모든 결과를 같은 톤으로 출력하지 않고, 내부 검증 기준에 따라 고확신과 검토 필요를 구분합니다. 이 차이는 단순한 기능 추가가 아닙니다. 교육 실무에서 AI를 "신기한 데모"가 아니라 실제 운영 도구로 바꾸는 차이입니다. 일반적인 AI 해설은 결과를 줍니다. 마이일타는 결과와 함께 운영 판단 신호를 줍니다.

---

8. 마무리

AI는 계속 좋아질 것입니다. 그러나 더 좋아진 AI도 여전히 실수할 것입니다.

마이일타는 AI가 지금보다 훨씬 불완전하던 시기부터, 어떻게 하면 이 기술을 교육 실무에 견딜 수 있는 형태로 만들 수 있을지 고민해 왔습니다. 그 과정에서 우리가 먼저 설계한 것은 더 화려한 출력이 아니라, AI의 실수를 드러내고 사람이 필요한 지점을 남겨두는 구조였습니다.

우리는 엣지케이스 앞에서 쉽게 무너지는 데모가 아니라, 실제 수업과 검수 과정 속에서 버티는 도구를 만들고 싶었습니다. 그래서 마이일타의 핵심은 단순히 답을 생성하는 능력이 아니라, AI를 어디까지 믿어도 되고 어디서부터 다시 봐야 하는지를 구분하는 능력에 있습니다.

이 기술을 공개하는 이유도 같습니다. 교육에서 AI에 대한 신뢰는 더 그럴듯한 결과물만으로 만들어지지 않습니다. AI가 틀릴 수 있다는 사실을 감추지 않고, 그 실수를 어떻게 다룰 것인지까지 설계할 때 비로소 신뢰할 수 있는 서비스가 됩니다. 마이일타는 그 기준을 기술로 증명하려고 합니다.