지난 2월, 교육부(Department of Education)는 기초 교육을 위한 국가 최초의 AI 거버넌스 프레임워크(AI governance framework)인 AGAP.AI를 출시했습니다. 몇 달 만에 Reading Progress는 수천 개의 교실에 도달했으며, 교사의 업무는 수동 채점에서 적응형 대시보드(adaptive dashboards)로 전환되었습니다. 이 배포가 성공한 이유는 도구가 최첨단이었기 때문이 아니라, 근본적인 아키텍처(architecture)가 첫날부터 확장성(scale)을 고려하여 구축되었기 때문입니다. 대부분의 관찰자가 놓친 점은 이것이 교육에 관한 이야기가 아니라는 것입니다. 이것은 엔터프라이즈 AI 아키텍처(enterprise AI architecture)에 관한 이야기입니다. (출처: Microsoft News Asia, 2026)

Infographic

아무도 이야기하지 않는 사례 연구

AGAP.AI가 가동되었을 때, 헤드라인은 태블릿, 앱, 그리고 교사 교육에 집중되었습니다. 그것들은 눈에 보이는 부분입니다. 보이지 않는 부분은 인프라(infrastructure)입니다. Microsoft는 DepEd와 협력하여 분산된 학교 시스템 전반에 걸쳐 Azure 클라우드 서비스(cloud services), ID 관리(identity management), 그리고 데이터 파이프라인(data pipelines)을 정렬했습니다. 이것은 조달(procurement)의 승리가 아닙니다. 이것은 아키텍처(architecture)의 승리입니다. (출처: EdTech Hub, 2026)

대부분의 필리핀 기업들은 여전히 AI를 제품 구매로 취급합니다. 그들은 벤더 계약을 체결하고, 애플리케이션을 설치하며, 그것을 혁신이라고 부릅니다. DepEd의 배포는 다른 패턴을 보여줍니다. 거버넌스(Governance), ID(identity), 그리고 데이터 흐름(data flow)은 어떤 교실 도구가 배송되기 전에 정의되었습니다. 그 순서가 도구 자체보다 더 중요합니다. (출처: EdTech Hub, 2026)

데이터 준비성이 실제 병목 구간이다

AGAP.AI에는 전체 배포 전에 학교를 스트레스 테스트하는 디지털 성숙도 평가(Digital Maturity Assessment)가 포함되어 있습니다. 이 평가는 연결성(connectivity), 기기 가용성(device availability), 그리고 교사의 준비 상태를 점검합니다. 이것은 관료주의가 아닙니다. 이것은 데이터 준비성 모델링(data readiness modeling)입니다. (출처: EdTech Hub, 2026)

기업들은 종종 이 단계를 건너뜁니다. 그들은 스키마 (schemas)를 정제하거나, 형식을 표준화하거나, 액세스 제어 (access controls)를 정의하지 않은 채 기존 데이터베이스에서 AI를 실행하기를 원합니다. 그 결과는 실제 운영 환경 (production)에 투입되었을 때 결코 살아남지 못하는 개념 증명 (proof of concept)에 불과합니다. 정부와 민간 시스템 간의 데이터 품질 차이가 매우 큰 필리핀에서는 이러한 준비성 (readiness)이 훨씬 더 중요합니다. 모델은 그것에 데이터를 공급하는 파이프라인 (pipeline)만큼만 신뢰할 수 있습니다. (출처: Microsoft News Asia, 2026)

모델 숭배가 아닌 모델 라우팅 (Model Routing)

DepEd는 단일 AI 제품을 발표한 것이 아닙니다. 그들은 프레임워크 (framework)를 발표했습니다. AGAP.AI는 서로 다른 작업들을 서로 다른 모델과 도구로 라우팅 (route)하도록 설계되었습니다. Reading Progress는 한 가지 접근 방식을 사용합니다. 교사 지원은 또 다른 방식을 사용합니다. 행정 업무는 또 다른 방식을 사용합니다. 이것이 바로 모델 라우팅 (model routing)입니다. 또한 이것은 성숙한 기업들이 AI 스택 (AI stacks)을 설계해야 하는 방식이기도 합니다. (출처: Microsoft News Asia, 2026)

하나의 플래그십 모델 (flagship model)을 선택하여 모든 유스케이스 (use case)를 강제로 통과시키는 것은 초보적인 실수입니다. 이는 병목 현상 (bottlenecks)을 일으키고, 비용을 높이며, 정확도를 제한합니다. 더 나은 패턴은 역량 기반 라우팅 (capability-based routing)입니다. 단순한 작업은 빠르고 저렴한 모델에, 복잡한 작업은 더 깊이 있는 모델에, 그리고 민감한 작업은 온프레미스 (on-prem) 또는 프라이빗 배포 (private deployments)에 할당하는 것입니다. 라우팅을 통해 조직은 비용과 정확도를 동시에 최적화할 수 있습니다. (출처: Microsoft News Asia, 2026)

레거시 시스템과의 통합 (Integration With Legacy Systems)

필리핀 기업들은 수십 년 된 레거시 인프라 (legacy infrastructure)를 보유하고 있습니다. 은행, 통신사, 물류 기업, 그리고 정부 기관 모두 현대적인 API (APIs)가 등장하기 이전의 핵심 시스템 (core systems)을 가지고 있습니다. DepEd의 과제도 이와 유사합니다. 학교들은 서로 다른 학습 관리 시스템 (learning management systems), 출석 도구, 그리고 로컬 데이터베이스를 사용합니다. 국가적 AI 플랫폼이 이 모든 시스템을 하룻밤 사이에 대체할 수는 없습니다. 플랫폼은 이 시스템들 위에 자리 잡고 데이터를 깔끔하게 교환해야 합니다. (출처: GOV.UK, 2026)

아키텍처 선택은 기존 시스템을 완전히 갈아엎는 방식(rip-and-replace) 대신, API 우선 추상화 계층(API-first abstraction layers)을 사용하는 것입니다. 이러한 접근 방식은 초기 도입 속도는 늦출 수 있지만 운영을 보호합니다. 또한 이는 하단의 핵심 트랜잭션 시스템(core transaction systems)을 건드리지 않고도 AI 계층을 발전시킬 수 있음을 의미합니다. 2026년에 AI를 계획하는 모든 기업은 동일한 선택을 해야 합니다. (출처: Asia Education Review, 2026)

비용, 거버넌스(Governance), 그리고 단계적 도입 (Phased Rollout)

AGAP.AI는 1년짜리 프로젝트가 아닙니다. 이는 교육, 지표 측정, 그리고 지역적 확장을 포함하는 다년간의 거버넌스(governance) 프로그램입니다. 이러한 속도 조절은 의도적인 것입니다. 대규모 도입은 모든 것을 한꺼번에 처리하려 할 때 실패합니다. 단계적 접근 방식(phased approach)을 통해 팀은 확장을 하기 전에 피드백을 수집하고, 모델을 조정하며, 인프라를 수정할 수 있습니다. (출처: EdTech Hub, 2026)

비즈니스 리더들에게 주는 교훈은 예산과 이사회(board)의 기대치에 관한 것입니다. AI는 단발성 자본 지출(capital expense)인 경우가 드뭅니다. 이는 거버넌스 오버헤드(governance overhead)를 동반하는 반복적인 운영 비용(operational cost)입니다. 성공하는 조직은 아키텍처, 교육, 그리고 반복(iteration)을 단일 벤더 인보이스(vendor invoice) 안에 묻어버리는 대신, 별도의 항목(line items)으로 자금을 지원하는 조직입니다. (출처: Microsoft News Asia, 2026)

필리핀 기업들이 다음에 해야 할 일

제안 요청서(RFP, Request for Proposal)를 작성하기 전에 성숙도 평가(maturity assessment)부터 시작하십시오. 벤더를 평가하기 전에 기존 데이터 소스, API 격차(gaps), 그리고 ID 흐름(identity flows)을 매핑하십시오. 특정 제공업체에 종속(lock-in)되는 대신, 모델 간에 작업을 이동할 수 있는 라우팅 계층(routing layer)을 구축하십시오. 레거시 시스템(legacy systems)은 모든 AI 유행 주기(hype cycle)보다 오래 지속될 것이므로, 처음부터 레거시 통합(legacy integration)을 고려하여 설계하십시오. 마지막으로, 첫 번째 파일럿(pilot)이 가동되기 전에 거버넌스(governance) 규칙을 설정하십시오. (출처: Microsoft News Asia, 2026)

FAQ

Q: AGAP.AI가 교육 분야가 아닌 기업에도 관련이 있습니까?
A: 네. 준비도 평가(readiness assessment), 모델 라우팅(model routing), 단계적 도입(phased rollout), 그리고 거버넌스 우선 설계(governance-first design)와 같은 아키텍처 패턴은 대규모로 AI를 운영하는 모든 조직에 적용됩니다.

Q: 기업은 AI를 추가하기 전에 레거시 시스템(legacy systems)을 교체해야 합니까?
A: 아니요. API 우선 추상화 계층(API-first abstraction layers)을 사용하면 핵심 운영을 중단하지 않고도 AI를 기존 레거시 인프라 위에 배치할 수 있습니다.

Q: 오늘날 기업들이 AI와 관련하여 범하는 가장 큰 실수는 무엇입니까?
A: 데이터 파이프라인(data pipeline), 거버넌스 모델(governance model), 그리고 통합 아키텍처(integration architecture)를 정의하기 전에 제품부터 구매하는 것입니다.

핵심 요약 (Key Takeaway)

필리핀의 교육 AI 추진 사례는 AI의 성공이 애플리케이션(applications)이 아닌 아키텍처(architecture)에 달려 있음을 증명합니다. AI를 소프트웨어가 아닌 인프라(infrastructure)로 취급하는 팀이 하위 시스템을 망가뜨리지 않고 AI를 확장할 수 있을 것입니다. 스스로에게 질문해 보십시오. 만약 당신의 AI 계획에서 모든 벤더(vendor) 로고를 제거한다면, 여전히 작동하는 아키텍처가 남아 있습니까?

출처 (Sources)

• DepEd and Microsoft Accelerate Learning Recovery and AI Literacy for Filipinos
• Designing EdTech for Foundational Literacy and Numeracy: Insights from the Philippines
• UK-Philippines Partnership Boosts EdTech, Digital Learning
• UK and DepEd Strengthen EdTech Collaboration in Philippines