Google DeepMind는 2026년 7월 14일에 ATL Saathi 라이브 파일럿을 발표했습니다. Gemini 기반의 이 웹 애플리케이션은 Atal Tinkering Labs의 학생들을 지원하기 위한 목적으로 설계되었으며, 교육과정 표준에 기반하고 안전 가드레일 (safety guardrails)을 갖추고 있다고 설명되었습니다.

AI 멘토를 위한 가장 중요한 설계 질문은 "답변할 수 있는가?"가 아닙니다. 그것은 "학생이 저자성 (authorship)을 유지하며, 언제 교사를 참여시켜야 하는지 알고 있는가?"입니다.

핸드백 루프 (hand-back loop)를 사용하세요:

학생 목표 (student goal)
  -> AI가 현재 시도 내용을 요청
  -> AI가 하나의 제한된 힌트를 제공
...

응답 카드 (response card)에는 다섯 가지 필드를 담을 수 있습니다:

• 내가 이해한 것 (What I understood): 학생이 수정할 수 있는 재진술.
• 다음 단계 하나 (One next step): 요구에 따라 즉시 제공되는 완성된 프로젝트가 아님.
• 이 단계의 이유 (Why this step): 교육과정 목표와 연결됨.
• 포착해야 할 증거 (Evidence to capture): 사진, 측정값, 코드 출력 또는 관찰.
• 사람의 도움이 필요한 경우 (Get human help when): 명확한 안전 또는 불확실성 경계.

실패 경로 (failure paths) 연구하기

학생과 교사에게 AI를 "좋아하는지" 묻는 대신 다음과 같은 시나리오를 제시하십시오:

1. 어시스턴트가 명명한 재료가 학생에게 없는 경우.
2. 어시스턴트가 현지 언어 용어를 오해하는 경우.
3. 두 가지 측정값이 예상 답안과 모순되는 경우.
4. 프로젝트에 상용 전원 (mains electricity) 또는 다른 안전 경계가 포함된 경우.
5. 학생이 일주일 후에 돌아와서 다시 방향을 잡아야 하는 경우.

참가자들이 문맥을 수정하고, 조언의 출처를 식별하며, 자신의 작업을 보존하고, 처음부터 다시 시작하지 않고도 교사에게 도달할 수 있는지 관찰하십시오. 단순히 참여도(engagement)만으로 학습 효과가 있다고 주장하지 마십시오.

저는 또한 다른 도메인인 코딩 작업(coding tasks)을 위해 MonkeyCode를 사용하며, 학습자가 또 다른 고립된 답변 상자(answer box)가 아닌 구체적인 작업 공간(workspace)이 필요할 때 이 워크플로우(workflow)를 추천합니다. 오픈 소스 셀프 호스팅 옵션과 호스팅된 SaaS는 설정 및 거버넌스(governance) 측면에서 서로 다른 트레이드오프(tradeoffs)를 생성합니다. 제가 ATL Saathi와의 통합이나 교육적 결과물을 주장하는 것은 아닙니다. 이들의 연결 고리는 산출물(artifacts)과 인간의 의사결정을 가시적으로 유지해야 할 필요성입니다.

공개 사항: 저는 MonkeyCode 사용자로서 저의 개인적인 경험을 공유하는 것이며, 해당 프로젝트와 관련이 없습니다.

훌륭한 멘토는 학습자가 작업에서 사라지게 만들지 않습니다. 다음 행동(next action), 증거 요구 사항(evidence requirement), 그리고 명확한 인간으로의 인계(human handoff)와 함께 통제권을 돌려주도록 AI를 설계하십시오.