SCORM이 사라지지 않는 이유 — 그리고 AI가 마침내 변화시킬 것

SCORM은 CD-ROM과 Flash의 시대였던 2000년대 초반에 구축되었습니다. 2026년인 지금도 기업용 e-러닝의 80% 이상을 차지하고 있습니다. 그 이유와 생성형 AI (Generative AI)가 마침내 이 순환을 끊어낼 수 있는 이유를 알아봅니다.

SCORM은 어디에나 있으며, 아무도 이를 반기지 않는다

기업 교육 근처에서 일해본 적이 있다면, SCORM — Sharable Content Object Reference Model을 접해봤을 것입니다. 이는 e-러닝 콘텐츠가 학습 관리 시스템 (LMS, Learning Management System)과 통신할 수 있게 해주는 표준 세트입니다. 즉, 완료 여부를 추적하고, 점수를 기록하며, 중단했던 지점부터 다시 시작할 수 있게 합니다.

SCORM 1.2는 2001년에 출시되었습니다. SCORM 2004는 몇 년 후 뒤따랐습니다. 그게 전부입니다. 이 사양 (Spec)은 20년 동안 의미 있는 진화를 거치지 않았습니다.

그럼에도 불구하고, Moodle, Cornerstone, SAP SuccessFactors, Docebo, Absorb 등 시장의 거의 모든 LMS는 여전히 주요 콘텐츠 형식으로 SCORM을 지원합니다. 대부분의 Fortune 500 기업 컴플라이언스 교육이 이를 기반으로 실행됩니다. Adobe Captivate부터 Articulate Storyline, Lectora에 이르기까지 모든 주요 저작 도구 (Authoring tool)는 SCORM 패키지를 내보냅니다.

이것은 기업 교육의 TCP/IP와 같습니다. 매력적이지 않고, 삐걱거리며, 보편적으로 이해되는 표준입니다.

사라지지 않는 이유: 아무도 말하지 않는 네트워크 효과

사람들은 "SCORM은 죽었다"라는 글을 쓰는 것을 좋아합니다. 저는 11년 동안 e-러닝 엔지니어링 분야에 종사해 왔으며, 일을 시작한 이후 매년 적어도 한 번은 그런 헤드라인을 읽었습니다. SCORM이 죽지 않은 이유는 엔터프라이즈 소프트웨어에서 가장 강력한 네트워크 효과 중 하나의 이점을 누리고 있기 때문입니다.

생태계를 살펴보십시오:

**저작 도구 (Authoring tools)**는 LMS 플랫폼이 기대하기 때문에 SCORM을 내보냅니다.
LMS 플랫폼은 저작 도구가 내보내기 때문에 SCORM을 지원합니다.
L&D 팀은 조달 프로세스에서 이를 요구하기 때문에 SCORM을 필요로 합니다.
조달 (Procurement) 부서는 모든 벤더가 지원하는 유일한 형식이기 때문에 SCORM을 의무화합니다.

이 순환을 깨기 위해서는 모든 구성원이 동시에 움직여야 합니다. 하지만 엔터프라이즈 소프트웨어(Enterprise software) 환경에서는 그런 일이 일어나지 않습니다. 특히 "이 정도면 충분하다"는 인식이 지배적이고, 전환 비용(Switching costs)이 눈에 보이지 않으면서도 막대할 때(수천 개의 코스 재포장, 콘텐츠 팀 재교육, 벤더 계약 재협상 등)는 더욱 그렇습니다.

xAPI (Tin Can)는 그 후계자가 될 예정이었습니다. 2013년에 출시된 xAPI는 단순히 코스 완료 여부만이 아니라, 모든 학습 경험을 추적한다는 진정으로 더 나은 아이디어를 가지고 있었습니다. YouTube 영상을 통한 학습? 직무 현장 시뮬레이션(On-the-job simulation)? VR 모듈? xAPI는 이 모든 것을 추적할 수 있습니다. 하지만 13년이 지난 지금도 기업 환경에서의 xAPI 도입은 여전히 부분적입니다. "xAPI를 사용한다"고 말하는 대부분의 조직은 실제로는 SCORM을 대체하는 것이 아니라 SCORM과 병행하여 운영하고 있습니다.

SCORM이 실제로 한계를 드러내는 지점

SCORM의 한계는 이론적인 것에 그치지 않습니다. 이는 제가 직접 경험했던 실제적인 문제들을 야기합니다.

적응형 콘텐츠 (Adaptive content) 개념의 부재. SCORM은 코스를 통한 선형적 진행(Linear progress)을 추적합니다. 학습자의 성과에 따라 변화하는 분기형 경로(Branching paths)를 표현할 수 없습니다. 창의적인 SCO 구조화로 이를 우회할 수는 있지만, 데이터 모델 자체가 "이 학습자는 저 학습자와 다른 버전의 코스를 보았다"는 사실을 기본적으로 지원하지는 않습니다.

얕은 평가 데이터. SCORM은 정답/오답과 점수만을 기록합니다. 학습자가 어떻게 정답에 도달했는지, 얼마나 오래 고민했는지, 답변을 변경했는지, 혹은 오답을 통해 어떤 오개념(Misconceptions)이 드러나는지는 포착하지 못합니다.

실시간 데이터의 부재. SCORM은 LMS로의 동기식 JavaScript 호출을 통해 통신합니다. 스트리밍도, 실시간 분석도 없으며, 집계된 학습자 데이터를 기반으로 세션 중간에 콘텐츠가 적응할 수 있는 능력도 없습니다.

단일 세션 가정. SCORM은 학습자가 자리에 앉아 코스를 수강하고 완료한다는 것을 가정합니다. 회의 사이 모바일로 3분씩 끊어서 학습하는 현대의 현실은 SCORM의 세션 모델과 잘 맞지 않습니다.

생성형 AI(Generative AI)의 등장 — 진정한 파괴적 혁신

저는 기업용 저작 도구(authoring tool)에 생성형 AI (Generative AI)를 통합하는 작업을 진행해 왔으며, 그 과정에서 다음과 같은 사실이 명확해졌습니다. AI는 단순히 SCORM 기반의 콘텐츠를 개선하는 것에 그치지 않습니다. AI는 SCORM이 근본적으로 기술할 수 없는 콘텐츠를 생성합니다.

AI 생성 적응형 경로 (AI-generated adaptive paths). AI가 학습자의 역할, 사전 지식 또는 실시간 성과를 기반으로 개인화된 학습 경로를 생성할 때, 모든 학습자는 서로 다른 코스를 받게 됩니다. SCORM은 이를 표현할 방법이 없습니다. 사람마다 다른 코스의 "완료 (completion)"란 무엇일까요? 질문이 동적으로 생성되었을 때 "점수 (score)"는 무엇을 의미할까요?

대화형 학습 (Conversational learning). 후속 질문에 답하고, 설명을 조정하며, 이해도를 확인하는 등 학습자와 대화하는 AI 튜터는 슬라이드의 연속체와는 전혀 다른 학습 경험을 만들어냅니다. SCORM 데이터 모델에는 "학습자의 후속 질문 품질"이나 "교정된 오개념의 수"를 위한 요소가 없습니다.

지속적 평가 (Continuous assessment). 마지막에 퀴즈를 치르는 대신, AI는 대화를 통해 이해도를 지속적으로 평가할 수 있습니다. 이는 학습자의 이해도에 대한 풍부하고 연속적인 신호를 생성합니다. 개별적이고 번호가 매겨진 질문을 위해 설계된 SCORM의 cmi.interactions 모델은 이러한 데이터를 담을 수 없습니다.

생성된 콘텐츠 버전 관리 (Generated content versioning). 만약 AI가 설명이나 예시를 즉석에서 생성한다면, "콘텐츠"는 더 이상 고정된 패키지가 아닙니다. 그것은 프롬프트 (prompts), 가드레일 (guardrails), 그리고 생성 파라미터 (generation parameters)의 집합입니다. SCORM은 콘텐츠가 LMS에 업로드된 정적인 zip 파일이라고 가정합니다. 콘텐츠가 런타임 (runtime)에 생성될 때 이러한 사고 모델은 무너집니다.

실제로 SCORM을 대체할 것 (아마도)

이 분야를 내부에서 지켜본 후 제가 내린 결론은 다음과 같습니다:

SCORM은 또 다른 단일 표준 (monolithic standard)에 의해 대체되지 않습니다. 대신, 점진적으로 공동화 (hollowed out)될 것입니다:

1. xAPI는 풍부한 데이터를 캡처합니다. AI가 생성한 학습 상호작용(learning interactions)은 학습 기록 저장소(Learning Record Store)로 전송되는 xAPI 문장(statements)으로 추적됩니다. 이는 이미 기술적으로 가능하며, 일부 앞서 나가는 조직들은 이미 이를 실행하고 있습니다.

2. SCORM은 "컨테이너"로 남습니다. 규정 준수(compliance)와 상호 운용성(interoperability)을 위해, 콘텐츠는 여전히 LMS 전달을 위한 SCORM 패키지로 래핑(wrapped)됩니다. 하지만 해당 패키지 내부의 실제 학습 경험은 점점 더 외부 AI 서비스와 통신하고 xAPI를 통해 상세한 데이터를 기록하는 반면, SCORM에는 최소한의 정보(완료/미완료, 합격/불합격)만 보냅니다.

3. LTI가 실행(launch)을 담당합니다. 학습 도구 상호 운용성 (LTI, Learning Tools Interoperability)은 이미 대부분의 LMS 플랫폼이 외부 도구를 실행하는 방식입니다. AI 기반 학습 경험은 본질적으로 외부 도구입니다. 즉, 자체적인 인프라와 자체적인 모델 위에서 실행되며, 단지 LMS에서 안전하게 실행되고 성적을 다시 전달할 수 있는 방법만 필요할 뿐입니다.

그 결과 하나의 스택이 형성됩니다: 실행을 위한 LTI → 경험을 위한 AI 서비스 → 풍부한 데이터를 위한 xAPI → 레거시 규정 준수를 위한 SCORM. 아무도 SCORM을 대체하지 않습니다. 모두가 SCORM을 우회하여 경로를 설정할 뿐입니다.

오늘날 이러닝(E-Learning) 도구를 구축하고 있다면 이것이 의미하는 바

만약 당신이 저작 도구(authoring tools)나 LMS 플랫폼을 개발하는 엔지니어 또는 제품 관리자(product manager)라면, 다음과 같은 실질적인 조언을 드립니다.

SCORM을 버리지 마십시오. 고객이 그것을 필요로 합니다. 조달(procurement) 과정에서도 요구됩니다. 하지만 SCORM을 데이터 모델이 아닌, 패키징 형식으로 취급하십시오.

xAPI 배관(plumbing)에 투자하십시오. SCORM 추적과 병행하여 xAPI 문장을 방출(emit)하고 소비(consume)할 수 있는 인프라를 구축하십시오. AI 기반 콘텐츠가 주류가 될 때(그리고 반드시 그렇게 될 것입니다), 당신에게는 이것이 필요할 것입니다.

정적인 패키지가 아닌 콘텐츠를 위해 설계하십시오. AI 생성 콘텐츠는 "강좌(course)"가 하나의 zip 파일이라는 가설에 도전합니다. 콘텐츠를 템플릿, 프롬프트(prompts), 가드레일(guardrails), 그리고 생성 파라미터(generation parameters)의 조합으로 생각하기 시작하십시오. 당신의 콘텐츠 모델은 이를 수용할 수 있어야 합니다.

SCORM이 할 수 없는 것을 추적하십시오. xAPI가 완전히 채택되기 전이라도, 학습자의 망설임, 답변 변경, 개념별 체류 시간(time-on-concept), 도움 요청 행동과 같이 더 풍부한 상호작용 데이터(interaction data)를 수집하기 시작하십시오. 이를 자체적인 분석 계층(analytics layer)에 저장하십시오. 이 데이터는 더 나은 AI 튜터링을 위한 학습 신호(training signal)가 됩니다.

결론

SCORM이 살아남은 이유는 상호운용성(interoperability) 문제를 충분히 잘 해결했기에, 아무도 전환할 충분한 동기를 느끼지 못했기 때문입니다. AI는 더 나은 표준이 됨으로써 SCORM을 죽이는 것이 아닙니다. SCORM의 데이터 모델로는 설명할 수 없는 학습 경험을 만들어냄으로써 SCORM을 종결시킵니다.

이 전환은 한 번에 이루어지는 교체가 아닐 것입니다. 그것은 점진적인 계층화(layering)가 될 것입니다. 즉, SCORM 컨테이너 내부에서 실행되면서 xAPI를 통해 데이터를 추적하고, LTI를 통해 실행되는 AI 기반 콘텐츠의 형태가 될 것입니다. 만약 당신이 이 분야에서 무언가를 구축하고 있다면, 지금 바로 그러한 계층화된 미래를 위해 설계하십시오.

저는 Adobe에서 11년 동안 e-러닝 도구를 구축해 온 시니어 소프트웨어 엔지니어입니다. 저는 AI, 기업용 콘텐츠 표준, 그리고 규제 산업에서 소프트웨어를 출시하는 복잡한 현실의 교차점에 대해 글을 씁니다. LinkedIn에서 저를 찾아보세요.