딥브레인AI 커리큘럼 생성기의 멀티 LLM 에이전트 아키텍처

주제 입력에서 LMS 배포까지 연결하다

딥브레인AI는 2026년 6월 온라인 교육 과정 설계를 자동화하는 ‘AI 커리큘럼 생성기’를 출시했다. 자사 AI 영상 합성 플랫폼인 AI스튜디오에 통합된 기능으로, 전문적인 교수설계(Instructional Design) 경험이 없어도 주제나 짧은 설명을 입력해 교육 과정 초안을 만들 수 있다.

서비스는 입력 내용을 섹션·레슨·퀴즈가 포함된 커리큘럼 트리로 구조화한다. 사용자는 생성된 초안에서 섹션을 추가하거나 삭제하고, 드래그앤드롭으로 순서를 바꿀 수 있다. 편집을 마친 커리큘럼은 AI스튜디오의 영상 제작 기능과 연결된다. 1,000개 이상의 AI 음성과 150개 이상의 언어를 활용해 강의 영상을 만들고, SCORM 형식으로 내보내거나 무들(Moodle), 블랙보드(Blackboard), 캔버스(Canvas) 등 주요 LMS와 연동할 수 있다.

기존 이러닝 제작에서는 교수설계자, 스크립터, 성우, 영상 편집자, LMS 관리자가 직렬로 작업하는 경우가 많았다. AI 커리큘럼 생성기는 이 흐름을 AI 에이전트 오케스트레이션으로 병렬화·자동화하는 접근을 취한다. 별도 촬영 장비나 강사 섭외 없이 다국어 콘텐츠를 제작할 수 있어 기업 온보딩, 직무교육, 글로벌 교육 확산에 활용할 수 있다.

공개 정보로 추론한 에이전트 파이프라인

내부 구현을 설명하는 기술 문서는 제한적이다. 따라서 다음 구조는 딥브레인AI가 공개한 서비스 특성과 EduPlanner, Instructional Agents 같은 멀티 LLM 교육 플랫폼 연구를 바탕으로 한 추론이다.

주제가 입력되면 먼저 학습 목표와 대상 수준, 예상 학습 시간을 해석하고 커리큘럼 계층으로 분해하는 과정이 필요하다. 이후 생성 결과의 논리적 흐름과 내용 중복, 학습 목표와의 정렬 상태를 검사하고, 기준에 미달하면 구조화 단계로 돌려보내는 형태를 생각할 수 있다.

⤢✕

의도 분석 에이전트는 입력 주제에서 학습 목표(Learning Objective), 입문·중급·전문가와 같은 대상 수준, 예상 학습 시간을 추론한다. 커리큘럼 설계 에이전트는 ADDIE의 분석·설계·개발·실행·평가 흐름을 토대로 모듈 계층을 구성한다. 품질 검증 루프는 완성도와 중복, 학습 목표 정렬 여부를 검사한 뒤 필요한 경우 다시 생성하도록 연결한다.

레슨별 작업을 멀티 LLM으로 분배한다

커리큘럼이 확정되면 레슨별 콘텐츠 생성 작업을 병렬로 실행할 수 있다. 이때 콘텐츠 라우터는 개념 설명, 실습, 평가와 같은 레슨 유형에 따라 적합한 LLM을 선택하고 작업을 분배한다.

⤢✕

스크립트 생성 LLM은 청크 이론과 인지 부하 이론을 반영해 강의 텍스트를 분절한다. 퀴즈 생성 LLM은 블룸의 분류 체계(Bloom's Taxonomy)에 따라 인지 수준별 문항을 만든다. 생성된 스크립트는 딥브레인AI의 TTS와 AI 아바타 기술로 전달돼 촬영 없이 강의 영상으로 합성된다.

텍스트 스크립트와 시각 자료, AI 음성, 아바타 영상은 타임라인을 기준으로 동기화해야 한다. 텍스트에서 특정 내용을 언급하는 시점과 관련 시각 자료가 등장하는 시점을 맞추는 멀티모달 정렬이 이 단계의 핵심 기술 요소다.

완성된 콘텐츠에는 다층 검증도 필요하다. 1차에서는 스크립트의 완결성·문법·표절을 자동 검사하고, 2차에서는 LLM으로 퀴즈 정답의 정확성과 난이도 편차를 확인한다. 3차에서는 그래프 기반 의존성 분석으로 커리큘럼 전체의 학습 경로가 일관적인지 검사한다.

영상 생성 도구에서 교육 플랫폼으로 확장하는 방식

AI 커리큘럼 생성기는 AI스튜디오에 기능 하나를 추가한 사례라기보다 생성형 AI 서비스가 도메인 플랫폼으로 확장되는 흐름에 가깝다.

단계	서비스 형태	딥브레인AI 사례
(1) 단일 기능	AI 아바타 영상 생성	초기 AI스튜디오
(2) 워크플로우 도구	텍스트→영상 자동화	AI스튜디오 v2
(3) 도메인 플랫폼	교육 과정 전체 자동화	AI 커리큘럼 생성기
(4) 에이전트 생태계	외부 LMS·도구 오케스트레이션	현재 진행 방향

초기에는 이미지·텍스트·음성과 같은 개별 생성 기능을 제공하다가 도메인별 작업 흐름을 자동화하고, 다시 외부 시스템과 결합하는 방식이다. 딥브레인AI 사례에서는 AI 아바타 영상 생성에서 텍스트 기반 영상 제작으로, 다시 교육 과정 전체와 LMS를 연결하는 플랫폼으로 범위가 넓어졌다.

기업 HR·L&D 조직은 신규 사원 온보딩과 컴플라이언스 교육을 주제 입력만으로 수 시간 내 만들 수 있다. 직업훈련기관에서는 국비지원 훈련 과정의 설계 시간을 줄이고 교수요목(Syllabus)을 생성하는 데 활용할 수 있다. 대학과 평생교육원은 수강신청 전 과정 미리보기나 다국어 교재를 제작할 수 있으며, 글로벌 기업은 150개 이상 언어로 동일한 교육 과정의 현지화를 병렬 처리할 수 있다.

교육 도메인을 프롬프트 체인에 반영한다

교육 콘텐츠의 품질은 범용 LLM 호출만으로 확보하기 어렵다. AI 커리큘럼 생성기에서는 교수설계 원칙과 학습 목표, 평가 방법을 프롬프트 체인 안에서 연결하는 설계가 중요하다.

⤢✕

ADDIE의 분석→설계→개발→실행→평가 단계는 커리큘럼 생성 절차를 구성하는 기준이 된다. 블룸의 분류 체계는 기억·이해·적용·분석·평가·창조 6단계에 맞춰 학습 활동을 배분하는 데 쓰인다. UDL(보편적 학습 설계)은 시각·청각·읽기·운동감각 등 서로 다른 학습 유형을 고려해 콘텐츠 형식을 다양화하는 원칙을 제공한다.

여기에 목표·내용·평가가 서로 맞물리는지 확인하는 정렬 검증, 난이도를 점진적으로 높이는 나선형 커리큘럼 원칙, 텍스트·음성·영상의 일관성을 검사하는 과정이 함께 들어간다.

글로벌 교육 콘텐츠 도구와 비교한 위치

항목	딥브레인AI	Coursebox AI	EduPlanner (연구)	Articulate 360
커리큘럼 자동 생성	완전 자동	완전 자동	멀티에이전트	반자동
AI 아바타 영상	자체 엔진	미지원	N/A(연구)	제한적
다국어 지원	150개 이상	일부	N/A	제한적
SCORM 지원	지원	지원	N/A	지원
LMS 연동	Moodle·Blackboard·Canvas	다수	N/A	다수
국내 서비스	한국어 최적화	영어 중심	영어 중심	영어 중심
AI 음성 수	1,000개 이상	수십 개	N/A	수십 개

딥브레인AI의 구별되는 지점은 자체 AI 아바타·음성 합성 기술을 커리큘럼 자동화와 한 서비스 안에서 연결한 수직 통합 구조다. 글로벌 경쟁 도구와 비교하면 한국어와 아시아권 언어 최적화, 국내 LMS 생태계에 대한 이해도에서도 유리한 위치를 점한다.

2025년 발표된 EduPlanner는 LLM 기반 멀티에이전트 교수설계 시스템이다. 평가자 에이전트, 최적화 에이전트, 문항 분석 에이전트가 적대적 협업(Adversarial Collaboration)을 통해 교수설계 품질을 높이는 구조를 제안한다. 딥브레인AI의 상용 서비스가 이와 같은 협업 원리를 어느 수준까지 구현했는지는 기술 공개 이후 확인해야 한다. 다만 품질 검증 루프에서는 유사한 접근이 반영되었을 가능성이 높다.

지능형 콘텐츠 시스템으로 읽는 서비스 구조

AI 커리큘럼 생성기는 지능형 콘텐츠 시스템(ICS)의 여러 요소를 포함한다. SCORM을 통해 재사용 가능한 학습 객체(Reusable Learning Object, RLO)를 만들고, 생성 콘텐츠에 학습 목표·난이도·유형 메타데이터를 부여한다. 학습자 수준에 맞춰 커리큘럼을 동적으로 재구성하는 적응적 학습 경로의 가능성도 내포한다. IMS Global·SCORM·xAPI 표준 준수는 서로 다른 LMS 사이에서 콘텐츠를 옮길 수 있는 상호운용성의 기반이다.

서비스 아키텍처에서는 편집 유연성, 병렬 생성에 필요한 확장성, 표준 준수, 외부 시스템 통합을 함께 다뤄야 한다.

⤢✕

내부 구조가 공개되지는 않았지만, 커리큘럼 생성·영상 합성·LMS 연동을 독립 서비스로 분리한 SoA 또는 마이크로서비스 구조를 추정할 수 있다. 커리큘럼 확정 이벤트가 레슨 콘텐츠의 병렬 생성을 트리거하는 이벤트 드리븐 아키텍처와, SCORM 및 LMS API를 중심으로 외부 연동을 표준화하는 API 우선 설계도 가능한 구성이다.

자동 생성 교육 콘텐츠의 품질 경계

AI가 강의와 평가 문항을 함께 만들면 제작 속도뿐 아니라 검증 책임도 자동화 파이프라인 안으로 들어온다. 강의 내용의 사실 정확성을 확인하지 않으면 환각(Hallucination)이 교육 자료에 포함될 수 있다. 특정 문화나 언어에 치우친 결과를 줄이기 위한 편향(Bias) 관리도 필요하다.

에듀테크 에이전트가 향하는 방향

2026년 현재 에듀테크의 AI 에이전트화(Agentification)는 교수설계, 개인화 학습, 평가·피드백 영역에서 진행되고 있다. 자율 교수설계 에이전트는 목표와 제약 조건을 받아 커리큘럼을 설계·검증·개선한다. 개인화 학습 에이전트는 학습자 데이터를 실시간 분석해 학습 경로를 동적으로 조정하고, 평가·피드백 에이전트는 과제와 퀴즈를 자동 채점해 맞춤형 피드백을 생성한다.

여러 LLM을 작업에 따라 나눠 쓰는 라우팅 전략은 비용과 품질을 함께 조정하는 수단이다. 퀴즈 형식 변환처럼 단순하고 반복적인 작업에는 소형 LLM을, 복잡한 교수설계에는 대형 LLM을 배치할 수 있다. 코딩 교육이나 언어 교육처럼 도메인별 특화 모델을 선택하는 방식도 가능하다. 특정 LLM 서비스에 장애가 발생했을 때 대체 LLM으로 자동 폴오버하는 장애 허용성(Fault Tolerance) 역시 멀티 LLM 구성의 목적에 포함된다.

2026년 발표된 AURA(Autonomous Upskilling with Retrieval-Augmented Agents)는 RAG 기반 자율 업스킬링 에이전트 프레임워크를 제안한다. 딥브레인AI의 AI 커리큘럼 생성기가 내부적으로 RAG를 활용해 도메인 지식 데이터베이스와 최신 업계 트렌드를 반영한다면, 학습 콘텐츠의 시의성(Timeliness)과 정확성을 함께 높일 수 있다.