모두에게 같은 피드백 대신, 내 학습 맥락을 아는 AI 튜터

프로젝트 개요
링글 AI 스피킹의 피드백은 누구에게나 같은 구조로 주어집니다. 팀 리더로 리서치부터 화면 설계까지 이끌며, 사용자가 피드백의 깊이·영역·시점·톤을 고르고 AI가 학습 맥락에 맞춰 코칭하는 경험을 기획했습니다.
PDF로 보기- 프로젝트 유형
- 팀 프로젝트 (팀 리더, 4인)
- 기간
- 3개월
- 역할
- 팀 리딩, 리서치 설계, 문제 정의, 화면 설계
- 툴
- Figma, FigJam, Google Forms
배경
AI 스피킹은 발전했는데, 왜 학습 도구로는 잘 쓰이지 않을까요?
문제는 기술 성능일까, 학습 경험의 설계일까?
링글은 원어민 튜터와의 실제 대화로 영어를 배우는 서비스입니다. AI 스피킹은 그 경험을 더 많은 사람에게 넓힐 수 있는 기회지만, 사용자는 AI와의 대화를 꾸준한 학습으로 이어가지 못하고 있었습니다. 이 프로젝트는 그 이유를 찾고, 사용자의 학습 맥락에 맞는 개인화된 피드백 경험을 설계하는 것을 목표로 했습니다. 전 과정은 더블 다이아몬드 프로세스로 진행했습니다.
주요 기능

AI가 추천하고, 내가 저장하는 나만의 튜터
선택한 시나리오에 맞는 AI 튜터와 피드백 스타일을 AI가 먼저 제안합니다. 마음에 들면 그대로 저장하고, 아니면 다시 추천받거나 직접 고칠 수 있습니다.

피드백의 깊이, 영역, 시점, 톤을 직접 정합니다
한 줄 요약부터 상세 설명까지, 발음부터 논리 구조까지. 지금 내 수준과 목적에 맞게 피드백을 받는 방식을 네 가지 축으로 조절합니다.

말한 직후 바로 고치고, 다시 말해 봅니다
피드백 시점을 실시간으로 두면, 답변 직후 교정된 문장과 이유를 보여줍니다. 사용자는 교정된 문장을 따라 말하며 그 자리에서 연습을 끝냅니다.

끝나면 한 줄로, 무엇이 좋아졌는지 알려줍니다
학습과 복습이 끝나면 AI 튜터가 이번 세션의 핵심을 한 줄로 요약합니다. 긴 리포트를 읽지 않아도 내가 어디에서 나아졌는지 알 수 있습니다.
Discover
사용자는 왜 AI 스피킹을 학습 도구로 잘 활용하지 못할까요?
학술 리서치
학습 경험을 좌우하는 6가지 요소
AI 기반 언어 학습을 다룬 학술 연구 17편을 분석해, 학습 경험에 영향을 미치는 핵심 요인을 여섯 가지로 정리했습니다. 연구들이 공통으로 가리킨 것은 음성 인식이나 모델의 정확도가 아니었습니다. AI 스피킹 학습의 문제는 기술 성능이 아니라 학습 경험의 설계에 있었습니다.
SWOT 분석
링글의 핵심 경쟁력과 한계
링글의 강점은 원어민 튜터와의 실제 대화에서 얻는 자연스러운 표현과 실전 경험입니다. 하지만 원어민 튜터 중심 서비스는 튜터 품질 관리와 수업 비용 면에서 운영과 확장에 부담이 큽니다. AI 튜터는 이 경험을 대체하는 것이 아니라, 보완하면서 넓히는 역할을 맡을 수 있다고 봤습니다.
경쟁사 조사
AI 스피킹 서비스는 어떤 학습 경험을 주고 있을까
스픽, Loora, ELSA Speak, ChatGPT, 스피킹 맥스 AI까지 국내외 서비스 5곳을 대상, 핵심 가치, 강점, 약점 기준으로 비교했습니다. 대부분 다양한 학습 방식과 AI 대화 연습을 갖추고 있었지만, 특정 기능 중심으로 설계되어 학습 경험이 단편적이었고 사용자의 학습 흐름을 이어 주는 설계는 부족했습니다.
설문 조사
사용자는 AI 스피킹에서 무엇을 가장 원할까
기능은 이미 충분히 많았습니다. 그중 사용자가 실제로 무엇을 중요하게 여기는지 확인하려고 46명에게 설문했습니다. 가장 기대하는 기능은 개인 맞춤 학습 계획(65.4%), 학습 동기를 만드는 요소는 개인 맞춤 학습 제공(77.8%)이었습니다. 개선점과 학습 중 가장 어려운 순간으로는 모두 학습 흐름(44.4%)이 꼽혔습니다.
1:1 심층 인터뷰
핵심은 개인화되지 않은 피드백 경험
설문에서 드러난 개인화와 학습 흐름이라는 패턴을 더 깊이 이해하려고 1:1 심층 인터뷰를 진행하고, 발화를 어피니티 맵핑으로 묶었습니다. AI 피드백 경험과 개인화 학습 경험이라는 두 묶음이 겹치는 자리에서, 학습 맥락에 기반한 개인화 피드백이 핵심 문제로 나타났습니다.
Define: 문제 정의
사용자는 맞춤 피드백을 기대하지만, 지금의 피드백은 모두에게 같다.
퍼소나
업무 영어가 부담스러운 3년 차 마케터, 김지은
리서치 결과를 바탕으로 AI 스피킹 사용자의 목표, 어려움, 학습 맥락을 퍼소나로 구체화했습니다. 김지은은 일상 대화는 가능하지만 업무 영어가 부담스러운 28세 마케팅 담당자입니다. 틀린 문장을 알려주는 것만으로는 부족하고, 자신의 상황과 수준에서 무엇부터 고쳐야 하는지 알고 싶어 합니다.
Develop
어떻게 하면 사용자의 학습 맥락을 반영해 AI 기반 개인화 피드백 경험을 설계할 수 있을까요?
브레인스토밍
문제 정의에서 HMW 질문으로
문제 정의를 하나의 HMW 질문으로 바꾸고, 팀 전체가 그 질문에 답하는 아이디어를 넓게 냈습니다.
밸류 맵
동일 구조 피드백에서 AI 코치형 피드백으로
사용자의 과업, 불편, 기대와 링글이 줄 수 있는 가치를 맞춰 보며 방향을 한 문장으로 좁혔습니다. 링글은 동일 구조 피드백에서 벗어나, 사용자의 학습 맥락에 따라 깊이와 행동 연결이 조절되는 AI 코치형 피드백 경험을 제공합니다.
우선순위 2×2 매트릭스
효과는 크고 구현 부담은 작은 것부터
아이디어를 임팩트와 구현 난이도 두 축에 올려 MVP 범위를 정했습니다. 대화 직후 바로 교정하고 복습하기, 사용자 데이터에 따라 달라지는 피드백 유형, 피드백 필터 선택, 핵심 피드백 제공을 먼저 다루기로 했습니다. 난이도별 힌트와 탭해서 펼치는 상세 피드백은 다음 단계로 미뤘습니다.
유저 플로우
튜터 설정에서 대화, 요약, 복습까지 하나의 흐름으로
설문에서 가장 자주 나온 불편이 학습 흐름이었기 때문에, 피드백 설정이 따로 떨어진 메뉴가 되지 않도록 시나리오 선택과 대화 시작 사이에 자연스럽게 놓았습니다. 학습을 마친 뒤에는 요약 피드백에서 곧바로 복습으로 이어집니다.
Deliver
맞춤 피드백은 화면에서 어떻게 보이고, 어떻게 이어질까요?
화면 설계 1–4
AI 튜터와 피드백 스타일 설정하기
사용자는 AI가 추천한 피드백 스타일을 그대로 쓰거나 직접 바꿔서, 지금의 학습 상황에 맞는 피드백 환경을 만듭니다.
화면 설계 5–8
대화하며 바로 교정하고, 끝나면 요약 받기
설정한 피드백 스타일대로 롤플레잉 대화가 진행됩니다. 실시간 교정과 따라 말하기로 그 자리에서 연습하고, 학습을 마치면 AI 요약 피드백으로 결과를 확인합니다.
화면 설계 9–11
복습하며 다음 단계로 나아가기
이전에 학습한 시나리오를 다시 대화하며 복습합니다. 목표 표현을 모두 쓰면 AI가 학습 수준을 판단해 다음 단계를 제안하고, 복습 결과를 다시 한 줄로 요약합니다.
최종 화면
내 학습 맥락을 아는 AI 튜터
회고
이번 프로젝트에서 배운 것
01기능이 아니라 학습 흐름에서 문제 찾기
처음에는 어떤 기능이 부족한지를 찾으려 했습니다. 하지만 학술 연구, 설문, 인터뷰가 모두 같은 곳을 가리켰습니다. 사용자는 기능이 없어서가 아니라 피드백이 자신의 맥락과 이어지지 않아서 학습을 멈추고 있었습니다. 서로 다른 리서치를 겹쳐 보며 문제를 좁히는 법을 배웠습니다.
02팀이 같은 문장을 바라보게 하기
팀 리더로서 가장 공을 들인 것은 문제 정의 한 문장이었습니다. 네 명이 각자 다른 해결책을 떠올릴 때마다 그 문장으로 돌아가 판단했고, 덕분에 아이디어를 넓히는 단계와 좁히는 단계를 흔들리지 않고 넘어갈 수 있었습니다.
03AI의 개인화는 사용자가 조절할 수 있어야 한다
AI가 알아서 맞춰 주는 것만으로는 신뢰를 얻기 어렵습니다. 추천은 AI가 하되, 사용자가 언제든 이유를 보고 고칠 수 있게 두는 것이 개인화 경험의 출발점이라고 생각하게 되었습니다. 다음 단계에서는 프로토타입으로 사용성 테스트를 진행해 이 가설을 검증하고 싶습니다.



























