대학의 AI 툴 지원. 정말 잘 쓰이고 있나요? 확인해보셨나요?

학교에서 AI 코딩 도구를 도입했습니다. 학생 100명에게 계정을 열어줬고, 한 학기가 지났습니다.
상급자가 묻습니다. "그래서 학생들이 잘 쓰고 있나요?" 아무도 대답하지 못합니다.
얼마나 쓰이는지, 어떤 수업에서 효과가 있는지, 구독 플랜이 적정한지 — 데이터가 없으니까요.

---

Kiro 모니터링 대시보드가 이 질문에 답합니다.

✅ 활용 현황이 보입니다 — 누가 얼마나 쓰는지, 어떤 수업에서 효과가 있는지 데이터로 파악합니다.
✅ 최적의 플랜을 찾을 수 있습니다 — 사용 패턴 기반으로 구독 규모와 구성이 맞는지 판단합니다.
✅ 데이터 주권을 지킵니다 — 우리 학교 데이터는 우리 AWS 계정 안에. 외부 유출 없이 운영합니다.

 

 

Kiro IDE 모니터링 대시보드 구축 사례

https://kiro.nxtcloud.kr/#overview

 

AI를 빼고 교육을 이야기할 수 없는 시대

소프트웨어 교육 현장은 이미 바뀌고 있습니다. 학생들은 코드를 작성할 때 AI 어시스턴트와 대화하고, 디버깅을 요청하고, 코드 리뷰를 받습니다. AI 코딩 도구는 더 이상 선택이 아니라, 개발자가 갖춰야 할 기본 역량의 일부가 되었습니다.

이런 변화 속에서 대학교와 교육기관이 고민하는 건 명확합니다. 학생들에게 이 도구를 잘 사용하는 방법을 가르쳐야 한다는 것. NxtCloud도 같은 생각으로 대학과 협력하며 AI 도구 활용 교육을 지원하고 있습니다.

그런데 실제로 학교에서 AI 코딩 도구를 도입하고 학생들을 지원하려고 하면, 예상치 못한 벽에 부딪힙니다.

 

"도입"까지는 쉽다. 문제는 "측정 → 보고 → 피드백" 구간이다. 대학에서 AI 코딩 도구를 학교 차원으로 도입하면, 관리·성과 측정·비용·보고라는 새로운 벽에 부딪힌다.

 

---

 

교육 현장에서 AI 도구를 쓰는 세 단계

대학 수업에서 AI 코딩 도구를 활용하는 과정은 대체로 비슷한 흐름을 따릅니다.

 

교수님이 보여주고(1단계), 학생이 알아서 쓰고(2단계), 학교가 지원하기로 결정하면(3단계) — 관리·비용·측정·보고라는 새로운 질문이 시작된다.

 

 

1단계: 강의자가 보여주기

교수님이 수업 중에 AI 도구를 시연합니다. 코드를 생성하고, 보고서 초안을 잡고, 발표 자료를 만들고, 다이어그램을 그리는 걸 보여줍니다. AI가 코딩만의 도구가 아니라 학습 전반에 걸쳐 활용된다는 걸 알게 되지만, 수업이 끝나면 거기까지입니다.

 

2단계: 각자 알아서 쓰기

학생들에게 "편한 거 써봐라"고 합니다. 누구는 Claude로 코드 리뷰를 받고, 누구는 Gemini로 보고서를 쓰고, Cursor나 Kiro 같은 AI IDE를 쓰는 학생도 있고, Antigravity로 발표 자료를 만드는 학생도 있습니다. 도구도 다르고, 활용 수준도 다릅니다. 유료 플랜을 결제하는 학생과 무료 한도에서 멈추는 학생 사이에 격차가 벌어지기 시작합니다.

 

3단계: 학교 차원에서 지원하기

"이러면 안 되겠다"는 판단이 섭니다. 결제 여부나 개인 사정과 관계없이, 누구나 AI 도구를 시작해볼 수 있는 환경을 학교에서 마련해주기로 합니다.

여기까지가 좋은 결정입니다. 문제는 3단계에서 시작됩니다.

학교 차원으로 올라가는 순간, 개인이 알아서 쓸 때는 없던 질문들이 쏟아집니다.

---

• 관리: "수업별로 계정을 어떻게 나누고, 누가 관리하는지?"
• 성과 측정: "도입했는데 학생들이 실제로 쓰고 있는지? 어떤 수업에서 효과가 있는지?"
• 비용: "학생 100명이면 한 학기에 총 얼마인지? 크레딧 초과하면 추가 비용이 발생하는지?"
• 보고: "경영진에게 도입 성과를 어떻게 보여줄 것인지?" 피드백: "데이터를 바탕으로 다음 학기에 뭘 개선해야 하는지?"

이 질문들에 답할 수 없으면, 좋은 도구를 도입해놓고도 "잘 쓰고 있는 것 같긴 한데..."에서 멈추게 됩니다. 측정할 수 없으면 개선할 수 없고, 보고할 수 없으면 지속할 수 없습니다.

 

---

 

Kiro 모니터링 대시보드 — 3단계의 벽을 넘기 위한 도구

NxtCloud는 대학들과 함께 AI 코딩 도구를 도입하면서, 바로 이 3단계의 벽을 직접 경험했습니다.

 

사실 Kiro IDE는 관리 측면에서 이미 좋은 기반을 가지고 있습니다. AWS Identity Center와 연동되어 있어서, 학교 단위로 학생 계정을 만들고 수업별 그룹으로 묶어 중앙에서 관리할 수 있습니다. 계정 생성, 그룹 배정, 권한 제어가 한 곳에서 이루어지니 "누가 관리하는지?"에 대한 답은 비교적 명확합니다.

 

 

 

하지만 관리가 되는 것과 성과가 보이는 것은 다른 문제입니다. Identity Center에서 계정과 그룹은 관리할 수 있어도, "캡스톤 수업 학생들이 AI를 얼마나 활용하고 있는지", "어떤 수업에서 활용도가 낮은지", "이번 달 크레딧을 얼마나 소진했는지"는 알 수 없습니다.

Kiro 모니터링 대시보드는 이 빈 곳을 채웁니다. 실제로 수업을 운영하고 학생들을 관리하는 입장에서 필요한 것 — "이 수업에서 AI가 얼마나 쓰이고 있는지", "어떤 학생이 적극적이고 어떤 학생이 아직 시작도 못 했는지", "비용이 예산 범위 안에 있는지" — 을 정확히 파악할 수 있어야 완전한 운영이 됩니다.

Kiro가 제공하는 중앙 집중식 계정 관리 위에, 수업을 운영하는 사람이 실제로 필요로 하는 활용 성과를 측정하고 시각화하는 레이어를 얹어, 관리 데이터와 성과 데이터가 하나로 연결되도록 한 것입니다.

 

 

---

 

누가, 무엇을 보는가

같은 대시보드지만, 보는 사람에 따라 필요한 정보가 다릅니다.

 

학생을 가르치는 교수님은 수업별 활용도가 궁금합니다.

"우리 캡스톤 수업 학생들은 AI를 적극적으로 쓰고 있는데, 소프트웨어공학 수업은 왜 활용률이 낮을까?"

 

 

예산을 관리하는 행정 담당자는 비용이 통제되고 있는지 확인해야 합니다.

"이번 달 크레딧 소진률이 68%니까, 프로젝트 발표까지 학생들이 사용하는 데 문제없겠다."

 

 

도입 성과를 보고하는 학과장님은 한눈에 보여줄 수 있는 숫자가 필요합니다.

"등록 학생 114명 중 87명이 실제 사용 중. 활용률 76%."
"프로젝트 발표 상위 팀들의 AI 활용 수치가 평균 대비 2배 — AI 도입과 학습 성과의 상관관계를 보여줄 수 있다."

 

 

대시보드는 이 세 가지 관점을 모두 담되, 숫자보다 의미를 전달하도록 설계했습니다.

같은 대시보드, 다른 렌즈. 교수는 수업별 활용도를, 행정 담당자는 비용 통제를, 학과장은 도입 성과 숫자를 본다.

---

사용 현황: "학생들이 잘 쓰고 있나요?"

가장 기본적인 질문에 먼저 답합니다.

 

일별 활성 사용자 수와 대화 건수 추이를 보면, 학생들의 AI 활용이 꾸준한지 아니면 특정 시점에만 몰리는지 파악할 수 있습니다. 과제 마감 주간에 사용량이 급증하는 패턴이 보인다면, 그 자체로 "학생들이 과제를 할 때 AI를 실질적으로 활용하고 있다"는 성과 근거가 됩니다.

 

 

흥미로운 건 사용 시간대입니다. 수업 시간뿐 아니라 자정 전후에도 사용량이 상당합니다. 학생들이 새벽에 과제를 하면서 AI와 함께 코딩하고 있다는 뜻입니다. 24시간 언제든 옆에 있는 조교 — 이게 AI 코딩 도구의 본질적인 가치이고, 데이터로 증명됩니다.

---

수업별 비교: "어떤 수업에서 잘 활용하고 있나요?"

교수님들이 가장 관심을 가지는 뷰입니다.

 

수업별로 활성 사용자 수, AI 대화 빈도, 1인당 평균 사용량을 비교할 수 있습니다. 같은 학교 내에서도 수업 성격에 따라 활용 패턴이 다르기 때문에, 이 비교가 교육적 판단의 출발점이 됩니다.

• 캡스톤 수업에서 활용도가 높다면 → 프로젝트형 수업에서 AI가 효과적이라는 근거
• 특정 수업에서 활용도가 낮다면 → AI 활용 가이드 보강이 필요하다는 피드백

데이터가 있어야 다음 행동을 정할 수 있습니다.

---

사용량 관리: "우리 학교에 맞는 플랜인가요?"

실제로 운영해보면, 학생마다 사용량이 다르고 수업 특성에 따라 크레딧 소진 패턴이 다릅니다. 어떤 수업은 크레딧이 남아돌고, 어떤 수업은 학기 중반에 이미 바닥을 보입니다.

 

항목	알 수 있는 것
크레딧 사용 추이	수업별·학생별 소진 패턴 → 어디서 많이 쓰이는지
초과 사용(Overage) 현황	크레딧 한도 초과 여부 → 초과 허용 on/off 판단 근거
사용량 분포	적극 사용자 vs 미사용자 비율 → 플랜 규모 적정성 확인

 

이 데이터를 축적하면, 감이 아니라 근거에 기반해서 학교 상황에 맞는 최적의 플랜을 설계할 수 있습니다. "모든 학생에게 같은 플랜"이 아니라, 수업 특성에 따라 크레딧 한도와 초과 허용 여부를 조정하는 것 — 이런 판단이 데이터 없이는 불가능합니다.

---

세분화된 데이터 관리: 학교 → 수업 → 팀까지

학교별로 데이터를 분리하는 건 당연합니다. 대시보드가 진짜 유용해지는 건 학교 안에서의 세분화입니다.

같은 학교 안에서도 수업마다 성격이 다르고, 같은 수업 안에서도 팀별로 활용도가 다릅니다. 대시보드는 이 구조를 반영합니다:

• 학교 단위: 전체 사용 현황 요약
• 수업 단위: 캡스톤디자인 vs 소프트웨어공학 등 수업 간 비교
• 팀 단위: 같은 수업 내에서 프로젝트 팀별 활용도 비교

교수님이 "우리 수업 4조는 AI를 거의 안 쓰고 있네, 활용 가이드를 다시 안내해야겠다"는 판단을 내릴 수 있는 수준까지 내려갑니다. 물론 학생 개인정보 보호는 타협 없이 적용됩니다. 인증 없이는 어떤 화면에서도 실명이 노출되지 않습니다.

 

---

 

기술 구성: AWS 기반 모니터링 아키텍처

여기서부터는 이 대시보드가 어떻게 만들어지는지 기술적인 흐름을 소개합니다.

 

1. AWS Identity Center — 계정과 그룹 관리

Kiro IDE는 AWS Identity Center를 통해 사용자를 관리합니다. 학교별, 수업별로 그룹을 만들고 학생 계정을 배정합니다.

예시 그룹 구조:
├── A대학교-캡스톤디자인
├── A대학교-소프트웨어공학
└── B대학교-클라우드컴퓨팅

 

Identity Center는 학생 계정의 중앙화된 관리를 제공합니다. 여기서 얻을 수 있는 건 "누가 어떤 그룹에 속해 있는가"까지이고, 대시보드 서버에서 이 그룹 정보를 수업 단위로 매핑하여 수업별·팀별 비교가 가능한 구조를 별도로 구성합니다.

 

2. Kiro 사용 데이터 — 어떤 데이터가 쌓이는가

학생들이 Kiro IDE를 사용할 때 만들어지는 데이터 중, 다음과 같은 데이터를 캡처 / 적재합니다

• 사용자 ID, 소속 그룹
• 사용한 AI 모델 (Claude Opus, Sonnet 등)
• 대화 길이 (프롬프트/응답 문자 수)
• 사용 시간, 기능 종류 (Chat, CodeFix, CodeReview 등)
• 크레딧 사용량, 구독 정보

이 데이터들을 저장하기 위해서 S3 버킷을 생성하고 Kiro Settings에서 로깅 데이터를 수집하도록 설정해야합니다. Kiro 상용 리전 중에서는 us-east-1(버지니아 북부)과 eu-central-1(프랑크푸르트) 두 곳만 지원 하고 있습니다. 확인 후 진행해주세요.

 

하지만 이 데이터만으로는 대시보드가 되지 않습니다. 여기에 수업 구성에 따른 도메인 데이터 — 어떤 학생이 어떤 수업에 속하는지, 수업 내 팀 구성은 어떤지, 학교별로 확인하고 싶은 지표는 무엇인지 — 를 레이어로 얹어야 비로소 의미 있는 분석이 가능해집니다. Kiro의 사용 데이터와 수업 운영의 도메인 데이터가 결합되어 대시보드를 위한 데이터가 됩니다.

 

3. 데이터 수집 파이프라인 — S3에서 분석 DB로

S3에 새로운 로그가 적재되면, S3 Event Notification이 Lambda를 직접 호출하여 로그 파싱, 도메인 데이터 매핑, RDS 적재를 처리합니다. Identity Center 사용자 정보도 주기적으로 동기화됩니다.

데이터 흐름:
├── S3 Event Notification → Lambda (파싱 + 도메인 매핑 + 적재)
├── 주기적 스케줄         → Lambda (Identity Center 사용자 동기화)
└── RDS (PostgreSQL)      → 수업별/학생별/시간대별 분석 쿼리

 

현재 대학 단위(수백 명) 규모에서는 Lambda로 충분하며, 향후 학교 수가 늘어나 대규모 데이터 처리가 필요해지면 AWS Glue 같은 관리형 ETL 서비스 도입을 고려할 수 있습니다.

 

4. 대시보드 서빙 — 프론트엔드와 API 분리

• 프론트엔드: S3에 정적 파일을 올리고 CloudFront로 서빙합니다.
• API 서버: ECS Fargate로 컨테이너 기반 운영합니다. 컨테이너로 패키징되어 있어 배포와 롤백이 간편하고, 학교가 추가될 때 스케일링도 유연하게 대응할 수 있습니다.

관리 학생과 데이터가 늘어나도 유연하게 대응 가능한 구조

 

---

 

다음 단계 — 데이터에서 교육 인사이트로

현재 대시보드는 "얼마나 쓰고 있는가"에 답합니다. 다음 단계는 "어떻게 쓰고 있는가"입니다.

학생들이 AI에게 어떤 질문을 하는지 분석할 수 있다면, 교육 과정 개선에 직접 활용할 수 있습니다.

"학생들이 디버깅 관련 질문을 가장 많이 합니다. 디버깅 실습을 강화하면 어떨까요?"

 

AI 도구 사용 데이터가 단순한 운영 지표를 넘어, 교육 과정을 개선하는 피드백 루프가 되는 것 — 이것이 Kiro 모니터링이 지향하는 방향입니다.

---

 

정리 — 도입의 완성은 운영입니다

AI 코딩 도구를 학생들에게 제공하는 것은 시작입니다. 학생들이 잘 활용하도록 지원하려면, 운영하는 쪽에서도 현황을 파악하고 다음 단계로 나아갈 수 있어야 합니다.

• 쓰고 있는지 확인하고
• 비용을 관리하고
• 성과를 측정해서 보고하고
• 피드백을 얻어 다음 학기를 준비하는 것

NxtCloud의 Kiro 모니터링은 이 사이클을 데이터에 기반해서 돌릴 수 있도록 돕는 도구입니다. 학교는 학생 교육에 집중하고, 도구 운영의 가시성은 대시보드가 책임집니다.

학생이 AI와 함께 성장하고, 학교가 그 성장을 확인하며 더 나은 지원을 설계할 수 있을 때 — AI 도구 도입은 비로소 완성됩니다.

---

Kiro 도입 및 모니터링 문의 

대학교 AI 코딩 도구 도입을 검토하고 계시다면, Kiro IDE와 모니터링 대시보드를 함께 안내드립니다.

영업 문의하기 →

NxtCloud는 AWS 파트너로서, 대학교와 교육기관의 클라우드 및 AI 도구 도입·운영을 지원합니다.