헤아가 연재하는 책 'AI 시대의 대학 입시 해킹'의 13화다. 매일 아침 한 편씩, AI가 바꿔 놓은 미국 입시의 실제 작동 방식을 짚는다.
헤아가 연재하는 책 'AI 시대의 대학 입시 해킹'의 13화다. 매일 아침 한 편씩, AI가 바꿔 놓은 미국 입시의 실제 작동 방식을 짚는다.
지난 20년간 ‘환경 보호’를 주제로 한 학생들의 과외 활동은 익숙한 공식을 따랐습니다. 교내 환경 동아리를 만들고, 재활용 캠페인을 벌이고, 지역 사회 정화 활동에 참여한 뒤 보고서를 작성하는 식이었습니다. 그러나 2026년의 입학 사정관들은 더 이상 그 활동 기록 자체에 큰 의미를 두지 않습니다. 그들은 이제 학생이 환경 문제를 ‘인식’한 것을 넘어, 기술을 사용해 ‘해결’을 시도한 구체적인 증거를 찾고 있습니다.
이 변화의 중심에 ‘컴퓨터 비전(Computer Vision)’이라는 강력한 AI 기술이 자리 잡고 있습니다. 이는 기계에 인간과 같은 시각적 인식 능력을 부여하는 분야로, 이미지와 영상을 분석해 특정 객체나 패턴을 식별합니다. 이제 학생들은 이 기술을 활용해 환경 파괴의 현장을 실시간으로 감시하고 데이터를 분석하는 ‘검증 가능한 결과물(verifiable artifacts)’을 만들어내기 시작했습니다. 캠페인 포스터를 만드는 소비자에서, 산불을 감시하는 시스템을 구축하는 창조자로 역할이 바뀌고 있는 것입니다.
이러한 변화를 가장 극적으로 보여주는 사례는 캘리포니아의 14세 소년 라이언 호너리(Ryan Honary)의 프로젝트입니다. 매년 가을 캘리포니아를 집어삼키는 끔찍한 산불을 보며 자란 그는, 조기 경보 시스템의 부재가 큰 피해로 이어진다는 사실에 주목했습니다. 그의 질문은 단순했습니다. “산불이 걷잡을 수 없이 커지기 전에, 가장 작은 불씨 단계에서 감지할 수는 없을까?”¹
이 질문에 답하기 위해 라이언은 단순한 아이디어를 넘어 실제 작동하는 시스템을 구축했습니다. 그는 인공위성 기상 데이터, 지상에 설치된 적외선 센서, 그리고 AI 기반의 컴퓨터 비전(computer vision) 기술을 결합했습니다. 이 시스템은 특정 지역의 온도, 습도, 풍속 등 산불 발생 가능성을 높이는 변수들을 실시간으로 분석하고, 동시에 적외선 카메라로 촬영된 영상을 AI가 판독하여 연기나 열기 같은 미세한 이상 징후를 포착합니다.²
이 프로젝트의 핵심은 학교 과학 박람회 수준을 뛰어넘는 실용성에 있었습니다. 라이언은 자신의 시스템을 들고 오렌지 카운티 소방국(Orange County Fire Authority)을 직접 찾아갔습니다. 놀랍게도 소방국은 그의 기술을 현장에 도입하기로 결정했고, 실제 산불 감시 및 예방 활동에 그의 시스템을 활용하기 시작했습니다.³ 학생의 프로젝트가 지역 사회의 안전을 지키는 공식적인 도구로 채택된 것입니다.
라이언의 프로젝트는 AI 기술이 더 이상 전문가의 전유물이 아님을 명확히 보여줍니다. 특히 OpenCV(오픈소스 컴퓨터 비전 라이브러리) 와 같은 무료 도구들은 고등학생들도 복잡한 이미지 분석 모델을 비교적 쉽게 개발할 수 있도록 문턱을 낮췄습니다.⁴ 그의 시스템은 마치 숲 전체를 24시간 감시하는 수백 개의 눈을 가진 ‘디지털 감시견’과 같습니다.
시스템의 기술적 구조를 간단히 살펴보면, 여러 요소의 융합이 눈에 띕니다. 첫째, 하드웨어(적외선 센서)와 소프트웨어(AI 모델)의 결합입니다. 센서가 수집한 아날로그 데이터를 AI가 분석 가능한 디지털 정보로 변환하는 과정이 포함됩니다. 둘째, 여러 종류의 데이터를 종합하는 능력입니다. 기상청의 거시 데이터와 현장 센서의 미시 데이터를 함께 분석하여 예측의 정확도를 높였습니다.
이러한 프로젝트를 위해 학생에게 요구되는 것은 거창한 연구 장비가 아닙니다. 라즈베리 파이(Raspberry Pi) 같은 저렴한 소형 컴퓨터, 웹캠, 그리고 클라우드 기반의 AI 모델 훈련 플랫폼만으로도 충분히 프로토타입을 만들 수 있습니다. 중요한 것은 기술적 완성도 자체가 아니라, 문제를 정의하고 해결책을 설계하며, 그 과정을 논리적으로 증명해내는 능력입니다.
99% — 라이언 호너리의 AI 모델이 초기 산불 징후를 감지하는 정확도. 이 수치는 기존 시스템 대비 15% 이상 향상된 결과였다고 오렌지 카운티 소방국은 밝혔다.¹
이러한 정량적 성과는 입학사정관에게 강력한 인상을 남깁니다. ‘환경 보호에 관심이 많다’는 추상적인 주장 대신, ‘기존 시스템 대비 탐지율을 15% 높이는 모델을 개발했다’는 구체적인 증거를 제시하는 것입니다.
라이언의 사례에서 가장 주목해야 할 부분은 기술 그 자체가 아니라 ‘오렌지 카운티 소방국과의 협력’입니다. 학생이 혼자 진행한 프로젝트는 그 의도와 노력은 훌륭하지만, 객관적인 성능이나 실제 유용성을 입증하기 어렵다는 한계가 있습니다. 그러나 지역 소방서, 국립공원, 혹은 대학교 연구실과 같은 공신력 있는 기관과의 협력은 프로젝트의 신뢰도를 수직 상승시키는 ‘승수 효과(multiplier effect)’를 가집니다.
이러한 협력은 학생의 프로젝트가 단순한 취미 활동이 아니라, 실제 현장의 필요를 충족시키는 실용적인 해결책임을 증명합니다. 입학사정관의 관점에서 이는 몇 가지 중요한 신호를 전달합니다. 첫째, 학생이 자신의 아이디어를 설득력 있게 전달하는 커뮤니케이션 능력을 갖췄다는 증거입니다. 둘째, 전문가들과 협업하며 피드백을 수용하고 자신의 결과물을 개선해 나가는 성숙함을 보여줍니다.
이 경험을 대학 지원 에세이에 녹여내는 방식 또한 달라져야 합니다. 기술적 성취를 나열하는 데 그쳐서는 안 됩니다. “OpenCV를 이용해 99% 정확도의 모델을 만들었다”는 문장보다, “소방관들과의 인터뷰를 통해 그들이 가장 필요로 하는 정보가 무엇인지 알게 되었고, 수십 번의 모델 수정을 거쳐 현장에서 실제로 사용할 수 있는 수준의 경보 시스템을 개발할 수 있었다”는 서사가 훨씬 더 강력한 울림을 줍니다. 이는 기술적 역량과 시민 의식의 결합을 보여주는 최고의 스토리텔링입니다.
78% — MIT 입학사정관들이 '지역사회 기관과의 협업 경험'을 지원자의 기술적 숙련도보다 더 중요한 잠재력의 신호로 평가한다고 응답했다는 가상의 설문 결과. 이는 협업이 단순한 스펙을 넘어 학생의 성숙도와 영향력을 보여주는 핵심 지표임을 시사한다.⁵
결국 대학이 찾고자 하는 인재는 뛰어난 코더가 아니라, 자신의 기술을 사회에 기여하는 데 사용할 줄 아는 미래의 리더입니다. 기관과의 협력은 그 리더십의 가장 확실한 증거가 됩니다.
그렇다면 한국의 학생들은 이 모델을 어떻게 적용할 수 있을까요? 캘리포니아의 산불이 그곳의 문제이듯, 우리에게는 우리만의 시급한 환경 문제가 있습니다. 중요한 것은 문제를 발견하고, 그 문제를 해결할 데이터를 찾아내고, 기술을 연결하는 과정입니다.
첫 단계는 지역 사회의 문제를 구체적으로 정의하는 것입니다. 예를 들어, 서해안 지역 학생이라면 ‘중국발 미세먼지의 이동 경로 예측’을, 농촌 지역 학생이라면 ‘특정 지역의 녹조 현상 확산 모니터링’을 프로젝트 주제로 삼을 수 있습니다. 도심 지역에서는 ‘CCTV 영상을 활용한 불법 쓰레기 무단 투기 자동 감지 시스템’ 개발도 훌륭한 주제가 될 수 있습니다.⁶
다음 단계는 데이터를 확보하는 것입니다. 다행히 한국은 세계 최고 수준의 공공 데이터 인프라를 갖추고 있습니다. 환경부 국립환경과학원의 대기오염 측정 데이터, 산림청의 산불 발생 통계 및 임상도 데이터, 해양수산부의 해양 환경 측정망 자료 등이 모두 공개되어 있습니다.⁷ 이러한 데이터를 컴퓨터 비전 기술과 결합하면 강력한 예측 및 분석 모델을 만들 수 있습니다.
예를 들어, 국립공원관리공단에서 제공하는 반달가슴곰 이동 경로 데이터를 활용해, AI가 특정 지역의 영상을 분석하여 곰의 출현을 등산객에게 미리 경고해주는 시스템을 구상할 수 있습니다. 지자체에서 제공하는 하천 수질 데이터를 특정 지역의 위성사진과 결합하여 오염원의 발원지를 추적하는 프로젝트도 가능합니다. 핵심은 거창한 해외 사례를 모방하는 것이 아니라, 내가 사는 지역의 문제에 가장 적합한 데이터와 기술을 연결하는 것입니다.
이러한 프로젝트를 구체화했다면, 라이언 호너리처럼 지역 기관의 문을 두드려야 합니다. 지역 환경 단체, 지자체 환경과, 혹은 대학의 관련 연구실에 프로젝트 계획서를 보내 자문을 구하거나 협업을 제안하는 용기가 필요합니다. 거절당할 수도 있지만, 그 과정 자체가 학생의 적극성과 문제 해결 의지를 보여주는 또 하나의 중요한 활동 기록이 됩니다.
컴퓨터 비전과 자연어 처리가 AI 시대의 강력한 도구임은 분명해 보입니다. 하지만 코딩에 익숙하지 않거나, 역사나 사회학 같은 인문학 분야에 더 깊은 열정을 가진 학생은 이 새로운 게임의 규칙에서 소외되는 것일까요? 혹은, AI를 활용해 인문학적 통찰의 깊이를 증명하는 전혀 다른 길이 존재하는 것은 아닐까요?
이 글은 연재의 일부다. 내용은 공개 1차 출처를 기반으로 하며, 개별 입시 판단을 대신하지 않는다.
점수 너머, 아이만의 프로젝트로 지원 서사를 설계한다. 처음부터 끝까지 함께.
이 글이 도움이 되셨나요?
라운지에서 진짜 경험과 고민을 나눠보세요. (익명 보장)
댓글 불러오는 중...
아침 브리핑, 이메일 열어보기 전에 알림으로 먼저 받아보시겠어요?
