지난 2년간 기업은 인력을 ‘AI 레디(AI-Ready)’ 상태로 만들기 위해 분주히 움직였다. 그러나 프롬프트 작성이나 챗봇 활용에 초점을 맞춘 초기 교육 프로그램 상당수는 실제 AI 기반 업무 환경에 적합하지 않다는 사실이 드러나고 있다.

이유는 단순하다. AI가 실제 워크플로에 들어온 이후 중요한 역량은 도구를 잘 다루는 능력이 아니라 판단력이기 때문이다. AI 시대에 지속적으로 요구되는 역량은 결과물 검증(output validation), 데이터 리터러시, 프로세스 이해, 자동화된 권고를 비판적으로 검토하는 능력이다. 반면 특정 도구에 특화된 스킬은 모델과 인터페이스가 바뀔 때마다 빠르게 가치가 떨어진다.

베스트 바이의 EVP이자 CDTO 닐 샘플은 AI 레디 정책을 가리켜 교육 이수 인원이나 라이선수 수로 정의되지 않으며, 실제 워크플로를 재설계했는지, 책임 소재가 명확한지, 기술이 관리되지 않은 리스크를 만들지 않으면서 성과를 개선하는지가 기준이라고 설명했다.

이렇듯 초점은 도구 숙련도에서 운영 판단력으로 이동하면서 기업이 AI 교육 방식을 근본적으로 재고하는 변화도 관측된다.

AI 준비의 착시

1세대 기업 AI 교육은 프롬프트 엔지니어링과 생성형 AI 도구 친숙화에 집중했다. 초기에는 기술 이해를 돕는 데 의미가 있었지만 이들 스킬의 유효 기간은 매우 짧다는 것이 드러났다.

코스노바 뷰티(cosnova Beauty)의 생성형 AI 시니어 매니저 레베카 섈버는 프롬프트 엔지니어링이 가장 빨리 유행이 지나버렸다고 말했다. 코스나보가 전사적으로 생성형 AI를 도입했을 때 섈버는 LLM 이해, 프롬프트 기법 학습, 도구 실험 중심으로 교육이 이루어질 것이라고 예상했다. 초기 도입은 성공적이었다. 6개월 후 실시한 설문에서 직원은 약 10%의 생산성 향상을 체감했다고 응답했다.

그러나 도입률만으로는 충분하지 않았다. 코스노바는 “폭넓게 도입돼야 변화가 생기지만, 가장 중요한 것은 워크플로 설계”라는 인식 하에 프롬프트 교육 대신 실제 팀 안에서 어떻게 업무가 진행되는지 분석하기 시작했다. 직원 수행 업무, 마찰 발생 지점, AI로 안전하게 자동화하거나 보조할 수 있는 영역을 찾아내는 데 집중했다. 이 과정에서 직원은 AI를 어떻게 쓰는가가 아니라 ‘어떻게 AI가 낸 결과를 검증하고 실제 프로세스에 통합할 것인가’를 고민하게 됐다.

고객 신뢰, 규제 준수, 재무적 리스크에 가까운 의사결정일수록 이러한 판단은 더욱 중요해진다. AI를 대규모로 도입하는 조직일수록 워크플로 안에 가드레일을 설계하고, 최종 책임자를 명확히 해야 한다.

모든 AI 기반 워크플로에는 누가 의사결정을 소유하는지, 예외를 누가 처리하는지, 기업이 행동에 나서기 전에 어디서 인간이 개입해야 하는지를 정의해야 한다. 즉, AI 준비의 핵심은 직원에게 모델을 ‘사용’하게 하는 것이 아니라, 모델을 ‘감독’하게 하는 것이다.

교육 프로그램에서 워크플로 설계로

코스노바는 일반 교육 세션 대신, 관리자와 직원이 함께 일상 업무를 매핑하는 워크숍으로 전환했다. 팀은 AI의 도움을 받을 수 있는 업무를 찾아내고, 그 기회를 중심으로 프로세스를 재설계한다.

AI가 또 하나의 도구로 제시될 때는 반응이 미온적이었다. 그러나 직원들이 AI로 반복 작업을 줄이고 업무 마찰을 제거할 수 있다는 점을 확인하자 도입 속도는 빨라졌다.

코스노바는 프롬프트 기술 대신 비판적 사고, 워크플로 설계, 데이터 리터러시 같은 전이 가능한 역량을 강조하기 시작했다. 이러한 역량은 도구와 모델이 바뀌어도 유효하다.

형식적 교육보다 실험이 먼저여야

튜링(Turing)의 인재 전략 VP 테일러 브래들리는 다른 접근을 택했다. 비기술 직군 직원들에게 먼저 생성형 AI를 자유롭게 실험하도록 장려했다.

반려동물 사진을 ‘왕족 초상화’로 만들거나, 사내 공모전을 위한 AI 영상 제작 같은 가벼운 활동으로 실험 장벽을 낮췄다. 이후 실제 업무 중심의 워크숍을 진행했다.

브래들리는 교육 이수율이 아니라, 팀이 실질적인 AI 활용 사례(use case)를 만들어내는지를 핵심 지표로 인식했다.

업무 흐름 속에서 배우기

대기업일수록 AI 역량 개발은 더 복잡하다. 교육을 듣고 업무로 복귀하는 전통적 방식은 변화 속도가 빠른 생성형 AI 환경과 맞지 않는다.

PwC의 인재 개발 리더 마가렛 버크는 AI 학습을 일상 업무 안에 녹여 넣고 있다.

PwC는 여전히 공식 교육을 운영하지만, 도제식(apprenticeship) 학습과 ‘스킬 데이’를 통해 직원들이 AI 활용 아이디어를 공유하고 AI로 분석해 조직 전반에 재배포한다.

버크는 아이디어를 이를 ‘휴먼 엣지(human edge)’ 역량과 결합한다. 비판적 사고, 독립적 판단, 스토리텔링 같은 역량이다. 버크는 “AI 기술을 가르칠 때, 반드시 그와 짝이 되는 인간 역량을 함께 가르친다”라고 강조했다.

진짜 AI 준비 상태를 측정하는 법

이제 기업은 교육 효과를 측정하는 지표도 바꾸고 있다. 교육 이수율이나 인증서는 실제 업무에서 AI를 책임감 있게 사용할 수 있는지를 보여주지 못한다.

대신 다음과 같은 신호를 포착하려고 한다.

• 직원이 새로운 AI 활용 사례를 얼마나 자주 만들어내는가
• AI 도구나 모델이 바뀔 때 팀이 얼마나 빠르게 적응하는가
• AI 도입이 실제 성과 개선으로 이어지는가
• 의사결정 책임과 가드레일이 명확히 정의되어 있는가

튜링의 브래들리는 “가장 오래 가는 역량은 최고의 프롬프트 비법이 아니다. 판단력, 문제 정의 능력, 시스템적 사고, 그리고 기계 출력을 비즈니스 행동으로 전환하는 능력”이라고 정의했다.

그러나 AI를 전사적으로 도입하는 CIO 관점에서 보면, 직원 역량만으로는 충분하지 않다.

샘플은 “AI에 준비된 직원이 있어도, 리더십 모델이 그렇지 않으면 조직은 정체된다. AI는 분석과 권고를 가속할 수 있지만, 책임은 모델로 넘어가지 않는다. 리더는 여전히 가드레일, 의사결정 권한, 성공의 정의를 설정해야 한다”라고 설명했다.

초기 실험 단계를 넘어서는 기업에, 이러한 리더십의 명확성이야말로 어떤 기술 교육보다 더 중요해지고 있다.
dl-itworldkorea@foundryco.com