AI 교육 대상 세분화: 전사 공통과정이 도입 격차를 키우는 이유

같은 AI 입문과정을 전사에 배포했다. 수료율은 영업, 생산, 인사, 고객지원에서 모두 90%를 넘었다. 석 달 뒤 차이는 더 커졌다. 데이터팀과 본사 기획부서는 업무 템플릿을 만들고 검토 규칙까지 정착시켰다. 반면 현장 사업장은 어떤 자료를 입력해도 되는지 몰라 사용을 멈췄다. 고객지원팀은 답변 속도는 빨라졌으나 잘못된 정보가 섞였다. 생산팀은 설비 데이터가 외부 도구로 나갈 위험 때문에 실습 자체를 포기했다.

이 장면에서 문제는 교육 참여가 아니다. 서로 다른 업무와 지원조건, 사용경험을 가진 사람에게 같은 출발선과 같은 도착점을 요구한 설계다. 공통과정을 똑같이 제공하면 기회가 공정해 보인다. 그러나 교육 뒤 업무에 적용할 과제, 관리자 피드백, 승인된 도구, 데이터 지원을 가진 집단이 학습을 훨씬 빨리 전환한다. 준비조건의 차이를 그대로 둔 공통과정은 AI 도입 격차를 줄이기보다 드러내거나 키울 수 있다.

AI 교육 대상 세분화란 직급이나 소속만으로 교육 대상을 나누는 일이 아니다. 실제 업무과제와 오류비용을 나타내는 직무, 학습을 지원할 인프라를 나타내는 조직 규모, 미도입·시험·반복 사용을 구분하는 AI 사용단계를 함께 보고 학습경로를 배정하는 설계다. 전사 공통교육을 없애자는 뜻도 아니다. 공통과정은 모두가 지켜야 할 최소 바닥선을 맡는다. 실제 연습과 지원은 다른 경로로 이어진다.

14%라는 평균 뒤에는 서로 다른 다섯 규모가 숨어 있다

영국 Employer Skills Survey 2024의 2026년 수정본은 사업장 22,712곳을 조사했다. 조사 당시 AI를 사용한다고 답한 사업장은 전체의 14%였다. 이 평균만 보면 전 직원에게 같은 입문과정을 넓게 배포하는 선택이 합리적으로 보인다. 규모별로 나누면 다른 운영조건이 나타난다.

직원 2~4명과 5~24명 사업장의 AI 사용률은 각각 14%, 25~49명은 16%, 50~99명은 22%, 100명 이상은 24%였다. 직원 수가 많다고 구성원 개인의 AI 역량이 더 높다는 뜻은 아니다. 전담 데이터팀, 보안 검토, 구매 권한, 사내강사, 관리자 코칭처럼 학습을 사용으로 옮기는 주변 인프라가 다를 가능성을 먼저 본다.

UK Department for Education·Skills England, Employer Skills Survey 2024, Figure 10-1. 전체 사업장 22,712곳의 2024년 응답이며 한국 기업의 현재 AI 보급률이나 교육효과를 뜻하지 않는다.

같은 페이지에는 지난 12개월 동안 직원교육을 제공한 사업장의 AI 사용률이 18%, 교육을 제공하지 않은 사업장은 9%였다는 결과도 있다. 현장교육과 집합·외부교육을 모두 제공한 사업장은 20%였다. 이 차이를 “교육이 사용률을 두 배로 높였다”고 읽으면 안 된다. 큰 조직과 채용이 활발한 조직, 스킬 부족을 인식한 조직이 교육도 AI도 더 적극적으로 도입했을 수 있다. 다만 교육 제공 여부와 AI 활용환경이 분리되지 않는다는 점은 분명하다. 콘텐츠 한 편보다 적용을 받쳐 주는 운영조건까지 대상 설계에 포함한다.

직무 축은 도구보다 과제와 오류비용을 묻는다

직무별 AI 교육을 기능 목록으로 나누면 다시 같은 문제가 생긴다. 영업에는 문서요약, 인사에는 챗봇, 생산에는 데이터분석을 배정하는 식으로는 실제 판단을 포착하기 어렵다. 같은 요약 기능이라도 영업 제안서에서는 고객 약속의 정확성이 중요하다. 인사 문서에서는 개인정보와 공정성을 살핀다. 생산 인수인계에서는 안전과 설비 맥락이 중요하다.

OECD의 2026년 정책 브리프 AI and skills: What we know so far는 고급 AI 프로그래밍이나 모델 개발 스킬이 필요한 근로자가 1% 미만이라고 정리한다. 이는 AI 교육 대상을 1%로 줄이라는 뜻이 아니다. 대다수에게 필요한 역량이 코딩 한 과목으로 수렴하지 않는다는 뜻이다. 디지털 활용, 데이터 분석·해석, 관리, 문제해결, 창의와 협업이 서로 다른 조합으로 필요하다.

Figure 3에서 생성형 AI가 해당 스킬을 더 중요하게 만들었다고 본 중소기업 응답은 데이터 분석·해석 46.4%, 창의·혁신 41.9%, 프로그래밍·코딩 39.0%, 커뮤니케이션·협업 35.8%, 사무·행정 34.0%, 비판적 사고·문제해결 33.5%, 고객서비스·영업 31.1%였다. 사용자와 비사용자 응답이 모두 포함된 인식조사이므로 객관적인 숙련도 순위로 쓰면 안 된다. 대신 AI 도입이 하나의 ‘AI 스킬’이 아니라 여러 업무역량의 조합을 바꾼다는 신호로 읽는다.

OECD, AI and skills: What we know so far, Figure 3. 중소기업 응답자의 중요도 인식이며 구성원의 실제 숙련도나 세분화 교육의 효과를 측정한 결과가 아니다.

직무 축은 부서명보다 과제–판단–오류비용으로 만든다.

이 표는 과정 네 개를 곧바로 만들기 위한 분류가 아니다. 같은 기능을 써도 어떤 실습자료와 평가기준이 달라져야 하는지 정하는 첫 번째 라우팅 정보다. 뒤의 18칸 매트릭스에서는 네 예시를 모두 축으로 쓰지 않고, 파일럿 대상 직무에서 우선순위가 높은 세 과제 묶음을 골라 적용한다.

조직 규모 축은 인원수보다 지원 인프라를 가른다

규모 축을 직원 수 등급으로만 쓰면 작은 조직을 ‘초급’으로, 큰 조직을 ‘고급’으로 취급하는 오류가 생긴다. 소규모 전문기업이 대기업 사업부보다 AI를 더 깊게 쓸 수도 있다. 따라서 교육 배정에는 인원수와 함께 실제 지원 인프라를 묻는다.

• 승인된 AI 도구와 데이터 경계가 문서로 정해져 있는가.
• 현업 질문에 답할 데이터·보안·법무 담당자가 있는가.
• 관리자가 실습할 업무시간과 피드백 시간을 보호하는가.
• 오류를 신고하고 사용을 중단할 경로가 있는가.
• 우수 사례를 다른 팀이 재사용할 수 있게 템플릿으로 관리하는가.

다섯 질문 가운데 세 개 이상에 ‘예’라고 답하면 중앙지원형 경로를 활용할 수 있다. 그렇지 않다면 교육 콘텐츠를 줄이는 대신 지원을 더 붙인다. 외부 전문가의 정기 클리닉, 승인 도구 목록, 공통 데이터 샌드박스, 관리자용 짧은 코칭 가이드가 필요하다. 작은 조직에 긴 자율학습 과정을 던지면 비용을 절약하는 설계처럼 보인다. 실제로는 질문할 곳이 없는 사람에게 실행 책임을 넘기는 방식이 될 수 있다.

큰 조직에도 다른 위험이 있다. 교육, 보안, 데이터, 구매가 서로 다른 승인선을 가지면 학습자가 과정을 수료하고도 실제 도구를 쓰지 못한다. 중앙지원형 경로는 콘텐츠보다 승인과 적용의 연결을 평가한다. 작은 조직에는 지원 밀도를, 큰 조직에는 조정 속도를 설계하는 것이 규모 축의 목적이다.

사용단계 축은 미도입자와 정착 사용자를 구분한다

영국 조사에서 AI 사용 사업장의 67%는 지난 12개월 안에 사용을 시작했다. 24%는 1~3년, 6%는 3년 넘게 사용했고 3%는 모르겠다고 답했다. 같은 ‘사용자’ 안에도 첫 시험을 하는 조직과 업무 프로세스에 내재화한 조직이 섞여 있다.

미사용 사업장 18,925곳 가운데 76%는 도입 계획이 없었다. 15%는 계획을 몰랐고 9%만 언젠가 도입할 계획이라고 답했다. 세부적으로는 향후 12개월 3%, 1~3년 5%, 3년 이후 2%였다. 반올림 때문에 세부 비율 합이 9%와 정확히 맞지 않는다. ‘계획 없음’은 학습 의지가 없다는 진단이 아니다. 적절한 사용사례, 승인, 비용, 고객 요구가 아직 형성되지 않았을 수 있다.

UK Department for Education·Skills England, Employer Skills Survey 2024, Figure 10-5. 조사 당시 미사용 사업장의 계획 응답이며 AI의 필요성이나 구성원 학습의지를 객관 판정한 자료가 아니다.

사용단계별 교육목표는 달라진다.

1. 미도입·탐색: 기능 숙련보다 쓸 만한 업무와 쓰지 말아야 할 업무를 구분한다. 작은 과제 하나의 이익·위험·데이터 조건을 적는 것이 산출물이다.
2. 제한된 시험: 승인된 자료로 결과물을 만들고 사람 검토와 중단 조건을 지킨다. 속도보다 오류 발견과 수정 이력을 본다.
3. 반복 사용·내재화: 개인 팁을 팀 표준으로 바꾸고 품질·공정성·업무량 변화를 추적한다. 예외 처리와 사고 학습까지 포함한다.

미도입자에게 고급 자동화 워크플로를 가르치면 흥미는 생겨도 적용조건을 만들지 못한다. 반복 사용자에게 프롬프트 기초만 되풀이하면 실제 오류와 통제를 다루지 못한다. 단계가 다른 사람을 한 교실에 넣을 때 경험자는 답을 독점하고 초보자는 따라 쓰는 데 그치기 쉽다.

3×2×3의 18칸을 여섯 학습경로로 압축한다

직무과제 세 묶음, 지원 인프라 두 수준, 사용단계 세 수준을 곱하면 18개 셀이 나온다. 세분화의 목적은 과정 18개를 제작하는 데 있지 않다. 학습목표, 실습과제, 지원방식이 같은 셀을 묶어 관리 가능한 경로로 줄이는 데 있다.

라우팅은 한 번의 성향검사로 고정하지 않는다. 최근 30일 실제 사용사건, 업무 오류비용, 승인된 도구, 피드백 제공자를 근거로 배정하고 다음 분기에 다시 확인한다. 직무이동, 새 도구 승인, 파일럿 종료가 생기면 다른 경로로 옮길 수 있어야 한다.

전사 공통과정은 바닥선 다섯 개만 맡는다

세분화는 공통 기준을 없애는 방식이 아니다. 모든 구성원이 최소한 같은 언어를 써야 사고를 보고하고 협업할 수 있다. 다만 공통과정이 맡을 범위를 다섯 가지로 제한한다.

• 회사가 허용한 도구와 입력 금지 데이터
• 출처·사실·계산을 사람이 다시 확인하는 책임
• AI 결과임을 밝혀야 하는 업무와 외부 공유 기준
• 오류·편향·보안 의심 시 사용을 멈추고 알리는 경로
• 최종 결정과 고객·직원 영향에 대한 사람의 책임

이 바닥선은 30분짜리 영상 한 편으로 끝나지 않는다. 짧은 사례판단과 직무별 후속과제로 확인한다. 공통과정 통과는 ‘AI를 사용할 자격증’이 아니라 다음 학습경로로 들어가기 위한 안전 기준이다.

공통 이후에도 전 직원에게 같은 기능과제를 주면 세분화의 의미가 사라진다. 고객지원은 오안내를 사람에게 넘기는 조건, 인사는 추천 근거와 이의제기, 생산은 안전 중단, 콘텐츠 직무는 출처와 저작권을 평가한다. 공통 언어 위에서 다른 판단을 연습한다.

세분화가 차별로 굳지 않게 재배정권을 설계한다

대상을 나누는 순간 새로운 불공정이 생길 수 있다. 관리자가 일부 직원만 고급경로에 추천하거나, 소규모 사업장은 늘 기초과정만 받거나, 현재 비사용자에게 실습기회가 주어지지 않을 수 있다. 세분화는 기회를 제한하는 선발이 아니라 필요한 지원을 달리 제공하는 배분이어야 한다.

운영에는 네 개의 안전장치를 둔다.

1. 상향 이동권: 현재 경로의 통과 증거를 만들면 관리자 추천 없이 다음 경로에 지원할 수 있다.
2. 재진단권: 직무·도구·업무위험이 바뀌면 분기 중에도 배정을 다시 요청할 수 있다.
3. 공개 실습권: 미도입자와 소규모 조직도 샌드박스·클리닉·사례라이브러리에 접근할 수 있다.
4. 집단 점검: 직급, 고용형태, 성별, 사업장 규모에 따라 고급경로 접근률과 지원 대기시간이 불합리하게 벌어지는지 본다.

진단 응답은 인사평가용 잠재력 점수가 아니다. 배정에 필요한 최소 정보만 수집한다. 사용단계와 지원조건을 개인의 능력으로 오해하지 않도록 필드 이름과 설명을 정한다. “초급 직원”보다 “미도입·지원 필요 경로”가 정확하다.

LMS·LXP는 콘텐츠 추천보다 라우팅 이력을 남긴다

AI 교육 대상 세분화에서 LMS·LXP의 핵심 역할은 인기 콘텐츠를 추천하는 것이 아니다. 누가 어떤 근거로 어느 경로에 들어갔는지, 어떤 업무 증거를 만든 뒤 어디로 이동했는지 기록하는 것이다.

최소 데이터는 다음과 같다.

• 직무과제와 결과물의 사용 대상
• AI 사용단계와 최근 실제 사용사건
• 데이터 민감도와 오류비용
• 승인된 도구와 지원 담당자
• 배정된 경로, 배정일, 규칙 버전
• 통과 산출물과 검토자
• 재배정 요청, 이동 사유와 다음 점검일

추천 알고리즘이 이 정보를 사용하더라도 배정 이유를 학습자와 관리자에게 보여 준다. “당신과 비슷한 사람이 들었다”가 아니라 “고객 외부발송 업무·제한 시험 단계·오안내 위험 때문에 감독된 파일럿 경로를 배정했다”고 설명한다. 잘못된 분류를 고칠 수 있는 이의제기 버튼도 필요하다.

수료율 대신 경로 이동과 업무 산출물을 본다

모든 경로의 수료율을 한 줄로 합치면 다시 평균의 함정에 빠진다. 난도가 높은 경로와 지원이 부족한 경로가 불리해진다. 쉬운 콘텐츠를 많이 배정할 유인이 생긴다. 성과는 배정의 적합성, 실제 업무 적용, 안전한 단계 이동으로 나눠 본다.

• 초기 적합도: 학습자가 배정 경로가 실제 과제·사용단계와 맞는다고 판단한 비율
• 오배정률: 첫 2주 안에 경로 변경이 필요했던 비율과 사유
• 업무 증거 완성률: 퀴즈가 아니라 원본–AI초안–검수–승인 산출물을 완성한 비율
• 품질 오류율: 사실·데이터·편향·보안 오류가 검수 전후 얼마나 줄었는지
• 경로 이동률: 탐색에서 파일럿, 파일럿에서 반복 사용으로 증거를 갖고 이동한 비율
• 지원 응답시간: 질문·승인·보안 검토가 적용을 막은 기간
• 접근 형평성: 사업장 규모와 고용형태별 고급경로 신청·승인·완료 격차
• 중단 판단 품질: 위험한 과제를 제때 멈추고 사람에게 넘긴 사례

경로 이동률이 높다고 무조건 좋은 것도 아니다. 위험한 업무에서 서둘러 고급 자동화로 옮기면 통제가 약해질 수 있다. 이동 기준은 사용 빈도가 아니라 증거의 품질과 지원조건 충족 여부다.

한국 기업은 교육 신청서 세 문항부터 바꾼다

현재 신청서가 AI 기초 / AI 심화, 입문 / 실무, 직원 / 관리자만 묻는다면 세분화에 필요한 정보가 없다. 다음 세 문항으로 시작한다.

1. 앞으로 30일 안에 AI를 적용하려는 실제 업무는 무엇이며 결과물을 누가 사용하는가.
2. 그 업무에서 AI를 아직 쓰지 않는가, 제한적으로 시험하는가, 반복 사용 중인가.
3. 결과를 검토하고 데이터·보안 질문에 답할 사람과 승인된 도구가 있는가.

첫 주에는 답변을 바탕으로 여섯 경로에 임시 배정한다. 둘째 주에는 학습자가 자신의 배정 이유와 업무과제를 확인한다. 과정 중 실제 과제가 바뀌면 경로를 옮긴다. 종료 시에는 만족도보다 업무 산출물, 검수기록, 다음 단계 조건을 남긴다. 다음 분기에는 이동과 오배정 데이터를 보고 라우팅 규칙을 고친다.

대기업은 본사와 사업장의 지원 인프라 차이를 같은 법인이라는 이유로 지우면 안 된다. 중견·중소기업은 과정 수를 늘리기보다 공동 클리닉과 외부 전문가, 승인 도구 템플릿을 공유하는 편이 현실적이다. 세분화의 핵심은 정교한 알고리즘이 아니라 서로 다른 사람이 학습을 업무로 바꿀 조건을 정확히 붙여 주는 운영이다.

같은 교육을 똑같이 주는 것은 공정이 아니다

전사 공통과정은 최소한의 안전 언어를 만드는 데 유용하다. 하지만 공통과정을 AI 교육의 전부로 만들면 직무과제, 지원 인프라, 사용단계의 차이를 학습자 개인이 알아서 해결해야 한다. 이미 도구와 코치가 있는 팀은 더 빨리 나아간다. 질문할 곳이 없는 팀은 수료증만 남긴다.

AI 교육 대상 세분화의 목적은 사람을 등급으로 나누는 데 있지 않다. 필요한 실습과 지원을 더 정확히 배분해 누구나 증거를 갖추면 다음 경로로 이동하게 하는 데 있다. 모두에게 같은 문을 보여 주는 것보다 각자가 실제로 통과할 수 있는 길을 설계하는 것이 더 공정하다.

함께 읽을 글

• AI 교육의 병목은 도구가 아니라 직원 자신감이다: 신뢰와 참여를 설계하는 법
• AI 스킬 교육 격차, 수요와 실제 참여 사이를 닫는 법

출처

• UK Department for Education·Skills England, Employer Skills Survey 2024: UK findings (2025-11-27, updated 2026-06-18)
• OECD, AI and skills: What we know so far (2026-06-05)