월요일 오전, 같은 부서의 두 사람이 AI 도구 교육을 마치고 자리로 돌아왔다. 한 사람은 이전보다 더 많은 판단을 맡는다. 예외 사례를 해석하고, 모델의 오류가 고객과 규제에 미칠 영향을 가늠하며, 결과에 서명해야 한다. 다른 사람은 반대다. 예전에 숙련자로 인정받게 해주던 검색·정리·초안 작성이 버튼 몇 번으로 끝난다. 교육 수료증은 같지만 앞으로 키워야 할 역량은 정반대다.
이 장면이 AI 직무 양극화의 핵심이다. AI 노출도가 높다는 사실만으로는 교육 방향을 정할 수 없다. 어떤 직무에서는 AI가 인간의 전문 판단을 더 많이 요구하는 과업을 만든다. 다른 직무에서는 기존 전문 과업의 진입 장벽을 낮춘다. 전자는 전문화되는 직무, 후자는 대중화되는 직무로 볼 수 있다. 두 집단에 같은 프롬프트 과정, 같은 실습, 같은 수료 기준을 적용하면 전자는 판단 훈련이 부족하고 후자는 다음 역할로 이동할 발판을 얻지 못한다.
기업교육이 내려야 할 결론은 분명하다. 전사 공통 AI 리터러시는 출발선일 뿐이다. 그다음부터는 직무·과업의 이동 방향을 기준으로 교육 포트폴리오를 두 갈래로 나눠야 한다. 이 글은 특정 도구를 잘 쓰는 법이 아니라, 어떤 사람에게 어떤 학습 경험과 경력 기회를 제공할지를 결정하는 기준을 다룬다.
AI 직무 양극화는 기술 격차가 아니라 역할 방향의 분기다
AI가 일자리를 없애느냐 지키느냐는 질문은 교육 설계에 너무 거칠다. 실제 직무는 여러 과업의 묶음이다. 일부 과업은 자동화되고, 일부는 AI와 함께 수행하며, 새로운 과업도 들어온다. 직무명은 그대로여도 책임의 무게중심이 바뀐다. 그래서 교육 담당자는 인원 감축 가능성보다 먼저 “이 직무에서 인간이 맡아야 할 판단이 커지는가, 기존 전문 과업의 장벽이 낮아지는가”를 물어야 한다.
PwC의 2026 Global AI Jobs Barometer는 직무를 AI 노출도와 인간 전문성 변화로 함께 분류했다. 분석 대상 가운데 약 52%는 AI가 필요한 인간 전문성을 낮추는 대중화 직무, 22%는 전문성을 높이는 전문화 직무, 나머지 26%는 AI 노출이 낮은 직무로 분류됐다. 이 비율은 모든 기업에 그대로 적용되는 정답이 아니다. 다만 “AI에 많이 노출된 직무는 모두 같은 방향으로 변한다”는 가정을 깨기에는 충분하다.
AI 노출도가 비슷해도 인간 전문성의 요구 방향은 다르다. 원본 전체 페이지를 사용했으며, 이미지 내부 텍스트는 번역하지 않았다.
대중화는 곧 저숙련화를 뜻하지 않는다. 과거에 전문 지식이 있어야 수행하던 특정 과업이 쉬워졌다는 뜻이다. 의료 비서가 기록을 정리하거나 시스템 관리자가 표준 장애를 진단하는 과정은 AI로 단순해질 수 있다. 그러나 개인정보 판단, 예외 고객 대응, 시스템 간 영향 분석까지 사라지는 것은 아니다. 기존 숙련의 일부가 가치가 낮아지는 대신, 인접 과업을 묶고 책임지는 능력이 중요해진다.
OECD의 Skills in the AI age는 2022년 직종별 AI 노출도를 비교하면서 IT 전문가, 비즈니스 전문가, 관리자, 최고경영자, 과학·공학 전문가 같은 고숙련 사무직이 상위권에 놓였다고 정리했다. 고노출 직종 채용공고의 72%는 관리 스킬을, 67%는 비즈니스 프로세스 스킬을 하나 이상 요구했고, 절반 이상이 사회·정서·디지털 스킬을 요구했다. 높은 노출은 대체 위험과 같은 뜻이 아니다. 이 지표는 현재 AI 능력과 과업의 겹침을 측정하므로 실제 자동화 여부, 기업의 재설계 선택, 규제 환경에 따라 결과가 달라진다. 따라서 노출도는 교육 우선순위를 정하는 첫 필터로만 쓰고, 전문성의 증감은 기업 내부 과업 증거로 다시 판정해야 한다.
AI 노출이 높은 직종과 자동화 위험이 높은 직종은 일치하지 않는다. OECD 원본 전체 페이지의 정의와 한계를 함께 확인해야 한다.
전문화도 단순한 고급 도구 사용을 뜻하지 않는다. AI가 더 많은 초안과 선택지를 내놓을수록 사람은 어느 결과를 채택할지, 무엇을 보류할지, 어떤 위험을 감수할지 결정해야 한다. 업무 속도가 빨라지면서 판단 빈도와 결과 범위가 함께 커질 수 있다. 이때 필요한 것은 기능 메뉴를 외우는 능력이 아니라 도메인 지식, 검증 규칙, 윤리적 판단, 이해관계자 조정, 최종 책임이다.
분류의 단위도 직무명보다 과업이어야 한다. “마케팅은 대중화, 법무는 전문화”처럼 직군 전체에 꼬리표를 붙이면 현장을 오판한다. 같은 마케팅 안에서도 카피 초안은 대중화되고, 브랜드 위험 판단은 전문화될 수 있다. 같은 법무 안에서도 판례 검색은 대중화되고, 불확실한 규제 환경에서 사업 선택지를 설계하는 과업은 전문화될 수 있다. 교육 수요조사는 과정 선호도를 묻는 대신 과업별 시간, 난도, 실패 비용, 승인 권한의 변화를 포착해야 한다.
전문화 직무에서는 판단의 깊이가 보상의 속도를 가른다
전문화되는 직무의 변화는 “AI를 더 많이 쓴다”로 설명되지 않는다. 채용 시장에서 요구되는 스킬의 수와 조합이 빠르게 바뀌고, 그 변화가 보상과 인력 수요에 함께 나타난다. PwC 분석에서 2022년 이후 전문화 직무의 요구 스킬 수는 68% 늘었고 대중화 직무는 33% 늘었다. 전문화 쪽의 증가 속도가 두 배를 조금 넘는다. 이 수치는 한 사람이 스킬을 68% 더 배워야 한다는 뜻이 아니라, 채용공고에 나타난 요구 스킬 묶음이 그만큼 빠르게 확장됐다는 의미다.
전문화 직무에서는 기존 전문성에 새로운 분석·조정·책임 스킬이 겹쳐진다. 원본 도표의 정의와 기간을 유지해 읽어야 한다.
교육 포트폴리오가 이 속도를 따라가려면 “고급 과정 하나”를 추가해서는 부족하다. 전문화 직무의 학습은 지식 전달, 판단 연습, 현장 권한이 한 묶음이어야 한다. 예를 들어 재무 분석가에게 생성형 AI 활용법만 가르치면 산출 속도는 높아져도 잘못된 가정의 비용은 커질 수 있다. 실제 의사결정 사례를 놓고 근거의 질을 따지게 하고, 모델이 제시한 선택지를 반박하게 하며, 어느 수준의 불확실성에서 상급자에게 올릴지를 연습해야 한다.
보상 데이터도 같은 방향의 신호를 준다. 2021년을 기준으로 비교한 PwC 분석에서 전문화 직무의 평균 임금 증가 속도는 대중화 직무보다 42% 빨랐다. 분석에 제시된 성장 폭은 전문화 직무 37%, 대중화 직무 26%다. 채용공고 수도 전문화 직무가 39%, 대중화 직무가 17% 늘었다. 직무 분류와 국가·자료 범위에 따른 관찰 결과이므로 AI가 임금을 올렸다고 단정할 수는 없다. 성장 산업의 구성, 인력 부족, 기업 규모 같은 요인이 함께 작용했을 수 있다. 그럼에도 전문화되는 역할에 시장 수요가 더 강하게 붙고 있다는 인력계획 신호로는 쓸 수 있다.
임금과 채용공고의 차이는 인과효과가 아니라 관찰된 연관이다. 산업·국가·직무 구성의 영향을 함께 고려해야 한다.
이 차이는 기업교육 예산 배분에 직접 연결된다. 전문화 직무에는 교육시간뿐 아니라 어려운 과제를 맡길 여유, 전문가 피드백, 의사결정 관찰 기회가 필요하다. 과정비만 계산하면 가장 비싼 자원인 현업 코칭과 승인권 위임이 빠진다. 고난도 사례를 다루는 실습에 실제 데이터가 없고, 실습 결과가 업무 권한과 무관하며, 관리자가 판단 과정을 리뷰하지 않는다면 전문화 교육은 지식 업데이트에 머문다.
전문화 트랙의 수료 기준도 답의 정확도 하나로 정하면 안 된다. 좋은 판단은 정답이 불분명한 상황에서 가정과 한계를 밝히고, 반대 증거를 찾고, 위험이 커지는 지점을 알아채며, 책임자를 명확히 하는 행동으로 드러난다. 따라서 평가에는 결과물뿐 아니라 검증 로그, 에스컬레이션 선택, 이해관계자 설명, 사후 수정이 들어가야 한다. AI가 맞힌 비율보다 사람이 오류 가능성을 다루는 방식을 평가하는 편이 실제 직무성과와 가깝다.
대중화 직무는 쉬워진 과업 밖으로 역할을 넓혀야 한다
대중화되는 직무의 가장 큰 위험은 교육 난도가 낮아지는 데 있지 않다. 구성원이 잘하던 일이 더 이상 차별점이 되지 않는데도 다음 역할을 정의하지 않는 데 있다. 기업이 “AI 덕분에 누구나 할 수 있다”는 메시지만 내면 숙련자는 자신의 경험이 평가절하됐다고 느낀다. 초보자는 빠른 산출을 능력 향상으로 오해한다. 관리자는 생산량 증가를 역량 증가로 착각한다.
대중화 트랙은 기존 과업을 더 빨리 수행하는 법보다 과업의 경계를 넓히는 법을 가르쳐야 한다. 초안 작성이 쉬워진 마케터라면 고객 인터뷰 설계, 실험 결과 해석, 채널 간 메시지 일관성까지 역할을 확장할 수 있다. 표준 문의 응답이 쉬워진 상담자라면 복합 민원 진단, 고객 여정의 마찰 발견, 재발 방지 제안으로 이동할 수 있다. 기본 코딩이 쉬워진 현업 담당자라면 요구사항 정의, 테스트, 보안·데이터 경계 판단을 배워야 한다.
PwC 분석에서 AI 노출 직무에 새로 추가된 과업은 인간 중심 역량에 의존할 가능성이 기존 과업보다 평균 2.5배 높았다. 여기에는 공감과 정서 지능, 대면 관계와 네트워킹, 의견·판단·윤리, 창의와 상상, 비전과 리더십이 포함된다. “AI가 인간적인 역량을 중요하게 만든다”는 구호로 끝내면 실행되지 않는다. 각 역량을 실제 과업과 행동으로 번역해야 한다. 공감은 친절한 말투가 아니라 고객의 숨은 제약을 확인하는 질문으로, 판단은 자신감이 아니라 근거가 약할 때 결정을 보류하는 행동으로 정의해야 한다.
대중화 트랙에는 이동 가능한 인접 역할이 보여야 한다. 교육과정만 있고 이동 자리가 없으면 리스킬링은 개인에게 책임을 떠넘기는 약속이 된다. 인사와 현업은 먼저 “이 과업에서 절약된 시간을 어느 과업으로 옮길 것인가”, “새 과업을 맡으면 직급·보상·평가가 어떻게 달라지는가”, “이동 전 실력을 증명할 과제는 무엇인가”를 합의해야 한다. 교육은 그 합의에 필요한 역량을 채우는 수단이다.
기초 숙련을 건너뛰는 문제도 막아야 한다. AI가 만들어준 결과를 빠르게 수정하는 사람은 직접 처음부터 만드는 경험이 부족할 수 있다. 특히 신입은 좋은 결과와 그럴듯한 결과를 구분할 기준이 아직 약하다. 대중화된 과업이라도 일정 기간은 원리 학습, 무도구 수행, 오류 분류를 남겨야 한다. 목표는 과거 방식으로 회귀하는 것이 아니라 검증 가능한 최소 전문성을 확보하는 것이다.
하나의 AI 직무교육이 두 집단 모두를 놓치는 이유
전사 공통 교육은 용어, 보안, 개인정보, 기본 검증 습관을 맞추는 데 유효하다. 문제는 이를 직무교육의 완성으로 여길 때 생긴다. 공통 과정은 모든 사람에게 필요한 최소선을 다루기 때문에 어느 직무의 실제 책임도 충분히 담지 못한다. 수료율이 높을수록 “전 직원 준비 완료”라는 오해가 강해질 수도 있다.
첫 번째 실패는 도구 기능을 역량으로 간주하는 것이다. 프롬프트를 잘 쓰고 결과 형식을 맞추는 능력은 필요하지만, 직무가치를 결정하는 전부는 아니다. 전문화 직무에서는 결과의 한계를 판별하고 책임지는 능력이 빠진다. 대중화 직무에서는 줄어든 과업 이후에 맡을 새로운 역할이 빠진다. 같은 실습을 잘한 두 사람이 현장에서는 서로 다른 위험에 놓인다.
두 번째 실패는 현재 직무명에 교육을 고정하는 것이다. AI 도입 뒤 과업 구성이 바뀌는데도 “마케팅 과정”, “재무 과정”, “고객센터 과정”만 유지하면 변화를 따라가기 어렵다. 과정 카탈로그는 익숙하지만, 인력 이동을 가로막는 칸막이가 되기 쉽다. 과업·스킬 단위 모듈을 만들고 여러 직무가 조합해 쓰게 해야 한다. 다만 모듈화가 짧은 콘텐츠 조각의 양산으로 흐르지 않도록 실제 업무 산출물과 평가 기준을 묶어야 한다.
세 번째 실패는 생산성 개선분의 사용처를 결정하지 않는 것이다. 시간이 줄어든 과업이 생기면 조직은 종종 같은 산출량을 더 적은 인원으로 만드는 데만 관심을 둔다. 그러면 구성원은 AI 교육을 성장 기회가 아니라 감축 신호로 해석한다. 학습 참여와 지식 공유가 위축되고, 현장에서는 자신만의 활용법을 숨긴다. 절약 시간을 고객 탐색, 품질 검증, 개선 실험, 후배 코칭 중 어디에 재투자할지 경영진이 먼저 정해야 한다.
네 번째 실패는 성과평가가 과거 상태에 머무는 것이다. 협업과 검증을 강조해도 개인 산출량만 평가하면 사람은 AI로 더 많이 만드는 데 집중한다. 인접 역할로 이동하라고 해도 기존 직무 KPI를 그대로 적용하면 새 과업을 맡을 이유가 없다. 교육·업무·평가의 신호가 한 방향을 가리켜야 행동이 바뀐다. 교육 담당자가 평가제도를 단독으로 바꿀 수는 없지만, 모순을 가시화하고 공동 의사결정 안건으로 올릴 책임은 있다.
다섯 질문으로 전문화와 대중화를 판별한다
완벽한 직무분석을 기다릴 필요는 없다. 변화가 큰 직무부터 현업 관리자, 숙련자, HR, 교육 담당자가 90분 워크숍을 열고 다섯 질문에 답하면 첫 분류가 나온다. 답은 인상비평이 아니라 최근 업무 사례와 산출물로 확인한다.
- AI가 대신하거나 크게 단순화한 과업은 무엇인가. 월간 시간의 몇 퍼센트가 줄었는지, 품질 기준은 유지됐는지 함께 적는다.
- AI 도입 뒤 새로 생긴 판단은 무엇인가. 결과 검증, 예외 처리, 위험 승인, 고객 설명처럼 사람이 책임져야 할 결정을 찾는다.
- 오류의 비용과 범위가 커졌는가. 산출 속도가 빨라져 작은 오류가 더 넓게 퍼지는지, 규제·안전·평판 위험과 연결되는지 본다.
- 절약된 시간을 옮길 인접 과업이 있는가. 고객 이해, 개선 설계, 관계 조정, 현장 코칭처럼 다음 역할을 구체적인 산출물로 적는다.
- 새 과업을 맡길 권한과 보상이 준비됐는가. 교육 뒤에도 승인권·평가·직급이 그대로라면 이동은 일어나지 않는다.
새 판단과 실패 비용이 커지고 요구 스킬이 늘면 전문화 가능성이 높다. 기존 전문 과업의 장벽이 낮아지고 역할 여백이 생기면 대중화 가능성이 높다. 두 방향이 한 직무 안에 함께 존재할 때는 과업별로 나눈다. “혼합형”이라는 이름으로 뭉개지 말고, 어떤 과업은 전문화 트랙으로, 어떤 과업은 확장 트랙으로 보낸다.
분류 결과에는 유효기간을 붙여야 한다. 모델 성능, 규제, 고객 수용도, 업무 프로세스가 바뀌면 과업의 방향도 달라진다. 분기마다 모든 직무를 다시 분석할 필요는 없지만, AI 사용량이 급증했거나 오류 사건이 있었거나 채용요건이 바뀐 직무는 재검토한다. 직무지도를 연 1회 인재 리뷰의 부속 문서로 두지 말고 교육 포트폴리오를 움직이는 운영 데이터로 써야 한다.
판별 과정에서 직원의 목소리를 빼면 실제 업무가 보이지 않는다. 시스템 로그에는 사용 빈도가 나오지만, 사람이 결과를 고치는 시간과 심리적 부담은 잘 잡히지 않는다. 관리자는 공식 프로세스를 설명하지만, 현장 숙련자는 예외 처리와 비공식 협업을 안다. 인터뷰에서는 “AI를 잘 쓰는가”보다 “어느 순간 결과를 믿지 않았는가”, “누구에게 확인했는가”, “이전보다 더 어려워진 결정은 무엇인가”를 묻는 편이 낫다.
두 갈래 교육 포트폴리오는 서로 다른 경험을 설계한다
전문화 트랙의 핵심은 판단 밀도를 높이는 것이다. 강의보다 사례회의와 시뮬레이션 비중을 높이고, 정답이 없는 문제를 다룬다. 학습자는 AI 결과를 그대로 제출하지 않고 근거, 반대 증거, 불확실성, 승인 기준을 함께 남긴다. 숙련 전문가는 결과를 고쳐주는 사람이 아니라 사고 과정을 질문하는 코치가 된다. 마지막에는 실제 업무의 제한된 승인권을 주고 사후 리뷰를 한다.
전문화 트랙은 네 층으로 설계할 수 있다. 첫 층은 도메인 원리와 실패 패턴, 둘째는 AI 결과 검증과 데이터 출처 추적, 셋째는 복수 이해관계자 사이의 선택, 넷째는 실제 책임이 있는 현장 과제다. 층마다 “무엇을 아는가”보다 “어떤 조건에서 멈추고 묻는가”를 평가한다. 규제·안전 영향이 큰 직무라면 레드팀 역할을 넣어 학습자의 판단을 의도적으로 흔든다.
대중화 트랙의 핵심은 역할 폭을 넓히는 것이다. 먼저 자동화된 과업의 최소 검증력을 확보하고, 인접 과업을 탐색하게 한다. 이후 짧은 직무순환, 프로젝트 마켓, 동료 관찰을 통해 새 역할을 시험한다. 학습자는 기존 산출을 빨리 만드는 데서 끝나지 않고 고객 문제 정의, 개선 제안, 실험 설계 같은 결과물을 남긴다. 수료는 콘텐츠 시청이 아니라 인접 과업의 실제 인수로 확인한다.
대중화 트랙도 네 층이 필요하다. 첫 층은 결과물 판별을 위한 기초 원리, 둘째는 AI와 함께 기존 과업을 안정적으로 수행하는 규칙, 셋째는 인접 과업의 입문 프로젝트, 넷째는 내부 이동이나 역할 확장이다. 신입에게는 무도구 연습 비중을 더 두고, 숙련자에게는 암묵지를 표준과 코칭 언어로 바꾸는 과제를 준다. 같은 대중화 직무라도 경력 단계에 따라 학습 손실의 위험이 다르기 때문이다.
두 트랙 사이에는 이동 통로가 있어야 한다. 대중화 직무에서 고객과 예외 사례를 깊이 다룬 사람이 전문화 역할로 갈 수 있고, 전문화 직무의 일부 과업이 표준화되면 확장 트랙으로 바뀔 수 있다. 트랙을 사람의 등급으로 오해하면 새로운 서열이 생긴다. 분류 대상은 사람의 우열이 아니라 현재 과업의 변화 방향이다. 이 원칙을 공개해야 구성원이 낙인 없이 경로를 선택한다.
과정 편성 방식도 달라져야 한다. 기존처럼 직급별 필수과정을 먼저 채운 뒤 AI 과정을 덧붙이면 학습시간이 늘어날 뿐 역할 변화와 연결되지 않는다. 전문화 트랙에는 실제 판단이 일어나는 시점의 짧은 사전 브리핑, 사례회의, 사후 검토를 배치한다. 대중화 트랙에는 인접 직무를 관찰하고 작은 과업을 인수하는 기간을 공식 학습시간으로 인정한다. 교실·온라인·현장실습의 비율보다 학습자가 어느 업무 결정을 연습하고 어떤 권한을 얻는지가 설계의 중심이어야 한다.
관리자에게는 별도의 안내가 필요하다. 전문화 인력을 “AI를 잘 쓰는 사람”으로만 대하면 어려운 판단을 맡기지 않고 도구 문의만 몰아준다. 대중화 인력에게는 처리 목표를 더 높이면서 역할 확장 시간을 주지 않는 일이 생긴다. 관리자는 두 트랙의 목적, 과제 배정 원칙, 코칭 질문, 성과 인정 방식을 배워야 한다. 구성원의 학습시간을 보호하고 새 과업의 실패를 허용할 범위까지 합의해야 교육이 현장에 정착한다.
파일럿 종료 회의에는 과정 만족도 대신 실제 과업의 전후 산출물과 관리자 배치 결정을 올려야 한다. 그 증거가 다음 예산과 확산 범위를 정한다.
운영 주체도 나눠 맡는다. L&D는 학습 경험과 평가를 설계하고, 현업은 과업·사례·코치와 권한을 제공한다. HR은 직무·보상·이동 규칙을 바꾸고, People Analytics는 과업 변화와 이동 결과를 추적한다. IT와 위험관리 조직은 사용 가능한 도구, 데이터, 승인 경계를 정한다. 어느 한 부서가 전사 AI 아카데미를 소유한다고 해서 직무 전환까지 책임질 수는 없다.
수강률이 아니라 역할 이동의 질을 추적한다
AI 교육의 대시보드가 등록자와 수료자만 보여준다면 양극화 대응 여부를 알 수 없다. 측정은 학습, 업무, 경력의 세 층을 연결해야 한다. 교육 직후에는 검증 행동과 판단 품질을 보고, 30~90일에는 과업 구성과 오류를 보고, 반기에는 역할 이동과 보상을 본다.
전문화 트랙에서는 고위험 오류를 발견한 비율, 에스컬레이션의 적시성, 판단 근거의 완결성, 전문가 리뷰에서 수정된 핵심 가정 수를 추적할 수 있다. 오류가 줄어드는지만 보면 어려운 일을 피하는 행동을 놓친다. 맡은 결정의 난도와 범위가 커지는지도 함께 봐야 한다. 교육을 받은 사람이 더 복잡한 사례를 맡으면서도 중대한 재작업과 사고를 통제한다면 전문화가 실제 역할로 이어진 것이다.
대중화 트랙에서는 자동화로 절약된 시간, 인접 과업에 재투자된 시간, 새 산출물의 채택률, 내부 프로젝트 참여, 역할 확장이나 이동 비율을 본다. 단순 생산량 증가는 보조 지표일 뿐이다. 처리량이 늘었지만 고객 문제 발견이나 개선 제안이 그대로라면 역할 폭은 넓어지지 않았다. 이동한 사람의 6개월 유지율과 새 관리자 평가를 함께 봐야 “교육 후 배치”가 일회성으로 끝나지 않았는지 알 수 있다.
공통 지표에는 접근 형평성이 들어가야 한다. 누가 고급 코칭을 받고, 누가 반복 과업에 남는지 직급·성별·연령·고용형태별로 확인한다. AI 직무 양극화가 기존 기회의 격차와 겹치면 교육이 불평등을 완화하기보다 굳힐 수 있다. 특히 관리자의 추천만으로 전문화 트랙을 선발하면 가시성 높은 직원에게 기회가 몰린다. 과업 증거와 공개된 기준을 쓰고, 자기지원 통로를 함께 둬야 한다.
지표 해석에서는 인과관계를 과장하지 않는다. 교육 수료자에게 승진과 임금 상승이 더 많이 나타나더라도 선발 단계에서 이미 성과가 높은 사람이 모였을 수 있다. 가능하면 유사한 직무·경력의 비교집단을 두고, 교육 전후 변화와 관리자 차이를 함께 본다. 정교한 실험이 어렵다면 최소한 선발 기준, 배치 기회, 외부 채용 변화 같은 혼입요인을 기록한다. 숫자의 목적은 교육의 공을 독점하는 것이 아니라 다음 의사결정을 더 정확히 만드는 데 있다.
한국 기업은 과정 개설보다 세 가지 결정을 먼저 내려야 한다
첫째, AI 도입 예산과 직무 전환 예산을 분리하지 말아야 한다. 라이선스와 시스템 구축이 승인된 뒤 남는 예산으로 교육을 붙이면 과업 분석, 코칭, 이동 기회가 빠진다. 투자안 단계에서 영향을 받는 과업, 전문화·대중화 가설, 필요한 학습시간, 대체 인력, 평가 변경을 함께 제시해야 한다. 기술 ROI와 인력 전환 비용을 같은 의사결정 표에서 본다.
둘째, 직무기술서를 완성본이 아니라 가설로 다뤄야 한다. 한국 기업의 직무는 팀과 개인의 경험에 따라 실제 범위가 달라지는 경우가 많다. 본사 표준 직무만 분석하면 현장 예외가 사라진다. 대표 직무 몇 개를 골라 로그, 인터뷰, 산출물 리뷰로 과업지도를 만들고 8~12주 후 다시 확인한다. 맞지 않은 분류를 수정하는 속도가 처음부터 완벽한 체계를 만드는 것보다 중요하다.
셋째, 교육 뒤에 맡길 일을 먼저 확보해야 한다. 전문화 트랙에는 더 어려운 사례와 제한된 승인권이, 대중화 트랙에는 인접 프로젝트와 이동 자리가 필요하다. 자리가 없는 교육은 기대만 높인다. 현업 리더가 과제·코치·배치 계획을 제출한 직무부터 시작하고, 교육 담당자는 과정 공급자가 아니라 이 세 조건을 확인하는 포트폴리오 심사자 역할을 맡아야 한다.
처음 12주에는 범위를 좁히는 편이 낫다. 1~2주차에 AI 사용량과 과업 변화가 큰 두 직무를 고르고, 3~4주차에 과업별 시간·판단·오류 비용을 분석한다. 5~8주차에는 전문화·대중화 트랙의 최소 학습 경험을 설계해 현장 과제로 시험한다. 9~12주차에는 결과물, 오류, 역할 이동 가능성을 검토하고 평가·보상 변경안을 경영진에 올린다. 전사 확산은 이 순환을 한 번 돌린 뒤 결정한다.
AI 직무 양극화는 사람을 둘로 나누자는 주장이 아니다. 같은 기술이 서로 다른 과업 방향을 만든다는 현실을 교육이 인정하자는 제안이다. 전문화되는 일에는 더 깊은 판단과 책임을, 대중화되는 일에는 더 넓은 역할과 이동 기회를 제공해야 한다. 전 직원이 같은 과정을 수료했다는 안도감보다 각자가 다음에 맡을 일을 분명히 하는 편이 훨씬 중요한 준비다.
함께 읽을 글
출처
- PwC, 2026 Global AI Jobs Barometer (2026-06-15): https://www.pwc.com/gx/en/issues/artificial-intelligence/job-barometer/2026/2026-global-ai-jobs-barometer-full-report.pdf
- OECD, Skills in the AI age (2026-07-08): https://www.oecd.org/en/publications/skills-in-the-ai-age_972bd15e-en/full-report.html