요약 설명: AI 시대 기업교육은 강의 편수보다 성과와 학습이 이어지는 구조로 평가해야 합니다. McKinsey·BCG·Gartner·SHRM 자료를 바탕으로 성과-피드백-스킬-학습-증거의 다섯 단계, 90일 가동 순서, 수강률을 대체할 지표를 제시합니다.
교육 편수는 늘었는데 성과 지표는 그대로다. 생성형 AI 교육, 데이터 리터러시 과정, 리더십 프로그램, 직무별 리스킬링까지 과정 목록은 해마다 길어지는데 제안서 품질, 고객 응대 속도, 리스크 사고 건수 같은 업무 지표는 좀처럼 움직이지 않는다. 교육을 늘릴수록 “교육은 많이 했지만 달라진 일은 없다”는 결론이 오히려 선명해지는 역설이다.
숫자도 같은 역설을 가리킨다. BCG의 AI at Work 2026 조사에서 응답자 11,749명 중 88%는 향후 5년 안에 대규모 업스킬링이 필요하다고 답했다. 그런데 자신이 제대로 훈련받고 있다고 느끼는 비율은 36%에 그쳤다. McKinsey의 HR Monitor 2026도 비슷한 간극을 보여준다. 조사 대상 직원의 24%는 지난 12개월 동안 회사 교육에 참여하지 않았다고 답했다. 직원이 체감한 평균 교육일수는 3.4일인데, HR 전문가는 이를 6.2일로 추정했다. 조직은 직원이 실제로 경험한 학습보다 더 많은 학습이 일어나고 있다고 믿는 경향이 있다. 이 차이는 단순한 집계 오류가 아니다. HRD가 운영한 교육과 현업에서 체감한 성장 사이에 틈이 있다는 신호다.
역설의 원인은 교육 콘텐츠의 양이 아니다. 학습이 실제 업무 변화와 성과 개선으로 이어지는 구조가 약하다는 데 있다. 현업 목표, 관리자 피드백, 스킬 기준, 업무 산출물, 성과 지표가 따로 움직이는 한 과정을 아무리 늘려도 결과는 달라지지 않는다. 그래서 이 글은 과정 목록이 아니라 회로를 다룬다. 성과, 피드백, 스킬, 학습, 증거를 하나로 묶는 다섯 단계 루프를 어떻게 설계하고, 90일 안에 첫 회전을 어떻게 돌리는지가 주제다.
AI 교육이 실패하는 지점은 강의장이 아니라 그 바깥이다
AI 교육이 실패하는 전형적인 패턴은 비슷하다. 먼저 조직이 새로운 도구를 도입한다. 그다음 전사 교육을 한다. 교육 후에는 수강률과 만족도를 확인한다. 몇몇 부서는 빠르게 실험하지만, 상당수 구성원은 “내 업무에 어떻게 쓰라는 것인지 모르겠다”고 느낀다. 일부 직원은 회사가 승인하지 않은 개인 도구를 쓰기 시작하고, 다른 직원은 위험을 피하려고 아예 쓰지 않는다. 리더는 생산성 개선을 묻지만, 교육 부서는 이수율 외에 제시할 증거가 부족하다.
이 문제를 개인의 학습 의지 부족으로 해석하면 처방이 빗나간다. WEF는 2026년 6월 글에서 AI 시대의 병목을 기술 역량과 인간의 활용 준비도 사이의 격차로 설명했다. 기술은 빠르게 발전하지만, 사람들이 그것을 실제 업무에서 자신 있게 쓰려면 스킬, 명확한 역할 변화, 지속 학습, 신뢰가 필요하다. 특히 학습은 간헐적 이벤트가 아니라 업무 속에 들어가야 한다.
Gartner의 2026년 6월 호주 HR 조사도 같은 방향을 가리킨다. 호주 직원 574명을 대상으로 한 조사에서 38%는 업무에서 AI 사용을 기대받고 있었다. 이들 중 85%는 기업 AI 도구를 제공받았지만, 86%는 개인 AI 도구도 병행 사용했다. 고사용·긍정 정서를 가진 AI Champions는 17%였고, 저사용·부정 정서를 가진 AI Resisters는 56%였다. 도구 접근성이 곧 성과로 이어지지 않는다는 점이 분명하다. Gartner는 AI 성과를 높이는 조직이 기술 배포보다 업무 재설계와 직원 지원에 집중한다고 정리했다.
McKinsey 조사에서도 같은 틈이 보인다. 직원의 71%는 AI가 자신의 업무와 요구 스킬에 영향을 줄 것으로 예상했다. 그런데 공식 생성형 AI 교육을 받았다고 답한 비율은 유럽 25%, 미국 31%, 중국 49%에 그쳤다. 이 숫자의 의미는 “AI 교육을 더 많이 열자”에서 끝나지 않는다. AI가 업무를 바꾸는 속도에 비해 조직의 학습 시스템은 여전히 느리고, 분절적이며, 실제 업무와 충분히 붙어 있지 않다는 뜻이다.
AI가 조직에 들어오면 교육 수요는 빠르게 늘어난다. 그러나 그 수요를 모두 과정으로만 처리하면 교육 부서는 곧 병목이 된다. 현업은 “AI를 써야 한다”고 말하고, 보안 부서는 “위험하다”고 말하며, 리더는 “생산성을 보여 달라”고 요구한다. 이때 HRD가 할 일은 모든 구성원에게 같은 AI 강의를 배포하는 것이 아니다. 먼저 업무 흐름을 보고, 어느 지점에서 AI가 판단을 돕고, 어느 지점에서 사람이 검증해야 하며, 어느 지점에서 관리자 피드백이 필요한지 설계해야 한다.
HRD가 AI 전략의 주변부에 머물면 스킬 전환은 느려진다
SHRM의 State of AI in HR 2026은 HRD가 왜 더 일찍 AI 전환 논의에 들어가야 하는지 보여준다. SHRM은 2025년 12월 HR 전문가 1,908명을 조사했다. HR 기능에 AI를 도입한 조직은 39%, 2026년 도입 예정은 7%였다. AI 활용 영역은 채용 27%, HR technology 21%, L&D 17%, employee experience 14% 순이었다. L&D는 AI 활용이 이미 시작된 영역이지만, 아직 중심축이라고 보기는 어렵다.
더 중요한 대목은 측정과 참여다. SHRM 조사에서 AI 투자 성과를 공식적으로 측정하지 않는 조직은 56%였다. 전체 AI 전략과 비전에 HR이 직접 또는 협업 방식으로 관여하지 않는 조직도 52%였다. 반면 AI 도입 조직에서는 업스킬링 또는 리스킬링 기회가 자주 발생했다는 응답이 57%로 나타났다. AI 도입은 결국 스킬 전환을 낳지만, HRD가 전략과 성과 측정에서 빠지면 그 전환은 현업의 우연한 실험에 맡겨진다.
한국 기업에서도 비슷한 위험이 있다. AI 도입 의사결정은 IT, DX, 보안, 법무, 각 사업부 중심으로 진행되고, HRD는 뒤늦게 교육 요청을 받는 경우가 많다. 이 순서에서는 교육이 전략을 설계하기보다 이미 정해진 도구를 설명하는 역할로 축소된다. 구성원은 “왜 이 도구를 써야 하는지”, “내 역할이 어떻게 달라지는지”, “어떤 결과를 내야 하는지”를 모른 채 교육장에 들어온다.
AI 시대의 HRD는 이 순서를 바꿔야 한다. 도구 도입 전에 직무별 업무 변화 시나리오를 정리하고, 역할별 스킬 기준을 다시 쓰며, 현업 리더와 함께 적용 과제를 설계해야 한다. 교육 후에는 수료 여부가 아니라 실제 업무 증거를 수집해야 한다. 이 증거는 성과관리, 내부 이동, 승진, 직무 재설계, 인력계획으로 이어져야 한다.
해법은 성과-피드백-스킬-학습-증거의 다섯 단계 루프다
진단이 연결 부족이라면 처방도 연결이어야 한다. AI 시대 기업교육은 다섯 요소를 하나의 루프로 묶어야 한다. 이 루프는 복잡한 이론이 아니라 운영 순서이며, 성과 기반 학습 체계의 설계도다.
- 성과: 교육 목표를 사업 언어의 성과 목표로 먼저 정한다.
- 피드백: 관리자 피드백으로 목표와 현재 업무 산출물 사이의 간극을 확인한다.
- 스킬: 그 간극을 메울 직무별 수행 기준을 쓴다.
- 학습: 스킬 갭에 맞춰 학습과 실습을 업무 가까이 배치한다.
- 증거: 업무 적용 증거를 수집해 다음 성과 대화와 학습 설계로 되돌린다.
루프가 돌기 시작하면 HRD의 정체성이 바뀐다. HRD는 과정 운영자가 아니라 성과와 학습을 연결하는 운영 설계자가 되어야 한다. 교육이 끝난 뒤 만족도를 묻는 방식으로는 AI가 바꾸는 업무 속도를 따라갈 수 없다. 앞으로 중요한 질문은 “몇 명이 들었는가”가 아니라 “어떤 업무가 바뀌었는가”, “어떤 판단 기준이 좋아졌는가”, “어떤 스킬 갭이 줄었는가”, “관리자의 피드백이 어떻게 달라졌는가”, “성과 증거가 어디에 남았는가”다.
기준도 함께 이동한다. 기업교육의 기준은 교육 공급량에서 성과 연결성으로 이동해야 한다. 교육일수, 수강률, 만족도는 여전히 관리할 수 있다. 다만 그것들은 최종 지표가 아니라 운영 지표다. 최종 지표는 역할별 스킬 진전, 업무 산출물의 품질, 피드백 주기의 단축, AI 활용 리스크 감소, 현업 성과 개선이어야 한다. 이제 루프의 다섯 단계를 순서대로 설계해 보자.
루프 1단계 성과: 목표를 “수료”가 아니라 업무 변화로 쓴다
교육 목표를 “수료”에서 “업무 변화”로 바꾸는 것이 루프의 출발점이다. AI 리터러시 교육을 예로 들면, 목표는 “전 직원이 생성형 AI 기본 과정을 들었다”가 아니다. 더 정확한 목표는 “주요 직무에서 반복 문서 작성 시간을 줄였다”, “고객 응대 초안의 품질 편차를 낮췄다”, “리더의 의사결정 자료 검토 시간이 줄었다”, “민감정보 입력 사고가 줄었다”처럼 업무 단위로 표현되어야 한다. 목표가 이렇게 바뀌면 교육 설계도 달라진다. 강의보다 실습, 실습보다 현업 적용 과제, 적용 과제보다 관리자 피드백이 중요해진다.
성과 목표는 사업 언어로 써야 한다. 예를 들어 “AI 활용 역량 강화”는 목표가 아니라 방향이다. 목표는 “제안서 작성 리드타임 20% 단축”, “고객 문의 1차 답변 품질 편차 축소”, “신규 입사자 업무 숙련 기간 단축”, “관리자 피드백 주기 월 1회에서 주 1회로 단축”처럼 관찰 가능한 변화로 써야 한다.
목표를 정했다면 성과를 만드는 업무 행동을 직무별로 구체화해야 한다. 같은 AI 교육이라도 영업, 고객지원, 연구개발, HR, 재무의 적용 장면은 다르다. 영업은 고객사 산업 분석과 제안서 초안 작성이 핵심일 수 있고, 고객지원은 응답 초안과 이슈 분류가 핵심일 수 있다. HR은 직무기술서 작성, 교육 요구 분석, 피드백 요약, 내부 커뮤니케이션 문안 작성이 주요 장면이 될 수 있다.
루프 2단계 피드백: 관리자의 질문이 바뀌면 학습이 업무로 들어온다
관리자 피드백은 학습 시스템의 일부로 들어와야 한다. 직원이 AI를 실제 업무에 쓰기 시작하면, 가장 중요한 학습은 교육장에서 일어나지 않는다. 초안이 왜 부족한지, 어떤 근거를 추가해야 하는지, 어떤 데이터는 쓰면 안 되는지, AI가 만든 결과를 어디까지 신뢰할 수 있는지에 대한 피드백이 현업에서 쌓인다. 이 피드백을 개인 경험으로 흘려보내면 조직 학습이 되지 않는다. 피드백 항목을 표준화하고, 우수 사례와 실패 사례를 익명화해 재사용하며, 스킬 기준에 반영해야 한다.
이 단계의 열쇠는 리더의 질문이다. 리더가 “교육 잘 듣고 오라”고 말하면 학습은 교육장에서 끝난다. 리더가 “이번 달 우리 팀의 제안서 초안 품질을 어떻게 개선할 것인가”, “AI가 만든 결과를 누가 어떤 기준으로 검증할 것인가”, “좋은 활용 사례와 위험 사례를 다음 회의에서 어떻게 공유할 것인가”를 묻기 시작하면 학습은 업무로 들어온다. 피드백은 다음 단계에서 다룰 스킬 기준의 원재료이기도 하다. 현업에서 반복되는 지적이 곧 조직이 아직 확보하지 못한 스킬의 목록이기 때문이다.
루프 3단계 스킬: “할 줄 안다”가 아니라 수행 조건과 품질로 쓴다
스킬 기준을 다시 써야 하는 이유는 AI가 스킬의 내용 자체를 바꾸고 있기 때문이다. BCG의 AI at Work 2026 조사에서 응답자의 72%는 AI가 자신의 역할에 요구되는 스킬 기대치를 바꿨다고 답했다. 60%는 “충분히 잘했다”고 인정받는 기준 자체가 높아졌다고 했고, 52%는 AI 산출물을 검토하고 수정하는 데 쓰는 시간이 늘었다고 답했다. 어제의 직무기술서로는 오늘의 수행 기준을 설명할 수 없다는 뜻이다.
BCG AI at Work 2026: AI로 바뀐 업무의 측면 — 역할에 요구되는 스킬 기대치 변화 72%, 단순 업무 대체 67%, “충분히 잘했다” 기준 상승 60% 등을 보여주는 도표 — AI 시대 기업교육 근거 도표
스킬 기준은 직무별로 다시 정의해야 한다. 많은 조직이 AI 교육을 전사 공통 교육으로 시작한다. 초기 인식 확산에는 필요하다. 그러나 일정 시점 이후에는 직무별 기준이 없으면 학습은 흐려진다. 마케팅 담당자에게 필요한 AI 활용 역량과 재무 담당자에게 필요한 역량은 다르다. 고객 정보를 다루는 조직과 내부 문서만 다루는 조직의 리스크도 다르다. 같은 “AI 활용”이라는 이름 아래 다른 행동 기준을 요구해야 한다.
기준의 문장 형식도 중요하다. 스킬 기준은 “할 줄 안다”가 아니라 “어떤 조건에서 어떤 품질로 수행한다”로 써야 한다. 예를 들어 “생성형 AI를 활용할 수 있다”는 기준으로 부족하다. 더 좋은 기준은 “민감정보를 제거한 상태에서 업무 맥락을 제공하고, AI가 만든 초안을 내부 기준에 따라 검증한 뒤, 수정 근거를 설명할 수 있다”다. 이렇게 써야 교육, 평가, 피드백이 한 방향으로 움직인다.
이렇게 기준을 세우면 교육의 내용도 바뀐다. 교육은 더 이상 “도구 기능 설명”으로 끝나면 안 된다. 교육은 업무 기준을 바꾸는 과정이어야 한다. 예를 들어 영업 조직의 AI 교육이라면 프롬프트 작성법만 다룰 것이 아니라 고객 미팅 준비의 기준, 제안서 초안 검증 방식, 고객 데이터 사용 제한, 매니저 리뷰 포인트, 최종 산출물 품질 기준을 함께 설계해야 한다. 개발 조직의 AI 교육이라면 코드 생성 도구 사용법보다 보안 리뷰, 테스트 작성, 코드 리뷰 책임, 생산성 측정 기준까지 함께 다뤄야 한다.
루프 4단계 학습: 짧게, 자주, 업무 가까이 배치한다
학습이 루프의 네 번째에 오는 것은 우연이 아니다. 성과 목표, 피드백으로 확인한 간극, 직무별 스킬 기준이 정해진 뒤에야 학습은 정확히 조준된다. 순서가 뒤집혀 학습이 먼저 오면, 조직은 다시 과정 목록을 늘리는 익숙한 습관으로 돌아간다.
학습은 짧고 자주, 업무 가까이에 배치한다. 2시간 특강 한 번보다 30분 사전 학습, 60분 실습, 1주 적용 과제, 관리자 피드백, 동료 리뷰, 다음 과제의 조합이 효과적이다. AI 도구는 빠르게 바뀌기 때문에 긴 커리큘럼을 한 번에 완성하려는 접근보다 반복 가능한 학습 리듬을 만드는 편이 낫다.
루프 5단계 증거: 수강률 대신 봐야 할 세 층의 숫자
증거는 반드시 남겨야 한다. 증거가 없으면 교육은 다시 이벤트가 된다. 증거는 거창할 필요가 없다. 적용 전후 산출물, 작업 시간, 오류 유형, 관리자 코멘트, 고객 반응, 내부 리뷰 결과, AI 사용 가이드 준수 여부, 리스크 발생 여부를 남기면 된다. 중요한 것은 이 증거가 다음 교육 설계와 성과 대화에 쓰이는 것이다.
증거를 보는 틀, 즉 학습 성과 측정의 대시보드는 세 층으로 나눠야 한다. 첫 번째 층은 운영 지표다. 수강률, 완료율, 만족도, 과제 제출률, 교육 참여 시간 같은 지표다. 이 지표는 필요하지만 충분하지 않다. 운영 지표만 보면 교육 부서의 활동량은 보이지만, 조직의 역량 변화는 잘 보이지 않는다.
두 번째 층은 스킬 지표다. 역할별 스킬 진단 결과, 스킬 갭 감소, 적용 과제 통과율, 관리자 평가, 동료 리뷰, 재작업률 감소 같은 지표가 여기에 들어간다. AI 교육이라면 승인 도구 사용률, 검증 체크리스트 준수율, 민감정보 입력 사고, 결과물 품질 평가도 포함할 수 있다.
세 번째 층은 성과 지표다. 업무 리드타임, 산출물 품질, 고객 반응, 영업 생산성, 오류 감소, 내부 이동률, 신규 역할 전환 성공률, 관리자 피드백 주기 같은 지표다. 모든 교육이 곧바로 매출과 연결될 필요는 없다. 그러나 각 교육은 최소한 어떤 업무 성과와 연결되는지 명확해야 한다.
증거를 남기는 조직과 남기지 않는 조직의 차이는 BCG 조사에서도 확인된다. 업무 프로세스를 다시 설계하는 Reshape·Invent 기업에서는 AI 가치 창출이 제대로 측정되고 있다고 답한 직원이 52%로, 도구 배포에 머문 Deploy 기업의 27%를 크게 앞섰다. 대규모 리스킬링을 경험했다는 응답도 65% 대 47%, 프로세스 재설계에 참여했다는 응답도 43% 대 12%로 갈렸다. 측정과 리스킬링 투자가 함께 움직일 때 AI 전환이 사람의 변화로 이어진다는 뜻이다.
BCG AI at Work 2026: Reshape·Invent 기업과 Deploy 기업의 AI 전략 명확성, 가드레일, 프로세스 재설계 참여, 성과 측정, 리스킬링 투자 차이를 비교한 도표 — AI 시대 기업교육 근거 도표
이 세 층을 연결하면 HRD의 대화가 달라진다. “이번 분기 3,000명이 교육을 들었습니다”가 아니라 “고객지원 파일럿에서 답변 초안 작성 시간이 줄었고, 관리자 검토 기준이 정리되었으며, 민감정보 관련 오류가 감소했습니다”라고 말할 수 있다. 이것이 전문가 브랜딩 차원의 기업교육이다. 제품을 홍보하지 않아도, 조직이 어떤 기준으로 학습을 운영해야 하는지 보여주는 것만으로 충분한 신뢰가 생긴다.
첫 30일은 진단과 기준 정리 단계다. HRD는 IT, 보안, DX, 현업 리더와 함께 AI 활용이 이미 일어나고 있는 업무를 확인한다. 공식 도구 사용만 볼 것이 아니라 개인 도구 사용, 비공식 자동화, 반복 문서 작업, 데이터 분석 업무, 고객 커뮤니케이션 업무까지 봐야 한다. 이 단계의 산출물은 “교육 과정 목록”이 아니라 “업무 변화 지도”다. 어떤 직무에서 어떤 일이 바뀌고 있고, 어떤 리스크가 있으며, 어떤 스킬이 필요한지 정리해야 한다.
다음 30일은 파일럿 설계 단계다. 전사 교육을 크게 열기보다 2~3개 직무를 골라 성과 목표와 적용 과제를 설계한다. 예를 들어 영업 제안서, 고객지원 응답, HR 교육 요구 분석 같은 장면을 고른다. 각 파일럿은 공통 구조를 가져야 한다. 사전 진단, 핵심 원칙 교육, 직무별 실습, 현업 적용 과제, 관리자 피드백, 성과 증거 수집까지 포함한다. 이때 교육담당자는 강사가 아니라 운영 디자이너 역할을 해야 한다.
마지막 30일은 확장과 제도화 단계다. 파일럿 결과를 바탕으로 직무별 스킬 기준을 정리하고, 반복 가능한 템플릿을 만든다. 프롬프트 템플릿만 만들면 부족하다. 업무 요청서, 검증 체크리스트, 민감정보 처리 기준, 관리자 피드백 양식, 적용 사례 기록 양식까지 함께 만들어야 한다. 성과가 확인된 파일럿은 전사 과정으로 확장하되, 직무별 적용 과제를 유지해야 한다.
이 90일에서 가장 중요한 변수는 앞서 2단계에서 다룬 리더의 질문이다. 리더가 무엇을 묻는지가 루프의 회전 속도를 정한다.
“성과 측정까지 붙이면 교육 운영이 너무 무거워진다”는 반론이 있다. 맞다. 모든 교육에 같은 수준의 성과 측정을 붙이면 운영 부담이 커진다. 그래서 우선순위가 필요하다. AI, 리더십, 영업, 고객경험, 안전, 보안처럼 업무 리스크와 성과 영향이 큰 교육부터 적용하면 된다. 나머지 교육은 운영 지표 중심으로 관리하되, 핵심 과정은 반드시 업무 증거를 남겨야 한다.
“현업 리더가 바빠서 피드백을 못 한다”는 반론도 현실적이다. 그러나 피드백이 빠진 교육은 전이 가능성이 낮다. 피드백을 길고 복잡하게 만들 필요는 없다. 적용 과제 1개당 3개 질문이면 충분하다. 무엇이 좋아졌는가, 무엇이 위험한가, 다음에는 무엇을 바꿀 것인가. 이 세 질문만 반복해도 학습의 질은 달라진다.
“AI 도구가 계속 바뀌어 교육 내용이 금방 낡는다”는 걱정도 있다. 그래서 도구 기능보다 원칙과 업무 기준을 가르쳐야 한다. 특정 버튼 위치는 바뀐다. 그러나 좋은 질문을 만드는 능력, 결과를 검증하는 능력, 근거를 확인하는 습관, 보안 기준을 지키는 태도, 동료와 결과를 리뷰하는 방식은 쉽게 낡지 않는다.
우리 조직의 루프는 어디서 끊겨 있는가: 열 가지 점검 질문
아래 열 가지 질문 가운데 “아니오”가 나오는 지점이 루프가 끊긴 곳이다. 그곳이 다음 90일의 출발점이다.
- 교육 목표가 “수료”가 아니라 업무 변화로 쓰여 있는가?
- 직무별로 AI 활용 장면과 금지 장면이 구분되어 있는가?
- 교육 전후의 업무 산출물을 비교할 수 있는가?
- 관리자 피드백이 교육 설계 안에 포함되어 있는가?
- 학습 결과가 성과관리, 직무 전환, 내부 이동, 승진 논의와 연결되는가?
- AI 활용 교육에 보안, 개인정보, 저작권, 검증 책임이 포함되어 있는가?
- 승인 도구 사용과 개인 도구 사용의 차이를 파악하고 있는가?
- 수강률 외에 스킬 진전과 적용 증거를 볼 수 있는가?
- HRD가 IT, 보안, DX, 현업 리더와 함께 AI 도입 논의에 참여하고 있는가?
- 교육 결과가 다음 교육 설계에 반영되는 루프가 있는가?
교육을 많이 하는 조직보다 학습이 성과로 흐르는 조직이 강하다
AI 시대에는 학습 속도가 경쟁력이 된다. 하지만 속도는 강의 수를 늘린다고 생기지 않는다. 속도는 업무 목표가 명확하고, 스킬 기준이 구체적이며, 피드백이 자주 일어나고, 학습 증거가 다음 의사결정으로 이어질 때 생긴다.
기업교육은 이제 “교육을 제공하는 기능”에서 “조직이 일을 더 잘하게 만드는 운영체계”로 이동해야 한다. 이 변화는 HRD만의 일이 아니다. 현업 리더, IT, 보안, DX, People Analytics, 경영진이 함께 다뤄야 할 경영 과제다. HRD가 이 연결을 설계할 때 AI 교육은 일회성 유행이 아니라 조직 역량을 갱신하는 장치가 된다.
- [2026 기업교육 트렌드: 과정 운영에서 실시간 적응 역량으로] (slug: 2026-ai-adaptive-learning-hrd-trends)
- [AI 리터러시 교육 설계: 특강 한 번이 아니라 3개 층의 반복 훈련이 성과를 만든다] (slug: ai-literacy-workflow-training)
- McKinsey, HR Monitor 2026: A turning point for the people function: https://www.mckinsey.com/capabilities/people-and-organizational-performance/our-insights/hr-monitor
- World Economic Forum, How to close the gap between what technology can do and what people are able to do with it: https://www.weforum.org/stories/artificial-intelligence/close-gap-what-ai-can-do-people/
- Gartner, HR Survey Finds AI is Boosting Productivity but Widening Workforce Divisions in Australia: https://www.gartner.com/en/newsroom/press-releases/2026-06-02-gartner-hr-survey-finds-ai-is-boosting-productivity-but-widening-workforce-divisions-in-australia
- SHRM, The State of AI in HR 2026 Report: https://www.shrm.org/topics-tools/research/state-of-ai-hr-2026/full-report
- Deloitte, 2026 Global Human Capital Trends Through a Workday Lens: https://www.deloitte.com/global/en/alliances/workday/perspectives/deloitte-global-human-capital-trends-workday-lens.html
- BCG, AI at Work 2026: Why Strategy Matters More Than Tools: https://www.bcg.com/publications/2026/ai-at-work-why-strategy-matters-more-than-tools
