AI를 가르쳐도 회사가 안 바뀌는 이유

URL: https://www.youtube.com/watch?v=865m_HeZz4M 날짜: 2026-09-17 채널: AI Community Bloom

---

메타데이터

• 영상 ID: 865m_HeZz4M
• 원문 제목: Why Your Company Won't Change Even After AI Training | Team Sparta AE Hwang Jae-kyung
• 출연 인물: 팀스파르타 사업본부 교육팀 컨설팅 파트장 황재경
• 영상 길이: 약 34분 41초
• 주제어: 기업 AX, AI 교육, 업무 전환, 워크플로우, 교육 성과 측정, HRD

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

==AI 교육만 제공해도 회사가 바뀌지 않는 이유는 도구 지식의 부족이 아니라, 업무 프로세스·데이터 환경·경영진의 기대·개인별 손익 구조가 바뀌지 않기 때문이다.==

• 교육 필요성에는 97%가 동의하지만, 교육 후 현업에서 AI를 잘 쓰겠다고 답한 비율은 18%에 그친다.
• 회사의 AI 도입은 도구를 사서 배포하는 일이 아니라, 실제 산출물과 업무 흐름을 다시 설계하는 일이다.
• 프로세스는 상위 활용자에 맞춰 개선하고, 교육은 하위 구성원도 따라올 수 있게 설계해야 확산된다.

AI 전환(AI Transformation, AX)의 성패는 교육 시간이나 토큰 사용량만으로 판정할 수 없다. 구성원이 지난주에 AI로 만든 결과물을 말할 수 있는지, AI 때문에 사라지거나 줄어든 업무가 있는지, 절약한 시간을 어떤 고부가 업무로 전환했는지를 확인해야 한다. 조직의 환경과 데이터, 역할별 수준을 먼저 진단하고 명확한 결과물을 향해 교육과 프로세스를 연결할 때 교육이 회사의 변화로 이어진다.

1. 리포트가 드러낸 AI 교육의 역설

AI에 대한 높은 수요와 낮은 현업 전환 사이의 간극은 교육 자체보다 전환 조건을 점검하게 만든다.

1.1. 감에 의존하던 기업 AX 대화를 데이터로 바꾸다

1. 리포트 작성의 배경

   1. 고객 질문의 반복: HR 담당자와 AX 리더는 다른 회사가 AI를 어떻게 쓰는지, 도입 과정에서 무엇이 잘됐고 무엇이 어려웠는지를 계속 물었다.
   2. 경험담의 한계: 교육 현장에서 고객사별 사례를 감으로 설명하면 비교와 보고에 한계가 있으므로, 여러 기업의 상황을 정량 데이터로 보여줄 필요가 있었다.
   3. 설계와 보고의 근거: 「2026 기업 AX 벤치마크 리포트」는 교육 설계와 전사 AX 계획을 세우고 경영진에게 보고할 때 사용할 배경 논리와 기준을 제공하려는 목적을 가졌다.
   4. 교육 사업의 자료라는 목적: 리포트는 리드 마그넷(Lead Magnet)으로서 잠재 고객을 대화로 초대하고, 교육팀이 기업의 고민을 함께 파악하는 자료로도 활용됐다.

2. 가장 큰 역설

   1. 교육 필요성: 조사 대상 교육 의사결정자의 97%가 AI 교육이 필요하다고 답했다.
   2. 교육 후의 현실: 교육을 받은 뒤에도 82%는 현업에서 AI를 잘 쓰지 못하겠다고 답했다.
   3. 영어 학습에 비유한 간극: 영어를 배워야 한다는 사실을 모두 알지만, 교육을 마친 사람에게 당장 영어로 업무를 하라고 하면 실행이 어려운 것처럼 AI 교육도 업무 맥락과 연결되지 않으면 실천으로 넘어가지 못한다.

1.2. 도입했다고 생각하지만 실제로는 쓰지 않는 조직

1. ‘경쟁사보다 앞선다’는 자기평가의 착시

   1. 비교 집단의 문제: 기업들은 빅테크나 선도 IT 기업이 아니라 주변 친구나 지인 회사와 AI 도입 여부를 비교하는 경우가 많다.
   2. 도입과 사용의 혼동: 주변 회사가 아직 AI를 도입하지 않았다면 사내에 ChatGPT 하나만 있어도 앞서 있다고 느끼기 쉽다.
   3. 개인 사용을 조직 도입으로 오해: 누군가 ChatGPT로 보고서를 작성하거나 이메일을 번역하는 것만으로 회사 전체가 AI를 활용한다고 판단하기도 한다.
   4. 리포트의 수치: 경쟁사와 비슷하거나 앞섰다고 답한 기업이 절반이었지만, 그중 29%는 실제 도입을 시작하지도 못한 상태였다.

2. 현장과 본사의 시야 차이

   1. 본사와 기획 조직의 편향: 기획·AX 담당자처럼 AI를 자주 접하는 구성원 주변에서는 사용자가 많기 때문에 조직 전체가 잘 쓰는 것처럼 보인다.
   2. 현업 적용의 별도 문제: 개인이 도구를 한 번 써 본 사실과 회사 업무에 지속적으로 적용하고 있는지는 서로 다른 지표다.
   3. 자기 위치를 묻는 질문: 지난 일주일 동안 AI로 만든 결과물 다섯 가지를 바로 말할 수 있는지가 개인과 조직의 실제 활용도를 드러낸다.

1.3. AXPI로 AI 활용 역량을 진단하다

1. 지식 시험에서 업무 역량 진단으로 전환

   1. 기존 시험의 한계: 시중 시험은 프롬프트 엔지니어링 개념이나 특정 도구 지식을 묻는 B2C형 퀴즈에 가까웠다.
   2. 기업에 필요한 질문: 기업은 구성원이 도구 이름을 아는지보다 자신의 직무에서 AI를 활용해 결과물을 만들 영향력과 역량을 갖췄는지를 알아야 한다.
   3. AXPI의 방향: AXPI는 AI를 잘 쓸 수 있는 실제 능력을 객관적 데이터로 진단하도록 설계됐다.

2. 진단 구조

   1. 네 가지 축: 프롬프트 엔지니어링(Prompt Engineering), 데이터 분석(Data Analysis), 윤리·보안(Ethics & Security), 워크플로우(Workflow)를 평가한다.
   2. 문항 구성: 객관식 약 20문항과 주관식 약 2문항으로 구성된다.
   3. 페르소나 기반 과제: 인사 담당자처럼 특정 직무와 상황을 부여한 뒤, 필요한 데이터를 얻기 위해 어떤 프롬프트를 작성할지 묻는다.
   4. 교육 전후 비교: 개인이나 조직이 AI 활용에 필요한 역량을 갖췄는지, 교육 이후 실제로 갖췄는지를 판단하는 기준으로 활용한다.

3. 활용 사례

   1. 전사 진단: 신입 채용에까지 AXPI를 적용한 사례는 아직 없지만, 전 구성원을 대상으로 도입한 회사는 있었다.
   2. 승진 제도: AI 역량을 승진 가점에 반영하려는 금융회사가 평가 항목으로 시험을 도입했다.

2. 교육을 받아도 업무가 바뀌지 않는 구조

교육 산출물이 개인 폴더에 머물고 기존 결재·보고 체계가 유지되면, 구성원은 AI를 쓰는 일이 오히려 번거롭다고 판단한다.

2.1. 산출물이 조직 안으로 이동하지 못하다

1. 개인 폴더에 갇힌 결과물

   1. 교육 직후의 산출물: 교육에서 만든 스킬(Skill), 정리된 마크다운(Markdown) 파일, 각종 결과물이 개인 컴퓨터나 개인 폴더에 남는다.
   2. 배포의 부재: 결과물을 팀에 배포하거나 조직 차원에서 재사용할 수 있게 만드는 장치가 부족하다.
   3. 축적의 단절: 한 사람이 만든 좋은 프롬프트와 자동화가 다음 사람의 표준이나 다음 기수의 학습 자산으로 이어지지 않는다.

2. ‘이럴 거면’이 만드는 회귀

   1. 옛 양식의 고정: AI로 보고서를 작성해도 보고서 양식과 결재선은 그대로 남아 있다.
   2. 수작업의 재등장: AI가 만든 내용을 기존 시스템이나 문서 양식으로 다시 옮기는 손작업이 생긴다.
   3. 합리적인 포기: AI를 쓰면 일은 늘고 기대치는 높아지지만, 원래 방식으로 하면 더 빨리 끝날 수 있으므로 구성원은 AI를 쓰지 않아도 손해가 없다고 결론 내린다.

2.2. 개인별 AI 수준 차이가 회의를 무너뜨리다

1. 준비 시간의 비대칭

   1. 빠른 준비: 어떤 구성원은 AI를 활용해 30분 만에 주간 회의를 준비한다.
   2. 기존 방식의 준비: 다른 구성원은 월요일부터 직접 자료를 정리하며 과거 방식대로 많은 시간을 투입한다.
   3. 논의 품질의 차이: 준비에 투자한 시간과 고민의 깊이가 달라지면서 회의에 가져오는 의견의 밀도와 회의 시간 자체가 달라진다.

2. 업무와 기대의 쏠림

   1. AI 고수에게 집중: AI를 잘 쓰는 사람에게 ‘AI로 해 오라’는 업무가 조용히 비대칭적으로 몰린다.
   2. 분담의 붕괴: 원래 회의 참석자들에게 고르게 배분돼야 하는 업무가 특정 활용자에게 집중된다.
   3. 경영진의 오해: 경영진이 AI를 요술 방망이처럼 생각하면, 실제로는 비즈니스 이메일 번역 정도를 해 온 구성원에게도 유튜브에서 본 수준의 성과를 요구한다.
   4. 조직 결과의 연쇄 하락: 수준 차이가 회의에서 시작해 보고 체계와 업무 결과물까지 함께 무너뜨린다.

3. 실제 사례의 극단

   1. 토큰만 지급한 과제: 한 회사의 임원이 구성원에게 토큰을 주며 AI로 영상을 편집해 오라고 했다.
   2. 형식적 제출: 사용법을 몰랐던 구성원이 직접 영상을 편집한 뒤 AI로 만든 결과물인 것처럼 제출하는 일이 실제로 생겼다.

2.3. 프로세스는 상위에, 교육은 하위에 맞추다

1. 프로세스 개선의 기준

   1. 챔피언을 먼저 세우기: 조직의 상위 10~15%에 해당하는 챔피언(Champion)·앰배서더(Ambassador)를 선발한다.
   2. 현장에 맞는 프로세스 만들기: 챔피언들이 회사의 실제 업무에 맞는 프로세스를 설계하도록 장려하고 동료 지원을 제공한다.
   3. 빠른 확산: 상위 활용자는 새로운 흐름을 실험하고 표준화할 능력이 있으므로, 프로세스는 이들에게 맞출 때 효과와 속도가 높다.

2. 교육 설계의 기준

   1. 하위 구성원에게 맞추기: 조직에서 수가 더 많은 하위 수준의 구성원이 포기하지 않을 난이도로 교육해야 한다.
   2. 상위 수준의 교육이 만드는 이탈: 가장 잘하는 사람에게 맞춰 한 번에 교육하면 많은 사람이 한 시간 만에 따라가기를 포기한다.
   3. 핵심 원칙: 프로세스는 상위 활용자 수준으로 끌어올리고 교육은 하위 구성원도 진입할 수 있게 맞춘다.

3. 기업 규모와 산업에 따른 도입 장벽

기업 규모의 차이는 주로 지불 가능한 비용과 계정 수에서 발생하고, 산업의 차이는 데이터가 존재하고 활용되는 방식에서 발생한다.

3.1. 대기업과 중소기업의 자원 격차

1. 도입 실행률의 차이

   1. 대기업: AI 도입 실행률은 약 76%로 나타났다.
   2. 중소기업: AI 도입 실행률은 약 46%로 대기업보다 낮았다.
   3. 산업 간 격차: IT와 제조·생산 분야 사이에도 약 34%포인트의 실행률 차이가 나타났다.

2. 규모가 만드는 비용의 차이

   1. 사용량의 여유: 대기업은 월 5천만 원 이상 또는 연 3억 원 이상을 AI에 지출할 수 있는 비율이 중견·중소기업보다 높다.
   2. 계정과 토큰: 구성원에게 배분할 수 있는 AI 계정 수와 지불 가능한 토큰(token)의 양이 큰 간극을 만든다.
   3. 산업 차이와 구분: 업종별 격차를 단순히 토큰 비용을 지불할 돈의 차이로 설명하기는 어렵다.

3.2. IT와 제조업의 데이터 현실

1. IT의 디지털 준비도

   1. 익숙한 데이터 형식: IT 기업은 엑셀(Excel), CSV, 마크다운 파일 등 디지털 형식으로 데이터를 다루는 일이 일반적이다.
   2. 정리된 소스: 핀테크와 IT 기업을 교육할 때 이미 업무 데이터가 잘 정리돼 있는 경우가 많다.
   3. AI 연결의 용이성: 정리된 데이터는 분석·자동화·대시보드 제작으로 바로 연결하기 쉽다.

2. 제조 현장의 단절

   1. 열어 보지 않은 디지털 데이터: 제조업도 데이터를 디지털이라고 부르지만, 실제 현장에서는 그 데이터를 한 번도 열어 보지 않은 경우가 많다.
   2. 제철소의 USB 사례: 철강 기업의 현장에서는 헬멧을 쓰고 기계까지 이동한 뒤, 먼지를 털고 USB를 꽂아야 데이터가 나온다는 설명을 들었다.
   3. 본사 보고 중심: 현장 담당자는 기계에서 얻은 원시 데이터를 직접 활용하기보다, 이미 가공된 결과를 본사로 올려 보내는 방식에 익숙했다.
   4. 파일 관리의 현실: 미팅에서 데이터를 보여 달라고 하자 2025년·2026년 자료가 담긴 USB 묶음을 연도별로 꺼내는 사례도 있었다.

3. 산업별 처방

   1. 데이터 소스의 차이: IT와 제조업의 핵심 간극은 돈보다 데이터 소스의 형태와 데이터 활용 수준에 있다.
   2. 선행 조건: 제조업의 AX는 교육을 시작하기 전에 데이터 추출·정리·접근 방식부터 바꿔야 한다.

4. 가장 앞선 기업이 다르게 하는 일

AI 도구를 배우는 것보다 구체적인 산출물을 만들고, 그 결과를 다음 업무와 다음 교육의 자산으로 축적하는 조직이 앞서간다.

4.1. 도구가 아니라 산출물에서 출발하다

1. 요청의 언어가 다르다

   1. 도구 중심 요청: ‘Claude Code를 가르쳐 달라’, ‘Codex를 배우고 싶다’는 요청은 도구 학습에 머문다.
   2. 결과물 중심 요청: ‘우리 데이터로 대시보드를 만들어야 하니 Claude Code를 활용한 교육을 설계해 달라’는 요청은 업무 결과를 먼저 정의한다.
   3. 현업 적용의 연결: 결과물이 정해지면 필요한 데이터, 도구, 직무별 실습, 프로세스 변경을 역산할 수 있다.

2. 반복 교육을 축적의 과정으로 바꾸다

   1. 기수 간 자산화: 1기의 교재와 결과물을 2기 교육에 반영하고, 2기의 결과물을 3기가 활용하도록 만든다.
   2. 지속 개선: 한 기업은 이미 16기까지 교육을 이어가며 커리큘럼과 산출물을 계속 개선했다.
   3. 조직 기억의 형성: 매 기수의 결과물이 다음 기수의 출발점이 되면 교육은 일회성 행사가 아니라 조직 역량의 누적 시스템이 된다.

4.2. 비용과 수준을 함께 관리하다

1. 무제한 사용의 부작용

   1. 마구잡이 도입: 처음에는 AI 도구를 폭넓게 풀어 주고 써 보게 할 수 있다.
   2. 비용 급증: 사용량이 늘어 토큰 비용이 예상보다 커지면 조직은 지속 가능한 사용 방식이 필요하다는 사실을 깨닫는다.

2. 앞선 조직의 관리 방식

   1. 경제성 고민: 어떤 업무에 어떤 모델과 토큰을 사용할지, 비용 대비 효과를 어떻게 높일지 선제적으로 검토한다.
   2. 수준별 교육: 구성원별 역량 수준을 나눠 각자에게 맞는 교육을 제공한다.
   3. 규모와 무관한 원칙: 비용과 교육 수준을 함께 관리하는 방식은 대기업뿐 아니라 AI 활용을 앞서가려는 중소기업에서도 나타난다.

4.3. 환경과 데이터를 공유하는 조직

1. 컨설팅이 먼저 확인하는 환경

   1. IT 환경: 회사의 개발·보안·업무 시스템이 어떤 구조인지 먼저 확인한다.
   2. 산업 특수성: 제조 라인처럼 산업별로 다른 데이터와 현장 제약이 있는지 살핀다.
   3. 모델 접근 방식: 내부 온프레미스(on-premises) LLM을 쓰는지, 외부 API를 받아 쓰는지 확인한다.

2. 구성원 역량 분포

   1. 레벨 분포: 진단 결과 레벨 1과 레벨 2 중 어느 쪽이 많은지 확인한다.
   2. 챔피언 양성: 구성원을 레벨 3 또는 더 높은 챔피언 단계로 끌어올릴 때 필요한 분포와 순서를 설계한다.
   3. 커리큘럼의 순서: 환경과 역량 분포를 본 뒤에야 커리큘럼을 결정한다.

5. 실패하는 교육의 공통 원인

가장 좋은 진단과 설계를 받아도 회사가 끝까지 실행하지 못하면 교육 성공률은 높아지지 않는다.

5.1. 교육 설계 방식에 따른 성공률

1. 동일 교육의 한계

   1. 전사 동일 커리큘럼: 모든 직무에 같은 과정과 같은 교재를 적용하면 현업 적용 성공률은 약 10~11%에 머문다.
   2. 직무별 교육: 직무에 따라 과제와 교육을 나누면 성공률은 약 18%로 올라간다.
   3. 역량 진단 후 개인화: 역량을 진단한 뒤 개인 수준에 맞춰 설계하면 성공률은 약 32%까지 높아진다.

2. 32%를 출구까지 완주한 비율로 이해하다

   1. 세 명 중 한 명: 32%는 교육 설계와 진단을 거쳐 실제 성과를 내고 출구까지 완주하는 사람이 대략 세 명 중 한 명이라는 뜻이다.
   2. 입구와 출구: 진단·설계·교육은 길의 입구를 닦는 일이고, 조직이 출구까지 도달하려면 내부 시스템·환경·실행 방안이 함께 움직여야 한다.
   3. 교육 업체의 한계: 교육 업체는 입구의 길을 설계할 수 있지만, 출구까지의 완주는 회사가 업무 환경과 시스템을 바꾸는 책임을 져야 가능하다.

5.2. 경영진 리스크와 ‘요술 방망이’ 기대

1. 지원이 없거나 요구가 과도한 경우

   1. 지원 부재: 경영진이 예산·시간·시스템을 지원하지 않으면 교육 산출물이 조직 안에서 실행될 수 없다.
   2. 무리한 요구: 반대로 지원은 하면서 단기간에 더 많고 더 좋은 결과를 빨리 가져오라고 요구하면 진단과 설계의 시간을 빼앗는다.

2. 위기감과 예산이 동시에 큰 회사의 위험

   1. 요술 지팡이 기대: 위기감도 크고 예산도 있는 조직은 돈을 투입하면 AI가 즉시 모든 문제를 해결할 것이라고 기대하기 쉽다.
   2. 교육 과정의 압축: 빠른 성과 압박 때문에 역량 진단과 맞춤 설계를 건너뛰고 교육부터 시작한다.
   3. 결과의 불일치: 실제 업무 환경과 맞지 않는 교육은 비용을 써도 산출물과 현업 적용을 만들지 못한다.

5.3. 끝의 그림 없이 시작하는 교육

1. 엔드 픽처의 부재

   1. 모호한 목표: ‘일단 교육해 보고 무엇을 원하는지 나중에 보자’는 회사가 많다.
   2. 결승점의 필요: 교육이 끝났을 때 어떤 결과물이 완성되고 어떤 업무가 달라져야 하는지 엔드 픽처(End Picture)를 먼저 그려야 한다.
   3. 성과 설계의 문제: 출구에서 기다리는 결과가 없으면 교육이 끝나도 조직이 무엇을 성공으로 볼지 합의하기 어렵다.

2. 실패 신호를 감지하는 대화

   1. 환경 이해의 부재: 회사의 AI·IT·데이터 환경을 파악하지 않은 채 교육을 요구한다.
   2. 명령과 조급함: 위에서 시키거나 구성원의 요구가 많다는 이유만으로 구체적 청사진 없이 빨리 시작하려 한다.
   3. 예산과 성과 압박: 예산은 이미 떨어졌고 성과는 빨리 내야 하지만, 어떤 산출물을 만들지는 정하지 않은 상태다.
   4. 현장 판단: 이런 조건이 겹친 미팅에서는 교육을 진행할수록 오히려 어려움이 커질 수 있다는 신호를 읽을 수 있다.

6. 잘되는 조직의 사례와 리더십

환경을 숨기지 않고 직접 실험하며, 조직 안의 데이터와 업무 구조를 잘 아는 사람이 AI 전환을 구체화한다.

6.1. 임원이 직접 프롬프트와 Claude Code를 실험하다

1. 지주사 임원 교육 사례

   1. 일반적인 임원 교육과 다른 요구: 보통 임원 교육은 인사이트 특강이나 마인드셋 교육에 가깝지만, 한 지주사는 노트북을 모두 준비하고 직접 실습하기를 원했다.
   2. 실습의 범위: 프롬프트를 작성하고 도구에 로그인하는 기초부터 시작해 마지막에는 바이브 코딩(Vibe Coding)까지 해 보고 싶다고 요청했다.
   3. Claude Code 도전: Claude Code가 막 도입된 시점이었음에도 임원들이 사용해 보겠다고 했다.
   4. 예상 밖의 결과: 검은 화면의 CLI(Command-Line Interface) 창이 나타나면 어려울 것이라고 만류했지만, 임원들은 오히려 그 과정을 좋게 평가했다.

2. 환경을 솔직히 공유하는 태도

   1. 가능·불가능의 공개: 회사가 어떤 것은 되고 어떤 것은 안 되는지, 어느 부분이 필요한지를 교육 설계자에게 구체적으로 공유했다.
   2. 현실 기반 개선: 솔직한 제약 정보가 있어야 교육팀이 실제 환경에 맞게 과제와 프로세스를 수정할 수 있다.

6.2. 제조 데이터 에이전트와 온톨로지

1. 공정별 데이터의 문제

   1. 서로 다른 데이터: 제조 기업의 공정이 여덟 개라면 공정마다 데이터 형식과 내용이 다르게 나올 수 있다.
   2. 통합의 필요: 공정별 데이터를 한데 모으고 형식을 통일해야 전체 업무에 활용할 수 있다.

2. 현장 실무자의 해결

   1. 에이전트 구축: 한 실무자는 바이브 코딩을 활용해 공정 데이터를 취합하고 통일하는 에이전트(agent)를 직접 만들었다.
   2. 조직 성숙도의 신호: 내부에서 어떤 데이터를 준비해야 하는지 고민하고, 현재 가진 데이터를 정확히 아는 조직이라는 점이 드러난다.
   3. 온톨로지 설계: 데이터와 업무 개념의 관계를 구조화하는 온톨로지(ontology)를 조직 내부에서 설계하고 있다는 의미다.

6.3. 임원과 시니어의 위임 습관을 AI로 전환하다

1. 임원이 AI를 잘 활용하는 이유

   1. 자연스러운 위임: 비서에게 일을 시키는 습관이 있는 임원은 AI에게도 업무를 맡기는 발상이 자연스럽다.
   2. 결과 수준의 기대: 업무를 어떻게 설명하고 원하는 수준을 요구해야 하는지 익숙하기 때문에 AI에서도 원하는 결과를 끌어내기 쉽다.

2. 도메인 지식과 도구 숙련도의 조합

   1. 시니어의 강점: 시니어는 도구를 능숙하게 다루지 못해도 도메인 지식이 풍부해, 기본 사용법만 배워도 원하는 결과를 구체적으로 요청할 수 있다.
   2. 주니어의 어려움: 주니어는 도구를 배워도 업무 자체의 맥락과 순서를 잘 모르기 때문에 무엇을 입력하고 어떤 결과를 검증할지 판단하기 어렵다.
   3. 키맨의 역할: 조직 안에 AI 키맨(key person)이 있는지, 그 사람이 업무 프로세스를 AI로 업그레이드한 경험을 갖고 있는지가 확산의 중요한 신호다.

7. 도구를 풀어 주기만 해서는 사용하지 않는 이유

ChatGPT나 Gemini를 도입한 기업의 85% 이상이 도구를 사용하거나 도입한 상태에서도, 구성원은 자신의 업무 어디에 적용해야 할지 몰라 멈춘다.

7.1. 도구 인지와 업무 적용은 다르다

1. 높은 도입률의 한계

   1. 도구는 이미 있다: ChatGPT와 Gemini는 85% 이상이 사용하거나 도입한 도구로 나타난다.
   2. 문제의 본질: 구성원은 AI가 무엇인지 몰라서가 아니라, 자신의 업무에서 무엇을 바꿔야 하는지 몰라서 사용하지 못한다.

2. 워크플로우를 분해해야 한다

   1. 직무의 전체 흐름: 영업 업무를 A부터 Z까지 단계별 워크플로우로 펼쳐야 한다.
   2. 변경 지점 찾기: 그중 C나 D 단계처럼 AI로 바꿀 수 있는 지점을 구성원이 발견하게 해야 한다.
   3. 맥락의 연결: 어떤 업무에 어떤 맥락으로 AI를 배치할지 모르면 도구를 이미 갖고 있어도 실행으로 이어지지 않는다.

7.2. 주니어에게는 가이드형 프로젝트가 필요하다

1. 상황을 설정한 미션

   1. 가이드형 프로젝트(Guided Project): 도메인 지식이 약한 신입·주니어에게 구체적인 상황과 해결해야 할 문제를 미션처럼 부여한다.
   2. 결과물 중심 실습: 상황 속에서 어떤 프롬프트를 쓰고 어떤 산출물을 내야 하는지 단계별로 연습한다.

2. 마케팅 과제 사례

   1. 현실적 제약: 마케팅팀의 예산이 없는 상황에서 메신저 광고 배너를 빨리 만들어야 한다.
   2. 명확한 기한: 다음 날 게시해야 하므로 실습자는 제한된 시간 안에 결과를 내야 한다.
   3. 학습 효과: 프롬프트 기법을 나열하는 대신 실제 업무의 문제를 해결하게 하면 도메인 지식이 얕아도 유사한 결과물까지 끌어올릴 수 있다.

8. AI 전환 성과를 보고하는 법

시간 절감은 첫 보고에는 유용하지만, 반복 보고에서는 절감한 시간을 무엇으로 전환했는지까지 설명해야 한다.

8.1. 시간 절감만으로는 부족하다

1. 첫 번째 보고의 지표

   1. 변화의 출발점: AI나 AX 도입 후 업무 시간이 얼마나 줄었는지는 첫 성과 보고에서 이해하기 쉽고 좋은 지표다.
   2. 직관적 비교: 기존에 걸리던 시간과 도입 후 걸리는 시간을 비교하면 초기 효과를 빠르게 보여줄 수 있다.

2. 반복 보고의 꼬리 질문

   1. 남은 시간의 용도: 임원은 시간이 줄었다면 절약한 시간에 무엇을 했는지 묻는다.
   2. 전환된 업무: 줄인 시간으로 어떤 다른 업무를 수행할 수 있었는지 설명해야 한다.
   3. 단순 수치의 한계: ‘네 시간 걸리던 일이 30분이 됐다’만 반복하면 실제 사업 가치가 보이지 않는다.

8.2. 세 가지로 기록하는 성과 장표

1. 누가 사용했는가: AI를 실제로 사용한 사람과 팀을 기록한다.
2. 어떤 업무를 줄였는가: 시간뿐 아니라 없애거나 축소한 구체적인 업무를 기록한다.
3. 어떻게 전환했는가: 줄어든 업무를 자동화하거나 더 중요한 업무로 어떻게 전환했는지 기록한다.
4. 강한 성과 사례: 보고서 세 건을 작성하는 데 걸리던 네 시간이 다섯 분으로 줄었고, 그 업무가 자동화됐다고 보고하면 절감과 전환을 함께 보여줄 수 있다.

9. 내일 바로 확인할 질문

조직의 실제 AX 위치는 거창한 설문보다 동료의 구체적인 지난주 업무를 묻는 질문에서 빠르게 드러난다.

9.1. 개인과 팀의 활용도를 확인하다

1. 다섯 가지 결과물 질문

   1. 핵심 질문: 주변 팀원 한두세 명에게 지난 일주일 동안 AI로 한 일 다섯 가지를 말해 달라고 요청한다.
   2. 현실적인 판별: 다섯 가지를 구체적으로 말하기 어렵다면 AI를 업무에 지속적으로 활용하고 있다고 보기 어렵다.
   3. 조직 지도 만들기: 어느 팀의 누구가 AI를 잘 쓰는지 파악하면 내부 챔피언과 지원이 필요한 구성원을 찾을 수 있다.

2. 사라진 업무 질문

   1. 제거된 업무: AI 때문에 완전히 없어진 업무가 무엇인지 묻는다.
   2. 축소된 업무: 완전히 없어지지는 않았지만 줄어든 업무가 무엇인지 묻는다.
   3. 성과 연결: 제거·축소된 업무와 새로 생긴 고부가 업무를 연결하면 AX의 실제 효과를 확인할 수 있다.

9.2. 라운드테이블에서 장벽을 묻다

1. 잘되는 사례보다 막히는 사례를 먼저 묻기

   1. 대화의 진입점: 잘되는 일을 자랑하는 질문보다 AI 활용을 가로막는 규정이나 상황을 묻는 질문이 서로의 현실을 더 빨리 연결한다.
   2. 구체적 장벽: 내부 LLM만 사용해야 한다거나, 프롬프트를 열 번 쓰면 한도가 닳는다는 식의 제약을 공유하면 대화가 구체화된다.

2. 조직의 다음 질문

   1. 개인 관점: ‘우리 회사에서 무엇이 나를 가로막고 있는가’를 묻는다.
   2. 조직 관점: ‘우리 회사가 폭발적으로 발전하기 어려운 이유는 무엇인가’를 묻는다.
   3. 실행 관점: 답변에서 발견한 규정·시스템·데이터 장벽을 다음 프로세스 개선 과제로 전환한다.

주요 발언 모음

“97%는 AI 교육이 필요하다고 답했지만, 교육을 받은 후에도 82%는 현업에서 잘 못 쓰겠다고 답했다.”

“안 써도 손해가 없기 때문에 안 쓰시는 것 같다.”

“프로세스는 상위에 맞추시고 교육은 하위에 맞추시면 조금 더 효과적이지 않을까 싶습니다.”

“뭘 배우는지에 대한 초점보다는 뭘 산출물로 낼 수 있을지를 조금 더 고민하시는 것 같습니다.”

“툴을 몰라서 못 쓴다기보다는 그분들이 업무에서 뭘 써야 될지 모른다는 게 조금 더 맞는 표현일 것 같습니다.”

“시간 절감은 첫 번째 보고 할 때는 굉장히 좋은데, 그 줄인 시간을 가지고 뭘 할 수 있었는지를 꼭 물어보십니다.”

핵심 데이터 & 수치

• 97%: AI 교육이 필요하다고 답한 교육 의사결정자 비율이다.
• 82%: 교육을 받은 뒤에도 현업에서 AI를 잘 쓰지 못하겠다고 답한 비율이다.
• 29%: 경쟁사보다 비슷하거나 앞섰다고 답한 기업 중 실제 도입을 시작하지 못한 비율이다.
• AXPI 4개 축: 프롬프트 엔지니어링, 데이터 분석, 윤리·보안, 워크플로우다.
• AXPI 문항: 객관식 약 20문항과 주관식 약 2문항으로 구성된다.
• 10~15%: 프로세스 개선을 주도할 챔피언·앰배서더를 선발할 때의 기준 비율이다.
• 76% 대 46%: 대기업과 중소기업의 AI 도입 실행률이다.
• 약 34%포인트: IT와 제조·생산 분야 사이의 도입 실행률 차이다.
• 10~11%: 전사 동일 커리큘럼의 현업 적용 성공률이다.
• 18%: 직무별 교육의 현업 적용 성공률이다.
• 32%: 역량 진단 후 개인별로 맞춘 교육의 현업 적용 성공률이다.
• 85% 이상: ChatGPT·Gemini를 사용하거나 도입한 기업의 비율이다.
• 4시간에서 5분: 보고서 세 건 작성 업무를 AI로 줄이고 자동화한 사례다.

결론 및 시사점

1. AI 교육의 목표를 도구 사용법 이수가 아니라 직무별 산출물 완성과 업무 프로세스 변경으로 정의해야 한다.
2. 교육 전에는 회사의 데이터·보안·모델 환경과 구성원의 역량 분포를 진단해야 한다.
3. 프로세스는 상위 10~15% 챔피언이 실험하고 표준화할 수 있게 설계해야 한다.
4. 교육은 하위 구성원이 포기하지 않도록 직무 맥락과 가이드형 프로젝트를 중심으로 설계해야 한다.
5. 교육 결과물을 개인 폴더에 남기지 말고 팀의 스킬·워크플로우·데이터 자산으로 배포해야 한다.
6. AI를 안 쓰는 사람에게 필요한 것은 더 많은 도구가 아니라 자신의 업무에서 바꿀 지점을 발견하는 워크플로우 지도다.
7. 성과 보고는 시간 절감에서 멈추지 말고 누가 사용했는지, 어떤 일을 줄였는지, 절약한 시간을 어디로 전환했는지까지 보여줘야 한다.
8. 내일 바로 동료에게 지난주 AI 결과물 다섯 가지와 AI 때문에 없애거나 줄인 업무를 물으면 조직의 실제 위치를 확인할 수 있다.

핵심 요약 (20줄)

AI 교육이 필요하다고 답한 기업은 97%지만 교육 후 현업에서 잘 쓰지 못하겠다는 응답은 82%에 달한다.

기업들은 주변 회사의 도입 여부와 개인의 도구 사용을 조직 전체의 AI 전환으로 착각하기 쉽다.

경쟁사보다 앞섰다고 답한 기업 중 29%는 실제 AI 도입을 시작하지도 못했다.

AXPI는 프롬프트 엔지니어링, 데이터 분석, 윤리·보안, 워크플로우 네 축으로 실제 활용 역량을 진단한다.

AXPI는 객관식 약 20문항과 주관식 약 2문항으로 직무 상황 속 문제 해결 능력을 평가한다.

교육 산출물이 개인 폴더에 머물고 기존 보고서 양식과 결재선이 유지되면 업무 전환은 멈춘다.

AI를 쓰면 재작업과 기대치가 늘어날 수 있어 구성원은 사용하지 않아도 손해가 없다고 판단한다.

개인별 AI 수준 차이는 회의 준비 시간과 의견의 질을 갈라 업무를 특정 활용자에게 쏠리게 만든다.

프로세스는 상위 10~15% 챔피언과 앰배서더의 수준에 맞추고 교육은 하위 구성원에게 맞춰야 한다.

대기업의 AI 도입 실행률은 76%이고 중소기업은 46%여서 비용과 계정 수의 격차가 드러난다.

IT와 제조업의 차이는 비용보다 디지털 데이터의 정리 수준과 실제 활용 여부에서 크게 발생한다.

제조 현장에서는 먼지를 털고 USB를 꽂아야 기계 데이터가 나오는 사례처럼 데이터 접근부터 막힐 수 있다.

앞선 기업은 Claude Code나 Codex 자체보다 그 도구로 만들 구체적인 대시보드와 업무 결과물을 먼저 정한다.

반복 교육의 교재와 결과물을 다음 기수에 반영하면 교육이 조직 역량의 누적 시스템으로 바뀐다.

전사 동일 교육의 현업 적용 성공률은 10~11%이고 직무별 교육은 18%까지 높아진다.

역량 진단 후 개인별로 맞춘 교육도 성공률이 32%여서 세 명 중 한 명만 출구까지 완주한다.

실패하는 조직은 지원이 없거나 예산으로 요술 방망이를 기대하며 교육 결과의 엔드 픽처를 정하지 않는다.

ChatGPT와 Gemini를 도입해도 업무의 A부터 Z까지 펼쳐 AI로 바꿀 C와 D를 찾지 못하면 활용하지 못한다.

주니어에게는 예산 없는 마케팅팀이 다음 날 게시할 광고 배너를 만드는 가이드형 프로젝트가 효과적이다.

성과는 누가 AI를 썼는지 어떤 업무를 줄였는지 절약한 시간을 어디로 전환했는지로 보고해야 한다.

내일 동료에게 지난주 AI 결과물 다섯 가지와 AI 때문에 사라지거나 줄어든 업무를 물으면 AX의 실제 위치가 드러난다.