프롬프트 교육에서 AI 레디로

ITWorld가 4월 21일 올린 기사의 시작은 인상적입니다. 코스노바 뷰티의 생성형 AI 시니어 매니저 레베카 섈버가 한 말입니다.

"프롬프트 엔지니어링이 가장 빨리 유행이 지나버렸어요."

지난 2년간 기업이 인력을 'AI 레디(AI-Ready)' 상태로 만들기 위해 분주히 움직였습니다. 그런데 프롬프트 작성과 챗봇 활용에 초점을 맞춘 1세대 교육 프로그램 상당수가 실제 AI 기반 업무 환경에 맞지 않다는 사실이 드러나고 있습니다.

이유는 단순합니다. AI가 워크플로 안에 들어온 뒤 중요한 건 도구 숙련도가 아니라 판단력이기 때문입니다.

AI 레디라는 말의 착시

베스트 바이의 EVP이자 CDTO인 닐 샘플은 AI 레디의 정의를 이렇게 잡습니다. 교육 이수 인원이나 라이선스 수로 정의되지 않는다. 실제 워크플로를 재설계했는가, 책임 소재가 명확한가, 기술이 관리되지 않은 리스크를 만들지 않으면서 성과를 개선하는가가 기준입니다.

코스노바의 1세대 교육은 LLM 이해, 프롬프트 기법, 도구 실험 중심이었습니다. 6개월 후 직원들은 약 10%의 생산성 향상을 체감한다고 응답했습니다. 도입은 성공적이었어요.

그런데 도입률만으로는 충분하지 않았습니다. 회사가 다음으로 깨달은 게 이거였습니다.

"폭넓게 도입돼야 변화가 생기지만, 가장 중요한 것은 워크플로 설계다."

코스노바는 프롬프트 교육을 멈추고 실제 팀이 어떻게 일하는지를 분석하기 시작했습니다. 직원이 수행하는 업무, 마찰이 생기는 지점, AI로 안전하게 자동화하거나 보조할 수 있는 영역. 직원의 질문이 "AI를 어떻게 쓰지?"에서 **"AI가 낸 결과를 어떻게 검증하고 프로세스에 통합하지?"**로 바뀌었습니다.

고객 신뢰, 규제 준수, 재무적 리스크에 가까운 의사결정일수록 이 판단은 더 중요해집니다. 모든 AI 기반 워크플로에는 누가 의사결정을 소유하는지, 예외는 누가 처리하는지, 어디서 인간이 개입해야 하는지가 정의돼야 합니다.

핵심은 한 줄로 정리됩니다.

AI 레디의 본질은 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 워크숍 방식으로 전환했습니다. 팀이 AI의 도움을 받을 수 있는 업무를 찾아내고, 그 기회를 중심으로 프로세스를 재설계합니다.

흥미로운 변화는 분위기였습니다. AI가 또 하나의 도구로 제시될 때는 직원들의 반응이 미온적이었어요. 그러다 반복 작업을 줄이고 업무 마찰을 제거할 수 있다는 점을 자기 일에서 확인하자, 도입 속도가 빨라졌습니다.

코스노바가 강조하기 시작한 역량은 이렇습니다.

• 비판적 사고
• 워크플로 설계
• 데이터 리터러시

세 가지 모두 도구와 모델이 바뀌어도 유효한 전이 가능한 역량입니다. 프롬프트 비법은 다음 모델 버전에서 무용지물이 되지만, 워크플로 설계 능력은 그렇지 않습니다.

형식 교육보다 실험이 먼저

튜링(Turing)의 인재 전략 VP 테일러 브래들리는 다른 접근을 택했습니다. 비기술 직군 직원에게 먼저 생성형 AI를 자유롭게 실험하도록 장려했어요.

반려동물 사진을 '왕족 초상화'로 만든다거나, 사내 공모전을 위한 AI 영상 제작 같은 가벼운 활동입니다. 실험 장벽을 낮추는 게 목적이었습니다. 그 다음 실제 업무 중심의 워크숍을 진행했습니다.

브래들리가 핵심 지표로 삼은 건 교육 이수율이 아닙니다. 팀이 실질적인 활용 사례(use case)를 얼마나 만들어내는가였어요. 이게 운영 판단력이 자라고 있다는 신호이기 때문입니다.

일하면서 배우게 만들기 — PwC의 도제식

대기업일수록 AI 역량 개발이 더 복잡합니다. 교육을 듣고 업무로 복귀하는 전통적 방식은 변화 속도가 빠른 생성형 AI 환경과 맞지 않습니다.

PwC의 인재 개발 리더 마가렛 버크는 AI 학습을 일상 업무 안에 녹여 넣고 있습니다. PwC는 여전히 공식 교육을 운영하지만, 거기에 더해 도제식(apprenticeship) 학습과 **'스킬 데이'**를 통해 직원들이 AI 활용 아이디어를 공유하고, 그 아이디어를 AI로 분석해 조직 전반에 재배포합니다.

버크가 짝지어 가르치는 건 AI 기술 옆의 휴먼 엣지(human edge) 역량입니다.

• 비판적 사고
• 독립적 판단
• 스토리텔링

그의 원칙은 명료합니다. "AI 기술을 가르칠 때, 반드시 그와 짝이 되는 인간 역량을 함께 가르친다."

진짜 AI 레디를 측정하는 법

기업이 교육 효과를 측정하는 지표도 바뀌고 있습니다. 교육 이수율이나 인증서는 실제 업무에서 AI를 책임감 있게 사용할 수 있는지를 보여주지 못합니다.

대신 다음 신호들을 포착하려고 합니다.

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

이수율이라는 lagging indicator에서 활용 빈도와 적응 속도라는 leading indicator로 옮겨가는 셈입니다.

브래들리의 정의가 깔끔합니다.

"가장 오래 가는 역량은 최고의 프롬프트 비법이 아니다. 판단력, 문제 정의 능력, 시스템적 사고, 그리고 기계 출력을 비즈니스 행동으로 전환하는 능력이다."

직원 역량만으로는 부족하다

CIO 관점에서는 한 가지를 더 얹어야 합니다. 리더십 모델입니다.

샘플의 정리가 본질을 짚습니다.

"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."

초기 실험 단계를 넘어서는 기업에 이 리더십의 명확성이야말로 어떤 기술 교육보다 중요해지고 있습니다.

정리

기사 전체를 한 장으로 압축하면 이렇습니다.

프롬프트 비법은 모델이 바뀌면 사라집니다. 워크플로 설계와 운영 판단력은 그렇지 않습니다. 기업이 1세대에서 2세대로 옮겨가는 길목에 와 있습니다.

이 흐름은 AI 에이전트 많이 만든다고 AX가 아니다 글에서 다룬 엔터프라이즈 AX 딜레마와 정확히 같은 방향을 가리킵니다. 에이전트를 많이 만드는 것이 아니라, 결과의 책임 구조를 설계하는 것이 진짜 일이라는 점입니다.

원문은 ITWorld에서 보실 수 있습니다.