AI 기업교육 업체는 커리큘럼의 맞춤 정도, 강사의 수행 이력, 교육 후 남는 산출물, 성과 수치의 근거 등 7가지를 확인하고 골라야 합니다. 소개서의 문구보다 확인 질문에 대한 답변의 구체성이 업체의 실력을 더 정확하게 보여줍니다. 비교표가 안 만들어지는 상황에서 품의서에 쓸 선정 사유를 찾는 담당자를 위한 점검 목록입니다.
AI 기업교육 업체의 소개서는 대부분 비슷합니다. 생성형 AI 전문, 실습 중심, 맞춤형 커리큘럼이라는 문구가 어디에나 있습니다. 문구가 같아진 이유는 단순합니다. 어느 업체든 그렇게 쓰는 데 비용이 들지 않기 때문입니다. 소개서만으로는 구분이 어렵기 때문에 교육 담당자들이 공통으로 말하는 확인 지점을 7가지로 정리했습니다. 각 항목은 소개서를 읽는 것만으로는 확인되지 않고, 업체에 직접 물었을 때의 답변으로 확인됩니다.
비교표가 만들어지지 않는 상황
업체 선정을 맡은 담당자가 겪는 상황은 대개 이렇습니다. 제안서를 서너 개 받아 비교표를 만들려고 열어 보면 과정명과 로고만 다르고 목차가 거의 같습니다. 생성형 AI 이해, 프롬프트 실습, 업무 적용이라는 3단 구성이 반복됩니다. 견적 차이는 있는데 그 차이가 어디서 나오는지 제안서에는 설명이 없습니다. 품의서에는 선정 사유를 써야 하는데 근거로 쓸 수 있는 문장이 소개서 어디에도 없어서 결국 강사 프로필 사진과 고객사 로고 개수를 세게 됩니다. 이 글의 7가지는 그 비교표의 행을 채우기 위한 질문 목록입니다. 소개서를 다시 읽는 것으로는 답이 나오지 않고, 업체에 직접 물었을 때 답변이 얼마나 구체적인지로 갈립니다.

커리큘럼을 보는 두 가지
첫째, 사전 인터뷰에서 무엇을 묻는지 확인합니다. 수강 인원과 일정만 묻는 업체와 실제 업무에서 쓰는 도구와 데이터, 반복 작업을 묻는 업체는 결과물이 다릅니다. 한세실업 연간 AX 교육에서 MS Excel VBA 업무를 LLM으로 대응하는 내용을 다룬 것은 그 회사 실무자들이 실제로 VBA 기반 업무에 묶여 있었기 때문입니다. 회사 이름만 바꾼 표준 커리큘럼에서는 이런 항목이 나오지 않습니다. 사전 인터뷰를 하겠다는 업체에는 인터뷰에서 구체적으로 무엇을 묻는지까지 확인하면 준비 수준이 드러납니다.
둘째, 대상자 구분이 커리큘럼에 반영되는지 봅니다. 신입사원과 승진자와 임원에게 같은 자료를 보여주는 교육이 여전히 많습니다. 세방전지 승진자 교육은 조직별 AX 적용 전략을 다뤘고 미래에셋증권 신입사원 교육은 Python과 SQL 기초부터 시작했습니다. 대상이 다르면 다뤄야 할 내용이 달라집니다. 대상 구분에 따라 과정이 어떻게 갈리는지는 AI 기업교육 과정 안내에 정리돼 있습니다.
강사를 보는 두 가지
셋째, 강의 경력과 별개로 수행 이력을 봅니다. 강의를 몇 회 했는지보다 최근에 무엇을 직접 만들어 봤는지가 실습 질문에 답할 수 있는지를 결정합니다. 시연은 매끄러운데 수강생의 실제 업무 질문에서 막히는 교육이 여기서 갈립니다. 강사 프로필에 프로젝트 항목이 있다면 그중 가장 최근 것이 언제인지 확인하는 것으로 충분합니다.
넷째, 도구 변화가 커리큘럼에 반영되는 속도를 봅니다. 프롬프트 작성법 중심의 교육과 Agent 활용 교육은 다른 교육입니다. 아로마티카 전사 교육이 Claude Cowork Agent와 Code Agent 기반 업무자동화를 다룬 것처럼 커리큘럼 목차만 봐도 그 업체가 어느 시점에 머물러 있는지 드러납니다. 최근 6개월 사이 커리큘럼에서 무엇이 바뀌었는지 물었을 때 바뀐 것이 없다는 답이 돌아오면 그 자체가 답입니다.
구조를 보는 두 가지
다섯째, 교육이 끝난 뒤 무엇이 남는지 확인합니다. 수료증만 남는 교육과 수강생이 자기 업무에 적용해 본 결과물이 남는 교육은 반년 뒤 평가가 다릅니다. NC소프트 데이터 분석 과정은 개인별 PoC 멘토링을 붙였고 삼성물산은 임원 교육과 직원 업무자동화 PoC를 병행했습니다. 산출물 계획이 없는 교육은 특강으로 끝나기 쉽습니다. 제안서에 산출물 항목이 없다면 물어서 채워야 하는 행입니다.
여섯째, 단발 특강인지 지속 구조인지 봅니다. SK이노베이션 E&S는 연간 AX 전환 교육에 멘토링을 결합해 운영했습니다. 하루짜리 특강이 나쁜 것은 아니지만 조직의 업무 방식을 바꾸는 목적이라면 기간 구조를 먼저 물어야 합니다. 특강 이후에 무엇이 이어지는지에 대한 답이 준비돼 있는 업체는 많지 않습니다.
숫자를 보는 한 가지
일곱째, 성과 수치의 산출 방식을 물어봅니다. 만족도나 활용률 같은 수치는 표본과 측정 방법에 따라 얼마든지 달라집니다. 산출 근거를 설명하지 못하는 수치는 판단 재료에서 빼는 편이 안전합니다. 수치 대신 어느 회사에서 무엇을 다뤘는지를 구체적으로 말하는 업체가 검증하기 쉽습니다. 품의서 관점에서도 마찬가지입니다. 출처를 댈 수 없는 만족도 98%보다 고객사와 커리큘럼 항목이 명시된 수행 이력이 결재 단계에서 덜 흔들립니다.
답변을 평가하는 방법
일곱 가지 질문을 던졌을 때 좋은 답변과 나쁜 답변은 형태가 다릅니다. 좋은 답변에는 고유명사와 조건이 붙습니다. 어느 회사의 어떤 직무에서 어떤 업무를 다뤘고, 그래서 우리 회사에서는 무엇을 먼저 확인해야 한다는 식입니다. 나쁜 답변은 질문을 소개서 문구로 되돌립니다. 맞춤형으로 진행한다, 케이스별로 다르다, 협의 가능하다는 답은 정보량이 없습니다. 답변의 구체성은 꾸미기 어렵기 때문에 소개서보다 신뢰할 수 있는 판별 재료가 됩니다.
확인 질문 정리
| 항목 | 확인 질문 |
|---|---|
| 사전 조사 | 교육 전에 우리 업무 도구와 데이터를 조사합니까 |
| 대상 구분 | 신입, 실무자, 승진자, 임원 커리큘럼이 어떻게 다릅니까 |
| 수행 이력 | 강사가 최근 직접 수행한 프로젝트는 무엇입니까 |
| 최신성 | 최근 6개월 사이 커리큘럼에서 바뀐 부분은 어디입니까 |
| 산출물 | 교육이 끝나면 수강생에게 무엇이 남습니까 |
| 기간 구조 | 특강 이후의 후속 구조가 있습니까 |
| 수치 근거 | 제시한 만족도와 활용률은 어떻게 측정했습니까 |

코텍시스의 관점
일곱 가지를 관통하는 기준은 하나입니다. 그 업체가 우리 회사의 실제 업무를 다룰 준비가 되어 있는가입니다. 코텍시스는 위에 인용한 수행처럼 사전에 파악한 실제 업무를 커리큘럼의 재료로 쓰고, 공개할 수 없는 수치 대신 어느 회사에서 무엇을 다뤘는지를 근거로 남깁니다.
비교표를 채우는 중이라면 다음 두 가지가 재료가 됩니다. 위 7가지 질문에 대한 코텍시스의 답은 수행 사례에서 고객사별 커리큘럼 항목으로 확인할 수 있습니다. 우리 조직의 상황에서 어떤 구성이 맞는지 확인하고 싶다면 교육 문의에 대상과 시기를 남겨 주시면 사전 인터뷰 단계부터 안내해 드립니다.
코텍시스 AI 인사이트 최신 논문 리뷰
활성값을 보고 가중치를 지키는 AWQ 양자화
MIT 연구진의 AWQ는 활성값 분포를 기준으로 중요한 가중치 1%만 보호해도 저비트 양자화 오류가 크게 줄어든다는 관찰에서 출발해 재학습 없는 4비트 양자화를 구현했고 전용 커널 TinyChat으로 FP16 대비 3배 이상의 추론 속도를 달성했습니다. 온프레미스 sLLM을 소수의 GPU로 서빙해야 하는 기업에게 정확도 손실 없이 메모리와 비용을 동시에 줄이는 사실상의 표준 기법입니다.
Mixtral 8x7B로 읽는 MoE 아키텍처: 13B의 연산으로 70B급 성능 내기
총 47B 파라미터 중 토큰당 13B만 활성화하는 희소 MoE 모델 Mixtral 8x7B는 Llama 2 70B와 GPT-3.5를 대부분의 벤치마크에서 따라잡거나 능가했습니다. 추론 연산량은 소형 모델 수준으로 유지하면서 품질을 끌어올리는 MoE의 실용성을 입증한 사례로, 기업의 자체 호스팅 모델 선정 기준에 직접 영향을 줍니다.
DPO가 바꾼 선호 정렬 학습: 보상 모델 없이 RLHF를 대체하는 방법
DPO는 보상 모델의 재매개변수화를 통해 최적 정책을 닫힌 형태로 유도하고, 선호 데이터에 대한 단순 분류 손실만으로 RLHF와 같은 목적을 달성하는 기법입니다. 강화학습 파이프라인을 운영할 여력이 없는 기업 프로젝트에서 선호 정렬을 현실적인 작업 범위로 만들어 준 논문입니다.
AI 솔루션이 필요하신가요?
cortexys.ai에서 맞춤 AI 개발 서비스를 확인하세요.


![[교육] AI Agent 기업교육은 ChatGPT 활용 교육과 무엇이 다른가](https://cortexys-blog-images.s3.ap-northeast-2.amazonaws.com/blog/20260901-qa-vs-delegation.png)