공통 도구와 공통 언어를 만들어야 하는 단계에는 전사 교육을, 계층이나 직무마다 필요한 역량이 갈리는 단계에는 직무별 교육을 선택합니다. 회사 규모보다 조직의 도입 단계와 대상자 편차가 판단 기준이 됩니다. 부서마다 요구가 제각각인 상황에서 하나의 예산으로 구성을 정해야 하는 담당자를 위해 수요 조사 문항, 예산 배분안, 두 방식이 각각 실패하는 방식을 정리했습니다.
AI 교육을 기획할 때 가장 먼저 부딪히는 갈림길이 전사 공통 과정과 직무별 분리 과정 중 무엇으로 갈 것인가입니다. 예산은 한정돼 있고 두 방식의 장단점은 소개서마다 다르게 적혀 있습니다. 실제 수행에서 이 갈림길이 어떻게 나뉘었는지를 놓고 판단 기준을 짚어 보겠습니다.
부서마다 다른 요구를 하나의 예산으로 받아야 할 때
교육 기획 단계에서 수요 조사를 돌려 본 담당자라면 익숙한 장면이 있습니다. 개발 부서는 코딩 자동화를 원하고 마케팅은 콘텐츠 생성을 원하고 재무는 보안 때문에 아예 조심스럽다는 회신이 옵니다. 임원실에서는 전 직원이 AI를 쓰게 하라는 방향만 내려오고, 예산은 과정 하나 분량입니다. 모두를 만족시키는 커리큘럼을 짜 달라고 업체에 요청하면 어느 부서에도 맞지 않는 평균값이 돌아옵니다. 이 상황에서 필요한 것은 지금 조직이 어느 단계에 있는지를 확인하는 일입니다. 단계가 정해지면 전사와 직무별 중 무엇이 먼저인지가 따라 나옵니다.
수요 조사 문항을 바꾸는 방법
수요 조사에서 어떤 교육을 원하는지 물으면 부서 수만큼 다른 답이 옵니다. 원하는 것 대신 하고 있는 일을 물으면 판단 재료가 생깁니다. 부서마다 반복하는 업무가 무엇인지, 지금 쓰는 도구가 무엇인지, AI를 이미 쓰는 사람이 몇 명이나 되는지를 받아 보면 부서 간 요구의 차이가 실제로는 단계의 차이인 경우가 많습니다. 개발 부서는 이미 개인적으로 쓰고 있어서 심화를 원하는 것이고, 재무 부서는 써 본 적이 없어서 조심스러운 것입니다. 이렇게 읽으면 문제는 어느 부서에 맞출 것인가에서 단계가 다른 집단을 어떤 순서로 끌어올릴 것인가로 바뀝니다.
문항은 부서장을 거치지 말고 실제 수강 대상자에게 직접 던지는 편이 정확합니다. 아래 다섯 문항이면 배치에 필요한 정보가 모입니다.
| 문항 | 읽는 방법 |
|---|---|
| 주 단위로 반복하는 작업 세 가지 | 실습 과제 후보이자 부서별 업무 성격의 지표 |
| 그 작업에 쓰는 도구 이름 | 전사 표준 도구가 있는지 확인하는 근거 |
| 생성형 AI를 업무에 써 본 기간 | 조직 전체의 도입 단계 분포 |
| 결과물을 실제 업무에 넣어 본 적이 있는지 | 사용 경험과 정착 사이의 격차 |
| 지금 막혀 있는 지점 | 교육으로 풀 문제와 인프라로 풀 문제의 구분 |
마지막 문항의 답이 권한과 라이선스에 몰려 있으면 교육을 여는 것보다 그 문제를 먼저 푸는 것이 순서입니다. 교육으로 해결되지 않는 병목에 예산을 쓰면 다음 해 성과 보고에서 같은 답변이 반복됩니다.
전사 교육이 맞는 상황
전사 교육의 목적은 개인 숙련보다 조직의 공통 기반에 있습니다. 아로마티카는 연간 AX 전사교육을 초급과 중급으로 나눠 전 직원이 Claude 기반 Cowork Agent 활용에서 업무자동화 전략까지 같은 언어로 올라가게 했습니다. 신지모루도 전사 대상으로 LLM 기반 Agent 활용 전략을 도출하는 업무자동화 교육을 진행했습니다. 두 회사 모두 특정 직무가 아니라 회사 전체의 일하는 방식을 바꾸는 것이 목표였습니다.
도구가 전사 표준일 때도 전사 교육이 자연스럽습니다. 아이리버는 Google Workspace를 쓰는 조직이었고 그 안의 Gemini 연동과 NotebookLM을 다루는 교육콘텐츠를 전사 대상으로 개발했습니다. 모두가 같은 도구를 쓰는 환경에서는 직무를 나눌 실익이 크지 않습니다. 전사 과정의 일반적인 구성은 생성형 AI 교육 과정에서 확인할 수 있습니다.
직무별·계층별 교육이 맞는 상황
대상자마다 출발점과 필요 역량이 다르면 과정을 분리해야 합니다. 미래에셋증권 신입사원 교육은 사내 AIOps 플랫폼을 쓰기 위한 Python과 SQL 기초를 다뤘습니다. 신입에게 필요한 것은 활용 전략에 앞서 기반 기술이었습니다. 세방전지 승진자 교육은 반대로 책임과 선임으로 올라선 인원에게 조직별 AX 적용 전략과 직군별 도메인 지식을 다뤘습니다. 같은 회사라도 승진자에게 코딩 기초를 가르치는 것은 낭비입니다.
숙련도 편차가 큰 실무자 집단은 트랙 분리가 답이 됩니다. NC소프트 데이터 분석 과정은 기초 트랙과 심화 트랙을 나눠 기초는 MS Copilot 연계 데이터 분석을, 심화는 머신러닝과 딥러닝 모델 구축을 다루고 공통으로 개인별 PoC 멘토링을 붙였습니다. 한 교실에 초심자와 숙련자를 함께 앉히면 어느 쪽에 맞춰도 절반이 시간을 버리게 되므로 트랙을 나누되 산출물 구조는 공통으로 가져가는 방식입니다.

판단 기준 정리
| 상황 | 권장 방식 | 근거가 된 수행 |
|---|---|---|
| 전사의 일하는 방식 전환이 목표 | 전사 교육 | 아로마티카, 신지모루 |
| 전사 표준 도구가 이미 있음 | 전사 교육 | 아이리버 |
| 계층별 필요 역량이 다름 | 계층별 분리 | 미래에셋증권, 세방전지 |
| 실무자 숙련도 편차가 큼 | 트랙 분리 | NC소프트 |
예산이 한 과정뿐일 때의 배분
두 방식 중 하나를 고르라는 요구는 대개 예산에서 나옵니다. 확보한 예산의 크기에 따라 현실적인 구성이 갈립니다.
| 예산 조건 | 권장 구성 | 이 구성을 고르는 이유 |
|---|---|---|
| 한 과정 분량 | 전사 공통 한 회차 | 공통 언어가 없으면 심화 과정의 논의가 부서마다 어긋남 |
| 두 과정 분량 | 전사 공통 + 편차가 가장 큰 한 계층 분리 | 전 계층을 나누는 비용을 들이지 않고 가장 큰 손실을 막음 |
| 연간 계약 | 공통 기반 후 계층 분리, 마지막에 개인별 PoC | 단계가 올라갈수록 인원이 줄어 멘토링 비용이 감당 가능해짐 |
두 과정 분량일 때 어느 계층을 분리할지는 수요 조사의 사용 기간 분포로 정합니다. 이미 쓰고 있는 인원이 특정 부서에 몰려 있으면 그 부서를 심화로 떼고, 고르게 흩어져 있으면 의사결정층을 분리하는 편이 낫습니다.
선택의 문제이자 순서의 문제
둘 중 하나를 고르는 문제라기보다 순서의 문제인 경우가 많습니다. 교육 담당자들이 공통으로 말하는 시행착오는 두 방향에서 나옵니다. 공통 기반 없이 직무 심화부터 시작하면 부서 간 용어가 어긋나서 같은 회의에서 다른 이야기를 하게 되고, 전사 교육만 반복하면 앞서 있는 부서의 심화 수요를 놓쳐서 그 부서가 교육을 시간 낭비로 여기게 됩니다. 아로마티카가 전사 과정 안에서 초급과 중급을 단계로 나눈 것처럼 공통 기반을 먼저 만들고 그 위에 편차를 반영하는 구성이 무난합니다.

두 방식이 각각 실패하는 방식
두 구성은 실패하는 모양이 다릅니다. 어느 쪽으로 기울었는지 알아차리는 신호도 다릅니다.
| 구성 | 실패 신호 | 원인 | 보정 방법 |
|---|---|---|---|
| 전사 교육 | 앞서 있는 부서의 만족도만 유독 낮음 | 이미 아는 내용을 다시 들음 | 해당 부서만 심화 회차를 추가 |
| 전사 교육 | 실습 시간에 질문이 거의 없음 | 예제가 어느 부서 업무와도 닿지 않음 | 부서별 실습 재료를 따로 준비 |
| 직무별 교육 | 부서 간 협업 논의에서 용어가 어긋남 | 공통 기반 없이 심화부터 시작 | 짧은 공통 세션을 앞에 붙임 |
| 직무별 교육 | 회차와 강사 일정이 계속 밀림 | 트랙 수가 운영 역량을 넘어섬 | 트랙 수를 줄이고 실습 시간을 늘림 |
마지막 행이 자주 간과됩니다. 트랙을 잘게 나눌수록 커리큘럼은 정교해지지만 운영 부담이 함께 늘어나서, 담당자 한 명이 감당할 수 있는 범위를 넘으면 일정 조율만으로 기간이 지나갑니다.
코텍시스의 관점
회사 규모로 방식을 정하는 것은 근거가 약합니다. 몇백 명 규모에서도 전사 교육이 맞는 단계가 있고 수십 명 조직에서도 계층 분리가 필요한 경우가 있습니다. 판단에 필요한 것은 두 가지 질문입니다. 지금 조직에 공통 언어가 있는가, 그리고 대상자 사이의 역량 편차가 한 교실에서 감당할 수 있는 수준인가입니다. 코텍시스는 이 두 가지를 사전 인터뷰에서 확인한 뒤 구성을 제안하며, 처음부터 전 과정을 확정하기보다 첫 단계를 돌려 보고 다음 단계를 조정하는 방식을 권합니다.
수요 조사 회신을 앞에 두고 구성을 고민하는 단계라면 비슷한 갈림길에서 다른 조직들이 어떤 구성을 택했는지 수행 사례에서 확인해 보시기 바랍니다. 우리 조직의 단계 진단이 필요하면 교육 문의에 대상 인원과 부서 구성을 남겨 주시면 사전 인터뷰 일정부터 잡아 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 기업교육 업체를 고를 때 확인해야 할 7가지](https://cortexys-blog-images.s3.ap-northeast-2.amazonaws.com/blog/20260901-vendor-check-structure.png)