도구 시연 중심의 생성형 AI 기업교육은 교육이 끝나는 순간 활용도 함께 끝나는 경우가 많습니다. 재계약 시즌에 남은 근거가 수료율과 만족도뿐인 상황이 그 결과입니다. 실제 업무 데이터 기반 실습과 대상별 커리큘럼 분리 그리고 PoC로 이어지는 구조가 왜 필요한지 실제 수행 사례로 설명하고, 사전 조사에서 받아 두어야 할 항목과 교육이 무너지는 네 지점을 점검표로 정리했습니다.
생성형 AI 기업교육 발주가 빠르게 늘고 있습니다. 그런데 교육 담당자들이 공통으로 말하는 문제가 있습니다. 교육 만족도는 나쁘지 않은데 한 달 뒤에 확인해 보면 실제로 업무에 쓰는 사람이 거의 없다는 것입니다.
재계약 검토에서 드러나는 것
이 문제는 다음 해 교육을 기획할 때 담당자에게 되돌아옵니다. 작년 업체와 재계약할지 판단해야 하는데 손에 있는 근거가 수료율과 만족도 점수뿐입니다. 현업 팀장들에게 활용 여부를 물어보면 답변의 결이 비슷합니다. 강의는 좋았는데 예제가 우리 업무와 달라서 돌아와서는 쓸 데가 없었다는 것입니다. 몇 명은 개인적으로 쓰고 있다고 하는데 그것이 교육 덕분인지 원래 쓰던 것인지 구분되지 않습니다. 결국 올해도 비슷한 구성으로 발주가 나가고 같은 결과가 반복됩니다. 이 순환을 끊으려면 업체를 바꾸는 것보다 교육의 구조를 바꾸는 것이 먼저입니다. 실패하는 교육에는 공통된 구조가 있기 때문입니다.
재계약 검토 자리에서 실제로 필요한 문서는 두 가지입니다. 교육이 끝난 시점에 수강자별로 무엇을 만들었는지 적힌 목록, 그리고 몇 달 뒤 그중 몇 개가 아직 돌아가고 있는지 확인한 기록입니다. 두 문서 모두 교육이 끝난 다음에 복원할 수 없습니다. 만들 계획을 발주 단계에서 넣지 않으면 이듬해에도 손에 남는 것은 만족도 점수뿐입니다.
도구 사용법 강의가 조직에 남지 않는 이유
프롬프트 작성 요령과 도구 시연 중심의 교육은 강의장에서는 잘 작동합니다. 문제는 수강자가 자기 자리로 돌아간 다음입니다. 강의에서 본 예제가 자기 업무와 다르면 첫 적용 시도에서 막히고 그대로 멈춥니다. 도구 화면과 기능은 몇 달 단위로 바뀌기 때문에 사용법 지식 자체의 수명도 짧습니다. 반면 자기 업무를 분해해서 AI에 맡길 부분을 고르는 역량은 도구가 바뀌어도 남습니다. 교육이 어느 쪽을 남기는지가 반년 뒤의 차이를 만듭니다.
| 구분 | 도구 강의형 교육 | 업무 기반 교육 |
|---|---|---|
| 실습 재료 | 강사가 준비한 범용 예제 | 수강자의 실제 업무 데이터 |
| 교육 직후 | 수강자가 적용 방법을 스스로 찾아야 함 | 교육 중 만든 결과물을 그대로 이어서 사용 |
| 도구가 바뀌면 | 교육 효과가 함께 소멸 | 업무 분해 역량은 도구와 무관하게 유지 |
| 조직에 남는 것 | 수료 기록 | 동작하는 자동화와 PoC |

수강자의 실제 업무에서 꺼내는 실습 재료
한세실업 연간 AX 교육에서는 실무자들이 오래 유지해 온 MS Excel VBA 업무를 LLM 활용 방식으로 전환하는 것을 실습 주제로 삼았습니다. 범용 예제 대신 수강자가 매주 반복하는 바로 그 파일을 다루기 때문에 교육이 끝난 다음 날부터 결과물이 업무에 들어갑니다. AI 리터러시 강화 교육에 AX·DX 자동화 멘토링을 붙인 것도 같은 이유입니다. 강의만으로는 개인별 업무 편차를 다 커버할 수 없기 때문입니다. 실습 재료를 실제 업무에서 가져오려면 교육 전 사전 조사가 필요하므로, 업체가 사전 인터뷰에서 무엇을 묻는지가 이 구조의 성립 여부를 가릅니다. 이런 사전 조사 기반의 과정 구성은 생성형 AI 교육 과정에서 확인할 수 있습니다.
실습 재료를 업무에서 가져오면 강의 진행 자체는 오히려 어려워집니다. 수강자마다 파일 형식이 다르고 데이터가 지저분하며 강사가 예상하지 못한 질문이 나옵니다. 준비 시간과 현장 대응 부담이 함께 늘어납니다. 그 부담을 감수하는 이유는 하나입니다. 교육장에서 한 번 겪은 문제는 자리에 돌아가서 다시 나오지 않기 때문입니다.
사전 조사에서 받아 두어야 할 항목
실습 재료를 업무에서 가져오려면 교육 전에 확보해야 할 것이 정해져 있습니다. 수강 인원과 일정만 확인하고 시작하면 첫 회차의 상당 부분이 재료 수집으로 지나갑니다.
| 항목 | 받는 형태 | 빠졌을 때 벌어지는 일 |
|---|---|---|
| 부서별 반복 업무 목록 | 주 단위로 반복하는 작업 세 개씩 | 실습 과제를 강사가 대신 정하게 됨 |
| 현재 쓰는 도구 | 문서 양식, 표 파일, 사내 시스템 이름 | 배운 흐름이 실제 도구에 연결되지 않음 |
| 실제 파일 샘플 | 개인정보를 지운 사본 | 데이터 형식 문제를 교육 당일에 처음 만남 |
| 반입 가능한 데이터 범위 | 보안 부서가 확인해 준 기준 | 실습 중간에 파일 사용이 중단됨 |
| 대상자의 사용 경험 | 이미 쓰고 있는 인원수 | 수준 편차를 강의 도중에 파악하게 됨 |
| 실습 계정과 권한 | 교육일 기준 발급 완료 여부 | 첫 시간이 로그인 문제로 소모됨 |
이 목록은 업체를 고르는 기준으로도 그대로 쓰입니다. 사전 인터뷰에서 인원과 일정만 묻는 업체라면 실습 재료는 표준 예제로 채워질 가능성이 높습니다. 반대로 파일 샘플과 보안 기준까지 요청하는 업체는 커리큘럼을 나중에 조립할 계획이 있다는 뜻입니다.
대상별 커리큘럼 분리의 기준
전 직급을 한 강의실에 모으는 전사 AI 교육은 운영이 편한 대신 누구에게도 맞지 않는 교육이 되기 쉽습니다. 신입에게 필요한 것과 임원에게 필요한 것은 내용도 목표도 다릅니다.
| 대상 | 실제 수행 사례 | 교육의 초점 |
|---|---|---|
| 신입사원 | 미래에셋증권 인공지능 활용 Python + SQL | 사내 AIOps 플랫폼을 쓸 수 있는 기초 역량 |
| 실무자 | 한세실업 연간 AX 교육 · NC소프트 기초/심화 트랙 | 자기 업무의 자동화 전환 |
| 승진자 | 세방전지 책임/선임 승진자 교육 | 조직별 AX 적용 전략과 LLM 운영·커스터마이제이션 |
| 임원 | 삼성물산 임원 데이터사이언스 교육 | 판단과 투자 결정에 필요한 데이터 이해 |

승진자 교육이 별도 트랙인 점은 자주 간과됩니다. 세방전지 과정처럼 책임과 선임으로 올라서는 시점은 개인의 도구 활용을 넘어 조직 단위의 적용 전략을 다뤄야 하는 시점입니다.
분리에도 비용이 듭니다. 트랙을 나누면 회차와 강사 일정이 늘고 예산도 함께 늘어납니다. 확보한 예산이 한 과정 분량뿐이라면 전 계층을 나누는 대신 편차가 가장 큰 한 지점만 분리하는 방법이 있습니다. 대개 그 지점은 실무자와 의사결정층 사이입니다. 두 집단은 교육이 끝난 뒤에 하는 일이 다르기 때문에 같은 자료로는 어느 쪽도 만족시키기 어렵습니다.
교육의 끝을 PoC로 잡는 설계
NC소프트 데이터 분석 과정은 기초와 심화 트랙으로 나누되 두 트랙 모두 실무 적용 개인별 PoC 멘토링으로 마무리했습니다. 삼성물산에서는 임원 데이터사이언스 교육과 직원 대상 업무자동화 PoC를 함께 운영했습니다. 의사결정층과 실행층이 같은 방향을 보게 만드는 구조입니다. PoC가 붙으면 교육의 산출물이 수료증에서 동작하는 결과물로 바뀝니다. 재계약 검토 장면으로 돌아가면, PoC가 있는 교육은 활용 여부를 물을 필요가 없습니다. 어느 팀의 어떤 업무가 돌아가고 있는지가 이미 결과로 남아 있기 때문입니다.
다만 PoC 운영은 강의보다 준비 비용이 큽니다. 개인별 업무 파악과 멘토링 리소스가 필요하므로 모든 과정에 무조건 붙이라는 이야기는 아닙니다. 다음 분기 예산으로 이어질 근거가 필요한 교육이라면 우선순위가 높다는 것입니다.
교육이 무너지는 네 지점
같은 예산으로 발주해도 결과가 갈리는 이유는 대개 아래 네 곳 중 하나에 있습니다. 넷 다 교육이 끝난 뒤에는 손댈 수 없고 설계 단계에서만 막을 수 있습니다.
| 지점 | 겉으로 보이는 증상 | 설계 단계에서 막는 방법 |
|---|---|---|
| 사전 조사 생략 | 실습 예제가 업체 표준 자료 그대로 | 계약 범위에 사전 인터뷰 일정과 수집 항목을 명시 |
| 대상 혼합 | 질문이 한쪽 수준에만 몰리고 나머지는 침묵 | 신청 단계에서 사용 경험을 받아 트랙을 나눔 |
| 산출물 미정의 | 마지막 회차가 발표와 소감으로 끝남 | 수강자가 제출할 결과물의 형태를 미리 지정 |
| 후속 부재 | 교육 종료와 함께 질문 창구도 닫힘 | 종료 후 일정 기간의 질의 대응을 범위에 포함 |
넷 중 비용이 가장 적게 드는 것은 산출물 정의입니다. 추가 회차도 추가 강사도 필요 없고, 마지막 회차에 무엇을 제출할지 한 줄 정하는 것으로 성립합니다. 그런데도 제안서에서 이 항목이 비어 있는 경우가 많습니다. 산출물을 정하는 순간 교육의 성패가 관찰 가능해지기 때문에, 정의를 미루는 쪽이 업체에게는 편한 선택이기도 합니다.
만족도와 활용도, 서로 다른 두 지표
두 지표가 자주 섞여서 쓰이지만 재는 것이 다릅니다. 만족도는 강의가 듣기 좋았는지를 재고 교육 당일에 정점을 찍습니다. 활용도는 업무가 바뀌었는지를 재고 교육이 끝난 뒤에야 움직이기 시작합니다. 도구 강의형 교육은 만족도를 올리는 데 최적화되기 쉽습니다. 시연이 화려할수록 당일 점수는 올라가기 때문입니다. 업무 기반 교육은 당일 점수보다 한 달 뒤의 흔적을 남기는 쪽에 비용을 씁니다. 사전 조사와 멘토링은 강의장에서 보이지 않는 투자이기 때문에 제안서 비교 단계에서는 손해처럼 보이기도 합니다. 어느 쪽에 비용을 쓴 교육인지는 제안서의 실습 재료 항목을 보면 구분할 수 있습니다. 실습 재료가 우리 회사의 업무로 적혀 있는지, 도구 기능 목록으로 적혀 있는지가 그 분기점입니다.
활용도를 재는 방법은 설문 말고도 있습니다. 교육 종료 시점의 산출물 목록을 그대로 남겨 두고 몇 달 뒤 그 목록을 한 줄씩 확인하면 됩니다. 아직 돌아가고 있는지, 멈췄다면 어디서 막혔는지 두 가지만 물으면 다음 교육의 설계 재료까지 함께 나옵니다. 응답률에 흔들리지 않고 해석의 여지도 적어서 보고서에 그대로 옮길 수 있습니다.
코텍시스의 관점
코텍시스는 교육을 업무 전환의 첫 단계로 봅니다. 그래서 과정 설계 전에 수강자의 실제 업무를 먼저 파악하고 대상별로 커리큘럼을 분리하며 가능한 경우 PoC 멘토링까지를 한 묶음으로 제안합니다. 화려한 시연은 발주 품의를 통과시키는 데는 유리할지 모릅니다. 그러나 반년 뒤 조직에 남는 것은 수강자 각자의 자리에서 돌아가고 있는 자동화입니다.
올해 교육 구성을 검토하는 중이라면 위 수행들이 각 회사에서 어떤 커리큘럼으로 운영됐는지 수행 사례에서 확인하는 것이 다음 단계입니다. 우리 조직의 대상 구성과 시기가 정해져 있다면 교육 문의에 남겨 주시면 사전 조사 단계부터 구성을 제안해 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)