COLUMN

글 싣는 순서1. 생성형 AI의 기술 동향: 기업들의 도입 사례와 HRD에서의 시사점2. 생성형 AI, 우리 구성원들에게 무엇을 가르쳐야 하는가생성형 AI는 실제 업무 생산성을 평균 66%가량 높여주며, 다양한 분야에서 유의미한 효율성 향상을 입증했다. 그러나 많은 임직원은 AI 활용 역량이 부족하다. 그래서 경영진의 82%가 새로운 스킬의 필요성을 느끼고 있음에도 여전히 역량 격차가 존재한다. 그런 만큼 사내에선 생성형 AI의 개념·기술에 대한 이해, Public LLM과 Private LLM의 차이, 주요 도구 활용법 등을 체계적으로 교육해야 한다. 교육은 경영진(전략 중심), 관리자(실행 및 가교 역할), 실무자(실질적 업무 적용) 등 직급별로 차별화된 콘텐츠와 실습 중심으로 진행해야 한다. 이렇게 교육을 진행하려면 결국 전사적인 참여와 조직문화의 뒷받침이 필요한데, 이러한 교육 투자는 미래 대비와 혁신을 선도할 인적자본을 확보하는 핵심 전략임을 명심해야 한다.---오늘날 생성형 AI는 단순한 유행을 넘어 실질적인 업무 생산성 향상 수단으로 자리매김하고 있으며, 다양한 연구에서 생성형 AI 도구 활용 시 업무 효율이 크게 개선되는 것으로 나타났다. 예를 들어 한 연구에선 고객지원 업무에 AI를 도입한 경우 응대 처리량이 13.8% 증가했고, 마케팅·기획 등 비즈니스 문서 작성 업무에서는 시간당 산출물이 59% 증가했으며, 소프트웨어 개발 작업 생산성은 126% 향상된 것으로 보고됐다(출처: nngroup). 이는 세 가지 사례 업무를 종합할 때 평균 66%의 업무 생산성 향상에 해당하는 수치다.이런 결과는 생성형 AI가 단순한 허상이 아니라, 진짜 우리의 업무에 즉각적인 효율성 향상 효과를 줄 수 있음을 보여준다. 반면, 이런 효율성 향상의 혜택을 누리기 위해서는 우리 임직원들이 AI를 제대로 활용할 수 있어야 하는 것이 전제 조건이지만, 많은 임직원이 아직 충분한 역량을 갖추지 못했다. 실제로, 마이크로소프트의 글로벌 설문조사 결과에 의하면 경영진의 82%가 직원들에게 AI 시대에 맞는 새로운 스킬이 필요하다고 느끼고 있지만, 60% 이상의 직원들은 현재 자신에게 필요한 AI 역량이 부족하다고 응답했다(출처: MicroSoft). 다시 말해 AI 활용에 대한 역량 격차(skills gap)가 존재하며, 이를 해소하기 위해 우리는 체계적인 교육을 통해 직원들의 AI활용 능력을 향상시킬 필요가 있다.그렇다면, 우리는 임직원들에게 어떤 내용을 전달해야 생성형 AI의 쓰나미에서 우리의 임직원을 보호할 수 있을까?생성형 AI 교육의 첫 번째 핵심 요소는 ‘개념에 대한 정확한 이해와 주요 기술에 대한 지식 습득’이다. 사실 생성형 AI는 AI의 한 종류다. 큰 틀에선 자율주행, 음성 인식, 이미지 인식과 같은 기술의 대범주에 속한다. 따라서, 교육에선 ‘생성형 AI란 무엇인가?’에 대한 정의부터 다뤄져야 한다.일반적으로 생성형 AI는 기존의 방대한 데이터를 학습하여 새롭고 현실적인 콘텐츠를 만들어내는 AI 기술을 뜻한다. ChatGPT와 같은 대규모 언어 모델(Large Language Model, LLM)은 방대한 텍스트 데이터로 훈련되어 사람의 질문에 자연언어로 답변하거나 글을 작성해준다. 그러나, 생성형 AI는 ChatGPT를 필두로 하는 LLM 모델에 가려져 있어서 그렇지 이미지(DALL-E, Midjourney)나 영상(Sora) 분야에서도 큰 활약을 하고 있다. 이러한 최신 AI 모델들은 수십억-수조 개의 매개변수를 가진 기반 모델(Foundation Model)로 구축되어 있으며, 별도의 프로그래밍 지식 없이도 자연어 지시(프롬프트)에 따라 동작한다는 특징이 있다. HRD스탭들은 직원들이 기술의 내부 논리를 이해하지 못하더라도 AI의 가능성과 한계는 인지하도록 해야 한다. 특히, 생성형 AI가 학습 데이터의 경향을 반영한 결과물을 생성할뿐, 진정한 의미의 이해나 사실 판단 능력이 없다는 점, 이로 인해 사실과 다른 허위 정보(일명 할루시네이션)를 출력할 수 있다는 점 등을 강조할 필요가 있다.또한, 요즘 기업은 자체적인 LLM 챗봇을 만들어 운영하고 있다. 해당 모델은 일반적으로 sLLM으로 구축되어 있는 경우가 많은데, 이럴 경우 매개변수가 매우 적기 때문에 ChatGPT, Gemini, Claude와 같은 상용 서비스에 비해 한정적인 정보를 정확하게 전달하는 것에 최적화가 되어 있다. 이런 정보를 제대로 알지 못하는 상태에서 사내 LLM을 접하게 되면, 실망하고 이탈하는 경우가 발생할 수 있는데, 이는 Private LLM과 Public LLM의 차이를 잘 알지 못해 발생하는 문제이니 교육에서 풀어내야 한다. 또한, 주요 활용 도구 및 플랫폼 소개도 함께 진행할 필요가 있는데, 현업에서 바로 활용 가능한 대표적인 생성형 AI 도구들, 혹은 우리 회사에서 사용하기로 방향을 잡은 서비스들의 사용법을 소개해야 한다. 이때 각 도구의 강점과 제약, 비용 구조, 보안 이슈 등을 함께 설명하여, 직원들에게 목적에 맞는 도구를 선택할 수 있는 안목을 길러줘야 한다. 더불어 프롬프트 엔지니어링(prompt engineering)에 대한 훈련도 함께 진행해야 한다.생성형 AI 교육의 두 번째 핵심은 이론으로 익힌 개념과 기술을 실제 업무에 어떻게 적용할 것인지에 대한 구체적인 사례 학습이다. 다양한 업무 활용 사례(use case)를 접하면 임직원들은 자신의 일상 업무와 AI를 자연스럽게 연결할 수 있고, 모범 사례(Best Practice)를 통해 효과적인 활용 방법을 익힐 수 있다. 교육에선 가능한 한 자사 또는 유사 업계의 사례를 다루는 것이 중요한데, 실제로 내부 데이터를 가공하여 학습 환경과 현장의 환경을 매우 비슷하게 만드는 선도적인 기업들도 존재했다. 스코프랩스에서 진행한 사례를 소개하면 영업 사원을 타겟으로 영업용 휴대폰 내에 존재하는 통화 녹음 파일 19:00 자동 서버 업로드 → 텍스트로 변환 → 사내 일일 보고서 양식으로 업무 보고서 자동 작성 → 상급자에게 자동 메일 발송과 같은 프로세스로 실제 업무에서 적용 가능한 실습케이스를 기반으로 교육을 진행한다. 모든 실습은 반드시 본인의 업무를 개선할 수 있는 인사이트를 제공해야 하고, 많은 교육 커스터마이징이 동반돼야 한다. 소개한 교육은 직무별로 나누어 진행하는 경우도 있고, 부서별로 나눠서 진행하는 경우도 존재한다.다음으로, 학습자의 역할과 책임 수준에 맞게 콘텐츠와 방식을 차별화할 필요가 있다. 기업 내 직급별 교육 설계를 진행하는 케이스다. 경영진은 조직의 방향성과 전략 수립을 책임지는 만큼, AI 교육에선 기술의 세부 구현보다는 거시적 관점의 이해와 의사결정 지원 능력 함양에 초점을 맞춰야 한다. 예를 들어 생성형 AI가 산업에 가져올 변화와 비즈니스 기회, 경쟁사의 AI 도입 동향, AI 프로젝트의 ROI(투자대비효과) 평가 방법, 그리고 AI 윤리와 리스크 관리 등에 대한 교육 모듈이 필요하다. 하지만, 그럼에도 불구하고 실습을 반드시 포함하여 현재의 기술력이 어디까지 도달했는지 경험할 수 있는 시간을 제공하며 전사적인 AI 도입 방향에 대한 인사이트를 제공해야 한다. 관리자 직급은 경영진의 전략을 실행에 옮기고 실무자를 이끄는 위치에 있으므로, 전략과 현장의 가교 역할을 할 수 있도록 교육을 설계해야 한다. 주요 AI 툴의 기능과 한계를 이해하고 팀원들에게 적절한 툴을 추천해줄 수 있을 정도, 그리고 팀 내에 AI 전문인력이 없더라도 외부 리소스를 활용해 프로젝트를 진행할 수 있을 정도의 지식을 갖추도록 교육을 진행해야 한다. 따라서 교육에선 다양한 생성형 AI의 기술에 대한 이해와 실질적인 실습을 진행하는 편이며, 일부 기업에선 프로세스 마이닝 & 디자인 씽킹 교육과 생성형 AI 교육을 함께 진행하기도 한다.마지막으로, 실무자들은 일상적인 업무수행 주체이므로 교육의 초점은 구체적인 업무 기술 습득과 활용 능력 배양이다. 실무자 교육 과정은 본인의 업무에 바로 적용이 가능한 실습 중심으로 구성해야 한다. 예를 들어 마케팅 실무자라면 실제 제품 홍보 글과 이미지를 AI와 함께 완성해보거나, 개발자라면 간단한 코딩 문제를 AI 보조를 받아 풀어보는 식의 핸즈온 실습을 수행하게 하는 것이 좋다. 특히, 사내 데이터를 가공하여 교육에 활용하여 교육과 현장에서의 괴리를 최대한 낮추는 작업을 진행할 필요가 있다. 교육 마지막 부분에선 현재까지 배운 생성형 AI를 활용해, ‘현재 맡은 업무 프로세스 중 한 가지를 개선하기/적용하기’와 같은 내용을 포함하여 교육의 효과가 현장으로 바로 이어질 수 있도록 교육 콘텐츠의 회사별 커스터마이징을 반드시 진행해야 한다.생성형 AI 교육은 단순한 직원 대상 기술교육이 아니라 조직의 미래를 대비하는 전략적 투자다. 성공적인 AI 교육을 통해 직원들은 업무 혁신가로 거듭나고, 기업은 급변하는 환경 속에서도 유연하고 창의적으로 대응할 수 있는 인적자본을 얻게 된다. 중요한 것은 이러한 변화가 경영진의 리더십과 조직 문화의 뒷받침 아래 이뤄져야 한다는 점이다. 최고경영진부터 실무자까지 모두가 AI 학습에 참여하고 서로 지식을 공유할 때, 기업은 AI를 두려움의 대상이 아닌 성장의 도구로 받아들이고 활용하게 될 것이다. 이와 같은 많은 무게를 지고 있는 HRD담당자님들에게 ‘오늘도 화이팅입니다’라는 메시지를 전한다.김지훈 대표AI, Data 기반의 DT 전문 교육과 컨설팅을 수행하는 회사인 스코프랩스의 대표. 한양대학교에서 정보시스템학을 전공했고, KAIST에서 AI로 석사 학위를 마쳤으며, 티맥스과 AI 스타트업에서 AI 연구와 특허 출원 등을 수행했다. 현재 금융, 제조 대기업의 AI 교육과 컨설팅을 수행하고 있다.

글 싣는 순서1. 생성형 AI의 기술 동향: 기업들의 도입 사례와 HRD에서의 시사점2. 생성형 AI, 우리 구성원들에게 무엇을 가르쳐야 하는가생성형 AI는 사용자의 요구에 따라 텍스트와 이미지 등 다양한 형태의 결과물을 만들어내는, 말 그대로 ‘새로운 콘텐츠’를 창출하는 기술이다. 특히, 멀티모달 AI, 맞춤형 AI, AI 에이전트, 추론 모델 등이 2024년-2025년을 이끌 핵심 기술로 부상하며, 업무에 AI를 활용하는 속도를 가속하고 있다. 이미 다양한 산업군에서 생성형 AI를 적극적으로 도입하고 있으며 이제 엑셀처럼 일상 업무에 당연히 AI를 쓸 날이 머지않았다. 이에 발맞춰 HRD에서도 임직원의 AI 활용력 향상을 위한 준비가 반드시 필요하다.생성형 AI(Generative AI). 요즘 세상을 뒤흔드는 화두다. 생성형 AI는 인공지능의 한 분야로, 사용자의 요구에 따라 새로운 콘텐츠를 만들어내는 기술이며 텍스트, 이미지, 동영상, 오디오, 프로그래밍 코드와 같은 다양한 형태의 결과물을 생성할 수 있다. 즉, 이 세상에 없는 것들을 새로 만들어 내는 것에 초점을 맞춘 AI라고 봐도 괜찮다.생성형 AI의 ‘생성 능력’은 거대한 딥러닝 모델을 통해 이뤄지며, 과거 데이터의 패턴을 학습한 뒤 그에 기초해 창의적 결과물을 만들어낸다. 2022년 말 공개된 ChatGPT의 폭발적 인기 이후 생성형 AI는 전 세계적으로 주목받으며 전례 없는 속도로 발전·확산되고 있다. ChatGPT를 만든 회사인 OpenAI의 2024년 12월 보고서에 따르면 일일 활성화 유저(Daily Active Users)가 1억 2천 명 정도라고 하니, 반짝인기를 얻는 것이 아닌 정말 우리 생활에 스며들고 있다고 해도 과언이 아니다. 리서치 결과를 살펴보면, 맥킨지는 이미 3분의 1에 달하는 기업들이 적어도 하나 이상의 업무에서 생성형 AI를 정기적으로 활용 중이며, 가트너는 2026년까지 80% 이상의 조직이 생성형 AI 애플리케이션이나 API를 도입할 것으로 전망하고 있다. 이는 생성형 AI가 더 이상 특정 분야의 실험적 기술이 아니라, 범용 업무 도구로 부상했음을 보여준다. 생성형 AI의 근간을 이루는 기술도 지속적으로 변화하고 있는데 2024년 말과 2025년을 이끄는 생성형 AI의 주요 핵심 기술을 살펴보면 다음과 같다.---멀티모달 AI: 초기 생성형 AI는 주로 텍스트 생성이나 이미지 생성 등 단일 모달리티(하나의 유형에 데이터만 사용하는 방식을 의미하며, 텍스트 데이터밖에 이해하지 못했던 초창기의 ChatGPT를 생각하면 된다)에 집중되어 있었지만, 이제는 한 모델이 여러 유형의 데이터를 동시에 다루는 멀티모달 능력이 중시되고 있다. 예를 들어 GPT-4는 이미지 입력을 해석하여 답변을 제공하는 비전 기능을 도입했으며, Google의 Gemini는 처음부터 텍스트, 이미지, 음성, 코드, 비디오까지 복합적인 입력과 출력을 처리하도록 설계됐다. 멀티모달 AI는 사용자가 자연스러운 방식으로 여러 형태의 정보를 주고받을 수 있게 함으로써 보다 풍부한 상호작용을 가능케 한다. 이런 발전으로, 교육 현장에선 그림이나 표를 이해하고 설명해주는 AI 튜터나 제조 현장에서 설계 도면을 분석해주는 AI 도우미와 같은 응용이 현실화되고 있다.맞춤형 AI(Personalized AI): 기업과 사용자들은 자신들의 특수한 필요에 맞게 AI를 맞춤형으로 활용하길 원한다. 이에 따라 사전에 훈련된 거대 모델을 사용자 데이터로 미세 조정(fine-tuning)하거나, 프롬프트를 통해 응답 스타일을 사용자에 맞게 제어하는 기술이 발전하고 있다. OpenAI는 ChatGPT에 사용자 지정 지시사항 기능을 추가해 매번 프롬프트를 주지 않아도 사용자별 선호 사항을 기억하도록 했고, Meta의 LLM들은 비교적 가벼운 사양으로 공개되어 각 조직이 자기 데이터로 재훈련하기 용이하게 했다. 예컨대 기업들은 공개된 LLM을 사내 매뉴얼, 문서 등을 학습시켜 자사 전용 AI 비서로 활용하거나, 특정 산업 도메인에 특화된 생성형 AI를 별도로 구축하기도 한다. 이러한 맞춤형 활용 추세 덕분에 AI가 개인별 학습 튜터가 되거나, 특정 업종 전용 챗봇처럼 전문화된 역할을 수행하는 사례가 늘고 있다. 또한, 대화형 AI의 설정을 변경해 브랜드의 어조를 그대로 모방하게 하거나, 사용자별 취향을 학습하여 추천 콘텐츠를 생성하는 등 개인화 수준도 향상되고 있다.AI 에이전트(AI Agent): AI 모델을 기반으로 자율적으로 주어진 목표를 달성하도록 설계된 시스템을 가리킨다. 일반적인 생성형 AI가 사용자 질문에 답변하는 데 그친다면, AI 에이전트는 스스로 계획을 수립하고 일련의 작업을 수행한다. 특히, 이러한 에이전트들은 여러 개의 AI를 결합하거나, 외부 도구(웹 검색, 프로그래밍 코드 실행기 등)를 필요시 스스로 찾아 사용하면서 복잡한 문제를 해결한다. 즉, 생성형 AI가 단순히 질문/답변에 응답하는 수준을 넘어서, AI 에이전트들은 자기 자신에게 프롬프트를 계속 던지며(goal-driven self-prompting) 사용자의 개입 없이도 연속적으로 작업을 수행한다. 직관적인 예시로, ‘시장 조사를 해서 보고서를 작성하라’는 목표를 주면, 관련 정보 수집→요약→문서 작성 등의 단계를 각 프로세스를 담당하는 전담 에이전트가 알아서 전문성을 발휘해 내용 고도화를 진행하는 식이다. 2024년에 관련 기술이 무르익고 있고, 추론 모델의 발전과 함께 이제 우리의 업무를 도와주는 진짜 요원(agent)을 각각 갖게 되는 시점이 얼마 남지 않았다.추론 모델: 2024년 12월 OpenAI가 공개한 O 시리즈 모델은 추론(Reasoning) 능력에 특화된 신규 계열의 모델로서, 더 긴 시간 심층적인 연산을 통해 복잡한 문제 해결 능력을 높였다. O1은 출시 당시 GPT-4 대비 논리적 사고와 코딩 문제 해결에서 뛰어난 모습을 보여줬고, 곧이어 2024년 12월 20일에 공개된 O3 모델은 사람의 인지 능력을 뛰어넘는 수준에 도달했다고 평가받았다. 실제로 OpenAI는 O3가 ARC-AGI 벤치마크에서 인간 최고점(85점)을 넘는 87.5점을 기록하여 세계 최초로 AGI 수준의 성적을 달성했다고 발표했다. 이는 특정 시험 환경이긴 하지만, 일반적인 인간 지능 수준을 넘볼 정도로 AI의 종합적 사고력이 발전했음을 보여주는 상징적인 사건이다. 다만 O3 모델은 막대한 연산 자원과 비용이 필요하다는 한계도 있었다. 이를 보완하고자 OpenAI는 앞서 소개한 O3-미니를 올해 초 선보여, O1-Pro 모델 대비 약간 낮은 성능 대신 월등히 빠른 속도와 효율성을 제공함으로써 더 넓은 활용을 도모하고 있다. 직관적으로, O1 모델은 2025년 수능 국어를 풀었을 때 만점 수준까지 도달했다.이러한 기술을 종합적으로 사용하여 생성형 AI는 현재 다양한 산업 분야에서 실질적인 도구로 활용되며 업무 방식을 변화시키고 있다. 제조, 금융, 마케팅, 교육 등 분야별로 몇 가지 대표적인 사례와 활용 방식을 살펴보겠다.제조 산업에선 생산 공정 데이터와 AI의 결합을 통해 생산 일정 최적화, 품질 검사 자동화, 현장 업무 지원 등이 이뤄지고 있다. 예를 들어 글로벌 산업제어 기업 Honeywell은 역사적 생산데이터와 실시간 정보를 분석하는 생성형 AI로 생산 일정을 최적화하고 자원 활용을 높이고 있다. 자동차 제조사 BMW는 품질 관리에 생성형 AI 기반 비전검사 시스템을 도입해 사람 눈으로 놓치기 쉬운 미세한 균열 등의 결함을 고속으로 탐지하고 있어 검사 정확도와 속도를 높였다. 또한, 지멘스(Siemens)는 마이크로소프트와 협력하여 산업 현장 코파일럿을 개발했는데, 이는 현장 엔지니어가 자연어로 기계 제어를 프로그래밍하도록 돕는 GPT-4 기반 생산 자동화 지원 AI 어시스턴트다. 해당 코파일럿 도입으로 독일 티센크루프 공장의 엔지니어들은 영어와 독일어로 기계에게 지시를 내리며 작업을 효율화하고 있다. 국내 제조업체들도 생산 현장과 사무관리 분야에 생성형 AI를 적극 도입하고 있다. 삼성전자, LG, 현대차, 포스코 등은 보안 이슈를 고려해 자체 개발한 생성형 AI를 도입하면서 업무생산성 향상을 꾀하는 한편, 제조 라인의 설비 이상 탐지나 공정 스케줄링 최적화 등에 AI를 활용해 고효율/저비용 생산체계를 모색하고 있다. 포스코DX는 제철 공정에 특화된 대규모 언어모델인 ‘P-GPT’를 개발하여 용선 생산 일정 최적화 등에 적용하고 있고, LG전자는 생산 공정 레시피에 AI를 적용해 불량률을 크게 줄였다. 이처럼 제조업 전반에서 생성형 AI는 스마트팩토리를 넘어 사무·기술 인력의 의사결정까지 지원하며 생산 효율성과 품질 경쟁력을 높여주고 있다.금융업에선 고객 응대 자동화, 리스크 분석/사기 탐지, 금융문서 처리 분야에서 생성형 AI 활용이 두드러진다. 먼저 고객 서비스 측면에서, 영국 NatWest은행은 IBM 왓슨 기반의 챗봇 ‘코라(Cora)’에 생성형 AI를 접목하여 고객에게 보다 대화형이고 개인화된 금융 상담을 제공한다. 이 챗봇은 은행의 다양한 내부 데이터에 접근해 예금, 대출부터 채용 문의까지 폭넓은 질문에 응대하며, 인간 상담원처럼 맥락에 맞는 대화를 수행해 고객 만족도를 높이고 있다. 보험업계에선 현대해상 등이 AI로 보험사기 의심사례를 자동 선별해내어 조사 인력이 인지하지 못한 사례까지 추가 적발하는 등 리스크 관리 효율이 향상되고 있다. 사내 데이터를 적극적으로 활용하여 적용한 사례도 있다. 미국 모건스탠리는 GPT-4 기반 사내 챗봇을 도입해 방대한 리서치 보고서와 상담 메모를 요약/분석함으로써 자산관리 어드바이저들이 주당 10시간-15시간을 절약하고 더 많은 고객 상담에 집중할 수 있었다고 발표했다. 특히, 금융권은 데이터 자체가 정형화되어 있으므로 AI 학습에 굉장히 적극적이다. 블룸버그는 금융 도메인에 특화된 ‘BloombergGPT’를 훈련시켜 금융뉴스 분류, 질의응답 등에서 기존 모델보다 뛰어난 성능을 확보했다. 우리나라도 작년 12월, 금융위원회가 공식적으로 금융권의 생성형 AI 활용을 적극적으로 지원하겠다는 포부를 밝혔다. 이처럼 금융업에서 생성형 AI는 고객경험 개선과 내부 운영 효율화 측면에서 큰 가치를 제공한다. 매킨지 설문조사에서도 80%의 금융 리스크 담당 임원이 향후 1년 내 생성형 AI를 도입할 계획이라고 답했다.다양한 사례와 활용방식으로 미루어봤을 때 우리가 숫자 데이터를 다룰 때 엑셀을 열고, 발표 자료를 만들 때 파워포인트를 키는 것처럼, 업무를 시작하면 자연스럽게 생성형 AI 서비스를 동작시키는 날이 얼마 남지 않은 것 같다. 이러한 대격변에 맞춰, HRD에선 우리 임직원들의 AI 활용력을 높이기 위한 준비를 해야 할 것이다.김지훈 대표AI, Data 기반의 DT 전문 교육과 컨설팅을 수행하는 회사인 스코프랩스의 대표. 한양대학교에서 정보시스템학을 전공했고, KAIST에서 AI로 석사 학위를 마쳤으며, 티맥스과 AI 스타트업에서 AI 연구와 특허 출원 등을 수행했다. 현재 금융, 제조 대기업의 AI 교육과 컨설팅을 수행하고 있다.