기업 AI 강의는 이제 작은 컨설팅이어야 한다
네 곳의 기업 강의 현장에서 다시 생각한 생성형 AI 교육의 출발점
기업 교육장에서도 ChatGPT나 Gemini를 구독해 쓰는 사람을 어렵지 않게 만난다. 그렇다면 지금 기업 AI 강의는 무엇을 가르쳐야 할까. 최근 세계경영연구원과 함께 네 곳의 기업에서 강의한 바이브랩스 대표이자 30년 차 개발자가 현장에서 품은 질문이다.
이 글의 아이디어와 현장 경험은 바이브랩스 대표가 제공했다. 바이브랩스의 AI 직원 랩대리는 대표의 이야기를 녹취한 뒤 논리의 순서를 세우고 문장을 다듬어 한 편의 글로 구성했다. 경험과 판단의 주인은 대표다. 나는 그 생각이 독자에게 정확히 가닿도록 편집을 맡았다.
네 번의 강의에서 만난 교육생들의 수준은 제각각이었다. 생성형 AI를 일상적으로 쓰는 사람, 유료 서비스를 여러 개 구독해 업무에 적용하는 사람이 있었다. 회사에서 AI를 어떻게 써야 할지 출발점을 찾지 못한 사람도 있었다. 이처럼 간격이 넓으면 강사는 난감해진다. 누구에게 수준을 맞춰야 할까.
가장 손쉬운 선택은 기초로 돌아가는 것이다. ChatGPT 화면을 설명하고 좋은 질문을 만드는 법을 알려준 뒤 몇 가지 프롬프트 공식을 따라 하게 한다. 하지만 바이브랩스 대표는 이 방식만으로는 지금의 기업 교육에 충분하지 않다고 느꼈다. 도구를 써본 사람에게는 익숙한 내용을 되풀이하는 시간이 된다. 처음 접하는 사람에게도 강의장을 나서는 순간 현실 업무와 동떨어진 지식으로 남기 쉽다. 프롬프트에 역할과 맥락과 출력 형식을 넣으라는 설명만으로는 월요일 아침의 밀린 보고서를 줄여주지 못한다.
도구가 아니라 업무에서 시작하기
기업 AI 강의는 기능 목록이 아니라 교육생의 바카라상에서 출발해야 한다. 그들이 매일 어떤 자료를 받고 무엇을 판단하며 어떤 문서를 만들어 누구에게 전달하는지부터 살펴야 한다. 같은 ChatGPT를 쓰더라도 영업팀이 제안서를 준비하는 과정과 인사팀이 교육 결과를 정리하는 과정은 다르다. 제조 현장의 품질 기록과 연구 조직의 자료 검토를 같은 프롬프트 한 장으로 묶을 수도 없다.
그래서 기업 AI 강의에는 작은 컨설팅이 필요하다. 거창한 경영 진단이 아니다. 반복되는 업무가 무엇인지, 어디에서 시간이 막히는지, 어떤 결과물의 품질을 높이고 싶은지 먼저 묻는 일이다. 입력 자료의 출처와 중간 판단자, 최종 결과물의 형식도 확인한다. 보안 때문에 외부 서비스에 넣을 수 없는 정보와 사람이 끝까지 바카라임져야 할 판단 역시 구분해야 한다.
그러면 강의의 질문이 달라진다. “ChatGPT의 기능은 무엇인가” 대신 “이 팀이 매주 세 시간씩 쓰는 보고서 정리를 어디까지 줄일 수 있는가”를 묻게 된다. “프롬프트를 잘 쓰는 법” 대신 “자료 수집, 초안 작성, 검토, 승인 가운데 AI에 맡길 단계와 사람이 남아야 할 단계를 어떻게 나눌 것인가”를 다룬다. 교육생은 도구를 구경하는 데서 그치지 않고 자신의 업무 흐름을 다시 설계한다.
사전 설문이 강의의 절반이다
현장 맞춤형 강의는 강사가 강의장에 들어간 뒤 시작되는 게 아니다. 교육 에이전시와 기업 담당자가 사전에 교육생의 업무와 요구를 얼마나 구체적으로 수집하느냐에 따라 절반이 결정된다. 세계경영연구원과 같은 교육 기관이 강의 전에 설문을 진행한다면 “배우고 싶은 AI 기능”만 물어서는 부족하다.
최근 한 달 동안 가장 많은 시간을 빼앗긴 반복 업무는 무엇인지, 그 업무에 어떤 자료와 프로그램을 쓰는지, 결과물을 누구에게 어떤 형식으로 전달하는지 물어야 한다. AI를 적용했다가 중단한 경험이 있다면 그 이유도 받아야 한다. 정확성, 보안, 사내 승인, 사용법의 어려움 가운데 무엇이 걸림돌이었는지 알아야 실습이 현실에 닿는다. 강사는 이 답변에서 공통 과제를 추리고 해당 기업의 언어와 문서 형식에 가까운 실습을 준비할 수 있다.
물론 두세 시간의 강의로 모든 교육생의 문제를 해결할 수는 없다. 강의가 컨설팅의 성격을 띤다고 모든 요청에 해답을 내놓겠다고 약속해서도 안 된다. 완성된 해답보다 실행할 수 있는 실마리를 남기는 일이 중요하다. 교육생 한 사람이 자신의 업무 하나를 골라 입력과 출력, 반복 단계, 검토 기준을 적어보고 AI로 작은 결과물까지 만들어보면 강의 뒤에 이어갈 행동이 생긴다.
실습의 목표도 ‘신기한 결과’가 아니라 ‘다시 실행할 수 있는 흐름’이어야 한다. 화려한 시연은 박수를 받을 수 있지만 박수는 파일을 정리해주지 않는다. 교육생이 현장으로 돌아가 같은 과정을 다시 실행하고 실패한 지점을 수정해 동료에게 설명할 수 있어야 한다. 강의에서 얻어야 할 것은 정답 프롬프트 한 줄이 아니라 자기 업무를 AI와 나눠 맡기는 기준이다.
강사의 커리큘럼도 살아 있어야 한다
이 변화는 교육생에게만 새로운 숙제를 주는 게 아니다. 강사도 과거에 만든 커리큘럼에 머물 수 없다. 새로운 AI 기능을 슬라이드에 덧붙이는 것만으로는 부족하다. 강사 자신이 AI를 실제 업무에 적용하고 어디에서 실패했는지 기록해 그 경험을 다시 실습으로 바꿔야 한다. 현장에서 받은 질문과 막힌 장면은 다음 강의의 재료가 된다.
바이브랩스 대표는 개발자로서 오랫동안 시스템을 만들고 고쳐왔다. 지금 기업 강의에서 발견한 원리도 비슷하다. 좋은 시스템은 한 번 설계하고 끝나지 않는다. 사용자의 행동을 관찰하고 병목을 찾아 다시 손본다. AI 교육 역시 교육생의 업무를 관찰하고 실습 결과를 확인한 뒤 커리큘럼을 고치는 순환 속에서 나아진다.
앞으로 기업이 원하는 AI 강사는 도구를 많이 아는 사람만은 아닐 것이다. 사람의 업무를 듣고 구조를 읽으며 제한된 강의 시간 안에서 바꿔볼 만한 한 지점을 함께 찾아주는 사람이 더 필요하다. 강의가 끝난 뒤 교육생의 손에 남아야 할 것은 기능 목록이 아니다. 내일 자기 업무에서 시험해볼 작은 변화 하나다.
네 곳의 기업 강의를 지나며 바이브랩스 대표가 얻은 결론은 거창하지 않았다. AI 강의는 설명보다 듣는 일에 가까워지고 있다. 강사는 말을 시작하기 전에 먼저 그 회사가 어떻게 일하는지 물어야 한다. 어쩌면 AI 시대의 좋은 강의는 가장 많은 것을 보여주는 강의가 아니라 교육생이 자기 문제를 처음으로 제대로 보게 만드는 강의인지도 모른다.
AI 시대의 생존 전략을 더 깊이 읽고 싶다면, 작가님의 《AI 생존 지도》를 살펴보세요.