[박준성의 SW] AI 경쟁력?... 모델 도입이 아니라 리더부터 개발자까지 AI 역량 내재화

미국 컨설팅기업 PwC에 따르면 직원의 AI 개발 역량 확보는 생성형 AI(GenAI) 프롬프팅과 AI 에이전트 구축 성공의 핵심 요소 중 하나다.

AI 개발 역량은 훈련 대상 그룹이 누구인지, 개발하는 GenAI 시스템의 기술적 유형, 비즈니스 도메인 특성, 아키텍처 품질 요건(Architecturally Significant Requirements: ASR), 사용 툴, 그리고 배포 환경에 따라 교육 내용(Content)과 방법(Pedagogy)이 달라진다.(아래 표1 참조)

GenAI 시스템 개발 스킬을 교육하는 방법(Pedagogy)으로 다음 유형들이 특히 유효하다. (표2 참조)

예컨대, 훈련 대상 그룹별로, 비즈니스 리더는 사례 기반 학습, 시민 개발자는 비계 및 경험 학습, 사내 개발자는 프로젝트 기반 학습, SI 전문 개발자는 문제 및 시나리오 기반 학습, SW 제품 개발자는 MVP 기반 학습이 특히 효과적일 수 있다. 결국 AI 교육 프로그램은 단일 커리큘럼이 아니라 역할(Role), 시스템 유형(system Type), 아키텍처 요구사항(ASR)에 따라 차별화한 역량 모델(Capability Model)로 설계해야 한다.

교육 내용의 전달 모델(Delivery Model)로는 기존의 대면 수업, 실시간 온라인 수업, 자기주도형 온라인 학습, 부트캠프, 워크숍, 세미나, 웨비나, MOOC, 해커톤 등이 있다. AI 훈련에 특히 유효한 모델은 AI 시스템 개발 과정에서 In-App 가이드, Microlearning, AI 챗봇 및 Copilot, 지식 공유 플랫폼 등을 통해 업무 내 학습(In-Flow Learning)을 제공하고, 인간-AI 협력 기반 OJT를 제공하는 것이다.

AI 교육 콘텐츠는 IEEE의 Learning Object Metadata(LOM) 표준 개념을 참고해 학습객체(Learning Object, LO), 교육과정(Course), 프로그램, 커리큘럼 수준으로 체계화할 수 있다. (표3 참조)

교육 내용 요소 단위인 LO의 전체 집합을 결정하는 것이 AI 커리큘럼 구성의 출발이다. 따라서 필요한 LO 집합은 GenAI 시스템 개발에 필요한 핵심 역량과 성공 요건을 충분히 반영해야 한다. 특히 LO 기반 설계는 역할별·기술별 AI 교육 프로그램을 유연하게 조합(composable)할 수 있게 해주므로 빠르게 변화하는 AI 기술 환경에 효과적으로 대응할 수 있다.

글로벌 기술 기업, 연구기관, 교육기관들의 GenAI 시스템 개발 성공 요건에 대한 연구 결과와 교육 커리큘럼을 종합해 보면, 표 4와 같이 정리할 수 있다. (표4 참조)

표 4는 GenAI 시스템 개발 역량을 비즈니스 혁신, 생성형 AI, 에이전트 설계, SW 공학, AI 코딩 자동화로 이어지는 계층형 역량 모델(Capability Stack) 관점에서 정리한 것이다. 개념적으로 보면 AI 코딩 에이전트는 AI 에이전트와 SW 공학 역량을 결합한 하위 영역으로 볼 수 있으며, 양측의 핵심 성공 요건을 모두 필요로 한다. 또한 AI 에이전트는 생성형 AI 기술 역량과 AI 주도 경영혁신(AX) 역량이 결합된 영역이라고 볼 수 있다.

표 4의 성공 요건들을 충족하는 학습개체(LO)들은 지금까지 알려진 개발 모범사례(Best Practice), 즉 설계개발 패턴들에서 찾을 수 있다. AX, GenAI, AI 에이전트, AI 코딩 에이전트 영역에서 90여 개의 설계·개발 패턴들이 다음 사이트에 체계적으로 정리되어 있다(박준성, AI Agent Coding Patterns, KOSTA Online, 2026.)

이 패턴들을 학습객체(LO) 단위로 구조화하고, 도출된 LO와 위의 개발 성공 요건과의 매핑을 확인한 결과, 표 5와 같은 LO를 선정할 수 있다. 표 5는 GenAI 시스템 개발 역량을 학습객체(LO) 단위로 분해하고, Prerequisite 및 SW 공학 의존 관계까지 포함한 역량 온톨로지(Capability Ontology) 관점에서 정리한 것이다. 표에서 AI-Native App은 생성형 AI와 AI 에이전트를 핵심 운영 구조로 내재화한 애플리케이션을 의미한다.

이제 표 1의 특정 대상과 GenAI 시스템 유형을 위한 개발자 훈련 프로그램을 설계하는 사례를 살펴보자. 코어 뱅킹 영역의 AI 에이전트를 개발하는 SI 업체의 개발자를 훈련하는 사례다. 먼저 표 1의 타깃 사례의 AI 교육 프로그램 설계 변수(Design Factors)를 표 6과 같이 평가한다.

표 7은 표 6의 교육 프로그램 설계 변수 평가 결과를 반영한 프로그램의 설계 결과, 즉 교육과정(Course)과 학습객체(LO)를 제시한다. 표 7은 금융권 AI 에이전트의 ASR(Architecturally Significant Requirements)을 기반으로 필요한 개발 역량과 학습객체(LO)를 역추적(backward design) 방식으로 도출한 ASR-Driven Curriculum Engineering의 사례이다. 표에서 교육수준(Level)의 F, I, A는 각각 기초(Foundation), 중급(Intermediate), 심화(Advanced) 과정을 의미한다.

표 8은 비즈니스 리더, 시민 개발자, 사내 개발자, SI 전문 개발자, SW 제품 개발자가 공통으로 수강할 수 있는 'AI 에이전트 실전: 성공 조건, 경제 가치, 아키텍처와 실전 사례' 과정의 설계를 예시한다.

기업의 AI 교육 프로그램 설계 프로세스(AI Curriculum Engineering Lifecycle)를 정리하면 다음과 같다.

1. AI 교육 프로그램의 설계 변수를 평가한다. (표1, 표 6 참조)

2. 생성형 AI 기반 시스템의 성공 요건을 결정한다. (표 4 참조)

3. 성공 요건을 충족하는 AI 시스템의 개발 패턴을 결정한다. (박준성, AI Agent Coding Patterns, 2026: https://www.kosta-online.com/post/ai-agent-coding-patterns 참조)

4. 선정된 패턴을 반영한 학습객체(LO)를 결정한다. (표 5, IEEE 1484.12.1-2002 참조)

5. AI 교육 프로그램의 설계 변수 평가를 반영한 최적의 LO 집합을 선정한다. (표 7 참조)

LO를 주제별로 묶어 교육과정(Course)을 구성한다.

6. 교육과정의 교육 방법(Pedagogy)과 전달 모델(Delivery Model)을 결정한다. (표2 참조)

推荐订阅源

ZDNet Korea

관련기사