정밀 진단·치료 장비를 만들어 세계 여러 나라에 수출하는 의료기기 기업 R사는 제품에 AI 기술을 적용하는 데는 이미 익숙한 회사입니다.

그런데 그 제품을 만들고 파는 회사 안 업무는 다릅니다. 회계팀이 매달 만드는 자금 흐름 문서, 품질팀이 정리하는 부품 안내 문서, 영업팀이 쓰는 제안서 초안처럼 매번 같은 방식으로 반복되는 일에는 아직 자동화가 붙어 있지 않았습니다.

의료기기처럼 규제와 품질 기준이 엄격한 산업의 기업도, 조직 AI 교육 프로그램 'AX Grow'를 통해 이 간극을 좁히고 있습니다. R사는 부서마다 순서를 나눠 교육을 진행하는 방식을 택했습니다. 이 글에서는 R사가 이 교육을 어떤 방식으로 진행했는지, 그리고 각 부서가 실제로 무엇을 배우는지 정리했습니다.

시연은 교재 예시 대신 부서 실제 업무로

R사 내부에서 교육을 받는 대상은 다양합니다. 6개 부서 소속 실무자와, 이들과 별도로 교육받는 엔지니어까지 포함됩니다. 온라인으로 약 4시간 동안 기초 개념(AI 작동 원리, AI에게 일을 맡기는 법)을 먼저 익히고, 이후 1일 오프라인 교육으로 이어집니다. 오프라인 당일엔 온라인에서 배운 내용을 토대로 각 부서의 실제 업무를 놓고 방법을 시연합니다.

부서마다 달라지는 건 이 시연에 쓰이는 예시입니다. 회계팀 교육에서는 회계팀 업무(자금 흐름 문서 만들기)를, 품질팀 교육에서는 품질팀 업무(부품 안내 문서 만들기)를 예로 듭니다. 직원들이 그 자리에서 결과물을 완성하는 게 아니라, "이 업무는 이렇게 AI에게 맡기면 된다"는 방법을 보고 배우는 방식입니다.

6개 부서는 4개 차수(1차~4차)로 나눠 순서대로 참여합니다. 4차(제품개발본부)는 일반 실무자 대상이지만 AI 도구 경험자가 많아 다른 차수보다 심화된 내용을 다룹니다. 엔지니어를 위한 교육은 이 4개 차수와 완전히 별개로 운영됩니다.

1차부터 4차까지, 부서별 진행 순서와 대표 업무

부서마다 반복되는 일은 다른데, AI에게 맡기는 방법은 같습니다

R사의 비개발 트랙은 총 4개 차수로 나뉘었습니다. 본부별로 실무 주제가 완전히 달랐다는 점이 특징입니다.

• 1차, 지원본부·피플앤오퍼레이션본부: 회계팀은 현금흐름표 자동작성을 위한 계정 매핑 규칙 표준화를, 피플팀은 NCS·ARIS 근거 기반 직무기술서(JD) 작성 자동화를 다뤘습니다. 법인지원팀은 전 법인 실적을 취합해 HTML 대시보드로 만드는 방법을, 자금팀은 지급분 취합 자동화를 실습했습니다.
• 2차, 제조본부·품질본부: 제조팀은 옵션·모델·국가별 생산 및 출하 데이터 집계를, 구매팀은 구매·재고 통합 대시보드 구축을 다뤘습니다. 품질보증(QA)팀은 PMS/PMCF 문서 작성을 위한 웹·문헌 자동 수집을, 품질검사(QC)팀은 업체성적서(CoA) PDF 추출과 판정 규칙 표준화를 실습했습니다.
• 3차, 영업마케팅본부: 제품전략팀은 법인영업현황 자동취합 대시보드를, 이미징PM팀은 제품·교육 콘텐츠 다국어 현지화 규칙 표준화를 다뤘습니다. 해외영업팀은 L/C 독소조항 1차 검토와 국가·딜러 조사를, 커뮤니케이션팀은 SNS 초안 작성과 CRM 연동을 실습했습니다.
• 4차, 제품개발본부 비개발 실무자: Claude Code 경험자를 대상으로 한 심화 차수였습니다. 영상개발팀은 CS/SQA 이슈 대시보드와 자연어 조회를, 기구개발팀은 CAD export 기반 BOM 변경 통보 자동화를 다뤘습니다. HW개발팀은 로컬 MCP 서버로 ImageJ·FreeCAD 같은 오픈소스 프로그램을 연동하는 방법까지 실습했습니다.

네 차수 모두 공통점이 하나 있습니다. 강사가 일반적인 예시가 아니라, 해당 팀이 실제로 매달 하고 있는 업무를 그대로 가져와 시연했다는 점입니다. 개인정보가 포함된 자료는 마스킹 처리하고, 환자 데이터가 필요한 경우 합성 데이터를 활용하는 방식으로 보안 문제도 함께 짚었습니다.

엔지니어에겐 대시보드 대신 AI 코딩을

4차 교육에서 특히 눈에 띄는 주제는 HW개발팀의 로컬 MCP 서버 연동입니다. 회사에서 쓰는 전문 프로그램(영상 분석·설계용 오픈소스 도구)을 AI가 직접 조작하도록 연결하는 방법입니다. MCP는 AI가 다른 프로그램을 직접 켜고 다루도록 이어주는 통로 역할을 합니다.

기구·하드웨어·펌웨어 엔지니어는 이 4개 차수와 완전히 분리된 교육을 받습니다. 다루는 건 대시보드가 아니라 코드입니다. 장비 로그를 읽는 Python 함수와 테스트 코드를 작성하고, 한 장짜리 기획서로 정리하는 방법입니다. 실제 제품 로그 대신 이름과 정보를 가린 가상 데이터를 씁니다.

같은 AX Grow 안에서도 대상에 따라 배우는 것이 다릅니다. 일반 부서는 "이 업무를 AI에게 맡기는 법"을 보고 배우고, 엔지니어는 코드 작성부터 문서화까지 AI로 잇는 법을 직접 다룹니다.

부서마다 반복되는 업무의 형태가 다르면, 교육도 부서별로 다르게 짜야 실무에 활용이 가능합니다. R사는 그래서 부서를 순서대로 나눠 진행했습니다. 전 직원을 한 번에 몰아넣지 않고도 전사로 넓혀갈 수 있는 방식입니다. 같은 이유로 코드를 다루는 엔지니어와 그렇지 않은 실무자도 같은 방식으로 가르치지 않았습니다.

AX Grow는 교육에서 끝나지 않습니다. 실무 교육 다음은 사내 빌더톤입니다. 외부가 대신 만들어주는 게 아니라, 담당자가 직접 본인의 업무에 맞는 AI Agent와 자동화 도구를 만드는 구조입니다. 규제와 품질 기준이 엄격한 의료기기 산업에서도 충분히 가능합니다. 비슷한 고민을 가진 다른 제조·기술 기업도 참고할 수 있습니다.

자주 묻는 질문 (FAQ)

Q. AX Grow 같은 교육은 개발자가 아닌 직원도 들을 수 있나요?

네, R사 사례에서도 전체 4개 차수 중 4차수까지가 모두 비개발 트랙이었습니다. 회계, 피플, 제조, 품질, 영업마케팅 등 직무를 가리지 않고 참여했으며, 개발자 트랙은 기구·하드웨어·펌웨어 엔지니어를 위한 별도 프로그램으로 운영됐습니다.

Q. 회사 내부 자료나 개인정보가 교육 중에 노출되지 않나요?

R사 사례에서는 개인정보가 포함된 자료를 마스킹 처리하고, 환자 데이터가 필요한 실습에는 합성 데이터를 사용했습니다. 개발자 트랙에서도 실제 제품 로그 대신 익명화된 가상 데이터로 실습을 진행해 민감 정보 노출을 방지했습니다.

Q. 비개발 트랙과 개발자 트랙은 커리큘럼이 어떻게 다른가요?

비개발 트랙은 각 부서의 실무 문서나 데이터 취합 업무를 자동화하는 방법론에 초점을 맞춥니다. 개발자 트랙은 로그 파싱 함수 작성, 테스트 코드 완성, 미니 기획서 작성 등 개발 프로세스 자체에 AI를 편입시키는 방식을 다룹니다. R사는 이 둘을 완전히 별개 프로그램으로 분리해 운영했습니다.

트랜스링크는 투자할 스타트업을 고르는 게 업입니다. AI든 SaaS든, 남의 회사가 얼마나 효율적으로 일하는지를 매일 심사합니다. 그런데 정작 이 회사 실무자들은 감사보고서·재무제표 PDF에서 데이터를 옮기는 일, 포트폴리오사가 보낸 스프레드시트를 사내 관리 시트와 맞추는 일, 여러 곳에 보낸 보고 메일의 회신 여부를 확인하는 일에 적지 않은 시간을 쓰고 있었습니다.

한국과 미국 실리콘밸리(Translink Capital과 합작), 싱가포르에 걸친 네트워크를 갖추고 지금까지 약 71개사에 투자한 트랜스링크인베스트먼트가, 이 반복 업무를 스스로 없애기로 한 이야기입니다.

VC가 넌더리 내던 일 네 가지

트랜스링크인베스트먼트가 AX Grow 교육에서 직접 다뤄달라고 요청한 반복 업무는 정확히 네 가지였습니다.

네 가지 다 어느 한 업무에만 쓰이는 게 아니라, 실사(Due Diligence)와 포트폴리오 모니터링, LP 보고 전반에서 계속 되풀이됩니다. 딜 하나가 들어올 때마다, 분기 보고 시즌이 돌아올 때마다 같은 패턴으로 반복되는 겁니다.

코딩 한 줄 없이, 반복 업무를 없애는 법

이 네 가지를 없애는 데 필요한 건 개발자 채용이 아니라 일주일 남짓한 교육이었습니다. AXMOS·코드프레소의 조직 AI 전환 프로그램 AX Grow는 코딩 경험이 없는 심사역·투자매니저·펀드운용·경영지원을 대상으로, 4단계를 거쳐 AI를 실무에 들여옵니다.

이제 이 네 가지는 슬래시 명령어 한 줄로 끝납니다

특강에서는 앞서 정리한 요구사항 네 가지가 실제로 어떤 Skill로 설계됐는지를 다뤘습니다. 각 업무는 사용하는 도구와 비개발자가 다루기 쉬운 정도가 서로 달랐습니다.

• 이메일 자동 발송 및 회신 추적: Gmail MCP로 추적과 초안 작성을, CLI로 완전 발송까지 처리
• 첨부파일 자동 저장: CLI로 다운로드하고 Drive MCP로 저장
• PDF 데이터 추출: Claude의 기본 Read 기능이 OCR 역할을 대신하고, 별도 인증이 거의 필요 없음
• 스프레드시트 연동: Google Workspace CLI로 처리하는데, Sheets는 MCP 자체가 없어 CLI 의존도가 높음

네 항목 중 PDF 데이터 추출은 가장 낮은 진입 장벽을 갖고 있습니다. 별도의 계정 연동이나 인증 설정 없이, Claude가 PDF를 읽는 기본 기능만으로 작동하기 때문입니다. 반면 스프레드시트 연동은 CLI 명령을 직접 다뤄야 하는 구간이 있어 상대적으로 학습 곡선이 있었습니다.

이렇게 설계된 Skill은 슬래시 명령어 한 줄로 호출됩니다. 이메일을 보내고 회신을 추적하는 데 별도의 코드를 짤 필요가 없고, PDF에서 숫자를 뽑아 시트에 채우는 데도 마우스로 복사와 붙여넣기를 반복할 필요가 없어진 겁니다.

판단에 집중할 시간을 되찾습니다

교육이 겨냥한 지점은 결국 시간의 재배치입니다. 이메일 발송과 회신 확인, 첨부파일 정리, PDF 숫자 옮기기, 시트 취합에 쓰던 시간을 딜 소싱과 기업 실사, 투자 심의 같은 판단 업무로 돌리는 방향입니다. 반복 업무 자체를 없애는 게 목적이 아니라, 그 시간을 심사역이 원래 해야 할 일에 쓰도록 만드는 설계였습니다.

AI 스타트업을 심사하는 사람들이 스스로 AI를 업무에 들여온 셈입니다. 판단은 여전히 사람이 하지만, 판단에 도달하기 전의 손 작업은 이제 슬래시 명령어 한 줄이 대신합니다.

자주 묻는 질문 (FAQ)

Q. 비개발자도 정말 이 교육을 따라갈 수 있나요?

Claude Code는 자연어 명령 기반으로 작동합니다. 코드 문법을 익히는 대신, 원하는 결과를 문장으로 설명하는 연습에 초점을 맞춘 구조입니다. 트랜스링크에서도 심사역, 투자매니저, 경영지원 인력이 같은 커리큘럼을 소화했습니다.

Q. 어떤 업무부터 자동화를 시작하면 좋을까요?

인증 절차가 적고 결과를 눈으로 바로 확인할 수 있는 업무가 시작점으로 적합합니다. 이번 사례에서는 PDF 데이터 추출 Skill이 그런 역할을 했습니다.

Q. Gmail, Drive 같은 외부 서비스 연동 인증이 복잡하지 않나요?

MCP(외부 서비스 연동 인터페이스)를 활용하면 초기 설정 이후에는 반복 인증 부담이 크지 않습니다. 다만 CLI 의존도가 높은 업무는 상대적으로 학습 시간이 더 필요합니다.

Q. VC가 아닌 조직에도 같은 방식이 통하나요?

이메일 처리, 문서에서 데이터 추출, 스프레드시트 취합처럼 정해진 주기로 반복되는 업무가 있는 조직이라면 적용 범위가 넓습니다. AX Grow는 이런 반복 업무를 실무자가 스스로 골라 교육 과제로 삼는 방식으로 진행됩니다.

Q. AX Grow가 정확히 어떤 프로그램인가요?

AXMOS와 코드프레소가 함께 운영하는 조직 AI 전환 교육 프로그램입니다. 조직 단위 AX 평가로 시작해, 실무 교육과 사내 빌더톤을 통해 내부 인력이 AI Agent와 자동화 도구를 직접 만들도록 돕습니다. AXMOS가 대신 만들어주는 'AX Build'와는 다른 트랙입니다.

AI 에이전트 도입 프로젝트, 10개 중 8개가 멈추는 지점은 기술이 아니었습니다. AI 모델 성능은 분기마다 좋아지고 있는데, 왜 시범 운영에서 실제 업무로 넘어가는 사례는 늘지 않는 걸까요.

AI 에이전트는 "이거 알아서 처리해줘"라고 시키면 여러 단계를 스스로 밟아 결과를 내는 소프트웨어입니다. 아마 여러분 회사에서도 한 번쯤 돌려봤을 겁니다. 문제는 그 시범 운영이 회사의 정식 업무 프로세스로 자리 잡는 경우가 드물다는 겁니다.

파일럿은 왜 실무로 안 넘어가는가

FifthRow 조사에서 파일럿이 프로덕션(실제 운영) 단계까지 간 비율은 11~14%였습니다. 열 개를 시작하면 여덟 개 이상이 중간에 멈춥니다. 그리고 다음 분기에 다른 팀이 비슷한 걸 또 시작합니다.

실패 원인으로 지목된 것들을 보면 기술 얘기가 거의 없습니다.

• 책임 구조 분산: 에이전트를 누가 계속 관리하고 책임질지 정해지지 않음
• 관리 체계(거버넌스) 부재: 부서별 에이전트를 묶어서 볼 체계가 없음
• 레거시 시스템: 예전에 급하게 만들어둔 사내 시스템이 연동을 막음
• 연동 난이도: 다른 시스템과 붙이는 과정에서 문제 발생
• 벤더 종속: 특정 업체 제품에 묶여 확장이 어려움

비용도 만만치 않습니다. 에이전트 하나를 만드는 데 6만~30만 달러(대략 8천만 원~4억 원)가 들고, 그중 연동과 관리 체계 구축에만 전체 예산의 60%까지 들어갑니다. 유지보수가 20~50% 더 붙습니다. 즉 돈이 가장 많이 드는 곳은 AI를 똑똑하게 만드는 부분이 아니라, 그 AI를 회사 안에서 굴러가게 만드는 부분입니다.

체크포인트 1. AI끼리 통하는 '공통 언어'를 쓰고 있습니까?

특정 업체 전용 방식으로 만들면, 나중에 시스템을 바꿀 때 처음부터 다시 만들어야 합니다.

에이전트를 도입할 때 가장 먼저 확인할 건 성능이 아니라 연결 방식입니다. 통신사가 달라도 전화가 걸리는 이유는 공통 규칙이 있기 때문입니다. AI 에이전트 쪽에도 그런 공통 규칙이 두 가지 자리를 잡아가고 있습니다.

MCP(Model Context Protocol)는 AI가 외부 도구나 사내 데이터에 접근하는 방법을 정한 규칙입니다. Anthropic이 제안했고 OpenAI, 구글, 마이크로소프트, 아마존이 함께 쓰기로 하면서 사실상 업계 표준이 됐습니다. 기업 서버 1만 곳 넘게 적용돼 있습니다.

A2A(Agent to Agent)는 에이전트끼리 직접 말을 걸고 일을 주고받는 방법을 정한 규칙입니다. 리눅스 재단이 관리하고, 150개 넘는 조직이 실제 업무에 쓰고 있습니다. (이 숫자들은 빠르게 늘어나는 중이라 지금 찾아보면 더 커져 있을 겁니다.)

현장 반응도 이쪽으로 기울었습니다. IT 담당자의 87%가 "우리 에이전트가 다른 회사 시스템과도 연결되는 것이 가장 중요하다"고 답했고, 51%는 지금 쓰는 벤더 시스템을 전부 갈아엎기보다 그 위에 공통 규칙을 얹는 방식을 선호한다고 답했습니다. 반대로 벤더 종속을 걱정한다는 응답은 76~81%에 달했습니다.

실무 확인 질문 하나. 지금 검토 중인 솔루션이 MCP나 A2A를 지원하나요? 지원하지 않는다면, 3년 뒤 다른 제품으로 옮길 때 무엇을 다시 만들어야 하나요?

다만 오해하면 안 되는 부분이 있습니다. 공통 규칙은 에이전트끼리 대화하는 방법만 정해줍니다. 그 대화를 누가 지켜보고 책임질지는 여전히 회사가 따로 정해야 합니다. 그게 두 번째 체크포인트입니다.

체크포인트 2. "누가 무슨 일을 했는지" 기록이 남고 있습니까?

에이전트의 작업 과정을 끝까지 확인할 수 있는 조직은 23%뿐이었습니다.

회사 안에서 AI는 이미 여기저기서 늘어나고 있습니다. 영업팀이 하나 붙이고, 인사팀이 하나 붙이고, 개발팀이 또 하나 붙입니다. 각각은 잘 돌아갑니다. 그런데 전체를 한 화면에서 보는 사람이 없습니다.

FifthRow 조사에서 여러 부서에 흩어진 에이전트를 통합 관리하는 체계를 갖춘 조직은 7~8%였고, 에이전트가 어떤 판단을 거쳐 어떤 작업을 했는지 전 과정을 추적할 수 있는 조직은 23%였습니다. 열 곳 중 일고여덟 곳은 AI가 뭘 하고 있는지 부분적으로만 압니다.

이게 왜 문제인지는 사고가 나야 드러납니다. 고객에게 잘못된 견적이 나갔을 때, 그 판단을 어느 단계에서 누가 승인했는지 되짚을 수 없으면 원인 파악도 재발 방지도 안 됩니다.

그래서 필요한 장치는 두 가지입니다.

1. 작업 기록(로그)을 나중에 손댈 수 없는 형태로 남기기. 언제, 어떤 데이터를 보고, 어떤 결정을 했는지가 남아 있어야 합니다.
2. 사람이 최종 승인하는 지점 정하기(Human-in-the-loop). 모든 걸 사람이 볼 수는 없습니다. 금액 기준, 대외 발송 여부, 개인정보 접근 여부처럼 선을 미리 그어두는 것이 핵심입니다.

규제도 이 지점을 겨누고 있습니다. EU AI Act는 채용, 신용평가처럼 사람의 삶에 영향이 큰 분야에서 여러 에이전트를 엮어 쓰는 것을 고위험으로 분류하고, 사람의 확인 절차, 변경 불가능한 작업 기록, 사전 테스트, 에이전트 신원 확인을 요구합니다. 미국 콜로라도주도 연간 위험 점검과 소비자 고지를 요구하는 법을 만들었습니다.

규제 대응을 마지막에 붙이는 항목으로 두면 비용이 커집니다. 기록을 남기는 방식과 사람이 확인하는 지점은 설계 단계에서 넣어야 나중에 뜯어고치지 않습니다.

체크포인트 3. 에이전트가 늘어났을 때 중앙에서 통제할 수 있습니까?

에이전트 한 대를 잘 만드는 것과, 여러 대가 서로 일을 넘기게 만드는 것은 난이도가 다릅니다. 여러 에이전트가 서로 일을 넘기도록 설계하고 그 전체를 관리하는 것을 AI 에이전트 오케스트레이션이라고 합니다. 오케스트라 지휘자처럼 각자 맡은 파트를 정해주고 순서를 통제한다는 뜻입니다.

에이전트 하나만 쓸 때는 담당자가 결과를 보고 이상하면 고치면 됩니다. 그런데 에이전트 A가 정리한 데이터를 에이전트 B가 이어받아 판단하고, 그 판단을 에이전트 C가 실행하는 구조가 되면 문제가 달라집니다. 결과가 틀렸을 때 어디서부터 틀렸는지 찾는 것 자체가 일이 됩니다.

한 곳에서 생긴 작은 오류가 뒤에 이어지는 에이전트로 그대로 번지기 때문입니다. 사람 조직으로 치면 인수인계 문서가 잘못됐는데 아무도 원본을 확인하지 않고 다음 단계로 넘기는 상황입니다.

그래서 이 단계에서 필요한 건 더 좋은 AI가 아니라 운영 규칙입니다.

• 어떤 에이전트가 어떤 업무 범위까지 맡는지 경계를 정합니다.
• 에이전트 간 인수인계 지점에서 결과를 검증하는 기준을 둡니다.
• 오류나 이상 상황이 생기면 어느 담당자에게 보고되는지 경로를 정합니다.
• 성과는 벤더가 주는 자료가 아니라 직접 확인합니다. 우리가 관리 중인 에이전트가 몇 개인지 전부 파악하고 있는지, 오류 보고가 몇 건 있었는지 같은 지표가 실질적입니다.

그래서 실무자에게 필요한 역량은 무엇이 달라질까요? 프롬프트를 잘 쓰는 능력에서, AI를 업무 시스템에 안전하게 붙이고 관리하는 능력으로 옮겨가고 있습니다.

지금까지 정리한 실패 요인을 뒤집어 보면 필요한 역량이 나옵니다. 실패 원인이 기술 성능이 아니었으니, 필요한 역량도 "AI를 잘 다루는 법"에만 머물지 않습니다.

1. 연결 역량: 우리 회사 시스템과 AI를 공통 표준 기반으로 붙일 수 있는가. 도구 사용법을 익히는 것과는 다른 층위입니다.
2. 관리 역량: AI의 실수나 보안 사고를 막는 가이드라인을 세울 수 있는가. 결과물을 검수하는 것을 넘어 작업 기록, 승인 지점, 권한 범위를 설계하는 일입니다.
3. 통합 역량: 실제 업무 절차 안에 AI를 오류 없이 녹여낼 수 있는가. 오류를 발견해 고치는 수준이 아니라, 오류가 다음 단계로 번지지 않게 경계를 긋는 일입니다.

이 세 가지는 개발자만의 몫이 아닙니다. 어느 업무를 맡길지, 어디서 사람이 확인할지를 정하는 건 그 업무를 가장 잘 아는 현업 담당자의 판단입니다. 도입이 멈추는 회사와 넘어가는 회사의 차이가 여기서 갈립니다.

자주 묻는 질문 (FAQ)

Q. MCP와 A2A는 각각 무엇을 하는 표준인가요?

MCP는 AI 에이전트가 외부 도구와 데이터에 접근하는 방법을 정한 공통 규칙이고, A2A는 에이전트끼리 직접 일을 주고받는 방법을 정한 공통 규칙입니다. 둘 다 특정 업체 제품에 묶이지 않고 시스템을 연결하기 위한 기반 규칙입니다.

Q. AI 거버넌스는 구체적으로 무엇부터 준비해야 하나요?

작업 기록과 승인 지점입니다. 에이전트가 언제 어떤 데이터를 보고 어떤 결정을 했는지 나중에 수정할 수 없는 형태로 기록을 남기고, 금액이나 대외 발송처럼 사람이 반드시 확인할 지점을 미리 정해두는 것이 출발점입니다. 여러 부서의 에이전트를 하나로 묶어 볼 수 있는 담당 체계도 함께 필요합니다.

Q. Human-in-the-loop가 뭔가요?

AI가 처리하는 과정 중 중요한 결정 단계에 사람의 확인이나 승인을 넣는 방식입니다. 모든 작업을 사람이 검토한다는 뜻이 아니라, 되돌리기 어려운 결정(계약, 지급, 대외 커뮤니케이션, 개인정보 처리)에 확인 지점을 두는 설계에 가깝습니다. EU AI Act가 고위험 분야에 요구하는 항목 중 하나이기도 합니다.

Q. AI 에이전트 시대에 실무자에게 필요한 역량은 무엇인가요?

프롬프트 작성 능력을 넘어 세 가지가 필요합니다. 공통 표준 기반으로 사내 시스템과 AI를 연결하는 연결 역량, 오류와 보안 사고를 막는 가이드라인을 세우는 관리 역량, 실제 업무 절차에 AI를 녹여내는 통합 역량입니다. 어느 업무를 맡길지 판단하는 건 그 업무를 가장 잘 아는 현업 담당자의 몫이라, 개발 직군만의 역량이 아닙니다.

Q. AI 에이전트 오케스트레이션이 무엇인가요?

여러 AI 에이전트가 서로 작업을 주고받도록 설계하고, 그 전체 흐름을 한 곳에서 통제·관리하는 것을 말합니다. 에이전트 하나를 잘 만드는 일과는 다른 문제로, 업무 범위 경계 설정, 인수인계 지점의 검증 기준, 오류 발생 시 보고 경로가 함께 필요합니다.

같은 팀, 같은 AI 도구를 사용해도 결과물의 질에는 큰 차이가 발생합니다. 한 사람은 몇 줄의 프롬프트로 완성된 기획서를 얻는 반면, 다른 사람은 며칠을 투자해도 수정이 필요한 결과물을 만듭니다. 그러나 이러한 역량 차이를 객관적으로 증명할 방법이 부족합니다.

AI Fluent는 이 문제를 해결하기 위해 개발된 AI 역량 진단 서비스입니다. 프롬프트 입력 이력, 기획서, 스킬 구성, 소스코드 등 AI와의 협업 과정 전체를 평가합니다. 직군별로 다른 문항을 제시하면서도 전사 공통의 채점 기준을 적용하여, 서로 다른 직군 간 비교도 가능합니다.

AI Fluent, 한마디로 뭘 하는 서비스인가요?

조직 구성원이 AI를 얼마나 잘 활용하고 있는지 진단하고, 그 결과를 기업의 AI 전환 수준을 나타내는 데이터로 정리하는 서비스입니다.

핵심은 "다방면"과 "객관적"입니다. 개인 입장에서는 숫자를 통해 자신의 AI 활용 수준을 파악할 수 있으며, 조직 입장에서는 교육 만족도 설문 대신 정량 데이터로 역량 검증이 가능합니다.

수료율, 만족도 설문으로는 왜 AI 역량을 알 수 없나요?

수료율은 교육 이수만을 증명하지, 실제 능력을 보여주지 못합니다. 만족도 설문은 참가자의 체감을 측정할 뿐, 업무 현장에서 AI와 협업하여 실제 결과를 만드는지는 확인하지 않습니다.

AI Fluent는 정확히 무엇을 채점하나요?

채점 대상은 세 가지입니다.

• 프롬프트 입력 이력: 응시자가 AI에 입력한 요청과 대화 기록
• 중간 산출물: 기획서, 스킬 구성, 소스코드 등 AI와 협업해 도출한 결과물
• 최종 결과물: 완성된 결과물 자체

같은 결과물을 냈어도 AI와의 상호작용 방식, 중간 검증 및 수정 과정이 다르면 점수도 달라집니다. 정답 여부뿐 아니라 AI와의 협업 방식을 평가합니다.

채점 방식의 특징은 네 가지입니다.

• 실제 업무 시나리오로 평가: 현업에서 실제로 마주치는 상황과 데이터를 문항으로 구성합니다.
• 과정 전체를 다면으로 봄: 프롬프트 이력부터 중간 산출물, 최종 결과물까지 종합적으로 채점합니다.
• 직군마다 다른 문항: 마케팅, HR, 경영관리, CS, R&D 등 실무 맥락에 맞춘 문항을 제공합니다.
• 전사 비교가 가능: 문항은 다르지만 채점 기준은 통일되어 직군 간 비교가 가능합니다.

트랙은 어떻게 나뉘나요?

현재 7개 트랙이 운영 중입니다.

모든 직군 대상 (2개)

• 핵심 트랙 01: AI 바이브코딩 기반 업무 효율화 · AI와 협업하여 소프트웨어를 구현하는 역량. 명확한 역할과 지침을 부여하고 결과물을 실행·검증해 반복 개선합니다.
• 핵심 트랙 02: AI Agent 기반 업무 효율화 · AI 에이전트 시스템을 설계·개발·운용하는 역량. 문제 정의부터 아키텍처 설계, 도구·스킬 구성까지 담당합니다.

비개발 직군 (1개)

• 트랙 03: Prompt Engineering · 코딩 없이 업무 목적에 맞춰 AI 응답을 정밀하게 통제하는 역량입니다.

SW개발 직군 (4개)

• 트랙 04: Prompt Engineering for Developers · 개발 실무 관점에서 AI 응답을 예측 가능하게 통제하는 역량입니다.
• 트랙 05: LangChain · 챗봇, RAG, 업무 자동화, AI Agent, LLM 평가까지 프로덕션 수준 LLM 애플리케이션 구현 역량입니다.
• 트랙 06: LangGraph · 상태 기반 다단계 워크플로우, 도구 연동 Agent, Human-in-the-Loop 설계 역량입니다.
• 트랙 07: Hugging Face · NLP 파이프라인 구성, 사전 학습 모델 활용, 파인튜닝까지 NLP 모델 구축·개선 역량입니다.

레벨은 어떻게 나뉘나요?

Entry, Beginner, Intermediate, Professional. 4단계로 구성됩니다.

• Entry: 단편적인 코드 스크립트를 생성하고 AI와의 기본 대화로 오류를 수정하거나, AI를 보조 도구로 안전하게 활용하여 단순 반복 업무를 수행합니다.
• Beginner: 단일 목적 작업 환경을 직접 구축하고 소규모 기능·자동화를 독립 완성하거나, 단일 목적 단순 에이전트를 구축하여 팀 내 소규모 업무 자동화를 이룹니다.
• Intermediate: 복잡한 워크플로우 설계, 컨텍스트·토큰 최적화, 상용 수준 서비스 로직 구현하거나, 다단계 워크플로우 설계와 외부 API 연동, 비용·성능 최적화를 주도합니다.
• Professional: 조직 AI 활용 표준·거버넌스를 수립하고 아키텍처·보안을 설계하며 역량 전파를 총괄하거나, 조직 표준 Agent와 거버넌스를 설계하고 실운영 안정성·보안·배포를 총괄합니다.

Entry는 AI를 처음 써보는 단계가 아니라 AI를 안전하게 사용하기 시작한 단계에 해당하며, Professional은 개인의 능력이 아니라 조직 표준을 수립하는 수준입니다.

진단 결과로 뭘 할 수 있나요?

• AI 활용 역량을 객관적·정량적으로 평가할 수 있습니다.
• AI 교육 투자의 ROI를 검증할 수 있습니다. 교육 전후 역량 변화를 숫자로 비교합니다.
• AI 전환 전략을 세울 인사이트를 얻습니다. 조직 어디에 역량이 부족한지가 데이터로 드러납니다.
• 조직의 지속 성장 사이클이 만들어집니다. 교육과 진단, 맞춤형 학습이 하나의 흐름으로 이어집니다.

진단이 끝나면 그다음엔 뭘 하나요?

진단으로 끝나지 않습니다. 진단 결과가 다음 교육의 방향을 정하고, 교육을 받은 후 다시 진단하여 개선 정도를 확인하는 흐름으로 이어집니다. 교육과 진단, 맞춤형 개인 학습이 한 사이클 안에서 순환하는 구조입니다. 한 번의 스냅샷이 아니라 분기마다 변화를 추적합니다.

어떤 조직에 필요한가요?

• AI로 반복 업무를 자동화하거나 간단한 기능을 만들어보려는 실무자가 있는 조직
• 코딩 경험 없이도 AI와 협업해 산출물을 내고 싶은 기획자·운영자가 있는 조직
• AI Agent 아키텍처 설계나 LLM 기반 시스템 구축이 필요한 개발 조직
• 사내 문서 기반 RAG 시스템, 업무 자동화 챗봇을 구축하려는 조직
• 외부 API 의존도를 낮추고 자체 NLP 모델 운영 체계를 갖추려는 조직
• AI 교육에는 투자했는데, 그것이 실제 역량으로 이어졌는지 증명할 방법이 없던 조직

자주 묻는 질문 (FAQ)

Q. 개발자만 응시할 수 있나요?

아닙니다. AI 바이브코딩과 AI Agent 트랙은 전 직군 공통이고, Prompt Engineering 트랙은 비개발 직군 전용으로 별도 운영됩니다. LangChain·LangGraph·Hugging Face는 개발 직군 대상입니다.

Q. 직군마다 문제가 다른데 결과를 서로 비교할 수 있나요?

가능합니다. 문항은 직군 도메인에 맞춰 다르게 구성하되, 채점 기준(역량모델)은 전사 공통이라 결과를 같은 기준으로 비교할 수 있습니다.

Q. 진단 결과는 개인만 보나요, 조직도 볼 수 있나요?

개인의 역량 확인과 조직 단위 AX 인사이트 도출, 두 목적 모두에 쓸 수 있도록 설계되어 있습니다.

Q. 레벨은 어떤 기준으로 나뉘나요?

Entry, Beginner, Intermediate, Professional 4단계이며, 트랙별로 각 레벨에서 실무상 무엇을 할 수 있는지를 기준으로 정의합니다.

비개발자를 위한 AI 특강, 왜 필요했을까

업무에 AI를 활용하고 싶은데 정작 어디서부터 시작해야 할지 몰라 손을 못 대는 분들이 많습니다. 비개발 직군도 실무에 바로 쓸 수 있는 AI 역량을 갖게 하자는 목적으로 코드프레소는 AXMOS와 함께 이 특강을 시작했습니다. 5월부터 8월 초까지 4개 기수를 진행하며 마케터, 기획자, 디자이너, 영업, 운영, 인사담당자, 예비 창업자까지 다양한 분들을 만났는데, 코드를 한 줄도 몰라도 배우겠다는 의지와 열정은 다들 비슷했습니다.

이 글에서는 이 비개발자 AX 교육이 실제로 어떤 프로그램인지, 커리큘럼과 참가자 반응까지 정리했습니다.

코딩 없이 웹 서비스는 어떻게 완성될까

핵심 문장은 "기획서(PRD)가 시작점, 코드는 결과물"입니다. 코딩을 가르치는 게 아니라, 참가자가 AI에게 의도를 명확히 전달하는 기획자로 서게 만드는 방식입니다. 이번 강의에서는 이를 Phase 1(AI 없이 사람이 처리) → Phase 2(챗봇에게 물어보기) → Phase 3(기획서로 위임하기) 3단계로 설명하고, 참가자를 Phase 2에서 Phase 3으로 옮기는 데 집중합니다.

커리큘럼은 STEP 1(온보딩) - STEP 2(바이브코딩 실전 활용) - STEP 3(AI 에이전트 심화) 3단계로 이어집니다.

STEP 1: 개념부터 익히고 PRD와 로컬 웹을 완성한다

STEP 1에서는 AI가 왜 그럴듯한 거짓말(할루시네이션)을 하는지, 컨텍스트로 이를 막는 법부터 배웁니다. 그다음 프롬프트를 감으로 쓰지 않게 만드는 RICJ 4요소를 익히는데, 구성은 이렇습니다.

• Role: 어떤 전문가로 답할지
• Instruction: 무엇을 해달라는 것인지
• Context: 어떤 배경에서 필요한지
• Judgement Criteria: 어떤 형태·조건으로 만들지

Claude Code 같은 AI 에이전트가 일하는 원리도 함께 익힙니다. 다음에 뭘 할지 생각하고, 도구를 호출하고, 결과를 확인해 목표를 이룰 때까지 반복하는 루프인데, 이 루프를 사람이 통제하는 5가지 감독 권한(지시·중단·권한 제한·검수·계획 검토)도 함께 익힙니다.

실습은 같은 신청 포털을 세 가지 방식, 즉 짧게 요청하기와 RICJ, 예시를 보여주는 few-shot으로 각각 만들어 비교하는 것으로 이어지는데, RICJ는 요구사항 누락을 줄이고 few-shot은 디자인 완성도를 끌어올립니다. 마지막엔 이 기준을 채팅이 아니라 PRD.md 파일로 저장합니다. 목적·사용자·핵심 기능·화면·디자인·성공 기준 6개 섹션이면 충분한데, "세상을 바꾼다" 같은 추상어 대신 "클릭 3회 이내 등록"처럼 측정 가능한 문장으로 채워야 합니다. STEP 1은 여기까지, PRD.md와 로컬에서 동작하는 웹을 남기고 끝납니다.

STEP 2: 실제 인터넷 주소를 손에 쥔다

localhost 주소로는 아무도 못 들어옵니다. Claude Code가 띄워주는 localhost 주소는 내 컴퓨터 안에서만 열립니다. 옆자리 동료에게 링크를 보내도 접속이 안 되는 이유입니다. 배포는 이 파일을 인터넷 서버에 올려 누구나 접속할 수 있는 공개 주소로 만드는 작업입니다.

STEP 2에서는 CLAUDE.md라는 1~2장짜리 서비스 발주서를 붙여 기능을 단계별로 늘리고, GitHub와 Vercel을 거쳐 vercel.app 주소로 배포합니다. 명령은 자연어로 시키면 Claude Code가 대신 실행하므로, 참가자가 터미널 명령을 외울 필요는 없습니다.

STEP 3: 버전 관리와 DB까지 붙여 완성한다

STEP 3에서는 GitHub로 코드 변경 이력을 관리하고, Supabase로 데이터베이스를 연결합니다. 그동안 브라우저에만 저장되던 데이터를 모두가 함께 보는 공유 DB로 옮기는 과정인데, 바뀐 코드는 다시 커밋·푸시해 배포본에도 반영합니다. 여기에 Skill과 MCP로 사내 도구·데이터까지 연결하면 실무 수준 서비스로 완성됩니다.

비개발 직군 참가자들의 후기는?

실습 소재는 기수를 거치며 계속 바뀌었습니다. 초기엔 가계부 대시보드, 여행 예약 메일처럼 개인 생활 소재를 썼지만, 이후엔 근태 데이터 대시보드, 세금계산서 대사, 사내 규정 검색처럼 사무 실무 소재로 옮겼습니다.

참가자 중 한 분이 남긴 후기인데요,

"확실히 AI 계단 하나하나 오를 때 마주치는 장벽을, 사람을 통해 직접 배우는 게 제일 빠르구나 싶었습니다."

혼자 문서 붙잡고 헤매던 부분을, 강사님이랑 옆자리 동료한테 바로 물어보면서 넘어갈 수 있었다고 합니다. 다른 참가자분은 챗봇형에서 벗어나 자유도가 커진 게 좋았다고 콕 짚어주시기도 했어요.

다만 특강 후반부의 배포·DB 연동 실습을 가장 어렵게 느꼈다는 후기도 있었습니다. 코드 없이 시작했지만, 배포와 데이터베이스 앞에서는 결국 최소한의 개념이 필요하다는 뜻이었습니다. 그래서 STEP 1·2·3을 한 번에 몰아넣지 않고, 단계마다 쉬는 시간을 두고 자기 데이터로 다시 해볼 여유를 남겨둔 이유이기도 합니다.

특강에서 코딩을 가르치지 않았습니다. 대신 기획서를 쓰는 법, 컨텍스트를 채우는 법, AI에게 판단 기준을 문서로 넘기는 법을 가르쳤습니다. 그 결과 참가자들은 STEP 1에서 STEP 3까지 이어지는 과정을 거쳐, 각자 자기 손으로 만든 서비스의 배포 URL을 들고 강의실을 나섰습니다.

비개발 직군에게 새로운 도구 하나를 쥐여준 게 아니라 일하는 순서를 바꿔준 것에 가깝습니다. 무엇을 만들지 명확히 정의할 수 있다면, 그 다음은 AI가 처리합니다.

AI를 업무에 써보고 싶다면, 지금 하고 있는 실무 하나를 PRD 여섯 줄로 먼저 정리해보는 것부터 시작해도 좋습니다.

자주 묻는 질문 (FAQ)

Q. 코딩을 전혀 몰라도 웹서비스를 만들 수 있나요?

네. AI 에이전트에게 기획서와 지시를 자연어로 전달하면 코드 작성과 배포는 에이전트가 대신 수행합니다. 참가자의 역할은 무엇을 만들지 기획하고 결과를 검수하는 것입니다.

Q. 하루 특강이 끝나면 결과물은 어느 수준까지 완성되나요?

PRD.md 파일, 입력·제출까지 동작하는 웹/앱, vercel.app 형태의 실제 배포 URL까지 완성됩니다.

Q. 이 특강에서 사용하는 AI 도구는 무엇인가요?

Claude Code입니다. 코드 작성부터 GitHub 업로드, Vercel 배포까지 자연어 지시로 실행합니다.

코드프레소가 HR 담당자를 위해 개최한 구조화 면접 특강은 AI 에이전트를 활용하여 채용 프로세스를 개선하는 실습형 교육입니다. 이 프로그램은 면접관마다 상이한 평가 기준을 표준화하려는 조직을 대상으로 설계되었습니다.

코딩 한 줄 없이, 면접 가이드는 어떻게 완성됐을까

특강은 저녁 7시 45분부터 10시까지 약 2시간 15분 동안 진행되었으며, 코딩 지식은 필요하지 않았습니다. 준비물은 개인 노트북과 Claude Pro 계정뿐이었습니다.

핵심은 AI 에이전트로 일하는 방식을 3단계로 나눠 실습했다는 점입니다.

• 절차를 스킬로 고정하는 단계: 반복 사용 가능한 워크플로우 구성
• 우리 회사 자료를 연결하는 단계: JD, 이력서, 평가 기준을 AI에 통합
• 한 줄 명령으로 실행하는 단계: 자동화된 결과물 생성

AI에게 맡기기 전에, 먼저 물어야 할 건 뭘까

특강의 원칙은 "기준이 있어야 업무가 되고, 업무가 돼야 AI에게 맡길 수 있다"는 것입니다. 위임의 3수준을 제시했습니다.

• 시킨다
• 위임한다
• 설계한다

모든 수준에서 최종 확정은 반드시 사람이 담당해야 한다고 강조했습니다. 위임 점검을 통해 참가자들은 채용 업무 중 어디까지를 AI에게 맡기고 어디부터는 사람이 판단할지 경계선을 직접 그었습니다.

이력서 뒤에 숨은 신호, 확신은 왜 함정이 될까

구조화 면접은 비구조화 면접보다 입사 후 성과 예측력이 높다는 연구 결과가 있습니다. 특강에서는 이력서에서 찾아야 할 신호 5가지를 다뤘습니다.

• 역할 범위 확장: "가장 책임 범위가 커졌던 순간은 언제였나요?"
• 문제 난이도 성장: "가장 어려웠던 문제와 해결 과정을 알려주세요."
• 주어(나 vs 우리): "그 프로젝트에서 본인이 직접 한 일은 무엇인가요?"
• 책임자 vs 참여자: "그 결정은 누가 내렸고, 본인의 역할은 무엇이었나요?"
• 이직 방향 일관성: "이직할 때마다 무엇을 기준으로 선택했나요?"

모든 후보자에게 동일한 역량과 점수 기준을 적용하되, 후속 질문은 이력서 단서에 따라 개별화하는 방식입니다.

특강 중에는 이런 질문도 나왔습니다

참가자들의 실무 질문이 이어졌습니다.

"인사 업무를 할 때 클로드코드 토큰(비용)을 최소한으로 아껴 쓰는 방법이 있을까요?"

"보안이 예민한 업종인데, 개인정보를 안전하게 우회하거나 마스킹해서 쓰는 노하우가 궁금해요."

이러한 질문들은 참가자가 자기 회사 기준을 스스로 정리해나가는 첫 계기를 보여주었습니다.

자주 묻는 질문 (FAQ)

Q. 구조화 면접이 정확히 무엇인가요?

모든 지원자에게 동일한 역량 평가 기준과 점수 체계를 적용하되, 후속 질문은 이력서 맥락에 맞춰 개별화하는 면접 방식입니다. 비구조화 면접보다 입사 후 성과 예측력이 높습니다.

Q. 코딩을 전혀 몰라도 실습을 따라갈 수 있나요?

가능합니다. 절차 고정, 회사 자료 연결, 자동 실행이라는 3단계로 진행되며 Claude Pro 계정만 있으면 됩니다.

Q. 교육에서 만든 면접 가이드는 실무에 바로 적용할 수 있나요?

완성되는 결과물은 현장 적용 가능한 초안입니다. 실제 채용에 투입하기 전에 회사별 직무 요건과 평가 기준을 반영해 검토하는 과정이 필요합니다.

Q. Claude가 아닌 다른 AI 도구로도 같은 방식이 가능한가요?

같은 원리는 다른 생성형 AI 도구에도 적용할 수 있습니다. 다만 세부 명령 방식은 조정이 필요합니다.

Q. 이런 AX 교육은 어떤 조직에 적합한가요?

면접관마다 질문과 평가 기준이 달라 지원자를 일관된 기준으로 비교하기 어려운 조직, 생성형 AI로 채용 프로세스를 개선하려는 인사팀에 해당합니다.

AI Native 시대, 마케터의 일은 어떻게 달라질까요

지난 2년간 마케팅 업무의 근본적인 변화가 진행 중입니다. 교육은 이를 세 단계로 구분합니다.

Phase 1, AI 없이 일하던 시대. 판매 데이터를 수동으로 합치고, 쿠폰 정산을 일일이 대조하며, 리뷰를 직접 읽고, 경쟁사 정보를 손으로 옮겨 적습니다.

Phase 2, AI에게 '물어보는' 시대. 요약과 정리를 요청하지만 결과물을 최종 형태로 만드는 일은 여전히 인력으로 처리합니다.

Phase 3, AI에게 '맡기는' 시대. 목표를 제시하면 AI가 데이터 읽기부터 화면 구성까지 전체 프로세스를 독립적으로 수행합니다.

AI 에이전트는 지금까지의 AI와 무엇이 다른가요

"챗봇이 답변하는 상담원이라면, AI 에이전트는 도구를 활용해 실제 결과물을 만드는 직원"입니다.

첫째, 스스로 실행하고 결과를 검증합니다. 에이전트는 계획 수립(Think), 도구 실행(Act), 결과 확인(Observe) 단계를 목표 달성까지 반복합니다.

둘째, 결과물이 텍스트가 아닌 파일과 화면입니다. 엑셀과 파일을 직접 조작하며, 브라우저로 웹사이트를 탐색하고, 업무 도구를 활용합니다. 자연어 지시로 에이전트가 필요한 도구를 구성하는 방식을 '바이브코딩'이라 합니다.

셋째, 근거를 제공할수록 정확성이 높아집니다. 웹, 파일, 이전 대화, 메모리 등 네 가지 근거 채널을 통해 할루시네이션을 감소시킵니다.

브랜드·CRM·디지털 담당자의 질문을 에이전트는 어떻게 처리했을까요

디지털팀: 판매 데이터를 채널·시간대·세그먼트로 쪼개 보기

디지털팀은 자사앱과 배달앱 판매를 채널별, 시간대별, 인구통계학적 세그먼트별로 분석하고자 했습니다. 데모에서는 판매 엑셀 파일 하나를 제공하자, 에이전트가 채널별 매출, 시간대 흐름, 세그먼트별 수치, 쿠폰 효과, 재구매 지표를 한 대시보드에 통합했습니다. 사용자가 세그먼트를 추가하면 숫자가 실시간으로 업데이트됩니다.

CRM팀: 한 번 만든 정산 프로세스를 '자산'으로 남기기

CRM팀은 매장별·쿠폰별로 달라지는 월별 정산을 정확히 점검하려 했습니다. 에이전트는 쿠폰 사용 내역과 매장 청구를 비교하여 예외 건을 찾아낼 뿐 아니라, 점검 규칙을 재사용 가능한 'Skill'로 저장했습니다. 다음 달 데이터를 입력하고 한 줄 명령으로 같은 점검을 반복할 수 있게 됩니다.

브랜드팀: 흩어진 시장·소비자 신호를 한자리에서 확인하기

브랜드팀은 경쟁 브랜드의 신메뉴와 프로모션 동향, 소비자 리뷰와 SNS 반응을 추적해야 합니다. 데모에서 에이전트는 경쟁사 웹사이트를 직접 열어 신메뉴와 프로모션을 정리하고, 배달앱 리뷰와 SNS 자료를 모아 출처와 언급량을 표기하여 보고했습니다.

시연이 끝난 뒤에도 계속 남는 건 무엇일까요

시연의 핵심은 개별 결과물이 아니라 "이런 작업이 필요하면 이렇게 수행한다"는 방식입니다. AX Grow가 남기는 것은 재사용 가능한 프롬프트와 Skill입니다. 마케터가 직접 리포트를 생성할 수 있게 되면, 필요한 정보를 즉시 확인하고 데이터 기반으로 판단하는 팀으로 전환됩니다.

Day 1은 가능성을 확인하는 단계이며, 이후 과정에서 각자의 실제 업무를 직접 구성해봅니다. 조직 내에서 이 사이클을 스스로 운영하면, 외부 요청을 기다리지 않고 그 자리에서 데이터를 열어 판단하는 변화가 발생합니다.

자주 묻는 질문 (FAQ)

Q. AI 에이전트는 챗GPT 같은 AI 챗봇과 뭐가 다른가요?

챗봇은 텍스트로 응답합니다. 에이전트는 목표를 받아 도구를 선택하고 실제 산출물을 생성합니다. Think-Act-Observe 루프를 반복하여 파일, 표, 동작하는 화면을 만들어냅니다.

Q. 이 데모에 쓰인 판매·쿠폰·리뷰 데이터는 실제 피자헛 데이터인가요?

아니요. 실습 데이터는 교육용으로 생성한 합성값입니다. 실제 매출, 정산, 소비자 데이터와 무관하며, 방식 학습이 목표입니다.

Q. Day 1은 시연 중심이었는데, 직접 만들어보는 과정도 있나요?

네. AX Grow는 여러 과정으로 구성됩니다. Day 1은 에이전트 기능을 이해하는 단계이고, 이후 'AI Agent 온보딩'과 업무용 도구 완성 과정이 진행됩니다.

Q. 마케팅 조직이라면 어디든 같은 방식을 적용할 수 있나요?

정해진 주기로 반복되는 업무(판매 분석, 정산 대사, 시장 리서치)가 있는 조직이라면 적용 범위가 넓습니다. AX Grow는 실무자가 과제를 직접 선택하는 방식으로 진행됩니다.

AI를 도입하는 것과 AI로 일하는 방식을 바꾸는 것은 다른 이야기입니다. 이 둘의 차이를 메우려고 제조 AI 혁신 컨소시엄 AXMOS가 만든 프로그램이 AX Grow입니다. 내부에 개발 인력을 보유한 조직이 AI 역량을 직접 갖추도록 돕는 게 목표고, 늘 같은 지점에서 시작합니다. AX 평가, 그러니까 우리 조직의 AI 전환이 지금 어디쯤 와 있는지 확인하는 작업입니다.

AX Grow는 어떤 프로그램인가요

AX Grow는 AXMOS가 운영하는 두 프로그램(AX Build·AX Grow) 중 하나입니다. AXMOS가 대신 만들어주는 AX Build와 달리, 실무 교육과 사내 빌더톤을 통해 조직의 내부 인력이 AI Agent와 자동화 도구를 직접 만들도록 돕습니다. 자체 IT팀을 갖춘 기업, DX를 추진 중인 중견·대기업, 보안이 중요한 금융·공공기관에 잘 맞는 방식입니다.

온보딩까지 포함해 3~4주, 실제 교육과 실습은 16영업일 정도 걸립니다. 끝나고 나면 AI 역량 진단 리포트와 빌더톤 결과물, 그리고 이걸 조직 전체로 퍼뜨릴 확산 로드맵이 남습니다.

AX Grow는 왜 AX 평가부터 시작할까요

AX는 AI Transformation, 즉 AI를 도구로 쓰는 데서 그치지 않고 업무 방식 자체를 바꾸는 조직 전환을 뜻합니다. AX 평가는 이 전환이 지금 얼마나 진행됐는지, 어디서 막혀 있는지를 조직 단위로 짚어보는 작업입니다. 개인의 AI 활용 실력을 보는 개인 단위 진단과는 결이 다릅니다.

진단 없이 곧장 교육부터 시작하면 어떻게 될까요. 이미 AI를 잘 쓰고 있는 부서에 똑같은 커리큘럼을 반복하거나, 정작 막혀 있는 워크플로우는 그대로 방치하는 일이 생깁니다. AX Grow가 커리큘럼을 짜기 전에 AX 평가부터 두는 이유입니다.

AX Grow의 AI 역량 진단과 실무 교육·빌더톤은 AI 역량 평가·교육 전문기업 코드프레소가 핵심 참여사로 함께 설계·운영합니다.

AX 평가, 어떻게 진행되나요

AXMOS는 AX 평가를 4단계 온보딩 과정 안에서 진행합니다.

1. NDA 체결: 비밀유지계약으로 안전한 협업 환경을 먼저 만듭니다.
2. Kick-off 인터뷰: 현재 업무 환경과 조직 구조, 핵심 과제를 파악합니다.
3. AX 진단 & 솔루션 설계: AX 평가가 이뤄지는 단계입니다. AI 도입 트랙과 맞춤 솔루션을 추천받습니다.
4. 트랙 선택: AX Build와 AX Grow 중 조직에 맞는 쪽을 정합니다.

AX Build와는 뭐가 다른가요

AX 평가 결과에 따라 갈 길이 나뉩니다. 내부에 개발 인력이 없다면 AXMOS가 직접 만들어주는 AX Build로, 자체 IT 역량이 있다면 내부 인력이 직접 만드는 AX Grow로 갑니다.

간단히 말하면, AX Build가 결과물을 대신 만들어주는 쪽이라면 AX Grow는 AX 평가로 확인한 약점을 조직이 스스로 메워가게 만드는 쪽입니다.

AX Grow, 16일 동안 실제로 뭘 하나요

AX Grow는 5단계로 진행됩니다.

1. 교육 설계 (Day 1): 교육 요구사항을 인터뷰하고 커리큘럼을 확정합니다.
2. 교육 운영 설계 (Day 2~3): 일정을 짜고 대상자를 선발합니다.
3. AI 실무 교육 (Day 4~5): Day 4는 AI 업무 자동화 기초, Day 5는 바이브코딩 워크숍입니다.
4. 사내 빌더톤 (Day 6~15): 실제 업무를 기반으로 AI Agent와 자동화 도구를 직접 만듭니다.
5. 성과 공유 & 확산 설계 (Day 16): 빌더톤 결과를 발표하고 우수 사례를 뽑아, 조직 전체로 퍼뜨릴 로드맵을 세웁니다.

교육이 끝나면 손에 남는 건 세 가지입니다. 조직의 AI 활용 수준을 짚어낸 AI 역량 진단 리포트, 실무자가 직접 만든 AI Agent와 자동화 도구, 그리고 조직 전체로 퍼뜨릴 확산 로드맵입니다.

이미 AX Grow를 거치고 있는 곳들

트랜스링크인베스트먼트는 투자 포트폴리오 기업의 영업보고서 수합 업무를 AX Build로 자동화해 처리 시간을 90% 이상 줄였습니다. 이번엔 비개발 전 직군을 대상으로 AX Grow를 진행하며 딜소싱·실사·포트폴리오 업무 전반으로 AI 활용을 넓히고 있습니다. 치과 의료기기 기업 (주)레이는 비개발 4개 차수와 개발자 트랙을 함께 운영하며 조직 전체로 AI Agent 기반 자동화를 확산하는 중이고, 한국 피자헛은 마케팅 본부의 브랜드·CRM·디지털 실무자가 리포트·자동화 업무를 직접 내재화하는 과정을 밟고 있습니다.

세 조직 모두 시작은 AX 평가였습니다. 각자 무엇을 확인했고 무엇이 달라졌는지는 다음 글부터 하나씩 소개하겠습니다.

자주 묻는 질문 (FAQ)

Q. AX Grow는 무료인가요?

AXMOS는 현재 선착순 파트너십 조건으로 AX Grow를 무상 지원하고 있습니다. 별도 추가 비용 없이 진행되는 대신, 완료 후 사례 인터뷰나 간단한 언론·블로그 홍보 협조를 요청받습니다.

Q. 우리 조직은 뭘 준비해야 하나요?

내부 담당자 1명과 AI 전환을 이끌 핵심 참여 인력, 그리고 실제로 자동화가 필요한 업무 하나를 정하는 것으로 충분합니다. IT 인력이나 별도 인프라는 필요 없습니다.

Q. 전체 기간은 얼마나 걸리나요?

온보딩을 포함해 약 3~4주, 실제 교육과 빌더톤은 16영업일입니다. 범위에 따라 일정은 조정될 수 있습니다.

Q. 최종적으로 받는 결과물은 무엇인가요?

AI 역량 진단 리포트, 내부 인력이 직접 만든 AI Agent·자동화 도구, 조직 전체로 확산하기 위한 로드맵 세 가지입니다.