어떤 팀이 있습니다. AI를 능숙하게 다뤄 뛰어난 결과물을 만드는 핵심 인재 1명과, AI 활용에 익숙하지 않은 3명으로 구성된 팀입니다. AI를 잘 쓰는 소수와 그렇지 못한 다수가 섞여 있을 때, 팀에서는 어떤 일이 벌어질까요?
가장 먼저 나타나는 현상은 바로 개인에게 AI 업무가 의존되는 것입니다. 팀원들은 손쉽게 핵심 인재에게 AI 업무를 맡기고, 그가 만든 결과물을 함께 활용합니다. 그러다 보면 AI를 잘 다루지 못하는 팀원도 자신의 역량 부족을 당장 문제로 인식하지 않을 수 있습니다. 핵심 인재가 만든 성과가 팀에 공유되면서, 마치 전체 역량이 높아진 착시에 빠지기 때문입니다.
문제는 이 상태가 지속될 때입니다. 특정 인재에게 AI 관련 업무와 노하우가 계속 쌓이는 동안, 나머지 구성원의 역량은 그대로 머물러 있습니다. 결국 기업이 실제로 확보한 것은 AI를 잘 쓰는 한 사람의 역량인 것입니다. 이 상태를 개선하지 않고 그대로 두면, 개인의 AI 역량은 끝내 조직의 AI 역량이 되지 못합니다.
AI 보급률 ≠ 조직의 역량 지표
올해 공개된 연구1)에 따르면 국내 기업의 58%가 AI를 활용하고 있는 것으로 나타났습니다. 지난해 48%에서 1년만에 10%포인트 상승한 수치인데요. 반면 ‘자사 인력이 뛰어난 디지털 역량을 갖췄다고 믿는 기업’은 단 22%에 그쳤습니다. AI 활용은 빠르게 늘고 있지만, 기업 스스로 평가하는 인력의 역량은 그만큼 높지 않은 것입니다.
여기서 주목해야 할 것은 AI를 도입하는 것만으로는 임직원이 실제로 어느 수준의 역량을 갖추게 되었는지 알기 어렵다는 점입니다. 경영진이 확보한 데이터는 “우리 조직 몇 %가 AI를 쓰는가”라는 질문에 답할 수 있는 투입(input) 지표뿐입니다. 이 지표로는 AI가 조직 전체에 퍼져 있는지, 일부 구성원에게 집중되어 있는지 알 수 없습니다. 결국 사용률은 AI 활용의 확산까지는 보여주지만, 조직의 AI 역량을 보여주는 지표는 아닙니다.
전사적으로 AI 도구를 보급했는데, 그 역량이 측정되지 않으면 겪게 되는 대표적인 세 가지 문제는 다음과 같습니다.
① AI 투자의 ROI를 정밀하게 측정할 수 없습니다
AI를 도입한 것과 AI로 성과가 발생하는 것은 다른 이야기입니다.
AI 사용량이 늘어도 임직원이 실제 업무에서 AI를 얼마나 효과적으로 활용하고 있는지까지 측정할 수 없다면 AI 도입에 투자된 비용과 성과 사이의 관계, 즉 ROI(Return on Investment, 투자수익률)를 계산할 수 없습니다. 실제로 앞서 인용한 조사1)에서 국내 기업의 47%는 AI 투자수익률을 측정할 신뢰할 만한 방법이 없다고 답했습니다. AI를 도입해서 무엇이 얼마나 달라졌는지 파악하기 위해서는 사용률과는 다른 데이터가 필요합니다.
② 다음 단계의 추가 자원 투입 결정이 어렵습니다
교육이나 툴 투자 등 추가적인 자원 투입 결정을 내릴 때도 근거가 없습니다.
어느 팀의 역량이 부족한지, 어떤 직무에서 AI 활용 역량이 더 필요한지, 임직원이 구체적으로 어떤 단계에서 어려움을 겪는지 알 수 없다면, 전사 교육이나 일괄적인 툴 도입처럼 넓게 투자하는 방식을 택하기 쉽습니다.
그러나 AI 역량을 측정할 수 있다면 투자의 방향이 달라집니다. 부족한 영역을 찾아 교육하고, 필요한 부서에 자원을 집중하는 식으로 투자의 정밀도를 높일 수 있기 때문입니다.
③ 정확히 누가 어떤 AI를 얼마나 잘 쓰는지 보이지 않습니다
회사가 보급한 도구의 사용률만 본다면 놓치는 것이 생깁니다.
마이크로소프트와 링크드인이 31개국 지식 근로자 3만 1,000명을 조사한 2024년 보고서2)에 따르면, AI 사용자의 78%는 회사가 제공하지 않은 개인 AI 도구를 업무에 가져와 쓰고 있었습니다. 또 가장 중요한 업무에 AI를 쓴다는 사실을 밝히기 꺼린다는 응답도 52%에 달했습니다.
AI는 경영진이 보는 사용률 데이터 바깥에서도 쓰이고, 그 활용 수준은 어디에도 기록되지 않습니다. 누가 진짜 AI를 잘 쓰고, 누가 그렇지 못한지는 기업이 도입한 도구의 사용률만으로는 드러나지 않는 것입니다.
AI 역량을 진단하면, 결정할 수 있는 것 3가지
임직원의 AI 역량을 진단할 수 있다면, AI 투자의 결과를 확인하는 데서 그치지 않고 다음 의사결정의 근거로 데이터를 활용할 수 있습니다.
1) 사업 전략과 조직 운영의 판단 근거
지금까지는 역량이 낮은 직원을 찾아 교육으로 개선하는 수준이었다면, 데이터가 쌓인 이후에는 두 층위의 판단이 가능해집니다. 첫째는 개별 판단입니다. ‘이 신사업(또는 신규 프로젝트)을 지금 우리 조직 역량으로 해낼 수 있는가’를 사전에 판단하여 조직과 인력을 재배치할 수 있습니다. 둘째는 연속적 판단입니다. 진단을 반복하여 쌓은 데이터로 ‘우리 속도가 업계 대비 빠른가 느린가’를 보고 다음 분기 투자를 늘릴지 방어적으로 자원을 모을지 결정할 수 있습니다.
2) 채용-평가-보상 체계의 기준으로 추가
AI 역량 데이터로 채용과 평가, 보상 같은 인사 제도에 활용할 수 있습니다.
단순히 AI를 잘 다루는 사람으로 입소문난 인재를 승급하는 것이 아니라, 동일한 기준으로 측정한 데이터를 바탕으로 임직원의 역량 수준과 성장 정도를 확인하는 것입니다.
실제로 프로그래머스의 AI 역량평가를 도입한 우리카드는 지난 8월, 입사 2년차 신입 직원을 대상으로 AI 교육을 실시한 뒤 AI 역량평가를 진행했습니다. AI 용어와 이해도, 보안 원리에 대한 지식을 측정하는 ‘AI 지식평가’와 실무에 필요한 논리적 추론과 데이터 분석 등 활용 능력을 측정하는 ‘AI 활용평가’를 실시했는데요. 우리카드는 이 결과를 바탕으로 기준 점수를 마련해 사내 제도에 적용하는 방안을 검토하고 있습니다.
이처럼 AI 역량을 측정할 수 있으면 교육을 일회성 프로그램으로 끝내는 것이 아니라, 측정 → 교육 → 재측정 → 제도 반영으로 이어지는 구조를 만들 수 있습니다.
3) 조직의 대외적 신뢰 자산으로 활용
반복적인 진단과 교육을 통해 검증된 AI 역량 데이터가 축적되면, 그 데이터를 조직 밖에서도 활용할 수 있습니다.
예를 들어 B2B 영업에서는 ‘우리 조직이 AI를 잘 활용한다’는 선언을 넘어 임직원의 AI 역량을 어떤 기준으로 검증하고 관리하는지 보여줄 수 있습니다. 채용에서도 마찬가지입니다. 조직이 요구하는 AI 활용 수준을 구체적으로 정의하고 이를 채용 과정에서 검증한다면, AI 인재 확보에 대한 기업의 기준을 명확하게 제시할 수 있습니다.
프로그래머스의 AI 역량평가를 도입한 포스코DX는 올해 신입 공채와 경력 채용에 AI 역량평가를 적용했습니다. 포스코DX는 지난 9월 이 같은 채용 전형의 변화를 언론에 공개하고, 피지컬 AI와 에이전틱 AI를 두 축으로 한 ‘AI 네이티브 컴퍼니’로의 전환을 선언하기도 했는데요. 이 같은 사례는 기업의 AI 전환이 빨라질수록, 새로운 AI 도구를 도입하는 것만큼 그 도구를 활용할 사람의 역량을 어떻게 확인하고 키울 것인지가 중요하다는 것을 방증하고 있습니다.
다시 처음의 팀으로 돌아가 보겠습니다.
만약 이 팀이 프로그래머스의 AI 역량평가를 도입했다면 무엇이 달라졌을까요?
먼저 개별 구성원의 AI 역량이 측정되고, 지금까지 보이지 않았던 팀 내부의 역량 편차가 데이터 위로 고스란히 드러날 것입니다. 평가 결과를 바탕으로 AI 역량이 낮은 팀원들의 부족한 역량을 확인하고 필요한 교육 방향을 설계할 수 있습니다. 그리고 교육 이후 다시 진행되는 평가에서, 임직원의 역량이 실제로 얼마나 달라졌는지 숫자로 증명됩니다. 조직의 AI 역량은 이제 특정 개인에 머물지 않고, 기업 안에서 함께 키워가는 것이 됩니다.
측정되지 않으면, 개선할 수 없습니다.
프로그래머스 AI 역량평가와 함께 조직의 AI 역량을 만들어보세요.
함께 읽으면 좋은 글
📌 AI 역량 진단 솔루션 도입 전 확인할 5가지
📌 채용 담당자를 위한 2026 실무 능력 검증 자가진단 가이드
📌 500인 이상 기업을 위한 전사 역량 진단 가이드
출처
1) AWS-스트랜드 파트너스, 한국의 AI 잠재력 실현 2026, (2026.09)
2) Microsoft·LinkedIn, 2024 Work Trend Index Annual Report: AI at Work Is Here. Now Comes the Hard Part, (2024.05)