국내 AI 뉴스의 무게중심이 조용히 옮겨가고 있다. 몇 년째 ‘AI를 만드는 사람을 몇 명 더 길러낼 것인가’가 화두였다면, 최근 발표들은 ‘AI를 쓰는 사람을 어디까지 넓힐 것인가’를 가리킨다. 오픈AI(OpenAI)는 국내 사회복지 분야 인재 양성 협력을 밝혔고, 법무부는 모범 수형자를 대상으로 AI 활용 자립 교육을 도입했다. 지역 교육청 영재교육원은 AI로 진로 탐색을 돕고, 전북대는 SK AX와 손잡고 ‘AI 거점대학’을 표방한다. 경북 포항에는 농어민이 직접 판매를 붙일 수 있는 AI 데이터 허브 유통센터가 들어선다.
얼핏 접점이 없어 보이는 다섯 장면을 관통하는 흐름은 하나다. AI가 개발자·데이터과학자의 전문 영역을 벗어나 복지사·재소자·교사·농민 같은 비(非)기술 직군의 일상 도구로 내려오고 있다는 것이다. 이 글은 특정 서비스를 소개하려는 게 아니라, 왜 지금 이런 교육이 동시다발로 등장하는지, 각 현장이 실제로 노리는 것과 그 한계는 무엇인지, 그리고 이 흐름 앞에서 개인과 조직이 무엇을 점검해야 하는지를 짚는다.
왜 AI 교육이 IT 업계 밖으로 나가나
2022년 11월 ChatGPT가 공개됐을 때만 해도 도입 논의는 개발·마케팅·고객상담처럼 디지털 접점이 큰 직군에 몰렸다. 불과 2년여 만에 대상이 복지관·교정시설·초등 영재교육원까지 번진 결정적 이유는 사용 장벽의 위치가 바뀌었기 때문이다. 예전엔 데이터를 다루려면 파이썬으로 표를 전처리하고 API 키를 발급받아야 했지만, 지금은 A4 여러 장 분량의 문서를 붙여넣고 ‘핵심만 세 줄로’라고 적으면 요약·번역·초안이 나온다. 넘어야 할 문턱이 ‘프로그래밍’에서 ‘질문을 설계하는 법’으로 이동한 것이다. 여기에 무료 버전만으로도 상당 기능이 열려 있어, 예산이 빠듯한 공공·복지 현장이 진입할 명분이 생겼다.
다만 여기서 가장 흔한 오해를 짚어야 한다. ‘누구나 쉽게 쓰니 교육은 필요 없다’는 생각인데, 현실은 정반대다. 도구가 쉬워질수록 결과물의 오류를 걸러내고 업무 맥락에 맞게 검증하는 ‘판단 역량’의 격차가 성과를 가른다. 예컨대 복지 상담 기록을 AI로 정리하더라도, 상담자의 실명·질병·소득 같은 민감정보를 그대로 입력하면 개인정보 유출 위험이 커지고, AI가 지어낸 사실(환각)을 걸러내지 못하면 오히려 행정 오류가 늘어난다. 이번 확산의 핵심이 ‘AI 사용법’이 아니라 ‘AI를 안전하게 쓰는 직무 맥락’을 함께 가르치기 시작했다는 데 있는 이유다.
같은 ‘AI 교육’인데 노리는 결과가 다르다
다섯 현장은 이름표만 같을 뿐 기대하는 성과가 제각각이다. 오픈AI-사회복지 협력은 상담·행정 문서 부담을 줄여 그 시간을 대면 서비스로 재배분하려는 ‘업무 효율’ 관점이다. 여기서 성과 지표는 ‘문서 처리 시간 단축분’이지 새로운 직무 창출이 아니다. 반면 교정시설의 수형자 AI 교육은 출소 후 취업·자립을 겨냥한 ‘재사회화’ 관점이라, 성과가 취업률·재범률 같은 사회적 비용과 직결된다. 국내 출소자의 3년 이내 재복역률이 20%대 중반에 머무는 현실을 감안하면, 이 교육의 진짜 시험대는 수료가 아니라 그 이후 몇 년의 궤적이다.
나머지 셋은 시간축이 더 길다. 영재교육원의 AI 진로 탐색은 당장의 생산성이 아니라 ‘미래 직업 감각’을 키우는 장기 투자이고, 전북대·SK AX의 AI 거점대학은 개별 강좌가 아니라 커리큘럼·산학 연구·채용을 하나로 묶는 ‘생태계 조성’이어서 성과가 드러나기까지 최소 2~3년의 시차가 있다. 포항의 AI 데이터 허브 유통센터는 교육이라기보다 인프라에 가깝다. 농어민의 생산·유통 데이터를 모아 중간 유통 단계를 줄이고 직접 판매를 붙이자는 구상으로, 여기서 AI는 ‘가르치는 대상’이 아니라 ‘깔아두는 배관’이다. 정리하면 같은 AI가 어떤 곳에선 도구, 어떤 곳에선 커리큘럼, 어떤 곳에선 인프라라는 세 얼굴로 나뉜다. 이 구분을 놓치면 서로 다른 목표에 같은 잣대를 들이대는 오독이 생긴다.
과장된 기대와 실제 가능한 범위
이런 프로그램을 볼 때 가장 흔한 함정은 발표 시점의 ‘선언’을 이미 검증된 ‘성과’로 오해하는 것이다. 협약·개소 소식은 대부분 출발선이며, 실제 효과는 도입 이후 데이터로만 판단된다. 그래서 봐야 할 것은 후행 지표다. 수형자 교육이라면 수료 인원이 아니라 ‘출소 후 6~12개월 취업 유지율’, 거점대학이라면 ‘졸업생 채용 연계 건수’나 ‘공동 연구의 상용화 여부’가 나오기 전까지는 모두 잠재력에 불과하다.
현실적 한계도 셋으로 뚜렷하다. 첫째, 비용과 접근성이다. 문서 대량 처리나 최신 모델을 안정적으로 쓰려면 ChatGPT Plus 기준 월 20달러(약 3만 원) 안팎의 유료 요금과 원활한 네트워크가 사실상 전제된다. 이 조건이 빠진 채 무료 버전으로만 교육하면 배운 내용과 실제 사용 환경이 어긋난다. 둘째, 유지보수 부담이다. 주요 모델은 몇 달 단위로 교체되고 화면·정책도 자주 바뀌어, 한 번의 교육으로 끝나지 않고 반복 갱신이 필요하다. 셋째, 데이터 품질과 책임 소재다. 포항 사례처럼 데이터를 모으는 인프라는 ‘누가 정확성을 책임지고, 오류가 손해로 이어질 때 어떻게 보상하는가’라는 거버넌스가 함께 설계돼야 실효를 낸다. 기술의 성능보다 이 운영 체계의 유무가 성패를 가르는 지점이다.
실무자·조직이 지금 점검할 것
개인이라면 먼저 ‘내 직무에서 AI가 대체하는 부분과 남는 부분’을 갈라봐야 한다. 반복적인 문서 작성·요약·1차 번역은 빠르게 자동화되지만, 결과를 검증하고 사람에게 설명하며 책임지는 판단은 그대로 남는다. 그렇다면 학습 순서는 도구 조작법이 아니라 ‘결과물 검증법’이 먼저다. 실전 체크포인트를 세 문장으로 압축하면 이렇다. ① 이 출력을 어디까지 믿을 수 있는가(사실 확인·편향 점검), ② 개인정보나 기밀이 입력에 섞이지 않았는가, ③ 최종 책임은 누구에게 있는가. 이 셋을 습관처럼 던지는 사람과 아닌 사람의 차이가 6개월 뒤 업무 신뢰도를 가른다.
조직이라면 성과의 정의부터 바꿔야 한다. ‘교육 참여 인원’이 아니라 ‘업무 프로세스가 실제로 바뀌었는가’가 지표여야 한다. 도입 후에도 성과가 안 나는 대표적 이유는 툴만 쥐여주고 기존 방식은 그대로 두기 때문이다. AI로 보고서 초안은 5분 만에 만들면서 결재 단계와 검토 서식은 예전 그대로라면, 앞에서 아낀 시간이 뒤에서 상쇄된다. 최소한 ① 자동화할 대상 업무 선정, ② 검증·승인 절차 재설계, ③ 오류·환각 발생 시 대응 규칙, ④ 모델 교체에 맞춘 재교육 주기를 하나의 세트로 갖춰야 한다. 6개월~2년 관점에서 보면 이번 확산의 승패는 화려한 협약이 아니라, 이 운영 디테일을 갖춘 곳과 아닌 곳의 격차로 드러날 가능성이 크다.
자주 묻는 질문
AI 활용 교육은 코딩을 몰라도 들을 수 있나요?
네. 최근 확산되는 교육 대부분은 자연어로 지시해 문서 요약·번역·초안 작성을 하는 ‘활용’ 중심이라 프로그래밍 지식이 없어도 됩니다. 다만 AI가 지어낸 사실을 걸러내는 검증 역량과 민감정보를 분리하는 개인정보 처리 원칙은 반드시 함께 익혀야 실제 업무에서 안전하게 쓸 수 있습니다.
AI가 복지사·상담사 같은 직무를 통째로 대체하나요?
아닙니다. 반복적인 문서·기록 작업 위주로 대체되고, 사람과 관계를 맺고 상황을 판단하며 책임지는 핵심 업무는 남습니다. 이번 사회복지 협력도 ‘대체’가 아니라 행정 부담을 줄여 대면 서비스에 시간을 더 쓰게 하는 효율화에 가깝습니다. 성과 지표 역시 인력 감축이 아니라 문서 처리 시간 단축입니다.
협약·개소 뉴스만 보고 효과가 검증됐다고 봐도 되나요?
아닙니다. 대부분은 출발선의 선언이며 실제 효과는 도입 이후 후행 지표로 판단해야 합니다. 교육이라면 수료 인원이 아니라 출소 후 6~12개월 취업 유지율이나 업무 프로세스 변화를, 데이터 인프라라면 정확성 책임과 오류 보상 거버넌스가 설계됐는지를 확인해야 합니다.
조직에서 AI 도구를 도입해도 성과가 안 나는 이유는 무엇인가요?
도구만 주고 기존 업무 방식을 그대로 두기 때문입니다. AI로 초안을 5분 만에 만들어도 결재·검토 절차가 예전 그대로면 절감 효과가 상쇄됩니다. 대상 업무 선정, 검증·승인 절차 재설계, 오류·환각 대응 규칙, 모델 교체에 맞춘 재교육 주기를 세트로 갖춰야 성과가 실제 수치로 나타납니다.