사내 AI 교육, 어느 팀부터 확산해야 할까

AI를 도입한 회사라면 다음 고민은 대개 비슷합니다. 이걸 어떻게 더 잘 쓰게 할까. 전 직원에게 똑같이 사내 AI 교육을 한 번 하고 계정을 나눠 주지만, 몇 달이 지나도 잘 쓰는 사람만 쓰고 나머지는 그대로인 경우가 많습니다. 도입은 한 번에 했는데 활용은 팀마다 크게 벌어지는 것입니다.

이건 이상한 일이 아닙니다. 한국은행 분석에 따르면 이미 국내 근로자의 63.5%가 생성형 AI를 쓰고 있고, 업무 목적으로 한정해도 51.8%가 활용한다고 합니다 (AI의 빠른 확산과 생산성 효과: 가계조사를 바탕으로, 2025). AI를 업무에 쓰면서 근무시간이 주당 1시간 30분가량 줄었다는 분석도 함께 나왔습니다. 절반 넘는 사람이 이미 AI로 일한다는 뜻이지만, 아직 손대지 않은 사람도 그만큼 많습니다. 문제는 우리 회사 안에서 그 경계가 어디인지 아무도 모른다는 데 있습니다.

도입만으로는 성과가 나지 않습니다

도구를 갖추는 것과 성과를 내는 것은 다릅니다. 디지털 스튜디오 Studio Graphene이 Censuswide에 의뢰해 영국 기업 의사결정자 500명을 조사한 결과에서는 78%가 이미 AI를 쓰고 있지만, 실제로 투자 대비 성과를 봤다는 곳은 31%에 그쳤습니다 (Two-thirds of firms yet to see ROI on AI investments, 2026). Studio Graphene 창업자는 그 원인으로 많은 조직이 "AI가 업무의 어디에 자리 잡고, 어떤 결정을 돕고, 어떤 과정을 받쳐 줄지를 먼저 정하지 않은 채" 도구부터 들인 점을 꼽았습니다. 계정을 나눠 주는 것만으로 조직이 AI를 잘 쓰게 되지는 않는다는 이야기입니다.

그래서 모두에게 같은 사내 AI 교육을 한 번 하고 마는 방식은 효율이 떨어집니다. 이미 잘 쓰는 팀에는 필요 없는 내용이고, 손대지 않은 팀에는 한 번의 교육으로 부족합니다. 먼저 봐야 할 것은 팀마다 AI를 실제로 얼마나 쓰는지, 그 격차가 어디에 있는지입니다.

사용 데이터로 격차부터 봅니다

오피오는 구성원이 어떤 AI를 얼마나 쓰는지를 팀별로 보여 줍니다. 어느 팀이 이미 AI를 업무에 자리 잡게 했고 어느 팀은 거의 쓰지 않는지가 사용 데이터로 드러납니다. 짐작으로 "개발팀은 잘 쓰겠지" 하는 대신, 실제 사용량을 놓고 확인할 수 있습니다.

격차는 보통 생각보다 뚜렷하게 갈립니다. 개발팀은 Cursor나 Claude를 하루 종일 켜 두고 코드를 짜는 데 쓰는데, 운영이나 지원 부서는 ChatGPT를 어쩌다 한 번 문서 다듬는 데만 쓰는 식입니다. 같은 회사 안에서도 어떤 팀은 AI를 손발처럼 쓰고, 어떤 팀은 있는 줄만 아는 상태로 남습니다. 사용 데이터를 보면 이 차이가 도구별·팀별 사용 시간으로 그대로 드러나서, 어디가 앞서 있고 어디가 처져 있는지를 숫자로 짚을 수 있습니다.

격차가 눈에 보이면 그다음은 순서의 문제입니다. 확산은 대략 세 단계로 이어집니다.

① 앞선 팀에서 방법을 꺼내 옵니다

가장 먼저 할 일은 새 교육 자료를 만드는 게 아니라, 이미 잘 쓰는 팀이 어떻게 쓰는지를 들여다보는 것입니다. 사용 데이터로 어느 팀이 앞서 있는지 보이면, 그 팀에 이미 답이 있는 셈입니다.

앞선 팀에서 꺼내 올 것은 두 가지입니다. 하나는 구체적인 활용 방식입니다. 개발팀이 어떤 작업에 Claude를 붙였는지, 반복되는 업무 중 무엇을 AI에 맡겼는지를 그 팀 사람에게 직접 들어 정리합니다. 다른 하나는 프롬프트입니다. 잘 쓰는 사람이 자주 쓰는 프롬프트를 모아 두면, 처진 팀이 빈손에서 시작하지 않아도 됩니다. 이렇게 모은 활용 방식과 프롬프트를 사내에 공유하는 것만으로도 확산의 절반은 시작됩니다.

이 방식이 실제로 통한다는 사례도 있습니다. CJ올리브영은 AI 코딩 능력이 일부 개발자에게만 쏠리던 문제를 워크숍과 표준 문서로 풀었습니다. 잘하는 사람의 방식을 단계별 산출물과 공용 설정 파일로 정리해 두니, 경험이 적은 구성원도 그 과정을 따라가며 일정 수준 이상의 결과를 냈다고 합니다 (CJ올리브영의 AI 협업 개발 프로세스 구축, AI-DLC 실전 도입 사례, 2026). 개인의 감이 아니라 정리된 방식이 품질을 받쳐 준 것입니다.

② 팀별로 맞춰 사내 AI 교육을 붙입니다

앞선 팀의 방식을 꺼내 왔다면, 그다음은 나머지 팀에 맞춰 붙이는 일입니다. 여기서 사내 AI 교육은 전 직원을 한자리에 모아 놓고 똑같은 내용을 한 번 전달하는 방식과는 다릅니다.

거의 쓰지 않는 팀에는 그 팀 업무에 맞는 활용법과 앞선 팀에서 정리한 프롬프트를 붙여 줍니다. 이미 능숙한 팀에는 더 깊은 활용이나 새 도구를 얹습니다. 사용 데이터가 있으면 누구에게 어떤 교육이 필요한지를 사람 단위로 판단할 수 있어서, 필요 없는 사람에게 시간을 쓰지 않아도 됩니다. 새 도구를 더 들일지, 지금 있는 것부터 정착시킬지도 사용량을 보고 정합니다. 처진 팀이 왜 안 쓰는지도 함께 봐야 합니다. 필요를 못 느끼는 것인지, 방법을 모르는 것인지, 업무에 안 맞는 것인지에 따라 붙일 교육이 다릅니다.

③ 다시 측정해 효과를 확인합니다

교육을 붙였으면 다시 측정해 봐야 합니다. 교육 전후로 그 팀의 AI 사용량이 실제로 늘었는지를 같은 데이터로 확인하는 것입니다.

이 재측정이 있어야 사내 AI 교육이 형식으로 끝나지 않습니다. 사용량이 늘었으면 그 방식을 다른 팀에도 넓히고, 그대로면 교육 내용이나 도구가 그 팀 업무에 맞았는지를 다시 봅니다. AI 확산은 한 번의 교육으로 끝나는 일이 아니라, 앞선 팀에서 배우고, 팀별로 맞춰 붙이고, 다시 재 보는 과정을 반복하며 격차를 좁혀 가는 일입니다.

그리고 이렇게 팀마다 AI를 얼마나·어떻게 쓰는지는 그 자체로 조직의 역량을 보여 주는 지표가 됩니다. 어느 팀이 AI를 업무에 얼마나 들였는지, 교육을 하면 실제로 늘어나는지를 숫자로 아는 회사는 다음 투자를 어디에 할지도 그 위에서 정할 수 있습니다. 오피오는 그 숫자를 만들고, 회사는 어디에 힘을 쏟을지를 데이터로 결정하면 됩니다.