AI를 활용해 소프트웨어를 개발하는 AI-Native SDLC에서는 기존의 소프트웨어 개발 역량만으로 충분하지 않다. AI에게 요구사항을 전달하고, AI가 생성한 결과를 검증하며, 여러 AI 에이전트와 소프트웨어 서비스를 결합해 시스템을 구축·운영할 수 있는 새로운 역량이 필요하다.
그렇다면 이러한 역량을 어떻게 교육해야 할까? 모든 기업과 개발자에게 동일한 AI 교육을 제공하는 것은 효과적이지 않다. 교육 대상이 경영자인지 개발자인지, 어떤 종류의 AI 시스템을 개발하는지, 업무 분야가 금융·제조·의료 중 무엇인지, 시스템에 요구되는 품질 수준은 어느 정도인지, 어떤 AI 개발 도구와 클라우드 환경을 사용하는지에 따라 필요한 역량과 교육 내용이 달라져야 한다. 이러한 AI 교육의 설계 변수에 대해서는 박준성, 「AI 경쟁력?... 모델 도입이 아니라 리더부터 개발자까지 AI 역량 내재화해야」(지디넷 코리아, 2026.5.23)의 표 1에서 자세히 다루었다.
교육 방법도 AI 시대에 맞게 바뀌어야 한다
AI 교육에서는 단순히 강사가 지식을 전달하는 방식만으로는 충분하지 않다. 교육 대상과 목적에 따라 실제 경험을 통해 배우는 경험 학습, 프로젝트를 수행하면서 배우는 프로젝트 기반 학습, 실제 문제를 해결하면서 배우는 문제 기반 학습, 특정 상황을 재현하여 학습하는 시나리오 기반 학습 등 다양한 교육 방법을 활용할 수 있다.
교육을 제공하는 방식도 다양하다. 기존의 대면 수업이나 실시간 온라인 수업뿐 아니라 자기주도형 온라인 학습, 부트캠프, 워크숍, 세미나, 웨비나, MOOC, 해커톤 등을 활용할 수 있다.
특히 AI 시대에는 업무를 하면서 필요한 내용을 바로 학습하는 ‘업무 내 학습(Learning in the Flow of Work, LIFOW)’이 중요하다. 예를 들어 개발자가 AI 코딩을 하다가 새로운 기술을 필요로 하면, 개발 환경 안에서 관련 가이드나 짧은 학습 콘텐츠를 바로 확인하고, AI 챗봇이나 Copilot에게 질문하면서 문제를 해결할 수 있도록 하는 것이다. 여기에 숙련된 개발자와 AI를 함께 활용하는 인간-AI 협력 기반 OJT(On-the-Job Training)를 결합하면 교육과 실제 업무 사이의 간극도 줄일 수 있다.
AI 교육을 작은 학습 단위로 설계한다
AI 기술은 매우 빠르게 변하기 때문에 하나의 큰 교육과정을 장기간 운영하는 방식만으로는 변화에 대응하기 어렵다. 이를 해결하기 위한 방법이 학습객체(Learning Object, LO) 기반 교육과정 설계다.
학습객체란 하나의 특정 역량이나 지식을 학습할 수 있도록 만든 작은 교육 콘텐츠 단위를 의미한다. 예를 들어 ‘프롬프트 작성’, ‘RAG 구현’, ‘AI 에이전트 설계’, ‘API 설계’, ‘TDD’, ‘AI 생성 코드 리뷰’ 등을 각각 하나의 학습객체로 만들 수 있다.
이러한 LO를 여러 개 묶으면 교육과정(Course)이 되고, 여러 교육과정을 묶으면 교육 프로그램(Program)이 된다. 다시 말해,
학습객체(LO) → 교육과정(Course) → 교육 프로그램(Program) → 전체 커리큘럼
이라는 계층으로 교육 내용을 체계화할 수 있다.
이 방식의 가장 큰 장점은 교육과정을 필요에 따라 조립할 수 있다는 것이다. 예를 들어 개발자에게는 ‘AI 에이전트 설계 + SW 공학 + AI 코딩’에 해당하는 LO를 집중적으로 제공하고, 경영자에게는 ‘AI 전략 + 업무 혁신 + AI 거버넌스’에 해당하는 LO를 조합할 수 있다. 새로운 AI 기술이 등장하면 관련 LO만 추가하거나 교체하면 되므로 빠르게 변화하는 AI 환경에도 대응하기 쉽다.
IEEE의 Learning Object Metadata 개념도 이러한 학습객체 기반 교육체계를 설계하는 데 참고할 수 있다. AI 교육 콘텐츠의 체계화에 대해서는 앞서 인용한 지디넷 코리아 칼럼의 표 3을 참고할 수 있다.
먼저 AI 역량의 전체 구조를 정의해야 한다
그렇다면 어떤 LO를 만들어야 할까? 교육 콘텐츠부터 만드는 것이 아니라, 먼저 AI 시스템을 개발하고 활용하는 데 필요한 핵심 역량을 정의해야 한다.
생성형 AI 기반 시스템 개발에 필요한 역량을 하나의 역량 스택(Capability Stack)으로 표현하면 이해하기 쉽다. 예를 들어 다음과 같이 구성할 수 있다.
비즈니스 혁신 → 생성형 AI → AI 에이전트 → SW 공학 → AI 코딩 자동화
각 계층은 서로 독립적인 것이 아니라 아래 계층의 역량을 활용한다.
- 비즈니스 혁신(AX): AI를 활용해 업무와 비즈니스 프로세스를 어떻게 혁신할 것인가
- 생성형 AI: LLM, RAG, 프롬프트, 임베딩 등 생성형 AI 기술을 어떻게 활용할 것인가
- AI 에이전트: AI가 목표를 이해하고 여러 도구와 서비스를 활용해 업무를 수행하도록 어떻게 설계할 것인가
- SW 공학: 요구사항, 아키텍처, 설계, 테스트, CI/CD 등을 어떻게 적용할 것인가
- AI 코딩 자동화: Claude Code, Codex 등 AI 코딩 에이전트를 이용해 실제 소프트웨어를 어떻게 개발할 것인가
이 관점에서 보면 AI 코딩 에이전트는 단순한 코딩 기술이 아니다. AI 에이전트를 활용한 소프트웨어 개발에는 AI 에이전트에 대한 이해와 함께 요구사항 분석, 아키텍처 설계, 객체지향 설계, 테스트 자동화, CI/CD 등 기존 SW 공학 역량도 필요하다.
마찬가지로 AI 에이전트는 생성형 AI 기술과 비즈니스 혁신 역량이 결합된 영역으로 볼 수 있다. AI 에이전트를 만드는 기술만 배워서는 충분하지 않고, 어떤 업무를 AI 에이전트로 혁신할 것인지 먼저 정의할 수 있어야 한다. 이에 대해서는 박준성, AI Agent Coding Patterns(2026)을 참고할 수 있다.
역량 간의 선후관계도 관리해야 한다
각 역량을 학습객체(LO)로 구조화한 다음, 어떤 것을 먼저 배워야 하는지를 정의할 수도 있다.
예를 들어 ‘AI 에이전트 기반 애플리케이션 개발’을 배우기 위해서는 먼저 생성형 AI의 기본 개념을 알아야 하고, 실제 프로덕션 시스템을 개발하려면 SW 아키텍처와 테스트 자동화에 대한 지식도 필요하다.
이처럼 각각의 LO 사이에 선수학습 관계(Prerequisite)와 SW 공학과의 의존 관계를 정의하면, 조직에서 필요한 AI 역량을 체계적으로 관리할 수 있다. 이러한 관계를 체계적으로 표현한 것이 AI 역량 온톨로지(AI Capability Ontology)이다. 쉽게 말하면 “어떤 AI 역량이 있고, 각 역량이 서로 어떻게 연결되어 있는지를 보여주는 역량 지도”라고 할 수 있다. 앞서 인용한 지디넷 코리아 칼럼의 표 5가 이러한 접근의 사례다.
기업의 AI 교육과정은 어떻게 설계할 것인가?
이러한 개념을 실제 기업 교육에 적용하면 AI 교육과정 설계 프로세스(AI Curriculum Engineering Lifecycle)를 다음과 같이 정리할 수 있다.
① 교육 대상과 환경을 파악한다.
경영자인지 개발자인지, 어떤 AI 시스템을 개발하는지, 어떤 산업과 업무에 적용하는지, 사용하는 개발 도구와 운영 환경은 무엇인지 등을 파악한다.
② 필요한 핵심 역량을 정의한다.
해당 AI 시스템을 성공적으로 개발·운영하기 위해 어떤 역량이 필요한지 결정한다.
③ 역량을 학습객체(LO)로 분해한다.
각 역량을 실제로 학습할 수 있는 작은 교육 단위로 나누고, LO 간의 선수학습 관계를 정의한다.
④ 필요한 LO를 선택한다.
특정 기업이나 직무에 필요한 LO만 선택해 해당 조직에 맞는 교육 프로그램을 구성한다.
⑤ LO를 교육과정으로 묶는다.
서로 관련된 LO를 하나의 Course로 구성한다.
⑥ 교육 방법과 제공 방식을 결정한다.
강의, 실습, 프로젝트, OJT, LIFOW 등 가장 적합한 교육 방법과 방식을 선택한다.
⑦ 교육 일정과 운영 방식을 설계한다.
교육 기간, 학습 순서, 평가 방법, 실습 환경, AI 도구 등을 구체적으로 설계한다.
이러한 방식으로 설계하면 “AI 교육을 먼저 만들고 사람을 끼워 맞추는 방식”이 아니라, “조직에 필요한 AI 역량을 먼저 정의하고 그에 맞는 교육을 조립하는 방식”으로 전환할 수 있다.
앞서 인용한 지디넷 코리아 칼럼의 표 6은 이러한 방법을 실제 교육 프로그램 설계에 적용한 사례다. 금융권 AI 에이전트 구축 서비스를 제공하는 SI 업체의 개발자를 대상으로, 해당 업무에 필요한 역량을 분석하고 이에 맞는 학습객체를 선정하여 교육 프로그램을 구성한 ASR-Driven Curriculum Engineering 사례이다. 여기서 ASR은 Architecturally Significant Requirements, 즉 시스템 아키텍처에 중요한 영향을 미치는 요구사항을 의미한다. 표의 교육 수준(Level)에서 F, I, A는 각각 기초(Foundation), 중급(Intermediate), 심화(Advanced)를 의미한다.
핵심은 ‘AI를 가르치는 것’이 아니라 ‘AI를 활용할 수 있는 역량을 만드는 것’이다
AI 기술은 빠르게 발전하고 있다. 따라서 지금 인기 있는 특정 AI 모델이나 특정 도구의 사용법만을 중심으로 교육과정을 구성하면 몇 년 지나지 않아 교육 내용이 낡을 수 있다.
반면 비즈니스 혁신, 생성형 AI, AI 에이전트, SW 공학, AI 코딩 등 변화에도 비교적 오래 유지되는 핵심 역량을 정의하고, 이를 작은 학습객체로 체계화하면 새로운 기술이 등장할 때 필요한 부분만 교체·추가할 수 있다.
결국 AI-Native 시대의 교육은 “무엇을 가르칠 것인가?”에서 출발하기보다 “AI 시대에 우리 조직과 구성원에게 어떤 역량이 필요한가?”에서 출발해야 한다. 그리고 그 역량을 LO로 구조화하고, 직무와 업무에 맞게 조합하며, 실제 업무에서 AI와 함께 학습하고 적용할 수 있도록 만드는 것이 지속 가능한 AI 역량 내재화의 핵심이다.
함께 읽기
AI-Native SW 개발을 위한 Agentic Coding 방법론과 KOSTA AI Lab
전문가 칼럼 게시판에서 이어서 보실 수 있습니다.
박준성 회장 / 한국소프트웨어기술진흥협회(KOSTA) · 문의 kosta@kosta.or.kr
AI를 활용해 소프트웨어를 개발하는 AI-Native SDLC에서는 기존의 소프트웨어 개발 역량만으로 충분하지 않다. AI에게 요구사항을 전달하고, AI가 생성한 결과를 검증하며, 여러 AI 에이전트와 소프트웨어 서비스를 결합해 시스템을 구축·운영할 수 있는 새로운 역량이 필요하다.
그렇다면 이러한 역량을 어떻게 교육해야 할까? 모든 기업과 개발자에게 동일한 AI 교육을 제공하는 것은 효과적이지 않다. 교육 대상이 경영자인지 개발자인지, 어떤 종류의 AI 시스템을 개발하는지, 업무 분야가 금융·제조·의료 중 무엇인지, 시스템에 요구되는 품질 수준은 어느 정도인지, 어떤 AI 개발 도구와 클라우드 환경을 사용하는지에 따라 필요한 역량과 교육 내용이 달라져야 한다. 이러한 AI 교육의 설계 변수에 대해서는 박준성, 「AI 경쟁력?... 모델 도입이 아니라 리더부터 개발자까지 AI 역량 내재화해야」(지디넷 코리아, 2026.5.23)의 표 1에서 자세히 다루었다.
교육 방법도 AI 시대에 맞게 바뀌어야 한다
AI 교육에서는 단순히 강사가 지식을 전달하는 방식만으로는 충분하지 않다. 교육 대상과 목적에 따라 실제 경험을 통해 배우는 경험 학습, 프로젝트를 수행하면서 배우는 프로젝트 기반 학습, 실제 문제를 해결하면서 배우는 문제 기반 학습, 특정 상황을 재현하여 학습하는 시나리오 기반 학습 등 다양한 교육 방법을 활용할 수 있다.
교육을 제공하는 방식도 다양하다. 기존의 대면 수업이나 실시간 온라인 수업뿐 아니라 자기주도형 온라인 학습, 부트캠프, 워크숍, 세미나, 웨비나, MOOC, 해커톤 등을 활용할 수 있다.
특히 AI 시대에는 업무를 하면서 필요한 내용을 바로 학습하는 ‘업무 내 학습(Learning in the Flow of Work, LIFOW)’이 중요하다. 예를 들어 개발자가 AI 코딩을 하다가 새로운 기술을 필요로 하면, 개발 환경 안에서 관련 가이드나 짧은 학습 콘텐츠를 바로 확인하고, AI 챗봇이나 Copilot에게 질문하면서 문제를 해결할 수 있도록 하는 것이다. 여기에 숙련된 개발자와 AI를 함께 활용하는 인간-AI 협력 기반 OJT(On-the-Job Training)를 결합하면 교육과 실제 업무 사이의 간극도 줄일 수 있다.
AI 교육을 작은 학습 단위로 설계한다
AI 기술은 매우 빠르게 변하기 때문에 하나의 큰 교육과정을 장기간 운영하는 방식만으로는 변화에 대응하기 어렵다. 이를 해결하기 위한 방법이 학습객체(Learning Object, LO) 기반 교육과정 설계다.
학습객체란 하나의 특정 역량이나 지식을 학습할 수 있도록 만든 작은 교육 콘텐츠 단위를 의미한다. 예를 들어 ‘프롬프트 작성’, ‘RAG 구현’, ‘AI 에이전트 설계’, ‘API 설계’, ‘TDD’, ‘AI 생성 코드 리뷰’ 등을 각각 하나의 학습객체로 만들 수 있다.
이러한 LO를 여러 개 묶으면 교육과정(Course)이 되고, 여러 교육과정을 묶으면 교육 프로그램(Program)이 된다. 다시 말해,
학습객체(LO) → 교육과정(Course) → 교육 프로그램(Program) → 전체 커리큘럼
이라는 계층으로 교육 내용을 체계화할 수 있다.
이 방식의 가장 큰 장점은 교육과정을 필요에 따라 조립할 수 있다는 것이다. 예를 들어 개발자에게는 ‘AI 에이전트 설계 + SW 공학 + AI 코딩’에 해당하는 LO를 집중적으로 제공하고, 경영자에게는 ‘AI 전략 + 업무 혁신 + AI 거버넌스’에 해당하는 LO를 조합할 수 있다. 새로운 AI 기술이 등장하면 관련 LO만 추가하거나 교체하면 되므로 빠르게 변화하는 AI 환경에도 대응하기 쉽다.
IEEE의 Learning Object Metadata 개념도 이러한 학습객체 기반 교육체계를 설계하는 데 참고할 수 있다. AI 교육 콘텐츠의 체계화에 대해서는 앞서 인용한 지디넷 코리아 칼럼의 표 3을 참고할 수 있다.
먼저 AI 역량의 전체 구조를 정의해야 한다
그렇다면 어떤 LO를 만들어야 할까? 교육 콘텐츠부터 만드는 것이 아니라, 먼저 AI 시스템을 개발하고 활용하는 데 필요한 핵심 역량을 정의해야 한다.
생성형 AI 기반 시스템 개발에 필요한 역량을 하나의 역량 스택(Capability Stack)으로 표현하면 이해하기 쉽다. 예를 들어 다음과 같이 구성할 수 있다.
비즈니스 혁신 → 생성형 AI → AI 에이전트 → SW 공학 → AI 코딩 자동화
각 계층은 서로 독립적인 것이 아니라 아래 계층의 역량을 활용한다.
이 관점에서 보면 AI 코딩 에이전트는 단순한 코딩 기술이 아니다. AI 에이전트를 활용한 소프트웨어 개발에는 AI 에이전트에 대한 이해와 함께 요구사항 분석, 아키텍처 설계, 객체지향 설계, 테스트 자동화, CI/CD 등 기존 SW 공학 역량도 필요하다.
마찬가지로 AI 에이전트는 생성형 AI 기술과 비즈니스 혁신 역량이 결합된 영역으로 볼 수 있다. AI 에이전트를 만드는 기술만 배워서는 충분하지 않고, 어떤 업무를 AI 에이전트로 혁신할 것인지 먼저 정의할 수 있어야 한다. 이에 대해서는 박준성, AI Agent Coding Patterns(2026)을 참고할 수 있다.
역량 간의 선후관계도 관리해야 한다
각 역량을 학습객체(LO)로 구조화한 다음, 어떤 것을 먼저 배워야 하는지를 정의할 수도 있다.
예를 들어 ‘AI 에이전트 기반 애플리케이션 개발’을 배우기 위해서는 먼저 생성형 AI의 기본 개념을 알아야 하고, 실제 프로덕션 시스템을 개발하려면 SW 아키텍처와 테스트 자동화에 대한 지식도 필요하다.
이처럼 각각의 LO 사이에 선수학습 관계(Prerequisite)와 SW 공학과의 의존 관계를 정의하면, 조직에서 필요한 AI 역량을 체계적으로 관리할 수 있다. 이러한 관계를 체계적으로 표현한 것이 AI 역량 온톨로지(AI Capability Ontology)이다. 쉽게 말하면 “어떤 AI 역량이 있고, 각 역량이 서로 어떻게 연결되어 있는지를 보여주는 역량 지도”라고 할 수 있다. 앞서 인용한 지디넷 코리아 칼럼의 표 5가 이러한 접근의 사례다.
기업의 AI 교육과정은 어떻게 설계할 것인가?
이러한 개념을 실제 기업 교육에 적용하면 AI 교육과정 설계 프로세스(AI Curriculum Engineering Lifecycle)를 다음과 같이 정리할 수 있다.
① 교육 대상과 환경을 파악한다.
경영자인지 개발자인지, 어떤 AI 시스템을 개발하는지, 어떤 산업과 업무에 적용하는지, 사용하는 개발 도구와 운영 환경은 무엇인지 등을 파악한다.
② 필요한 핵심 역량을 정의한다.
해당 AI 시스템을 성공적으로 개발·운영하기 위해 어떤 역량이 필요한지 결정한다.
③ 역량을 학습객체(LO)로 분해한다.
각 역량을 실제로 학습할 수 있는 작은 교육 단위로 나누고, LO 간의 선수학습 관계를 정의한다.
④ 필요한 LO를 선택한다.
특정 기업이나 직무에 필요한 LO만 선택해 해당 조직에 맞는 교육 프로그램을 구성한다.
⑤ LO를 교육과정으로 묶는다.
서로 관련된 LO를 하나의 Course로 구성한다.
⑥ 교육 방법과 제공 방식을 결정한다.
강의, 실습, 프로젝트, OJT, LIFOW 등 가장 적합한 교육 방법과 방식을 선택한다.
⑦ 교육 일정과 운영 방식을 설계한다.
교육 기간, 학습 순서, 평가 방법, 실습 환경, AI 도구 등을 구체적으로 설계한다.
이러한 방식으로 설계하면 “AI 교육을 먼저 만들고 사람을 끼워 맞추는 방식”이 아니라, “조직에 필요한 AI 역량을 먼저 정의하고 그에 맞는 교육을 조립하는 방식”으로 전환할 수 있다.
앞서 인용한 지디넷 코리아 칼럼의 표 6은 이러한 방법을 실제 교육 프로그램 설계에 적용한 사례다. 금융권 AI 에이전트 구축 서비스를 제공하는 SI 업체의 개발자를 대상으로, 해당 업무에 필요한 역량을 분석하고 이에 맞는 학습객체를 선정하여 교육 프로그램을 구성한 ASR-Driven Curriculum Engineering 사례이다. 여기서 ASR은 Architecturally Significant Requirements, 즉 시스템 아키텍처에 중요한 영향을 미치는 요구사항을 의미한다. 표의 교육 수준(Level)에서 F, I, A는 각각 기초(Foundation), 중급(Intermediate), 심화(Advanced)를 의미한다.
핵심은 ‘AI를 가르치는 것’이 아니라 ‘AI를 활용할 수 있는 역량을 만드는 것’이다
AI 기술은 빠르게 발전하고 있다. 따라서 지금 인기 있는 특정 AI 모델이나 특정 도구의 사용법만을 중심으로 교육과정을 구성하면 몇 년 지나지 않아 교육 내용이 낡을 수 있다.
반면 비즈니스 혁신, 생성형 AI, AI 에이전트, SW 공학, AI 코딩 등 변화에도 비교적 오래 유지되는 핵심 역량을 정의하고, 이를 작은 학습객체로 체계화하면 새로운 기술이 등장할 때 필요한 부분만 교체·추가할 수 있다.
결국 AI-Native 시대의 교육은 “무엇을 가르칠 것인가?”에서 출발하기보다 “AI 시대에 우리 조직과 구성원에게 어떤 역량이 필요한가?”에서 출발해야 한다. 그리고 그 역량을 LO로 구조화하고, 직무와 업무에 맞게 조합하며, 실제 업무에서 AI와 함께 학습하고 적용할 수 있도록 만드는 것이 지속 가능한 AI 역량 내재화의 핵심이다.
함께 읽기
AI-Native SW 개발을 위한 Agentic Coding 방법론과 KOSTA AI Lab
전문가 칼럼 게시판에서 이어서 보실 수 있습니다.
박준성 회장 / 한국소프트웨어기술진흥협회(KOSTA) · 문의 kosta@kosta.or.kr