AI가 조직 스킬 격차를 ‘줄인다’는 믿음, 지금 재검토해야 한다

AI가 조직 내 스킬 격차를 ‘줄인다’는 믿음, 이제 재검토할 때가 됐다

HR 팀이 AI 도입 프로젝트를 진행할 때 가장 자주 나오는 말이 있다. “AI가 있으면 경험 차이를 어느 정도 메울 수 있지 않을까요?” 솔직히 이 말을 들을 때마다 걱정이 앞선다. 표면상으로는 그럴듯하지만, 최근 연구들은 정반대의 그림을 보여준다.

2026년 상반기에 발표된 두 편의 연구는 공통된 결론을 가리킨다. GenAI 도구는 스킬 격차를 평탄화하지 않는다. 오히려 이미 잘하는 사람을 훨씬 더 잘하게 만들고, 기초가 부족한 사람을 더 취약하게 만드는 방향으로 작동한다. Harvard Business School의 Boris Groysberg 교수는 이를 단 한 문장으로 압축했다. “스타 코더는 AI로 10배 생산적이 되지만, 실력이 부족한 코더는 AI로 7배 더 나빠진다.”

이것이 HR에 던지는 질문은 명확하다. 조직은 지금 어떤 방식으로 AI 리터러시를 설계하고 있는가? 단순히 도구를 지급하고 있는가, 아니면 쓸 수 있는 역량을 만들어주고 있는가?

한 줄 요약: AI 도구는 조직 내 스킬 격차를 줄이는 것이 아니라 양극화하며, HR이 형성적(formative) AI 리터러시 설계에 나서지 않으면 고성과자와 저성과자의 간극은 더 벌어진다.

연구가 포착한 ‘스킬 바이패스’ 현상

arXiv에 발표된 GenAI 스킬 바이패스 연구(2607.05411)는 158명의 대학생·교직원을 대상으로 AI 리터러시의 발달 경로를 분석했다. 결과는 예상 밖이었다. 학생 집단은 AI의 기초 개념을 이해하기 전에 고난도 창작 작업(프롬프트 엔지니어링, 콘텐츠 생성)을 먼저 습득하는 ‘역전된 역량 프로파일’을 보였다. 연구진은 이것을 ‘스킬 바이패스(Skill Bypass)’라고 불렀다.

학생과 교직원 간 상관계수가 고작 r = 0.188에 불과했다는 점도 눈에 띈다. 같은 AI 도구를 쓰면서도 두 집단이 완전히 다른 방식으로 역량을 발전시키고 있다는 의미다. 중요한 문제는 이 스킬 바이패스가 ‘취약한 유창성(fragile fluency)’을 만든다는 것이다. 도구는 잘 쓰는 것처럼 보이지만, AI의 작동 원리를 이해하지 못하기 때문에 모델이 틀린 답을 내도 걸러내지 못한다.

조직 맥락에서 이것이 어떻게 나타나는지 생각해보자. 입사 초기에 ChatGPT나 Claude로 보고서를 그럴듯하게 작성하는 법을 배운 신입 직원이 있다. 실무자 눈에는 “AI 활용을 잘하네”로 보인다. 하지만 해당 직원이 AI 출력의 논리 오류를 발견하거나, 업무 맥락에 맞게 출력을 검증하는 능력은 전혀 다른 문제다. 스킬 바이패스는 이 간극을 보이지 않게 만든다.

AI는 학습 방식 자체를 바꾸고 있다 — 조직 교육도 바뀌어야 한다

두 번째 연구(arXiv 2607.05412)는 2015년부터 2025년까지 242편의 STEM 교육 논문을 분석한 계량서지학 연구다. 이 연구의 핵심 발견은 AI가 교육에서 하는 역할의 전환이다. AI는 더 이상 ‘지식을 전달하는 도구’가 아니라 ‘역량을 개발하는 인프라’로 기능하고 있다는 것이다.

특히 주목할 부분은 AI가 ‘지식 이해의 문턱을 낮추는 지능형 발판(intelligent scaffolding)’을 제공한다는 개념이다. 이는 조직 교육에 직접 적용할 수 있는 원리다. 단순히 AI 도구를 교육에 추가하는 것이 아니라, AI가 개인별 역량 수준을 진단하고 맞춤형 학습 경로를 제공하도록 설계해야 한다는 뜻이다.

연구진이 권고한 ‘진단 기반 모듈형 개입(diagnostic-driven modular interventions)’은 HR 교육 설계에 그대로 이식할 수 있다. 조직 내 AI 교육을 “전 직원 동일 과정”으로 운영하는 방식은 이제 효과가 없다. 직무, 역할, 현재 AI 이해 수준에 따라 다른 경로를 제공해야 한다.

HR이 지금 당장 바꿔야 할 AI 리터러시 설계 방식

이 문제에 대한 HR의 접근이 아쉽다고 느끼는 이유는 하나다. 대부분의 조직이 AI 교육을 ‘도구 사용법 교육’으로 설계하고 있기 때문이다. ChatGPT 프롬프트 작성법, Claude 활용 팁 같은 내용이 주를 이루고, 정작 “AI 출력을 어떻게 검증하는가”와 “어떤 판단은 절대 AI에게 위임하면 안 되는가”는 빠져 있다.

연구들이 공통으로 권고하는 방향은 세 가지로 요약된다.

역량 진단 선행: 교육 시작 전 직원별 AI 리터러시 수준을 진단한다. 도구 사용 능력과 AI 작동 원리 이해를 분리해서 측정해야 한다. 고숙련 사용자처럼 보이지만 실제로는 스킬 바이패스 상태인 직원을 식별하는 것이 출발점이다.

비판적 검증 역량 중심: Gartner는 2026년까지 50%의 조직이 ‘AI 없는 역량 평가(AI-free skills assessment)’를 도입할 것으로 전망했다. AI 출력에 의존하지 않고 스스로 사고하는 능력, AI가 틀렸을 때 이를 알아챌 수 있는 도메인 지식 — 이것이 핵심 역량이다.

직무별 AI 리스크 프로파일링: HBS 연구는 리더십, 영향력, 변화관리는 AI가 대체할 수 없다고 명확히 선을 그었다. HR은 직무별로 AI가 증폭하는 영역과, 인간 판단이 여전히 불가결한 영역을 구분해 교육 우선순위를 설정해야 한다.

탤런트 덴시티 — AI 시대 HR의 새 측정 지표

개인적으로는 HBS Groysberg 교수의 ‘탤런트 덴시티(talent density)’ 개념이 AI 시대 HR 지표 재설계에 있어 가장 실용적인 프레임이라고 본다. 전체 직원 중 뛰어난 인재의 비율을 뜻하는 이 개념은 AI 도입 이후 더 중요해진다.

이유는 간단하다. AI는 탤런트 덴시티를 더 강하게 증폭한다. 10%의 탤런트 덴시티를 가진 조직이 AI를 도입하면, 그 10%가 생산성 면에서 조직 전체를 더 큰 폭으로 이끌게 된다. 반면 기초 역량이 없는 나머지 90%는 AI 도구를 받아도 오히려 성과가 떨어질 수 있다.

Groysberg는 특히 ‘핵심 직무의 탤런트 덴시티’를 강조했다. 조직의 경쟁우위를 결정하는 50개 직무 중 몇 개나 최고 역량 보유자가 채우고 있는가? AI 전환기에 HR이 가장 먼저 확인해야 할 숫자가 바로 이것이다.

도구를 먼저 줘선 안 된다 — 순서가 전략이다

이 모든 연구가 하나의 실행 원칙으로 수렴한다. AI 도구의 지급 순서를 역량 수준에 따라 단계화해야 한다는 것이다. 기초 AI 리터러시가 검증된 직원에게 더 강력한 에이전틱 AI 도구에 대한 접근권을 주는 방식이다.

반대로 지금처럼 조직 전체에 동일한 도구를 일괄 지급하는 방식은 스킬 바이패스를 조직 전체로 확산시키는 결과를 낳는다. 보이지 않는 역량 격차가 생기고, AI 출력의 오류가 비즈니스 결정에 영향을 미치기 시작한다. 그때가 되면 이미 되돌리기 어렵다.

지금 자신의 조직을 돌아보는 질문을 하나 남긴다. 우리 조직에서 AI를 ‘잘 쓰는 것처럼 보이는’ 직원과 ‘AI를 진짜로 잘 쓰는’ 직원을 구분할 수 있는가? 그 차이를 측정하는 체계가 있는가?

💡 실무 시사점: AI 도구 도입 전 직원 AI 리터러시 진단을 선행하고, ‘도구 사용 유창성’과 ‘AI 출력 검증 역량’을 분리 측정할 것. 탤런트 덴시티 기준으로 핵심 직무부터 에이전틱 AI 접근권을 단계적으로 부여하는 설계가 조직 스킬 양극화를 막는 유일한 실행 경로다.

#AI리터러시 #탤런트덴시티 #스킬격차 #HR설계 #GenAI

참고 링크

• arXiv, “The GenAI Skill Bypass: Mapping Divergent Pathways of University Students and Staff AI Literacy” (2026)
• arXiv, “Why does AI unlock new possibilities in STEM education? A Bibliometric Analysis of Trends and Future Agenda” (2026)
• HBS Working Knowledge, “Winning with AI Starts With ‘Talent Density’” (2026)
• DataCamp, “AI Skills Gap in 2026: Why Training Isn’t Translating to Workforce Capability” (2026)
• Gloat, “AI Workforce Trends 2026 (Q2 Update)” (2026)

작성: 서재홍 | NODE