도구보다 문제 정의가 먼저입니다 — AI 강의에서 강사가 배운 것

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

AI 강의에서 강사가 배운 것은 도구를 가르치기 전에 교육생이 해결하려는 업무 문제부터 정의해야 한다는 점이다.

📌 핵심 요점

1. 같은 ‘에이전트’라는 말에도 기대는 달랐다. 강사는 소프트웨어 개발을 돕는 코딩 에이전트를, 일부 교육생은 고객의 기존 업무 서비스에서 일하는 에이전트를 떠올렸다.
2. 기술을 충실히 준비해도 업무 연결이 부족하면 교육의 목표가 흐려진다. 요구사항 분석, 설계, 스킬과 훅, 작업 분담, 골든 데이터셋 검증을 다뤘지만 일부 교육생은 자신의 업무 문제를 풀어보기를 원했다.
3. 업무용 에이전트의 설계는 실제 질문에서 출발한다. 광고 성과 분석 사례에서는 데이터 조회, 지표 계산, 보고서 검색, 사실과 가설 구분이 하나의 업무 흐름으로 연결돼야 했다.
4. 요구를 전달받는 것과 같은 의미로 이해하는 것은 다르다. 강사는 사전 자료를 읽었지만 ‘에이전트 구현’을 익숙한 개발 관점으로 해석했고, 고객이 기대하는 역할을 재확인하지 못했다.
5. 개선의 출발점은 기술의 추가보다 순서의 변경이다. 고객의 문제와 질문을 먼저 적고, 그 문제를 해결하는 데 필요한 도구와 평가 방법을 배치해야 한다.

🧩 배경과 문제 정의

강사는 한 글로벌 컨설팅 기업에서 AI 교육을 진행한 뒤, 일부 교육생으로부터 업무 연결과 실습 목표가 부족하다는 평가를 받았다. 기술적으로 필요한 내용을 충분히 준비했다고 생각했지만, 사후에 과제 목록을 다시 살펴보면서 자신과 교육생 일부가 ‘에이전트’라는 말을 서로 다른 의미로 사용하고 있었음을 깨달았다.

강사는 코딩 에이전트를 활용한 소프트웨어 개발에 초점을 맞췄고, 일부 교육생은 고객의 데이터베이스와 문서, 기존 업무 시스템을 활용해 실제 문제를 해결하는 서비스를 만들고 싶어 했다. 영상은 이 차이를 돌아보며, AI 교육의 출발점을 도구의 기능에서 고객의 문제와 질문으로 옮겨야 한다고 설명한다.

🕒 시간순 섹션별 상세정리

1. 같은 에이전트라는 말에 담긴 서로 다른 기대

• 강사와 교육생은 모두 AI 에이전트를 이야기했지만, 무엇을 만들고 싶은지 충분히 맞춰보지 못했다. 강사는 이 차이를 알아차리는 데 강의 한 회차가 들었다고 회고한다. [00:38]
• 글로벌 컨설팅 기업의 교육 후 일부 응답자는 업무와 연결되지 않고 실습 목표가 선명하지 않으며, 비즈니스 이해와 최신 에이전트 구현·검증 경험이 부족해 보인다는 취지로 평가했다. [01:24]
• 강사는 비판한 두 사람이 전체 교육생을 대표하지는 않는다고 인정하면서도, 그 의견이 오래 기억에 남았다고 보여준다. [01:34]

2. 충실한 기술 교육과 빠져 있던 목적

• 강의는 클로드 코드를 중심으로 요구사항 분석, 설계 문서 작성, 스킬셋과 훅, 작업 분담, 골든 데이터셋을 통한 검증과 수정까지 다뤘다. [02:16]
• 강사는 이 내용이 AI 소프트웨어 개발에 중요하지만, 정작 무엇을 위한 기술인지 충분히 생각하지 않은 채 기술 자체를 앞세웠다고 돌아본다. [02:36]
• 강사가 상정한 에이전트는 앱의 기획·코딩·검증을 나누고 전체 진행을 조율하며, 소프트웨어를 만드는 사람을 돕거나 대체하는 존재였다. [03:12]

3. 고객 업무 안에서 일하는 에이전트의 조건

• 일부 교육생의 관심은 기존 데이터베이스와 업무 시스템에 AI를 연결해 데이터를 찾고, 보고서를 읽고, 판단 근거를 제시하며 후속 작업까지 수행하게 하는 데 있었다. [03:56]
• 해외 법인의 광고 성과를 분석하는 가상 사례에서는 데이터 조회와 매출 계산, 캠페인 변경 이력 확인, 사실과 가설의 구분, 문서 검색과 개선안 제시가 하나의 업무 흐름을 이룬다. [05:13]
• 이런 흐름은 단일 에이전트가 수행할 수도 있다. 강사는 실제로 분리가 필요할 때 여러 에이전트를 사용해야 하며, 수를 늘린다고 답이 저절로 좋아지지는 않는다고 보여준다. [05:29]

4. 기술을 먼저 가르친 순서와 요구 확인의 빈틈

• 강사는 기술을 배우면 나중에 업무에 적용할 수 있다고 생각했지만, 일부 교육생은 강의에서 자신의 업무 문제를 풀면서 필요한 기술을 배우고 싶어 했다. [05:56]
• 영상에서 설명한 기업 교육 준비 과정에서는 운영사가 고객의 요구를 정리해 강사에게 전달하고, 기밀 때문에 실제 데이터 대신 가상 데이터를 사용한다. 강사는 자료를 읽고도 에이전트의 업무상 역할을 확인하지 못했다고 드러낸다. [06:51]
• 전달 과정의 아쉬움을 인정하면서도, 강사 자신이 코딩 에이전트인지 실제 업무 서비스에 들어가는 에이전트인지 다시 물었어야 했다고 강조한다. [07:25]

5. 혼합 직군의 관심과 과제 목록이 드러낸 요구

• 개발자는 아키텍처·API·오류 처리·테스트에, 컨설턴트는 문제 해결·새로운 기회·고객 가치와 검증에 관심을 둘 수 있다. 강사는 실제 사람을 두 유형으로 단정할 수 없다는 점도 덧붙인다. [08:20]
• 같은 기술 설명이 누군가에게는 익숙하고 다른 사람에게는 배워야 할 이유가 보이지 않을 수 있다. 기술 난이도를 높이는 것만으로는 본질적인 문제가 해결되지 않는다고 본다. [08:56]
• 시장 정보 모니터링, 여러 데이터베이스 검색, 문서 질의응답, 업무 자동화 과제를 다시 읽으면서, 강사는 교육생 일부가 자신의 문제나 고객 문제를 해결하는 제품을 만들고 싶어 했음을 이해한다. [10:08]

6. 고객의 문제와 질문에서 다시 시작하는 교육

• 최신 도구를 잘 아는 것과 고객 업무를 이해하는 것은 별개의 역량이다. 업무 하나를 깊이 다루면 데이터베이스·검색·RAG·온톨로지·답변 평가가 왜 필요한지도 자연스럽게 드러날 수 있다고 보여준다. [10:55]
• 강사는 가르친 기술보다 그 기술을 배치한 자리를 잘못 정한 것이 자신의 오판이었다고 정리한다. [11:05]
• 다음 교육에서는 사용할 도구보다 고객의 문제와 질문을 먼저 적겠다고 드러낸다. 마지막에는 ‘지금 당장 해결하고 싶은 일이 무엇인가’라는 질문에서 다시 시작하겠다고 드러낸다. [11:43]

🧾 결론

• 강사가 돌아본 핵심 오판은 기술 자체보다 교육 안에서 기술을 배치한 순서와 맥락에 있었다.
• 개발자와 컨설턴트가 함께하는 교육에서는 구현 방법과 고객 가치가 어떻게 이어지는지 설명해야 한다. 다만 두 직군의 관심과 역량을 일률적으로 나눌 수는 없다.
• 에이전트의 수나 기술 난이도를 높이는 것만으로 업무 적합성이 확보되지는 않는다. 먼저 해결할 문제와 에이전트가 맡을 역할을 명확히 해야 한다.

📈 투자·시사 포인트

• 기업 AI 교육과 도입을 검토할 때는 최신 도구의 포함 여부와 함께 실제 업무 문제를 다루는지를 살펴볼 필요가 있다.
• 기존 서비스에 AI를 연결하는 과제에서는 채팅창 구현뿐 아니라 데이터 조회, 문서 검색, 판단 근거 제시와 결과 평가가 중요한 검토 대상이 된다.
• 여러 에이전트를 사용하는 구성은 업무 분리가 필요한 경우에 검토할 선택지다. 에이전트 수를 늘리는 것 자체를 품질 개선의 근거로 삼기는 어렵다.
• 이 영상은 교육 경험에 대한 회고이며, 특정 기업이나 상품의 투자 수익 또는 AI 도입의 재무 효과를 입증하는 자료는 아니다.

⚠️ 불확실하거나 확인이 필요한 부분

• 강사는 설문 응답자를 약 12명으로 기억하며, 전체 교육생은 20명이 넘었다고 설명한다. 두 사람의 비판을 전체 교육생의 공통 평가로 일반화할 수 없다.
• 교육생이 원했던 방향에 대한 설명에는 강사가 사후에 과제 목록을 다시 읽고 해석한 내용이 포함돼 있다. 모든 교육생의 요구가 같았다는 뜻은 아니다.
• 광고 성과 분석 서비스는 설명을 위한 가상 사례다. 실제 구축 결과나 정확도, 운영 성과는 제시되지 않는다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 교육 전에 ‘에이전트’가 개발을 돕는 도구인지, 기존 업무 서비스에서 일을 수행하는 기능인지 확인한다.
• 교육생이 해결하고 싶은 업무 문제와 실제로 던지고 싶은 질문을 먼저 문서에 적는다.
• 선정한 업무 하나를 데이터 조회, 계산, 문서 검색, 판단 근거 제시와 후속 작업의 흐름으로 구체화한다.
• 실습 결과에서 데이터가 보여주는 사실과 AI가 제시하는 가설을 구분하고, 답변 평가 방법을 정한다.

❓ 열린 질문

• 고객과 강사가 교육 전에 반드시 합의해야 할 업무 문제와 실습 목표는 무엇인가?
• 실제 고객 데이터를 사용하기 어려운 상황에서 가상 데이터로 업무 맥락을 얼마나 충실히 재현할 수 있을까?
• 개발자와 컨설턴트가 함께 참여하는 교육에서 구현 역량과 문제 해결 역량을 어떻게 함께 검증할 수 있을까?