트렌드

미국 노동부의 AI 리터러시 프레임워크, 자세히 정리했습니다

AI 리터러시의 출발점인 미국 노동부의 프레임 워크 알아보기

2026.02.27

---

지난 13일, 미국 노동부(DOL) 산하 교육훈련청(ETA)에서 ‘AI 리터러시 프레임워크(AI Literacy Framework)’를 발표했다. 노동부는 AI 리터러시 프레임워크를 제공해 공공 인력 및 교육 시스템 전반에서 AI 리터러시 교육 확대를 장려하는 데 목적이 있다고 밝혔다. 해당 문서를 발표하며 노동부는 AI 역량 강화를 미국의 국가 전략 우선순위로 설정했다.

이번 AI 리터러시 프레임워크에서 주목할 부분은 AI 역량을 모든 ‘근로자의 기본 역량’으로 삼고 있다는 데 있다. 의사결정 과학·소프트웨어 엔지니어링 전문가 로버트 버그만(Robert Bergman)이 한 외신에서 “노동자, 기업 교육기관, 공공기관 전반에 적용될 국가 차원의 AI 역량 기준선을 제시한다”고 말한 것도 이런 이유에서다.

이는 국내 실무자들에게도 참고할 만한 기준이 된다. AI를 배워야 한다는 분위기는 커지고 있지만 무엇을 어떻게 익혀야 할지 몰라 혼란스러워하는 사람들이 많다. 이번 프레임워크는 ‘AI 핵심 역량’을 다섯 가지로, ‘AI 학습 방식’을 일곱 가지로 제시한다. 그 자세한 내용을 정리했다.

AI 리터러시란?

노동부가 정의하는 AI 리터러시는 ‘생성형 AI를 중심으로 AI 기술을 책임감 있게 사용하고 평가할 수 있는 기초 역량’이다. 따라서 AI 리터러시 프레임워크는 미국의 노동자를 AI 엔지니어 수준으로 상향평준화하기 위한 문서라기보다는, 개인이 AI 기술, 특히 생성형 AI 기술을 책임감 있게 활용하고 평가할 수 있도록 돕기 위해 기초 수준의 이해와 활용 능력을 구축하는 가이드에 가깝다.

로리 차베스-드리머(Lori Chavez-DeRemer) 미국 노동부 장관은 AI 리터러시 프레임워크를 발표하며 “노동부는 모든 미국 노동자가 AI가 우리 경제에 가져올 번영을 함께 누릴 수 있도록 하는 데 전념하고 있다. 새롭게 발표한 AI 리터러시 프레임워크는 전국적으로 효과적인 AI 역량 개발을 가속화하는 데 도움이 되는 지침을 제공하기 위함”이라고 말했다.

이는 AI 확산으로 인해 국가의 개인 전반이 AI에 대한 평준한 이해와 숙련을 가져야 한다는 필요에 기반한 것으로 분석된다. 안젤라 시퍼(Angela Siefer) 미국 디지털포용연합(National Digital Inclusion Alliance) 사무총장 또한 외신과의 인터뷰에서 “AI 확산이 오히려 디지털 격차를 확대시키고 있다. 이제 검색엔진을 사용하는 것과 같은 기본적인 디지털 기술에서조차 AI에 대한 이해를 필요로 하게 됐다”고 밝히기도 했다.

노동부의 이번 발표는 갑작스러운 현상은 아니다. 로버트 버그만은 “과거의 행정명령 14277(*Executive Order 14277)과 노동부의 이전 지침인 *TEGL 03-25을 보건데, 이번 문서 또한 청소년과 성인을 대상으로 AI 교육을 확대하려는 국가적 흐름 속에 있다”고 분석한다. 그는 2025년 7월 미국 교육부가 추진한 교육 분야 AI 활용 확대 정책도 같은 맥락이라고 덧붙였다.

*Executive Order 14277: 2025년 4월 23일 발표한 ‘미국 청소년을 위한 인공지능 교육 강화(Advancing Artificial Intelligence Education for American Youth)’라는 이름의 정책. 미국을 AI 시대에 대비시키기 위한 국가 교육·인력 전략 행정명령이다.

*TEGL 03-25: 미국 노동부가 AI 리터러시 프레임워크를 공식적으로 현장에 적용하라고 안내한 문서

AI 리터러시 프레임워크에서 제시하는 건?

프레임워크에서 제시하는 ‘AI 리터러시 핵심 내용 영역(Foundational Content Areas)’은 ‘AI 원리 이해’ ‘AI 활용 탐색’ ‘AI 효과적 지시’ ‘AI 결과 평가’ ‘책임 있는 AI 사용’이다. 각 영역의 핵심 내용은 다음과 같다.

1. AI 원리 이해

AI 리터러시의 핵심은 AI란 무엇이며, 어떻게 작동하는지를 명확하게 이해하는 것이다. 높은 수준의 기술적 전문 지식을 요구하는 것은 아니고, 노동자에게 오늘날의 AI 도구가 어떤 방식으로 작동하는지를 이해할 수 있는 기본 용어와 사고 체계(Mental Models)를 갖추게 하고자 하는 것이다.

프레임워크는 이러한 기초 이해가 AI에 대한 막연한 불확실성을 해소하고, 다양한 업무 환경에서 AI를 보다 자신감 있고 정확하게 활용할 수 있도록 돕는다고 설명한다. 주요 학습 내용의 예시는 다음과 같다.

AI 원리 이해의 주요 학습 내용

• 패턴 인식과 확률적 결과
  AI 시스템은 데이터 속 통계적 패턴을 식별해 응답을 생성하기 때문에, 동일한 입력에도 서로 다른 결과가 나타날 수 있다.
• 기능과 활용 방식(Modality)
  AI의 대표적인 기능에는 텍스트 생성, 데이터 분석, 이미지 인식 등이 있으며, 텍스트·음성·이미지 등 다양한 입력과 출력 형식을 통해 작동한다.
• 학습(Training)과 추론(Inference)
  학습은 대규모 데이터를 활용해 AI 모델을 구축하는 과정이며, 추론은 실제 업무 환경에서 모델이 실시간으로 결과를 생성하는 단계다.
• 환각(Hallucination)과 정확성의 한계
  AI는 확신에 찬 형태로 잘못된 정보를 생성할 수 있기 때문에, 결과를 검증하고 과도하게 의존하지 않는 것이 중요하다.
• 인간의 설계와 감독 역할
  모든 AI 시스템은 데이터 선택, 목표 설정, 파라미터 결정 등 인간의 판단을 반영한다. 따라서 사용자는 인간의 판단이 여전히 필요한 지점을 이해해야 한다.

2. AI 활용 탐색

AI 활용 탐색 단락은 실제 업무 환경에서 AI가 어떻게 활용되고 있는지를 이해하는 것을 목표로 한다. 프레임워크는 근로자가 AI 도구가 업무 수행을 지원하고, 의사결정을 보완하며, 업무 흐름을 효율화하는 실제 활용 사례를 접할 때 더 큰 도움을 얻을 수 있을 것이라고 설명한다. 다양한 사례를 탐색하는 과정은 친숙도와 판단력을 높여주고, 근로자는 언제, 어떻게 AI를 효과적으로 활용해야 하는지, 그리고 어떤 상황에서 인간의 개입이 여전히 중요한지를 이해할 수 있게 된다는 의미다. 주요 학습 내용의 예시는 다음과 같다.

AI 활용 탐색의 주요 내용

• 생산성 도구(Productivity tools)
  AI를 활용해 문서 초안을 작성하거나 프레젠테이션 개요를 만들고, 보고서를 분석하는 등 반복적인 업무를 보다 효율적으로 수행할 수 있다.
• 정보 지원(Information support)
  질문에 대한 답을 찾거나 관련 배경 정보를 탐색하고, 업무 목적에 맞춘 학습 콘텐츠를 생성하는 데 AI를 활용할 수 있다.
• 창의 작업 지원(Creative assistance)
  마케팅 카피 초안, 네이밍 아이디어, 그래픽 시안 등 창의적 결과물의 초기 버전을 생성한 뒤, 이를 사람이 보완하고 발전시키는 방식으로 활용한다.
• 업무 특화 활용(Task-specific applications)
  코드 작성 보조, 음성 기록 전사, 데이터 입력 자동화, 복잡한 일정 관리 등 특정 업무 문제 해결에 AI를 적용할 수 있다.
• 의사결정 지원 시스템(Decision-support systems)
  AI가 제공하는 추천, 위험 분석, 예측 정보를 활용해 인간의 의사결정을 보완하고 지원할 수 있다.

3. AI 효과적 지시

AI 효과적 지시 단락은 목적에 가까운 결과를 얻을 수 있도록 AI 시스템과 상호작용하는 방법을 이해하는 것을 목표로 하는 단락이다. 대부분의 AI 도구가 입력되는 정보에 크게 의존하기 때문에, 사용자는 명확한 지시를 입력해야 하고, 필요한 맥락을 포함해 더 나은 결과를 도출하도록 시스템을 적절히 안내하는 방법을 익혀야 한다는 것이다. 주요 학습 내용의 예시는 다음과 같다.

AI 효과적 지시의 주요 내용

• 맥락 설정(Contextual framing)
  배경 정보, 대상 독자, 원하는 톤, 구체적인 목표 등을 함께 제시하면 다양한 업무 상황에서 사용자 의도에 더욱 부합하는 결과를 얻을 수 있다.
• 프롬프트 작성 기법(Prompting techniques)
  프롬프트를 명확하게 구조화하고 단계별 지시를 제공하며 원하는 형식이나 출력 결과를 지정하면 AI의 보다 정교하고 고급 기능을 활용할 수 있다.
• 관련 입력 데이터 제공(Supplying relevant input data)
  정확성과 활용도를 높이기 위해 언제, 어떻게 관련 데이터나 참고 자료, 사례를 함께 제공해야 하는지를 이해해야 한다.
• 결과 반복 개선(Iterating on outputs)
  효과적인 사용자는 AI와의 상호작용을 일회성 작업이 아닌 지속적인 과정으로 인식하며, 후속 프롬프트를 통해 결과를 명확히 하거나 수정·보완해 원하는 수준에 도달하도록 한다.
• 모호하거나 오해를 부르는 프롬프트 피하기(Avoiding vague or misleading prompts)
  프롬프트의 명확성과 단어 선택이 결과에 직접적인 영향을 미친다는 점을 이해하고, 모호성을 줄이도록 접근 방식을 조정해야 한다.

4. AI 결과 평가

AI 결과 평가 단락은 AI가 생성한 결과물의 품질과 활용 가능성을 평가하는 것을 목표로 한다. 프레임워크는 AI가 업무 속도를 높이고 유용한 인사이트를 제공하는 것은 맞지만, 생성된 결과에 대해서는 여전히 신중한 검토가 필요하다고 강조한다. 따라서 노동자는 AI가 생성한 결과물이 정확하거나 충분한 내용을 담고 있는지, 나아가 수행하려는 업무에 적합한지를 판단할 수 있어야 한다. 이는 작업 과정의 주도성이 여전히 인간에게 있음을 보장하는 동시에, AI가 최종 판단자가 아닌 업무를 지원하는 도구에 불과하다는 점을 명확히 짚는다. AI 결과 평가의 주요 학습 내용 예시는 다음과 같다.

AI 결과 평가의 주요 학습 내용 예시

• 사실 정확성 검증(Verifying factual accuracy)
  AI가 생성한 결과를 신뢰할 수 있는 자료나 기존 지식과 교차 확인해 허위 정보, 오래된 내용, 또는 조작된 정보를 식별해야 한다.
• 완성도와 명확성 평가(Assessing completeness and clarity)
  결과물이 질문이나 과제를 충분히 다루고 있는지, 그리고 대상 독자가 이해하고 활용할 수 있도록 명확하게 표현되어 있는지를 검토해야 한다.
• 누락 또는 논리적 오류 식별(Spotting gaps or logical errors)
  빠진 단계, 잘못된 논리 구조, 부정확한 가정 등 결과의 신뢰성을 떨어뜨릴 수 있는 요소를 발견할 수 있어야 한다.
• 전략적 목적과의 정합성 검토(Aligning with strategic intent)
  결과물이 의도한 목표를 달성하는지, 전달하려는 메시지에 부합하는지, 그리고 특정 업무나 프로세스에 적절한지를 기준으로 평가해야 한다.
• 인간의 판단 적용(Applying human judgment)
  AI가 생성한 내용을 해석하고 활용하거나 수정할 때, 사용자의 전문성·맥락 이해·재량 판단을 어떻게 반영해야 하는지 이해해야 한다.

5. 책임 있는 AI 사용

마지막 단락인 책임 있는 AI 사용은 노동자의 정보 보호와 윤리적·효과적인 AI 활용을 위한 적절한 사용 범위와 한계를 이해하는 것을 목표로 한다. 프레임워크는 이를 위해 AI 권한 한계 의식, 민감 데이터 보호, 조직 및 법적 요구사항 준수, 결과에 대한 책임 유지 등을 포함했다. 노동자는 이를 바탕으로 안전하고 적절한 기준에 부합하는 방식의 AI 활용을 위해 실무적 판단과 조직적 인식을 갖춰야 한다. 책임 있는 AI 사용의 주요 학습 내용 예시는 다음과 같다.

책임 있는 AI 사용의 주요 학습 내용 예시

• 민감 정보 보호(Protecting sensitive information)
  어떤 유형의 데이터를 AI 도구에 입력해서는 안 되는지 이해하고, 기밀 정보가 의도치 않게 노출되는 상황을 방지해야 한다.
• 조직 정책 및 규정 준수(Following workplace policies and rules)
  AI 활용과 관련된 조직의 정책과 가이드라인을 인지하고, 특정 도구나 업무 상황에 적용되는 규정을 준수해야 한다.
• 오용 및 피해 방지(Avoiding misuse or harm)
  표절, 사칭, 피해 유발 등 AI가 부적절하게 사용될 수 있는 사례를 인식하고, 문제가 발생했을 경우 보고하는 방법을 알아야 한다.
• 상황별 위험 관리(Managing context-specific risks)
  업무 유형, 대상 사용자, 산업 분야에 따라 위험 수준이 달라질 수 있음을 이해하고, 중요한 상황일수록 더 높은 수준의 검토와 주의를 기울여야 한다.
• 책임성 유지(Maintaining accountability)
  AI 도구를 활용해 생성된 결과와 의사결정에 대한 최종 책임은 사용자에게 있으며, 충분한 검토 없이 AI 응답을 최종 판단으로 받아들이지 않아야 한다.

7가지 교육 실행 원칙도 제시

프레임워크는 5가지 핵심 영역과 함께 7가지 교육 실행 원칙도 함께 제시했다. 세부 내용은 다음과 같다.

1. 경험 기반 학습(Experiential Learning) 활성화

AI 리터러시는 직접적인 실습과 경험을 통해 가장 효과적으로 향상된다. 프레임워크는 AI를 이론적으로 배우는 것보다 실제 업무 환경에서 활용해 문제를 해결하는 것이 자신감과 이해도를 높이는 데 도움이 된다고 설명한다.

경험 기반 학습은 사용자가 자신의 입력이 결과에 어떤 영향을 미치는지 직접 확인하고, 시행착오를 통해 활용 감각을 발전시키며, AI와 생산적으로 협업하는 사고 체계를 형성하는 것을 의미한다. 경험 기반 학습의 운영 예시는 다음과 같다.

경험 기반 학습의 교육 운영 예시

• 실제 업무 과제 통합(Real-world task integration)
  글쓰기, 리서치, 일정 관리 등 일상 업무에 AI 도구를 자연스럽게 적용해 실제 상황 속에서 활용 경험을 쌓도록 한다.
• 인터랙티브 프롬프트 실습(Interactive prompt exercises)
  잘 작성된 프롬프트와 그렇지 않은 사례를 함께 연습함으로써 표현 방식, 구체성, 구조가 결과에 어떤 영향을 미치는지 이해하도록 돕는다.
• 실시간 피드백과 반복 개선(Live feedback and iteration)
  AI 결과에 대해 즉각적인 피드백을 제공하는 실습 구조를 통해 실험과 반복 학습을 장려하고, ‘직접 해보며 배우는’ 경험을 강화한다.
• 인간 결과물과의 비교 학습(Side-by-side human comparisons)
  AI가 생성한 결과와 사람이 만든 결과(또는 학습자의 기존 작업물)를 비교하도록 하여 판단력과 분별력을 키운다.
• 단계적 난이도 설계(Progressive difficulty levels)
  단순한 활용 사례에서 시작해 점차 복잡한 업무 흐름으로 확장하는 교육 설계를 통해 학습 기반을 단계적으로 구축하고 성취감을 높인다.

2. 맥락 속 학습 통합(Embed Learning in Context)

프레임워크는 익숙한 환경과 AI 학습을 통합하면 학습의 부담을 줄이고, 참여도를 높일 수 있다고 설명한다. 기존 업무 흐름 속에서 AI가 어떻게 활용되는지를 자연스럽게 이해하도록 돕는다는 것이다.

이러한 맥락 기반 학습은 새로운 개념을 근로자가 이미 이해하고 있는 실제 업무 상황과 연결함으로써 학습 내용을 더 오래 기억하게 하고, 추상적인 지식이 아닌 즉시 활용 가능한 역량으로 인식되도록 유도하는 데 의의가 있다. 맥락 속 학습 통합의 교육 운영 예시는 다음과 같다.

맥락 속 학습 통합의 교육 운영 예시

• 산업 맞춤형 사례 활용(Industry-specific examples)
  의료, 제조, 운송, 유통 등 각 산업 분야에서 실제 사용되는 도구, 활용 사례, 용어에 맞춰 교육 내용을 구성한다.
• 직무 중심 업무 흐름 적용(Occupational tasks and workflows)
  근로자가 실제 수행하는 업무와 활동을 기반으로 AI 리터러시를 교육해, AI 도구가 일상 업무를 어떻게 지원할 수 있는지 이해하도록 한다.
• 기업 환경과의 정렬(Employer-specific alignment)
  특정 조직의 시스템, 조직 문화, 목표에 맞춰 교육을 설계하고, 내부 AI 도구나 정책, 전략적 방향성과 연계한다.
• 기존 교육 프로그램과 통합(Training program integration)
  등록 견습 프로그램(Registered Apprenticeships), 직업기술교육(CTE) 과정, 단기 자격 프로그램, 재교육(reskilling) 과정 등에 AI 리터러시 교육을 포함해 업무 연관성을 강화한다.
• 학습 집단 특성 반영(Cohort-specific considerations)
  근로자의 경력 단계, 기술 친숙도, 경험 수준에 맞춰 교육 방식, 속도, 사례를 조정해 학습 효과와 관련성을 높인다.

3. 인간 역량과의 상호 보완 강화(Build Complementary Human Skills)

프레임워크는 AI란 인간의 역량을 증폭시키는 도구이며, 그 결과가 AI를 활용하는 사람의 역량, 지식, 판단력에 크게 좌우된다고 강조한다. 따라서 AI에 대한 교육은 비판적 사고, 창의성, 커뮤니케이션 능력, 그리고 분야별 전문성과 같은 인간 고유의 역량을 AI가 어떻게 확장하는지를 보여주는 방식으로 이루어질 때 가장 효과적이라고 설명한다.

노동자가 AI의 능력과 자신의 통찰력·경험·직관을 결합하는 방법을 이해하게 되면, 인간이나 AI 단독으로는 얻기 어려운 훨씬 큰 성과를 만들어낼 수 있을 것이라는 의미다. 상호 보완 강화의 교육 운영 예시는 다음과 같다.

인간 역량과의 상호 보완 강화 교육 운영 예시

• 비판적 사고 통합(Critical thinking integration)
  문제 해결 활동과 AI 활용을 결합한 학습 경험을 설계해, AI 기반 의사결정에서도 인간의 판단이 핵심 역할을 한다는 점을 강화한다.
• 창의 역량 개발 실습(Creative development exercises)
  AI를 활용해 아이디어를 브레인스토밍하거나 다양한 변형안을 생성한 뒤, 사람이 직접 선택·수정·개선하는 과정을 통해 창의성을 발전시킨다.
• 커뮤니케이션 역량 개선(Communication refinement)
  AI로 초안을 작성한 후, 대상 독자에 맞게 톤·명확성·설득력·적절성을 사람이 직접 다듬도록 교육한다.
• 가치 기반 의사결정 시나리오(Values-based decision scenarios)
  조직 기준, 법적 요구사항, 개인적 가치 판단이 필요한 모호한 상황을 설정해 AI 결과를 어떻게 활용할지 판단하는 연습을 진행한다.
• 도메인 전문성 강화(Domain expertise amplification)
  특정 분야 지식이나 업무 흐름에 대한 이해가 결합될 때 AI 활용 가치가 더욱 높아진다는 점을 강조한다.

4. AI 리터러시 학습을 위한 선행 조건 마련(Address Prerequisites to AI Literacy)

AI 리터러시 교육이 효과적으로 이루어지기 위해서는 학습자가 교육에 참여할 수 있는 기초적인 환경과 도구가 먼저 갖춰져 있어야 한다. 프레임워크는 이를 위해 일부 노동자에게 안정적인 광대역 인터넷 연결 등 제반 환경이 갖춰져야한다고 설명한다. 특히 AI 도구가 인터넷 기반으로 작동하거나 사용 방식이 직관적이지 않은 경우 이러한 요소가 더욱 중요하다.

따라서 프레임워크는 교육 프로그램이 이러한 장벽을 사전에 파악하고 해결해야 하며, 참여자가 교육을 완료하고 일상 업무에서 AI 도구를 자신 있게 활용할 수 있도록 지원해야 한다고 강조한다. 이러한 선행 조건을 프로그램 설계의 핵심 요소로 고려할 때, AI 리터러시 교육은 더 많은 사람에게 도달하고 더 나은 성과를 만들어낼 수 있다. 학습 선행 조건 마련의 교육 운영 예시는 다음과 같다.

AI 리터러시 학습을 위한 선행 조건 마련의 교육 운영 예시

• 기초 준비 수준 평가(Evaluate baseline readiness)
  간단한 진단 과정을 통해 참가자가 AI 도구 활용을 시작하기에 충분한 디지털 친숙도를 갖추고 있는지 평가하고, 잠재적인 장애 요인을 파악한다.
• 디지털 리터러시 역량 통합(Integrate digital literacy skills)
  기기 사용, 애플리케이션 탐색, 브라우저 활용 등 기본 디지털 역량이 필요한 학습자를 위해 보충 학습이나 참고 자료를 제공한다.
• 접근성 지원 방안 마련(Consider options for access support)
  기기나 인터넷 접근성이 부족한 경우 공용 컴퓨터실 활용, 모바일 중심 콘텐츠 제공, 비동기 학습 방식 등 현실적인 대안을 검토한다.
• 네트워크 환경 유연성 고려(Consider bandwidth flexibility)
  저속 인터넷 환경이나 모바일 기기에서도 활용 가능한 교육 자료와 학습 방식을 설계한다.
• 다양한 출발점 인정(Acknowledge different starting points)
  사전 경험을 전제로 하지 않고, 다양한 기술 수준과 학습 속도를 수용할 수 있는 교육 운영 모델을 구축한다.

5. 지속적인 학습 경로 구축(Create Pathways for Continued Learning)

AI 도구가 빠르게 발전하고 업무 환경에 더욱 깊게 녹아들고 있어 노동자는 역량을 지속적으로 심화하기 위해 전문 교육을 받거나 AI 관련 직무로 전환할 수 있는 명확한 학습 경로가 필요해졌다.

프레임워크는 AI 리터러시 프로그램이 학습자가 이미 습득한 역량을 기반으로 기술을 확장할 수 있도록 기술 역량 심화, 직무별 AI 도구 활용 능력 강화 등 가시적인 다음 단계(next step)를 제시해야 한다고 주장한다. 후속 학습 자원과 연결될 때, AI 리터러시는 일회성 교육이 아니라 기술 발전과 함께 지속적으로 성장하는 역량이 될 수 있다는 의미다. 지속적인 학습 경로 구축의 교육 운영 예시는 다음과 같다.

지속적인 학습 경로 구축의 교육 운영 예시

• AI 활용 숙련도 향상(Advance to AI proficiency)
  기본적인 AI 활용 수준에서 나아가 보다 복잡한 AI 시스템을 직접 관리하고 활용할 수 있는 고급 역량으로 발전하도록 지원한다.
• 개발자·창업 경로 장려(Encourage builder and entrepreneurship pathways)
  단순히 AI 도구를 사용하는 수준을 넘어, AI 기반 솔루션을 직접 개발하거나 창업으로 확장하려는 근로자를 지원한다.
• 단계적 학습 모델 설계(Design stackable learning models)
  기초 리터러시에서 시작해 데이터 활용, AI 도구 설정, 프롬프트 엔지니어링 등 심화 역량으로 이어지는 계층형 교육 구조를 마련한다.
• 직무 맞춤형 성장 경로 제공(Offer occupation-specific progressions)
  직무 역할이나 경력 단계에 따라 필요한 업무, 도구, 책임 범위와 연계된 지속 학습 경로를 설계한다.
• AI 관련 직무 전환 지원(Support pathways into AI-related careers)
  AI 제품 전문가(AI product specialist), 프롬프트 엔지니어(prompt engineer), 데이터 분석가(data analyst) 등 AI 중심 직무로의 전환을 희망하는 근로자를 위한 다음 단계 정보를 제공한다.

6. 지원 역할(Enabling Roles) 준비

AI 리터러시 교육은 관리자, 교육 담당자, 멘토, 진로 상담가 등 근로자를 지원하는 역할을 수행하는 사람들이 적절한 지식과 도구를 갖출 때 더욱 효과적으로 이루어진다. 따라서 프레임워크는 이들을 단순한 보조 학습자가 아니라, 다른 사람들의 학습과 활용을 가능하게 만드는 핵심 주체로 규정하고, 각자의 역할에 맞춘 AI 리터러시 접근 방식이 필요하다고 설명한다.

이를 위해 지원 인력(enablers)을 대상으로 별도의 교육 설계를 마련하는 것은 조직 전반에서 AI를 자신감 있고 지속적으로 활용할 수 있는 환경을 조성하는 데 있어 필수적인 과업으로 분류된다. 지원 역할 준비의 교육 운영 예시는 다음과 같다.

지원 역할 준비의 교육 운영 예시

• 트레이너 양성 모델(Train-the-trainer models)
  강사, 코치, 교육 진행자가 다른 학습자에게 AI 리터러시를 효과적으로 전달하고 맥락화할 수 있도록 맞춤형 교육 콘텐츠와 방법론을 제공한다.
• 관리자 역량 강화(Manager upskilling)
  팀 운영, 변화 관리, 업무 프로세스 내 AI 도구 통합 등 관리 업무와 관련된 활용 사례 중심의 AI 리터러시 교육을 제공한다.
• 경력 설계 지원(Career navigation support)
  진로 상담가와 멘토가 AI가 구직 활동, 경력 성장, 미래 역량 변화에 미치는 영향을 안내할 수 있도록 맞춤 교육을 제공한다.
• 동료 학습 리더 육성(Peer learning champions)
  팀 내에서 쉽게 접근 가능한 비공식 지원자 역할을 수행할 동료 리더를 발굴·교육해 학습 확산과 참여를 촉진한다.
• HR 및 학습개발(L&D) 조직 연계(HR and L&D alignment)
  기업 환경에서는 인사(HR)와 학습개발(L&D) 담당자가 온보딩, 역량 강화, 내부 이동 경로 전반에 AI 리터러시를 통합할 수 있도록 지원한다.

7. 민첩성을 고려한 교육 설계(Design for Agility)

AI 기술은 기존의 업무 도구들과 비교할 수 없을 만큼 빠른 속도로 발전하고 있다. 몇 달 단위로 새로운 기능과 플랫폼, 활용 사례가 등장하는 반면, 기존 도구는 빠르게 구식이 되기도 한다. 따라서 프레임워크는 AI 리터러시의 교육 내용과 운영 방식이 AI의 기술 환경 변화에 맞춰 지속적으로 업데이트될 수 있도록, 처음부터 적응 가능성(adaptability)을 고려한 형태로 설계해야 한다고 강조한다. 이를 위한 교육 운영 방식의 예시는 다음과 같다.

민첩성을 고려한 교육 설계의 교육 운영 방식 예시

• 지속적인 콘텐츠 업데이트(Continuous content updates)
  최신 AI 기능과 도구, 사례를 반영할 수 있도록 교육 콘텐츠와 운영 시스템을 정기적으로 갱신한다.
• 피드백 기반 개선(Feedback-driven iteration)
  학습자 경험과 실제 현장 적용 결과를 바탕으로 교육 방식과 내용을 지속적으로 수정·개선한다.
• 모듈형 콘텐츠 설계(Modular content design)
  새로운 기술이나 요구가 등장할 때 교육 단위를 교체·확장·재구성할 수 있도록 유연한 구조로 설계한다.
• 활용 사례의 지속적 갱신(Responsive use case selection)
  실제 업무 환경에서의 최신 AI 활용 사례와 일치하도록 교육 시나리오를 주기적으로 재검토하고 업데이트한다.
• 성과 중심 개선(Outcome-driven iteration)
  학습자가 실무에 적용 가능한 AI 역량을 실제로 습득하고 있는지 평가하고, 그 결과를 바탕으로 교육 전략을 지속적으로 발전시킨다.

프레임워크, 국가 차원의 AI 역량 기준선 제시한 것

지금까지 미국 노동부에서 발표한 AI 리터러시 프레임워크에 대해 알아봤다. 외신은 노동부가 발표한 AI 리터러시 프레임워크를 ‘출발점’으로 평가한다. 노동부 스스로 그러한 방향성을 명확하게 규정하고 있다고 해석하는 상태다. 이는 프레임워크가 이해관계자의 의견과 기술 변화에 따라 언제든 지속적인 수정이 이뤄질 수 있다는 가능성을 의미한다. 당연하게도 현 시점에서 작성된 문서가 향후 10년간 AI의 방향성을 완전히 예측하고 반영할 수 없는 탓이다.

앞서 언급한 로버트 버그만은 “AI 리터러시 프레임워크는 노동자, 기업 교육기관, 공공기관 전반에 적용될 국가 차원의 AI 역량 기준선을 제시한다”고 말한다. 아울러 그는 “야심차지만 현실적인 문서다”라며 노동부가 공개한 프레임워크가 충분히 기능정인 동시에 접근 가능성이 충분한 문서라고 평가했다. 프레임워크는 미국이 AI 시대에 얼마나 적극적으로, 노동 및 교육 전반에 있어 AI를 융합시려고 하는가에 대해 분명하게 확인 할 수 있는 지표로 볼 수 있는 셈이다.

• AI
• AI 리터러시
• AI 리터러시 프레임워크

• 에디터이민호 (treewords@ditoday.com)
• 섬네일조현성