[유통·물류사] 글로벌 물류사의 핵심인재 AI 리터러시 진단 사례

대형 유통·물류 B사는 AI 도입을 일찍 마친 편이었습니다. 도구를 열어줬고, 사용법 교육도 돌렸고, 사내 설문에서는 구성원 대부분이 "AI를 일상적으로 쓴다"고 답했습니다. 숫자로만 보면 AI 전환은 순조로워 보였습니다. 그러나 막상 들여다보면 정리되지 않는 문제들이 쌓여 있었습니다.

• 도입은 끝났는데 성과가 안 보였습니다. "AI 덕분에 업무가 어떻게 달라졌느냐"는 질문 앞에서 답이 흐릿했습니다.
• 손에 쥔 근거가 도입률 뿐이었습니다. 접속 횟수와 활성 사용자 수는 누가 AI를 켜는지는 알려줘도, 켠 다음 무엇을 제대로 하는지는 보여주지 못했습니다.
• 실무에서 결과의 편차가 컸습니다. 누군가는 AI가 내놓은 수요 예측 초안을 검증 없이 보고서에 옮겼고, 누군가는 거래처 정보를 그대로 AI에 입력했습니다.

특히 곤란했던 건 다음 결정이었습니다. 경영진이 전사 차원의 본격적인 역량 강화 투자를 검토하려는데, 어디에 얼마나 투자해야 하는지를 받쳐줄 근거가 없었습니다. 매일 쓴다는 사람은 많은데, 그래서 우리의 AI 활용 능력이 정말 자라고 있는지를 아무도 자신 있게 답하지 못했습니다.

변동성이 큰 유통·물류에서 이 질문은 더 절박합니다. 수요 예측, 재고 배분, 클레임 대응 같은 판단을 매일 수많은 현장 인력이 내리는데, AI를 다루는 역량이 모자라면 그 미숙함이 개인의 실수에 그치지 않고 조직 전체로 번지기 때문입니다. 누군가 검증 없이 AI의 빗나간 수요 예측을 그대로 반영하면 과잉 재고나 오배송으로 이어지고, 거래처 정보나 계약 단가를 외부 AI 도구에 그대로 입력하면 거점이 얽힌 데이터·규제 리스크가 됩니다. 물량과 거점이 많을수록, 마진이 얇을수록 이 작은 오차는 빠르게 증폭됩니다. 도입을 마친 다음의 진짜 과제가 활용의 깊이인 이유입니다.

‍

AI 리터러시, 빈도가 아니라 무엇을 할 줄 아는가

이 고민은 B사만의 것이 아닙니다. EY가 2025년 29개국 직원 1만 5천 명과 기업 1,500곳을 대상으로 진행한 조사에서, 직원의 88%가 업무에 AI를 쓴다고 답했지만 일하는 방식 자체를 바꾸는 고숙련 방식으로 활용한다고 답한 사람은 5%에 그쳤습니다. 충분한 교육을 받았다는 응답도 12%뿐이었습니다. (EY, 2025) 맥킨지의 같은 해 조사도, 직원들은 경영진의 짐작보다 AI를 더 많이 쓰지만 그것이 사업 성과로 이어졌다고 말할 수 있는 조직은 아직 소수라고 짚습니다. (McKinsey, 2025) 도입률과 성과 사이에는 빈 구간이 있고, 그 구간을 메우는 것이 활용 역량입니다.

그렇다면 'AI를 잘 쓴다'는 건 무엇일까요. AI 활용 능력은 막연한 한 덩어리가 아니라 몇 가지 능력으로 나눠 볼 수 있고, 같은 업무 상황이라도 어느 능력이 받쳐주느냐에 따라 결과가 갈립니다. 겉보기엔 둘 다 AI를 능숙하게 다루는 것 같아도, 능력별로 들여다보면 한 층 아래에서 차이가 드러납니다.

역량이 부족한 구성원이 일을 안 하는 게 아닙니다. 한 층 얕게 할 뿐이고, 앞서 짚은 리스크도 대부분 여기서 갈라집니다. 문제는 이 능력들이 매일 쓴다고 해서 함께 자라지는 않는다는 점입니다. 그러니 "우리 조직이 AI를 잘 쓰는가"에 답하려면, 얼마나 자주 쓰는지가 아니라 어떤 능력을 갖췄는지를 봐야 합니다.

‍

지식 테스트형 AI 역량검사로는 안 보이는 것

그래서 B사가 택한 것은 'AI를 아는지 묻는 시험'이 아니었습니다. 용어와 개념을 외웠는지 확인하는 지식 테스트형 AI 역량검사는, 실제 업무에서 그것을 꺼내 쓸 수 있는지까지는 알려주지 못하기 때문입니다.

텔타 AI 리터러시 진단은 다른 방식을 씁니다. 실제 업무와 닮은 상황을 시나리오로 제시하고, 응답자가 그 안에서 직접 AI를 쓰며 서술형으로 풀어가게 합니다. 정해진 보기 중 하나를 고르는 것이 아니라, 실제로 프롬프트를 작성해 보게 하고, AI가 내놓은 그럴듯한 답에서 사실과 오류를 가려내게 하고, 어떤 정보는 애초에 입력하면 안 되는지 판단하게 합니다. 외운 지식이 아니라 손에 익은 행동을 관찰하는 것입니다.

이 서술형 응답을 AI가 일관된 기준으로 채점합니다. 평가자의 컨디션이나 주관에 따라 점수가 들쭉날쭉하지 않고, 사람이 일일이 읽고 매기는 부담도 줄어듭니다. 그 결과 추상적인 'AI 역량'이 구조화된 프롬프팅, 산출물 검증, 민감 데이터 식별, 사람과 AI의 과업 경계 설정처럼 측정 가능한 행동 단위로 바뀝니다.

‍

전사가 아닌 핵심인재 50명부터 선택한 이유

여기서 이 회사가 택한 순서가 인상적이었습니다. 흔한 선택은 "다들 쓰고 있으니 전 직원 AI 교육을 한 번 더 돌리자"였을 겁니다. 대신 이들은 한발 물러섰습니다. 큰 투자를 집행하기 전에, 핵심인재 50명가량을 대상으로 선행 진단을 먼저 돌려보기로 한 것입니다.

핵심인재를 먼저 본 데에는 이유가 있습니다. 이들은 조직의 일하는 기준을 만들어가는 사람들이고, 이후 동료들에게 활용 방식을 퍼뜨릴 사람들입니다. 이 집단의 역량 평가 기준을 정확히 잡아두면, 전사 확장의 기준선이 생깁니다. 동시에 50명이라는 규모는 전사를 한 번에 흔들지 않으면서도 의미 있는 패턴을 읽기에 충분한 표본입니다. 부담은 작게, 얻는 근거는 분명하게 할 수 있는 가장 합리적인 선택이었습니다.

이 순서는 빠른 의사 결정과 결재 라인에서 특히 설득력이 있습니다. 검증되지 않은 가설에 전사 예산을 베팅하는 대신, 작은 진단으로 격차의 실재 여부와 위치부터 데이터로 확인하고 움직이는 구조이기 때문입니다.

‍

제대로된 AI 역량 평가가 다음 투자를 바꾼다

선행 진단의 가치는 등수표가 아니라, 다음 결정을 어디에 둘지 알려주는 좌표에 있습니다. 좌표가 손에 들어오면 투자의 성격이 바뀝니다. 전 직원 일괄 교육 대신, 어떤 조직은 검증 역량을, 어떤 조직은 과업 기획 역량을 채우는 식으로 필요한 곳에 필요한 만큼 자원을 배분할 수 있습니다.

어디가 약한지 모르는 채 일괄 교육을 돌리면 이미 잘하는 사람에게는 지루하고 정작 필요한 사람에게는 얕은 교육이 되기 쉽지만, 좌표가 있으면 AI 전환의 다음 한 걸음을 느낌이 아니라 데이터 위에서 정하게 됩니다. 실제로 B사는 핵심인재 선행 진단 결과를 바탕으로 진단 범위를 넓혀갈 계획을 세웠습니다. 서술형 응답을 AI가 일관된 기준으로 채점하기에, 대상을 확장해도 기준은 흔들리지 않습니다.

매일 AI를 켜는 조직은 많아졌습니다. 그러나 EY의 데이터가 보여주듯, 켜는 것과 잘 쓰는 것 사이의 거리는 생각보다 멉니다. 그 조직의 AI 활용 능력이 실제로 자라고 있는지는, 빈도가 아니라 역량의 좌표로만 답할 수 있습니다. 큰 투자를 결정하기 전에 작은 진단으로 그 현황부터 확인한 B사처럼, AI 리터러시 진단은 작게 시작하더라도 조직의 방향성을 가늠하는 탁월한 도구가 됩니다.