사내 AI Agent 교육: 현대모비스가 MoAI로 27개 현업 과제를 결과물로 연결하다
사내 AI 플랫폼이 생긴 다음, 필요한 것은 ‘현업이 직접 쓰는 법’이었습니다
안녕하세요, 데이터다이빙입니다.
기업이 사내 생성형 AI 플랫폼을 구축하면 임직원은 보안 기준 안에서 업무 자료를 활용할 수 있게 됩니다. 하지만 사용할 수 있는 도구가 마련됐다는 사실과, 현업 담당자가 자신의 업무를 AI Agent로 설계하고
구현할 수 있다는 것은 다른 문제입니다.
어떤 업무부터 적용해야 하는지, 어떤 문서와 데이터를 연결해야 하는지, 결과는 어떤 기준으로 검증해야 하는지까지 정하지 않으면 아이디어는 기능 체험에 머물기 쉽습니다. 특히 AI 활용 경험이 서로 다른 직원이 직접 과제를 수행하려면 이론과 실습뿐 아니라 과제기획과 구현을 지원하는 과정이 함께 필요합니다.
데이터다이빙은 2025년에도 현대모비스 핵심인재를 대상으로 6개 현업 과제를 프로젝트로 완성하는
AI 핵심인재 멘토링 프로그램을 진행했습니다. 당시에는 교육생이 가져온 과제를 중심으로 데이터
프로젝트를 기획하고, 전문가 멘토링과 코드 코칭을 연결해 결과물까지 완성하는 데 집중했습니다.
2026년에는 여기에서 한 단계 더 나아갔습니다. 현대모비스가 사내 생성형 AI 플랫폼을 오픈하면서,
사내 데이터와 업무 환경에 연결된 플랫폼을 임직원이 직접 활용할 수 있도록 교육의 방향을 확장했습니다.
이번 글에서는 현대모비스와 함께 진행한 ‘사내 AI Agent 교육’을 소개합니다.
사내 AI 플랫폼을
현업의 실행 역량으로 연결하다
이번 교육의 출발점은 외부 생성형 AI 도구를 새롭게 소개하는 것이 아니었습니다. 현대모비스 내부에는
이미 사내 데이터와 업무 시스템을 활용할 수 있는 MoAI가 마련되어 있었고, 교육에서는 이 환경을 현업
담당자가 자신의 업무에 맞게 사용하는 역량을 만드는 것이 중요했습니다.
사내 플랫폼은 보안 기준 안에서 업무 자료를 연결할 수 있다는 장점이 있지만, 구성 방식과 사용 범위는
공개형 AI 서비스와 다릅니다. 같은 요청을 입력하더라도 연결된 문서와 데이터, 사용할 수 있는 기능과
권한에 따라 결과가 달라지기 때문에 실제 사내 환경을 이해한 교육 설계가 필요했습니다.
데이터다이빙은 교육에 앞서 MoAI의 주요 기능과 구현 방식을 직접 테스트했습니다. 화면에서 기능이
보인다는 사실만 확인한 것이 아니라, 검색과 문서 연결, 데이터 탐색, 결과물 생성, 여러 단계의 작업
흐름이 실제 환경에서 어떻게 작동하는지를 시험하고 재현 가능한 방식으로 실습자료를 정리했습니다.
이 사전 검증은 교육 현장에서도 중요한 기준이 됐습니다. 교육생이 기능 설명을 듣고 끝나는 것이 아니라 같은 환경에서 직접 실행하고, 결과가 달라졌을 때 원인을 함께 확인할 수 있었기 때문입니다. 이후 과제
멘토링에서도 일반적인 AI 사용법이 아니라 MoAI 안에서 가능한 범위와 적합한 구현 방식을 중심으로
구체적인 방향을 제시할 수 있었습니다.
M365 Copilot은 Word·PowerPoint·Excel 등 일상적인 문서 작성과 분석, 협업 업무를 지원하는 도구로 활용했습니다. 반면 MoAI는 사내 문서와 데이터, 여러 기능을 연결해 업무용 Agent를 설계하는 중심 환경으로 구분했습니다. 교육생은 여러 도구를 폭넓게 체험하는 데서 그치지 않고, 자신의 업무에는 어떤 환경과 방식이 필요한지 판단하는 기준부터 익혔습니다.
이론부터 현업 과제 구현까지,
48시간을 연결하다
교육은 대상만 달리해 같은 구조의 사이클을 두 차례 운영했습니다. 차수별 과정은 이론 8시간, 플랫폼
실습 8시간, 과제기획 8시간, 멘토링 24시간으로 총 48시간이었으며, 네 단계를 독립된 강의가 아니라
하나의 현업 과제를 완성하기 위한 연속 과정으로 설계했습니다.
전체 흐름은 ‘판단–연결–설계–구현’으로 이어졌습니다. 이론에서 업무에 적합한 AI 활용 방식을 판단하고, 플랫폼 실습에서 MoAI의 기능과 데이터를 연결했습니다. 이후 과제기획에서 구현 범위를 설계한 뒤
멘토링을 통해 실제 결과물로 발전시키는 구조였습니다.
이론 단계에서는 AI와 Agent의 차이를 이해하고, 자신의 업무에서 개선할 수 있는 비효율을 찾았습니다. 실습 단계에서는 MoAI의 검색·문서·데이터·워크플로우 기능을 사용해 작은 단위의 Agent를 직접 만들어 보며 구현 방식을 익혔습니다.
이어지는 과제기획에서는 앞선 교육에서 찾은 업무 문제를 입력자료, 처리 과정, 결과물과 검증 기준이
있는 과제로 구체화했습니다. 마지막 24시간의 멘토링에서는 기획서를 바탕으로 실제 MoAI 환경에서
최소 기능을 구현하고, 테스트 결과에 따라 범위와 지침, 처리 순서를 조정했습니다.
이 구조에서 중요한 것은 앞 단계의 결과가 다음 단계의 출발점이 되도록 한 것입니다. 이론에서 찾은 후보는 실습에서 구현 가능성을 확인하고, 실습 경험은 과제기획서의 기능과 데이터 항목으로 이어졌습니다.
과제기획서는 다시 교육생과 멘토가 같은 목표를 보며 구현에 들어가는 공통 설계도가 됐습니다.
어떤 업무를 Agent로 만들 수 있는지
먼저 판단하다
이론 과정의 역할은 AI 관련 개념을 많이 전달하는 데 있지 않았습니다. 교육생이 자신의 업무를 돌아보고, 어떤 문제를 규칙 기반 자동화로 처리할지, 어떤 문제에 생성형 AI나 Agent가 필요한지 판단할 수 있는
공통 기준을 만드는 데 초점을 맞췄습니다.
먼저 규칙 기반 시스템과 LLM 챗봇, AI Agent의 차이를 제조업 업무 사례와 함께 살펴봤습니다. 조건과
결과가 명확하고 항상 같은 판단이 필요한 업무는 규칙 기반 방식이 더 적합할 수 있고, 비정형 문서를 요약하거나 초안을 만드는 업무는 LLM이 효과적입니다. 반면 자료를 찾고 분석한 뒤 결과물을 만들거나 다음 작업으로 넘기는 다단계 업무는 Agent로 설계할 가능성이 큽니다.
M365 Copilot 교육에서는 문서 작성, 데이터 분석, 회의와 협업 등 일상 업무에서 AI를 활용하는 방식을 익혔습니다. 현대모비스의 업무 맥락을 반영한 예시를 통해 단순한 명령어 암기보다, 업무 목적과 결과물에 따라 도구를 선택하는 감각을 만들었습니다. 이 과정은 MoAI 실습에 앞서 교육생 간 AI 활용 경험의 차이를 줄이는 공통 출발점 역할을 했습니다.
프롬프트 역시 질문 문장을 잘 쓰는 기술로만 다루지 않았습니다. 비효율적인 과정을 줄이기 위해 필요한
조건을 함께 정의해야 결과를 안정적으로 검토할 수 있다는 점을 강조했습니다. 자료에 근거해 답하도록
하고, 확인할 수 없는 내용은 추측하지 않게 하며, 중요한 결과는 사람이 최종 확인하는 절차도 함께
다뤘습니다.
특히 생성형 AI가 그럴듯하지만 틀린 내용을 만들 수 있다는 점을 별도의 검증 과정으로 연결했습니다.
의심 지점을 표시하고, 근거를 다시 확인하고, 수정한 결과와 검증 기록을 남기는 흐름을 실습했습니다.
AI에게 판단을 모두 넘기는 것이 아니라 사람이 확인해야 할 지점을 설계하는 것도 Agent를 만드는 역량의 일부로 본 것입니다.
이론을 마친 교육생은 ‘AI로 무엇이든 자동화하자’가 아니라, 업무의 규칙성과 자료 형태, 오류 위험, 사람의 역할을 기준으로 적합한 방식을 선택할 수 있게 됐습니다. 이 판단 기준이 다음 MoAI 실습과 과제기획의
공통 언어가 됐습니다.
현대모비스 업무에 맞춘
MoAI 실습을 설계하다
플랫폼 실습에서는 이론에서 이해한 Agent의 구조를 MoAI에서 직접 구현했습니다. 데이터다이빙이 실제 MoAI 환경에서 사전에 시험하고 재현한 시나리오를 바탕으로, 리서치부터 문서 기반 질의응답, 데이터
탐색, 결과물 생성, 여러 단계의 워크플로우까지 난이도를 높여갔습니다.
검색 실습에서는 필요한 정보를 찾는 것에 그치지 않고, 여러 출처를 비교하고 결과를 업무 문서 형태로
정리하는 흐름을 경험했습니다. 문서 기반 실습에서는 자료를 Agent의 지식으로 연결하고, 문서 안의
근거를 바탕으로 답하도록 구성했습니다. 문서에 없는 내용이나 유도 질문에는 추측하지 않도록 테스트해 신뢰할 수 있는 답변의 조건도 확인했습니다.
데이터 실습에서는 자연어로 사내 데이터의 구조를 탐색하고, 필요한 항목을 찾아 분석에 연결하는 방식을 다뤘습니다. 중요한 것은 기능 이름이나 설정값을 외우는 일이 아니라, 어떤 데이터를 연결해야 질문에
답할 수 있는지, 결과를 현업 담당자가 검토할 수 있는 형태로 어떻게 보여줄지를 이해하는 것이었습니다.
실습자료도 구매·원가·유통·품질과 매뉴얼 관리 등 자동차 부품·제조업의 업무 맥락을 반영해 구성했습니다. 교육생은 실습 데이터와 다국어 문서를 연결하고, 필요한 내용을 분류·비교하거나 여러 문서에서
수정 대상을 찾는 과정을 연습했습니다. 익숙한 업무 상황을 사용함으로써 범용 예제를 따라 하는 데서
그치지 않고, MoAI의 기능을 자신의 업무에 어떻게 번역할지 생각할 수 있도록 했습니다.
여러 단계가 필요한 업무는 하나의 거대한 프롬프트로 처리하지 않았습니다. 자료를 읽는 역할, 필요한
항목을 정리하는 역할, 결과를 검토하거나 보고서로 만드는 역할을 나누고, 조건과 사람의 확인 지점을
연결해 워크플로우로 구성했습니다. 자료가 부족하거나 기준을 충족하지 못했을 때는 다음 단계로
넘어가지 않도록 예외 상황도 함께 점검했습니다.
무엇보다 교육과 과제 구현에 같은 사내 플랫폼을 사용했다는 점이 중요했습니다. 교육생은 공개형 도구의 예제를 따라 한 뒤 별도의 환경으로 옮겨가는 것이 아니라, 실습에서 익힌 MoAI의 기능과 구성 방식을
자신의 현업 과제에 그대로 연결할 수 있었습니다. 이 경험이 다음 과제기획에서 ‘가능한 아이디어’와
‘현재 환경에서 구현할 수 있는 아이디어’를 구분하는 기준이 됐습니다.
사내 도구에 맞춰 구현과 방향성을
함께 코칭하다
멘토링은 과제기획서에 적힌 내용을 대신 제작해 주는 과정이 아니었습니다. 교육생이 MoAI에서 직접
자신의 Agent를 구성하고, 구현 과정에서 발생하는 문제를 해결하며 결과물을 완성할 수 있도록 기획과
구현, 방향성을 함께 점검하는 과정이었습니다.
초기에는 활용할 문서와 데이터를 확인하고, 대표 질문과 예상 결과를 테스트 기준으로 정리했습니다.
이후 Agent의 역할과 지침을 설정하고 필요한 자료와 기능을 연결한 뒤, 실제 결과가 목적에 맞게 나오는지 확인했습니다. 구현 결과와 다음에 해결할 문제를 기록해 멘토링이 이어질 때마다 진행 상황을 다시
파악할 수 있도록 했습니다.
결과가 불안정하다고 해서 프롬프트만 반복해서 수정하지 않았습니다. 데이터의 구조가 목적에 맞는지,
작업 순서가 너무 복잡하지 않은지, 출력 형식이 검토하기 쉬운지, 사람이 확인해야 할 지점이 빠지지 않았는지를 함께 살폈습니다. 필요하면 핵심 기능 한 가지부터 작동하도록 과제 범위를 줄이고, 이후 확장할
부분을 분리했습니다.
이 과정에서도 다대일 코칭이 효과적으로 작동했습니다. 업무 문제를 이해하는 관점, MoAI 기능을 연결하는 관점, 결과를 검증하는 관점에서 한 과제를 함께 보고 구현과 방향성을 동시에 조정했습니다. AI 활용
경험이 낮은 교육생도 어디에서 막혔는지를 설명하고 다음 행동을 정할 수 있도록 단계별로 지원했습니다.
데이터다이빙이 교육 전에 MoAI를 테스트하고 기능을 숙지한 것도 이 단계에서 중요하게 작용했습니다. 멘토링이 사내 도구의 메뉴를 확인하는 데 머물지 않도록, 교육생의 업무 목적과 MoAI의 실제 작동 방식을 연결하면서 구현과 테스트, 이후 개선 방향까지 코칭할 수 있었습니다.
최종 선발한 27개 과제 모두 결과물로 이어지다
1차와 2차 과정을 통해 최종 선발된 과제는 모두 27개였습니다. 과제는 사내 문서를 찾아 답변하는 형태, 여러 자료를 비교·검증하는 형태, 데이터를 분석하거나 분류하는 형태, 필요한 내용을 문서로 생성하는
형태 등 서로 다른 업무 문제를 다뤘습니다.
중요한 점은 아이디어의 개수보다 선발한 과제가 실제 결과물로 이어졌다는 것입니다. 27개 과제 모두
과제기획서를 바탕으로 구현과 테스트를 거쳤고, 교육생별 과제기획 보고서와 과제 결과보고서가 공식
산출물로 정리됐습니다. 교육생은 자신의 업무 문제를 Agent의 입력과 처리 흐름, 출력과 검증 기준으로 전환하는 전 과정을 경험했습니다.
이 결과는 개별 과제가 곧바로 현업에 정식 배포됐거나 정량적인 업무 절감 효과를 확정했다는 의미와는
구분해야 합니다. 다만 기능을 한 번 체험하는 교육에서 멈추지 않고, 현업 담당자가 사내 플랫폼에서 직접 확인하고 다음 개선을 논의할 수 있는 형태의 결과물을 완성했다는 점에 의미가 있습니다.
교육 만족도 통합 평균은 5점 만점에 4.81점으로 나타났습니다. 이론과 실습, 과제기획, 멘토링을 장기간 연결한 구성 속에서 교육생이 학습한 내용을 자신의 과제로 옮기고 결과물까지 완성할 수 있도록 지원한
과정의 의미를 함께 확인할 수 있었습니다.
또한 결과보고서에는 완성된 결과만이 아니라 구현 과정에서 확인한 한계와 이후 보완 방향도 함께 남겼습니다. 이를 통해 한 번의 교육 결과를 성공과 실패로 단순 평가하기보다, 실제 업무 적용을 위해 무엇을 더 준비해야 하는지 다음 판단의 근거로 활용할 수 있도록 했습니다.
한 번의 교육을 넘어
사내 AI 활용을 다음 단계로
2025년 현대모비스 프로그램이 6개 팀의 데이터 프로젝트를 전문가 멘토링과 코드 코칭으로 완성하는
과정이었다면, 2026년 과정은 사내 플랫폼 MoAI를 중심으로 현업 담당자가 자신의 업무 Agent를 직접 기획하고 구현하는 방식으로 확장됐습니다.
사내 AI 플랫폼이 조직 안에서 활용되기 위해서는 기능 안내만으로 충분하지 않습니다. 현업 담당자가
해결할 문제를 찾고, 데이터와 처리 흐름을 설계하며, 결과를 검증하고 개선할 수 있어야 도구가 실제 업무 역량으로 이어질 수 있습니다. 플랫폼을 이해한 교육자와 현업을 이해하는 교육생이 같은 과제를 놓고 반복해서 조정할 수 있는 운영 구조도 필요합니다.
이번 교육은 이를 위해 48시간의 단계형 과정을 두 차례 운영하고, 서로 다른 AI 활용 수준을 가진 교육생들이 과제기획과 다대일 멘토링을 통해 각자의 결과물을 완성하도록 지원했습니다. 이론에서 기준을
만들고, MoAI 실습으로 가능성을 확인하고, 과제기획으로 범위를 좁힌 뒤, 멘토링에서 실제 결과물로
연결하는 흐름을 끝까지 유지했습니다.
교육 종료 후에는 현대모비스 측에서도 추가 교육에 대한 관심을 전달했습니다. 사내 AI 활용 역량을
일회성 교육으로 끝내지 않고, 다음 과정으로 이어갈 필요성에 대한 공감대를 확인할 수 있었습니다.
데이터다이빙은 기업이 사용하는 AI 환경과 업무 맥락을 먼저 이해하고, 교육 이후 현업 과제가 실제
결과물로 남을 수 있도록 이론·실습·과제기획·멘토링을 연결합니다. 사내 AI 플랫폼을 도입한 뒤 조직의
활용 역량을 높이거나, 현업 아이디어를 구체적인 AI Agent 과제로 발전시키고 싶다면 데이터다이빙과
함께 시작해 보세요.
상세 커리큘럼이 궁금하신가요?
사내 AI Agent 교육 커리큘럼에 대해 자세히 알고 싶으시다면,
아래 버튼을 클릭하여 문의해 주세요. 귀사의 특성에 맞는 맞춤형 교육 방안을 제안해 드리겠습니다.
![통계청 SQL 활용 교육(집합교육) – [1/2]](https://datadiving.net/wp-content/uploads/2023/12/기업교육-16_9-집합교육_통계청1-768x432.png)
