생성형 AI 직무 특화 교육: 한국철도공사 구성원이 업무의 비효율을 결과물로 구현하다
생성형 AI를 배우는 것과 자신의 업무를 바꾸는 것은 다릅니다
안녕하세요, 데이터다이빙입니다.
생성형 AI에 대한 관심이 높아지면서 업무에 AI를 적용하려는 구성원도 늘고 있습니다. 하지만 어떤 업무를 AI에 맡겨야 하는지 구분하지 않은 채 데이터를 입력하면, 그럴듯하지만 실제로 활용하기 어려운 결과물만 쌓일 수 있습니다.
특히 정해진 기준에 따라 정확하게 처리해야 하는 데이터 업무는 생성형 AI보다 Excel이나 VBA, Python과 같은 도구가 적합할 수 있습니다. 반대로 문서를 검토하고 내용을 비교하거나 초안을 작성하는 업무에서는 생성형 AI가 효과적인 출발점이 됩니다.
한국철도공사 역시 자동화할 수 있는 데이터가 많았고, 구성원들의 Python 학습 수요도 높았습니다.
데이터다이빙은 이러한 업무 특성을 반영해 생성형 AI의 기능을 소개하는 데서 그치지 않고, 자신의 업무를 분석해 적합한 도구를 선택하고 실제 결과물로 구현하는 직무 특화 교육을 진행했습니다.
이번 글에서는 한국철도공사 코레일과 함께 진행한 ‘생성형 AI 직무 특화 교육‘에 대해 소개합니다.
전사 특강에서
직무 특화 과정으로 확장하다
교육은 한국철도공사 임직원을 대상으로 한 전사 특강과 재무 관련 직무자를 우선 선발한 정규 과정으로
구성했습니다.
전사 특강에서는 생성형 AI의 기본 원리와 공공기관 업무에서의 활용 가능성을 살펴봤습니다. 보도자료
작성과 문서 기반 검색 등 다양한 업무 사례를 시연하며, 생성형 AI를 사용할 때 필요한 기본적인 판단 기준을 전달했습니다.
정규 과정은 같은 대상에게 사흘 동안 진행됐으며, 동일한 과정을 두 차례 운영했습니다.
첫째 날에는 생성형 AI와 프롬프트의 기초를 익히고, 둘째 날에는 데이터 정리와 업무 자동화로 범위를 넓혔습니다. 마지막 날에는 앞서 발견한 업무의 비효율을 실제 업무용 AI 결과물로 구현하도록 구성했습니다.
각 과정은 독립적인 기능 교육이 아니라, 앞서 배운 내용을 다음 과정에서 다시 활용하는 누적형 구조로
설계했습니다.
좋은 답변보다
반복해서 사용할 수 있는 지시를 만들다
첫째 날에는 생성형 AI의 원리와 한계를 이해하고, 업무 목적에 따라 적합한 도구를 선택하는 방법부터
다뤘습니다.
참여자는 AI에 단순히 질문을 입력하는 대신 효율적으로 지시해서 업무의 효율을 높이는 방법을 익혔습니다. 같은 질문이라도 어떤 배경과 기준을 제공하느냐에 따라 결과가 달라지는 과정을 직접 확인하며,
프롬프트를 업무 지시서의 형태로 구체화했습니다.
또한, 한 번 사용하고 끝나는 질문이 아니라 반복되는 업무에 다시 활용할 수 있도록 프롬프트를 구조화했습니다. 업무 과정에서 정보가 부족하면 AI가 먼저 질문하고, 제공된 문서와 기준에 따라 결과를 작성하도록 설계하는 방법까지 단계적으로 확장했습니다.
교육 중간에는 앞서 다룬 개념과 실습을 반복해서 복습했습니다. 생성형 AI 활용 경험이 적은 참여자도
흐름을 놓치지 않고 다음 단계로 넘어갈 수 있도록 설명과 실습 순서를 세분화했습니다.
데이터의 구조에 따라
자동화 방식을 선택하다
둘째 날에는 업무에서 자주 다루는 정형 데이터를 중심으로 Excel 자동화와 데이터 기반 사고를 학습했습니다.
생성형 AI는 문장을 작성하거나 자료의 의미를 해석하는 데 강점이 있지만, 동일한 기준을 반복 적용하고 정확한 값을 산출해야 하는 업무에서는 결과가 일정하지 않을 수 있습니다. 데이터의 구조가 불분명한 상태에서 AI에 분석을 맡기면 사실과 다른 값이나 활용하기 어려운 결과가 생성될 가능성도 있습니다.
이에 따라 교육에서는 먼저 데이터를 분석 가능한 구조로 정리했습니다. 사내 민감정보 대신 재무 업무의
구조를 반영한 가공 데이터를 활용해 날짜와 항목의 형식을 통일하고, 중복과 결측값을 확인하며 여러 자료를 하나의 기준으로 취합했습니다.
이후 업무의 성격에 따라 생성형 AI와 Excel, VBA, Python의 역할을 구분했습니다. 문서의 의미를 파악하거나 분석 방향을 설정하는 과정에는 AI를 활용하고, 일정한 규칙에 따라 데이터를 정리·계산·비교해야 하는 과정에는 코드와 데이터 도구를 적용하도록 했습니다.
중요한 것은 어떤 도구가 더 뛰어난지를 판단하는 것이 아니라, 업무에서 요구하는 정확성과 반복성에 따라 적합한 방식을 선택하는 것이었습니다.
둘째 날에 찾은 비효율이
마지막 날의 과제가 되다
데이터 실습 이후에는 참여자가 자신의 실제 업무 과정을 작은 단위로 나누고, 시간과 수작업이 집중되는
지점을 직접 찾았습니다.
확인된 비효율은 특정 업무에만 한정되지 않았습니다. 필요한 규정이나 내용을 찾는 데 시간이 오래 걸리거나, 서로 다른 자료를 일일이 비교해야 하는 경우가 있었습니다. 변경된 내용을 직접 표시하고 확인하거나, 반복적으로 수집한 데이터를 다시 정제해야 하는 업무도 확인됐습니다.
외부 정보를 수동으로 검색해 기존 자료와 결합해야 하는 과정에서는 정보 수집의 일관성이 낮아지고 핵심 내용이 누락될 가능성이 있었습니다. 기존 보고서의 형식을 반복해서 활용하면서 새로운 관점의 원인 분석이 어려워지는 문제도 있었습니다.
참여자는 이러한 비효율을 단순히 “AI로 자동화하고 싶은 업무”라고 정의하지 않았습니다. 업무에 필요한 입력 자료와 처리 기준, 원하는 결과, 사람이 최종적으로 확인해야 할 부분을 함께 정리했습니다.
둘째 날의 목표는 자동화 도구 하나를 완성하는 것이 아니라, 마지막 날에 구현할 수 있도록 업무 문제를
구체적인 과제로 전환하는 것이었습니다.
발견한 문제를
자신의 업무용 결과물로 구현하다
마지막 날에는 앞서 정리한 업무의 비효율을 바탕으로 개인별 결과물을 제작했습니다.
여러 문서를 근거로 내용을 조사하고 비교하는 방법을 익힌 뒤, 반복 업무에 활용할 수 있는 개인용 챗봇과 업무 비서를 설계했습니다. 단순히 답변을 생성하는 데서 끝나지 않고, 필요한 자료를 입력받아 정해진 절차에 따라 처리하고 일관된 형태로 결과를 제공하도록 지침을 구체화했습니다.
수강생들은 각자의 업무에 맞춰 법인카드 관련 규정을 확인하는 도구, 홈택스와 내부 시스템의 세금계산서를 비교하는 챗봇, 여러 부서의 자료를 취합해 주간회의 자료 작성을 지원하는 챗봇 등을 구현했습니다.
서로 다른 결과물이었지만 출발점은 같았습니다. 둘째 날에 발견한 비효율을 기준으로 업무를 다시 나누고, AI가 담당할 부분과 데이터 도구가 담당할 부분, 사람이 검토할 부분을 구분한 것입니다.
첫째 날부터 학습한 프롬프트 설계와 둘째 날의 데이터 처리 기준이 마지막 날 하나의 업무 도구로
연결되면서, 모든 참여자가 자신의 업무를 개선하기 위한 결과물을 완성할 수 있었습니다.
반복적인 복습과 과정별 조정으로
완성도를 높이다
같은 커리큘럼을 운영하더라도 참여자의 AI 활용 경험과 데이터 숙련도는 서로 다를 수 있습니다.
데이터다이빙은 교육 중간마다 핵심 개념을 다시 확인하고, 앞선 실습 내용을 다음 실습에서 반복해
활용하도록 구성했습니다.
첫 번째 운영 경험은 두 번째 과정에도 반영했습니다. 설명 순서와 실습 안내를 보완하고, 참여자가 자신의 업무를 더 구체적으로 분석해 AI 지침으로 옮길 수 있도록 실습 과정을 조정했습니다.
특히 생성형 AI에 익숙하지 않은 참여자도 마지막 결과물 제작까지 이어갈 수 있도록 충분한 복습 시간을
두었습니다. 반대로 데이터 자동화에 대한 수요가 높은 참여자에게는 Excel과 VBA, Python 등 업무의
특성에 맞는 확장 방향을 함께 제시했습니다.
정해진 교안을 그대로 전달하기보다 실제 참여자의 수준과 업무 과정을 반영해 내용을 조정한 맞춤형 운영이었습니다.
과정 보완 후 진행한 두 번째 교육의 종합 평점은 5점 만점에 4.90점을 기록했습니다. 세부 항목에서도
교육내용과 강사, 현업 적용도, 교육 운영에 대해 전반적으로 높은 평가를 받았습니다.
특히 강사와 교육운영뿐 아니라 현업적용도에서도 높은 점수가 나타났다는 점은, 교육이 도구 설명에
머무르지 않고 자신의 업무를 직접 분석하고 결과물로 구현하는 과정으로 이어졌음을 보여줍니다.
기초부터 심화까지 차근차근 난도를 높이고, 둘째 날에 발견한 업무 문제를 마지막 날의 결과물로 연결한 교육 구조가 참여자의 실무 적용 가능성을 높이는 데 기여했습니다.
업무 자동화의 시작은 도구가 아니라
문제를 구분하는 것부터
이번 한국철도공사 생성형 AI 직무 특화 교육의 핵심은 더 많은 AI 도구를 사용하는 방법을 전달하는 데
있지 않았습니다.
참여자는 자신의 업무에서 반복과 수작업이 발생하는 지점을 찾고, 생성형 AI로 해결할 수 있는 일과 Excel·VBA·Python이 필요한 일을 구분했습니다. 이후 필요한 자료와 처리 기준, 검토 과정을 설계해 실제 업무에 다시 활용할 수 있는 결과물로 구현했습니다.
조직의 AI 활용 수준을 높이기 위해서는 기능 교육만으로 충분하지 않습니다. 구성원이 자신의 업무를 분석하고 적합한 도구를 선택하며, 이를 반복 가능한 방식으로 구현할 수 있어야 합니다.
데이터다이빙은 조직의 업무와 참여자의 활용 수준을 바탕으로, 기초 이해부터 데이터 자동화와 업무용 AI 결과물 제작까지 연결되는 맞춤형 교육을 설계합니다.
상세 커리큘럼이 궁금하신가요?
생성형 AI 직무 특화 교육 커리큘럼에 대해 자세히 알고 싶으시다면,
아래 버튼을 클릭하여 문의해 주세요. 귀사의 특성에 맞는 맞춤형 교육 방안을 제안해 드리겠습니다.
![신라면세점 데이터 리터러시 교육(집합교육) [1/2]](https://datadiving.net/wp-content/uploads/2023/11/신라면세교육-16_9-집합교육_1-768x432.png)
![KB증권 ChatGPT와 엑셀을 활용한 데이터분석 교육(집합교육) – [1/2]](https://datadiving.net/wp-content/uploads/2023/12/기업교육-16_9-집합교육_KB1-768x432.png)
