핵심 요약
AI 학습 플랫폼을 도입하면 스킬 기반 HRD가 자동으로 완성될 것처럼 보인다. 하지만 실제로는 반대다. 플랫폼은 데이터를 담는 그릇이고, 어떤 스킬을 어떤 직무·업무·성과와 연결할지 정하지 않으면 추천 학습, AI 코칭, 역량 진단도 표면적인 기능에 머문다.
CompTIA의 2026년 Workforce and Learning Trends는 조직의 83%가 스킬 우려 대응을 높은 우선순위로 두고, HR 전문가와 IT 리더의 62%가 향후 1년 AI 교육 예산 증가를 예상한다고 제시한다. 그런데 같은 자료는 공식 조직 차원의 업스킬링·리스킬링 프로그램을 갖춘 기업이 34%에 그친다고 설명한다. 예산과 관심은 커지지만, 스킬을 어떻게 정의하고 축적할지에 대한 운영 구조는 아직 부족하다는 뜻이다.
따라서 2026년 HRD의 질문은 “어떤 AI 학습 플랫폼을 살 것인가”보다 먼저 “우리 조직의 스킬 데이터는 어떤 의사결정에 쓰일 것인가”가 되어야 한다. 스킬 데이터는 교육 이수 기록이 아니라 직무 변화, 학습 경로, 업무 적용, 내부 이동, 성과 검증을 연결하는 HR 운영 데이터다.
스킬 기반 HRD는 플랫폼이 아니라 데이터 모델에서 시작된다
스킬 기반 HRD를 시작할 때 흔히 먼저 검토하는 것은 LMS, LXP, AI 학습 추천 도구다. 물론 도구는 필요하다. 그러나 도구가 먼저 오면 “학습 콘텐츠를 많이 추천하는 시스템”은 만들 수 있어도 “어떤 스킬이 어떤 업무 전환에 필요한지 설명하는 시스템”은 만들기 어렵다.
Deloitte의 2026 Global Human Capital Trends는 경쟁우위가 정적인 인력 배치에서 사람, 스킬, 데이터, 기술을 실시간으로 오케스트레이션하는 방식으로 이동한다고 설명한다. 여기서 핵심은 기술 자체가 아니라 연결 구조다. 사람의 현재 역할, 필요한 스킬, 업무 변화, 데이터, 기술 활용이 한 흐름으로 연결되어야 한다.
CompTIA의 조사 대상은 HR 전문가와 IT 리더를 포함한 workforce development 관련 응답자다. 이 표본에서 스킬 우려 대응 우선순위는 높지만, 공식 조직 차원의 업스킬링·리스킬링 프로그램 보유 비율은 34%에 그친다. 이 격차는 플랫폼 부족만으로 설명하기 어렵다. 더 근본적인 문제는 스킬을 어떤 단위로 정의하고, 어떤 데이터로 확인하며, 어떤 HR 의사결정에 연결할지 정하지 못한 데 있다.
스킬 데이터 모델은 적어도 네 가지 질문에 답해야 한다. 첫째, 직무별로 중요한 스킬은 무엇인가. 둘째, 현재 직원의 스킬 수준은 어떻게 확인할 것인가. 셋째, 학습 이후 실제 업무 적용은 어떻게 볼 것인가. 넷째, 그 결과를 배치, 내부 이동, 역할 전환, 성과관리와 어떻게 연결할 것인가.
첫 번째 데이터는 ‘직무명’이 아니라 ‘업무와 스킬의 연결’이다
스킬 데이터 설계의 출발점은 직무명이 아니다. 같은 직무명 안에서도 자동화되는 업무, 사람이 계속 해야 하는 판단 업무, AI와 함께 수행해야 하는 검증 업무가 다르다. 5편에서 본 것처럼 리스킬링 대상자 선정도 직무 전체가 아니라 바뀌는 업무를 기준으로 해야 한다. 6편의 데이터 설계도 같은 원칙을 따른다.
CompTIA는 현재 사용 중인 훈련 형식으로 직무 역할 기반 훈련 64%, 기초 AI 스킬 훈련 64%, 컴플라이언스·보안 62%, 워크플로 관련 훈련 62%, 고급 AI 훈련 53%를 제시한다. 이 수치는 교육이 이미 “직무 역할”과 “워크플로” 단위로 이동하고 있음을 보여준다. 따라서 스킬 데이터도 직무명 아래에 단순 역량 목록을 붙이는 방식으로는 부족하다.
실무에서는 직무를 세 단계로 쪼개는 것이 유용하다. 첫째, 직무명이다. 예를 들어 채용담당자, 교육담당자, 영업관리자처럼 조직이 이미 쓰는 역할 단위다. 둘째, 주요 업무다. 채용담당자라면 후보자 소싱, 면접 운영, 채용 데이터 분석, 온보딩 연계가 될 수 있다. 셋째, 업무별 필요 스킬이다. 데이터 해석, 인터뷰 설계, 이해관계자 커뮤니케이션, AI 도구 활용, 개인정보 판단처럼 더 작은 단위로 내려가야 한다.
이렇게 설계하면 플랫폼의 학습 추천도 달라진다. “채용담당자에게 AI 교육 추천”이 아니라 “후보자 소싱 자동화 이후 남는 데이터 검증과 후보자 경험 설계 스킬을 강화”하는 방식으로 추천할 수 있다. 스킬 데이터는 교육 카탈로그 분류표가 아니라 업무 변화 지도여야 한다.
두 번째 데이터는 학습 이력이 아니라 스킬 숙련도 변화다
많은 조직의 LMS에는 수강 이력, 이수율, 만족도, 시험 점수가 남는다. 그러나 이것만으로는 직원이 실제로 어떤 스킬을 더 잘하게 되었는지, 어떤 업무를 맡을 수 있게 되었는지 설명하기 어렵다. 스킬 기반 HRD에서 필요한 데이터는 “교육을 들었다”가 아니라 “어떤 스킬 숙련도가 어느 수준에서 어느 수준으로 이동했다”다.
SHRM의 2026년 AI in HR 보고서는 HR 조직의 AI 투자 성공을 공식적으로 측정하지 않는 응답이 56%라고 제시한다. 조사 대상과 산업 구성이 한국 기업과 다를 수는 있지만, AI 도입과 학습 투자가 늘어나는 상황에서 측정 구조가 뒤따르지 못하는 문제를 보여준다. AI 학습 플랫폼도 마찬가지다. 수료율만 남으면 투자 성과를 설명하기 어렵다.
스킬 숙련도 데이터는 너무 복잡하게 시작할 필요가 없다. 예를 들어 4단계 정도로 시작할 수 있다. 1단계는 개념 이해, 2단계는 가이드에 따른 수행, 3단계는 독립 수행, 4단계는 타인 코칭 또는 업무 개선 제안이다. 중요한 것은 이 단계가 교육 과정명이 아니라 실제 업무 행동과 연결되어야 한다는 점이다.
예를 들어 “생성형 AI 활용”이라는 스킬을 하나로 두면 데이터가 흐려진다. HRD 담당자에게는 교육 요구 분석 초안 작성, 학습 콘텐츠 구조화, 설문 응답 요약, 교육 효과 리포트 초안 검토처럼 업무별 행동으로 나눠야 한다. 그래야 교육 전후 진단, 관리자 피드백, 프로젝트 적용 사례가 하나의 스킬 변화 데이터로 연결된다.
세 번째 데이터는 교육 이후의 업무 적용이다
스킬 데이터가 HRD 안에서만 머물면 “교육을 잘 운영했다”는 보고는 가능하지만 “조직의 일하는 방식이 바뀌었다”는 설명은 어렵다. 교육 이후 어떤 업무에 적용되었는지, 어떤 프로젝트에 투입되었는지, 어떤 역할 전환으로 이어졌는지가 함께 기록되어야 한다.
TalentLMS의 2026 L&D Report는 HR 매니저 표본을 중심으로 L&D 설계, 예산, 우선순위, 성과 측정 방식을 다룬다. 이 자료는 L&D 성공의 보조 지표로 비즈니스 영향 37%, 커리어 성장 결과 31%, 교육 만족도 28%를 제시한다. 만족도보다 비즈니스 영향과 커리어 성장 결과가 함께 언급된다는 점은 중요하다. 학습 데이터가 실제 업무와 내부 이동으로 연결되어야 한다는 신호이기 때문이다.
업무 적용 데이터는 거창한 생산성 지표부터 시작할 필요가 없다. 교육 이후 30일 안에 적용한 업무, 적용 산출물, 관리자 확인, 동료 피드백, 프로젝트 투입 여부, 자동화 또는 개선한 업무 단위처럼 작은 데이터부터 시작할 수 있다. 핵심은 “교육 종료”와 “업무 변화” 사이를 끊지 않는 것이다.
예를 들어 AI 교육을 들은 직원이 보고서 초안 작성 시간을 줄였는지, 고객 문의 분류 기준을 개선했는지, 반복 업무를 자동화했는지, 회의록 요약 품질을 검토하는 기준을 만들었는지 확인해야 한다. 이런 데이터가 쌓여야 다음 편에서 다룰 성과지표도 수료율이 아니라 적용, 이동, 역할 전환 중심으로 설계할 수 있다.
HRD 실무 체크리스트: 플랫폼 도입 전 확인할 6가지 데이터 질문
AI 학습 플랫폼이나 LXP를 검토하기 전에 HRD는 먼저 데이터 질문을 정리해야 한다. CompTIA의 2026년 자료에서 AI 교육 예산 증가를 예상한 HR 전문가와 IT 리더가 62%라는 점은 투자 압력이 커지고 있음을 보여준다. 하지만 공식 업스킬링·리스킬링 프로그램 보유 기업이 34%라는 수치는 투자 전 데이터 구조 점검이 필요하다는 경고이기도 하다.
첫째, 우리 조직은 스킬을 어떤 단위로 정의하는가. 직무명, 직무역량, 업무, 행동지표, 도구 활용 능력이 섞여 있으면 플랫폼에 넣어도 검색과 추천 품질이 낮아진다.
둘째, 스킬과 업무의 연결표가 있는가. “AI 활용 역량”처럼 넓은 표현보다 “교육 만족도 주관식 응답을 요약하고 개선 과제를 분류한다”처럼 업무 행동과 연결된 표현이 필요하다.
셋째, 현재 수준을 어떻게 진단할 것인가. 자기진단만 쓸지, 관리자 확인을 더할지, 과제 수행 결과를 볼지, 프로젝트 산출물을 볼지 정해야 한다. 진단 방식이 없으면 학습 추천은 개인의 관심사 추천에 머문다.
넷째, 학습 이후 변화를 어떻게 기록할 것인가. 수료 여부, 진단 점수 변화, 업무 적용 사례, 관리자 확인, 프로젝트 투입 여부가 최소한의 후보 데이터가 될 수 있다.
다섯째, 이 데이터를 어떤 HR 의사결정에 쓸 것인가. 교육 추천만 할 것인지, 내부 이동, 역할 전환, 승계 후보군, 프로젝트 배치, 인력계획까지 연결할 것인지에 따라 필요한 데이터 수준이 달라진다.
여섯째, 개인정보와 평가 리스크를 어떻게 관리할 것인가. 스킬 데이터는 직원 성장 지원과 배치 의사결정에 유용하지만, 불투명한 평가나 낙인으로 쓰이면 신뢰를 잃는다. 데이터 수집 목적, 접근 권한, 보관 기간, 개인 피드백 방식은 플랫폼 계약보다 먼저 정해야 한다.
HR이 다음에 봐야 할 방향
2026년 업스킬링·리스킬링의 핵심은 더 많은 교육 콘텐츠를 배치하는 것이 아니다. 어떤 업무가 바뀌고, 어떤 스킬이 필요하며, 누가 어떤 수준에 있고, 학습 이후 어떤 업무에 적용했는지 설명할 수 있어야 한다. 이 설명 가능성이 스킬 데이터의 역할이다.
플랫폼은 이 데이터를 잘 모으고 보여줄 수 있다. 하지만 데이터 모델이 없으면 플랫폼은 수료율과 콘텐츠 추천을 반복할 뿐이다. 반대로 업무-스킬-진단-학습-적용-검증의 흐름이 정리되어 있으면 작은 LMS나 스프레드시트로도 파일럿을 시작할 수 있다.
다음 편에서는 이 데이터가 어떤 성과지표로 이어져야 하는지 다룰 필요가 있다. 리스킬링의 성과는 수료율만으로 설명하기 어렵다. 내부 이동, 역할 전환, 업무 적용, 생산성 개선, 관리자 평가, 프로젝트 투입 같은 지표가 함께 있어야 한다. 스킬 데이터는 그 성과지표를 만들기 위한 기초 인프라다.
