AI 도입률보다 낮은 교육 참여율, HR 운영모델의 병목을 드러내다

AI 도구를 깔았다는 말과 사람들이 실제로 일을 바꿨다는 말은 다르다. Aon이 6월 17일 공개한 글은 이 간격을 꽤 선명하게 보여준다. 전 세계 조직의 거의 4분의 3이 AI를 배포했거나 파일럿을 돌리고 있지만, 구성원 다수가 AI 리스킬링·업스킬링에 참여한 조직은 18%에 그쳤다는 대목이다.

이 숫자는 HR팀이 AI 프로젝트를 볼 때 첫 질문을 바꿔야 한다는 신호다. “어떤 도구를 도입했나”보다 “누가 배웠고, 어느 업무가 달라졌으며, 그 변화가 성과 지표로 잡히는가”가 먼저다. 도입률이 높아도 학습 참여율과 운영 기준이 낮으면 AI 투자는 HR 운영모델의 병목을 그대로 드러낸다.

배포율과 학습 참여율 사이의 간격이 가장 먼저 보인다

2026년 6월 17일자 Aon insight는 AI 배포나 파일럿이 이미 넓게 진행되고 있다고 설명한다. 숫자로는 전 세계 조직의 거의 4분의 3이 AI를 배포했거나 시험 중이다. 또 고용주 기준으로는 4분의 3을 넘는 곳이 AI 도구를 이미 내놓았다고 제시했다. 겉으로 보면 AI 전환은 빠르다.

하지만 같은 자료가 던진 두 번째 숫자가 더 불편하다. 구성원 다수가 AI reskilling과 upskilling에 참여한 조직은 18%뿐이다. 배포율과 학습 참여율의 차이는 단순한 교육 일정 지연이 아니다. HRD 예산, 직무별 우선순위, 관리자 역할, 업무 재설계가 한 화면에서 연결되지 않았다는 뜻일 수 있다.

사용 횟수만 세면 AI 투자의 성과가 보이지 않는다

Aon은 AI 활용을 여전히 “frequency of use”로 측정하는 경우가 많다고 짚었다. 몇 명이 로그인했는지, 몇 번 프롬프트를 입력했는지, 어떤 팀이 가장 많이 썼는지는 초기 확산 지표로는 쓸 수 있다. 그러나 이 지표만으로는 채용 리드타임, 교육 전환율, 고객 대응 품질, 문서 검토 시간, 관리자 의사결정 속도가 나아졌는지 확인하기 어렵다.

교육 커버리지도 같은 문제를 보여준다. Aon은 10%의 인력조차 교육하지 못한 고용주가 3분의 1 미만이라고 썼고, 6곳 중 1곳은 어떤 직원도 교육하지 않았다고 설명했다. AI 프로젝트 회의에서 “사용자 수”만 보고 끝내면 이 공백이 가려진다. HR은 교육 대상, 직무군, 사용 사례, 전후 성과 지표를 함께 묶어 봐야 한다.

HRD와 People Analytics가 같은 대시보드를 봐야 한다

이제 AI 교육은 독립된 캠페인처럼 운영하기 어렵다. 18%라는 참여율 숫자는 HRD팀만의 문제가 아니라 People Analytics와 HRBP, IT, 현업 리더가 같이 봐야 할 운영 지표다. 예를 들어 교육 수료율만 볼 것이 아니라 교육 후 실제 업무에 AI가 투입된 비율, 승인된 사용 사례 수, 리스크 검토가 끝난 프로세스 수를 같이 놓아야 한다.

John McLaughlin은 조직이 AI를 배포하면서도 그것을 효과적으로 쓰는 데 필요한 clarity, direction, operating model을 충분히 제공하지 않는다고 말했다. 이 문장은 HR 운영모델의 체크포인트로 읽을 수 있다. 직무별 AI 사용 기준이 있는가. 관리자는 어떤 산출물을 승인해야 하는가. 교육 후 30일, 60일, 90일에 무엇을 비교할 것인가. 이런 질문이 없으면 AI 활용은 개인의 호기심에 맡겨진다.

한국 기업의 다음 회의 질문은 도구가 아니라 준비도다

Aon 자료는 글로벌 컨설팅 관점의 글이므로 한국 기업의 법적 의무나 산업별 규정을 대신 설명하지 않는다. 이번 자동 실행에서 표본, 조사 범위, 산업별 응답자 분포까지 확인한 것은 아니기 때문에 숫자는 인력준비도 점검의 신호로 읽어야 한다. 다만 HR 실무 판단에는 적용 가능한 경고가 있다. AI 전환을 솔루션 도입 프로젝트로만 다루면 교육, 역할, 성과 측정, 책임 구조가 뒤따라오지 못한다는 점이다.

다음 AIHR 회의에서는 기능 목록보다 준비도 표를 먼저 펼치는 편이 낫다. 직무군별 교육 참여율, 실제 적용 업무, 관리자 승인 기준, 금지 사용 사례, 성과 지표, 데이터 보안 점검 상태를 한 줄씩 확인해야 한다. 도구가 이미 들어왔다면 더 늦기 전에 물어야 한다. 우리 조직은 AI를 쓰는 사람을 늘리고 있는가, 아니면 AI를 쓸 수 있는 일을 새로 설계하고 있는가.