‘AI 캠퍼스’로 드러난 정부 인공지능 인력정책의 실험과 숙제
정부가 인공지능 전환을 국가 차원의 인력 전략으로 끌어올리고 있다. 고용노동부는 2026년부터 K-디지털 트레이닝(KDT) 체계 안에 ‘AI 캠퍼스’를 신설해 연간 약 1,300억 원의 예산을 투입하고, 1만 명 규모의 AI 전문 인력을 양성하겠다는 계획을 내놓았다. 기업의 AI 도입 속도에 비해 전문 인력이 턱없이 부족하다는 진단은 익숙하지만, 이번 정책은 기존 직업훈련 정책과는 다른 방식의 개입을 시도하고 있다는 점에서 주목된다 .
AI 인력 수급 불균형은 이미 수년 전부터 반복적으로 제기돼 왔다. 대기업과 중견기업 다수가 AI 인력 채용을 확대하겠다고 밝히고 있음에도, 실제 현장에서는 숙련 인재 부족과 과도한 임금 기대라는 현실적 장벽에 부딪히고 있다. 특히 중소기업과 비수도권 기업은 AI 도입 필요성은 인식하면서도 이를 실행할 인력을 확보하지 못해 전환 자체를 미루는 상황에 놓여 있다. 정부가 이번에 ‘AI 캠퍼스’라는 별도의 정책 브랜드를 도입한 배경에는, 기존의 단기 디지털 훈련이나 범용 코딩 교육으로는 산업의 구조적 변화를 따라갈 수 없다는 판단이 깔려 있다.
이번 정책은 단순히 훈련 인원을 늘리는 접근이 아니라, AI 인력을 어떻게 정의하고 분류할 것인가라는 질문에서 출발한다는 점에서 이전 정책과 결이 다르다. 그동안 ‘AI 인력’이라는 말은 연구자, 개발자, 데이터 분석가를 포괄적으로 지칭해 왔지만, 현장에서는 역할과 책임이 명확히 구분되지 않은 채 혼용돼 왔다. AI 캠퍼스는 이 모호함을 정리하는 것부터 시작한다.
직무를 다시 쪼갠 정책, ‘무엇을 할 수 있는가’에 대한 재정의
AI 캠퍼스가 제시한 4개 직군은 단순한 명칭 나열이 아니다. AI 엔지니어, AI 애플리케이션 개발자, AI 융합가, AI 하드웨어 엔지니어라는 구분은 연구와 서비스, 소프트웨어와 하드웨어, 기술과 산업 현장을 명확히 가르겠다는 시도로 읽힌다. 이는 AI 인력을 ‘기술을 아는 사람’이 아니라 ‘어떤 문제를 책임지는 사람’으로 정의하겠다는 정책적 선언에 가깝다.
AI 엔지니어는 연구 결과를 실제 서비스로 구현하고 운영하는 역할에 초점을 둔다. 데이터 엔지니어, 머신러닝 엔지니어, MLOps 엔지니어 등으로 세분화된 이 직군은 그동안 기업 현장에서 가장 부족하다고 지적돼 온 영역이다. AI 애플리케이션 개발자는 검증된 AI 모델을 API나 SDK 형태로 연결해 실제 웹·앱 환경에서 작동하도록 구현하는 역할을 맡는다. 이는 자체 모델을 개발할 여력이 없는 다수의 기업 현실을 반영한 직무 정의다.
AI 융합가는 금융, 의료, 제조 등 특정 산업의 전문지식과 AI 기술을 결합해 문제를 해결하는 인력으로 설정됐다. 이는 AI 활용이 기술 부서를 넘어 전사적 과제로 확산되고 있다는 흐름과 맞닿아 있다. 마지막으로 AI 하드웨어 엔지니어는 대규모 연산을 떠받치는 NPU·GPU 시스템을 설계하고 운영하는 역할로, 소프트웨어 중심의 인력 정책에서 상대적으로 소외돼 왔던 영역을 정책 테이블 위로 끌어올렸다.
프로젝트 중심 훈련, 형식이 아니라 내용이 관건이다
AI 캠퍼스의 또 다른 특징은 훈련 방식에 있다. 참여 기관은 기업 현업 문제를 반영한 프로젝트 학습을 전체 과정의 30% 이상으로 편성해야 한다. 이는 기존 직업훈련에서 반복적으로 지적돼 온 ‘이론 위주, 실무 부재’ 문제를 의식한 설계다. 특히 AI 기술의 경우, 실제 데이터와 서비스 환경을 경험하지 않으면 훈련 효과가 제한적이라는 점에서 프로젝트 중심 학습은 필수적이라는 평가가 많다. 다만 프로젝트 비중 확대가 곧바로 훈련의 질을 담보하는 것은 아니다. 프로젝트가 실제 기업의 문제를 다루는지, 아니면 교육용으로 단순화된 과제에 그치는지는 설계 역량에 따라 크게 달라질 수 있다. 정부가 훈련기관에 자율성을 부여하겠다고 밝힌 만큼, 향후 성과 평가는 형식이 아니라 결과를 중심으로 이뤄질 필요가 있다. 자율성은 책임과 함께 작동할 때만 의미를 갖기 때문이다.
AI 캠퍼스 수료생에게는 훈련기관 명의의 수료증이 발급되며, 이 수료증에는 직무역량과 프로젝트 결과 요약이 함께 기재된다. 이는 학력이나 자격증 중심의 채용 관행을 넘어, 실제 수행 능력을 평가하겠다는 시도다. 정부는 이를 통해 채용 기업이 훈련생 개인뿐 아니라 훈련기관의 역량까지 함께 평가할 수 있을 것으로 기대하고 있다.
그러나 채용 시장이 이 신호를 어떻게 받아들일지는 아직 미지수다. 기업이 수료증에 기재된 역량 정보를 신뢰하려면, 그 정보가 일정 수준 이상의 표준성과 검증 가능성을 가져야 한다. 결국 이는 훈련기관 간 품질 격차 문제로 이어진다. 일부 우수 기관의 수료증만 신뢰받는 구조가 형성될 경우, 정책의 취지가 왜곡될 가능성도 배제할 수 없다.
AI 캠퍼스 정책에서 가장 눈에 띄는 장치는 지역별 훈련수당 차등 지급이다. 수도권 훈련생에게 월 40만 원, 비수도권에는 60만 원, 인구감소지역에는 80만 원을 지급하는 구조는 명확한 정책적 의도를 담고 있다. AI 인재 양성이 수도권 집중으로 귀결되는 기존 흐름을 완화하겠다는 것이다. 그러나 수당은 어디까지나 훈련 기간에 한정된 유인책이다. 훈련 이후 취업 단계에서 다시 수도권으로 이동하는 흐름이 반복된다면, 정책 효과는 제한적일 수밖에 없다. 비수도권 기업의 AI 수요를 실질적으로 창출하고, 지역 내에서 커리어를 이어갈 수 있는 환경이 함께 조성되지 않는다면, AI 캠퍼스는 ‘지역에서 훈련받은 수도권 인력’을 양산하는 결과로 귀결될 위험도 안고 있다.
숫자보다 중요한 것은 구조다
1만 명이라는 양성 목표는 분명 인상적인 수치다. 그러나 AI 인력 정책의 성패는 숫자가 아니라 구조에서 갈린다. 어떤 직무를 중심으로 인력이 배치되는지, 그 인력이 산업 현장에서 어떤 역할을 수행하는지, 그리고 시간이 지나도 경쟁력을 유지할 수 있는 학습 경로가 마련돼 있는지가 더 중요하다. AI 캠퍼스는 이러한 질문에 대한 하나의 실험적 답변이다. 직무 재정의, 프로젝트 중심 학습, 지역 인센티브라는 세 가지 축은 기존 정책보다 진일보한 시도로 평가할 수 있다. 다만 이 실험이 성공하기 위해서는 정책 시행 이후의 점검과 수정이 필수적이다. AI 기술의 변화 속도는 빠르고, 인력 정책은 언제나 그 뒤를 쫓는다. 중요한 것은 뒤처졌을 때 이를 인정하고 설계를 다시 고칠 수 있는 유연성이다.
AI 캠퍼스는 시작에 불과하다. 실제 훈련이 어떻게 운영되는지, 수료생이 어디로 진출하는지, 기업이 이 인력을 어떻게 평가하는지에 따라 이 정책은 성공 사례가 될 수도, 또 하나의 시범사업으로 남을 수도 있다. 정부의 역할은 이제 선언을 넘어서, 현장의 데이터를 축적하고 그 결과를 투명하게 공개하는 데 있다. AI 전환은 특정 산업이나 기업의 문제가 아니라 노동시장 전체의 구조 변화를 요구한다. AI 캠퍼스가 그 변화를 이끄는 출발점이 될 수 있을지, 아니면 선언에 그칠지는 앞으로 몇 년간의 운영과 평가에 달려 있다. 정책은 발표되는 순간이 아니라, 작동하는 과정에서 비로소 의미를 갖는다.
#AI캠퍼스 #K디지털트레이닝 #AI인력양성 #노동시장변화 #디지털전환 #지역인재 #인공지능정책
답글 남기기