Agentic Workflow 교육론: 조직구조론과 교육학으로 설계하는 AI-Native 학습 아키텍처

"에이전트를 만들 줄 아는 사람을 키우는 것이 아니라, 에이전트가 작동하는 조직을 운영할 수 있는 사람을 키우는 것이다."

Executive Summary

Agentic Workflow 교육이 실패하는 이유는 크게 세 가지다. 첫째, 교육을 "도구 사용법" 수준으로 설계한다. 둘째, 전문가의 정체성 위협을 무시하고 기술 교육부터 시작한다. 셋째, 조직 운영 변화(Structure–Coordination–Control–Decision의 재배선)와 교육 커리큘럼이 단절된다.

본 아티클은 고전 조직이론의 SCCD(Structure-Coordination-Control-Decision) 프레임, Agentic Workflow의 운영 구조, 그리고 인지심리학·성인학습이론을 통합하여 "Agentic Workflow를 실제로 운영할 수 있는 조직"을 만드는 교육 아키텍처를 제시한다.

핵심 주장은 다음 네 가지다.

Agentic Workflow는 도구가 아니라 운영모델이다. 따라서 교육의 단위도 "개인 스킬"이 아니라 "팀의 운영 역량"이어야 한다.
교육의 선행 조건은 기술이 아니라 심리적 안전감이다. 전문직일수록 정체성 위협이 학습 저항의 핵심 기제로 작동한다.
학습 설계는 학습자 유형(전문가/초보자, 역할별)에 따라 근본적으로 달라야 한다. 동일한 커리큘럼은 양쪽 모두에게 비최적이다.
교육 산출물은 실행 가능한 운영 산출물(워크플로우 설계, TEVV 계획, 역할 정의서)이어야 한다. 시험 점수나 이수 인증이 목표가 될 때 교육-현업 적용이 단절된다.

1. 왜 Agentic Workflow 교육은 기존 IT 교육과 달라야 하는가

1.1 도구 교육의 함정

기존 IT 교육의 논리 구조는 단순하다: "새 시스템이 도입됐다 → 사용법을 가르친다 → 사용률을 높인다." ERP 교육, CRM 교육, 협업 툴 교육이 모두 이 패턴을 따랐다. 도구가 인간의 행동 옵션을 확장하지만, 조직의 운영 논리 자체를 바꾸지는 않았기 때문이다.

Agentic Workflow는 다르다. 에이전트는 단순히 인간의 동작을 자동화하는 것이 아니라, 조직의 조정(Coordination) 방식과 의사결정(Decision) 경계 자체를 재배선한다. "업로드-승인-자동 실행"(Garfield.Law), "AI 에이전트가 순차·병렬 처리 후 변호사에게 에스컬레이션"(대륜 AI 대륜 v2)처럼, 에이전트가 워크플로우의 실행 주체가 되는 순간 인간의 역할이 재정의된다.

구분	기존 IT 도구 교육	Agentic Workflow 교육
핵심 질문	"이 버튼을 누르면 이렇게 된다"	"에이전트에게 무엇을 위임하고, 어디서 인간이 판단하며, 책임을 어떻게 추적 가능하게 남기는가"
조직 운영 논리	불변 — 도구가 행동 옵션을 확장	변화 — 조정·의사결정 방식이 재배선
교육 단위	개인 스킬	팀의 운영 역량

1.2 조직 변화와 교육의 단절

고전 조직이론이 규명한 SCCD 체인 — Structure(역할·권한 배치), Coordination(분업의 연결), Control(일관성·책임 확보), Decision(정보·권한 흐름) — 은 AI Native에서 동시에 재배선된다.

Agentic Workflow 교육이 "프롬프트 잘 쓰기"나 "API 연동 방법"에 그치면, 이 조직 차원의 재배선을 지원하지 못한다. 조직이 원하는 것은 에이전트를 잘 다루는 개인이 아니라, 에이전트가 작동하는 운영 체계를 설계·운영·개선할 수 있는 팀이다.

1.3 교육학이 발견한 구조적 문제

수십 년의 성인학습 연구는 세 가지를 반복적으로 확인했다:

전이 실패(Transfer Failure): 탈맥락 학습(classroom training)에서 습득한 것이 현장에서 적용되지 않는 현상. 교육 투자의 상당 부분이 여기서 소멸된다.
전문성 역설(Expert Paradox): 강한 전문가 정체성이 재학습의 장벽이 된다. AI 도입 시 75%의 직원이 자신감 부족을 호소하고(Deloitte, 2025), 42%의 기업이 AI 이니셔티브를 포기하는(HBR, 2025) 데이터의 상당 부분은 기술적 난이도가 아닌 이 심리적 메커니즘에서 비롯된다.
인지 부하 역전(Expertise Reversal Effect): 초보자에게 효과적인 단계별 가이드가 전문가에게는 오히려 Extraneous Load를 증가시킨다. 단일 커리큘럼으로 전문가와 초보자를 동시에 가르치는 것은 구조적으로 비최적이다(Kalyuga et al., 2003).

2. Agentic Workflow의 SCCD 해부: 교육이 개입해야 하는 지점

Agentic Workflow 교육을 설계하려면 먼저 에이전트가 조직의 어느 레이어에서 어떤 방식으로 운영 논리를 바꾸는지를 이해해야 한다.

2.1 Structure: 인간의 역할이 재정의되는 지점

고전 구조	Agentic 구조	교육 개입 포인트
파트너-시니어-주니어 레버리지	에이전트가 대량 처리, 인간은 감독·책임	역할 재정의: "나는 이제 무엇을 하는 사람인가"
기능별 사일로(법무팀, 영업팀)	도메인 end-to-end Pod	Pod 내 역할 명세 및 에이전트 위임 경계 설계
계층적 보고 라인	Agent Boss: 에이전트를 위임·관리하는 역할	에이전트 오너십 개념과 책임 소재 교육

핵심 교육 과제: "내 역할이 에이전트로 대체된다"는 두려움을 "에이전트를 통해 더 고차원 판단에 집중할 수 있다"는 인식으로 전환하는 것. 이것은 언어 재프레이밍이 아니라 실제로 역할이 어떻게 바뀌는지를 보여주는 경험 설계를 통해서만 가능하다.

2.2 Coordination: 워크플로우가 조정을 흡수하는 지점

Agentic Workflow에서 조정은 "회의·이메일·보고"에서 "워크플로우 상태(state)와 에이전트 간 핸드오프(handoff)"로 이동한다.

핵심 교육 과제: 워크플로우를 "태스크로 분해하고 → 자동화 가능 구간과 인간 판단 구간을 구분하며 → 예외 케이스를 설계하는" 능력. 이것은 암기하거나 강의로 전달할 수 없다. 실제 워크플로우를 설계하는 경험을 통해서만 획득된다.

2.3 Control: 통제가 사후에서 실시간으로 이동하는 지점

고전 조직이론에서 통제는 규칙·절차, 감사, 성과 평가의 사후 메커니즘이었다. Agentic Workflow에서 통제는 TEVV(Test-Evaluate-Verify-Validate), 로그, 실시간 모니터링으로 내재화된다.

법률 AI의 경우 SRA가 Garfield.Law 승인 시 "품질 검증, 기밀 유지, 이해상충, 환각(hallucination) 관리"를 시스템 요건으로 명시했다. 이는 "규제 준수를 위한 체크리스트"가 아니라 에이전트가 작동하는 한 지속적으로 운영되어야 하는 통제 루프다.

핵심 교육 과제: NIST AI RMF의 GOVERN-MAP-MEASURE-MANAGE를 "역할 분장표"가 아니라 "운영 캘린더와 실행 루틴"으로 익히는 것. 이것은 교실에서 배우는 개념이 아니라 실제 파일럿을 운영하면서 체화되는 실천 지식이다.

2.4 Decision: 의사결정이 제품화되는 지점

Agentic Workflow에서 가장 심층적인 변화는 의사결정의 '제품화'다. "결정 제품(Decision Product)"은 결정의 결과뿐 아니라 근거·정책·예외·로그가 함께 패키징되는 의사결정 단위다.

Norm Law의 "감사 가능성(auditability)을 경쟁력으로"라는 포지셔닝이나, Crosby의 "계약 조건 수용/거절/대안 제시를 결정 제품으로 패키징"하는 방식은 모두 이 구조를 의미한다.

핵심 교육 과제: 어떤 결정을 에이전트에 위임하고, 어디서 인간의 최종 판단이 필요하며, 그 판단의 근거를 어떻게 재현 가능하게 남기는가 — 즉 "자율성 경계(Autonomy Boundary) 설계" 역량.

3. 학습자 유형 분류: 에이전틱 전환에서의 Expert-Novice 지형

Agentic Workflow 교육의 복잡성은 학습자가 도메인 전문성과 AI 친숙도라는 두 개의 독립적인 축에 위치한다는 데서 비롯된다.

	낮은 AI 친숙도	높은 AI 친숙도
높은 도메인 전문성	[A] 전문가 + AI 초보자<br>정체성 위협 HIGH<br>인지 역전 효과 HIGH<br>→ 정체성 안전망 + 비교·판단 과제 중심	[B] 전문가 + AI 숙련자<br>적응적 전문성 개발 단계<br>워크플로우 설계 역량 집중<br>→ Layer 3 Design 진입 우선
낮은 도메인 전문성	[C] 초보자 + AI 초보자<br>구조화된 온보딩 필요<br>Extraneous Load 관리 우선<br>→ ZPD 기반 스캐폴딩 + Worked Examples	[D] 초보자 + AI 숙련자<br>AI 역량 ≠ 도메인 이해<br>환각 감지 실패 위험 HIGH<br>→ 도메인 학습 + TEVV 검증 병행

3.1 가장 어려운 학습자: 유형 A (전문가 + AI 초보자)

법률, 의료, 금융, 회계 전문직의 베테랑이 여기에 해당한다. 이들은 도메인에서는 청킹된(chunked) 지식 구조를 가진 전문가이지만, Agentic Workflow 맥락에서는 초보자다. 도메인 전문성으로 AI 초보자 상태를 은폐하려는 경향이 정체성 위협과 결합될 때 가장 강한 학습 저항이 나타난다.

Chi(2006)의 Expert-Novice 연구가 밝힌 "도메인 한정성(domain specificity)" — 한 분야의 전문성이 다른 분야에 자동으로 전이되지 않는다는 원리 — 이 이 유형의 핵심 과제다. 20년 경력 변호사도 프롬프트 엔지니어링에서는 초보자다.

설계 원칙:

정체성 안전망 먼저: "당신의 법률 전문성이 에이전트를 더 잘 쓰게 한다"는 프레이밍
AI 결과를 판단·검증하는 Expert Reviewer 역할 명시
Worked Examples가 아닌 비교·판단 과제 중심 (Expertise Reversal Effect 회피)
동류 참조(peer modeling): 유사 배경 선행 도입자 사례 우선 노출

3.2 빠른 학습자이지만 위험한 유형: 유형 D (초보자 + AI 숙련자)

AI 도구를 능숙하게 다루지만 도메인 이해가 얕은 경우. 에이전트 출력의 품질을 도메인 전문성으로 검증할 수 없기 때문에 환각(hallucination) 감지 실패가 가장 빈번하다. 법률 문서 자동화에서 이 유형이 검증 없이 사용하면 Garfield 모델이 요구하는 "품질 검증, 이해상충 관리"가 작동하지 않는다.

설계 원칙:

도메인 지식 + AI 활용의 병행 학습 필수
AI 출력 검증 역량(TEVV의 실무 버전)을 핵심 평가 기준으로
"빠르게 만들었다"가 아니라 "정확하게 검증했다"를 성과로 정의

3.3 가장 큰 Extraneous Load에 노출된 유형: 유형 C (초보자 + AI 초보자)

신입 직원, 경력 전환자가 여기에 해당한다. Sweller의 Cognitive Load Theory에 따르면 이들은 이미 도메인 Intrinsic Load가 높은 상태에서 AI 도구의 복잡성(추가 Extraneous Load)까지 처리해야 한다. Working Memory가 과부하 상태다.

설계 원칙:

마이크로러닝 + 스페이스드 리피티션으로 Intrinsic Load 분산
AI 도구 UX 선택에서 Extraneous Load 최소화 고려
ZPD(근접 발달 영역) 기반 스캐폴딩: 현재 수준 바로 위의 과제 설계
충분한 Worked Examples 제공 (Expert와 다르게!)

4. 교육학 이론이 말하는 Agentic Workflow 학습의 조건

4.1 Kolb 경험학습 사이클과 Agentic Workflow

Kolb(1984)의 핵심 통찰: "경험은 성찰을 통해서만 학습이 된다." Agentic Workflow 교육에서 이를 적용하면:

단계	명칭	Agentic Workflow 적용	실무 메커니즘
1	구체적 경험 (CE)	실제 업무 에이전트를 설계·실행	과제 수행, PoC 운영
2	성찰적 관찰 (RO)	에이전트가 무엇을 잘 했고, 어디서 실패했나	팀 회고, 오류 분석 세션
3	추상적 개념화 (AC)	왜 그런 패턴이 나타났나, 설계의 원칙은?	워크플로우 개선 리뷰
4	능동적 실험 (AE)	개선된 에이전트 설계로 재시도	다음 스프린트 설계 반영

대부분의 Agentic Workflow 교육은 CE(사용해보기)만 있고 RO(성찰 구조)가 없다. 팀 회고 세션, 에이전트 오류 분석, 워크플로우 개선 리뷰가 바로 이 RO 단계를 구조화하는 메커니즘이다.

4.2 ZPD와 스캐폴딩: 점진적 위임 설계

Vygotsky의 근접 발달 영역(ZPD) 개념은 Agentic Workflow 교육에서 두 가지 방향으로 적용된다.

인간 학습자의 ZPD: 현재 에이전트 활용 역량의 경계 바로 위에서 작동하는 과제. 너무 쉬우면 성장이 없고, 너무 어려우면 좌절.

인간→에이전트 위임의 ZPD: 어떤 업무를 지금 바로 에이전트에 위임할 수 있고, 어떤 업무는 아직 인간 감독이 필요한가? 이 경계를 점진적으로 확장하는 것이 조직 수준의 에이전틱 전환이다.

단계	시점	에이전트 역할	인간 역할
Level 1	현재	초안 생성	100% 전체 검토
Level 2	3개월	초안 + 이슈 분류	이슈 항목만 검토
Level 3	6개월	표준 케이스 전체 처리	예외 케이스만 처리
Level 4	12개월	전체 흐름 실행	KPI 모니터링 + 정책 설계

이 점진적 위임 경로 자체가 교육 커리큘럼의 뼈대가 되어야 한다.

4.3 Mezirow 전환학습: 기저 가정을 바꾸는 것

Agentic Workflow 교육의 궁극적 목표는 단순한 스킬 획득이 아니라 "일이란 무엇인가, 전문성이란 무엇인가"에 대한 기저 가정의 전환이다. Mezirow(1991)의 전환학습(Transformative Learning) 이론에 따르면 이 전환은:

방향 상실의 딜레마(Disorienting Dilemma): "내가 10년 해온 방식이 에이전트 하나로 대체된다"는 충격
비판적 자기 성찰: 왜 그 방식이 당연했는가를 탐구
새로운 관점으로의 전환: "전문성 = 에이전트를 더 잘 활용하고 검증하는 능력"
새 관점을 바탕으로 한 행동: 역할 재정의 후 실제 업무 변화

핵심 함의: 전환학습은 안전한 방향 상실 공간이 필요하다. 심리적 안전감이 없는 환경에서 전환학습이 일어나지 않는다. Edmondson(1999)의 연구가 이를 팀 수준에서 검증했다.

4.4 의도적 연습(Deliberate Practice): Agentic Workflow 숙련의 구조

Ericsson(1993)의 의도적 연습 4가지 조건이 Agentic Workflow 숙련 설계의 원칙이 된다:

조건	Agentic Workflow 교육 적용
명확한 목표	"NDA 1차 검토 에이전트에서 hallucination 감지율 90% 이상"
즉각적 피드백	시니어 법무팀의 에이전트 출력 리뷰 + 즉각 코멘트
Comfort Zone 밖 반복	단순 반복 케이스 → 모호한 케이스 → 엣지 케이스 순서
집중된 의식적 노력	"그냥 써보기"가 아닌 "이 특정 오류 유형을 교정하기"

Macnamara(2019) 재검증이 밝혔듯, 전문직에서 단순 연습의 효과는 ~1%에 불과하다. 피드백 루프가 내재화된 구조적 연습만이 Agentic Workflow 숙련으로 이어진다.

4.5 자기결정이론(SDT): 자발적 도입의 조건

Deci & Ryan의 SDT가 제시하는 내재 동기의 세 조건이 Agentic Workflow 자발적 채택에 직결된다:

자율성(Autonomy): "무조건 써야 한다"는 명령이 아니라, 어떤 업무에 어떻게 활용할지 스스로 선택하는 경험
유능감(Competence): 빠른 성공 경험(early win). 첫 주에 "에이전트 덕분에 3시간이 절약됐다"는 경험이 지속 학습의 스위치를 켠다
관계성(Relatedness): 동료들이 함께 쓰고 있다는 실천공동체(CoP) 경험. "나만 모르는 것 같다"는 고립감 해소

강요된 AI 교육은 단기 효과에 그친다. 의무 수강 + 평가 압박으로 외재적 동기만 작동하면, 교육 후 자발적 활용이 일어나지 않는다.

5. 적응적 전문성 개발: Agentic Workflow 교육의 진짜 목표

5.1 Routine Expertise vs Adaptive Expertise

Hatano & Inagaki(1986)의 두 전문성 유형은 에이전틱 전환에서 결정적 구분이 된다:

유형	특성	AI 시대 가치
Routine Expertise	효율적, 익숙한 패턴 최적화	에이전트가 대체 가능 ↓
Adaptive Expertise	새 문제에 지식 재구성	에이전트 협업·증폭 ↑

법률 전문직에서 "계약서 1차 초안 작성"은 Routine Expertise다 — 에이전트가 더 빠르게 수행한다. 그러나 "이 계약의 특수한 맥락에서 어떤 조항이 리스크인가를 판단하는 것"은 Adaptive Expertise다 — 에이전트가 제안하고 전문가가 검증·결정한다.

Agentic Workflow 교육의 목표는 Adaptive Expertise 개발이다. 단순 에이전트 사용법을 가르치는 것은 Routine Expertise만 강화한다.

5.2 생산적 실패(Productive Failure) 설계

Kapur(2016)의 생산적 실패(Productive Failure) 연구: 해결책을 제시하기 전에 학습자가 먼저 문제와 씨름하게 하면, 이후 개념 이해와 전이(transfer) 모두 우월해진다.

Agentic Workflow 교육에 적용하면:

학습자에게 실제 업무 문제를 던진다: "이 계약 검토 프로세스를 에이전트로 어떻게 구성하겠는가?"
해결책 없이 설계를 시도한다 → 실패와 탐색이 일어난다
다른 팀의 설계 사례·실제 운영 사례를 보여준다 → 더 깊이 이해된다

단, 이것은 심리적 안전감이 확보된 환경에서만 작동한다. "실패해도 안전하다"는 팀 수준 믿음이 없으면 학습자는 처음부터 정답을 묻거나 회피한다.

6. 심리적 안전망 설계: 교육의 선행 조건

6.1 전문성 역설의 작동 구조

Agentic Workflow 교육에서 가장 큰 장벽은 기술적 복잡성이 아니라 **정체성 위협(Identity Threat)**이다. 구조는 다음과 같다:

Deloitte(2025) 데이터가 보여주듯 42%의 기업이 AI 이니셔티브를 포기하는 이유의 상당 부분이 이 구조에서 비롯된다.

6.2 Edmondson의 심리적 안전감 설계 원칙

Edmondson(1999)이 규명한 팀 수준 심리적 안전감은 다음 행동들을 가능하게 한다:

행동 유형	심리적 안전감이 있을 때 가능한 발언
실수 공개	"에이전트 결과가 이상한 것 같아요"
질문	"이 케이스에서 에이전트를 어떻게 써야 할지 모르겠어요"
이의 제기	"지금 설계 방식에 문제가 있는 것 같은데요"

이 행동들이 처벌받지 않는 환경이 없으면 에이전트 오류가 은폐되고, 실험이 일어나지 않으며, 학습이 멈춘다.

리더를 위한 심리적 안전망 설계 4단계:

취약성 모델링(Vulnerability Modeling): 리더가 먼저 "나도 이 에이전트 어떻게 써야 할지 모르겠다"고 공개한다. 이것이 팀의 심리적 안전감을 여는 가장 강력한 단일 행동이다.
평가 분리: 에이전트 실험 결과를 성과 평가와 명시적으로 분리한다. "이 PoC는 평가에 영향을 미치지 않는다"를 문서화한다.
오류 공개 인센티브: 에이전트 오류를 발견하고 보고하면 팀 전체가 배운다는 피드백 루프를 만든다. 오류 보고 = 팀 기여.
언어 재프레이밍: "AI에게 대체될 것을 배운다" → "당신의 전문성으로 AI를 더 잘 활용하는 법을 배운다". 이 프레이밍이 정체성 위협을 완화하는 첫 번째 조치다.

7. Agentic Workflow 교육 아키텍처: 3개 레이어

기존 두 아티클이 제시한 SCCD 운영 모델과 교육학 이론을 통합한 3-Layer 교육 아키텍처를 제안한다.

레이어	명칭	내용	산출물	대상
Layer 3	DESIGN	Agentic Workflow 설계·운영·개선	워크플로우 설계서 + TEVV 계획 + 역할 정의서	핵심 인력 (40-80h)
Layer 2	PRACTICE	역할별 실무 적용 (의도적 연습 + 피드백 루프)	에이전트 실행 결과 + 검증 리포트 + 개선 이력	역할별 분기 (20-40h)
Layer 1	LITERACY	Agentic AI 기초 이해 + 심리적 안전망 조성	역할별 활용 기준 + 리스크 인식 체크	전사 공통 (4-8h)

위로 올라갈수록 역할별 분기, 실무 맥락 심화

Layer 1: Literacy — 공통 기반과 심리적 안전망 (전사, 4-8시간)

목적: 에이전트가 "무엇을 할 수 있고 무엇을 못 하는지"를 이해하고, 역할에 관계없이 공통으로 알아야 할 리스크 인식을 갖추게 한다. 동시에 심리적 안전망을 조성하는 것이 이 레이어의 핵심 설계 과제다.

내용 구성:

Agentic AI가 무엇인가: 자동화와 에이전틱의 차이 (명확한 개념 정립)
에이전트의 한계: 환각(hallucination), 편향, 출처 오류, 보안 리스크
책임 경계: "에이전트가 만든 결과물의 책임은 누구에게 있는가"
사례 탐구: Neo Firm 사례에서 전문가들이 어떻게 역할을 재정의했는가

교육학 설계 원칙:

CLT: 개념을 마이크로 단위(5-10분)로 제시. Extraneous Load 최소화
SDT 자율성: 자신의 업무와 연결하는 사례 선택권 부여
심리적 안전감: 리더가 먼저 공개 발언하는 세션 설계 필수

평가: "우리 팀의 업무 중 에이전트에 위임 가능한 것과 그렇지 않은 것을 구분하라" (암기가 아닌 적용 판단)

Layer 2: Practice — 역할별 의도적 연습 (역할별, 20-40시간)

Layer 2는 역할에 따라 분기된다. 동일 커리큘럼으로 모든 역할을 가르치는 것은 Expertise Reversal Effect를 무시하는 설계 실수다.

역할 분류와 학습 경로:

역할	핵심 학습 과제
Agent Owner (업무 책임자)	자동화 경계 설정, 에스컬레이션 규칙 설계, 운영 KPI 정의, 프롬프트/정책 변경 관리
AI-Augmented Expert (도메인 전문가)	에이전트 출력 검증(도메인 전문성 기반), 예외 케이스 판단, 책임 경계 실무 적용
Data Steward (데이터 관리자)	데이터 출처·민감도·권한, 개인정보 생애주기, 학습 데이터 오염 리스크, CPO 거버넌스 연결
AI Ops (운영·리스크 담당)	TEVV 실행, 모니터링 지표 설계, 드리프트 감지, 사고 대응 런북
Manager-as-Designer (조직 설계자)	Pod 설계, SCCD 기반 역할 매핑, 변화관리 내러티브, 심리적 안전망 유지

AI-Augmented Expert(도메인 전문가) 역할 — 특별 설계 주의

이 역할이 유형 A(전문가 + AI 초보자)에 해당하므로 설계에서 가장 주의가 필요하다.

시작점: "당신이 지금까지 판단해온 것을 에이전트가 먼저 처리하고, 당신이 검증한다"는 역할 프레이밍으로 시작
순서: 에이전트 결과 검증 → 에이전트 지시(프롬프트) 개선 → 에이전트 평가 기준 설계 (도구 사용자 → 설계 참여자로 점진적 이동)
피드백: 동료 도메인 전문가가 서로의 에이전트 활용 결과를 리뷰 (관계성 욕구 + 의도적 연습 동시 충족)

의도적 연습 구조 (모든 역할 공통):

기간	케이스 유형	목표	SDT 연결
Week 1-2	단순 케이스	에이전트 기본 사용 → 성공 경험 확보	유능감(early win)
Week 3-4	모호한 케이스	에이전트가 어디서 실패하는가 탐구	자율성(탐색)
Week 5-6	엣지 케이스	자율성 경계를 어디에 그어야 하는가 판단	유능감(판단 역량)
Week 7-8	실제 업무 적용	피드백 루프 운영 + 팀 회고(Kolb RO)	관계성(팀 협업)

Layer 3: Design — Agentic Workflow 설계·운영 (핵심 인력, 40-80시간)

목적: 에이전트를 "사용하는" 것을 넘어 에이전트 기반 워크플로우를 설계·운영·개선할 수 있는 역량. Pod 단위에서 SCCD를 재배선할 수 있는 사람을 만드는 것이다.

핵심 학습 과제:

워크플로우 모델링: 업무를 "입력-처리-판단-실행-예외-로그"의 흐름으로 분해. 자동화 가능 구간과 인간 판단 구간의 경계 설계.
자율성 경계(Autonomy Boundary) 설계: Garfield 모델처럼 "고객 승인 후 단계 실행"과 같은 통제 지점(control gate)을 워크플로우에 내재화.
TEVV 실행 계획: Test(테스트 케이스 설계), Evaluate(평가 지표 정의), Verify(검증 절차), Validate(실제 운영 확인)를 워크플로우와 연결.
결정 제품(Decision Product) 설계: 에이전트 출력 + 근거 + 예외 정책 + 로그가 패키징되는 구조 설계.
변화관리와 코칭: 자신의 팀에 Layer 1-2 교육을 적용하고, 심리적 안전감을 유지하면서 점진적 위임을 이끄는 능력.

산출물 (평가 기준):

워크플로우 설계서 1개: 자동화 경계, 에스컬레이션 규칙, 로그 정책 포함
TEVV 계획서 1개: 평가 지표 + 모니터링 주기 + 사고 대응 런북
역할 정의서 1개: Pod 내 역할 매핑 + 에이전트 권한 목록
팀 코칭 일지: Layer 2 실습 운영 중 팀의 심리적 안전감 관찰 기록

8. 도메인별 적용: Neo Firm 사례가 보여주는 실전 학습 설계

Neo Firm 사례들은 Agentic Workflow 교육의 실전 교보재가 된다. 각 사례는 "어떤 자율성 경계를 어디에 그었는가"라는 핵심 질문을 실제 비즈니스 맥락에서 보여준다.

사례	자율성 경계	교육 활용
Garfield.Law	각 단계를 고객이 승인 후 에이전트 실행	자율성 경계 설계 실습 케이스
Norm Law	에이전트 처리 + 변호사 감독(expert-in-the-loop)	역할 재정의·책임 매핑 실습
Crosby	Slack/CLM 트리거 → 에이전트 처리 → 변호사 예외 판단	워크플로우 자동화 설계 실습
대륜 AI 대륜	에이전트 1차 처리 → 변호사 라우팅 (2단계)	에스컬레이션 규칙 설계 실습

케이스 학습 설계 원칙:

단순 사례 소개가 아니라 "이 경계 설계의 이면에 어떤 판단이 있었나"를 탐구
학습자가 같은 업무에서 다른 경계를 설계해보고 비교 (생산적 실패 포함)
실제 비용(7.50파운드로 7,000파운드 채권 회수) 데이터로 유능감 자극

9. 조직 수준 실행 로드맵

9.1 파일럿 원칙

AX 교육은 "전사 일괄 도입"이 아니라 파일럿→확산 구조가 안전하다.

단계	기간	레이어	핵심 활동	산출물
0단계	0-2주	선행	리더십 취약성 모델링 세션 · 파일럿-평가 분리 문서화 · 동류 참조 사례 공유	심리적 안전망 선언문
1단계	3-6주	Layer 1	전사 마이크로러닝 배포 · 팀별 자동화 가능/불가 구간 매핑 과제	팀별 자동화 경계 초안
2단계	7-18주	Layer 2	1-2개 Pod 파일럿 · 의도적 연습(단순→모호→엣지) · 격주 팀 회고	에이전트 실행 결과 + 검증 리포트
3단계	19-36주	Layer 3	파일럿 산출물을 다른 팀 교보재로 활용 · 확산 속도는 심리적 안전감 수준에 맞춤	조직 전체 워크플로우 설계서

9.2 실패를 막는 3가지 구조적 장치

KPI 연동: 교육 이수가 아니라 운영 산출물(워크플로우 설계서, TEVV 계획, 에이전트 처리율 개선) 을 성과로 측정. "얼마나 배웠나"가 아니라 "어떻게 운영이 바뀌었나"가 기준.
성과 모델 전환: billable hour에서 처리시간·재작업률·품질 오류율·감사 가능성 지표로의 전환 없이는 교육이 현업에서 무력화된다. Neo Firm이 "시간이 아닌 결과를 판매한다"는 모델 전환이 교육 동기 구조 변화와 연결되어야 한다.
실천공동체(CoP) 운영: Lave & Wenger(1991)의 상황학습 원리에 따라, Agentic Workflow 실무자들이 실패 사례와 성공 사례를 공유하는 공동체가 교육 시스템의 핵심 플라이휠이 된다. CoP는 SDT의 관계성 욕구를 충족시키면서 동시에 조직 수준의 Germane Load(스키마 구축 부하)를 높인다.

9.3 Manager-as-Designer: 가장 중요한 역할

McKinsey "The Agentic Organization"(2025)와 Microsoft Work Trend Index(2025)가 공통으로 강조하는 것은 "Agent Boss" 역할이다. 에이전트를 만들고 위임하고 관리하는 사람. 이것이 교육 아키텍처에서 "Manager-as-Designer" 역할이 가장 상위 레이어에 있는 이유다.

Manager-as-Designer는 다음을 할 수 있어야 한다:

팀의 SCCD 재배선을 워크플로우 설계로 구현
심리적 안전감을 팀 수준에서 유지하면서 점진적 위임 리드
에이전트의 자율성 경계를 조직 목표·리스크 허용도에 맞춰 조정
교육 산출물을 운영 증거(감사 가능성)로 연결

이 역할은 기존 팀장·부서장이 자연스럽게 가져야 하는 것이지만, 대부분의 조직에서 가장 교육 투자를 받지 못하는 계층이다.

10. 결론: 에이전틱 전환을 위한 교육의 재정의

세 분야를 통합한 결론은 단순하다.

조직구조론이 말하는 것: Agentic Workflow는 SCCD 체인 전체를 동시에 재배선한다. 교육이 이 재배선을 지원하지 않으면 도구 도입은 조직 변화로 이어지지 않는다.

Neo Firm 사례가 보여주는 것: 성공한 Agentic Workflow 조직들은 공통적으로 "자율성 경계를 어디에 그을 것인가"를 명확히 설계하고, 그 경계를 운영하는 인간의 역할을 재정의했다. 이것이 바로 교육이 개발해야 하는 역량이다.

교육학이 말하는 것: 이 역량은 강의로 전달될 수 없다. 실제 업무 맥락에서의 경험(Kolb), 피드백 루프가 있는 반복(Ericsson), 심리적으로 안전한 환경(Edmondson), 자발적 참여 동기(SDT), 그리고 기저 가정을 바꾸는 전환(Mezirow)을 통해서만 획득된다.

리더를 위한 5가지 즉각 실행 과제

심리적 안전망 먼저: 리더십 팀의 취약성 모델링 세션을 교육 전에 먼저 실시한다.
Layer 1을 마이크로러닝으로: 4-8시간 강의 블록이 아니라 5-10분 단위로 분산. 역할별 적용 과제 포함.
1개 Pod를 Layer 2-3 파일럿으로 지정: Agent Owner, AI-Augmented Expert, AI Ops를 포함한 소규모 팀으로 8주 파일럿.
산출물로 평가: 교육 이수율이 아니라 워크플로우 설계서, TEVV 계획, 에이전트 처리율 개선을 성과로 측정.
실천공동체 설계: 파일럿 Pod의 실패·성공 사례 공유 세션을 격주로 운영. 이것이 조직 전체로 Agentic Workflow 역량이 확산되는 가장 효과적인 경로다.

References

조직이론·AX

Gulick, L., & Urwick, L. (Eds.). (1937). Papers on the Science of Administration. Institute of Public Administration.
Mintzberg, H. (1979). The Structuring of Organizations. Prentice-Hall.
McKinsey & Company (2025). The agentic organization: Contours of the next paradigm for the AI era.
Microsoft Work Trend Index (2025). The Frontier Firm is born.
Shopify (Tobi Lutke, 2025-04). AI usage as baseline expectation memo.

Neo Firm 사례

SRA (2025-05-06). Garfield AI becomes first SRA-regulated AI law firm.
Norm Ai (2025-11-20). Launch of Norm Law with $50M Blackstone investment.
Reuters (2025-09-03). Eudia opens AI-augmented law firm under Arizona ABS program.
대륜 법무법인 (2025-08-11). AI 대륜 에이전틱 AI 구조 업그레이드 발표.

교육학·인지심리학

Kolb, D. A. (1984). Experiential Learning. Prentice-Hall.
Vygotsky, L. S. (1978). Mind in Society. Harvard University Press.
Mezirow, J. (1991). Transformative Dimensions of Adult Learning. Jossey-Bass.
Sweller, J. (1988). Cognitive load during problem solving. Cognitive Science, 12(2).
Kalyuga, S., et al. (2003). The expertise reversal effect. Educational Psychologist, 38(1).
Chi, M. T. H. (2006). Two approaches to the study of experts' characteristics. Cambridge Handbook of Expertise.
Ericsson, K. A., et al. (1993). The role of deliberate practice. Psychological Review, 100(3).
Macnamara, B. N., et al. (2019). Deliberate practice and performance revisited. Perspectives on Psychological Science.
Edmondson, A. C. (1999). Psychological safety and learning behavior in work teams. Administrative Science Quarterly, 44(2).
Deci, E. L., & Ryan, R. M. (2000). The "what" and "why" of goal pursuits. Psychological Inquiry, 11(4).
Hatano, G., & Inagaki, K. (1986). Two courses of expertise. In Child Development and Education in Japan.
Kapur, M. (2016). Examining productive failure. Educational Psychologist, 51(2).
Lave, J., & Wenger, E. (1991). Situated Learning. Cambridge University Press.
Deloitte (2025). AI adoption barriers: Workforce confidence gap.
HBR (2024). New hires' psychological safety erodes quickly.
HBR (2025). The AI learning curve: Why 42% of initiatives fail.

관련 문서

article/AI Native 시대의 조직 설계_고전 조직이론의 SCCD 프레임과 재해석.md
article/Neo Firm(법률 분야) 사례로 보는 AX 시장 요구와 AI-Native 조직을 위한 교육체계의 중요성.md
study/AI-Learning-Modes-in-AX-Experiment-vs-Education-v0.2.md
study/Learning-Science-by-Learner-Type-v0.1.md