AI 교육을 받은 직원이 현업으로 돌아오면 다시 원래 방식으로 일한다. 강의가 나빠서가 아니다. 배운 내용이 자기 시스템, 자기 데이터, 자기 승인선, 자기 리스크와 만나지 않았기 때문이다.
에이전트는 더 그렇다. 프롬프트 몇 개를 잘 쓰는 능력과, 부서 업무에 붙어 돌아가는 에이전트를 설계·평가·운영하는 능력은 다른 역량이다. 그래서 AX LABS는 교육을 별도 트랙으로 떼지 않는다. FDE와 PBL을 결합해 고객사 직원과 함께 만들고, 만들면서 넘긴다.
FDE는 납품자가 아니라 현장 번역자다
FDE는 Forward Deployed Engineer다. 현장 가까이 들어가 문제, 데이터, 시스템 제약, 의사결정 구조를 동시에 다룬다. AWS는 2026년 Partner-Led FDE 모델을 소개하며, FDE 참여가 도메인 온톨로지, 평가 프레임워크, MCP 서버, AgentOps 도구 같은 재사용 가능한 하네스를 남긴다고 설명했다. 이 표현이 중요하다. 산출물은 코드만이 아니다. 운영 가능한 설계 자산이다. (aws.amazon.com)
고객사 직원은 이 과정에서 관찰자가 아니어야 한다. 업무 담당자는 예외 케이스를 안다. 현장 리더는 승인선과 책임선을 안다. IT 담당자는 연결 가능한 시스템과 금지된 접근을 안다. FDE는 이 지식을 에이전트 구조로 번역한다.
역량 이전은 교육 자료를 전달할 때가 아니라, 고객사 직원이 설계 판단에 공동 책임을 질 때 일어난다.
PBL은 실습이 아니라 실제 일을 학습 단위로 자르는 방식이다
PBL(Project-Based Learning)을 “실습 많은 교육”으로 이해하면 약하다. AX에서 PBL은 실제 업무를 학습 단위로 자르는 방식이다. 교육용 장난감 과제가 아니라, 배포 후보가 되는 에이전트가 프로젝트의 중심이 된다.
최근 AI upskilling 논의도 같은 방향으로 움직인다. 영국 정부의 2026년 AI upskilling 브리핑은 직무 맥락 속 학습과 실무 적용을 핵심 조건으로 다룬다. JFF의 2026년 AI for Workers & Learners 조사도 교육기관이 단순 콘텐츠 제공보다 work-based learning을 통해 AI 역량을 맥락 안에서 만들 필요가 있다고 정리했다. (gov.uk)
AX LABS가 보는 PBL의 단위는 세 가지다.
- 반복 빈도가 높고 판단 기준이 비교적 명확한 업무
- 데이터 접근과 보안 경계가 확인 가능한 업무
- 실패 시 사람이 회수할 수 있는 업무
- 운영 지표를 붙일 수 있는 업무
이 조건을 통과한 과제는 교육 주제가 아니라 첫 에이전트 후보가 된다.
페어링은 지식 이전의 가장 짧은 경로다
강의형 교육은 “알게 만드는” 방식이다. 페어링형 딜리버리는 “하게 만드는” 방식이다. 고객사 직원과 FDE가 같은 backlog를 보고, 같은 테스트 케이스를 만들고, 같은 실패 로그를 읽는다. 여기서 역량이 넘어간다.
| 구분 | 강의형 AI 교육 | FDE+PBL 교육형 딜리버리 |
|---|---|---|
| 학습 단위 | 기능, 프롬프트, 개념 | 실제 업무 에이전트 |
| 참여자 역할 | 수강자 | 공동 설계자 |
| 산출물 | 교육 자료, 실습 파일 | 에이전트, 평가셋, 운영 룰 |
| 이전되는 역량 | 사용법 | 판단 기준과 운영 습관 |
| 실패 처리 | 질의응답 | 로그 분석과 재설계 |
현재 에이전트 개발은 모델 호출보다 하네스 설계가 더 큰 비중을 차지한다. Anthropic은 2026년 Claude Code 운영 가이드에서 CLAUDE.md, skills, hooks, subagents를 상황별로 나눠 설명한다. OpenAI Agents SDK 문서도 agents, tools, guardrails, handoffs, sessions를 오케스트레이션 단위로 다룬다. 에이전트 역량은 “어느 모델을 쓰는가”가 아니라 context, tool, guardrail, 평가 루프를 어떻게 엮는가에서 갈린다. (claude.com)
그래서 페어링은 개발 속도만의 문제가 아니다. 현업 담당자가 왜 이 tool 호출은 막아야 하는지, 왜 이 단계에서 사람 승인이 필요한지, 왜 이 평가 문항이 실제 품질을 가르는지 함께 판단해야 한다. 그래야 운영 이후에도 조직이 스스로 고친다.
참고와 다음 행동
FDE와 PBL의 결합은 교육 상품이 아니다. AX 딜리버리 방식이다. 외부 팀이 빠진 뒤에도 고객사 안에 남아야 할 것은 완성된 에이전트 하나가 아니라 다음 에이전트를 만들 수 있는 사람, 기준, 루프다.
참고한 최근 자료는 다음과 같다.
- AWS Partner Network Blog, “Introducing Forward Deployed Engineering for Partners”, 2026: https://aws.amazon.com/blogs/apn/introducing-forward-deployed-engineering-for-partners-winning-the-future-of-enterprise-ai/
- Anthropic, “Steering Claude Code: when to use CLAUDE.md, skills, hooks, and subagents”, 2026: https://claude.com/blog/steering-claude-code-skills-hooks-rules-subagents-and-more
- OpenAI Agents SDK Docs, 2026 현재 문서: https://openai.github.io/openai-agents-python/agents/
- GOV.UK, “Skills for AI: What works for AI upskilling in the UK”, 2026: https://www.gov.uk/government/publications/skills-for-ai-what-works-for-ai-upskilling-in-the-uk
- JFF, “AI Is Getting Real, But the Real Work Is Still Ahead”, 2026 survey: https://info.jff.org/ai-for-workers-learners-2026-survey
AX를 교육으로 시작해 운영으로 끝내려면 과제를 먼저 고르고, 사람을 붙이고, 에이전트를 함께 만들어야 한다. 이 방식은 AX Ops 방법론 →에서 더 구체적으로 다룬다.
