섬유·패션 산업의 AI 인력 구조 재해석 : 성과 책임 기반 Role × Level 프레임과 교육 프로그램 적용 분석

2.1. 기술 역량 중심 접근의 한계

AI의 확산은 조직 내 인적 자원을 정의하는 방식에도 근본적인 변화를 요구하고 있다. AI 인력을 기술 숙련도를 중심으로 분류하는 관점은 인력이 수행 가능한 작업의 종류와 범위를 구분하는 데에는 실용적이지만, ‘기술 역량이 조직 안에서 어떤 위치에서 어떤 방식으로 작동하는가’라는 보다 근본적인 질문에는 충분한 답을 제공하지 못한다(Jarrahi, 2018; Zirar et al., 2023).

기술 숙련도 중심의 분류가 간과하는 핵심은 역량과 실제 역할 사이의 간극이다. 동일한 기술적 능력을 보유하더라도 이를 개별 업무 수행에 활용하는 경우와 조직 차원의 시스템 설계나 전략 수립에 활용하는 경우는 역할과 영향 범위에서 본질적인 차이를 보인다(Mäntymäki et al., 2022; Mikalef et al., 2023).

예를 들어 고도화된 데이터 분석 역량은 개별 단위 업무의 효율을 개선하는 데 사용될 수도 있지만, 시스템 수준의 의사결정 구조를 설계하거나 전사적 전략을 수립하는 데 활용될 수도 있다. 결국 기술 숙련도 중심의 기존 분류 체계만으로는 해당 인력이 조직 구조 내에서 담당하는 구체적인 위치와 책임의 범위를 명확히 파악하기 어렵다.

최근 디지털 전환 및 AI 도입 연구에서도 기술 그 자체보다는 조직 내 활용 방식과 의사결정 구조와의 결합을 성과 창출의 핵심 요인으로 지적하고 있다(Brynjolfsson & McElheran, 2016; Ransbotham et al., 2019). 이는 AI 인력을 단순히 ‘무엇을 할 수 있는가’라는 기술 보유의 관점이 아니라 ‘어디에서 어떤 방식으로 기여하는가’의 관점에서 재해석할 필요가 있음을 시사한다.

2.2. 성과 단위 기반 인력 이해

인력을 조직 내 역할과 책임의 관점에서 재정의하기 위해서는 성과가 발생하는 단위를 기준으로 접근할 필요가 있다. 조직 이론에서는 조직의 성과가 단일 차원에서 발생하는 것이 아니라 서로 다른 다층적 단위에서 생성된다는 점을 전제로 한다(Galbraith, 1974; Mintzberg, 1979). 따라서 인력의 역할은 보유한 기술이 어떤 성과 단위에 적용되고, 어떠한 책임 범위와 결합되는가에 따라 구분될 수 있다. 개별 기능 단위에서의 효율 개선, 여러 기능을 연결하는 프로세스 수준의 시스템 최적화, 그리고 전사적 조직 차원의 의사결정 구조 설계는 각각 상이한 층위의 성과를 의미하며, 요구되는 역할과 책임 구조 또한 본질적으로 다르다(Lee et al., 2022; Mikalef & Gupta, 2021).

디지털 전환 연구에서도 기술 도입의 효과가 개별 작업 수준에 국한되지 않고, 프로세스 통합과 조직 구조 변화로 확장된다는 점을 반복적으로 강조해 왔다(Verhoef et al., 2021; Vial, 2019). 이는 인력의 역할 역시 실행 수준을 넘어 시스템 설계와 조직 차원의 의사결정으로 확장될 수 있음을 의미한다. 종합하면 인력을 이해하는 분석적 기준 역시 성과가 발생하는 단위와 그에 대한 개입의 범위를 함께 고려하는 방향으로 확장되어야 한다.

이러한 관점은 기획, 디자인, 생산, 유통이 유기적으로 연계된 복합적 가치사슬 구조를 지닌 섬유·패션 산업에서 특히 중요하게 작용한다. 그러나 섬유·패션 분야에서 AI 인력을 성과 단위와 개입 수준을 기준으로 분석한 연구는 여전히 제한적이다. 산업 내 AI 인력을 보다 체계적으로 이해하기 위해서는 기술이 적용되는 성과 단위와 구조적 개입의 범위를 입체적으로 고려할 수 있는 새로운 분석 관점이 요구된다. 이는 현행 인력 구조의 진단에 그치지 않고, 향후 교육 프로그램을 포함한 인력 양성 지형을 해석하고 재편하는 데에도 유효한 분석적 기반을 제공할 수 있다.

2.3. 역할(Role)과 수준(Level) 구조에 대한 이론적 근거

2.4. 분석 틀의 적용 가능성: 교육 프로그램을 중심으로

제안된 Role × Level 프레임은 인력의 역할을 구조적으로 해석하기 위한 분석적 기준을 제공하지만, 실제 산업 현장에 종사하는 개별 인력을 전수 조사하여 구조적 위치를 실시간으로 파악하는 데에는 현실적인 한계가 존재한다. 따라서 본 연구는 산업이 요구하는 인재상이 가장 구체적이고 체계적으로 투영되어 있는 교육 프로그램을 실증적 분석 대상으로 삼는다. 이를 통해 본 연구에서 제안한 분석 틀이 실제 데이터의 분포를 유의미하게 구분해낼 수 있는지 그 분석적 유용성을 탐색적으로 검증하고자 한다.

교육 프로그램은 특정 시점에서 요구되는 직무 역량과 역할에 대한 조직적 판단이 구조화된 형태로 반영된 결과물이다 (Boud & Falchikov, 2006). 교육과정의 구성 방식, 학습 목표의 설정 수준, 다루는 문제의 범위는 각각 특정한 성과 단위와 개입 범위를 전제로 설계된다. 예를 들어 특정 AI 도구의 기술적 활용법 습득에 집중하는 과정은 ‘기능’ 단위에서의 ‘운영’ 역할을 상정하는 반면, 데이터 파이프라인 설계나 AI 기반 의사결정 체계를 다루는 과정은 ‘시스템’ 또는 ‘조직’ 단위로의 개입을 전제로 한다. 이러한 지향점은 교육 프로그램상에 명시적으로 드러나지 않더라도, 프로그램의 세부 커리큘럼과 학습 목표를 통해 구조적으로 추론할 수 있다. 따라서 교육 프로그램을 Role × Level 프레임에 따라 재분류함으로써 각 프로그램이 지향하는 성과 책임의 위치와 구조적 개입의 깊이를 체계적으로 파악하고자 한다.

본 연구의 분석 초점은 개별 프로그램의 우열이나 서열을 평가하는 데 있지 않다. 대신 전체 교육 공급 지형이 Role × Level 프레임상의 어떠한 조합에 집중되어 있는지, 그리고 상대적으로 공백이거나 희소하게 나타나는 조합은 무엇인지 그 분포의 특성을 파악하는 데 목적이 있다. 교육의 질적 수준을 재단하기보다 현재의 인력 양성 체계가 어떠한 성과 구조에 기반하여 구성되어 있는지를 입체적으로 이해하기 위한 접근이다. 이 같은 분석 과정을 거쳐 본 연구에서 제안한 Role × Level 분석 틀이 교육 프로그램과 같은 실증 데이터에 적용 가능한 해석 기준으로 기능할 수 있는지를 비판적으로 검토하고자 한다.

3.1. AI 인력의 재정의

기술 중심 분류의 구조적 한계를 보완하기 위해 본 연구는 AI 인력 개념을 구성하는 기준을 재설정한다. 이 과정에서의 핵심은 인력 정의의 출발점을 기술 보유 여부가 아닌 산업 성과 구조에 두는 것이다. 이를 위한 인력의 재정의는 세 가지 조건을 충족해야 한다. 첫째, 섬유·패션 산업의 가치사슬 구조를 반영해야 한다. 둘째, 성과가 발생하고 관리되는 구조적 단위를 명확히 구분할 수 있어야 한다. 셋째, 인력의 숙련도는 기술적 난이도가 아니라 구조적 개입의 깊이와 성과 책임의 범위를 기준으로 해석되어야 한다.

이러한 조건을 바탕으로 본 연구에서는 AI 인력을 다음과 같이 재정의한다.

‘AI 인력이란, 섬유·패션 산업의 가치사슬 전반에서 데이터와 인공지능을 활용하여 성과를 설계·운영·재구성하며, 해당 성과에 대해 의사결정 권한과 책임을 지는 인력이다.’

이 정의는 기술 보유를 전제로 하되, 기존 기술 역량이라는 단일 차원으로는 포착되지 않는 역할과 책임의 구조적 차이를 함께 고려하기 위한 보완적 관점으로 제시된다.

3.2. 역할 차원: 성과 발생 단위에 따른 역할 구분

앞서 도출된 성과 단위 구분을 바탕으로 본 연구는 AI 인력의 역할을 성과가 귀속되는 단위를 기준으로 구조화 한다. 이는 인력이 창출하는 성과의 단위가 곧 해당 인력이 조직 내에서 짊어지는 책임의 범위를 결정한다는 판단에 근거한다. 본 연구에서는 성과 책임 단위를 기능, 시스템, 조직의 세 가지 성과 층위로 구분하고, 각 성과 층위에 대응하는 역할군을 practitioner(실무형 인력), developer(시스템형 인력), strategist(전략형 인력)로 명명한다 (Table 1). 이러한 명칭의 부여는 각 성과 단위에서 요구되는 핵심 페르소나를 구체화함으로써 교육 프로그램이 지향하는 인적 자원의 특성을 선명하게 식별하기 위함이다.

Table 1.

Role dimensions based on the scope of performance responsibility

세 역할 분류는 수행하는 행위의 결과가 어느 층위의 성과 지표에 최종적으로 기여하는가를 핵심 식별 기준으로 삼기 때문에 동일한 AI 모델을 다루더라도 개별 업무의 효율을 높이는지, 혹은 전사적 의사결정 체계를 변화시키는지에 따라 책임의 층위가 달라진다.

먼저, practitioner는 개별 기능 단위에서 성과를 직접 산출하거나 개선하는 역할로 정의된다. 개별 직무 내에서 AI를 도구적으로 활용하여 즉각적인 실무 성과를 도출하는 역할이다. 이들의 책임 범위는 특정 업무의 효율성이나 정확도, 품질 개선 등 단일 기능 내부에서 완결되는 지표에 국한된다. 상품 기획 시 AI 수요 예측 결과를 반영하거나, 디자인 공정에 생성형 AI를 도입하여 시안 제작 속도를 높이는 활동 등이 해당된다.

Developer는 통합 시스템 단위에서 복수 기능을 연결하는 프로세스나 운영 구조의 성과를 설계하고 관리하는 역할을 수행한다. 책임의 범위는 개별 업무를 넘어 데이터 흐름과 의사결정 로직이 맞물리는 기능 간 상호작용 구조에 존재한다. 예측 모델의 결과를 생산 계획과 재고 관리 시스템에 연동하거나 가치사슬 전반의 정보 흐름을 최적화하기 위한 데이터 파이프라인을 구축하는 등 시스템적 성과를 목표로 하는 활동들이 이 범주에 포함된다.

Strategist는 전사 조직 단위에서 조직 전체의 성과 창출 방식과 비즈니스 구조를 규정하는 역할을 담당한다. 이들의 책임 범위는 전사적 자원 배분과 의사결정 체계에 맞닿아 있으며, AI 도입의 우선순위 설정이나 데이터 거버넌스 수립, 그리고 AI 전환에 따른 조직 구조 재편 등 조직의 미래 방향성과 수익 구조 자체를 설계하는 활동을 핵심으로 한다. 하위 단위에서 발생한 개별 성과들을 조직적 가치로 통합하고 규정한다는 점에서 타 역할군과 명확히 차별화된다. 이러한 일련의 역할 구분은 교육 프로그램 분석 시 각 과정이 어떤 책임 수준을 가진 인력을 양성하고자 하는지를 판별하는 중요한 틀이 된다.

3.3. 수준 차원: 구조적 개입 깊이에 따른 수준 구분

수준 차원은 동일한 성과 단위 내에서 인력이 기존 구조에 개입하는 방식과 그 깊이를 구분하기 위한 기준으로 설정된다. 여기서 수준은 단순한 기술 숙련도의 고저가 아니라 기존의 업무 방식이나 조직 구조를 어느 범위까지 변화시킬 수 있는가라는 구조적 개입의 깊이를 의미한다. 이에 따라 개입의 성격을 운영, 재설계, 구조 설계의 세 단계로 정의하고, 이를 각각 basic, intermediate, advanced 단계로 구분한다(Table 2). Basic, intermediate, advanced라는 위계적 명칭을 사용한 것은 인력의 개입 깊이가 깊어질수록 조직 내 영향력과 요구되는 책임 수준이 단계적으로 심화된다는 앞선 논의를 반영하기 위함이다.

Table 2.

Level dimensions based on the depth of structural intervention

가장 기초적인 basic 단계는 기존의 시스템이나 업무 절차를 그대로 유지한 상태에서 AI를 도구적으로 활용하여 성과를 수행하는 단계이다. 이 단계의 핵심 식별 기준은 구조적 변경 없이 주어진 프로세스 내에서 효율이나 정확도를 개선하는지 여부에 있다. 표준화된 분석 기법을 적용하거나, 이미 구축된 시스템을 활용하여 정해진 업무를 수행하는 활동이 이에 해당하며, 그 결과는 기존 성과 지표의 향상으로 나타날 뿐 업무 흐름이나 의사결정 체계 자체의 근본적인 변화를 수반하지는 않는다.

중간 단계인 intermediate 단계는 기존 구조의 틀을 유지하면서도 그 내부의 프로세스나 데이터 흐름, 의사결정 기준 중 일부를 수정하여 성과 창출 방식을 재구성하는 단계이다. 단순히 AI 도구를 사용하는 것을 넘어 업무 간 연계 방식이나 모델 적용 프로세스를 재설계함으로써 부분적인 구조적 변화를 이끌어내는 활동을 포함한다. 기존 구조를 전제로 하되 내부 구성 요소를 능동적으로 재조합한다는 점에서 basic 단계와 명확히 구분된다.

최상위 단계인 advanced 단계는 시스템 또는 조직 구조 자체를 새롭게 설계하거나 근본적으로 재편하는 단계이다. 분류의 핵심 기준은 데이터 아키텍처의 설계, 전사적 시스템 통합 구조 구축, 혹은 의사결정 체계의 전면적인 재설계와 같이 구조 자체의 형성 방식을 결정짓는 활동에 있다. 성과는 새로운 운영 패러다임을 제시하는 형태로 나타나며, 이는 역할 차원과 결합되어 동일한 성과 단위 내에서도 인력이 발휘하는 구조적 영향력의 차이를 식별하는 기준이 된다.

3.4. Role × Level 프레임: 분석 틀로서의 제안

역할 차원과 수준 차원을 결합하면 3×3 매트릭스 형태의 통합 분석 프레임이 구성된다(Fig. 1). 이 구조는 AI 인력을 산업 성과 책임 구조 내에서의 구조적 위치로 해석하기 위한 새로운 분석 틀로 사용된다. 즉, AI 인력을 특정 성과 단위에 대한 책임 위치와 해당 단위에 대한 개입 방식의 조합을 통해 포지셔닝하여, 기존의 단일 차원 분류가 포착하지 못했던 역할과 영향 범위의 질적 차이를 구별할 수 있다.

Fig. 1.

Role × Level matrix: a framework for AI workforce responsibility structure in the textile and fashion industry.

두 차원의 교차 구조는 기존의 단일 차원 분류가 가지는 한계를 보완한다. 동일한 역할 범주 내에서도 상이한 개입 깊이를 구분하고, 동일한 개입 수준 내에서도 성과 책임 위치에 따른 유형 차이를 드러낸다.

Fig. 1의 각 셀은 특정 성과 단위에서 특정 방식으로 개입하는 고유한 인력 유형을 의미한다. 예를 들어 동일한 데이터 분석 역량이나 머신러닝 이해도를 가진 인력이라 하더라도 개별 업무에서 AI 도구를 활용하는 데 머무는 경우(practitioner-basic)와 조직 전체의 AI 도입 전략을 설계하는 경우(strategist-advanced)는 본질적으로 다른 위치에 있다. Practitioner-basic은 기존 직무 구조를 유지한 상태에서 AI 도구를 활용하여 기능 단위 성과를 개선하는 유형이며, developer-intermediate는 복수 기능을 연결하는 시스템을 설계하여 프로세스 수준의 성과를 재구성하는 유형이다. Strategist-advanced는 조직 차원에서 AI 거버넌스와 장기 전략을 설계하여 성과 구조 자체를 규정하는 역할에 해당한다.

이러한 특성은 본 연구의 최종 분석 대상인 교육 프로그램 데이터에 직접적으로 적용된다. 개별 교육 프로그램의 학습 목표, 교육 내용, 다루는 문제의 범위를 기준으로 해당 과정이 지향하는 성과 책임 단위와 구조적 개입 수준을 식별함으로써 각 프로그램을 매트릭스상의 특정 위치에 대응시킬 수 있다. 결과적으로 제안된 Role × Level 프레임은 기존의 기술명 나열 방식으로는 드러나지 않았던 교육 공급 구조의 편중과 공백을 성과 책임 구조의 관점에서 체계적으로 식별하고 재해석할 수 있는 유용한 실증 분석 도구로 활용된다.

4.1. 연구 구조

본 장에서는 3장에서 제안한 Role × Level 프레임을 실제 교육 프로그램 데이터에 적용함으로써 해당 프레임이 AI 인력 구조를 해석하는 분석 도구로서 기능할 수 있는지 탐색적으로 검토한다. 여기서 프레임의 유효성이란 이론적 정합성 자체가 아니라 실제 사례를 구조적으로 구분하고 해석 가능한 분포를 도출할 수 있는지를 의미한다.

현실적으로 산업 현장에서 요구되는 AI 인력 구조를 직접적으로 계량화하거나 실시간으로 관찰하는 데에는 상당한 제약이 따른다. 따라서 본 연구는 특정 시점의 역량과 역할에 대한 판단이 제도화된 결과물인 교육 프로그램을 분석 대상으로 설정하였다. 교육 과정은 산업 변화에 대응하여 지속적으로 갱신되며, 해당 시점의 요구사항을 일정 부분 반영하고 있다는 점에서 인력 수요를 간접적으로 파악할 수 있는 유용한 지표가 된다(Boud & Falchikov, 2006). 다만 교육이 산업 수요를 완벽히 대변한다고 가정하기 보다 산업 구조를 간접적으로 해석하기 위한 보조적 분석 단위로서 그 범위를 한정하여 활용한다.

연구의 전체적인 설계는 변수 간의 인과관계를 검증하는 전통적인 방식 대신, 제안된 프레임의 구조적 설명력을 평가하는 탐색적 분석에 초점을 맞춘다. 구체적으로는 도출된 Role × Level 프레임을 각 교육 프로그램의 교과목에 적용하여 역할과 수준의 조합으로 재분류하고, 이를 통해 나타나는 분포적 특성을 분석한다. 최종적으로는 분류 결과가 단순한 범주 배치를 넘어 의미 있는 구조적 차이를 드러내는지 검토함으로써 본 연구가 제안한 프레임이 실증 분석 도구로서 기능할 수 있는지를 종합적으로 평가한다.

4.2. 분석 대상 및 자료 수집

분석 대상은 국내 대학의 섬유·패션 관련 학과와 주요 산업 유관기관에서 운영하는 AI·데이터 관련 교육 프로그램으로 한정하였다. 대학의 경우 전국 단위에서 섬유, 의류, 패션디자인, 패션산업 등 명칭을 포함하는 학과를 대상으로 하였으며, 각 학과의 공식 웹사이트에 공개된 교과과정을 기준으로 자료를 수집하였다. 이 과정에서 확인된 78개 학과를 대상으로 교과목 정보를 조사하였다. 이 중 AI·데이터 관련 교과목을 전혀 운영하지 않는 학과는 21개로 확인되었으며, 분류 대상에는 포함하지 않았다.

수집 시점은 2025년 기준으로 각 대학 웹사이트에 게시된 최신 교과과정을 기준으로 하였다. 다만 대학별로 교육과정 개편 시점과 적용 학번이 상이할 수 있으므로 특정 학번 기준의 교육과정을 통제하기보다는 해당 시점에 공식적으로 공개된 교과과정을 분석 단위로 설정하였다.

분석 대상 교과목은 교과목명, 교육 개요, 목표, 주요 학습 내용 등을 기준으로 AI, 데이터, 디지털 기술과의 연관성을 검토하여 선정하였다. 이때 수강 편람이나 강의 계획서에 대한 접근이 가능한 경우에는 해당 자료를 우선적으로 활용하였으며, 세부 자료 접근이 제한된 경우에는 교과목 개요 또는 간략한 학습 내용을 바탕으로 분석을 수행하였다. 다만, 교과목명만 확인 가능하고 교육 내용이나 목표를 파악할 수 없는 경우에는 분류 기준의 적용이 어렵다고 판단하여 분석 대상에서 제외하였다.

또한 산업계의 실질적인 인력 양성 현황을 보완하고자 한국섬유산업연합회, 한국섬유수출입협회, 한국아웃도어스포츠산업협회, 부산섬유패션산업연합회, 경기섬유종합지원센터 등 주요 유관기관에서 운영하는 재직자 대상 교육 프로그램을 추가로 포함하였다. 해당 프로그램 역시 2025년 기준으로 공개된 교육 내용을 수집하였다.

이 같은 기준을 적용한 결과 대학 교과목과 유관기관 프로그램을 포함하여 총 153개의 교육 프로그램이 최종 분석 대상으로 포함되었다(Table 3).

Table 3.

Overview of the educational programs included in the Role × Level reclassification analysis

4.3. 분류 기준 및 절차

수집된 교과목의 분류는 사전에 정의된 역할과 수준의 조작적 정의에 근거하여 수행되었다. 분류는 교과목 명칭과 교육 목표, 주요 학습 내용, 다루는 문제 범위를 종합적으로 검토하여 이루어졌으며, 각 교과목이 전제하는 성과의 귀속 위치와 구조적 개입 방식을 기준으로 판단하였다.

먼저 역할 차원은 해당 교육을 통해 도출되는 성과가 어느 단위에서 완결되는지를 기준으로 구분하였다. 교육 내용이 개별 업무 수준의 효율 개선에 머무르는지, 혹은 기능 간 연계를 통한 프로세스 최적화나 조직 차원의 의사결정 설계로 확장되는지가 판단의 핵심이다. 이에 따라 기능 단위의 작업 수행을 중심으로 하는 교과목은 practitioner로, 데이터 분석이나 모델링, 혹은 복수 기능을 연결하는 문제 해결을 포함하여 프로세스적 성과를 도출하는 교과목은 developer로, 조직 전략 및 비즈니스 모델과 직결되는 교과목은 strategist로 분류하였다. 이러한 기준을 명확히 하기 위해 역할 차원의 판단 기준을 다음과 같이 정리하였다(Table 4).

Table 4.

Operational criteria for role classification

이때 developer 범주는 섬유·패션 계열 학과의 특수성을 고려하여 공학적 시스템 구축과 같은 수준을 전제로 하지 않았다. 섬유·패션 교육 맥락에서 나타나는 데이터 분석, 수요 예측, 의사결정 지원과 같은 활동이 기능 간 연계를 전제로 하는 경우 developer로 분류하였다.

수준 차원은 교육 과정이 전제하는 구조 개입의 범위를 기준으로 판단하였다. 기존의 구조와 절차를 그대로 유지한 채 AI를 활용하는 경우는 basic, 작업 절차나 문제 해결 방식을 부분적으로 재구성하는 경우는 intermediate, 그리고 시스템이나 조직 차원의 새로운 구조를 설계하는 경우는 advanced로 분류하였다. 수준 차원의 기준은 다음과 같이 정리된다(Table 5).

Table 5.

Operational criteria for level classification

복합적 성격을 가진 교과목의 경우에는 역할 차원에서는 최종 성과가 귀속되는 단위를, 수준 차원에서는 더 넓은 구조적 개입 범위를 우선적인 분류 기준으로 적용하여 판단의 일관성을 유지하였다. 예를 들어 데이터 분석을 포함하더라도 학습 최종 목표가 개별 작업 지원에 머무르는 경우에는 practitioner로 분류하였으며, 분석 결과가 의사결정 구조나 프로세스 변화와 연결되는 경우에는 developer로 분류하였다.

분류 작업은 2단계 검증 절차를 거쳤다. 의류학 전공 석사과정 연구자가 1차 분류를 수행한 후 전체 결과에 대해 연구책임자가 검토하는 방식으로 진행되었다. 검토 과정에서는 분류 기준이 일관되게 적용되었는지와 경계 사례의 판단이 기준에 부합하는지를 중심으로 확인하였으며, 필요 시 기준에 따라 재분류를 수행하였다. 이러한 절차를 통해 분류 기준의 적용 일관성과 해석의 타당성을 일정 부분 확보하고자 하였다.

분류 기준이 실제 데이터에 일관되게 적용될 수 있는지를 확인하기 위해 대표적인 사례를 검토하였다. 예를 들어 ‘디지털 패션디자인’이나 ‘3D패션디자인’과 같이 기존 디자인 프로세스 내에서 디지털 도구 활용을 중심으로 하는 교과목은 구조적 변경 없이 기능 단위 성과를 개선하는 것으로 판단되어 practitioner-basic으로 분류하였다. 반면 ‘패션데이터분석’이나 ‘패션데이터시각화연구’와 같이 데이터 기반 의사결정 지원을 포함하는 교과목은 학습 내용에 따라 기능 수준의 활용에 머무르는 경우에는 practitioner-intermediate로, 데이터 처리 및 모델링이 핵심인 경우에는 developer 범주로 분류하였다. 또한 ‘패션빅데이터프로그래밍’과 같이 데이터 처리와 시스템 구축 지원을 포함하는 교과목은 developer-intermediate로 분류하였으며, ‘AI 패션창업’과 같이 조직 수준의 의사결정과 전략을 다루는 교과목은 strategist-basic으로 분류하였다.

5.1. 전체 분포 개요

Role × Level 프레임을 적용하여 153개 교육 프로그램을 재분류한 결과, 분포는 특정 영역에 강하게 집중되는 구조를 보였다(Fig. 2).

Fig. 2.

Distribution of university and industry educational programs across the Role × Level matrix (N = 153).

전체 프로그램의 61.4%(94개)가 practitioner-basic 영역에 집중되어 있으며, practitioner 범주 전체로 확산할 경우 75.2%(115개)에 달하는 프로그램이 단일 기능 내 업무 수행 및 효율 개선에 머물러 있는 것으로 확인되었다. Developer 영역은 21.6%(33개)를 차지했으나, 이 역시 basic 단계(24개)가 주를 이루었으며 advanced 수준의 사례는 관찰되지 않았다. Strategist 영역은 3.3%(5개)에 불과했으며, 이마저도 모두 기존 구조 내에서의 활용을 다루는 basic 단계에 국한되었다. 수준 차원에서도 basic 단계가 전체의 80.4%를 차지하여, 섬유·패션 AI 교육이 기존 구조 내 도구적 활용에 강력하게 편중되어 있음이 확인되었다.

5.2. 역할 차원별 분포 특성

역할 차원에서의 분포는 교육 프로그램이 practitioner 영역에 편향되어 있음을 보여준다. 대학 교과목은 3D 디자인, 가상 의상 제작, 생성형 AI 기반 디자인 활용, 디지털 콘텐츠 제작 등 다양한 형태를 포함하고 있으나 성과 책임 단위의 관점에서는 대부분 개별 작업 수행과 결과물 개선에 수렴하는 공통된 특성을 보였다.

Developer 영역은 상대적으로 제한적으로 나타났으며 패션 데이터 분석, 빅데이터 기초, 프로그래밍 기초 등의 교과목이 이에 해당하였다. 그러나 이들 역시 시스템 설계나 운영 구조 구성보다는 분석 기법의 이해나 도구 활용에 중심을 두는 경우가 많았다.

Strategist 영역은 매우 제한적으로 나타났다. 해당 교과목들은 주로 패션 비즈니스, 유통, 창업 등의 맥락에서 AI 활용 사례나 트렌드를 다루는 수준에 머물렀으며, 조직 차원의 의사결정 구조나 운영 체계를 직접적으로 설계하는 내용을 포함한 교육은 확인되지 않았다.

5.3. 수준 차원별 분포 특성

수준 차원 분석 결과, 대다수의 교육 과정이 기존 산업 구조를 전제로 한 활용 수준에 머물러 있는 것으로 나타났다. 전체의 80% 이상이 디지털 도구와 데이터 분석을 통해 기존 작업을 보조하거나 개선하는 형태를 취하고 있었다.

Intermediate 단계는 일부 교과목에서 확인되었으며, 대부분 데이터 기반 기획과 같은 기존 절차를 부분적으로 재구성하는 내용을 포함하고 있었다. 이러한 교과목은 단순한 도구 활용을 넘어 문제 해결 방식 자체를 조정한다는 점에서 basic 단계와 구분된다.

반면 advanced 단계에 해당하는 교육은 전혀 관찰되지 않았다. 이는 섬유·패션 산업에서 시스템이나 조직 구조 자체를 설계하는 수준의 개입이 교육 과정에서 다루어지지 않고 있음을 의미한다.

5.4. 교차 분포와 구조적 집중 패턴

역할과 수준을 교차하여 분석한 결과 교육 프로그램의 분포는 단순한 수적 편중을 넘어 일정한 구조적 집중 패턴을 형성하고 있었다. 전체 분포는 practitioner-basic 영역을 중심으로 강하게 집중되어 있으며, 역할과 수준 차원 모두에서 상위 영역으로 이동할수록 감소하는 계단형 축소 구조를 보인다.

이러한 패턴은 다음과 같은 세 가지 특징으로 요약된다. 첫째, 기능 단위 내에서도 운영 수준에서 재구성 수준으로의 확장은 제한적으로 나타나며, 수준 간 연속적인 확장 구조는 뚜렷하게 관찰되지 않는다. 둘째, 역할 차원에서도 practitioner에서 developer 및 strategist로 이어지는 역할 전환 경로가 교육 구조 내에서 명확히 제시되지 않고 있다. 셋째, advanced 단계에 해당하는 영역은 전반적으로 매우 제한적으로 나타나며, 구조 설계 수준의 개입을 직접적으로 다루는 교육은 거의 확인되지 않는다.

결론적으로 분석 결과는 동일한 기술 내용을 포함하는 교과목이라 하더라도 성과 단위와 개입 수준에 따라 서로 다른 위치에 배치될 수 있음을 보여준다. 예를 들어 데이터 분석을 포함하는 교과목은 기능 단위 지원에 머무는 경우와 기능 간 연계를 전제로 하는 경우로 구분되며, 이는 기술 수준만으로는 구별하기 어려운 차이이다.