AI Literacy
AI 리터러시는 AI를 이해하고, 비판적으로 검토하고, 효과적으로 활용하는 데 필요한 지식과 판단력입니다. 핵심 역량, 학교 프레임워크, EU AI Act 제4조를 다룹니다.
AI 리터러시는 인공지능을 효과적으로 사용하는 데 필요한 지식과 판단력입니다. 여기에는 AI 시스템이 출력을 생성하는 방식에 대한 실용적인 이해, 출력을 비판적으로 평가하는 습관, AI를 신뢰할 시점을 판단하는 능력이 포함됩니다. 읽기나 수리 능력처럼 직장, 학교, 가정에서 AI를 접하는 모든 사람에게 필요한 일반적인 역량이며, 모델을 만들거나 프로그래밍할 수 있는 능력은 필요하지 않습니다. Duri Long과 Brian Magerko는 널리 인용되는 2020년 CHI 논문에서 AI를 비판적으로 평가하고, AI와 소통하고 협력하며, AI를 도구로 사용할 수 있게 하는 역량으로 이를 정의했습니다.
AI 리터러시를 갖춘 사람은 챗봇의 유창한 답변도 틀릴 수 있고, 안면 인식 시스템이 집단에 따라 성능 차이를 보일 수 있으며, 사실적인 동영상이 딥페이크일 수 있고, 온라인 어시스턴트와 기밀 문서를 공유하면 정보가 노출될 수 있음을 알고 있습니다. 이러한 통찰은 여러 도구에 공통으로 적용되는 몇 가지 기본 개념에 기반합니다.
AI 리터러시의 범위#
대부분의 프레임워크는 AI 리터러시를 세 가지 역량으로 구성합니다. 이해란 머신러닝 시스템이 학습 데이터에서 패턴을 학습하므로 그 동작이 데이터의 범위와 누락된 부분을 반영한다는 것, 그리고 생성형 AI가 사실을 확인하지 않은 채 학습한 패턴을 바탕으로 그럴듯한 텍스트나 이미지를 생성한다는 점을 아는 것입니다. 평가는 출력을 독립적인 출처와 대조하고, 환각과 AI 편향을 인식하며, 모델의 신뢰도 점수를 모델 자체의 추정치로 취급하는 것을 뜻합니다. 이 추정치는 보정이 부정확할 수 있습니다. 책임 있는 사용이란 공유할 데이터를 정하고, 중대한 결정에 누가 검토자로 참여할지, AI 지원 사실을 언제 공개할지, 작업을 AI에 위임해서는 안 되는 경우가 언제인지를 판단하는 것입니다.
학교를 위한 UNESCO 학생 AI 역량 프레임워크는 2024년에 발표되었으며, 인간 중심 사고방식, AI 윤리, AI 기술 및 응용, AI 시스템 설계의 네 가지 차원에서 12개 역량을 제시합니다. 각 역량은 AI 이해에서 AI 적용, AI를 활용한 창작으로 발전합니다. OECD와 유럽연합 집행위원회의 AI 리터러시 프레임워크는 2025년 초안을 거쳐 2026년에 최종 확정되었으며, AI와 상호작용하기, AI와 함께 만들기, AI 관리하기, AI 형성하기의 네 가지 영역으로 역량을 분류합니다. 또한 2029년 최초로 시행되는 PISA 미디어 및 AI 리터러시 평가의 기반이 됩니다. 관련 개념은 서로 겹칩니다. 데이터 리터러시는 데이터와 통계 해석을, 디지털 리터러시는 일반적인 기술 사용을 다루며, 프롬프트 엔지니어링은 AI 리터러시에 포함되는 실용적인 역량 중 하나입니다.
직장 내 AI 리터러시와 EU AI Act#
EU AI Act 제4조가 2025년 2월 2일부터 적용되면서 직장 내 AI 리터러시는 유럽연합에서 법적 의무가 되었습니다. 이 법은 AI 리터러시를 제공자, 배포자, 영향을 받는 사람이 AI 시스템을 충분히 이해하고 배포하며, 그 기회와 위험, 잠재적 피해를 인식할 수 있게 하는 기술, 지식, 이해로 정의합니다. 2026년 7월 AI 디지털 옴니버스에 따라 개정된 제4조는 AI 시스템을 제공하거나 배포하는 조직이 해당 시스템을 대신 운영하는 직원 및 기타 사람의 AI 리터러시를 지원하기 위한 조치를 취하도록 요구합니다. 이때 이들의 기술 지식, 경험, 교육, 시스템 사용 맥락을 고려해야 하지만 개인별로 특정 수준의 리터러시를 보장할 의무는 없습니다. 이 의무는 위험 범주와 관계없이 모든 AI 시스템에 적용되므로 법에서 가장 광범위한 요구 사항 중 하나입니다.
제4조는 교육 과정이나 인증을 규정하지 않으므로, 조직은 일반적으로 역할에 맞춰 교육 규모를 조정하고 기록을 보관하며 이를 AI 거버넌스 프로그램에 포함합니다. 챗봇을 사용하는 지원 담당자는 조작된 답변을 알아보는 방법과 프롬프트에 포함해서는 안 되는 고객 데이터가 무엇인지 알아야 하며, 이를 통해 섀도 AI도 줄일 수 있습니다. 자동 검사 라인을 운영하는 품질 엔지니어는 거짓 양성과 거짓 음성, 그리고 임계값 설정이 두 오류 사이의 균형을 어떻게 바꾸는지 이해해야 합니다. AI 배포를 승인하는 관리자는 시스템이 어떤 데이터로 어떻게 평가되었는지 물을 수 있을 만큼의 기본 지식을 갖춰야 합니다.
실습을 통한 AI 리터러시 구축#
모델이 정확하고, 틀리고, 불확실한 경우를 직접 경험하면 리터러시가 가장 빠르게 향상됩니다. 사전 학습된 Ultralytics YOLO26 객체 감지 모델을 한 장의 사진에 두 가지 신뢰도 임계값으로 실행하면 정밀도와 재현율 사이의 균형을 구체적으로 확인할 수 있습니다.
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
# Run the same image at a permissive and a strict confidence threshold
for conf in (0.1, 0.7):
results = model("https://ultralytics.com/images/bus.jpg", conf=conf)
result = results[0]
print(f"conf={conf}: {result.verbose()}")
result.save(filename=f"bus_conf_{conf}.jpg")임계값이 0.1일 때 모델은 사람 다섯 명을 탐지합니다. 여기에는 일부만 보이는 보행자에게 낮은 신뢰도로 추가 표시된 상자 하나와 실제로는 주차 금지 표지판인 '정지 표지판'도 포함됩니다. 임계값이 0.7이면 버스와 명확하게 보이는 사람 세 명은 남지만 왼쪽 가장자리에서 잘린 보행자는 제외됩니다. 저장된 두 이미지를 비교하면 임계값이 시스템의 오류 유형을 결정한다는 것을 알 수 있습니다. 혼동 행렬이 계산하는 것은 오탐과 미탐이며, 적절한 설정은 특정 애플리케이션에서 객체 누락과 오탐 중 어느 쪽의 비용이 더 큰지에 따라 달라집니다.
어린 학습자를 위한 AI 교육에서는 코드 없이도 같은 활동을 할 수 있습니다. 모델이 정확하게 레이블을 지정한 사진과 잘못 지정한 사진을 분류한 뒤 이유를 논의하면, AI 출력이 어떤 근거에 기반하는지 질문하는 습관을 기를 수 있습니다.










