AI를 팀원으로, 프로젝트 전 과정을 다시 설계합니다
기획→실행→검증의 전 라이프사이클을 AI와 협업해 직접 수행하는 현장 리더를 길러냅니다. 표준 프로젝트 관리(PM, 6년간 쌓아 온 운영 노하우)에서 Agentic 방식으로 한 단계 진화시킵니다.
한눈에 보는 AX핵심/Core 과정
AI와 협업해 기획→실행→검증 전 과정을 직접 수행하는 실무 역량 확보 (Lv2 워크플로~Lv3 빌드).
요구·WBS·리스크·SDD를 재사용 가능한 AI 워크플로로 표준화 → 산출 속도·깊이 동시 향상, 팀 전파.
PM·PL·PO·실무자. 제조SW·손해보험·구매조달·정보보안·반도체 등 도메인 현업.
- 도메인 그라운딩(현장 용어·가치사슬)
- 업무 워크플로 분해·진단
- AI 빨간펜 1:1 실습
- To-Be 재설계·라이브 데모
- 본인 업무 실전 과제(PBL)
섹션 · 모듈 · 세부내용 · 결과물로 보는 상세 흐름
실제 현장에서 수행한 차수를 기준으로 구성한 표준 흐름입니다. 조직 사정에 맞춰 모듈을 재배치해 드립니다.
기준 차수 — 삼성전자 PMC GenAI PM 2-Day(16H) · LG전자 SW PM 실무 워크숍(16H). 결과물(FAL = Fully Active Learning)은 강의를 듣는 것이 아니라 그날 직접 만들어 손에 남기는 산출물입니다.
여러분의 역할이 곧 AI 협업의 출발점입니다
직무가 다르면 AI에게 맡길 일도, 사람이 끝까지 책임질 일도 달라집니다. 그래서 역할별로 다르게 설계했습니다.
일정과 리스크를 근거 위에서 판단합니다
기획·일정·리스크를 감(感)이 아니라 AI가 정리한 근거 위에서 결정하도록, 의사결정 워크플로를 함께 세웁니다.
요구와 아키텍처를 에이전트로 검증합니다
요구공학과 아키텍처(설계 문서, Software Design Description, SDD), 품질을 에이전트로 교차 검증해 빠뜨림을 줄입니다.
과제 정의와 우선순위를 AI와 함께 잡습니다
과제 정의, 백로그(해야 할 일 목록), 우선순위를 AI 협업으로 더 빠르고 더 촘촘하게 정리합니다.
단건 보조를 넘어, 직접 워크플로와 에이전트를 만듭니다
이 과정의 도착점은 Lv2~3입니다. 프롬프트로 한 건씩 거드는 단계를 넘어, 반복 업무를 표준 워크플로로 만들고 자기 데이터를 연결한 에이전트를 직접 세웁니다.
프롬프트로 단건 업무를 보조받는 단계입니다. (입문 과정에서 다룹니다)
반복 업무를 재사용 가능한 워크플로로 표준화합니다. 요구 정의→작업분해구조(WBS)→리스크 점검 체인을 한 번에 잇습니다.
자기 도메인 데이터를 연결한 에이전트·검색증강생성(RAG)을 직접 구축하고, 사람이 확인하는 검증 게이트(HITL)를 끼웁니다.
조직 차원의 도입 정책을 설계하는 단계입니다. (→ 리더십 과정에서 이어집니다)
듣는 강의가 아니라, 손으로 만드는 시간입니다
규모와 목적에 맞춰 네 가지 방식 중에서 고르시면 됩니다. 어느 쪽이든 여러분이 직접 만들고, AI가 검토하고, 함께 토론합니다.
AX 시대 PM 인식 전환
왜 지금 일하는 방식을 바꿔야 하는지, 전사 구성원이 같은 그림을 그리도록 인식을 맞춥니다.
8~16H 핸즈온 실습
작성(Write)→AI 빨간펜→토론(Discuss)→투표(Vote) 사이클을 돌며 여러분의 실제 업무를 직접 다룹니다.
실제 프로젝트로 착수
가상의 사례가 아니라, 여러분이 지금 들고 있는 프로젝트로 바로 착수해 함께 진행합니다.
조직 데이터·과제 기반
조직의 실제 데이터와 업무 용어로 토대를 깔아, 일반론이 아닌 우리 현장의 언어로 설계합니다.
실제 기업과 함께 검증한 프로그램입니다
아래는 모두 현장에서 실제로 수행했거나 곧 진행하는 프로그램입니다. 여러분의 조직 사정에 맞춰 다시 설계해 드립니다.
PMC GenAI PM 2-Day
SW PM 실무 워크숍
GenAI 리스크 매니지먼트
AX Insight 워크숍
구매팀 CPSM Agentic
GenAI Global PM (PBL)
현장에서 함께 일한 고객사입니다
대기업 제조·전자부터 금융·보안·소재 기업까지, 도메인이 다른 현장에서 같은 방식으로 검증해 왔습니다.
듣는 교육이 아니라, 그날 손으로 만드는 Fully Active Learning
강의는 20% 이하로 줄이고, 80% 이상을 직접 쓰고(Write)·토론하고(Discuss)·투표하며(Vote) 만드는 데 씁니다. 거기에 AI 빨간펜이 전원에게 1:1 피드백을 더합니다. (능동학습 효과크기 d=0.47 · Freeman et al., PNAS 2014)
Fully Active Learning
강의 ≤20%, 팀활동·인출·실습 ≥80%. 능동학습이 수동 강의보다 성취·전이가 높다는 메타분석에 기반합니다.
전원 1:1 동시 피드백
강사 한 명은 50명 중 10~15명만 봐줄 수 있습니다. AI 빨간펜이 참가자 전원에게 동시에 구조화된 피드백을 줍니다.
Write → Discuss → Vote
전원이 먼저 쓰고 AI가 1~2분 내 클러스터링·랭킹 → 발표 잘하는 몇 명이 아니라 모두가 참여하는 토론.
내 업무가 곧 실습 과제
가상 사례가 아닌 참가자 본인 업무를 분해·재설계합니다. 종료 시 내일 실행할 Action 1건이 손에 남습니다.
출처: 삼성전자 PMC 65명 실증(2026-03) · 신한EZ·LG·삼성 현장 워크숍 회고. 효과는 차수·집단에 따라 달라질 수 있습니다.
현장에서 직접 만든 분들의 이야기입니다
아래는 실제 워크숍 회고·설문에서 발췌한 참가자의 말입니다. 개인 식별 정보는 빼고 프로그램 단위로 표기했습니다.
PM 업무가 데이터 근거로 진행될 때도 있지만, 사실 ‘감(感)’으로 하는 경우도 꽤 많습니다. 그 불확실한 감을 AI가 뒷받침할 근거로 만들어 주는 것이 정말 좋은 활용처더군요.
1일차 회고 내용을 2일차 강의에 바로 반영해 주신 점이 좋았습니다. 강조하신 ‘피드백의 빠른 반영’을 직접 실천으로 보여 주셔서 더 신뢰가 갔습니다.
강의 내용만 쭉 따라갔을 뿐인데, 애자일·워터폴의 모든 구조를 충족한 프로세스를 진행했네요.
내일 AI 안 쓰고 수작업한다니까 벌써 서운합니다. AI 의존도가 이미 높아졌네요. 그래도 AI를 써도 여전히 한계가 느껴지는 지점이 어디인지 알게 됐습니다.
AI 활용에 회의적이었는데 이번 강의로 생각이 바뀌었습니다. 할루시네이션을 덜 받으려면 명사형으로 접근해야 한다는 것도 알게 됐고요.
참여자 데이터 → 도메인 시스템프롬프트 → 업무 온톨로지맵 → 실무 적용으로 이어진 그라운딩이 “상당히 효과적”이었습니다. 손익관리팀이 코드 한 줄 없이 업무 에이전트를 완성했습니다.
만족도 수치는 해당 차수 사후 설문 실측이며, 차수·집단에 따라 달라질 수 있습니다. ‘현장 평가’는 운영팀 회고 기준입니다.
AX고급/Advanced — Agentic Lab · 빌드 · RAG
표준화한 워크플로를 사내 데이터 연결 에이전트·RAG 시스템으로 만듭니다.
다음 단계 보기 →현장 기록 · 2026
AX핵심/Core — 이 단계로 최근에 만난 현장
아래는 실제로 수행한 회차입니다. 수행 이력 원장에서 바로 읽어 오므로 뒤처지지 않습니다. 어느 단계에 넣을지는 저희 편성이고, 회차 사실은 원장 그대로입니다.
| 일자 | 고객 | 과정 | 인원 |
|---|---|---|---|
| 2026-07-15 | 현대모비스 | SW협업워크숍 3차수 | 19명 |
| 2026-07-02 | SK쉴더스 | GenAI Global PM 16H 2-Day | 15명 |
| 2026-06-30 | 현대모비스 | SW협업워크숍 2차수 | 16명 |
| 2026-06-29 | 현대모비스 | SW협업워크숍 1차수 | 16명 |
| 2026-06-24 | ITCEN | Agentic PM/PL 워크숍 15H 2-Day | 21명 |
| 2026-05-12 | 삼성전자 | PMC GenAI PM 2-Day | 50명 |
| 2026-03-31 | LG전자 | SW PM 실무 워크숍 | 33명 |
| 2026-03-10 | 삼성전자 | PMC GenAI PM 2-Day | 37명 |
인원은 기재된 회차만 합산했습니다 (8/8회차 · 207명). 나머지는 “—”로 둡니다 — 추정하지 않습니다.
우리 팀 프로젝트로 시작하시겠어요?
실제 과제를 들고 오시면, Agentic 방식으로 함께 착수합니다.