실무에서 묻는 AI 활용 역량을 10문항으로 빠르게 진단해 보세요.
채점 결과와 영역별 해설로 내 위치와 보완 포인트를 한눈에 확인합니다.
직업공통능력 평가에서 AI 활용 역량이 어떻게 측정되는지 미리 경험하고, 본시험·필기 평가에 앞서 보완할 영역을 파악합니다.
막연하게 쓰고 있던 AI 활용 능력을 객관적으로 점검하고, 직무 평가·승진·전직 대비 어느 영역이 부족한지 짚어 봅니다.
구성원·연수생의 AI 활용 수준을 사전에 가늠해, 교육 콘텐츠와 평가 설계의 기준점을 잡고 우선 보완할 영역을 파악합니다.
AI의 핵심 작동 원리는 자기학습·확장성·불완전성이며 여기에 학습된 규칙으로 결론을 도출하는 추론이 더해집니다. AI는 학습 범위를 벗어나면 기존 규칙이 작동하지 않고, 데이터가 부족하거나 윤리적 판단이 필요한 문제는 스스로 결정하기 어렵습니다. 따라서 "학습 없이 모든 상황을 완벽히 판단한다"는 ④번 진술은 AI의 본질과 정반대입니다.
분석형 AI는 기존 데이터에서 규칙·패턴을 찾아 분류(스팸/종양 양성·악성 구분), 군집화(고객 유형 그룹화), 예측(매출·기온 추정) 세 가지 기능을 수행합니다. '생성'은 새 콘텐츠를 만드는 생성형 AI의 영역이고, '환각'은 생성형 AI의 오류 현상입니다. '전처리'는 학습 전 데이터를 정제하는 준비 단계로 분석형 AI의 기능 자체는 아닙니다.
환각은 생성형 AI가 불완전한 데이터와 문맥 해석의 한계 때문에 존재하지 않는 정보를 확률적으로 조합해 사실처럼 만들어내는 현상입니다. 실재하지 않는 논문·학자 인용, 잘못된 법률 조항 번호 제시, 근거 없는 통계 수치 생성이 대표 사례이며 출처 확인과 교차 검증이 필수입니다. ①편향은 데이터에 담긴 사회적 고정관념의 재현, ②오버피팅은 학습 과잉, ④군집화는 분석형 기능, ⑤전처리는 데이터 정제 단계로 본 문항의 정의와 다릅니다.
좋은 프롬프트의 구성 요소는 목적(무엇을), 맥락(왜), 형식(어떤 형태로) 세 가지이며 이 세 요소가 갖춰질 때 결과 품질이 크게 향상됩니다. AI는 인간처럼 의도를 추측하지 않고 문장 속 단서로 확률적 예측을 수행하기 때문에 모호한 질문은 곧 불안정한 결과로 이어집니다. "요약해줘" 대신 "회의록을 5문장으로 요약하되 결론과 다음 일정 포함"처럼 구체화해야 의도에 맞는 출력이 나옵니다.
잘못된 분류는 학습 데이터의 불균형과 잘못된 라벨 지정에서 비롯되므로, 라벨 검증·수정과 범주 균형 조정(오버/언더샘플링)이 근본 해결책입니다. 의료 영상에서 정상을 이상으로 분류하거나 스팸 필터가 정상 메일을 차단하는 사례가 이 원인에 해당합니다. ①프롬프트 수정은 분류 모델과 무관하고 ③결과 직접 수정은 사후 임시조치, ⑤단순 반복 분석은 원인을 손대지 않아 결과가 달라지지 않습니다.
데이터 품질의 3대 항목은 정확성(실제 값과 일치), 완전성(누락 없이 충분), 대표성(전체 집단 대표)이며, 본 문항의 "누락 없이 충분히 존재하는가"는 완전성의 정의에 해당합니다. 완전성 점검의 핵심은 결측치 확인이며 전처리 단계에서 누락 값을 대체·제거해 확보합니다. ④일관성과 ⑤적시성은 3대 품질 항목에 포함되지 않습니다.
사용자 책임 원칙에 따라 AI 결과물에 오류나 저작권 침해가 발생해도 최종 법적·윤리적 책임은 그 정보를 사용한 직업인에게 있습니다. 직업인은 결과를 그대로 제출하는 사람이 아니라 사실 확인·출처 검증·내용 검토를 거쳐 책임지고 사용하는 사람이어야 합니다. ①투명성은 의사결정 과정 추적 가능성, ③신뢰성은 결과의 일관·정확성을 의미하는 개념으로 본 문항의 책임 귀속과는 다릅니다.
좋은 프롬프트의 핵심은 "무엇을(목적), 왜(맥락), 어떤 형태로(형식)"를 구체적으로 포함시키는 것이며, 조건이 구체화될수록 결과의 정확도와 일관성이 높아집니다. ③한 번에 모든 요청을 입력하면 여러 목표가 섞여 논리적 일관성이 무너지므로 복잡한 과업은 단계별로 나눠 요청해야 합니다. ④단답형은 맥락이 부족해 임의 추론을 늘리고, ⑤모호한 부분을 AI 해석에 맡기면 환각·편향이 늘어납니다.
규칙 기반 자동화는 명확한 규칙·조건을 먼저 정의하고 시스템이 반복 수행하도록 만드는 과정으로, 보고서 작성·파일 정리·알림 발송 같은 정형 업무에 가장 적합합니다. 자동화의 목적은 인간 대체가 아니라 사람이 기획·의사결정·문제해결 같은 고차적 사고에 집중하도록 만드는 것입니다. 따라서 ①새 아이디어 기획, ③갈등 조정, ④감정적 위로, ⑤윤리적 의사결정처럼 가치 판단·창의·공감이 필요한 영역은 자동화 대상이 아닙니다.
RAG는 질문 시점에 외부의 최신 자료를 검색해 모델의 생성 과정에 반영함으로써, 학습 시점 이후의 정책·법령·통계를 즉시 반영하지 못하는 생성형 AI의 한계를 보완하는 방식입니다. ①LLM은 거대 언어모델 전반을 가리키는 상위 개념, ③GAN은 두 신경망이 경쟁하며 이미지를 만드는 생성 모델, ④CNN은 이미지 인식에 주로 쓰이는 합성곱 신경망입니다. ⑤API는 소프트웨어 간 연결 규약으로 검색 기반 생성 기법과는 층위가 다릅니다.
채용 현장이 바뀌기 전에, 나의 준비 상태부터 확실하게
인크루트가 AI활용능력 관련 강의 교안을 직접 분석해, 단순 암기가 아닌 실무 판단력을 확인할 수 있는 예상문제로 구성했습니다.
2026년 직업공통능력 개편 흐름과 AI활용능력 평가 관점을 문항 구성과 해설 방향에 함께 반영했습니다.
프롬프트 설계, 결과 검증, 데이터 활용, 윤리 판단까지 실제 업무에서 마주치는 장면을 중심으로 10문항 체험판을 설계했습니다.
채점 이후 자신의 강점과 보완 포인트를 바로 확인하고, 본시험 준비와 AI리터러시 학습 방향을 자연스럽게 연결할 수 있도록 구성했습니다.