Every major discipline is being reshaped by AI. Medical education must prepare students to work with AI diagnostic tools. Legal education must address AI contract analysis and automated legal research. Business education must cover AI-driven analytics and algorithmic decision-making. Engineering education must integrate AI design tools and autonomous systems. And every discipline must grapple with the ethical implications of AI in professional practice.

Yet most faculty members teaching in these disciplines have no formal AI training. They learned their disciplines before AI tools became prevalent, and their professional development has not kept pace with the technology. The result is a competence gap: students need to learn about AI from faculty who do not yet understand it themselves.

Filiz, Kaya, and Adiguzel (2025) document that teacher AI readiness depends on perceived competence, pedagogical beliefs, and institutional support—factors that can be addressed through structured professional development. Fernández Cerero et al. (2026) show that engineering faculty who use AI in research are more likely to integrate it into teaching—suggesting that research-active faculty may be natural early adopters. And Anisah, Masripah, and Juanda Putri (2025) argue that traditional professional development models are inadequate for the pace of AI change—requiring continuous, embedded, peer-supported learning approaches.

What a Faculty AI Literacy Framework Needs

Based on the research reviewed across this series, a faculty AI literacy framework should address four dimensions:

Technical literacy: Understanding what AI is, how it works at a conceptual level, what it can and cannot do, and how to evaluate AI tools critically. This does not require programming skill but does require enough understanding to distinguish hype from capability.

Pedagogical literacy: Knowing when AI helps learning and when it hinders it—when to use AI tools in teaching, when to restrict them, and how to design assessments that remain meaningful in an AI-augmented environment.

Ethical literacy: Understanding the implications of AI for fairness, privacy, accessibility, and academic integrity—and having the judgment to navigate trade-offs that do not have clear answers.

Disciplinary literacy: Understanding how AI is transforming one's specific discipline—what tools are available, what professional practices are changing, and what competencies students will need to practice in AI-augmented professional environments.

Claims and Evidence

Implications

Higher education needs a comprehensive faculty AI literacy initiative that is: discipline-specific (AI in medicine differs from AI in law), multi-dimensional (technical + pedagogical + ethical + disciplinary), continuous (not one-time workshops), peer-supported (faculty learning from each other), and institutionally resourced (time, funding, infrastructure).

Without such an initiative, the gap between AI's impact on professional practice and faculty's ability to prepare students for AI-augmented work will continue to widen—leaving graduates unprepared for the professional environments they will enter.

면책 조항: 이 게시물은 정보 제공을 목적으로 한 연구 동향 개요이다. 학술 저작물에서 인용하기 전에 특정 연구 결과, 통계 및 주장을 원문 논문과 대조하여 검증해야 한다.

교수진을 위한 AI 리터러시: 고등교육이 아직 갖추지 못한 역량 프레임워크

모든 주요 학문 분야가 AI에 의해 재편되고 있다. 의학 교육은 학생들이 AI 진단 도구를 활용할 수 있도록 준비시켜야 한다. 법학 교육은 AI 계약 분석 및 자동화된 법률 조사를 다루어야 한다. 경영학 교육은 AI 기반 분석과 알고리즘 의사결정을 포괄해야 한다. 공학 교육은 AI 설계 도구와 자율 시스템을 통합해야 한다. 그리고 모든 학문 분야는 전문적 실천에서 AI가 갖는 윤리적 함의와 씨름해야 한다.

그러나 이러한 학문 분야에서 가르치는 대부분의 교수진은 공식적인 AI 교육을 받지 않았다. 이들은 AI 도구가 보편화되기 이전에 자신의 학문 분야를 학습하였으며, 전문성 개발이 기술의 발전 속도를 따라가지 못하고 있다. 그 결과 역량 격차가 발생한다. 학생들은 AI를 아직 스스로 이해하지 못한 교수진으로부터 AI에 대해 배워야 하는 상황에 놓여 있다.

Filiz, Kaya, Adiguzel(2025)은 교사의 AI 준비도가 인지된 역량, 교수법적 신념, 기관의 지원에 달려 있음을 기록하고 있으며, 이러한 요인들은 체계적인 전문성 개발을 통해 해결될 수 있다. Fernández Cerero 외(2026)는 연구에서 AI를 활용하는 공학 분야 교수진이 교육에도 AI를 통합할 가능성이 높다는 점을 보여주며, 이는 연구 활동이 활발한 교수진이 자연스러운 조기 수용자가 될 수 있음을 시사한다. Anisah, Masripah, Juanda Putri(2025)는 전통적인 전문성 개발 모델이 AI 변화의 속도에 대응하기에 부적절하며, 지속적이고 내재화된 동료 지원 학습 방식이 필요하다고 주장한다.

교수진 AI 리터러시 프레임워크에 필요한 것

이 시리즈에서 검토된 연구를 바탕으로, 교수진 AI 리터러시 프레임워크는 네 가지 차원을 다루어야 한다.

기술적 리터러시: AI가 무엇인지, 개념적 수준에서 어떻게 작동하는지, 무엇을 할 수 있고 할 수 없는지, 그리고 AI 도구를 비판적으로 평가하는 방법을 이해하는 것이다. 프로그래밍 능력을 요구하지는 않지만, 과장된 주장과 실제 능력을 구별할 수 있는 충분한 이해가 필요하다.

교수법적 리터러시: AI가 학습에 도움이 되는 경우와 방해가 되는 경우를 파악하는 것, 즉 교육에서 AI 도구를 언제 활용하고 언제 제한해야 하는지, 그리고 AI가 보완된 환경에서도 의미를 유지하는 평가를 어떻게 설계할지 아는 것이다.

윤리적 리터러시: 공정성, 개인정보 보호, 접근성, 학문적 진실성에 대한 AI의 함의를 이해하고, 명확한 답이 없는 상충 관계를 헤쳐 나가는 판단력을 갖추는 것이다.

학문 분야별 리터러시: AI가 자신의 특정 학문 분야를 어떻게 변화시키고 있는지, 어떤 도구들이 사용 가능한지, 전문적 실천이 어떻게 변화하고 있는지, 그리고 학생들이 AI가 보완된 전문적 환경에서 실践하는 데 필요한 역량이 무엇인지 이해하는 것이다.

주장과 근거

시사점

고등교육은 포괄적인 교수진 AI 리터러시 이니셔티브를 필요로 한다. 이 이니셔티브는 학문 분야별로 특화되고(의학에서의 AI와 법학에서의 AI는 다르다), 다차원적이며(기술적 + 교수법적 + 윤리적 + 학문 분야별), 지속적이고(일회성 워크숍이 아닌), 동료 지원 방식으로 운영되며(교수진이 서로에게서 배우는), 기관의 자원을 갖추어야 한다(시간, 재원, 인프라). 이러한 이니셔티브가 없다면, AI가 전문적 실천에 미치는 영향과 교수진이 AI 증강 업무를 위해 학생들을 준비시키는 능력 사이의 격차는 계속해서 벌어질 것이며—이는 졸업생들이 진입하게 될 전문적 환경에 대한 준비 부족으로 이어질 것이다.