작성자: 우후이, 텐센트 연구원

2023년 봄, OpenAI의 한 연구 논문이 '노출도'라는 용어를 대중의 시야에 처음 등장시켰습니다. 이 논문은 대규모 언어 모델의 능력을 활용해 미국 노동부의 약 천 개 직업군에 대한 업무 기술서와 비교 분석했고, 이에 따른 위험 순위를 도출했습니다. 수학자, 세무 신고 대행인, 퀀트 분석가, 작가, 웹 디자이너가 상위권에 올랐으며, 프로그래밍과 글쓰기 기술의 노출도는 100%에 육박했습니다.

그 후 3년 동안, 몇 달에 한 번꼴로 새로운 보고서, 새로운 조기 경보, 새로운 사례가 등장했습니다. 누군가는 소셜 미디어에서 AI를 활용해 과거 일주일 치 업무를 3시간 만에 끝냈다고 자랑했고, 또 다른 누군가는 채용 사이트에서 자신이 10년 전에 처음 발을 들였던 직군이 사라졌음을 발견했습니다. 어떤 이들은 회사 곳곳에서 "내년에는 더 적은 인원으로 AI를 써서 똑같은 일을 해낼 것"이라는 이야기를 우연히 듣기도 했습니다.

두려움과 흥분이 교차하며 밀려왔습니다. 그러나 3년이 지난 지금, 분명하게 느껴지는 변화가 있습니다. 사람들은 더 이상 막연하게 "AI가 내 일자리를 대체할까?"라고 묻지 않고, 자신의 일상을 분해하기 시작했다는 점입니다. 즉, 그중 어떤 부분이 진짜로 대체되었고, 어떤 부분은 단순히 '증강'되었으며, 어떤 부분은 전혀 건드리지도 못하고 있는지 따져보기 시작한 것입니다.

이러한 막연한 불안에서 구체적인 분석으로의 전환이 바로 이 글의 출발점입니다. 우리는 세 가지 질문에 답하고자 합니다.

첫째, 2023년 6월부터 2026년 6월까지 이 3년간 AI가 직장, 고용, 그리고 구체적인 직업군에 실제로 어떤 영향을 미쳤는가? 이는 예측이나 상상이 아닌, 추적 가능한 데이터와 실제 사례를 통해 살펴볼 것입니다.

둘째, 우리가 지난 3년을 이해하고 미래를 추론하는 데 도움을 줄 수 있는 산업적 법칙, 경제적 법칙, 조직적 법칙은 무엇인가? 감으로 추세를 판단하는 것이 아니라, 반복적으로 검증된 이론적 프레임워크로 돌아가 분석할 것입니다.

셋째, 이 거대한 변혁 속에 놓인 구체적인 개인들, 즉 코드를 짜는 사람, 제품을 만드는 사람, 회계를 담당하는 사람, 인사 담당자, 마케터, 계약을 검토하는 사람, 영업 사원 등은 무엇을 경험했는가? 우리는 3부에서 그들의 이야기를 들려줄 것입니다.

1. 3년간의 영향: 데이터, 시간 경과 및 실제 사례 (2023.6-2026.6)

2023년부터 2026년까지 이 3년은 AI와 직업에 대한 인식이 뚜렷하게 보정된 시기였습니다. 첫 번째 단계는 식별입니다. 어떤 업무가 AI의 능력 범위에 노출되어 있는가? 두 번째 단계는 관찰입니다. 실제로 무엇이 대체되었는가? 협업 모델은 어떻게 진화하는가? 세 번째 단계는 원인 파악입니다. 이론적 노출과 실제 대체 사이에 왜 시간차가 존재하는가? 네 번째 단계는 심층 분석입니다. 대체는 누구를 타격하고 누구를 보호하는가? 자본은 어디로 흘러가는가?

다음 일곱 개의 절은 이 네 단계를 구체적으로 펼쳐낸 것입니다.

2023: 이론적 경고와 '노출도' 서사

2023년 3월, OpenAI는 논문을 발표하여 대규모 언어 모델의 역량을 미국 노동부 O*NET 데이터베이스에 있는 1,016개 직업군의 19,265개 업무와 매칭했습니다. 결론은 이렇습니다. 미국 노동자의 약 80%가 최소 10%의 업무 과업에서 GPT의 영향을 받으며, 약 19%의 노동자는 업무 과업의 50% 이상이 AI에 노출되어 있다는 것입니다. 프로그래밍과 글쓰기 기술의 노출도는 100%에 근접했고, 법률, 회계 분야가 그 뒤를 이었습니다.

노출도의 정의는 "대규모 언어 모델을 통해 과업 완료 시간을 획기적으로 단축할 수 있는 정도"를 의미하며, 이는 "직무가 대체된다"는 의미가 아닙니다. 이는 기술적 실현 가능성을 보여주는 히트맵일 뿐, 고용 변화를 나타내는 시간표가 아니었습니다.

같은 달, 골드만삭스는 전 세계적으로 약 3억 개의 정규직 일자리가 자동화에 노출될 수 있다고 추산했으며, 법률 업무의 44%, 행정 지원 업무의 46%가 자동화될 수 있다고 분석했습니다. 6월, 맥킨지 글로벌 연구소는 생성형 AI가 매년 세계 경제에 2조 6천억 달러에서 4조 4천억 달러의 가치를 추가할 수 있다고 보았습니다. 영업, 마케팅, 소프트웨어 엔지니어링, 고객 운영 분야가 가치 증분이 가장 큰 네 개의 직무로 꼽혔습니다.

이 두 보고서는 2023년 여론 형성장의 양 극단, 즉 '대체 서사'와 '증분 서사'를 대표했습니다. 이후 3년 동안 우리는 이 두 극단 사이를 끊임없이 오갔습니다.

2024-2025: 증강 효과의 주도, 실제 도입 가속화

2024년이 되자 GitHub의 공개 조사에 따르면 미국 개발자의 92%가 업무 현장에서 AI 코딩 도구를 사용하고 있는 것으로 나타났습니다. 스택 오버플로우의 2024년 개발자 설문조사에서는 응답자의 81%가 AI 도구가 생산성을 향상시켰다고 답했으며, 프런트엔드, 풀스택, 백엔드 개발자의 사용률이 가장 높았습니다. 사용률은 상승했지만, 이에 대한 우려가 동시에 확산되지는 않았습니다. 프로페셔널 개발자의 72%는 AI를 자신들의 일자리를 위협하는 요소로 인식하지 않았습니다.

2025년 2월, 앤트로픽 경제 지수 보고서에 따르면 소프트웨어 엔지니어링 업무가 AI 사용의 37.2%를 차지했으며, 창작 글쓰기 및 카피라이팅이 10.3%를 차지했습니다. 모든 사용 시나리오 중 57%는 '증강'에 속했고, 43%는 '직접적인 자동화'에 속했습니다.

2023년 9월, BCG와 하버드 경영대학원의 실험은 "들쭉날쭉한 기술 프런티어"를 드러냈습니다. GPT-4를 사용한 컨설턴트는 완료한 과업 수가 12.2% 더 많고 속도가 25.1% 더 빨라졌지만, AI의 능력 한계를 벗어난 복잡한 과업에서는 오히려 성과가 저하되었습니다. 인간-AI 협업의 핵심 역량은 'AI를 잘 다루는 것'이 아니라, 'AI가 언제 오류를 범하는지 아는 것'이었습니다.

고용 시장 측면에서는 Freelancer.com의 분기 보고서에서 'AI 콘텐츠 편집', '프롬프트 엔지니어링' 등 새로운 기술 관련 직무 수요는 급증한 반면, 전통적인 번역, 기본적인 디자인, 데이터 라벨링 주문량은 크게 감소했습니다. Upwork의 2024년 보고서에 따르면 경영진의 40%가 AI로 인해 정규직 인력을 줄이고 프리랜서 비율을 늘릴 계획이라고 합니다.

2026: 현실과의 보정, 이론적 커버리지 vs 실제 커버리지

2026년 3월, 앤트로픽은 'AI가 노동 시장에 미친 영향: 새로운 측정과 초기 증거' 보고서를 발표하며 처음으로 '이론적 AI 커버리지'와 '실제 AI 커버리지'를 분리했습니다. 레이더 차트는 법률, 예술 및 미디어, 교육 분야의 이론적 커버리지가 80%에 육박하거나 이를 초과하지만, 실제 적용은 컴퓨터 및 수학, 비즈니스 및 금융, 경영, 사무 및 행정 네 개 분야에 고도로 집중되어 있음을 보여주었습니다. 기술적 실현 가능성에서 조직 내 배치까지의 거리는 지난 3년간 가장 과소평가된 변수였습니다.

AI의 영향을 가장 크게 받는 10개의 직업 중 프로그래머가 1위를 차지했습니다. 이 순서는 2023년 OpenAI의 이론적 노출도 순위와 높은 수준의 구조화와 명확한 인풋-아웃풋을 가진 과업이 가장 먼저 침투당한다는 특징에서 높은 유사성을 보였습니다. 하지만 일치하지 않는 지점 역시 중요합니다. 법률 업계의 이론적 커버리지는 80%를 넘지만 실제 커버리지는 제한적입니다. 그 원인은 기술이 아닌 제도에 있습니다. 교육 분야도 유사하여 AI는 주로 강의 자료 생성과 보조 연습 문제에 머물고 있으며, 핵심적인 교수 상호작용은 대체되지 않았습니다.

출처: 앤트로픽, 2026년 3월 보고서.

AI 에이전트 군단: 부조종사에서 에이전트 집단으로

2026년 초, 앤트로픽과 아이펀시(爱分析)는 각각 보고서에서 같은 트렌드를 지적했습니다. AI가 '부조종사'에서 'AI 에이전트 군단'으로 전환되고 있다는 것입니다. 여러 개의 자율 에이전트가 복잡한 과업을 병렬로 수행하고 서로 조율할 수 있으며, 사람은 목표를 설정하고 결과를 검토하는 역할만 하면 됩니다. 테크 비즈니스 위챗 공식 계정 '워니우 성장기(蜗牛成长季)'는 한 분석에서 에이전트가 군단을 이룰 경우, 기술 핵심 인력은 '직접 구축하는 것'에서 '목표를 정의하고 제약을 설정하며 AI의 결과물을 심사하는 것'으로 전환해야 하고, 관리자는 '사람 관리'에서 'AI 집단 관리 및 예외 처리'로 전환해야 한다고 지적했습니다.

아이펀시의 보고서는 침투 경로를 지적합니다. 먼저 기업 IT 내의 개발, 테스트, 운영 및 유지보수 같은 과업 집단을 흡수한 다음, 비즈니스 프로세스 아웃소싱, 고객 서비스 등 영역으로 번져 나간다는 것입니다. 2023-2024년의 서사가 '인간과 AI의 협업, 인간이 통제 고리 안에 있는 방식'이었다면, 2026년의 새로운 서사는 '인간이 통제 고리 밖에 있는 방식'입니다.

학습 곡선의 붕괴: AI가 신입의 연습장을 막아버릴 때

하버드 경영대학원의 풀러 등이 2025년 발표한 연구는 수백만 개의 미국 온라인 채용 공고 데이터를 바탕으로 핵심 변수를 도입했습니다. 바로 '학습 곡선'입니다.

학습 곡선이 가파른 직업, 즉 시니어 직원의 효율성이 초급 직원을 훨씬 능가하고 임금 곡선이 가파른 직업에서는 초급 기술일수록 AI로 자동화되기 쉽습니다. 초급 업무는 대부분 명시적이고 프로그래밍 가능한 과제로 구성되어, AI가 이러한 입문 단계의 실습을 직접 대체해 신입들이 '일하면서 배우는' 성장 경로를 끊어버립니다. 반면 학습 곡선이 완만한 직업에서는 경험에 따른 프리미엄이 낮아, AI는 대체보다는 역량을 보완하는 데 능하여 신입이 도구의 도움을 받아 숙련자에 가까운 성과를 빠르게 낼 수 있도록 돕고, 오히려 고용 접근성을 넓힙니다.

간단히 말해, AI는 가파른 곡선에서는 입문 과제를 대체하여 진입 장벽을 높이고, 완만한 곡선에서는 신입에게 힘을 실어주어 고용 접근성을 확대합니다. 대체와 능력 부여의 분수령은 직업의 높고 낮음이 아닌, 학습 곡선의 형태에 달려 있습니다.

이는 2024-2025년 사이에 나타난 모순적인 현상을 설명합니다. 수많은 시니어 프로그래머들은 생산성이 배가되었다고 느끼지만, 컴퓨터 공학과 졸업생들은 취업이 더 어려워졌다고 느끼는 것입니다. AI는 동일 직업군 내에서 세대 간 비대칭성을 만들어내고 있습니다. 미래의 종사자 구조는 더 이상 피라미드형이 아닌, '호리병 모양'이 될 가능성이 있습니다. 정상급 고수는 희소하고 몸값이 비싸며, 신입은 진입하기 어렵고, 중간층은 텅 비는 것입니다.

자금의 행방: '사람 키우는' 것보다 '기계 돌리는' 것이 더 저렴해질 때

2026년 6월, '완디안 LatePost'는 미국과 중국의 주요 테크 기업 재무 데이터를 분석했습니다.

미국 시장: 2022년 말부터 대형 기술 기업들이 거시적 요인으로 첫 해고 물결을 시작했습니다. 지난 반년간 AI 프로그래밍 능력의 성숙으로 촉발된 새로운 해고 물결이 10만 명 이상에게 영향을 미쳤습니다. 중국 시장: 기술 기업의 절반 이상이 2021년부터 인력 감축을 시작했습니다. 2026년 6월 기준, 직원 수가 2021년 수준보다 많은 기업은 메이투안, 징동, 핀둬둬, 텐센트뿐이며, 이 중 핀둬둬와 텐센트만 직원 수와 1인당 이익이 동시에 증가했습니다. 나이 불안의 기준이 35세에서 25세로 앞당겨졌습니다.

하나의 핵심 지표: 중국과 미국의 주요 소프트웨어 및 인터넷 기업들의 자본적 지출이 이미 대부분 연구개발 비용을 넘어섰다. 컴퓨팅 인프라에 투입된 자금이 R&D 팀을 유지하는 비용을 넘어선 것이다. 시가총액 순위가 더 직관적이다. 최근 5년, 중미 시총 상위 20개 기업은 AI 및 반도체 하드웨어 기업 쪽으로 뚜렷하게 쏠렸다.

대형 인터넷 기업 내부에 엇갈림이 발생했다. 1인당 생산은 증가하는데 전체 직원 수는 감소하거나 정체됐다. 예전에는 사업 성장이 채용 확대에 의존했다면, 이제는 컴퓨팅 자원 확충에 의존한다. 토큰 소비는 새로운 운영 비용이 되었다. 이 비용은 과거에 보고서를 작성하고 카피를 쓰던 직원에게 지급되던 급여가 이제 반도체 회사와 클라우드 회사로 흘러가고 있음을 의미한다.

출처: 《완뎬LatePost》 2026년 6월 보도.

현미경으로 본 풍경: 네 사람의 2025-2026

거시 데이터가 개인에게로 오면 구체적인 삶의 선택이 된다. 《차이신 주간》 2026년 6월 커버스토리에는 네 사람의 경험이 기록되어 있다. 제3부에서 살펴볼 ‘능동적 재구성자’들과 달리, 이 네 가지 이야기는 어떤 수동적으로 감내하는 색채를 띠고 있다. 부분적으로는 이들이 주로 창작 업계에 종사하고, 이 분야가 바로 AI의 압박이 가장 강한 영역이기 때문이다.

우충은 한 회사에서 AI 데이터 분석가로 일하며 토큰 소비를 집계하고 모델 비용을 측정했다. 회사 프로젝트는 수익이 나지 않았고, 사장은 그녀에게 자동화 시스템을 구축하게 했다. 시스템이 완성된 후 그녀의 자리는 없어졌다. 그녀는 전통 제조업으로 전직했고 임금은 약 30% 줄었다. AI 업계 내부에 있었던 것이 그녀에게 면역력을 주지는 못했다.

양루는 한 음악 유통사에서 홍보 업무를 했다. 플랫폼은 ‘AI가 할 수 있다’는 이유로 외주 인력을 대거 해고했지만, 일은 사라지지 않고 정규직 직원들에게 전가됐다. 피드백 주기는 몇 분에서 반나절로 늘어났고, 고객은 불만을 갖기 시작했다. 그녀는 그 사이에 끼어 도대체 무슨 일이 벌어지고 있는지 설명하기 어려웠다.

샤쉐는 실제 인물 단편 드라마 회사에서 운영을 담당했다. 회사가 전면적으로 AI 단편극으로 전환하며 진짜 배우가 없는 콘텐츠로 바뀌자, 베이징 운영팀 전체가 해고됐다. 그녀가 일을 잘 못해서가 아니라, 그녀가 의존하던 비즈니스의 전제 자체를 기술이 그대로 지워버린 것이다.

리멍은 8년 가까이 시각 디자이너로 일했고, 육아휴직 후 복직하지 못하고 해고됐다. 다시 일자리를 찾으니 채용 공고에는 AI 이미지 생성, 이미지 보정, 시각 디자인, 영상 편집, 소셜미디어 운영까지 한 사람이 모두 다룰 수 있어야 한다고 요구했다. 예전에 팀 전체가 하던 일을 이제는 혼자서 다 해내야 하는 것이다.

이 네 이야기는 ‘대체된 사람들’의 시각이다. 제3부에서 우리는 또 다른 일곱 사람을 만나게 될 것이다. 이들 역시 AI의 충격을 받는 직군에 몸담고 있지만, 다른 대응 경로를 선택했다. 이 두 표본의 차이 자체가 AI 시대 직업 분화의 각주다.

제1부 요약

2026년까지 더 정밀한 프레임이 드러났다. 직업이 대체되는 것이 아니라 과업이 재분배된다는 점, 기술이 안 돼서가 아니라 조직의 소화 속도와 자본의 투자 선호가 현장 적용의 속도를 결정한다는 점, 모두가 위험한 것이 아니라 구조화되고 표준화 가능한 과업을 수행하는 신입 및 주니어 직원이 가장 큰 충격을 받았다는 점이다.

네 쌍의 미시 사례는 이러한 판단이 개인에게 가 닿을 때 임금 삭감과 전직, 다시는 열리지 않는 채용 페이지, 갑자기 사라진 직무, 한 사람이 팀 전체의 일상 업무를 떠안는 모습으로 나타남을 보여준다. 트렌드는 이성적이지만, 그 대가는 구체적이다.

이런 사실적 기반은 제2부에서 더 긴 주기의 이론적 틀 속에서 검토될 것이다. 기술 혁명은 항상 무언가를 없애고 더 많은 것을 창조해낸다. 하지만 창조의 전제, 조건, 그리고 구체적인 메커니즘은 무엇일까?

2. 법칙으로 미래를 예측하기: 세 가지 시각

왜 이론이 필요한가

제1부는 지난 3년간의 데이터, 트렌드, 그리고 개인의 경험을 제시했다. 정보는 풍부하지만 한 가지 위험이 있다. 독자가 현상에 빠져 단기적인 파동을 장기적인 운명으로 받아들일 수 있다는 점이다.

미래 예측은 점술이 아니라 가정 조건하의 추론이다. 다음 세 가지 이론적 시각—과업 모델, 기술 편향적 기술 변화, 창조적 파괴와 보상 메커니즘—은 미시에서 거시로 이어지는 단계적 분석 틀을 구성한다. 먼저 AI가 정확히 무엇을 대체했는지 분해하고, 그 다음 왜 동일 직업 내에서 어떤 사람은 더 안전하고 어떤 사람은 더 위험한지 설명하며, 마지막으로 새 일자리가 어디서 생겨나고 경제적 증분이 어디에 있는지 추론한다.

세 가지 시각의 공통된 가치는, 여러분이 ‘이번 주에 또 무슨 뉴스가 있지?’라는 불안에서 벗어나 더 긴 주기와 더 근본적인 법칙을 보도록 도와준다는 것이다.

과업 모델: ‘직업이 사라질까’에서 ‘어떤 과업이 먼저 대체될까’로

핵심 질문: AI가 특정 직업에 미치는 영향을 예측할 때 왜 직업명만 봐서는 안 되고 반드시 과업으로 분해해야 하는가?

이론의 출처와 내용: 과업 모델은 노동경제학에서 Autor, Levy, Murnane이 2003년 제시한 고전적 프레임에서 비롯되었으며, 이후 Acemoglu와 Restrepo 등에 의해 지속적으로 확장됐다. 그 핵심 주장은 기술이 직업을 대체하는 것이 아니라 과업을 대체한다는 것이다. 하나의 직업은 여러 과업으로 구성되며, 어떤 과업은 자동화 가능하지만 어떤 것은 그렇지 않다. 노동자는 서로 다른 과업 간에 시간을 재분배할 뿐, 직업 전체가 사라지는 것은 아니다.

Autor 등은 과업을 정형적 인지 과업(회계, 데이터 입력 등), 정형적 육체 과업(생산 라인 조작 등), 비정형 분석 과업(프로그래밍, 디자인 등), 비정형 대인 과업(협상, 관리 등), 비정형 육체 과업(간호, 수리 등) 등 다섯 가지로 분류했다. AI와 그 이전 자동화 기술은 주로 앞의 두 가지 유형을 타격한다.

Acemoglu와 Restrepo는 ‘과업 내용 변화’라는 동태적 관점을 추가로 제시했는데, 기술이 하나의 직업 내 과업 구성을 끊임없이 변화시킨다는 것이다. 특정 과업이 자동화되면 남은 과업의 중요성이 상승하고 동시에 완전히 새로운 과업이 출현할 수 있다.

적용과 예측: 과업 모델로 재무 분석 직군을 평가할 때, ‘재무 분석가가 사라질까’를 묻지 않고 구체적인 과업의 자동화 가능성을 본다. 증빙 생성, 대사 처리, 표준 보고서 생성 같은 정형적 인지 과업은 자동화 가능성이 매우 높다. 반면 이상 거래 조사, 비즈니스 의사결정 지원, 세무 계획 수립 같은 판단적 과업은 인간의 몫으로 남는다.

R&D 직군에도 똑같이 적용된다. 샘플 코드 생성, 단위 테스트 작성 같은 과업은 AI가 이미 커버하고 있다. 시스템 아키텍처 설계, 기술 선택 시 트레이드오프 판단, 상용 환경 장애 대응은 여전히 인간이 필요하다.

이 모델을 이용해 향후 3년을 예측하는 것은 신뢰도가 꽤 높다. AI가 정형적 인지 과업을 커버하는 모습은 이미 명확하다. 코딩, 계약서 초안 작성, 보고서 생성, 이력서 필터링—이러한 과업들은 ‘미래에 대체될 수도 있는 것’이 아니라 ‘이미 대체되고 있는 중’이기 때문이다. 남아 있는 대체 불가능한 것은 높은 접촉도, 비정형성, 영역 간 판단을 요하는 과업들이다.

여기서 제1부의 데이터가 이론적 설명을 얻는다. Anthropic 2026년 보고서가 보여준 ‘이론적 커버리지와 실제 커버리지의 격차’는 본질적으로 과업 수준의 격차다. 전체 법률 직업이 80% 커버되는 것이 아니라, 계약서 검토나 법령 검색 같은 구체적 과업이 커버되는 것이다. 직업 레이블은 거칠며, 과업이야말로 정확한 분석 단위다.

이어지는 직업군 관찰에서, 우리는 R&D 종사자 중 3개월에 걸쳐 자신의 업무를 여러 Skill로 분해한 다음 어느 것은 AI에 맡기고 어느 것은 직접 할지 하나하나 판단한 사례를 보게 될 것이다. 이것이야말로 과업 모델이 이론에서 일상으로 내려오는 축소판이다.

가정과 한계: 이 이론은 기술 능력을 과업 설명을 통해 매칭할 수 있으며, 노동자가 서로 다른 직업에 속한 과업을 재조합할 수 있다고 가정한다. 그 한계는 제도·노동조합·법규로 인해 지연되는 대체를 포함하지 않으며, 아직 창조되지 않은 새로운 과업도 포함하지 않는다. 또한 동일한 과업이 조직 상황에 따라 다르게 실행되는 방식도 충분히 고려하지 않았다.

기술 편향적 기술 변화: 왜 경력자가 더 안전한가

핵심 질문: AI는 직장 내 능력 격차를 줄였는가, 아니면 키웠는가? 1.5절에서 확인한 신입일수록 진입이 어렵고 경력자일수록 프리미엄이 높은 현상은 왜 발생하는가?

이론의 출처와 내용: 기술 편향적 기술 변화 이론은 Acemoglu와 Autor 등이 체계적으로 설명했다. 그 핵심 통찰은 새로운 기술은 보통 중립적이지 않으며, 특정 부류의 노동자—대개 고숙련 노동자—에게 편향되어 그들의 생산성과 임금을 높이는 동시에 저숙련 노동자의 수요와 임금을 억누른다는 것이다. 이는 지난 수십 년간 미국 제조업의 ‘중간층 공동화’ 현상을 설명하는 기제다.

그러나 AI의 특수성은 일부 높은 인지 과업마저 동시에 타격해, 순수한 기술 편향성보다는 ‘과업 편향성’을 형성할 수 있다는 점에 있다. 초급 프로그래밍, 법률, 디자인 과업은 고숙련 업무지만 구조화와 표준화 정도가 높아, 배관공이나 간병인 같은 높은 접촉도의 중간 숙련 직업보다 오히려 AI가 더 쉽게 커버한다.

적용과 예측: 이 이론의 예측적 가치는 다음과 같다. 미래의 직업 안전성은 당신이 기술 사다리의 어디쯤 서 있느냐가 아니라, 당신의 과업 조합에 ‘예측 불가능성’과 ‘인간적 대역폭’ 요소가 얼마나 포함되어 있느냐에 달려 있다. 경험 많은 백엔드 아키텍트의 가치는 코드를 더 빨리 작성하는 것이 아니라, 올바른 기술적 판단을 내리고, 온라인 장애 상황에서 침착함을 유지하며, 여러 팀과 협업할 때 갈등을 해소하는 데 있다. 이러한 과업은 AI가 커버할 수 없다. 마찬가지로 베테랑 HRBP의 가치는 이력서 거르기와 면접 일정 잡기가 아니라, 복잡한 직원 관계를 처리하고 조직 진단을 수행하며, 회색 지대에서 판단을 내리는 데 있다.

1.5절의 풀러 등 연구, 즉 학습곡선이 가파른 직업군에서 초급 과업이 더 쉽게 자동화된다는 연구 결과는 AI 시대 기술 편향적 기술 변화의 구체적 발현이다. AI가 같은 직업 내부의 세대 간 격차를 키웠다. 경력자의 ‘판단 프리미엄’은 상승하고, 신입의 ‘실행 가치’는 하락했다. 향후 3년, 동일한 직무명 아래에서 AI를 잘 쓰는 사람과 그렇지 못한 사람, 에이전트 클러스터와 협업할 수 있는 사람과 그럴 수 없는 사람 사이의 생산성 격차는 계속해서 벌어질 것이다. ‘슈퍼스타 효과’가 강화되어 상위 5%가 불균형적인 보상을 가져갈 수 있다.

이 이론은 또한 조직 차원의 자원 배분 논리를 설명한다. 기업은 합리적으로 더 많은 컴퓨팅 자원을 높은 산출량을 내는 노드에 투입하며, 2.4절에서 Tencent의 토큰 할당량 차이는 바로 SBTC가 조직 내부에서 정밀하게 현현(顯現)되는 모습이다. 거래 비용 이론의 핵심 통찰, 즉 기업의 경계가 수축하고 토큰의 본질이 인지 작업을 아웃소싱하는 비용이라는 점도 여기에 자리 잡는다. 외부 협업 비용이 내부 조정 비용보다 낮을 때, 조직은 전일제 정규직 보다 유연 근무 인력을 택하는 경향을 보인다. 1.7절에서 리멍(李夢)이 관찰한 "조직이 마치 레고를 맞추듯 움직인다"는 표현은 바로 이러한 변화에 대한 개인의 감각이다.

가정과 경계: 위 추론은 시장 가격이 기술의 실제 생산성을 효과적으로 반영한다는 중요한 전제에 의존한다. 그러나 현실에서 SBTC 이론이 예측하는 '슈퍼스타 효과'는 조직 내 급여 밴드, 승진 속도, 성과 평가 주기에 의해 인위적으로 억제된다. 이로 인해 두 가지 미스매치가 발생한다. 특정 새롭게 등장한 고부가가치 기술(에이전트 오케스트레이션, AI 결과 검증 등)은 아직 보상 체계에서 공식적인 가격이 매겨지지 않아, 해당 기술을 보유한 사람이 과소평가될 수 있다. 반면, 곧 자동화되겠지만 관성적으로 유지되는 전통적 기술(순수 수동 코딩 속도, 문서 서식 숙련도 등)은 관성 때문에 한동안 과대평가될 수 있다. 향후 3년 동안 개인 소득과 실제 생산성 간의 부합도에 일시적인 혼란이 발생할 수 있다. 민감한 조직은 더 일찍 가격 체계를 조정할 것이고, 둔감한 조직은 과소평가된 인재를 잃게 될 것이다.

일부 HR 종사자들은 이미 실무에서 조직 형태의 조정 속도가 개인의 효율 향상 속도보다 훨씬 뒤처지는 것을 관찰하고 있다. 불꽃이 사방에서 튀지만, 하나의 큰불로 이어지지는 않는다. 이는 SBTC의 경계를 다시 확인시켜 준다. 개인 차원의 분화는 이미 발생했지만, 조직의 보상 및 승진 제도는 아직 이를 따라잡지 못하고 있다.

창조적 파괴와 보상 메커니즘: 새로운 일자리는 어디에서 오는가

핵심 문제: AI가 대량의 작업을 없앤다면, 새로운 작업은 어디서 오는가? 역사 속 기술 혁명은 어떻게 '일부를 없애고 더 많은 것을 창조'했는가? AI가 순수 경제 성장을 실현하려면 어떤 조건이 필요한가?

이론적 출처와 내용: 조지프 슘페터는 1942년 '창조적 파괴'를 제시했다. 자본주의의 본질은 내부로부터 경제 구조를 끊임없이 혁신하는 것이며, 신기술은 지속적으로 기존 산업을 파괴하는 동시에 새로운 산업을 창출한다. 일자리는 정적인 재고가 아니라 기술 구조의 함수다. 마차가 자동차로 대체될 때 마부의 일자리는 사라졌지만, 자동차 운전사, 주유소 직원, 카센터(4S) 정비사 등 새로운 일자리가 대거 등장했다. 총량은 사라진 일자리를 훨씬 넘어서지만, 당사자들은 전환기 당시에 전체 그림을 보기 어렵다.

아제모을루(Acemoglu)와 레스트레포(Restrepo)의 고용 보상 프레임워크는 이 직관을 체계화한다. 기술은 고용에 두 가지 효과를 미친다. 대체 효과는 특정 노동 작업에 대한 수요를 직접 감소시키고, 보상 효과는 여러 경로를 통해 새로운 수요를 반대로 창출한다.

생산성 효과: 효율 향상은 제품 가격을 낮추고, 시장 수요를 확대하며, 총생산과 노동 수요를 증가시킨다. 방직 기계는 천 가격을 폭락시켰지만, 오히려 더 많은 방직 노동자 일자리를 만들었다.
신규 작업 창출: 신기술은 새로운 높은 복잡성의 작업을 창출하며, 예를 들어 AI 시대의 프롬프트 엔지니어링, 모델 미세 조정, AI 안전 레드팀, 에이전트 오케스트레이션 등이 있다.
자본 축적: 기술로 얻은 이윤이 재투자되어 산업 공급망 상하류에서 새로운 일자리를 만든다.
심화 간접 효과: 기술 진보는 새로운 보완 산업을 파생시킨다. 인터넷의 하부는 TCP/IP 프로토콜이지만, 전자상거래, 온라인 광고, 클라우드 서비스, 콘텐츠 플랫폼 등 거대 산업을 파생시켰다. AI의 하부는 거대 모델과 컴퓨팅 파워이며, 토큰 관리와 AI 감사가 유사한 파생 산업이 될 수 있다.

이 프레임워크의 핵심 경계는: 보상 효과가 자동으로 발생하지 않는다는 것이다. 이는 시장 구조 조정 속도, 노동자의 기술 전환 속도, 그리고 제도(교육, 사회보장, 노동 시장 정책)의 적응 능력에 달려 있다. 만약 대체가 보상보다 빠르다면, 단기적으로 기술적 실업과 구조적 미스매치가 발생한다. 바로 2023~2026년 우리가 목격한 현상이다. 수많은 새로운 일자리가 여전히 초기 형성 단계에 있으며, 수요 규모는 아직 대체되는 일자리를 상쇄하기에 충분하지 않다.

역사의 거울: AI가 고용에 미치는 영향을 이해하는 데 가장 좋은 준거 틀은 전년도 데이터가 아니라 이전 기술 혁명의 경험이다.

두 차례 전환의 공통 법칙: 소멸 효과가 먼저 나타나고, 창출 효과는 나중에 나타난다. 소멸은 이미 존재하는 명확한 작업에서 발생하므로 쉽게 목격되고 보도된다. 창출된 새로운 일자리는 초기에는 경계가 모호하고 공식적인 직업 명칭이 형성되지 않아 간과되기 쉽다. '웹사이트 개발 엔지니어'는 1995년에는 아무도 들어본 적 없었지만, 2005년에는 거대한 직업군이 되었다. '프롬프트 엔지니어'는 2022년에는 존재하지 않았으나, 이제는 가장 빠르게 성장하는 프리랜서 직종 중 하나가 되었다.

S 커브의 핵심 인사이트——기술 침투에는 고유한 리듬이 있으며, 이론적 노출과 실제 대체 사이의 간격은 결코 이례적인 것이 아니다——도 여기에 자리 잡는다. 현재 AI는 '얼리 어답터'에서 '얼리 머조리티'로 넘어가는 단계에 있다. 이는 침투 속도가 빨라지겠지만, 조직 제도와 개인 기술의 조정 속도가 반드시 이를 따라잡을 수는 없음을 의미한다.

토큰은 곧 '새로운 전기'

1.6절은 현재 단계에서 자본이 인력에서 컴퓨팅 파워로 흘러가는 증거를 제시했다. 그러나 장기적으로 볼 때, 단순한 비용 절감 자동화만으로는 거시경제의 순수 성장을 가져올 수 없다. 역사적으로 모든 기술 혁명이 궁극적으로 증분을 창출한 것은 단지 '비용을 아끼는 것'이 아니라 새로운 소비 수요와 신산업을 촉발했기 때문이다.

토큰 소비의 지속성은 '운영 일자리'를 창출하고 있다. 전통적 소프트웨어는 일회성으로 제공되고 비용은 주로 연구개발에 있다. AI 애플리케이션은 지속적으로 추론 컴퓨팅 파워를 소비하며, 모델 호스팅, 추론 서비스, 모니터링, 비용 최적화가 지속적 유료 운영 요소가 된다. 이러한 지속적 소비는 관리, 최적화, 감사할 인력을 필요로 하여, 새로운 운영 기술 직종인 AI Ops 엔지니어, MLOps 엔지니어, AI FinOps 분석가 같은 일자리를 창출한다.

이러한 직종은 2023년에는 거의 존재하지 않았으나, 2026년에는 기술 채용 시장에서 가장 빠르게 성장하는 분야 중 하나가 되었다. 전력 계량이 산업 경제의 혈액이 되었듯, 토큰은 인지 경제의 계량 단위가 되고 있다. 과거 인간의 뇌에 의해 '무료'로 수행되던 인지 작업이 비용 청구 가능하고 최적화할 수 있는 자원 소비로 가시화된 것이다.

AI가 순수 경제 성장을 실현하기 위한 세 가지 조건

산업 혁명과 인터넷 혁명의 역사를 돌아볼 때, AI가 단순히 기존 노동을 대체하는 것이 아니라 순수 경제 성장을 가져오려면 세 가지 조건이 필요하다.

첫째, 토큰 비용이 '등가 인간 시간 비용' 아래로 지속 하락해야 한다. AI가 특정 작업을 완료하는 토큰 비용이 사람을 고용하는 등가 시급보다 낮아지면 대체가 발생한다. 하지만 비용이 충분히 낮을 때만 이전에는 존재하지 않던 새로운 서비스가 촉발된다. 휴대폰 데이터 요금이 일정 수준으로 하락하자 숏폼 라이브 방송의 전 국민 소비가 나타난 것과 같다.

둘째, AI 역량이 완전히 새로운 서비스에 내재되어 증분 수요를 창출해야 한다. 인터넷의 성공은 '더 싸게 광고하는 것'이 아니라, '검색'이라는 이전에는 존재할 수 없었던 일상적 소비 행위를 만들어낸 데 있다. AI도 이와 비슷한 일을 해내야 한다. 전문가 수준의 서비스를 규모화하여, 이전에는 존재하지 않던 대중 소비를 창출하는 것이다. 잠재적 분야로는 개인 맞춤형 교육 지도, 실시간 다국어 글로벌 협업, 자동화된 과학 연구 등이 있다.

셋째, 사회 제도와 훈련 시스템이 노동자들이 'AI 보완' 분야로 전환하도록 도와야 한다. 이는 역사적 경험에서 가장 간과되기 쉽지만 가장 중요한 조건이다. 산업 혁명기 영국은 거의 두 세대에 걸친 격렬한 고통을 겪었는데, 사회 제도가 기술 변화에 크게 뒤처졌기 때문이다. 인터넷 혁명 시기에는 제도 조정이 더 빨랐지만, 여전히 '디지털 격차'와 중년 화이트칼라의 구조적 실업이 나타났다. AI 혁명도 같은 도전에 직면해 있다. 1.7절에서 우충(吴琼)이 30% 삭감된 급여로 직종을 전환하고, 리멍(李梦)이 혼자서 한 팀을 도맡은 것은 전환 고통의 개인적 현상이다.

현재 단계 판단

2026년 현재, 첫 번째 조건(토큰 비용 하락)은 빠르게 진행 중이며, 모델 추론 비용은 지난 18개월 동안 한 자릿수 이상 감소했다. 두 번째 조건(신규 서비스가 증분 수요 창출)은 초기 싹을 틔우는 단계로, 코드 생성, AI 검색, AI 숏드라마, AI 교육 등의 방향이 나타나고 있지만, 아직 대체 효과를 상쇄할 만큼 충분히 큰 경제적 증분으로는 이어지지 못했다. 세 번째 조건(제도와 훈련)은 전반적으로 뒤처져 있다. 교육 시스템은 여전히 과거 직업 구조를 토대로 인재를 양성하고, 사회보장 제도는 여전히 '안정적인 풀타임 고용'을 기본 전제로 삼고 있다.

향후 3년의 핵심 변수는 두 번째 조건, 즉 충분히 많은 새로운 서비스와 새로운 수요가 창출될지 여부다. 창출 속도가 대체 속도를 앞지르면 인터넷 전환기의 순증 일자리 효과가 재현될 것이다. 대체가 지속적으로 창출보다 빠르면 구조적 실업 압력이 계속 높아질 것이다. 시장에는 이미 AI 검색 진입점을 활용한 창업 시도가 등장했다. 더 저렴한 광고 도구를 만드는 것이 아니라, 완전히 새로운 진입점 위에 성장 인프라를 구축하는 것이다. 이는 바로 '증분 창출'의 작은 각주이다.

이론과 현실의 교차: '마음껏 쓰기'에서 '아껴 쓰기'로

2026년 중반, 글로벌 테크 공룡들은 하나같이 내부 AI 사용 정책을 조정했다. 사용을 장려하고 한도를 두지 않던 것에서, 차별화된 할당과 ROI 산정으로 전환한 것이다. 메타는 핵심 직원들에게 토큰 할당량 제한 메모를 보냈고, 마이크로소프트는 일부 직원의 서드파티 AI 도구 사용 권한을 중단했으며, 텐센트는 전 직원 획일적 한도에서 업무별 동적 할당으로 변경했다. 조정의 배경에는 동일한 현실이 있다. 막대한 토큰 소비가 비효율적 소비에 해당하며, AI 지출이 이익에 기여하는 바가 기대치에 크게 못 미친다는 점이다. 맥킨지의 《2025년 AI 현황》 보고서에 따르면, 전 세계 약 2,000개 기업 중 오직 39%만이 AI가 세전 영업이익(EBIT)에 명확히 기여한다고 밝혔다.

이러한 전환이 기술 수용 속도에 미치는 영향은 이중적이다. 단기적으로 예산 제약은 일부 '사용을 위한 사용' 소비를 억제하여 수용 속도를 광기에서 이성으로 되돌릴 것이다. 그러나 중장기적으로 효과적 소비와 비효과적 소비를 구분하고, 작업별로 가격을 매기며, 고성과에 자원을 집중하는 것은 S 커브가 간극을 넘어 주류 배포로 진입하기 위한 필수 조건이다. 전력 혁명과 인터넷 혁명 모두 '공공재'에서 '계량 과금'으로 전환하는 유사한 기점을 겪었다.

창조적 파괴 이론의 예측에 있어 핵심 변수는 토큰의 총량이 아니라, 유효 토큰의 증가율이다. 만약 비용 제약으로 인해 더 높은 비율의 '유효 소비'가 강제된다면, 즉 AI가 완전히 새로운 서비스에 내재되어 증분 수요를 창출하고 단순히 기존 노동을 대체하는 데 그치지 않는다면, 보상 효과의 속도는 예산 축소로 인해 느려지기는커녕 오히려 자원 집중으로 인해 가속화될 수 있다. 반대로 예산 삭감이 주로 혁신 시도에 집중되어 조직이 '비용 절감 대체'라는 컴포트존으로 후퇴한다면, 새로운 작업의 창출은 기존 작업의 소멸보다 뒤처져 구조적 실업 압력이 지속적으로 상승할 것이다.

향후 3년의 핵심 관찰 포인트는 다음과 같다. 조직이 비효율적 소비를 줄이는 동시에 '증분형 AI 애플리케이션'에 대한 투자를 유지하거나 심지어 늘렸는가? 이것이 AI 경제의 순수 성장이 성립하는지 판단하는 선행 지표다.

AI는 ‘기술 도입기’에서 ‘제도 소화기’로 진입하고 있다. 기술 도입기(2023-2025)의 특징은: 무한 공급 환상, 전 직원 시범 사용, 자원 미계상이다. 제도 소화기(2026년부터)의 특징은: 예산 제약의 복귀, 작업 기준 과금, 유효 소모와 무효 소모의 구분, 고산출 노드로의 자원 집중이다.

이것은 후퇴가 아니다. 전력 혁명 초기에는 공장이 자체 발전소를 짓고 전기를 마음껏 썼다. 이후 전력망이 형성되고 전기 요금 체계가 수립되자, 공장은 어떤 생산 라인에 모터를 배치할 가치가 있는지 계산하기 시작했다. 인터넷 초기에는 대역폭이 공공재였다. 이후 트래픽 비용이 사업 부서별로 회계 처리되었다. 토큰 경제의 공짜 점심이 끝나는 것은, AI가 진정한 인프라로 자리 잡기 위한 필수 통과 의례다.

2부 소결

세 가지 이론적 관점은 하나의 질문에 각기 다른 층위에서 응답한다. 즉, 현상과 감정에 휩쓸리지 않고 이 변혁의 법칙을 어떻게 이해할 것인가 하는 문제다.

과업 모델은 분석의 입도를 제공한다. 직업이라는 라벨에서 구체적인 과업으로 내려가는 것이야말로 이후 모든 판단의 기초다. 기술 편향적 기술 변화 이론은 직업 내부의 분화를 설명한다. 베테랑의 판단 프리미엄은 상승하고 신입의 실행 가치는 하락하는데, 이는 불공평하지만 기술 변혁의 역사적 패턴에 부합한다. 창조적 파괴와 보상 메커니즘은 가장 긴 주기의 프레임을 제공한다. 소멸과 창조는 동일한 과정의 두 측면이며, 순결과는 창조 속도와 제도 적응의 리듬에 달려 있다.

2.4절의 산업 사례 분석은 세 가지 이론을 2026년 중반 글로벌 빅테크의 동시다발적 조정이라는 실제 사건 위에서 집중적으로 검증한다. 이 분석이 보여주는 바는, AI의 직업적 영향은 단방향 기술 결정론이 아니라 기술 역량, 조직 제도, 비용 구조, 그리고 개인의 선택이 함께 작용한 결과라는 점이다. AI는 이제 ‘기술 도입기’에서 ‘제도 소화기’로 접어들고 있다. 예산 제약의 복귀, 과업별 과금, 고생산성 노드로의 자원 집중은 AI가 진정한 인프라가 되기 위한 필수 불가결한 단계다.

3부에서는 이러한 이론들이 구체적인 직업군의 현장 관찰 속으로 내려앉을 것이다. 연구개발, 제품, 재무, HR, 마케팅, 법무, 영업 등 각 직군의 종사자들은 지금 무엇을 겪고 있는가? 그들의 이야기는 이러한 이론적 프레임을 어떻게 입증하거나 수정하는가?

3. 직업군: 지난 3년간의 형성

2부에서는 다섯 가지 이론적 프레임을 정리했다. 프레임은 좌표계를 제공하지만, 직업적 운명을 결정하는 것은 매일 아침 깨어나 도구를 열고 오늘 무엇을 해야 할지 결정하는 구체적인 사람들이다.

다음의 일곱 가지 이야기는 2026년 3월부터 6월까지 진행된 인터뷰에서 비롯되었다. 인터뷰 대상자는 연구개발, 제품, 재무, HR, 마케팅, 법무, 영업 분야에 분포하며, 경력은 3년에서 15년까지 다양하다. 1부의 ‘대체된 자’들의 시각과는 달리, 그들 대부분은 여전히 본래 분야에 남아 있다. 공통된 질문은 이것이다. AI가 점점 더 많은 기초 과업을 집어삼킬 때, 한 종사자는 스스로를 무엇으로 재정의해야 하는가?

첫 번째 이야기는 충격을 가장 크게 받은 연구개발 직군에서 시작된다.

연구개발: 린저우, 스스로를 에이전트로 여기는 사람

린저우는 2022년에 컴퓨터공학을 전공하고 프론트엔드 방향으로 졸업했다. 그해 프론트엔드는 여전히 인터넷 업계에서 좋은 직무였고, 그녀는 대기업에 입사했다.

2024년 말, 그녀는 질적 변화를 느꼈다.

“Claude Opus 4.5 버전 이후, AI는 인턴보다 뛰어났다.”

그녀는 자신의 업무 습관을 바꾸었다. 예전에는 직접 코드를 작성하고 배포했다면, 이제는 스스로를 에이전트로 간주한다. 초기 3개월간 한 가지 일을 했는데, 그녀 스스로 이를 ‘사전 투자 행동 연구’라고 불렀다. 자신의 업무 습관을 기록하고, 대형 모델이 무엇을 할 수 있고 무엇을 할 수 없는지 파악한 후, 각 능력을 하나의 Skill로 만드는 작업이었다.

“처음에는 프롬프트 라이브러리를 만들었어요. 각 Skill 뒤에는 당신의 판단이 담겨 있어요. 이 작업을 어느 정도까지 해야 완료로 보는지, 경계는 어디인지, 언제 멈춰야 하는지에 대한 판단 말이죠.”

3개월 후, Skill이 순조롭게 돌아가기 시작했다. 원래 하루 걸리던 업무를 두 시간 만에 끝내게 되었다. 그렇게 확보한 많은 시간으로 다른 직무를 연구할 수 있었다. 이 말을 할 때, 그녀의 어조는 아주 평범했다.

그녀는 또한, 지금 도구를 만들 때는 사람이 아니라 에이전트를 위해 만든다고 말했다.

절약된 시간에 그녀는 가만히 있지 않았다. 업무 외 시간에는 정보 미학 방향의 블로그를 운영했다. 그녀는 자신이 글을 쓰는 과정도 분해하여 12개의 Skill을 추출했고, 글을 생성할 때마다 이 12가지 Skill을 호출했다.

“본업과 블로거 활동은 실제로 동일한 기반 역량을 사용해요. 바로 심미안, 구조화 능력, 도구에 대한 민감도입니다.”

인터넷에서 자주 언급되는 ‘프론트엔드는 죽었다’라는 말에 대해 그녀는 이렇게 말했다. “주니어와 미드 레벨은 더 이상 필요 없어요. 지금은 에이전트 엔지니어로서 엔지니어링 역량에 더 집중합니다. 앞으로 2~3년간 Skill의 활용도(harness)가 일정 수준에 도달하면 기하급수적으로 성장하여 루프(Loop) 엔지니어링이 될 거예요.”

인터뷰 말미에 그녀는 이렇게 인정했다. “프로젝트 관리 능력은 엔지니어에게 가장 희소한 역량이며, AI화되기 가장 어려운 부분입니다. 서로 다른 이해관계와 서로 다른 능력을 가진 사람들을 조율해야 하기 때문이죠.”

지난주 그녀는 상하이에서 열리는 직업 멘토링 행사에 참석했다. 비행기로 3시간 거리였는데, 폭우를 만나 한 시간이나 늦었다. 주최자가 왜 그렇게 집착하느냐고 묻자 그녀가 말했다. “이 행사가 제게 다음 단계에 무엇을 해야 할지 명확히 해줄 것 같았어요. 그래서 이 여정을 완수해야만 했습니다.”

한 줄 요약

2022년 졸업생 프론트엔드 개발자, 4년 사이에 ‘코드 쓰는 사람’에서 ‘AI를 스케줄링하는 사람’으로 변모했다. 원래 하루 걸리던 업무를 두 시간에 끝내고, 아낀 시간으로 풀스택을 공부하고, 블로거로 활동하며, 산업을 관찰한다. 그녀는 ‘프론트엔드의 죽음’이라는 내러티브에 주저앉지 않고, 스스로를 ‘AI 시대의 직장인 표본’으로 살아내고 있다. AI로 효율을 높이고, 퍼스널 브랜드로 가치를 더하며, 스케줄링 능력으로 미래를 준비한다.

제품: 저우정, ‘회사 광고 집행을 돕던 사람’에서 ‘브랜드가 AI에게 보이도록 돕는 사람’으로

이 PM은 인터넷 대기업에서 3년간 상업 광고 업무를 담당하며 디지털 마케팅의 최전선에 있었다. 이 경험을 통해 그는 기업이 ‘돈을 써서 트래픽을 구매하는’ 핵심 의사 결정 과정에 깊이 관여하며, 세 가지 핵심 인사이트를 축적했다.

첫째, 플랫폼의 규칙이 변하고 있다. 사용자의 관심은 전통적인 검색 엔진에서 AI 검색 진입점으로 이동하고 있다. Google AI Overviews의 월간 활성 사용자가 20억을 넘어섰다. “사용자는 자신이 직접 링크를 클릭하기보다 AI가 곧바로 답을 주는 것에 익숙해지기 시작했습니다. 기존의 SEO, SEM 방식은 그 기반이 흔들리고 있어요.”

둘째, 고객의 불안이 변하고 있다. 브랜드 담당자는 그에게 묻는다. AI 검색 시대에 우리는 어떻게 추천받을 수 있나요? 어떻게 언급될 수 있나요? 새로운 규칙이 있나요? 전통적인 성장 경로는 효력을 잃고 있지만, 새로운 경로는 아직 형성되지 않았다.

셋째, 공급 측면의 공백이다. 시장의 대다수 AI 마케팅 도구는 ‘콘텐츠 작성 도우미’나 ‘개별 채널 광고 집행’에 머물러 있으며, ‘AI 플랫폼이 어떻게 추천하는가’에서 출발하는 전방위적인 솔루션은 부족하다.

그는 업무 3년 차라는 시점에 창업을 선택했다. 그 논리는 ‘질려서’가 아니라 몇 가지 매우 구체적인 판단에 기반했다.

트랙의 기회 창은 명확하다. Gartner는 2026년 전 세계 AI 지출이 2조 5,200억 달러에 달하고 44% 증가할 것으로 예측한다. McKinsey 데이터에 따르면, 기업의 88%가 이미 상시적으로 AI를 사용하고 있으며, 23%는 AI 에이전트를 규모 있게 배포했다. “이것은 미래의 트렌드가 아니라, 현재 진행 중인 인프라 재구축입니다.”

진입점이 충분히 전방위적이다. 그는 AI 글쓰기 도구나 광고 집행 어시스턴트를 만드는 것이 아니라, AI 검색 진입점에서 파고든다. 먼저 기업이 AI 플랫폼이 브랜드를 어떻게 추천하는지 이해하도록 돕고, 그다음 전략, 콘텐츠, 광고 집행 및 전환을 결정한다. 이 포지셔닝은 자연스럽게 단일 기능 도구에서 플랫폼형 제품으로 나아갈 수 있는 공간을 내재한다.

팀 구성의 상호 보완성. 핵심 멤버들은 최상위 인터넷 및 AI 사업화 최전선 출신으로, 제품, 검색, 기술, 사업화, 운영 성장 및 기업 서비스 분야를 아우른다. 창업은 한 개인의 충동이 아니라, 여러 사람이 동시에 하나의 기회를 식별한 결과다.

그가 만드는 것은 기업의 AI 시대를 위한 에이전트 마케팅 제품 매트릭스다. 시작점은 AI 검색 성장, 즉 브랜드가 AI 검색 결과에서 추천되고 언급되도록 돕는 것이다. 거기서부터 전략 생성, 콘텐츠 및 정보 출처 배포, 효과 인사이트, 전 채널 광고 집행과 전환으로 확장한다. 본질적으로 AI 검색 진입점에서 출발하여 기업 성장의 전체 링크를 점진적으로 커버하는 것이다.

그의 상업 광고 배경은 AI 창업에서 오히려 핵심적인 경쟁우위가 되었다. “돈과 고객에 가장 가까운” 시각으로, 기업의 진짜 지불 로직과 트래픽 관련 고충을 안다. 이 시각은 AI 현장 적용 단계에서 순수한 기술적 시각보다 더 큰 경쟁력을 지닌다.

“3년은 너무 짧은 기간이 아니라, 딱 맞는 기간이에요. 산업에 대한 충분한 감각을 가지면서도, 대기업의 관성에 굳어지지 않은 상태니까요.”

스타트업의 형태 자체도 AI에 의해 재구성되고 있다. 그들의 목표는 마케팅 서비스 제공자가 아니라, 기업용 성장 인프라가 되는 것이다. 더 평평한 구조, 더 적은 계층, 더 높은 밀도의 협업 — 한 사람이 고속 성장기에 더 큰 책임을 맡을 수 있다.

한 줄 요약

3년 차 상업 광고 PM이 AI 검색이 비즈니스 진입로를 다시 쓰는 기회를 목격하고, 단일 기능 도구가 아닌 에이전트 마케팅 제품 매트릭스로 승부수를 띄운다. 이는 대기업에서의 도피가 아니라, 구조적 변화를 식별한 후의 능동적인 선택이다.

마케팅 & BD: 천녠, ‘AI는 카피는 써도 고객은 설득하지 못한다’는 분수령에 서다

천녠은 다각화된 사업 회사에서 4년을 근무하며, 먼저 인터넷 업종 마케팅을 담당했고, 이후 칩 BD로 전환했다. 그리고 지금, 그녀는 또다시 전환 배치를 앞두고 있다.

그녀가 목격한 첫 번째 변화는 전통적인 마케팅 직무가 빠르게 압박받고 있다는 점이다. 브랜드 부서의 카피라이터, 마케팅 기획, 크리에이티브 등의 업무는 이미 대규모로 AI에게 잠식되었다. 그녀는 주변의 숫자를 예로 들었다. 어느 커피 브랜드 부서의 운영팀이 9명에서 2명으로 줄었고, 뉴미디어 운영 같은 버티컬 직무는 전반적으로 인원이 감축되었으며, 전통적인 4A 광고회사의 크리에이티브 직무 수요가 급감했다. 인간의 영감이 필요하다고 여겨졌던 마케팅 크리에이티브 영역이 무너지고 있다.

하지만 그녀는 동시에 AI가 하지 못하는 일을 분명히 꿰뚫어 보았다. 고객 제안, 발주, 관계 유지 등 대면 소통과 신뢰 구축이 필요한 업무는 AI가 대체하기 어렵다. 클라우드 세일즈와 같은 B2B 복합 세일즈는 의사 결정 체인이 길고 다자 간 이해 갈등이 얽혀 있으며, 고객 비즈니스에 대한 깊은 이해가 필요하므로 AI가 실제로 개입하기 매우 힘들다. 그녀가 예시를 들었다: 어느 휴대폰 제조사의 어버이날 카피 사건에서, AI는 감성 넘치는 문안을 작성할 수 있었지만, 능동적으로 여론 리스크와 사회적 정서를 식별하지는 못했다. “가치 판단과 위기 감지는 현재도 AI의 사각지대입니다.” 이는 카피가 AI에 의해 생성되더라도, 최종 결재자는 반드시 사람이어야 하며, 이 역할자의 가치는 오히려 상승하고 있음을 의미한다.

그녀의 눈에 AI 시대는 마케팅과 BD의 가치 계층을 재정의하고 있다.

실행 계층 — 카피 생산, 소재 생성, 기본 크리에이티브 — 은 빠르게 AI에게 잠식당하고 있다. 판단 계층 — 리스크 통제, 가치관 검토, 전략적 선택 — 의 가치는 상승 중이며, 더 높은 산업 이해도와 위험 인식 능력을 요구한다. 신뢰 계층 — BD의 핵심 경쟁력은 애초에 ‘글을 잘 쓰는 것’이 아니라, ‘소통이 잘되고 신뢰를 줄 수 있는 것’이다. AI가 강력해질수록, 사람 대 사람의 신뢰는 더욱 희소해진다.

채용 쪽에서도 이런 흐름이 확인된다. ‘창의적인 인재 채용’에서 ‘AI를 다룰 수 있는 실무자(操盘手) 채용’으로 전환되고 있다. 전통적 마케팅 직군은 축소되는 반면, AI로 전략부터 실행까지 전 과정을 연결할 수 있는 융합형 인재 수요는 늘고 있다. AI 도입으로 효율이 올라간 뒤에도 사람에게 기대하는 성과물의 기준은 오히려 더 높아졌다——살아남는 사람은 글을 더 잘 쓰는 사람이 아니라, 비즈니스 이해도가 높고, 리스크를 더 잘 판단하며, 고객을 사로잡을 수 있는 사람이다.

4년 동안 그녀는 마케팅과 BD라는 두 가지 역할을 경험하며 한 회사 안에서 두 번의 변신을 이뤘다. 여가 시간에는 MBA 복수 학위를 공부 중이다. “이런 시대일수록 증명할 수 있는 무언가가 더 필요하다고 느껴요.”

한 줄 요약

4년간 같은 회사에서 마케팅에서 BD로 이동하며, 기존 마케팅 업무가 AI에 잠식되는 현장을 직접 목격했고, AI의 사각지대도 똑똑히 보았다. 실행 계층의 가치는 하락하고, 판단력과 신뢰가 필요한 영역의 가치는 상승하고 있다. 두 번의 직무 이동 모두 AI가 해내지 못하는 쪽으로 움직인 셈이다.

HRBP: 허만(何漫), 사람의 마음과 이익 사이에서 줄타기

허만은 2년 넘게 HRBP로 일해왔으며, 업무를 시작할 때부터 인력 감축이 한창이었다.

그녀는 수많은 정리해고 면담을 겪었다. 처음에는 거부감이 컸지만, 점차 부드럽고 단호하게 직원들이 현실을 받아들이도록 돕는 법을 배웠다. 그러면서 다소 아이러니한 사실을 깨달았다. 타인의 커리어 종착점을 마주하게 도와주면서, 정작 자신의 직무 또한 AI에 의해 재정의되는 기로에 서 있다는 점이었다.

HRBP의 업무는 AI에 의해 두 부분으로 나뉘고 있다.

하나는 기계에 맡길 수 있는 영역이다. 연차 계산, 시상 및 평가, 인건비 예산 중 까다로운 LC 릴리스 계산 등―공식을 스킬로 고정하면 에이전트가 몇 분 만에 결과를 내놓아 한두 시간의 수작업을 줄여준다. 직원 성과 이의신청 면담 후에는 스마트 회의록을 통해 주요 쟁점과 논점을 자동 생성해 추후 참고한다.

다른 하나는 기계가 건드릴 수 없는 영역이다. 직원 갈등 관리, 희망퇴직 면담, 관리자 역량 강화 등―이처럼 직접 맞닥뜨리며, 섬세한 분별력을 발휘하고, 언제 강하게, 언제 부드럽게 대응해야 할지 판단해야 하는 업무는 아직 AI가 대체할 수 없어, 그녀가 직접 나서야 한다.

하지만 그녀는 이런 안전지대가 오래가지 못할 수 있음을 잘 안다. 사내 시상 명목에 “야생 PM(제품 책임자)”, “야생 RD(연구개발)” 같은 타이틀이 등장하며 임직원들의 경계를 넘는 업무를 장려하는 분위기다. 어떤 팀은 QA(Quality Assurance)조차 필요 없이 한 사람이 AI로 전체 프로세스를 완수하며 오히려 더 나은 성과를 내기도 한다. 이에 그녀는 복잡한 심경을 느낀다. 조직이 스스로 직무 경계를 흐리기 시작할 때, 과연 나의 대체 불가능성은 어디에서 버틸 수 있을까.

아직 완전한 답을 찾지는 못했지만, 더 거시적인 그림을 보고 있다. 모든 직원이 AI로 효율을 높여도, 기업 전체의 효율성과 매출은 눈에 띄게 개선되지 않는다. 원인은 조직 형태가 속도를 따라잡지 못하기 때문이다. 개별적인 성과가 합쳐지지 못하고, 반복 업무는 여전히 많으며, 엔트로피는 계속 증가한다. 지식 노동의 산출물은 이미 과잉이다. 코딩, 디자인, 문서 작성 등 시장이 감당할 수 없을 만큼 쏟아지지만, 양적 변화가 질적 변화로 이어지지는 않았다. 그녀는 지금의 상태를 “불똥은 계속 튀는데 들불로 번지지 않는 상황”이라 표현한다.

이런 관찰을 통해 그녀는 HRBP로서 지금 무엇을 할 수 있을지 재정립했다. 관리자가 ‘직원의 AI 활용’ 단계에서 ‘조직의 AI화’ 단계로 나아가도록 추진하는 것, 그것이 그녀의 새로운 과제다. 모든 사람이 AI를 더 많이 쓰게 하는 것이 아니라, 전체 워크플로우가 AI 친화적이고 에이전트 친화적으로 바뀌어, 도구가 실제 업무 흐름에 제대로 파고들도록 만드는 일이다.

한 줄 요약

2년 넘은 HRBP로서 정리해고를 겪었고, AI 앞에서 조직이 서투르게 변신하는 모습을 목격했다. AI는 표준화할 수 있는 모든 업무를 대체하지만, 사람의 마음과 이익 사이에서 줄타기하는 판단력까지 대체하지는 못한다는 점을 점차 느끼고 있다. 다만, 조직 자체가 계속 크게 흔들리는 가운데, 그 줄은 점점 더 가늘어지고 있다는 점도 덧붙인다.

영업: 라오저우(老周), 안정된 체계의 사람이 신세계의 기차를 바라보다

라오저우는 올해 서른여덟이다. 인터넷 업계에서 나와 창업을 했고, 3년 전 지금의 회사에 합류해 정부·기업(B2G·B2B) 영업을 맡고 있다.

영업 방식은 20년 전 그가 업계에 처음 발을 들였을 때와 크게 다르지 않다. 고객을 한 명 한 명 공략하는 식이다. 회사에는 통합 고객 관리 시스템조차 없다. 표 작성을 위해 페이슈(飛書), 기업 위챗(WeCom), 텐센트 문서, 킹소프트 문서, OA 암호화 테이블을 혼용한다. 본사에서 AI 응용 플랫폼을 도입한 적 있지만 호응하는 사람은 손에 꼽았다.

흥미로운 점은, 그가 최근 2년간 다룬 비즈니스는 AI와 직결되어 있다는 사실이다. 지난 2년간은 거대 언어모델 구동용 서버와 일체형 장비를 판매하며 고객이 모델을 돌릴 수 있도록 도왔다. 올해는 토큰 판매로 전환했다. 고객들이 문의하고 탐색은 하지만, 실제 도입으로 이어지는 경우는 적다. 보안 수준이 높은 기업은 프라이빗 배포를 선택하여 데이터를 외부로 내보내지 않는다. 나머지 고객들의 토큰 구매는 “일단 자리 선점”에 가깝고, 제대로 활용하는 경우는 드물다.

국내 토큰 판매는 상품 동질화가 심해 주로 가격 경쟁이다. 하지만 그가 속한 회사는 내부 수익률 기준 때문에 인터넷 클라우드 업체들과 할인 경쟁이 되지 않는다. 이 사업이 과연 지속 가능한지 의문이다.

AI는 그가 파는 제품을 바꾸었지만, 그의 업무 방식은 거의 바꾸지 않았다. 팀은 AI를 고객 개발이나 영업 보조에 활용하지 않는다. 주로 기존 고객 유지가 중심이라 신규 개척이 거의 없어, AI 같은 새로운 방식이 끼어들 여지가 별로 없다. 회사와 외부 세계 사이의 괴리는 엄청나다. 바깥세상은 AI가 하루가 다르게 변하는데, 그가 속한 조직에서는 변화를 거의 느끼지 못한다.

더 직접적인 충격은 급여에서 왔다. 회사는 정리해고 대신 임금 삭감을 택했다. 지난 3년간 수입은 계단 몇 개를 내려온 듯하다. 임금 삭감이 가져온 것은 정예화와 효율화가 아니라, 전반적인 권태감이었다. 직원들의 동기는 떨어지고, 회사의 개혁 속도는 더욱 느려졌다.

그럼에도 불구하고 그는 주도적으로 AI 혁신 실험 워크숍에 참여한다. 업무에서 접하는 내용과 외부 세상의 차이가 너무 컸기 때문이다. 그는 배우고 싶고, 변화하고 싶다. 만약 내일 당장 변화가 찾아온다면 그때를 대비하기 위해서다.

한 줄 요약

서른여덟 살, 서버도 팔고 토큰도 팔았다. AI가 그가 다루는 제품의 진열대를 재구성했지만, 그의 업무 방식은 비켜 갔다. 임금 삭감은 조직의 무기력감을 키웠고, 그는 어쩌면 시간표대로 도래하지 않을 전환점을 기다리고 있다. 낡은 시스템의 톱니바퀴는 걸려 있고, 신세계의 기차는 가속하며 떠나고 있다.

재무: 쑹야오(宋遥), 숫자 안이 아니라 비즈니스 앞에서

쑹야오는 합작 하드웨어 기업의 CFO다. 이 위치에서 AI를 바라보는 관점은 일선 직원들과 완전히 다르다. 어떤 특정 직무가 대체되는지가 아니라, 재무 기능 전체의 근본 논리가 다시 쓰이고 있다는 점이 보인다.

회사에는 두 가지 AI 리듬이 존재하고, 그녀는 그 사이에 끼어 가장 직접적인 관찰자가 되었다.

외국계 파트너사는 5, 6년 전부터 재무 데이터 흐름 통합을 시작했다. 현지에서 반드시 수행할 필요가 없는 재무 데이터 처리와 분석 업무를 본사로 흡수하여 지역별로 집중화하고, 국가별로 핵심 CFO 같은 극소수 직무만 남겼다. 약 2년 전부터 이렇게 집중화된 데이터 분석 업무는 AI로 대체했다. 보고서, 분석 자료, 예측까지 모두 자동화하였고, 인력은 대폭 줄였다. 게다가 각 부문 CEO와 비즈니스 책임자들이 직접 AI를 활용해 1차 재무 데이터를 확보할 수 있는 역량을 갖추도록 요구한다. 이 논리는 이렇다. 재무 데이터를 재무 부서가 독점해서는 안 되며, 모든 비즈니스 책임자가 직접 접근하도록 해야 한다는 것이다.

중국 측은 또 다른 리듬을 따른다. 회사도 AI를 사용하고 있다. 감자(減資) 같은 복잡한 프로세스를 처리할 때, 거대 언어모델을 활용해 업계 베스트 프랙티스를 얻음으로써 비용과 시간을 절약한다. CEO는 기술 신념이 있어 직원들이 모델을 통해 업계 표준 사례를 얻도록 장려하며, 견적 비교를 위한 에이전트도 구축했다. 하지만 정보 보안 문제 탓에 데이터 분석 같은 핵심 업무에 AI를 적용하는 데 매우 신중하다. 외국 측처럼 대체형으로 밀어붙이는 수준에는 훨씬 못 미친다. 직원들은 주로 프로젝트 프로세스 상담, 세무 조항 검색 등 보조적인 수준에서 AI를 활용한다. 유용하긴 하지만 ‘재구성’과는 거리가 멀다.

AI가 재무 직업에 가하는 충격은 그녀의 눈에 선명한 층위로 구분된다. 초급 데이터 분석·처리 직무는 미래에 큰 확률로 AI가 대체할 것이다. 법무, IT의 초급 직무도 마찬가지다. 프론트엔드 엔지니어가 풀스택이 되지 못하면 전환을 고민할 수밖에 없다. 하지만 깊이 있는 전문 영역에는 여전히 사람이 필요하다. 조세 기획, 업무-재무 융합, 자금 구조 설계 등 전문적 판단과 신뢰가 필요한 업무는 AI가 대체할 수 없다.

그녀는 여기서 하나의 판단을 내린다. AI가 재무 인력을 비즈니스 최전선으로 밀어내고 있다는 점이다. 이제는 숫자만 들여다보며 장부만 만들 수 없다. 시장을 이해하고, 비즈니스를 파악하고, 의사 결정에 참여해야 한다.

재무 담당자는 이제 두 부류로 나뉘고 있다. 하나는 표준화된 사무 처리자로, AI에 의해 대체되는 중이다. 다른 하나는 AI를 다룰 줄 알고, 비즈니스를 이해하며, 판단력을 발휘할 수 있는 전문가다. 후자만이 남을 자격이 있다.

한 줄 요약

CFO의 시각으로, 중국과 외국계라는 두 가지 AI 리듬 사이에서 재무 기능이 재편되는 모습을 조망한다. 초급 직무는 대체되고 있지만, 깊이 있는 전문성은 오히려 더 값지다. AI가 생성하는 결과물이 많아질수록, 옳고 그름을 판단할 수 있는 사람은 더 희소해진다. 재무 인력의 미래는 숫자 안에 있지 않고, 비즈니스 앞에 있다.

법무: 선모(沈默), 토큰 청구서와 모호한 사고방식

선모는 유명 차(茶) 음료 브랜드에서 법무 업무를 담당하고 있다. 2026년부터 AI가 그녀의 일상 업무에 들어왔는데, 주로 두 가지 상황에서 활용한다. 판례 및 법조문 검색, 계약 검토가 그것이다. 회사는 임원급에게 유료 AI 도구를 도입했지만 실제로 사용해보니 문제가 적지 않았다.

무료 모델은 전문성이 부족하다. 국내 주류 무료 도구들은 법률 시나리오에서 AI 환각 현상이 두드러지며, 자주 오답을 내놓고서 사용자와 한바탕 실랑이를 벌이다가 자신이 틀렸음을 인정하곤 한다. 유료 모델은 좀 낫지만, 토큰 소모가 비합리적이다. 그녀가 예를 하나 들었다. 법률과 세무가 교차하는 문제를 문의할 때, 입력된 배경 정보와 출력 파일의 데이터량은 많지 않았는데도 일고여덟 차례의 문답으로 1,700크레딧이 소모되어 환산하면 최소 10달러에 달했다. 간단한 작업도 비용이 만만찮게 들고 과금 논리가 불투명하여, 팀에 확산시키기가 어렵다.

그러나 AI는 확실히 유용하다. 기본 계약서 초안 작성, 일상 계약 검토, 행사 관련 검토, 사례 평가, 문서 기안 등 표준화할 수 있는 모듈은 AI가 점차 접수하고 있으며, 어쩌면 사람보다 더 꼼꼼하고 빠르며 정확할 수 있다. 판례 검색은 특히 편리하다. 예전에는 사람이 직접 판례를 찾아보느라 반나절이 걸리기도 했는데, 이제는 AI가 최근 3년 사이의 특정 유형 판례를 빠르게 찾아준다.

개인적으로는, AI를 활용할 수 있는 케이스 하나에 50%의 시간을 절약하고, 일상 업무 전체로 보면 20%에서 30%를 절약한다. 하지만 문서 작성을 전문으로 하는 팀 동료들에게는 대체 가능성이 더 크다. 다만 그 전제는 이들이 AI를 잘 다룰 수 있어야 한다는 점이다. 그런데 그녀가 보기에 많은 동료들은 AI 사용에 미숙하여 오히려 오도되기 쉽다. 그녀는 AI에 바로 질문을 던지기 전에 스스로 먼저 생각하고 탐색한 뒤 AI를 도구로 삼으라고 조언한다.

AI는 법무 업무의 경계도 다시 긋고 있다. 분쟁 해결, 협상, 갈등 관리처럼 더 많은 비즈니스 배경과 협상 능력을 요구하는 일은 AI로 대체하기 어렵다. 반면 기본 계약서 작성, 일상 검토 같은 표준화된 사무는 AI가 한 걸음씩 접수해 들어온다. 그녀가 속한 회사는 법무팀이 애초에 크지 않고 계약 검토량도 많지 않아 현재까지 받는 영향은 적다. 하지만 계약 검토량이 많은 회사라면 AI 도입 후 인력 감축은 거의 필연적이라는 점도 관찰했다.

그녀가 몸담은 업계 전체적으로는 AI 적용이 아직 많지 않은 편이다. 본질적으로 서비스업에 속하며, 제품 연구개발, 광고 디자인 등에서는 여전히 인력 의존도가 높다. 공급망의 AI 기술 적용도 깊지 않고, 원래의 디지털화 절차와 전자 알림에 주로 의존한다.

그녀의 관찰에 따르면, AI는 전문가나 주임급 인력이 문서를 작성하는 업무를 대체할 수 있다. 그러나 반드시 사고의 방향이 명확해야 한다. 생각이 흐릿하면 AI는 그저 평범한 통용 원고만 작성할 뿐, 절대 비즈니스 요구를 충족시키지 못한다.

한 문장 요약

법무는 유료 모델의 토큰 청구서와 무료 모델의 할루시네이션 사이에서 AI의 경계를 반복해서 테스트하고 있다. 표준화된 계약 검토는 대체되고 있으며, 분쟁과 협상은 여전히 사람의 판단이 필요하다. 그리고 AI가 문서를 작성할 수 있는 전제는, 본인이 먼저 명확히 생각하는 것이다.

서문에서 제기한 세 가지 질문으로 돌아가 보자. 지난 3년간 AI는 직장에 어떤 영향을 미쳤는가? 미래를 이해하는 데 도움이 되는 규칙에는 어떤 것들이 있는가? 그 안에 있는 사람들은 지금 무엇을 겪고 있는가?

첫 번째 답변은 이렇다. 그 영향은 실재하지만, 입도(granularity)는 직무가 아니라 과업(task)에 있다. 프로그래밍, 글쓰기, 법률 문서, 데이터 분석이 가장 먼저 관통되었으며, 실제 정착은 컴퓨터, 금융, 관리 및 행정 분야에 집중되었다. 이론적 커버리지와 실제 커버리지 사이의 간극은 기술적으로 가능하다는 것이 조직적으로 가능하다는 것을 의미하지는 않는다는 점을 상기시킨다.

두 번째 답변은 이렇다. 규칙은 반복적으로 검증되었다. 기술 침투는 S 곡선을 따르고, 거래 비용 감소는 조직의 경계를 바꾸며, 숙련 편향적 기술 변화는 내부 격차를 벌리고, 창조적 파괴는 언제나 한 무리를 소멸시키고 더 많은 것을 창조한다. 현재는 기술 도입기에서 제도 소화기로 진입하는 중이다. 예산 제약의 회귀, 과업별 자원 가격 책정, 비효율적 소비의 식별 및 제거는 기술이 인프라가 되기 위한 필수 단계다.

세 번째 답변은 이렇다. 개인의 대처 방식은 분화되고 있다. 누군가는 스스로를 에이전트처럼 여겨 능력을 재조립하고 있고, 누군가는 낡은 시스템 안에서 전환점을 기다리며, 누군가는 AI가 하지 못하는 쪽으로 이동하고, 누군가는 줄타기 위에서 균형을 연습하고 있다. 그들에게 반드시 공통된 답이 있는 것은 아니지만, 공통된 특징은 있다. 혼란 속에서도 지속적으로 행동하고, 스스로가 무엇으로 형성되고 있는지를 형성되는 과정 속에서 이해하려 애쓰는 것이다.

이 지점에 이르러 하나의 기본 판단이 떠오른다. AI가 직업에 미치는 충격에는 통일된 종착점이 존재하지 않는다. 그것은 과업 수준에서는 명확한 대체와 증강으로, 조직 수준에서는 경계 축소와 형태 재구성으로, 사회 수준에서는 자본의 흐름과 제도 적응의 각축으로 나타난다. 이 세 가지의 리듬이 서로 다르고 보조가 맞지 않기에, 개인의 안전감은 바로 이 간극에 대한 냉철한 인식에서 나온다.

개인에게 가장 중요한 것은 어떤 직무가 안전한지 예측하는 것이 아니라, 이전 가능한 능력의 조합을 구축하는 것이다. 과업을 분해하는 능력, AI 산출물의 품질을 판단하는 능력, 모호한 영역에서 선택하는 능력, 서로 다른 이해관계와 서로 다른 능력을 가진 사람들을 조율하는 능력이다. 이 능력들의 공통된 특징은 AI가 당분간 닿을 수 없다는 점이다.

조직에게 책임은 더 빨리 정리해고하고 더 빨리 AI를 도입하는 데 있는 것이 아니라, 비효율적 소비를 식별하기 전에 신뢰를 먼저 소비하지 않고, 직무 경계를 조정하기 전에 책임 경계를 먼저 모호하게 만들지 않는 데 있다. 비용은 계산할 수 있고, 토큰 청구서는 철저히 따져야 하지만, 사람의 성장에도 계단이 필요하다. AI가 신입의 연습장을 잘라내 버렸다면, 조직은 그 숙련자로 가는 길을 새로운 방식으로 재건할 의지가 있는가 하는 문제는, 비용 문제와 함께 동시에 테이블 위에 올려놓아야 할 일이다.

사회에게 교육 시스템은 하나의 사실을 인정할 필요가 있다. 낡은 직업 구조를 청사진으로 인재를 양성하는 모델이 효력을 잃고 있다는 점이다. 사회 보장은 또 다른 사실을 마주할 필요가 있다. 안정적인 전일제 고용을 기본 전제로 설계된 제도가, 플랫폼화·원자화되는 고용 현실에 의해 흔들리고 있다는 점이다. 기술은 기다릴 수 있지만, 대체되는 사람들은 너무 오래 기다릴 수 없다.

2023년부터 2026년까지 공포는 데이터로 보정되었고, 규칙은 사례로 검증되었으며, 용기는 개인들 속에서 지속적으로 자라났다. 기술과 사회 변천의 격류 속에서 인간은 왜소하면서도 강대하다. 왜소함은 물결의 방향을 막을 수 없다는 점에 있고, 강대함은 스스로를 조형할 수 있다는 데 있다. 향후 3년, 조형은 계속될 것이다.

도우바오 AI 폰 올해 여러 모델 출시 예정

인기 기사