1부 1장. AI 활용의 판이 바뀌었다

예전에는 AI를 이렇게 썼습니다. 창을 열고, 질문 하나를 넣고, 답 하나를 받습니다. 잘 나오면 복사하고, 아니면 다시 묻습니다. 이 방식은 마치 똑똑한 검색창이나 말 잘하는 챗봇을 쓰는 느낌에 가깝습니다.

그런데 지금의 AI는 이미 그 틀을 넘어섰습니다. 이제 AI는 한 번 답하고 사라지는 도구가 아니라, 일을 함께 밀고 가는 협업 상대에 가까워지고 있습니다. 초안을 만들고, 다시 고치고, 자료를 요약하고, 빠진 점을 찾고, 다음 행동을 제안하고, 필요하면 다른 도구까지 연결해 작업을 이어 가는 쪽으로 활용 방식이 바뀌고 있습니다.

이 변화는 단순히 모델이 더 똑똑해졌다는 뜻만은 아닙니다. 더 중요한 변화는 우리가 AI를 쓰는 단위 자체가 달라졌다는 점입니다. 예전의 단위가 "질문 한 번, 답변 한 번"이었다면, 지금의 단위는 "맥락을 공유하고, 여러 단계를 거쳐, 결과를 함께 다듬는 작업"입니다.

이 장에서는 바로 그 변화를 보려고 합니다. 왜 AI 활용의 판이 바뀌었다고 말하는지, 왜 예전의 챗봇처럼만 쓰면 성과가 제한되는지, 앞으로 어떤 감각으로 AI를 써야 하는지를 차근차근 살펴보겠습니다.

AI는 이제 낯선 실험이 아니라 일상 도구가 되었다

판이 바뀌었다는 말을 하려면, 먼저 무엇이 달라졌는지부터 봐야 합니다. 가장 큰 변화는 AI가 일부 얼리어답터의 장난감이 아니라, 대중이 실제로 쓰는 도구가 되었다는 점입니다.

세계은행이 소개한 분석에 따르면 생성형 AI 도구는 2024년 초 기준으로 이미 전 세계 수억 명 사용자와 수십억 건의 월간 방문을 기록했고, 209개 국가와 지역에서 사용 흔적이 관찰됐습니다. 특히 사용 패턴이 주말보다 평일에 더 강하게 나타났다는 점은 의미심장합니다. 사람들은 AI를 심심할 때만 만지는 것이 아니라, 실제 일과 학습에 끼워 넣고 있다는 뜻이기 때문입니다.¹

2025년 하반기에는 이 흐름이 더 또렷해졌습니다. Microsoft AI Economy Institute는 전 세계 인구의 약 6명 중 1명이 생성형 AI를 사용하고 있다고 추정했습니다. 아직 모두가 쓰는 단계는 아니지만, 더 이상 "아는 사람만 아는 기술"이라고 부르기는 어렵습니다. 이미 학교, 회사, 공공 서비스, 개인 생산성 영역으로 스며들고 있습니다.²

한국의 변화는 특히 상징적입니다. 같은 보고서에서 한국은 2025년 하반기에 AI 사용 확산 면에서 큰 폭의 상승을 보인 나라로 언급됩니다. 정부 정책, 한국어 성능 향상, 대중이 체감하는 기능 개선이 한꺼번에 맞물리면서, 생성형 AI가 일부 직군의 실험을 넘어 더 넓은 층의 일상 도구가 되기 시작했다는 것입니다.²

여기서 중요한 포인트는 단순한 보급률이 아닙니다. 사용자가 늘어난다는 것은 곧 사용 목적도 변한다는 뜻입니다. 처음에는 "이거 신기하네"로 시작하지만, 어느 순간부터는 "이걸로 내 일을 어떻게 줄일까"가 중심 질문이 됩니다. 그리고 바로 그 지점에서 AI 활용의 판이 바뀝니다.

예전의 AI 활용은 답변 중심이었다

초기의 생성형 AI 활용법은 꽤 단순했습니다. 질문을 잘 던져 좋은 답을 뽑아내는 것이 거의 전부였습니다. 그래서 사람들은 프롬프트 문구에 집중했습니다. "영문으로 써야 하나?", "전문가 역할을 부여해야 하나?", "예시를 넣으면 더 좋아지나?" 같은 질문이 쏟아졌습니다.

이 접근은 당시에는 매우 합리적이었습니다. 왜냐하면 실제 활용 단위가 작았기 때문입니다. 이메일 한 통 고치기, 제목 몇 개 뽑기, 요약 한 번 받기, 아이디어 목록 만들기 같은 일에서는 한 번의 질문과 한 번의 답변만으로도 충분한 성과가 나왔습니다.

하지만 이 방식에는 분명한 한계가 있었습니다. AI는 앞뒤 사정을 충분히 모른 채, 지금 눈앞에 놓인 문장만 보고 반응하는 경우가 많았습니다. 사용자는 원하는 바를 마음속으로는 알고 있지만, 그것을 한 번에 완벽히 설명하기 어렵습니다. 그래서 처음 답변은 대체로 그럴듯하지만 어딘가 아쉽습니다. 방향은 맞는데 깊이가 부족하고, 문장은 괜찮은데 맥락이 빠지고, 형식은 맞는데 실제 목적에는 덜 맞는 식입니다.

즉, 예전 방식의 핵심은 "좋은 한 방"을 기대하는 것이었습니다. 멋진 프롬프트 하나로 훌륭한 결과를 바로 뽑아내는 그림입니다. 물론 지금도 그런 순간은 있습니다. 하지만 점점 더 많은 실제 작업은 그 방식만으로 끝나지 않습니다.

지금의 AI 활용은 작업 중심, 협업 중심으로 이동했다

오늘날 AI를 잘 쓰는 사람들은 대체로 AI를 한 번 부르고 끝내지 않습니다. 일을 작은 단계로 나누고, 중간 결과를 확인하고, 다시 지시하고, 자료를 보강하고, 초안을 비평하게 하고, 부족한 부분을 채우게 합니다. 한마디로 말해 AI를 "답변 기계"보다 "작업 파트너"에 가깝게 씁니다.

이 변화는 여러 방향에서 동시에 나타납니다.

• 한 번의 질문보다 여러 번의 상호작용이 중요해졌다.

• 좋은 문장 하나보다 전체 작업 흐름이 중요해졌다.

• 결과 생성보다 검토, 수정, 연결, 실행이 중요해졌다.

예를 들어 보고서 작성만 해도 그렇습니다. 예전 방식은 "이 주제로 보고서 써줘"였습니다. 지금 방식은 다릅니다. 먼저 개요를 만들고, 독자 수준을 맞추고, 필요한 자료 목록을 정리하고, 초안을 만들고, 논리적 약점을 점검하고, 표나 요약본으로 변환하고, 마지막으로 톤을 다듬습니다. 여기서 AI는 한 번 반짝하고 끝나는 존재가 아니라, 여러 단계에 걸쳐 계속 참여하는 조력자입니다.

MIT Sloan이 소개한 최근 연구도 비슷한 방향을 보여 줍니다. AI의 가치는 개별 작업 하나를 얼마나 잘하느냐보다, 여러 작업이 어떻게 연결된 워크플로 전체를 어떻게 바꾸느냐에서 더 크게 나타난다는 것입니다. 다시 말해, 이메일 한 통을 빨리 쓰게 해 주는 것보다, 조사-정리-초안-검토-수정으로 이어지는 흐름 전체를 매끄럽게 만드는 쪽이 더 큰 변화라는 뜻입니다.³

이 관점은 아주 중요합니다. 왜냐하면 우리가 일을 할 때 실제로는 "단일 작업"보다 "연결된 작업 묶음" 안에서 움직이기 때문입니다. 기획은 조사와 연결되고, 조사는 문서화와 연결되며, 문서화는 회의와 실행으로 이어집니다. AI가 끼어드는 자리도 이제는 점이 아니라 선, 더 정확히는 흐름 전체가 되고 있습니다.

왜 사람들은 아직도 AI를 옛날 챗봇처럼 쓰는가

흥미로운 점은, 기술은 달라졌는데 사용 습관은 그 속도를 따라가지 못하는 경우가 많다는 것입니다. 많은 사람은 여전히 AI를 "물어보면 대답해 주는 존재" 정도로만 대합니다. 검색창을 쓰듯이 짧게 질문하고, 첫 답변이 별로면 실망하고, 잘 나오면 운이 좋았다고 생각합니다.

이런 일이 벌어지는 이유는 간단합니다. 첫째, 챗 인터페이스가 그렇게 보이기 때문입니다. 화면은 메신저처럼 생겼고, 입력창도 하나뿐입니다. 그러니 사람은 자연스럽게 대화형 검색처럼 씁니다.

둘째, 초기 사용 경험이 그런 패턴을 강화했습니다. 처음 생성형 AI를 접한 많은 사람은 "재미있는 답변을 받는 경험"으로 입문했습니다. 숙제 아이디어를 물어보거나, 여행 계획을 뽑거나, 이메일을 다듬는 경험이 출발점이었습니다. 이 습관이 남아 있는 것입니다.

셋째, 아직 많은 조직이 AI를 워크플로 안에 제대로 녹이지 못했습니다. 2025년 디자인·개발 협업 흐름을 조사한 보고서에 따르면, 팀들은 AI를 꽤 널리 쓰고 있지만 여전히 가장 많은 활용은 코드 생성이나 초안 작성 같은 개별 작업 가속에 머물고 있었습니다. 협업과 인수인계, 프로세스 자체를 바꾸는 활용은 상대적으로 낮았습니다. 말하자면 AI를 "빨리 쓰는 도구"로는 많이 도입했지만, "일하는 구조를 바꾸는 도구"로는 아직 덜 쓰고 있는 셈입니다.⁴

그래서 오늘날 많은 사용자는 강한 엔진을 달아 놓고도 1단 기어로만 달리는 상태에 가깝습니다. 차가 나쁜 것이 아니라, 운전 방식이 아직 옛날 방식인 것입니다.

단일 답변 중심 사용이 성과를 제한하는 이유

이제 핵심 질문으로 들어가 보겠습니다. 지금의 AI를 예전 챗봇처럼 쓰면 왜 성과가 제한될까요?

가장 큰 이유는 실제 업무가 단일 답변으로 끝나지 않기 때문입니다. 대부분의 유의미한 일은 다음과 같은 과정을 거칩니다. 목표를 정하고, 필요한 자료를 모으고, 초안을 만들고, 문제점을 찾고, 수정하고, 형식을 바꾸고, 전달 가능한 결과물로 마무리합니다. 그런데 단일 질문-단일 답변 방식은 이 긴 흐름 중 맨 앞이나 한가운데 한 조각만 건드릴 뿐입니다.

예를 들어 "시장 분석 보고서 써줘"라고 한 번 물으면, AI는 그럴듯한 텍스트를 줄 수 있습니다. 하지만 그 결과물이 실제로 쓸 만한지 따져 보면 금방 빈틈이 드러납니다. 대상 시장의 범위가 불분명할 수 있고, 최신 데이터가 부족할 수 있으며, 독자 수준이 맞지 않을 수도 있습니다. 무엇보다 사용자의 진짜 목적, 예컨대 투자 보고용인지 내부 공유용인지 발표용인지가 반영되지 않기 쉽습니다.

또 다른 문제는 검증과 정렬의 부재입니다. 단일 답변 중심 사용에서는 사용자가 중간에 방향을 바로잡을 기회가 적습니다. AI가 잘못 이해한 상태로 멋지게 써 내려가면, 오히려 그럴듯해서 더 위험할 수도 있습니다. 처음부터 틀린 방향인데 문장만 매끈하면 사람은 쉽게 속습니다.

여기에 조직 차원의 문제도 더해집니다. 생성형 AI 도입은 빠르게 늘고 있지만, 결과는 늘 일관되게 좋지 않습니다. S&P Global은 생성형 AI 도입이 빠르게 늘어나는 한편 프로젝트 실패율도 함께 높아지고 있다고 지적했습니다. 많이 쓴다고 곧바로 잘 쓰는 것은 아니라는 뜻입니다.⁵

이 말은 꽤 중요합니다. AI는 쉽게 쓸 수 있지만, 성과를 내게 만드는 사용법은 따로 있다는 뜻이기 때문입니다. 그냥 많이 던지고 많이 받는다고 실력이 쌓이지는 않습니다. 오히려 작업 구조 없이 남발하면, 산출물은 많아지는데 신뢰도와 일관성은 떨어지는 이상한 상태에 빠질 수 있습니다.

성과를 내는 사람은 AI를 '점'이 아니라 '과정'으로 쓴다

AI를 잘 쓰는 사람과 그렇지 못한 사람의 차이는 의외로 거창하지 않습니다. 전자는 AI를 한 번의 마술로 기대하지 않고, 후자는 자꾸만 한 방을 기대합니다.

잘 쓰는 사람은 먼저 일을 쪼갭니다. "바로 완성"을 요구하지 않고, "먼저 구조를 잡자", "이 초안의 약점을 찾자", "이 자료를 요약하고 비교하자", "이 결과를 표 형식으로 바꾸자"처럼 단계별로 요청합니다. 그러면 AI는 훨씬 안정적으로 도와줄 수 있습니다.

또 잘 쓰는 사람은 AI에게 생각의 파편을 맡기는 것이 아니라, 작업의 흐름을 맡깁니다. 예를 들어 회의 준비를 한다면, 의제 초안을 만들게 하고, 참석자별 예상 질문을 정리하게 하고, 회의 후에는 요점을 요약하게 하고, 후속 액션을 문서화하게 합니다. 이렇게 되면 AI는 단발성 답변 기계가 아니라 흐름을 받쳐 주는 보조 시스템이 됩니다.

요즘의 협업 도구들도 이런 방향으로 진화하고 있습니다. Microsoft Teams는 회의 안에서 의제를 정리하고, 실시간 노트를 만들고, 작업 항목을 캡처하고, 채널 맥락을 바탕으로 상태 보고를 작성하는 에이전트형 기능을 소개하고 있습니다. 이것은 AI가 더 이상 입력창 안에서만 대답하는 존재가 아니라, 팀의 맥락을 바탕으로 계속 참여하는 협업 구성원 쪽으로 움직이고 있음을 보여 줍니다.⁶

이 지점에서 우리는 중요한 사실을 보게 됩니다. AI 활용의 중심은 "무슨 질문을 던질까?"에서 "어떤 흐름으로 함께 일하게 할까?"로 이동하고 있다는 것입니다.

앞으로의 기준은 답변 품질만이 아니다

예전에는 AI를 평가할 때 주로 이렇게 물었습니다. "이 답변 괜찮아?"

하지만 이제는 질문이 달라져야 합니다.

"이 AI가 내 작업 흐름 안에서 얼마나 안정적으로 기여하는가?"

이 기준으로 보면 좋은 AI 활용은 단순히 문장을 예쁘게 만드는 것보다 더 넓은 요소를 포함합니다. 맥락을 제대로 반영하는가, 긴 작업에서도 방향을 잃지 않는가, 중간 산출물을 다듬을 수 있는가, 사람의 검토와 결합하기 쉬운가, 다른 도구나 문서와 연결되는가 같은 점들이 중요해집니다.

협업 관점에서 AI를 다룬 연구들도 비슷한 시사점을 줍니다. 생성형 AI는 개인 생산 도구로만 쓰일 때 협업을 파편화할 위험이 있지만, 반대로 목표 정렬, 기억 보조, 주의 집중, 조정 비용 감소 같은 역할을 할 때는 집단 지능을 강화하는 방향으로 작동할 수 있습니다.⁷ 쉽게 말해, 혼자 몰래 초안만 뽑는 도구로 쓰면 팀워크를 흐릴 수도 있지만, 함께 보는 정보 정리와 진행 관리에 쓰면 팀 전체를 더 똑똑하게 만들 수도 있다는 뜻입니다.

즉, 앞으로의 기준은 "답이 맞냐"만이 아닙니다. "일이 앞으로 나아가느냐"가 더 중요합니다.

그래서 무엇이 달라져야 하는가

이제 독자의 사용 습관도 바뀌어야 합니다. AI를 쓸 때마다 완벽한 한 줄 프롬프트를 떠올리려 애쓰기보다, 먼저 지금 내가 어떤 작업 단계에 있는지 생각해야 합니다.

자료를 탐색하는 단계인지, 아이디어를 넓히는 단계인지, 구조를 정리하는 단계인지, 초안을 쓰는 단계인지, 비평과 수정의 단계인지가 다릅니다. 단계가 다르면 AI에게 맡길 역할도 달라집니다. 이 감각이 생기면 AI는 훨씬 덜 신기하고, 훨씬 더 유용해집니다.

또 AI를 사용할 때는 "한 번에 끝내기"보다 "작게 나누고 이어 붙이기"가 중요합니다. 초안을 받고 끝내지 말고, 부족한 점을 짚고, 근거를 요구하고, 다른 형식으로 변환하고, 독자 관점에서 다시 보게 해야 합니다. 좋은 결과는 종종 첫 답변에서 나오지 않고, 첫 답변 이후의 운영에서 나옵니다.

마지막으로, AI를 개인 도우미로만 보지 말고 작업 환경의 일부로 보기 시작해야 합니다. 문서, 파일, 검색, 캘린더, 협업 도구, 코드 저장소 같은 것들과 연결되기 시작하면 AI의 역할은 훨씬 커집니다. 그때부터 AI는 말만 잘하는 존재가 아니라, 맥락을 이해하고 일을 이어 가는 존재로 바뀝니다.

이 책이 다루려는 변화의 출발점

이 장의 핵심은 간단합니다. AI 활용의 중심은 단일 답변에서 지속적 협업으로 옮겨가고 있습니다.

이 변화는 단지 기술의 발전 때문만이 아닙니다. 사람들이 실제로 AI를 일과 학습 속에 넣기 시작했고, 조직은 AI를 개별 생산성 도구를 넘어 워크플로와 협업 구조 안에 배치하기 시작했으며, AI 자체도 더 긴 맥락을 다루고 여러 단계를 이어 가는 쪽으로 발전하고 있기 때문입니다.²³⁶

그래서 지금의 AI를 예전 챗봇처럼만 쓰면, 당연히 성과가 제한됩니다. 질문 하나에 답 하나를 받는 방식은 여전히 유용합니다. 하지만 그것만으로는 지금 가능한 활용 범위의 아주 일부만 쓰는 셈입니다.

앞으로 우리는 프롬프트 자체보다 더 큰 것을 보게 될 것입니다. 맥락, 멀티턴 대화, 워크플로, 도구 연결, 에이전트, 평가와 검증 같은 것들입니다. 다시 말해, AI를 잘 쓴다는 것은 좋은 말을 한 번 던지는 기술이 아니라, AI가 제대로 일할 수 있는 환경과 흐름을 설계하는 능력에 가까워지고 있습니다.

그리고 그 변화의 출발점은 아주 소박합니다.

AI를 "대답하는 기계"가 아니라 "함께 일하는 시스템"으로 보기 시작하는 것.

바로 거기서부터, 판이 바뀝니다.

참고

¹Who on earth is using generative AI?

²Global AI Adoption in 2025—A Widening Digital Divide

³How AI is reshaping workflows and redefining jobs

⁴Workflows in the Age of AI: How Design & Development Workflows Changed in 2025—and What Comes Next

⁵Generative AI shows rapid growth but yields mixed results

⁶AI and Microsoft Teams: A New Era of Collaboration

⁷Generative AI and collaboration: opportunities for cultivating collective intelligence