앞으로 3년, AI를 쓰는 사람의 생존 전략

3년 뒤에도 남는 사람은 무엇이 다를까

앞으로 3년은 AI 활용에서 가장 혼란스러운 시기가 될 가능성이 큽니다. 어떤 사람은 "이제 내 일이 사라지는 것 아니냐"고 불안해하고, 어떤 사람은 "AI만 잘 쓰면 혼자서도 팀처럼 일할 수 있다"고 기대합니다. 둘 다 어느 정도 맞습니다. 다만 중요한 것은 직업 전체가 한순간에 사라지느냐가 아니라, 직업 안에 들어 있던 여러 작업들이 빠르게 재배치된다는 점입니다.

예전에는 "글을 쓰는 사람", "자료를 조사하는 사람", "보고서를 만드는 사람", "엑셀을 다루는 사람", "간단한 코드를 짜는 사람"이 각자 다른 역할처럼 보였습니다. 하지만 AI 에이전트가 웹을 탐색하고, 자료를 모으고, 스프레드시트를 만들고, 문서를 작성하고, 필요한 경우 브라우저나 도구까지 조작하기 시작하면 이야기가 달라집니다. OpenAI는 ChatGPT agent를 소개하며 AI가 자체 컴퓨터 환경과 여러 도구를 사용해 복잡한 작업을 처음부터 끝까지 수행할 수 있다고 설명했습니다.¹ ChatGPT의 에이전트 기능 소개 역시 리서치, 분석, 스프레드시트 작성, 여행 계획 같은 바쁜 작업을 처리한다고 강조합니다.²

그렇다면 인간에게 남는 것은 무엇일까요? 이 질문에 답하려면 먼저 "AI가 잘하는 일"과 "AI가 할 수는 있지만 사람이 끝까지 책임져야 하는 일"을 구분해야 합니다. 생존 전략은 거창한 미래 예측에서 나오지 않습니다. 오늘 내 업무를 작업 단위로 쪼개고, 무엇을 맡기고 무엇을 붙잡아야 하는지 판단하는 데서 시작됩니다.

자동화 압력이 커지는 업무: 반복적 지식 노동

AI가 먼저 파고드는 영역은 단순 반복 노동만이 아닙니다. 앞으로 자동화 압력이 가장 강하게 걸리는 일은 '반복적 지식 노동'입니다. 여기서 반복적이라는 말은 매번 완전히 같다는 뜻이 아닙니다. 매번 주제와 자료는 조금씩 다르지만, 진행 순서와 판단 기준이 어느 정도 정해져 있는 일을 말합니다.

예를 들어 시장 조사를 생각해 봅시다. 사람이 하던 방식은 대체로 비슷했습니다. 검색하고, 여러 페이지를 열고, 자료를 복사하고, 표로 정리하고, 핵심 내용을 요약하고, 보고서 초안을 만듭니다. 예전 AI는 이 중에서 "요약"이나 "초안 작성" 정도를 도와주는 수준이었습니다. 하지만 에이전트형 AI는 검색, 웹 탐색, 자료 수집, 표 작성, 문서화까지 하나의 흐름으로 처리하려고 합니다. Gemini Agent도 웹 브라우징, Deep Research, Google 앱 연동을 결합해 복잡한 다단계 작업을 계획하고 실행하는 방향으로 설계되어 있습니다.³

자동화 압력이 큰 업무는 대체로 이런 특징을 가집니다.

• 입력 자료가 비교적 명확하고, 결과물 형식이 정해져 있다.

• 매번 비슷한 순서로 진행되며, 예외 상황이 많지 않다.

• 사람이 최종 판단하기 전에 초안이나 정리본을 만드는 일이 중요하다.

• 실수하더라도 검토 단계에서 바로잡을 수 있는 여지가 있다.

• 많은 시간을 쓰지만, 깊은 책임 판단보다는 처리량이 중요한 경우가 많다.

이 기준으로 보면 자동화 대상은 생각보다 넓습니다. 이메일 초안 작성, 회의록 정리, 뉴스 모니터링, 경쟁사 가격 조사, 고객 피드백 분류, 보고서 초안, 스프레드시트 정리, PDF 요약, 채용 공고 비교, 간단한 웹페이지 제작, 반복 코딩, 일정 후보 정리까지 모두 포함됩니다. 이전에는 "사람이 해야 하는 사무 업무"로 묶였던 일들이 이제는 "AI가 먼저 처리하고 사람이 검수하는 업무"로 바뀌고 있습니다.

여기서 중요한 변화는 속도입니다. 과거에는 한 명이 하루 종일 해야 했던 자료 정리 작업을 AI가 몇 분 안에 초안으로 만들 수 있습니다. 품질이 완벽하지 않더라도, 출발점이 달라집니다. 빈 문서를 열고 고민하는 사람과 AI가 만든 70점짜리 초안을 들고 검토를 시작하는 사람은 같은 시간을 보내도 전혀 다른 결과를 냅니다.

사라지는 것은 직업명이 아니라 작업 묶음이다

"AI 때문에 어떤 직업이 사라질까?"라는 질문은 너무 큽니다. 더 정확한 질문은 "내 직업 안에서 어떤 작업이 먼저 자동화될까?"입니다. 직업은 여러 작업의 묶음입니다. 마케터는 카피를 쓰고, 데이터를 보고, 고객을 이해하고, 캠페인을 설계하고, 내부를 설득합니다. 기획자는 자료를 찾고, 문제를 정의하고, 문서를 만들고, 회의에서 조율합니다. 교사는 수업 자료를 만들고, 학생을 관찰하고, 피드백을 주고, 학습 분위기를 만듭니다.

이 중 AI가 먼저 대체하는 것은 작업의 겉부분입니다. 글의 초안, 표의 정리, 검색 결과의 요약, 발표 자료의 뼈대, 코드의 반복 구조처럼 "형태를 만드는 일"이 빠르게 자동화됩니다. 반면 왜 이 일을 해야 하는지, 누구를 설득해야 하는지, 어떤 표현이 조직 정치상 위험한지, 이 결정이 가져올 책임은 무엇인지 판단하는 일은 쉽게 사라지지 않습니다.

따라서 앞으로 강한 사람은 "내 직업은 안전한가?"라고 묻는 사람이 아니라 "내 업무 중 AI에게 넘길 작업은 무엇이고, 내가 더 강해져야 할 작업은 무엇인가?"라고 묻는 사람입니다. 이 질문을 던지는 순간 불안은 운영 계획으로 바뀝니다.

다음 표처럼 나누어 볼 수 있습니다.

AI 시대의 생존은 "나는 어떤 직업인가"보다 "나는 어떤 판단을 하는 사람인가"에 달려 있습니다.

더 강해지는 업무: 방향과 기준을 정하는 일

AI가 산출물을 빠르게 만들수록 오히려 더 중요해지는 일이 있습니다. 바로 방향을 정하는 일입니다. AI에게 "우리 회사 소개 자료 만들어줘"라고 말하면 그럴듯한 문서가 나올 수 있습니다. 하지만 그 자료가 투자자를 위한 것인지, 신규 입사자를 위한 것인지, 고객사를 위한 것인지에 따라 완전히 달라져야 합니다. 같은 회사 소개라도 목적이 다르면 강조점도, 톤도, 숫자의 선택도 달라집니다.

문제 정의는 AI 시대의 핵심 역량입니다. 문제를 잘못 정의하면 AI는 빠르게 엉뚱한 결과물을 만들어 냅니다. 속도가 빠르기 때문에 오히려 잘못된 방향으로 더 멀리 갈 수도 있습니다. "매출을 늘릴 방법을 찾아줘"보다 "최근 3개월 동안 재구매율이 떨어진 원인을 고객 행동 데이터와 VOC를 바탕으로 가설 5개로 정리해줘"가 훨씬 강한 지시입니다. 전자는 막연한 바람이고, 후자는 업무입니다.

목표 설정도 중요해집니다. AI는 사용자가 무엇을 중요하게 생각하는지 모르면 평균적인 답을 냅니다. 평균적인 답은 안전해 보이지만, 경쟁력이 되기 어렵습니다. 어떤 조직은 속도를 우선하고, 어떤 조직은 리스크를 우선합니다. 어떤 글은 친근해야 하고, 어떤 문서는 단호해야 합니다. 어떤 보고서는 숫자가 핵심이고, 어떤 제안서는 상대의 불안을 줄이는 것이 핵심입니다. 이 기준은 AI가 스스로 알 수 없습니다. 사람이 정해야 합니다.

이해관계자 설득 역시 사람의 몫입니다. AI가 멋진 전략안을 만들어도 그것을 실행하려면 누군가의 예산, 시간, 협조, 신뢰가 필요합니다. 실무에서 좋은 답은 논리적으로 맞는 답이 아니라 실행될 수 있는 답입니다. 누가 반대할지, 어떤 표현이 방어적으로 들릴지, 어느 정도의 타협이 필요한지 아는 능력은 조직 안에서 경험을 통해 길러집니다.

예외 판단도 강해지는 업무입니다. 규칙적인 일은 자동화하기 쉽지만, 현실은 늘 예외를 만듭니다. VIP 고객의 불만, 법적 리스크가 있는 문구, 내부 정치가 얽힌 보고서, 민감한 개인정보가 포함된 파일, 숫자가 이상하게 튀는 데이터는 단순 처리 대상이 아닙니다. 이런 순간에는 "AI가 이렇게 말했으니 그대로 하자"가 아니라 "이 상황에서 책임 있는 선택은 무엇인가"를 물어야 합니다.

프롬프트 엔지니어링 이후의 능력

한때 AI를 잘 쓰는 능력은 프롬프트를 잘 쓰는 능력처럼 보였습니다. 물론 명확한 지시는 여전히 중요합니다. Claude의 공식 문서도 명확한 지시, 예시, 구조화, 프롬프트 체이닝 같은 기법을 중요한 프롬프트 작성 원칙으로 다룹니다.⁴ 하지만 앞으로의 경쟁력은 '멋진 한 줄 프롬프트'에서 끝나지 않습니다. 프롬프트는 출발점일 뿐입니다.

프롬프트 이후의 핵심 역량은 네 가지로 정리할 수 있습니다.

첫째는 설계력입니다. 큰 업무를 작은 단계로 쪼개는 능력입니다. "경쟁사 분석 보고서 작성"이라는 요청은 너무 큽니다. 이를 "경쟁사 목록 확정 → 공식 웹사이트와 최근 뉴스 수집 → 가격·기능·고객군 비교 → 차별점 도출 → 우리 제품에 주는 시사점 작성 → 보고서 형식 정리"로 나누면 AI가 훨씬 안정적으로 일합니다. 설계력은 AI에게 일을 시키는 능력이 아니라, 일을 이해하는 능력에서 나옵니다.

둘째는 라우팅 능력입니다. 라우팅은 일을 어디로 보낼지 정하는 능력입니다. 어떤 작업은 ChatGPT가 편하고, 어떤 작업은 Claude가 긴 문서 정리에 강하며, 어떤 작업은 Gemini가 Google 생태계와 연결될 때 유리할 수 있습니다. 때로는 AI 챗봇보다 스프레드시트 함수가 낫고, 때로는 자동화 도구가 낫고, 때로는 사람에게 바로 물어보는 것이 가장 빠릅니다. 앞으로는 하나의 모델만 잘 쓰는 사람이 아니라, 작업 성격에 따라 모델·도구·에이전트·자동화 플랫폼을 조합하는 사람이 강해집니다.

셋째는 평가 능력입니다. AI가 만든 결과물을 보고 "괜찮아 보이네"에서 멈추면 위험합니다. 좋은 결과의 기준을 갖고 있어야 합니다. 숫자가 맞는지, 출처가 믿을 만한지, 논리의 비약은 없는지, 누락된 이해관계자는 없는지, 문서 형식은 목적에 맞는지 확인해야 합니다. AI가 초안을 빠르게 만들수록 사람의 검수 기준은 더 날카로워져야 합니다.

넷째는 워크플로화 능력입니다. 한 번 잘한 일을 다음에도 반복할 수 있게 만드는 능력입니다. 매번 프롬프트를 새로 쓰는 사람과, 자주 하는 일을 템플릿·체크리스트·자동화 흐름으로 만들어 두는 사람의 생산성은 시간이 갈수록 벌어집니다. 최근에는 에이전트 스킬처럼 특정 작업 지식과 절차를 재사용 가능한 형태로 묶는 흐름도 커지고 있으며, 공개 저장소 기반의 스킬 마켓플레이스까지 등장하고 있습니다.⁵ 핵심은 AI에게 "이번 한 번 잘해줘"라고 부탁하는 것이 아니라 "앞으로 이 일은 이 방식으로 처리하자"고 업무 방식을 구축하는 것입니다.

AI를 부하직원처럼 다룬다는 말의 진짜 의미

"AI를 부하직원처럼 다루라"는 말을 오해하면 안 됩니다. 이것은 AI에게 일을 통째로 던져 놓고 결과가 나오기만 기다리라는 뜻이 아닙니다. 좋은 관리자는 부하직원에게 "알아서 해"라고만 말하지 않습니다. 목표를 설명하고, 제약조건을 알려주고, 중간 결과를 확인하고, 피드백을 주고, 최종 결과의 책임을 집니다.

AI도 마찬가지입니다. 일을 맡길 때는 목표와 배경을 먼저 알려야 합니다. "보고서 써줘"가 아니라 "임원 회의에서 신규 서비스 진입 여부를 판단하기 위한 5쪽짜리 보고서 초안을 만들어줘. 핵심은 시장 규모보다 진입 리스크와 초기 검증 방법이야"라고 말해야 합니다. 그러면 AI는 산출물의 목적을 이해하고 더 적절한 선택을 합니다.

중간 산출물을 확인하는 습관도 필요합니다. 긴 작업일수록 한 번에 끝내려 하면 실패 확률이 높아집니다. 리서치 방향이 맞는지, 표의 기준이 적절한지, 글의 톤이 맞는지 중간에 확인해야 합니다. AI가 방향을 잘못 잡았는데 마지막에야 발견하면, 빠른 도구가 아니라 빠른 낭비가 됩니다.

피드백은 구체적이어야 합니다. "별로야"보다 "표현이 너무 홍보 문구 같아. 투자자 보고서처럼 차분하게 바꾸고, 근거 숫자를 문장마다 붙여줘"가 좋습니다. "더 전문적으로"보다 "업계 용어는 유지하되, 비전문가 임원도 이해할 수 있게 첫 등장 용어에는 짧은 설명을 붙여줘"가 낫습니다. AI는 사용자의 취향과 기준을 피드백을 통해 배웁니다.

마지막으로 검수는 사람의 일입니다. 사실성, 형식, 실행 가능성, 보안, 저작권, 윤리 리스크는 반드시 사람이 확인해야 합니다. Gemini Agent 소개에서도 사용자가 언제든 중단하거나 통제권을 가져갈 수 있고, 이메일 발송이나 구매 같은 중요한 행동 전에는 확인을 받도록 설계되어 있다고 설명합니다.³ 이 원칙은 모든 AI 업무에 적용됩니다. AI는 실행 속도를 높여주지만, 책임을 대신 져주지는 않습니다.

멀티모델·멀티에이전트 시대의 일하는 방식

앞으로는 "나는 ChatGPT만 쓴다"거나 "나는 Claude만 쓴다"는 식의 접근이 점점 좁아질 수 있습니다. 실제 업무는 글쓰기, 분석, 리서치, 문서화, 코딩, 자동화가 섞여 있습니다. 하나의 모델이 모든 상황에서 항상 최고일 필요는 없습니다. 중요한 것은 작업에 맞는 조합을 찾는 능력입니다.

예를 들어 신제품 출시 전략을 준비한다고 해봅시다. 먼저 웹 리서치에 강한 도구로 시장 자료와 경쟁사 뉴스를 모읍니다. 긴 보고서와 인터뷰 자료는 긴 문맥 처리에 강한 모델로 요약합니다. 메시지와 카피 후보는 글쓰기 감각이 좋은 모델에 맡깁니다. 숫자 분석은 스프레드시트나 코드 실행 환경으로 검증합니다. 최종 문서는 사람이 읽으며 의사결정 기준에 맞게 다듬습니다.

이 방식은 마치 작은 AI 팀을 운영하는 것과 같습니다. 한 명의 만능 비서가 아니라, 여러 도구와 모델을 필요한 순간에 배치하는 운영자에 가까워집니다. 그래서 앞으로의 AI 활용 능력은 "질문을 잘 던지는 능력"에서 "일의 흐름을 지휘하는 능력"으로 이동합니다.

이때 중요한 것은 도구 욕심이 아닙니다. 새로운 모델이 나올 때마다 모두 따라가려 하면 금방 지칩니다. 대신 내 업무를 기준으로 몇 가지 대표 흐름을 정해두면 됩니다. 리서치 흐름, 글쓰기 흐름, 회의 후속 조치 흐름, 데이터 분석 흐름, 반복 보고서 흐름처럼 자주 쓰는 업무를 중심으로 모델과 도구를 배치합니다. 도구는 많을수록 좋은 것이 아니라, 업무 흐름 안에서 제 역할을 할 때 좋습니다.

AI 시대의 개인 생존 전략

개인에게 필요한 전략은 단순합니다. 내 일을 지키려 하기보다 내 일의 수준을 올려야 합니다. AI가 할 수 있는 일을 붙잡고 버티는 것은 오래가기 어렵습니다. 대신 AI가 만든 초안을 더 좋은 판단과 실행으로 바꾸는 사람이 되어야 합니다.

먼저 자신의 업무를 기록해 보세요. 일주일 동안 한 일을 적고, 그중 반복되는 작업을 표시합니다. 그다음 각 작업을 AI에게 맡길 수 있는 부분과 사람이 해야 하는 부분으로 나눕니다. 이 작은 분류가 AI 시대의 직무 재설계입니다.

그다음에는 나만의 기준을 만들어야 합니다. 좋은 보고서란 무엇인지, 좋은 이메일이란 무엇인지, 좋은 분석이란 무엇인지, 우리 조직에서 통과되는 제안서는 어떤 구조를 갖는지 정리합니다. AI는 기준이 있을 때 훨씬 강해집니다. 기준이 없는 사람은 AI의 결과에 끌려가고, 기준이 있는 사람은 AI의 결과를 편집합니다.

마지막으로 작은 자동화를 꾸준히 쌓아야 합니다. 거창한 시스템을 만들 필요는 없습니다. 매주 쓰는 보고서 템플릿, 자주 하는 리서치 프롬프트, 회의록 정리 양식, 고객 문의 분류 기준, 콘텐츠 아이디어 생성 흐름처럼 작은 단위부터 시작하면 됩니다. 시간이 지나면 이것이 개인 생산성 시스템이 됩니다.

개인이 점검해야 할 질문은 다음과 같습니다.

• 나는 내 업무를 작업 단위로 설명할 수 있는가?

• 반복 업무 중 AI에게 초안을 맡길 수 있는 것은 무엇인가?

• 내가 최종 판단해야 하는 기준은 문서화되어 있는가?

• AI 결과물을 검증하는 체크리스트가 있는가?

• 자주 하는 일을 템플릿이나 자동화 흐름으로 바꾸고 있는가?

• 보안, 개인정보, 저작권 문제가 생길 수 있는 입력을 구분하고 있는가?

이 질문에 답할 수 있다면 AI를 쓰는 수준이 아니라 AI와 함께 일하는 수준으로 올라서고 있는 것입니다.

조직의 생존 전략: AI 도입보다 업무 재설계

조직도 마찬가지입니다. AI 도구를 많이 구매한다고 자동으로 경쟁력이 생기지 않습니다. 오히려 업무 흐름이 정리되지 않은 상태에서 도구만 늘어나면 혼란이 커집니다. 어떤 팀은 ChatGPT로 같은 문서를 만들고, 다른 팀은 Claude로 다시 요약하고, 또 다른 팀은 Gemini로 다시 정리하는 식의 중복이 생길 수 있습니다.

조직은 먼저 업무별 AI 적용 지도를 만들어야 합니다. 어떤 업무는 자동화하고, 어떤 업무는 초안 생성까지만 맡기고, 어떤 업무는 보조적으로만 써야 하는지 구분해야 합니다. 특히 법률, 금융, 의료, 인사, 보안처럼 판단 책임이 큰 영역은 AI 활용 기준이 더 명확해야 합니다.

또한 조직은 "AI 사용 금지"와 "무제한 허용" 사이의 현실적인 규칙을 만들어야 합니다. 민감한 고객 정보는 어디까지 입력할 수 있는지, 내부 문서는 어떤 도구에 넣을 수 있는지, AI가 만든 자료의 출처 표기는 어떻게 할지, 외부 배포 전 검수 책임자는 누구인지 정해야 합니다. AI 시대의 조직 경쟁력은 속도와 통제의 균형에서 나옵니다.

교육도 프롬프트 강의에서 끝나면 안 됩니다. 직원들은 좋은 지시문뿐 아니라 업무 분해, 검증, 자동화, 보안 판단을 배워야 합니다. 팀장은 AI를 잘 쓰는 개인을 넘어 AI가 들어간 업무 흐름을 관리할 수 있어야 합니다. 앞으로의 리더십은 사람만 관리하는 것이 아니라 사람과 AI가 함께 일하는 시스템을 관리하는 능력으로 확장됩니다.

결국 중요한 것은 판단력이다

이 책의 처음으로 돌아가 봅시다. 우리는 AI를 질문에 답하는 도구가 아니라 일을 맡길 수 있는 실행 파트너로 보아야 한다고 말했습니다. 하지만 실행 파트너가 생겼다고 해서 인간의 역할이 작아지는 것은 아닙니다. 역할이 바뀝니다. 직접 손으로 만드는 시간은 줄어들고, 무엇을 만들지 정하고, 왜 만들어야 하는지 설명하고, 결과가 맞는지 검증하고, 실제 세계에서 책임지는 시간이 늘어납니다.

AI가 만든 답을 빠르게 받아쓰는 사람은 당장은 빨라 보일 수 있습니다. 그러나 출처를 확인하지 않고, 숫자를 검증하지 않고, 보안과 저작권을 생각하지 않고, 상황과 사람을 고려하지 않는다면 그 속도는 언젠가 리스크가 됩니다. 반대로 AI를 활용하되 최종 판단을 놓치지 않는 사람은 더 강해집니다. 그는 초안을 빨리 얻고, 대안을 많이 보고, 반복 작업을 줄이면서도 결정의 책임을 스스로 집니다.

앞으로 3년의 생존 전략은 한 문장으로 정리할 수 있습니다.

AI가 할 수 있는 일은 과감히 맡기고, AI가 책임질 수 없는 일에서 더 강해져라.

AI는 자료를 모을 수 있습니다. 하지만 무엇이 중요한 자료인지는 사람이 판단해야 합니다. AI는 보고서를 쓸 수 있습니다. 하지만 그 보고서로 어떤 결정을 내릴지는 사람이 정해야 합니다. AI는 이메일을 보낼 수 있습니다. 하지만 그 말이 상대에게 어떤 의미로 받아들여질지는 사람이 살펴야 합니다. AI는 자동화를 실행할 수 있습니다. 하지만 자동화가 잘못되었을 때 책임지는 사람은 여전히 인간입니다.

결국 AI 시대의 경쟁력은 AI보다 더 많은 정보를 아는 데 있지 않습니다. AI가 만든 정보를 맥락 속에서 해석하고, 사람과 조직의 현실에 맞게 조정하고, 책임 있게 실행하는 데 있습니다. 앞으로의 일터에서 가장 강한 사람은 AI를 두려워하지 않는 사람도, AI를 맹신하는 사람도 아닙니다. AI에게 일을 맡길 줄 알지만, 마지막 판단은 자기 이름으로 할 수 있는 사람입니다.

그 사람이 앞으로의 3년을 버팁니다. 그리고 아마 그다음 10년도 가장 먼저 기회를 잡을 것입니다.

참고

¹Introducing ChatGPT agent: bridging research and action

²ChatGPT Agent

³Gemini Agent - AI automation for daily tasks & multi-step work

⁴Prompt engineering overview - Claude API Docs

⁵Agent Skills Marketplace - Claude, Codex & ChatGPT Skills