핵심 요약
AI는 많은 일을 자동화하지만, 그 결과 인간의 일이 단순히 줄어드는 것이 아니라 더 복잡한 판단·검토·방향 설정으로 이동한다.
AI가 잘하는 것은 이미 명확히 정의된 과거의 작업 방식이고, 인간이 필요한 곳은 지금 이 상황에서 무엇이 중요한지 정하는 일이다.
자동화의 역설: AI를 많이 쓸수록 일이 늘어난다
원문의 핵심 역설은 이렇다. AI를 적극적으로 도입한 조직일수록 인간을 덜 쓰는 것이 아니라, 오히려 더 많은 인간 판단이 필요해진다.
AI는 코드 작성, 이메일 응답, 고객지원, 글쓰기, 디자인 초안 같은 작업을 빠르게 처리한다. 하지만 결과물이 실제로 쓸 만한지 판단하고, 맥락에 맞게 고치고, 최종 결정으로 연결하는 일은 여전히 인간이 맡는다.
즉 AI는 "일을 없애는 도구"라기보다 "일의 양과 속도를 폭발시키는 도구"에 가깝다.
AI가 싸게 만드는 것은 '어제의 전문성'이다
현재의 언어모델은 인간이 남긴 결과물로 훈련된다. 코드, 글, 이미지, 고객지원 기록, 기획서 같은 것들이다.
그래서 AI가 잘하는 것은 이미 문서화되고 반복된 능력이다. 예전에는 드물었던 코딩, 썸네일 제작, 뉴스레터 초안 작성 같은 기술이 누구에게나 싸게 제공된다.
하지만 여기에는 한계가 있다. AI는 과거에 남겨진 결과물을 바탕으로 움직인다. 지금 이 고객, 이 코드베이스, 이 시장, 이 조직에서 무엇이 중요한지는 자동으로 알지 못한다.
값싼 능력은 결과물의 홍수를 만든다
AI 덕분에 더 많은 사람이 더 많은 결과물을 만든다. 운영 담당자가 코드를 제출하고, 마케터가 디자인을 만들고, 엔지니어가 글 초안을 쓴다.
이 변화는 생산량을 크게 늘린다. 하지만 생산량이 늘어난다고 해서 가치가 자동으로 늘어나는 것은 아니다.
오히려 모두가 비슷한 AI 도구를 쓰면 결과물도 비슷해진다. 글은 비슷한 톤이 되고, 디자인은 비슷한 느낌이 되며, 코드도 임시방편처럼 보일 수 있다.
'그럴듯함'이 넘치면 차별성이 귀해진다
AI 결과물의 가장 큰 문제는 단순한 오류가 아니라 sameness, 즉 눈에 띄는 획일성이다.
처음에는 AI가 만든 결과가 놀랍게 느껴진다. 하지만 시간이 지나면 사람들은 그 패턴을 알아본다. "괜찮긴 한데 특별하지 않다"는 감각이 생긴다.
그때부터 가치는 단순한 생산물이 아니라 맥락에 정확히 맞는 결과물로 이동한다. 이 회사답고, 이 고객에게 맞고, 이 상황에서 살아 있는 결과물이 중요해진다.
인간 전문가는 AI 결과물을 가치로 바꾼다
AI가 초안을 많이 만들수록 전문가의 역할은 더 중요해진다.
비전문가가 AI로 코드를 만들면 엔지니어가 검토해야 한다. 마케터가 AI로 썸네일을 만들면 디자이너가 다듬어야 한다. 엔지니어가 글을 쓰면 편집자가 구조와 메시지를 살려야 한다.
전문가는 단순히 직접 만드는 사람이 아니다. 이제는 AI가 만든 많은 시도를 평가하고, 걸러내고, 시스템화하고, 최종 품질을 책임지는 사람이다.
AI와 일하는 두 가지 방식
원문은 AI 활용 방식을 크게 두 가지로 나눈다.
첫째는 "직원형 에이전트"다. 슬랙에서 호출하거나 고객지원 시스템 안에 넣어 반복 업무를 처리하게 하는 방식이다. 예를 들어 고객 문의를 분류하고 답변하거나, 회의 내용을 정리하거나, 제안서 초안을 만든다.
둘째는 "인간-AI 협업형 작업공간"이다. Codex나 Claude Code처럼 인간과 AI가 같은 작업공간에서 계속 주고받으며 복잡한 일을 하는 방식이다. 이 경우 AI는 독립 직원이라기보다 함께 쓰는 두뇌와 손에 가깝다.
인간은 AI 작업의 앞뒤를 맡는다
복잡한 작업에서 인간은 AI 작업의 시작과 끝을 책임진다.
처음에는 무엇을 해야 하는지, 어떤 맥락이 중요한지, 어떤 기준으로 판단해야 하는지 알려준다. 끝에서는 결과물이 맞는지, 부족한 부분은 없는지, 실제 의사결정으로 연결할 수 있는지 확인한다.
원문에서는 이를 샌드위치에 비유한다. AI가 가운데 내용물이라면, 인간은 양쪽 빵이다. AI가 일을 하게 만들고, 그 일이 실제로 의미 있게 끝나도록 감싼다.
벤치마크는 능력이 아니라 '틀 안의 수행력'을 잰다
AI 성능 벤치마크는 중요하지만 조심해서 읽어야 한다.
모든 벤치마크는 문제를 특정한 방식으로 고정한다. 즉 "이 조건에서, 이 지시를 받았을 때, 이 결과를 낼 수 있는가"를 측정한다.
문제가 잘 정의되어 있으면 AI는 놀라운 성과를 낼 수 있다. 하지만 현실에서는 누가 문제를 정의할지, 무엇을 목표로 삼을지, 어떤 기준으로 성공을 판단할지가 더 어렵다.
프레임을 잘 짜는 사람이 여전히 필요하다
AI에게 일을 시키려면 프레임이 필요하다. 프레임은 문제를 어떤 관점에서 볼지 정하는 틀이다.
예를 들어 "이 코드의 오류를 하나씩 고쳐라"라고 하면 AI는 패치에 집중할 수 있다. 반대로 "구조 자체를 처음부터 재설계하라"라고 하면 완전히 다른 방식으로 접근한다.
AI의 결과는 프롬프트와 문제 설정에 크게 달라진다. 그래서 중요한 능력은 단순히 AI에게 명령하는 것이 아니라, 지금 어떤 틀로 문제를 봐야 하는지 정하는 것이다.
벤치마크가 포화되면 새로운 문제가 나타난다
AI가 특정 벤치마크에서 인간 수준에 도달하면 그 일은 싸진다. 그러면 더 많은 사람이 그 일을 시도한다.
예를 들어 AI가 코드베이스 전체를 재작성할 수 있게 되면, 수많은 조직이 "그냥 새로 만들자"고 말하기 시작한다. 하지만 그때 새로운 질문이 생긴다.
정말 재작성해야 하는가? 어디까지 바꿔야 하는가? 기존 데이터는 어떻게 할 것인가? 실패하면 어떻게 되돌릴 것인가? 누가 검토할 것인가?
AI가 한 단계의 일을 싸게 만들면, 인간 전문가는 그 위 단계의 판단으로 이동한다.
AGI가 와도 '프레임을 짜는 문제'는 남는다
원문은 강력한 AGI가 오더라도 인간의 역할이 완전히 사라진다고 보지 않는다.
AGI가 더 오래 생각하고, 더 많은 프레임을 바꾸며, 더 복잡한 목표를 수행할 수는 있다. 하지만 여전히 어떤 목표를 추구할지, 무엇을 진전으로 볼지, 어떤 문제가 지금 중요한지는 누군가 정해야 한다.
AI는 프레임 안에서 빠르게 달릴 수 있다. 그러나 프레임을 왜 선택해야 하는지, 지금 이 순간 무엇을 중시해야 하는지는 인간의 살아 있는 관심과 판단에서 나온다.
에이전트는 자율적이지만 아직 '자기 목적'은 없다
AI 에이전트는 점점 더 자율적으로 행동한다. 하지만 원문은 이것이 인간적 의미의 agency, 즉 자기 목적을 가진 행위성과는 다르다고 본다.
AI는 주어진 목표를 수행한다. 반면 어린아이는 스스로 궁금해하고, 장난치고, 실험하고, 목적을 바꾼다.
현재의 AI는 기다린다. 입력을 받고, 목표를 받고, 평가 기준을 받는다. 그래서 아무리 강력해져도 인간이 가진 욕망, 놀이, 관심, 자기 목적과는 구조적으로 다르다.
인사이트
AI 시대의 핵심 역량은 "AI보다 많이 아는 것"이 아니라 "AI가 무엇을 해야 하는지 더 잘 정하는 것"이다.
실무에서는 AI에게 바로 결과물을 요구하기보다, 먼저 문제의 맥락·성공 기준·금지할 방향·검토 방법을 정리하는 습관이 중요하다.
AI가 만든 초안은 끝이 아니라 시작이다. 앞으로 가치 있는 사람은 초안을 빨리 만드는 사람이 아니라, 많은 초안 중 무엇이 살아 있는 결과물인지 알아보고 완성시키는 사람이다.
Source : After Automation | Every
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.