AI 활용 역량은 도구 숙련인가, 문제를 고르는 판단력인가

AI 에이전트가 몇 시간씩 작업하는 시대에 사람은 무엇을 잘해야 할까. 도구를 빠르게 다루는 능력만으로 성과를 설명할 수 있는지 생산성 실험과 고용 자료를 통해 따져봤다.

도구 사용량은 성과의 지표가 아니다

커뮤니티에서는 AI 활용을 자기 능력 파악, 수요 확인, 문제 해결, 수익화로 이어지는 과정으로 보는 의견이 나왔다. 같은 도구를 오래 써도 해결할 문제를 잘못 고르면 성과로 이어지지 않는다는 취지다. 도구 숙련과 업무 전문성은 별개의 능력으로 봐야 한다는 의견도 많았다.

실험 결과는 그 구분에 힘을 싣는다. BCG와 연구진은 컨설턴트 758명에게 서로 다른 유형의 과제를 맡겼다. GPT-4를 쓴 집단은 제품 아이디어를 만드는 과제에서 높은 성과를 냈다. 반면 복잡한 사업 문제를 푸는 과제에서는 AI를 쓰지 않은 집단보다 성과가 23% 낮았다. 같은 도구라도 어떤 문제에 투입하느냐에 따라 결과가 뒤집힌 것이다. (bcg.com)

여기서 필요한 판단은 프롬프트를 잘 쓰는 기술보다 앞선다. 고객이 원하는 결과가 무엇인지, 입력 자료가 충분한지, 틀렸을 때 누가 피해를 보는지를 정해야 한다. AI가 답을 빨리 내놓아도 이 질문들은 사라지지 않는다.

초보자의 속도를 높인 AI가 경험을 지우지는 않았다

AI가 숙련의 격차를 줄이는 장면도 있다. 미국 고객지원 상담원 5,179명을 분석한 NBER 연구에서는 AI 도구를 쓸 때 시간당 처리량이 평균 14% 늘었다. 초보·저숙련 상담원의 개선 폭은 34%였고 숙련 상담원에게 나타난 효과는 작았다. 연구진은 우수 상담원의 암묵적 지식이 도구를 통해 전달됐을 가능성을 제시했다. (nber.org)

초보자가 도움받았다는 결과를 경험이 쓸모없어졌다는 주장으로 바꿀 수는 없다. 상담 기록에서 적절한 답변을 골라내는 기준부터 숙련자의 업무에서 나왔기 때문이다. 커뮤니티에서도 오래 쌓은 맥락과 판단을 AI의 강점과 결합할 때 성과가 커진다는 전망이 제기됐다. 다만 모든 고성과자가 같은 폭의 이득을 얻는다는 증거로 읽어서는 안 된다.

BCG 실험과 상담원 연구의 결과가 다른 이유도 여기에 있다. 상담 업무의 반복 과제와 새로운 사업 문제는 필요한 판단이 다르다. AI 활용 역량은 직함이나 사용 시간보다 자신이 맡은 과제에서 도구의 유효 범위를 알아보는 능력에 가깝다. (bcg.com)

에이전트를 오래 돌릴수록 검토도 일의 일부가 된다

커뮤니티에서는 에이전트가 장시간 작업해도 사람이 진행 상황과 결과를 계속 살펴야 했다는 경험이 공유됐다. 실행 시간이 길어졌다고 인간의 주의력까지 늘어나는 것은 아니다. 작업을 위임한 뒤 어느 단계에서 멈춰 확인할지 정하는 일도 업무에 포함된다.

검토에는 실제 비용이 든다. METR은 2025년 초 숙련 오픈소스 개발자 실험에서 AI 사용 시 과제 완료 시간이 19% 길어졌다고 보고했다. 그러나 2025년 후속 실험의 원자료에는 속도 향상 징후가 나타났다. METR은 AI 없이 작업하기를 꺼리는 참가자와 과제 선택의 편향 때문에 후속 결과로 현재의 향상 폭을 확정할 수 없다고 밝혔다. ‘AI가 숙련자를 늦춘다’도 ‘이제 반드시 빠르게 한다’도 일반 법칙이 아니다. (metr.org)

결과물을 받는 동료의 시간까지 합치면 계산은 더 달라진다. BetterUp과 스탠퍼드 연구진의 미국 사무직 설문에서는 응답자의 40%가 한 달 동안 실속 없는 AI 생성 업무물을 받았다고 답했다. 자기 작업 시간만 줄이고 검증 부담을 넘기면 팀 전체의 생산성이 높아졌다고 말하기 어렵다. (betterup.com)

소규모 팀에는 ‘무엇을 맡기지 않을지’가 중요하다

개인 개발자나 작은 팀은 검토를 전담할 인력이 적다. 반복되는 초안 작성이나 자료 분류는 맡길 수 있어도 고객 약속과 납품 기준까지 같은 방식으로 위임하면 오류를 발견할 여지가 좁아진다. 작업을 나눌 때는 산출물의 양보다 오류를 확인할 근거가 남는지를 따져야 한다.

마이크로소프트의 2026년 Work Trend Index에서 AI 이용자들이 중요하다고 꼽은 인간 역량은 출력물 품질 관리(50%)와 비판적 사고(46%)였다. 응답자의 86%는 AI 출력을 최종 답이 아닌 출발점으로 다룬다고 답했다. 이용자 설문인 만큼 실제 품질을 측정한 수치는 아니지만 도구 운용을 곧바로 업무 완수로 보지 않는 태도는 분명하다. (microsoft.com)

실무에서는 의뢰받은 문제와 성공 기준을 먼저 적고 AI에 넘길 부분을 좁히는 방식으로 그 태도를 구현할 수 있다. 생성한 답에는 원자료 대조나 테스트처럼 독립적인 확인 절차가 따라야 한다. 이런 절차는 도구를 덜 쓰자는 주장이 아니다. 사람이 책임져야 할 판단에 검토 시간을 남기자는 선택이다.

전문성의 가치와 고용 불안은 동시에 커질 수 있다

커뮤니티에는 도구를 잘 쓰는 기존 숙련자들이 협업하면 성과가 커질 것이라는 기대와 대체 불안이 함께 있었다. 어느 한쪽만 사실로 단정하기 어렵다. 스탠퍼드 디지털경제연구소가 2026년 8월 갱신한 미국 급여 자료에서는 경제 전반의 광범위한 일자리 대체 증거는 없었다. 다만 AI 노출이 큰 직종의 22~25세 고용은 노출이 낮은 직종과 같은 속도로 늘었다면 도달했을 수준보다 19% 낮았다. 연구진은 경력자에게 같은 격차가 나타나지 않았다고 밝혔다. 이 결과만으로 감소분 전부를 AI 탓으로 돌릴 수는 없다. (digitaleconomy.stanford.edu)

초보자의 과제 수행이 쉬워지는 것과 초보자의 채용 기회가 넓어지는 것은 다른 문제다. 숙련자의 판단을 AI가 널리 전달하는 동안 그 판단을 처음 쌓을 자리가 줄어들 수 있다. 도구 숙련과 전문성을 구분하자는 논의는 이제 개인의 학습법을 넘어선다. AI가 처리한 결과를 누가 검증할지뿐 아니라 앞으로 그 검증을 맡을 사람은 어디서 경험을 얻을지도 남는다. (nber.org)