After Automation

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

AI 자동화는 인간의 일을 없애기보다, 반복 가능한 역량을 값싸게 만들면서 더 높은 수준의 인간 판단·관리·차별화 작업을 늘린다는 주장이다.

📌 핵심 요약

Every는 코딩, 글쓰기, 디자인, 고객지원 등 가능한 영역을 적극 자동화하고 최신 모델을 선제적으로 테스트하지만, 인간 직원의 일이 줄어들기보다 오히려 더 많아졌다고 말한다.
AI가 이메일 응답, 고객지원, 초안 작성, 코드 작성 등 많은 일을 처리해도 인간은 방향 설정, 품질 검토, 오류 포착, 실제 의사결정 연결을 계속 맡아야 한다.
저자는 AI 업계와 초기 도입자들이 공통적으로 경험하는 역설을 제시한다. 모델 성능 지표는 급상승하고 고숙련 사무직 자동화 우려도 커지지만, 현장에서는 자동화가 더 많은 전문 인간 작업을 만든다는 것이다.
Every 내부 사례에서 에이전트는 Slack에서 동료처럼 호출되는 형태와 고객지원처럼 제품 워크플로에 내장되는 형태로 나뉘며, 두 경우 모두 안정적이고 반복적인 업무를 처리하지만 복잡한 업무에는 인간과의 협업이 필요하다.
핵심 논지는 AI가 명시화되어 학습 가능한 과거 인간 역량의 잔여물을 상품화한다는 점이다. 그 결과 기본적인 산출물의 가치는 낮아지고, 남들과 다른 판단·맥락·취향·전문성이 더 중요해진다.

🧩 주요 포인트

Every는 코딩, 글쓰기, 디자인, 고객지원 등 가능한 영역을 적극 자동화하고 최신 모델을 선제적으로 테스트하지만, 인간 직원의 일이 줄어들기보다 오히려 더 많아졌다고 말한다.
AI가 이메일 응답, 고객지원, 초안 작성, 코드 작성 등 많은 일을 처리해도 인간은 방향 설정, 품질 검토, 오류 포착, 실제 의사결정 연결을 계속 맡아야 한다.
저자는 AI 업계와 초기 도입자들이 공통적으로 경험하는 역설을 제시한다. 모델 성능 지표는 급상승하고 고숙련 사무직 자동화 우려도 커지지만, 현장에서는 자동화가 더 많은 전문 인간 작업을 만든다는 것이다.
Every 내부 사례에서 에이전트는 Slack에서 동료처럼 호출되는 형태와 고객지원처럼 제품 워크플로에 내장되는 형태로 나뉘며, 두 경우 모두 안정적이고 반복적인 업무를 처리하지만 복잡한 업무에는 인간과의 협업이 필요하다.
핵심 논지는 AI가 명시화되어 학습 가능한 과거 인간 역량의 잔여물을 상품화한다는 점이다. 그 결과 기본적인 산출물의 가치는 낮아지고, 남들과 다른 판단·맥락·취향·전문성이 더 중요해진다.

🧠 상세 정리

1. 자동화가 늘었지만 인간 일도 늘어난 역설

글은 AI의 핵심 역설에서 출발한다. Every는 Codex와 Claude Code를 코딩, 글쓰기, 디자인, 고객서비스 등 여러 업무에 활용하고, OpenAI·Anthropic·Google의 새 모델을 출시 전부터 테스트할 만큼 자동화를 적극적으로 받아들인다. 그런데도 회사는 직원을 에이전트로 대체하지 않았고, SaaS 제품을 모두 버리거나 고객지원·글쓰기·편집·엔지니어링 인력을 없애지도 않았다. 저자는 이 상황을 두고 미래가 낯설면서도 익숙하다고 표현한다. 일하는 방식은 완전히 달라졌지만, 인간이 해야 할 판단과 책임은 사라지지 않았다는 점이 글의 출발점이다.

2. 업무 방식은 바뀌었지만 인간의 역할은 남았다

Every의 실제 업무 모습은 과거와 크게 다르다. 코드를 손으로 직접 쓰지 않는 경우가 많고, Slack에서 누군가를 멘션했을 때 상대가 사람인지 에이전트인지 구분하기 어려운 상황도 생긴다. 관리자도 개인 기여자처럼 코드를 커밋하고, 엔지니어는 고객과 직접 대화한다. 저자의 업무 이메일 중 95%는 최근 몇 주 동안 AI가 응답했으며, 덕분에 거의 항상 인박스 제로 상태를 유지한다고 말한다. 하지만 그는 여전히 이메일을 검토한다. 자동화가 실행을 대신하더라도, 최종 확인과 맥락 판단은 인간에게 남아 있다는 사례다.

3. AI가 일자리를 위협한다는 널리 퍼진 불안

저자는 많은 CEO, 지식노동자, 투자자들이 AI를 일자리와 경제, 안전, 인간적 의미에 대한 위협으로 본다고 설명한다. Anthropic의 Dario Amodei는 AI가 초급 화이트칼라 일자리의 절반까지 없앨 수 있다고 경고했고, Meta의 대규모 감원과 직원 컴퓨터 활동 데이터 수집 사례도 언급된다. Citadel의 Ken Griffin 역시 자동화되는 일이 중간급 사무직이 아니라 매우 고숙련 업무라는 점에 놀라움을 드러냈다고 소개된다. 이런 발언들은 AI가 단순 반복 작업을 넘어 고급 지식노동까지 잠식할 수 있다는 공포를 강화한다.

4. 급상승하는 벤치마크와 임박한 전환점에 대한 의문

글은 AI 성능 지표가 이런 불안을 뒷받침하는 것처럼 보인다고 설명한다. 대학원 수준 추론을 평가하는 Humanity’s Last Exam에서 상위 모델은 1년 전 한 자릿수 초반 점수에서 약 44%까지 올라갔다. 실제 경제 업무 수행 능력을 인간과 비교하는 GDPval에서도 프런티어 모델은 비슷한 낮은 수준에서 약 85%까지 상승했다. METR의 초기 Claude Mythos 결과에서는 인간 전문가가 약 4시간 걸릴 과제에서 80% 성공률을 보였다고 소개된다. 그래서 업계 안팎에서는 다음 모델이 모두를 대체하는 전환점이 될지 묻지만, 저자는 그런 식의 단절적 전환은 오지 않는다고 주장한다.

5. 저자의 핵심 주장: 자동화할수록 전문 인간 작업이 늘어난다

저자는 일자리가 어느 순간 갑자기 사라지는 전환점은 없으며, 오히려 더 많이 자동화할수록 더 많은 전문 인간 작업이 생긴다고 말한다. 그 이유는 AI가 인간 전문성의 잔여물, 즉 훈련 데이터로 만들 수 있을 만큼 명시화된 결과물을 상품화하기 때문이다. 코드, 글, 이미지, 고객지원 티켓, 제품 명세처럼 과거에 성공적으로 수행된 작업의 흔적은 모델에 흡수되어 값싸게 제공된다. 그러면 기본 모델 산출물의 가치는 낮아지고, 남들과 다른 결과를 만들어내는 능력에 대한 수요가 생긴다. 이 차별화에 대한 수요가 바로 인간 전문가에 대한 수요로 이어진다는 것이 글의 중심 논리다.

6. Every가 초기 도입자 실험실이 된 과정

저자는 Every가 2022년부터 에이전트와 미래의 일을 다뤄왔으며, 회사 자체가 초기 도입자 실험실처럼 기능했다고 설명한다. 3년 전 그는 AI 도구와 일하는 방식이 결국 인간 관리자 업무와 비슷해질 것이라는 ‘allocation economy’를 쓴 바 있다. 이후 2025년 중반 Every는 Claude Code를 강하게 도입했고, Cora의 총괄인 Kieran Klaassen은 손으로 코드를 쓰는 대신 터미널에서 코딩 에이전트에게 자연어 지시를 내리며 하루를 보내게 되었다. 이 방식은 조직 전체로 빠르게 퍼졌다. 저자는 Every가 먼저 겪은 업무 패턴이 기술 성숙과 도구 사용성 개선을 거쳐 더 넓은 시장에 나타난다고 본다.

7. 에이전트와 일하는 두 가지 방식

글은 AI와 일하는 방식이 크게 두 가지로 정착되고 있다고 설명한다. 첫 번째는 담론에서 예측해온 ‘직원으로서의 에이전트’다. Slack에 상주하며 이름과 역할을 가지고 호출되는 에이전트나, 고객지원처럼 반복 업무를 처리하는 워크플로 안에 내장된 에이전트가 여기에 속한다. 두 번째는 더 낯설고 저자에게는 더 중요한 방식인 인간-에이전트 협업이다. Codex, Claude Code, Claude Cowork 같은 도구 안에서 인간과 여러 에이전트가 같은 컴퓨터와 작업공간을 공유하며 복잡하고 독창적인 일을 함께 수행한다. 두 방식 모두 자동화와 위임을 가능하게 하지만, 잘 작동하려면 인간이 필요하다는 점은 같다.

8. 동료 에이전트와 내장형 에이전트의 실제 사례

Every의 동료 에이전트 사례로는 Claudie, Andy, Viktor가 제시된다. Claudie는 컨설팅 팀의 에이전트로 영업 제안서 작성, 교육 자료 초안 작성, 프로젝트 할 일 추적 등을 맡는다. Andy는 편집팀 에이전트로 내부 Slack에서 좋은 기사 아이디어를 모아 다이제스트와 1차 관점을 만들고, Viktor는 성장 지표 수집, 사용자 설문 분석, 내부 논의 정리를 통한 리서치 메모와 제품 추천 작성에 쓰인다. 내장형 에이전트의 예로는 고객지원 플랫폼 안의 Fin이 소개된다. Fin은 5월 어느 주에 202개의 지원 대화 중 65%에 참여했고, 전체 실행 가능한 대화의 40.1%에 해당하는 81건을 인간 없이 종결했다.

9. 복잡한 일에는 인간-에이전트 협업이 필요하다

저자는 에이전트가 안정적이고 반복 가능하며 잘 정의된 업무 층을 맡을 수 있다고 말한다. 그러나 복잡한 과제에서 좋은 결과를 얻으려면 AI와 인간이 같은 작업공간에서 계속 주고받아야 한다는 경험을 반복적으로 확인했다고 설명한다. Codex, Claude Code, Cowork 같은 도구는 여러 채팅 스레드에 에이전트를 띄워 일을 맡기고, 에이전트가 컴퓨터와 데이터에 접근해 작업하는 과정을 사람이 볼 수 있게 한다. 인간은 작업의 시작과 끝에서 방향을 잡고, 결과가 제대로 되었는지 확인하며, 다음에 해야 할 일을 찾아야 한다. Kieran은 이를 AI 작업의 양끝에 인간이 있는 ‘샌드위치’라고 부른다.

10. 지식노동의 새 운영체제와 인간 관리의 필연성

글은 Codex와 Claude Code가 단순한 작업 위임 도구를 넘어 지식노동의 새 운영체제가 되고 있다고 본다. 저자는 거의 하루 종일 Codex 안에서 SaaS 도구를 브라우저로 실행하며, 글쓰기와 이메일 처리도 그 안에서 수행한다고 말한다. 이 글도 Codex의 인앱 브라우저에서 작성했고, 필요할 때 문단 초안, 사례 조사, 카피 편집을 위해 하위 에이전트를 띄울 수 있었다. 하지만 모든 사례에서 인간은 에이전트를 올바른 대상으로 향하게 하고, 산출물이 좋은지 판단하며, 오류를 찾아내고, 결과를 현실의 결정이나 프로세스로 바꿔야 한다. 개인별 에이전트가 쉽게 낡아버린 경험과, 24개 스킬·18개 스크립트·62달러 토큰 비용이 드는 PowerPoint 자동화 사례는 에이전트 유지관리 자체가 새로운 인간 업무가 된다는 점을 보여준다.

🧾 핵심 주장 / 시사점

AI 도입의 핵심 변화는 ‘인간 제거’보다 ‘인간 업무의 재배치’에 가깝다. 반복적 실행은 에이전트가 맡지만, 문제 정의·품질 판단·맥락 연결·시스템 유지보수는 더 중요해진다.
모델 성능이 높아질수록 기본 산출물은 흔해지고 비슷해질 가능성이 크다. 따라서 조직과 개인의 경쟁력은 AI를 쓰는 능력 자체보다, AI가 만든 평균적 결과를 넘어서는 차별화된 판단과 편집 능력에서 나온다.
에이전트를 직원처럼 도입하는 것만으로는 충분하지 않다. 좋은 결과를 내려면 에이전트를 지속적으로 관리하고 개선하는 사람, 그리고 복잡한 작업에서 AI와 같은 작업공간을 공유하며 방향을 잡는 사람이 필요하다.

✅ 액션 아이템

조직에서 이미 자동화된 업무와 자동화 이후 새로 생긴 검토·조율·품질관리 업무를 구분해 AI가 실제로 줄인 일과 늘린 일을 함께 기록한다.
Codex, Claude Code, 글쓰기·디자인·고객지원 에이전트 사용 후 사람이 맡는 역할이 실행자에서 reviewer, editor, context provider, escalation owner로 이동했는지 점검한다.
에이전트를 Slack이나 업무 시스템에 배치할 때 사람과 에이전트의 책임 경계, 응답 품질, 승인 필요 업무, 실패 시 복구 절차를 명확히 정한다.