🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

고든 리터는 AI가 일자리를 얼마나 대체할지보다 기업 내부의 인간 판단과 업무 흔적을 어떻게 포착해 학습 루프로 만들지가 경쟁우위를 가른다고 주장한다.

📌 핵심 요약

• 글은 AI가 화이트칼라 일자리를 대규모로 대체할 것이라는 경고에 반박하면서, 핵심 쟁점은 ‘얼마나 많은 일자리가 사라지느냐’가 아니라 기업이 인간의 창의적 판단을 어떻게 AI 시스템 안에 축적하느냐라고 제시한다.
• 리터는 2017년 자신들의 회사가 제안한 ‘코칭 네트워크’ 개념을 다시 꺼낸다. 이는 사람들이 일하는 과정에서 효과적인 기법을 소프트웨어가 학습하고, 인간이 만들어낸 새로운 방식이 조직 전체로 확산되는 반복 구조다.
• 그는 AI가 최적화에는 뛰어나지만 어떤 목표를 추구해야 하는지 정하거나, 모델이 답을 갖고 있지 않은 상황에서 판단을 내리는 일은 인간의 영역으로 남는다고 본다. 따라서 살아남는 일은 모델 아래의 일이 아니라 모델 위에서 방향을 정하는 일이다.
• McKinsey, Bain, EY, Ramp, Veeva 같은 기업 사례는 AI를 외부 도구로만 쓰는 것이 아니라 내부 지식과 업무 방식을 축적하는 시스템으로 조직화하는 흐름을 보여준다. 이런 접근은 인간 지능을 증폭하고 회사 안에 유지하는 데 초점이 있다.
• 글의 결론은 기업이 자동화 가능한 것은 모두 자동화하되, 진짜 방어 가능한 자산은 직원들이 생각하고 판단하고 협업하는 고유한 방식이라는 것이다. 승자는 일자리 수가 아니라 조직 내부의 ‘흔적’을 세고, 그 흔적을 자기 것으로 유지하는 기업이다.

🧩 주요 포인트

1. 글은 AI가 화이트칼라 일자리를 대규모로 대체할 것이라는 경고에 반박하면서, 핵심 쟁점은 ‘얼마나 많은 일자리가 사라지느냐’가 아니라 기업이 인간의 창의적 판단을 어떻게 AI 시스템 안에 축적하느냐라고 제시한다.
2. 리터는 2017년 자신들의 회사가 제안한 ‘코칭 네트워크’ 개념을 다시 꺼낸다. 이는 사람들이 일하는 과정에서 효과적인 기법을 소프트웨어가 학습하고, 인간이 만들어낸 새로운 방식이 조직 전체로 확산되는 반복 구조다.
3. 그는 AI가 최적화에는 뛰어나지만 어떤 목표를 추구해야 하는지 정하거나, 모델이 답을 갖고 있지 않은 상황에서 판단을 내리는 일은 인간의 영역으로 남는다고 본다. 따라서 살아남는 일은 모델 아래의 일이 아니라 모델 위에서 방향을 정하는 일이다.
4. McKinsey, Bain, EY, Ramp, Veeva 같은 기업 사례는 AI를 외부 도구로만 쓰는 것이 아니라 내부 지식과 업무 방식을 축적하는 시스템으로 조직화하는 흐름을 보여준다. 이런 접근은 인간 지능을 증폭하고 회사 안에 유지하는 데 초점이 있다.
5. 글의 결론은 기업이 자동화 가능한 것은 모두 자동화하되, 진짜 방어 가능한 자산은 직원들이 생각하고 판단하고 협업하는 고유한 방식이라는 것이다. 승자는 일자리 수가 아니라 조직 내부의 ‘흔적’을 세고, 그 흔적을 자기 것으로 유지하는 기업이다.

🧠 상세 정리

1. 일자리 대체 담론에 대한 반박

글은 2025년 이후 여러 경영자들이 AI가 지식노동의 미래를 위협한다고 말해온 흐름에서 출발한다. 짐 팔리는 AI가 미국 화이트칼라 노동자의 절반을 대체할 수 있다고 말했고, 다리오 아모데이는 실업률이 20%까지 오를 수 있다고 언급했다. 리터는 이런 전망이 지식노동의 미래를 일종의 카운트다운처럼 만들었다고 본다. 그러나 그는 정반대의 논지를 펴겠다고 선언하며, 자신이 이 주제에 이해관계가 있음을 솔직히 밝힌다. 글의 출발점은 AI의 능력을 부정하는 것이 아니라, 사람들이 잘못된 지표를 보고 있다는 문제 제기다.

2. 2017년의 코칭 네트워크 구상

리터는 2017년에 자신의 회사가 ‘코칭 네트워크’라는 개념을 제시했다고 설명한다. 이는 머신러닝을 활용해 노동자에게 실시간으로 지침을 제공하고, 여러 사람의 분산된 업무 데이터에서 실제로 효과가 있는 기법을 학습하는 소프트웨어다. 여기서 중요한 발상은 인간이 시스템 안에서 ‘변이의 엔진’이라는 점이다. 소프트웨어는 이미 검증된 것을 학습하지만, 모델이 예측하지 못한 새롭고 더 나은 움직임은 창의적인 사람이 발견한다. 시스템은 그 변이를 다른 사람들에게 확산시키고, 같은 순환이 반복된다.

3. AI가 잘하는 일과 인간이 남기는 영역

리터는 AI가 최적화에는 매우 뛰어나다고 평가한다. 목표가 주어지면 AI는 어떤 팀보다 빠르고 저렴한 경로를 찾아낼 수 있다. 그러나 AI가 스스로 어떤 목표가 추구할 가치가 있는지 결정하거나, 모델에 답이 없는 순간에 판단을 내리는 것은 다른 문제라고 본다. 그런 순간들이 시장을 움직이고 회사를 탄생시키며, 자동화하기 가장 어려운 영역이다. 왜냐하면 아직 모방할 대상이 존재하지 않기 때문이다. 따라서 앞으로 살아남는 일은 모델보다 아래에 있는 반복 작업이 아니라, 모델 위에서 목표와 판단을 다루는 일이라고 정리한다.

4. 앞선 기업들이 AI를 조직화하는 방식

글은 이 주장이 단순한 사고실험이 아니며 이미 선도 기업들이 같은 방향으로 움직이고 있다고 말한다. McKinsey는 수만 명의 컨설턴트를 위해 회사의 독점 지식을 색인화하는 내부 비서 Lilli를 만들었다. Bain은 OpenAI와의 파트너십 위에 수천 개의 맞춤형 GPT를 구축했고, EY는 실험 수준이 아니라 제도적 지식이 만들어지는 방식을 바꾸기 위해 수만 개의 AI 에이전트를 운영 중이라고 설명된다. Ramp는 모든 직원에게 에이전트적 역량을 제공하고, 누군가 효과적인 워크플로를 발견하면 재사용 가능한 스킬로 포장해 회사 전체에 공유한다. Veeva는 생명과학 기업들이 사용하는 애플리케이션 전반에 깊은 에이전트 통합을 적용하며 같은 원리를 산업 차원으로 확장하고 있다.

5. AI를 안으로 향하게 하는 기업과 밖으로 흘려보내는 기업

리터가 강조하는 차이는 AI를 어디로 향하게 하느냐다. 앞선 기업들은 AI를 내부로 향하게 하여 인간의 지능을 누적시키고, 그 결과물을 회사 안에 머물게 한다. 반대로 뒤처지는 기업들은 AI를 외부 도구로만 사용하면서 자신들의 최고의 사고방식이 통제하지 못하는 도구 안으로 빠져나가게 둔다. 이 대목에서 AI 도입의 의미는 단순한 생산성 도구 구매가 아니라 조직 지식의 소유 구조 문제가 된다. 내부 시스템이 사람들의 판단과 수정을 담아내면 기업의 역량은 누적되지만, 외부 도구에 의존하면 그 역량은 기업 밖으로 흩어질 수 있다.

6. 업무 흔적이 만드는 복리 효과

글의 핵심 기술적 논점은 ‘흔적’이다. 사람이 내부 시스템과 함께 일할 때마다 시스템이 무엇을 했고 인간이 어떻게 반응했는지 기록이 남는다. 여기에는 모든 수정, 선호, 예외 상황이 포함된다. 이런 흔적은 돈으로 사거나 웹에서 긁어올 수 있는 데이터가 아니라, 실제 상호작용을 통해 하나씩 얻어지는 자산이다. 흔적은 특정 도메인에 맞는 학습 루프를 먹여 살리고, 사용이 늘수록 성능이 좋아지며, 성능이 좋아질수록 다시 사용이 늘어난다. 이 순환이 반복될수록 먼저 시작한 기업과 뒤늦게 시작한 기업 사이의 격차는 커진다.

7. 기초모델의 일반지능과 기업 고유의 판단 방식

리터는 기초모델 제공자들이 여러 고객으로부터 일반적인 지능을 포착한다고 말한다. 하지만 특정 회사의 분석가가 모델을 만드는 방식, 운영자가 결정을 내리는 방식, 팀이 실제로 판단하는 방식은 그 흔적을 포착하는 시스템을 구축한 쪽에 속한다. 오늘 시작한 회사가 쌓는 이점은 내년에 출발한 경쟁자가 단순히 구매해서 따라잡을 수 있는 것이 아니다. 그 흔적들은 구조적으로 배타적이기 때문이다. 글은 이것을 진짜 지식재산으로 규정하며, 스스로 복리처럼 불어난다고 설명한다. 기업의 경쟁우위는 범용 모델 자체가 아니라 조직 내부에서 누적되는 고유한 사용과 판단의 기록에서 생긴다.

8. 관리되지 않는 위험: 데이터보다 더 미묘한 프로세스 유출

리터는 많은 리더들이 민감한 파일이 외부로 나가는 데이터 유출을 걱정하지만, 더 미묘한 위험은 프로세스 유출이라고 지적한다. 직원들이 공개 AI 도구에 팀의 업무 방식을 설명하면, 그들은 도구에 자신들이 어떻게 운영되는지 가르치는 셈이다. 에이전트와의 다단계 세션은 순서, 우선순위, 의사결정 논리를 담고 있으며, 이런 추론 경로는 모델이 배울 수 있는 가장 가치 있는 것 중 하나다. 기업 계약이 데이터 학습을 금지하는 경우는 많지만, 행동 흔적에 대한 보호는 훨씬 덜 명확하다고 설명된다. Anthropic이 2025년 8월 소비자 약관을 바꿔 무료, Pro, Max 계정의 채팅이 기본적으로 미래 모델 학습에 사용되도록 했다는 사례도 이 위험을 뒷받침한다.

9. 전문가 지식 흡수와 기존 소프트웨어 계층의 취약성

글은 AI 연구소들이 변호사, 의사, 금융 분석가를 적극 채용해 기초모델이 산업 내부자처럼 추론하도록 가르치고 있다고 말한다. 이는 기업의 인재 풀에서 산업이 작동하는 방식을 배우려는 움직임으로 해석된다. 또 한 연구에서는 직원의 77%가 생성형 AI 도구에 데이터를 붙여넣고, 그중 82%가 관리되지 않는 개인 계정을 통해 이루어진다고 언급한다. 2026년 초 Anthropic이 Claude용 법률 플러그인을 출시했을 때 Thomson Reuters 주가가 한 거래일에 약 18% 하락했고 RELX와 Wolters Kluwer도 두 자릿수 하락했다는 사례는 시장의 불안을 보여준다. 리터는 주가 반응이 과했는지는 별개로, 소프트웨어 자체만으로는 지속 가능한 방어층이 아니라는 신호가 중요하다고 본다.

10. 결론: 최적화는 모두의 것이 되고 판단과 변이가 차이를 만든다

리터는 자동화할 수 있는 것은 모두 자동화하라고 말한다. 최적화는 공짜 돈과 같으며 기업은 그것을 모두 가져가야 한다. 그러나 곧 모두가 최적화 역량을 갖게 되기 때문에, 그것만으로는 차별적 우위가 되지 않는다. 진짜 우위는 목표 자체를 바꾸는 판단과 모델이 본 적 없는 새로운 움직임을 만들어내는 창의성이다. 그는 직원들이 기업이 가진 유일하게 진정으로 방어 가능한 알고리즘이라고 표현한다. AI가 더 많은 일을 하게 되더라도, 한 조직이 생각하고 적응하는 고유한 방식은 외부에서 재구성할 수 없으며, 승자는 일자리를 세는 사람이 아니라 흔적을 세고 그 변이를 자기 것으로 지키는 기업이라고 결론짓는다.

🧾 핵심 주장 / 시사점

• AI 도입의 핵심은 외부 도구를 쓰는 속도가 아니라, 직원들의 수정·판단·예외 처리 과정을 내부 학습 루프로 포착하는 구조를 갖추는 데 있다.
• 기업의 민감 자산은 문서나 데이터 파일만이 아니라 업무 순서, 우선순위, 의사결정 논리 같은 행동 흔적이며, 공개 AI 사용은 이 프로세스를 외부 모델에 노출할 수 있다.
• 장기적인 경쟁우위는 범용 AI 성능보다 조직 고유의 사고방식과 창의적 변이를 얼마나 회사 안에 축적하고 재사용 가능하게 만드는지에 달려 있다.

✅ 액션 아이템

• 기업은 화이트칼라 작업에서 유의미한 인간 판단과 협업 방식이 반복적으로 포착되도록 코칭 네트워크형 피드백 흐름을 제도화한다.
• AI가 최적화 성과를 낼 수 있는 단계는 자동화하고, 목표 선택·비결정 상황 판단은 모델 위 계층에서 수행하도록 역할 경계를 정의한다.
• 자동화 가능한 일은 선제적으로 처리하되, 직원의 창의·판단·협업으로 축적되는 조직적 ‘흔적’을 보존·확산하는 내부 지식 축적 체계를 함께 운영한다.

❓ 열린 질문

• 어떤 단계에서 AI 최적화를 맡기고 어떤 판단을 인간이 최종 방향 설정으로 남겨야 조직 내 분업이 안정적인가?
• 현재 조직의 협업·의사결정 과정에서 ‘학습 가능한 흔적’을 뽑아 AI에 축적하려면 어떤 기록이 우선 대상이 되는가?
• McKinsey·Bain·EY·Ramp·Veeva 사례처럼 내부 지식 중심 운영으로 전환할 때, 모델 위 책임을 무너뜨리지 않으려면 어떤 조건이 먼저 충족되어야 하는가?