Why AI Will Transform the World by 2028

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

2028년까지 AI는 신규 채용, 기업의 지식 자산, 사람의 판단 역할을 바꾸며, 실제 업무 성과를 만드는 기업과 개인의 경쟁력을 높일 것이라는 전망이다.

📌 핵심 요점

1. 일자리 변화는 채용 축소로 먼저 나타난다. 발표자는 대규모 해고보다 신규 채용과 퇴사자 충원을 줄이는 방식에 주목하며, 특히 초급 직무의 진입 기회가 좁아질 것으로 예상한다.
2. 모델보다 기업 내부 지식이 차이를 만든다. 같은 모델을 쓰더라도 업무 절차, 예외 처리, 고객 대응 기준을 얼마나 잘 기록하고 시스템에 연결했는지가 성과를 가른다는 주장이다.
3. AI 결과를 평가하는 판단력이 중요해진다. AI의 능력은 과제마다 다르므로, 분야 지식을 바탕으로 오류를 구분하고 중요한 결과를 승인하는 역할이 필요하다.
4. 현장 업종에서는 로봇보다 사무·고객 응대 자동화가 앞선다. 진료 기록, 견적, 전화, 예약과 같은 업무가 먼저 바뀌고, 물리적 작업의 대체 속도는 비용에 좌우될 것으로 본다.
5. 도구 구매보다 성과 측정이 경쟁력을 결정한다. 자동화 전에 개선할 지표를 정하고, 연결·운영 비용과 회수기간까지 계산해야 한다는 제안이다.

🧩 배경과 문제 정의

영상은 AI가 앞으로 몇 년 동안 직장과 사업을 어떻게 바꿀지 묻고, 과거의 예측과 실제 도입 결과가 달랐다는 문제에서 출발한다. 발표자는 기술이 발전한 속도와 기업이 인력·업무를 바꾸는 방식이 일치하지 않았다고 설명한다.

논의의 근거로 기업 사례, 외부 연구·조사에 대한 인용, 발표자 측 에이전시가 받은 약 1,800건의 요청과 구축 경험을 제시한다. 이를 바탕으로 2028년을 향한 다섯 가지 전망과 직장인·사업자별 대응을 설명한다. 제공된 전사만으로 인용 통계의 원문을 검증할 수는 없다.

🕒 시간순 섹션별 상세정리

1. 과거 예측과 실제 도입의 차이

• 과거 AI 예측은 일부만 실현됐고, 기술 자체는 예상보다 발전했지만 변화의 방향은 처음 들었던 이야기와 달랐다는 문제를 제기한다. [00:22]
• Salesforce의 고객지원 인력 감소, 소규모 기업의 제한적인 에이전트 활용, 코드 생성 확대와 개발자 채용공고 증가를 나란히 제시하며 변화가 균일하지 않다고 보여준다. [01:37]
• 고객지원 자동화 뒤 품질 저하로 사람을 다시 채용한 사례와, Shopify·Duolingo가 증원 전에 AI로 처리할 수 없는 이유를 요구했다는 사례를 대비한다. [02:16]

2. 첫 번째 전망: 해고보다 줄어드는 채용 기회

• 에이전시에 들어온 약 1,800건의 요청에서는 잠재고객 후속 연락, 보고, 메일, 전화, 고객 온보딩이 반복됐다. 한 채용회사는 같은 6명을 유지하면서 채용 담당자당 주간 행정 시간을 13시간에서 약 3시간으로 줄였다고 보여준다. [02:54]
• 발표자는 AI가 없애는 자리가 공고로 나오지 않는 자리일 수 있다고 본다. AI 도입 기업의 초급 인력이 1년 반 뒤 약 9% 적었다는 연구 인용을 통해 신규 채용 축소를 강조한다. [04:07]
• 2028년에는 AI 활용 기업의 초급 진입 기회가 크게 줄고, 인원은 정체되는 가운데 개인당 산출과 직원당 매출총이익을 높이는 방향으로 움직일 것으로 예상한다. [04:58]

3. 작동하는 시스템과 내부 지식의 가치

• 직장인에게는 실제로 작동하며 성과를 내는 시스템 하나를 만들라고 권한다. 사업자에게는 최근 일주일간의 AI 활용을 묻고, 시간이나 돈에 영향을 주는 일상 업무부터 자동화하라고 제안한다. [05:29]
• 두 번째 전망은 모델 자체의 차별성이 줄고 업무 절차와 독점 데이터가 경쟁 우위가 된다는 것이다. 반복 설명이 필요하고 피드백을 축적하지 못하는 시스템을 기업 AI 프로젝트의 문제로 지적한다. [06:29]
• 업무 규칙과 예외를 기록하고, 견적·콜백 우선순위·고객 불만 대응 자료를 같은 폴더에서 전화·채팅·이메일이 함께 참조하도록 제안한다. 이후 커뮤니티와 구축 상담 서비스를 보여준다. [07:37]

4. 세 번째 전망: AI 결과를 가려내는 판단력

• AI는 과제에 따라 성능이 불균일하다고 보여준다. 컨설턴트 실험에서는 적합한 과제의 속도가 약 25% 개선됐지만, 부적합한 과제에서는 AI 사용 집단의 정답률이 낮았다는 결과를 인용한다. [08:15]
• 숙련 개발자가 AI 도구를 썼을 때 실제로는 19% 느려졌지만 스스로는 20% 빨라졌다고 느꼈다는 연구를 소개하며, 체감과 측정 결과가 다를 수 있음을 강조한다. [08:27]
• 분기마다 주요 업무 세 가지를 시험하고 결과물의 20~30%를 점검하라고 권한다. 금전·고객 관련 업무에는 사람의 승인 단계를 두고, 책임자 한 명이 매주 검토하도록 제안한다. [09:20]

5. 네 번째 전망: 현장 업종에는 사무 자동화가 먼저 온다

• 물리적 작업의 자동화는 기술적 가능성뿐 아니라 비용에 달렸다고 보여준다. 제한된 조건에서 로봇이 수행할 수 있는 작업 비중과, 사람보다 저렴하게 수행할 수 있는 비중 사이에 큰 차이가 있다는 연구를 인용한다. [09:48]
• AI 인프라 구축이 현장 일자리 수요를 만들 수 있다고 설명하고, Kaiser Permanente의 의사 7,000명 이상이 AI 진료 기록으로 약 1만6,000시간의 서류 작업을 절약했다는 사례를 보여준다. [10:33]
• 지역 서비스업의 우선 과제로 견적, 전화, 예약을 꼽는다. 사업자가 고객처럼 문의 양식을 작성해 응답 시간을 직접 재보라고 권한다. [11:26]

6. 다섯 번째 전망: 지출과 성과 사이의 격차

• AI 도구 구매는 쉽지만 사업 지표를 바꾸기는 어렵다고 드러낸다. 많은 기업이 개선할 수치조차 정하지 않은 채 도입한다고 지적한다. [11:48]
• AI 프로젝트에서 수익을 얻지 못한 기업 비율, 이익 변화가 있었다는 기업 비율, 프로젝트 취소 전망을 각각 인용한다. 에이전트라는 이름으로 판매되는 제품의 실체도 따져봐야 한다고 주장한다. [12:09]
• 부서별로 도구만 늘리고 손익에는 변화가 없는 상황을 경고한다. 향후 약 2년 동안 먼저 측정한 기업과 유행을 따라 구매한 기업 사이의 차이가 벌어질 것으로 예상한다. [12:56]

7. 성과 지표와 회수기간을 먼저 정하기

• 직장인은 AI 시스템이 바꾼 수치 하나를 설명할 수 있어야 하며, 목표 지표와 연결해 활용 결과를 매달 팀에 공유하라고 권한다. [13:11]
• 사업자는 구축 전에 목표 수치를 정하고 연결·운영 비용으로 15~20%를 추가하라고 제안한다. 회수기간이 약 18개월을 넘는 구축은 피하라는 발표자의 기준도 제시한다. [13:26]

8. 장기 전망의 차이를 인정하고 첫 행동 선택하기

• AI 개발 조직 내부와 일반인의 2030년 업무 자동화 전망이 각각 75%와 28%로 다르다는 수치를 소개하면서, 어느 쪽이 맞을지는 아직 모른다고 인정한다. [13:55]
• 다섯 변화가 이미 현재 수치에 나타나고 있다는 판단 아래, 자신의 상황에 맞는 과제 하나를 골라 이번 주에 첫 단계를 실행하라고 제안한다. [14:08]

9. 후속 콘텐츠와 서비스 안내로 마무리

• 후속 영상과 함께 Reprise의 AI 구축 상담을 안내하며, 서비스 기업 100곳 이상에 AI를 구현했다는 자체 실적을 보여준다. [14:28]
• AI 활용·판매·역량 강화를 위한 멘토링과 에이전시 창업 지원을 홍보하고 시청자에게 인사하며 끝낸다. [15:02]

🧾 결론

• 영상의 다섯 전망은 채용, 내부 지식, 판단력, 현장 업종의 사무 업무, 투자 성과라는 구체적인 변화 경로에 초점을 둔다.
• 직장인에게는 실제 작동하는 시스템을 만들고 그 시스템이 바꾼 수치를 설명하는 능력이 중요해진다는 메시지다.
• 사업자에게는 반복 업무 하나를 골라 문서화하고, 검토 책임자와 성과 지표를 붙여 운영하는 접근을 권한다.
• 2028년의 변화 폭은 확정된 사실이 아니다. 발표자도 장기 전망의 차이를 인정하며 현재 확인할 수 있는 업무부터 시작하라고 제안한다.

📈 투자·시사 포인트

• 기업의 AI 경쟁력은 모델 접근성뿐 아니라 내부 지식의 정리 수준과 업무 시스템 연결 능력으로 평가할 필요가 있다는 시사점이다.
• 생산성 개선을 검토할 때는 인원 감축 외에도 직원당 매출총이익, 처리 용량, 채용 수요의 변화를 함께 살펴볼 수 있다.
• 현장 서비스 업종에서는 로봇 도입 전망과 별도로 고객 응답 속도, 견적 처리, 예약 자동화의 사업 효과를 점검할 만하다.
• AI 지출 규모보다 손익에 반영된 개선, 지속 운영 비용, 투자금 회수기간이 중요하다는 관점이며, 영상은 특정 종목이나 자산의 수익률을 제시하지 않는다.

⚠️ 불확실하거나 확인이 필요한 부분

• 고용, 임금 프리미엄, AI 프로젝트 수익률 등 여러 통계가 언급되지만, 제공된 전사에는 원문 링크와 조사 설계가 없다. 모집단·기간·성과 정의를 확인해야 한다.
• 영상의 제작 시점이 제시되지 않아 ‘지난해’, ‘올해’, ‘내년 말’, ‘9월까지’라는 상대적 시점을 정확한 연도로 일괄 환산하기 어렵다.
• 발표자 소속 에이전시의 요청 약 1,800건과 고객 사례는 특정 사업군의 경험이다. 이를 전체 노동시장이나 모든 기업에 그대로 적용하기 어렵다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 매일 반복되면서 시간이나 매출에 영향을 주는 업무 하나를 고르고, 자동화 전 처리 시간·응답 속도·성과의 기준값을 기록한다.
• 업무 절차뿐 아니라 예외, 우선순위, 고객 불만 대응 기준까지 문서화해 관련 채널이 같은 자료를 참조하도록 정리한다.
• 실제 작동하는 시스템 하나를 만들고, 어떤 지표를 얼마나 바꿨는지 월별로 공유한다.
• 분기마다 핵심 업무 세 가지를 최신 모델로 시험하고, 정답 여부와 실제 소요 시간을 기록한다. 발표자가 제안한 결과물 20~30% 표본 점검도 적용 가능성을 검토한다.

❓ 열린 질문

• 초급 업무와 채용이 줄어들면 기업은 미래의 숙련 인력을 어떤 방식으로 육성할 것인가?
• 문서화한 내부 지식에 현장의 피드백과 예외를 지속적으로 반영하는 책임은 누가 맡을 것인가?
• AI가 줄인 시간이 실제 이익 증가나 서비스 품질 개선으로 이어졌는지 어떻게 구분해 측정할 것인가?