🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

‘이것까지 가능하겠어?’를 실험하고 ‘왜 이렇게 하고 있지?’를 의심하는 태도가 AX의 출발점이며, 이를 가능하게 하는 핵심 조건은 책임 추궁보다 문제 해결을 우선하는 조직 문화다.

📌 핵심 요점

1. AI 활용은 모든 조직의 공통 과제가 되었지만, 실제 격차는 보안 환경, 내부 모델 성능, 개인의 사용 능력, 직무 특성에 따라 크게 벌어지고 있다.
2. AX를 막는 가장 큰 장벽은 기술 자체만이 아니라 “원래 이렇게 해야 한다”는 업무 전제, 정확성에 대한 두려움, 실패 시 책임을 묻는 조직 문화다.
3. 리더가 문제 상황에서 “누가 했어?”보다 “어떻게 해결할까?”를 먼저 묻는지에 따라 정보 공유, 협업, 실험 가능성이 달라진다.
4. AI는 모르는 영역에서도 출발 질문, 학습 경로, 실행 우선순위를 제시하며, 전문가의 역할도 처음부터 가르치는 사람에서 결과를 검증하는 사람으로 이동하고 있다.
5. AX의 실천은 거창한 전략보다 반복 작업을 발견할 때마다 “이것까지 가능하겠어?”라고 실험하고, 기존 업무 방식을 “왜 이렇게 하고 있지?”라고 의심하는 데서 시작된다.

🧩 배경과 문제 정의

• AI는 조직 전반의 공통 과제가 되었지만, 실제 활용 수준은 조직·개인·직무에 따라 크게 갈린다.
• 보안망, 자체 LLM의 한계, 기존 업무 방식에 대한 고정관념, 책임을 묻는 문화는 AI 실험을 가로막는 주요 장벽으로 작동한다.
• AX의 출발점은 “AI로 어디까지 가능한가”를 직접 실험해보는 태도에 있으며, 실패와 문제를 어떻게 다루느냐가 조직 변화의 중요한 변수가 된다.

🕒 시간순 섹션별 상세정리

1. AI 활용은 공통 과제가 됐지만 조직별 격차가 커진다

• 모든 직업군과 조직이 AI라는 공통 과제로 수렴하고 있지만, 실제 적용 수준은 조직마다 크게 갈라지고 개인의 활용 방식도 단순 사용부터 자동화까지 넓게 벌어진다 [01:36]
• 기업, 공기업, 정부, 학교, 민간 조직 모두 AI 중심의 재편 흐름에 들어섰고, AI를 얼마나 잘 쓰느냐가 새로운 역량 격차를 만든다 [01:42]

2. 보안망과 자체 LLM이 AI 도입의 현실 장벽이 된다

• 일부 기업은 방산망이나 다중 보안 환경 때문에 일반 인터넷 기반 AI 도구를 업무망에서 사용할 수 없고, 핵심 업무가 폐쇄망에서 돌아가면서 활용 자체가 제한된다 [02:46]
• 방산망, 그룹 보안 환경, 회사 보안망이 겹친 조직에서는 ChatGPT나 Claude 같은 외부 도구 접근이 어렵고, 조직의 보안 요구가 AI 실험의 첫 번째 장벽이 된다 [03:01]

3. 정확성과 기존 전제가 강한 조직은 AI 실험을 망설인다

• 조직 문화가 보수적이고 “원래 이 일은 이렇게 해야 한다”는 전제가 강하면, AI로 업무 방식을 바꿔보려는 시도 자체가 어려워진다 [03:47]
• OpenAI 내부 재무부서에서도 일부는 AI를 잘 활용했지만 상당수는 기존 방식대로 일했고, 정확성·엄밀성이 중요한 업무에서는 환각 가능성이 큰 심리적 장벽으로 작동한다 [04:27]

4. 책임 추궁 문화는 실험과 실패 학습을 막는다

• 문제가 생겼을 때 곧바로 “누가 했어?”를 찾는 문화에서는 책임 소재가 문제 해결보다 앞서고, 구성원은 새로운 시도보다 방어를 먼저 선택한다 [05:44]
• 신상필벌이 과도한 성과주의로 변질되면, 잘해보려다 생긴 실수와 실패까지 처벌 대상으로 바뀌고 조직은 실패를 통해 배우는 기회를 잃는다 [06:01]

5. 심리적 안정감은 편안함보다 문제를 다루는 방식에 달려 있다

• 심리적 안정감은 직장이 편안해야 한다는 뜻이 아니라, 틀린 아이디어와 실패와 문제를 숨기지 않고 말할 수 있는 문화에 가깝다 [07:11]
• 비즈니스는 계획대로만 흘러가지 않기 때문에 늘 문제가 생기고, 안 되는 일을 되게 만들거나 일상적 문제를 해결하는 과정에서 가치가 만들어진다 [07:43]

6. 리더의 첫 반응이 협업과 정보 공유 수준을 결정한다

• 회의에서 문제를 발견한 대표나 팀장의 첫 반응은 이후 대화의 프레임을 결정하고, “누가 했어?”라는 반응은 구성원을 방어와 공격 모드로 몰아간다 [09:23]
• 리더가 책임 추궁보다 문제 해결을 먼저 요청하면, 조직의 에너지는 비난이 아니라 해결책과 아이디어에 집중된다 [10:19]

7. 탓하기 본능을 문제 해결 에너지로 전환하기

• 조직에는 새로운 실험과 시도가 필요하지만, 여전히 기존 방식에 묶인 일이 남아 있다. 이때 리더의 첫 질문은 사람을 찾는 것이 아니라 문제 해결로 향해야 한다 [12:11]
• 문제가 생기면 화와 분노가 누군가를 탓하는 방향으로 흐르기 쉽다. 그러나 이 본능은 감정 해소에는 도움이 될 수 있어도 실제 문제 해결에는 방해가 된다 [12:27]

8. 회의 기록과 AI로 리더의 습관을 객관화하기

• 리더가 문제 상황에서 사람부터 찾는 습관이 있는지 보려면, 자신의 회의 발언을 녹음하고 텍스트로 바꿔 실제 반응 패턴을 확인할 수 있다 [14:13]
• 회의록을 AI에 입력하면 특정 발화자가 문제 상황에서 어떻게 반응했는지, 그에 따라 다른 참여자들의 표현이 어떻게 달라졌는지도 점검할 수 있다 [14:25]

9. 성공 경험의 덫과 질문 능력의 전제 변화

• 성공 경험이 굳어지면 시장, 고객, 기술 환경이 바뀌어도 기존 방식만 고집하게 되고, 구성원의 새로운 시도까지 막게 된다 [15:34]
• AI와 함께 일하면 인사 리더가 사업보고서를 통해 재무를 배우는 것처럼, 기존 전문 영역 밖의 지식에 접근하는 방식 자체가 달라진다 [15:55]

10. 모르는 영역도 실행 가능한 상태로 바꾸는 AI

• 사업보고서 사례를 통해 기존 전제가 흔들리고, AI는 모르는 분야에서도 출발 질문과 학습 경로를 만들어 주는 도구가 된다 [18:15]
• 바이브 코딩으로 만든 MVP 앱에서 보안이 중요해졌을 때도, 외부 보안 전문가를 먼저 찾기보다 AI에게 보안 검수와 보완 항목을 요청할 수 있다 [18:55]

11. 전문가 역할과 회의 장면의 이동

• 기업과 조직의 자문 요청은 “어떻게 하나요”에서 “직접 실행한 결과가 타당한가요”로 옮겨가고 있다. 전문가 역할도 실행 안내보다 검증에 가까워진다 [20:39]
• 과거의 질문은 정의, 구현 절차, 방법론처럼 앞단에서 시작했지만, 최근에는 AI로 만든 초안과 발전된 결과물을 놓고 마지막 타당성을 확인하는 흐름이 커졌다 [21:17]

12. 생산성 원천의 역사적 전환과 과업 중심 AI 퍼스트

• 생산성의 원천은 수렵·농경 시대의 육체 노동에서 산업혁명 이후 정보 처리 직무와 사무직의 중요성으로 이동했다 [22:22]
• 사무직 안에서도 정보를 수집·기록·분석·해석하는 역할과 고난도 관리자 역할이 중요해지면서, 생산성의 중심은 육체적 힘보다 인텔리전스가 됐다 [22:45]

13. PAAM은 직무가 아니라 과업 단위로 AI 전환 가능성을 따진다

• 직무는 비교적 안정적인 일의 묶음이며, 채용 담당자 업무처럼 공고 게시, 지원서 검토, 면접관 섭외, 일정 조율 같은 하위 과업들로 구성된다 [24:01]
• PAAM은 각 과업의 목적, 고객, 만들어야 할 가치를 먼저 확인한 뒤, 그 과업이 AI로 전환될 수 있는지를 따지는 절차다 [24:29]

14. 사람의 머리로만 분석하면 AI 잠재력이 부분 최적화에 갇힌다

• 과업을 쪼개고, 그 안에서 목적과 자동화 가능성을 다시 따지는 과정 자체가 구성원에게 큰 인지 부담이 된다 [25:11]
• “내 언어의 한계가 내 세계의 한계”라는 문제의식처럼, AI 활용에서도 생각의 한계가 곧 사용 범위의 한계가 된다 [25:36]

15. 반복 작업을 만나는 순간 “이것까지 가능할까”를 실험해야 한다

• AX의 출발점은 “설마 이것까지 가능하겠어”라고 넘기지 않고 실제로 실험해 보는 데 있으며, 최근 MVP 앱 제작과 UX 검수 과정에서 그 문제가 드러났다 [26:28]
• 웹사이트와 모바일 화면을 오가며 불편한 기능과 이상한 화면을 복사해 클로드 코드에 전달하는 반복 작업이 계속됐다 [26:38]

16. 앤트로픽 데이터는 가능성과 실제 AI 침투의 차이를 보여준다

• AI의 한계와 인간의 역할에 대한 질문은 기술 발전, 환경 요건, 조직 내 AX 논의가 만나는 지점에서 더 중요해진다 [28:23]
• 앤트로픽은 2026년 3월 리포트에서 756개 직무와 17,998개 하위 과업을 기준으로 AI가 실제로 침투한 과업을 분석했다 [28:52]

17. 낮은 침투율보다 무서운 것은 한 번 넘어간 과업의 급격한 전환이다

• 전체 17,998개 과업 중 실제 AI가 들어간 비율은 약 7.3%이며, 나머지 1만6천여 개 과업은 침투 점수가 0에 가깝다 [31:17]
• 7.3%만 보면 고용 불안이나 사회적 충격이 과장처럼 보일 수 있지만, 2026년 초 데이터라는 점에서 이는 이미 진행 중인 변화로 봐야 한다 [31:41]

18. 실행은 AI로 이동하고 인간에게는 정체성·미래·경탄의 문제가 남는다

• 챗GPT 이전에는 말과 글이 인간과 동물을 구분하는 핵심 능력처럼 여겨졌지만, 기계가 말을 이해하고 만들어 내면서 그 전제가 흔들렸다 [33:03]
• 여러 연구와 리포트가 가리키는 흐름은 실행은 AI가 맡고, 인간은 검토와 검증을 담당하는 방향으로 모인다 [33:35]

19. AI 이후에도 인간의 경지에 대한 경탄은 남는다

• 수필가는 여행의 순간에 담긴 미묘한 감정을 포착하고, 김연아의 연기처럼 스스로 할 수 없는 성취는 여전히 경탄의 대상이 된다 [36:02]
• 바둑을 잘 두는 사람도 쉽게 범접할 수 없는 세계에 있는 존재로 받아들여지며, 탁월한 인간의 기량은 감탄을 만든다 [36:13]

20. 인간의 탁월함과 책으로 이어지는 마무리

• 무엇에 경탄하는지를 보면, 특정 분야에서 높은 경지에 오른 탁월한 인간은 AI 시대에도 계속 가치 있는 존재로 남는다 [36:42]
• 결론적으로 마지막 키워드는 경지에 오른 탁월함과 마스터피스로 모이며, 인간이 할 수 있는 가치가 AI 시대를 판단하는 중요한 기준으로 남는다 [36:53]

🧾 결론

• 이 영상의 핵심은 AI 전환이 단순한 도구 도입이 아니라, 조직의 일하는 방식과 리더십 반응, 실패를 다루는 문화의 문제라는 점이다.
• AI를 잘 쓰는 조직은 완벽한 계획을 먼저 세우기보다 작은 과업 단위에서 가능성을 실험하고, 실패를 처벌이 아니라 학습의 재료로 다룬다.
• 심리적 안정감은 편안한 직장을 뜻하지 않는다. 틀린 아이디어, 실패, 문제를 숨기지 않고 말할 수 있어야 AI 실험도 가능해진다.
• 인간의 역할은 실행 자체에서 방향 설정, 검토, 검증, 피드백, 의미 부여 쪽으로 이동하고 있으며, 이 변화는 직무보다 과업 단위에서 더 선명하게 나타난다.
• 영상에서 언급된 앤트로픽 과업 침투율과 직무별 수치는 발표자가 소개한 자료 기준이며, 실제 의사결정에 활용하려면 원문 리포트와 조사 방법을 별도로 확인필요가 있다.

📈 투자·시사 포인트

• 기업 관점에서는 AI 도입률보다 “실험 가능한 문화”가 더 중요한 경쟁력이 될 수 있다. 같은 도구를 써도 책임 추궁 문화가 강하면 실제 업무 전환 속도는 늦어질 가능성이 크다.
• AI 전환은 직무 전체를 한 번에 대체하는 방식보다, 반복적이고 정보 처리 중심인 하위 과업부터 침투하는 흐름으로 이해하는 편이 현실적이다.
• 보안망, 폐쇄망, 내부 LLM 성능 한계는 대기업·공공·방산 관련 조직에서 AI 생산성 격차를 만드는 주요 병목이 될 수 있다.
• 리더십 교육, 회의 분석, 조직문화 진단, 업무 과업 재설계처럼 AI 활용을 조직 내부에 정착시키는 서비스의 수요가 커질 수 있다.
• 투자 관점에서는 단순 AI 도구보다 보안 환경 안에서 쓸 수 있는 업무용 AI, 과업 자동화, 검증·감사·품질관리 솔루션의 중요성이 커질 가능성이 있다.
• 검증 필요: 영상에서 제시된 앤트로픽의 756개 직무, 17,998개 과업, 약 7.3% 침투율 같은 수치는 맥락과 산정 기준에 따라 해석이 달라질 수 있으므로 원문 데이터 확인이 필요하다.

⚠️ 불확실하거나 확인이 필요한 부분

• 영상에서 언급된 앤트로픽 2026년 3월 리포트의 수치, 즉 756개 직무, 17,998개 하위 과업, 약 1,300건 침투, 전체 약 7.3% 침투율은 원문 보고서 기준으로 재확인이 필요하다.
• 소프트웨어 프로그래머 하위 과업 약 73%, 커스터머 서비스 약 70% 수준으로 AI가 침투했다는 수치는 영상 내 설명으로 제시되었으나, 직무 정의와 산정 방식은 별도 확인이 필요하다.
• OpenAI 내부 재무부서 일부는 AI를 잘 쓰지만 상당수는 기존 방식대로 일했다는 사례는 영상 속 언급이므로, 실제 조직 내부 현황으로 일반화하기에는 추가 검증이 필요하다.
• 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

• 조직 내 반복 업무를 하나 골라 “왜 이 방식으로 하고 있지?”와 “AI로 이것까지 가능할까?”라는 질문으로 재검토한다.
• 회의 중 문제 상황이 발생했을 때 리더의 첫 반응이 “누가 했어?”인지 “어떻게 해결하지?”인지 관찰하고 기록한다.
• 회의 녹취나 회의록을 텍스트로 정리해 AI로 발언 비율, 문제 상황에서의 반응, 구성원 발언 변화 패턴을 점검한다.
• 현재 직무를 5~7개 과업 단위로 나누고, 각 과업을 자동화 가능, 증강 가능, 인간 직접 수행 필요 영역으로 분류해 본다.

❓ 열린 질문

• 우리 조직에서 AI 실험을 막는 가장 큰 장벽은 기술적 보안 제약인가, 내부 모델 성능 한계인가, 아니면 실패를 처벌하는 문화인가?
• 리더가 문제 상황에서 보이는 첫 반응은 구성원에게 “시도해도 된다”는 신호를 주는가, 아니면 “숨기고 방어해야 한다”는 신호를 주는가?
• 현재 사람이 직접 해야 한다고 믿는 검토·분석·보고 업무 중 실제로는 AI가 일부 또는 대부분 수행할 수 있는 과업은 무엇인가?