AI가 코딩을 대신하는 시대, 인간은 무엇을 잘해야 할까?

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

AI가 코딩을 대신하는 시대에 인간은 업무의 문제를 발견하고, 질문으로 요구를 구체화하며, AI와 함께 구현한 결과를 검증하는 능력을 길러야 한다.

📌 핵심 요점

1. 직장인의 경쟁력이 오피스 프로그램 활용에서 AI를 이용한 업무 개선으로 확장되고 있다. 비개발자도 자신의 불편함을 해결하는 작은 도구를 만들어 볼 수 있다는 변화다.
2. 소프트웨어 제작의 출발점이 현업으로 넓어져도 전문 개발자의 역할은 남는다. 보안·성능·데이터 무결성·대규모 운영에는 전문성이 필요하다.
3. 오래 일한 경험이 문제를 정확히 이해한다는 뜻은 아니다. 반복에 익숙해지면 비효율을 알아차리지 못하므로 업무를 객관적으로 돌아봐야 한다.
4. 소크라테스식 질문은 막연한 요구를 실제 문제로 좁히는 데 쓰인다. 보고서 작성이 어렵다는 호소를 따라가면 병목이 여러 팀의 엑셀 자료 취합에 있을 수 있다.
5. AI는 사고를 돕는 대화 상대가 될 수 있지만, 과도한 신뢰는 비판적 사고 노력을 줄일 수 있다. 반론과 근거를 요청하고 실제 자료로 확인하는 태도가 중요하다.

🧩 배경과 문제 정의

발표자는 약 30년 전 직장인의 기본 경쟁력이 한글·워드·엑셀·파워포인트 활용이었다는 경험에서 이야기를 시작한다. 이제 AI 활용은 이메일 작성과 요약을 넘어, 비개발자가 자신의 업무에 필요한 작은 프로그램을 만들어 보는 단계로 확장되고 있다는 설명이다.

이때 새롭게 드러나는 문제는 무엇을 만들 것인지 결정하는 능력이다. 기술 장벽이 낮아져도 업무의 불편함과 실제 요구가 자동으로 드러나지는 않는다. 영상은 도메인 전문성, 메타인지, 소크라테스식 질문과 비판적 검증을 연결해 인간에게 필요한 역량을 제안한다.

🕒 시간순 섹션별 상세정리

1. 오피스 활용에서 AI를 통한 업무 개선으로

• 약 30년 전에는 오피스 프로그램을 능숙하게 다루고 계산·데이터 정리·보고서 작성을 수행하는 능력이 직장인의 중요한 기본 소양이었다고 회고한다. [00:35]
• AI 활용이 이메일 작성·요약·검색에서 프로그램 제작으로 넓어지며, 영업·인사·마케팅 담당자도 업무용 도구를 만들어 볼 수 있다고 보여준다. [01:10]
• 상용 서비스 수준의 완성도를 바로 확보한다는 의미는 아니며, 자신의 작은 불편함을 AI로 해결하는 능력이 새로운 경쟁력이 될 수 있다고 본다. [01:46]

2. 개발 요청을 기다리던 현업이 직접 만드는 변화

• 기존 소프트웨어 개발은 요구사항 정리, 화면 설계, 데이터베이스 구성, 코딩, 테스트와 배포를 거쳐 시간과 비용이 많이 들었다고 보여준다. [02:28]
• 거래처 방문 기록에 매일 30분을 쓴다는 가상의 영업사원 사례를 통해, 개발팀의 일정과 예산 때문에 작은 필요가 해결되지 못하는 상황을 제시한다. [02:54]
• AI에게 모바일 기록 앱을 요청하고 검색·날짜 정렬 등을 대화로 보완하는 과정을 바이브 코딩의 예로 들며, 문제를 가진 사람과 만드는 사람의 역할이 합쳐지기 시작했다고 드러낸다. [03:43]

3. 전문 개발자의 역할과 두산에너빌리티 사례

• 보안·성능·데이터 무결성·대규모 운영에는 전문 개발자의 역량이 필요하며, 변화의 핵심은 소프트웨어 제작의 출발점이 현업으로 확장된다는 데 있다고 보여준다. [04:08]
• 마이크로소프트가 2022년에 소개했다는 두산에너빌리티 사례에서, 설비 보전 담당자는 부품 재고를 확인하려고 사무실까지 이동해야 하는 불편을 겪었다. [04:40]
• 개발 경험이 없던 직원이 파워앱스를 배워 모바일 재고 조회 앱을 만들었고 이동과 설비 중단 시간을 줄이는 데 도움이 됐다고 보여준다. 이는 생성형 AI 코딩이 아닌 로우코드 사례라고 구분한다. [05:20]

4. 도메인 지식이 있어도 문제 발견은 별개의 과제

• 사례의 출발점은 개발 지식보다 자신이 겪는 문제에 대한 이해였으며, AI가 기술 장벽을 낮출수록 업무를 깊이 이해하는 도메인 전문가의 역할이 중요해질 것으로 본다. [05:54]
• 기업 강의와 컨설팅에서 무엇을 만들고 싶은지 물으면 쉽게 답하지 못하는 사람이 많았다는 경험을 보여준다. [06:41]
• 매일 하는 엑셀 복사·붙여넣기처럼 습관화된 작업은 불편함 자체를 인식하기 어렵다며, 프로그램 제작에 앞서 현재 문제를 발견해야 한다고 드러낸다. [07:38]

5. 메타인지와 소크라테스식 질문의 도입

• 자신의 생각과 판단을 돌아보는 메타인지를 설명하고, 익숙한 업무 방식을 객관적으로 살펴보기 어렵다는 점을 짚어 본다. [08:01]
• 무엇을 만들고 싶은지 묻기 전에 어떤 일을 하고 있는지 질문하는 접근을 제안하고, 소크라테스의 질문 방식을 연결한다. [08:19]
• 소크라테스가 이유와 모순을 질문하고 상대가 스스로 생각을 끌어내도록 도왔다는 설명을 통해, 생각의 타당성까지 살피는 질문의 의미를 강조한다. [09:07]

6. 보고서 자동화 요구에서 자료 취합 문제를 찾기

• 보고서 작성이 싫다는 답에 시간이 오래 걸리는 단계와 자료 형식을 차례로 묻자, 실제 어려움이 여러 팀의 엑셀 자료 취합에 있음을 드러내는 예시를 제시한다. [09:47]
• 이 문제는 여러 엑셀 파일을 올리면 데이터를 통합하고 항목별로 집계하는 작은 도구의 요구사항으로 발전할 수 있다고 보여준다. [10:15]
• 발표자는 소크라테스 인터뷰 기반 기획 스킬을 만들었다며, AI의 질문이 사용자가 자신의 업무와 미처 인식하지 못한 필요를 이해하는 계기가 될 수 있다고 드러낸다. [10:42]

7. 무지의 자각과 설명의 깊이에 대한 착각

• 소크라테스의 무지의 자각을 소개하며, 오랜 경력과 업무 구조를 정확히 이해하는 능력은 다를 수 있다고 보여준다. [11:31]
• 2002년 연구를 언급하면서 사람들이 사물의 작동 원리를 실제보다 잘 이해한다고 여기는 설명의 깊이에 대한 착각을 보여준다. [11:50]
• 지퍼의 작동을 안다고 생각해도 처음부터 끝까지 설명하려면 막힐 수 있다는 예로, 안다고 느끼는 것과 설명할 수 있는 것의 차이를 짚어 본다. [12:08]

8. 경험에서 나온 판단을 근거와 대조하기

• 영업 전문가에게 계약 취소 이유와 실제 분석 자료를 질문하는 예를 통해, 경험에서 나온 추측과 확인된 사실을 구분할 필요를 제시한다. [12:44]
• 암묵지는 말로 설명하기 어려울 수 있음을 인정하면서도, 확실히 아는 것과 미확인 영역을 구분하고 계속 배우는 태도를 전문성의 일부로 본다. [13:18]

9. 질문형 AI의 가능성과 과도한 신뢰의 위험

• 중국 대학생 94명 대상 연구에서 소크라테스형 AI 집단에 학업 성취도와 성찰적 사고의 긍정적 효과가 관찰됐다고 보여준다. [13:49]
• 특정 교육 환경의 결과이므로 모든 상황에 같은 효과가 나타난다고 단정할 수 없다고 제한을 드러낸다. [14:04]
• 2025년 마이크로소프트와 카네기멜론대학교의 지식노동자 319명 조사에서는 AI 능력을 더 신뢰할수록 비판적 사고에 들이는 노력이 적어지는 경향이 나타났다고 보여준다. [14:34]

10. 반론을 요청하고 AI의 반론도 검증하기

• AI에게 정답만 요청하기보다 자신의 주장에 대한 반론, 빠진 근거, 다른 관점을 요청해 생각을 점검하는 도구로 쓰자고 제안한다. [15:02]
• AI의 반론도 틀릴 수 있으므로 실제 자료와 인간의 경험·판단으로 검증하는 절차가 필요하다고 강조한다. [15:12]
• 칸트의 질문을 연결해 지식의 타당성과 한계를 돌아보고, 끌어낸 생각을 다시 의심하고 확인하는 태도를 제안한다. [15:36]

11. 인간에게 필요한 네 가지 능력과 빌더의 의미

• 첫째는 반복 업무에서 문제를 발견하는 능력, 둘째는 자신의 필요와 그 이유를 따져 묻는 능력이라고 정리한다. [16:10]
• 셋째는 요구사항을 구체화해 AI와 작동하는 도구를 만드는 능력, 넷째는 결과·데이터·예상하지 못한 문제를 점검하는 능력이라고 보여준다. [16:39]
• 만들 대상과 이유를 이해하고 실제 결과물까지 만드는 사람을 빌더로 부르며, 문제 발견과 생각의 구체화가 중요한 출발점이라고 드러낸다. [17:25]

12. 오늘의 작은 불편함에서 시작하는 업무 개선

• 일상 언어로 AI에게 프로그램을 요청할 수 있게 되면서, 더 많은 사람이 자신의 업무를 직접 개선할 가능성과 새로운 경쟁력이 생길 것으로 전망한다. [18:12]
• AI가 무엇을 만들지까지 저절로 결정하지는 않는다며, 자신의 필요·문제·지식의 한계·만들 대상의 필요성을 묻는 사고의 가치가 높아질 수 있다고 드러낸다. [18:52]
• 반복 업무 중 맡기거나 도구로 만들고 싶은 일을 떠올리고, 오늘 겪은 사소한 불편함 하나를 찾아보라고 권한다. 시청자의 생각을 댓글로 요청하며 마무리한다. [19:27]

🧾 결론

• 발표자가 제안하는 핵심 역량은 문제 발견, 질문, AI와의 구현, 결과 검증이라는 네 가지다.
• 도메인 전문성에는 업무 경험뿐 아니라 확실히 아는 것과 확인하지 못한 것을 구분하는 능력도 포함된다.
• 영상에서 말하는 빌더는 만들 대상과 이유를 설명하고, 실제로 작동하는 결과물까지 만들어 내는 사람이다.
• 첫 출발은 거대한 아이디어보다 오늘 겪은 작은 불편함 하나를 구체화하는 일이다.

📈 투자·시사 포인트

• 기업의 AI 활용 효과를 살펴볼 때는 도구 도입 여부와 함께 현업의 반복 업무가 실제로 개선됐는지 확인할 관점이 필요하다.
• 현업 담당자의 문제 이해와 전문 개발자의 보안·운영 역량을 연결하는 방식이 조직의 중요한 과제가 될 수 있다.
• AI 교육에서는 사용법과 함께 문제 발견, 요구사항 정리, 근거 확인을 훈련하는 방향을 검토할 수 있다.
• 영상은 개별 종목이나 수익률을 제시하지 않는다. 투자 판단에 연결하려면 소개된 업무 개선 가능성과 실제 기업 성과를 구분해야 한다.

⚠️ 불확실하거나 확인이 필요한 부분

• 두산에너빌리티 사례는 영상에서 소개한 2022년 로우코드 활용 사례다. 생성형 AI 코딩의 성과로 해석해서는 안 되며, 절감 시간이나 비용의 구체적인 수치는 제시되지 않는다.
• 중국 대학생 94명 대상 연구는 특정 교육 환경에서 관찰된 결과로 소개된다. 직장인의 업무나 모든 학습 상황에서도 같은 효과가 나타나는지는 확인이 필요하다.
• 지식노동자 319명 조사에서 소개된 내용은 AI 신뢰와 비판적 사고 노력 사이의 경향이다. 이것만으로 AI 사용이 사고력 저하를 직접 일으킨다고 단정할 수 없다.
• 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

• 오늘 반복한 업무 중 불편했던 일 하나를 골라 작업 순서와 불필요한 반복을 적는다.
• AI에게 무엇을 만들지 바로 정하게 하기보다, 현재 하는 일과 시간이 오래 걸리는 단계부터 질문해 달라고 요청한다.
• 발견한 문제를 필요한 입력, 처리 방식, 원하는 결과로 나누어 구체적인 요구사항으로 정리한다.
• AI와 함께 작은 도구를 만들고 실제로 사용하면서 필요한 기능을 차례로 보완한다.

❓ 열린 질문

• 익숙해서 문제로 인식하지 못했던 내 업무의 반복 단계는 무엇인가?
• 내가 확실히 아는 업무 지식과 경험에서 나온 추측은 어떻게 구분할 수 있는가?
• 현업이 직접 만드는 작은 도구와 전문 개발자의 검토가 필요한 시스템의 경계를 어디에 둘 것인가?