A New Vision for Human Work After Automation

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

A New Vision for Human Work After Automation를 중심으로, 댄 시퍼는 자동화 이후의 일을 이해하려면 대규모 지표로 추세를 보는 ‘집계적 관점’과 실제 업무 사례를 깊이 들여다보는 ‘밀착적를 핵심 판단 포인트로 압축 정리한다.

📌 핵심 요점

1. 댄 시퍼는 자동화 이후의 일을 이해하려면 대규모 지표로 추세를 보는 ‘집계적 관점’과 실제 업무 사례를 깊이 들여다보는 ‘밀착적 관점’을 함께 써야 한다고 주장한다. 모델의 성능 상승만으로 인간의 역할을 설명하기는 어렵다는 뜻이다.
2. 시퍼는 고객 설문 분석, 실시간 게임 제작, 맞춤형 CRM 구축과 고객 연락을 기존 Claude 구독으로 일주일 동안 수행했다고 설명한다. 과거 여러 직무가 나눠 맡던 일을 개인이 AI와 함께 처리할 수 있게 됐다는 사례다.
3. 같은 설문과 같은 Claude를 사용해도 팀원들은 서로 다른 가치를 발견했다. 시퍼는 팀 판매 기회를, 야시는 초기 구독자의 이탈 문제를, 더글러스는 독자의 외로움을 발견했고, 잭은 결과를 게임쇼 영상으로 전달했다.
4. 발표의 핵심 구분은 ‘생성은 저렴하지만 순위를 매기는 일은 어렵다’는 것이다. AI가 가능한 답을 많이 만들어도, 무엇이 중요한지 고르고 행동으로 옮기는 데에는 담당 영역에 대한 책임과 개인의 관점이 작용한다.
5. 시퍼가 제시하는 ‘할당 경제’에서는 지식을 얼마나 보유했는지보다 AI에 일을 배분하고 결과의 품질을 관리하는 능력이 중요해진다. 평가 기준도 보편적 문제 해결력에서 ‘내 관점으로 내 일을 얼마나 잘하는가’로 확장해야 한다고 제안한다.

🧩 배경과 문제 정의

Every 팟캐스트 진행자 나탈리아 칸테로는 첫 콘퍼런스 ‘Thesis’의 마무리 발표를 소개한다. 행사의 중심 질문은 ‘자동화 이후에도 훌륭한 인간의 일은 어떤 모습인가’다. Every 공동창업자이자 CEO인 댄 시퍼는 고객 설문을 AI로 분석하고 여러 업무를 수행한 경험을 출발점으로 답한다.

문제는 AI의 성능 향상이 곧바로 인간의 가치 소멸을 뜻하는지다. 시퍼는 전체 성능 추세를 보는 관점과 실제 업무를 가까이서 살피는 관점을 구분한다. 이어 같은 데이터와 모델을 사용한 팀원들이 서로 다른 결과를 만든 사례를 통해, 책임 영역과 관점이 탐색·선별·실행에 어떤 역할을 하는지 설명한다.

🕒 시간순 섹션별 상세정리

1. 자동화 이후의 인간 노동이라는 질문

• 진행자는 Every의 첫 콘퍼런스 Thesis와 ‘자동화 이후 훌륭한 인간의 일은 무엇인가’라는 중심 질문을 보여준다. [00:43]
• 시퍼가 한 주 동안 Claude 구독으로 설문 분석부터 CRM·게임 제작과 고객 연락까지 수행했다는 사례를 예고하며, 모델에 가져가는 인간의 관점이 핵심이라고 보여준다. [01:37]

2. 미래를 보는 집계적 관점과 밀착적 관점

• 시퍼는 미래 예측의 두 방법으로 많은 데이터를 모아 추세를 연장하는 방식과 하나의 실제 사례를 깊이 이해해 전망하는 방식을 구분한다. [02:54]
• 집계적 관점은 정량적이고 강력하다. 데이터와 연산을 늘리면 모델 역량이 커진다는 설명을 그 사례로 제시한다. [03:33]

3. 업무 벤치마크가 보여주는 성능 상승

• 발표자는 전문가의 실제 업무를 프롬프트로 만들고, AI와 AI를 쓰지 않는 인간의 결과물을 블라인드 평가하는 OpenAI의 벤치마크를 보여준다. [04:18]
• AI가 인간 전문가보다 우수한 결과를 냈다는 비율로 2024년 12.4%, 2025년 47.6%, 2026년 약 83%를 인용한다. 벤치마크가 이미 포화됐을 것이라는 말은 발표자의 추정이다. [04:52]

4. 여러 직무의 일을 수행한 한 주와 정체성의 충격

• 시퍼는 분기 고객 설문을 분석하고, 고객 이해도를 겨루는 실시간 게임을 만들었으며, 팀 판매 기회를 발견해 맞춤형 CRM으로 연락을 시작했다고 보여준다. [05:47]
• 이를 과거의 데이터 분석·개발·마케팅·영업 업무에 비유하면서, AI가 자신의 일을 수행하는 모습을 볼 때 자아와 주체성이 흔들리는 현상을 ‘주체성의 균열’로 표현한다. [06:39]

5. 실제 사용 경험에서 발견한 개인의 확장

• 집계적 지표는 유용하지만 놓치는 것도 있으므로, 실제 사례의 복잡성과 서로 연결된 조건을 가까이서 살펴야 한다고 주장한다. [07:20]
• 시퍼는 2022년 GPT-3 사용 경험에서 개인이 팀처럼 일하게 될 가능성을 봤다고 회고한다. AI가 개인의 영향력을 큰 조직에 견줄 만큼 확장할 것이라는 자신의 당시 전망을 보여준다. [09:19]

6. AI 에이전트가 있어도 인간 팀이 필요한 이유

• 시퍼는 여러 직무를 에이전트로 처리한다면 왜 팀이 필요한지 질문하면서, Every에는 여전히 30명의 팀원이 있다고 드러낸다. [10:16]
• 같은 분기 고객 설문을 팀 전체에 공유해 각자 분석하도록 했고, 자신은 팀 판매 기회를 찾아 CRM 구축과 이메일 발송으로 이어갔다고 보여준다. [10:40]

7. 같은 설문에서 나온 서로 다른 발견

• 성장 업무를 맡은 야시는 이메일이 너무 많아 첫 달 이후 이탈하는 신규 구독자 문제를 발견했고, 마케팅 책임자 더글러스는 AI 활용에 공감받지 못하는 독자들의 외로움에 주목했다. [11:39]
• 시니어 에디터 잭은 설문 결과를 설명하는 클레이 애니메이션 게임쇼를 만들었다. 같은 자료가 사업 문제의 발견과 창의적 전달이라는 다른 결과로 이어졌다. [12:07]

8. 기본 답변과 팀원들의 결과가 갈린 지점

• 팀원들은 같은 설문과 같은 Claude를 사용했지만 서로 다른 중요한 내용을 강조했다. Claude의 기본 답변도 유효한 통찰을 담았으나 누구나 얻을 수 있다는 점에서 저렴해졌다고 평가한다. [12:49]
• 누구도 기본 답변과 같은 결과만 제출하지 않았으며, 바쁜 콘퍼런스 준비 중에도 각자 의미 있는 분석을 수행했다는 점을 강조한다. [13:33]

9. 실행으로 이어진 분석과 발언 예측 실험

• 야시는 원하는 지표를 바꾸기 위한 PR까지 작성했고, 동시에 행사의 맞춤형 라이브스트리밍 경험 구축에도 관여했다고 보여준다. [14:08]
• 평가 책임자 마이크 테일러의 실험에서는 Claude가 Slack 질문마다 후보 400개를 만들 때 시퍼가 할 말을 93%의 경우에 포함할 수 있었다고 보여준다. [15:04]
• 그러나 실제 발언이 후보 순위 상위 10%에 들어간 경우는 약 60%였다고 보여준다. 가능한 답을 포함하는 능력과 그 답을 앞에 배치하는 능력 사이의 차이다. [15:17]

10. 생성보다 어려운 선별과 책임 있는 선택

• 시퍼는 ‘생성은 저렴하지만 순위를 매기는 일은 어렵다’고 정리한다. 다른 팀원의 결과를 생성할 수 있어도 수많은 후보 속에서 찾아내는 데에는 어려움이 있다는 뜻이다. [15:51]
• 담당 영역에 대한 책임은 무엇을 탐색할지 좁혀주고, 개인의 관점은 무엇을 중요하게 선택해 행동할지 결정한다고 보여준다. [16:18]

11. 팀은 가능성을 넓히고 결과를 걸러낸다

• 설문에서 얻을 수 있는 수많은 가능성 중 책임 영역이 탐색 범위를 좁히고, 관점이 일부 통찰에 우선순위를 부여하며, 선택한 하나가 실행으로 이어진다고 보여준다. [17:13]
• 서로 다른 관점을 지닌 팀은 더 넓은 가능성을 탐색하고 선별할 수 있다. 이는 한 사람이 기본 프롬프트로 답을 얻거나 다른 사람의 생각을 모사하도록 요청하는 것보다 가치 있다고 주장한다. [17:52]

12. 미래의 모델과 함께 발전하는 인간

• Claude의 순위 선정 능력이 좋아질 가능성을 인정하면서도, 미래의 모델을 현재의 야시와 비교하면 인간이 쌓을 경험과 더 나은 도구의 활용을 빠뜨린다고 지적한다. [18:55]
• 자율적으로 움직이는 에이전트도 누군가 설정하고 시작해야 한다며, 비교를 ‘미래 모델을 사용하는 야시’와 ‘그 모델의 기본 프롬프트’로 다시 구성한다. [19:43]
• 시퍼는 자신의 관점과 책임을 가진 야시를 선택하겠다고 드러낸다. 모두에게 열려 있는 평균적 답변보다 그가 만드는 방향과 선택을 높게 평가하는 것이다. [20:21]

13. 높아지는 기본 역량과 관점의 차별적 가치

• 모델이 널리 보급되면 기본 답변은 모두의 기준선이 되고, 차별적 가치는 자신의 관점과 책임을 통해 모델을 어디까지 밀어붙이느냐에서 나온다고 주장한다. [21:18]
• 오늘의 차별점이 내일의 기본 역량에 흡수되더라도 사용자는 새 모델을 활용하며 계속 발전할 수 있다고 보여준다. [21:43]
• 집계적 지표만 보면 인간의 일이 사라지는 것처럼 보이지만, 실제 사용을 들여다보면 인간의 관점과 모델 활용이 성능 상승 위에 더해지는 모습을 볼 수 있다고 정리한다. [22:37]

14. 할당 경제와 AI 평가 기준의 전환

• 시퍼는 ‘할당 경제’를 지식을 얼마나 아는가보다 지능 자원을 배분하고 관리해 일을 잘 끝내는 능력으로 평가받는 방식이라고 보여준다. [23:04]
• AI 평가는 모두가 가치에 동의하는 문제를 잘 푸는지에 더해, ‘내 관점에서 내 일을 얼마나 잘하는지’를 물어야 한다고 제안한다. [24:01]
• 정답이 합의된 역량이 보편화될수록, 자신만의 비합의적 관점으로 좋다고 판단하는 결과를 만드는 일이 중요해진다는 견해를 제시한다. [24:47]

15. 모델의 발전을 자신의 성장으로 연결하기

• 시퍼는 모델의 발전을 자신의 목적에 활용하면 모델이 좋아질수록 사용자도 더 나아질 수 있다고 드러낸다. [25:09]
• 집계적 비교가 고정된 인간을 기준으로 모델을 측정하는 데 비해, 밀착적 관점은 앞으로 무엇을 만들고 어떤 사람이 될 수 있는지 보게 한다고 강조한다. [25:41]
• 도구를 직접 쓰고 다른 사용자와 함께한 콘퍼런스 경험의 가치를 되짚으며, 이 관점을 세상에 전하자고 촉구한다. 감사 인사와 박수, 음악으로 영상이 끝난다. [26:04]

🧾 결론

• 발표가 제시하는 인간의 가치는 산출물의 양보다 무엇을 탐색하고, 무엇을 중요하게 여기며, 어떤 결과를 책임지고 추진하는지에 있다.
• 팀의 의미도 달라진다. 여러 사람의 관점과 책임 영역이 결합하면, 한 사람이 기본 프롬프트로 얻는 답보다 넓은 가능성을 탐색하고 선별할 수 있다는 설명이다.
• 미래의 AI와 현재의 인간을 고정해 비교하면 인간도 학습하고 더 나은 모델을 사용한다는 변화를 놓친다. 시퍼는 발전한 모델을 활용하는 미래의 인간까지 비교에 포함해야 한다고 강조한다.
• 이는 Every의 실제 활용 경험에서 도출한 미래 노동에 대한 관점이다. 모든 직업과 조직에서 고용이 유지된다는 입증으로 확대해서 읽을 수는 없다.

📈 투자·시사 포인트

• 발표의 논리를 사업 평가에 적용하면, 누구나 얻을 수 있는 기본 AI 답변보다 고객 문제를 정의하고 결과를 선택해 실행하는 역량을 살펴볼 필요가 있다.
• 조직 생산성은 모델 도입 여부와 함께 봐야 한다. 같은 데이터에 접근한 구성원들이 각자의 책임 영역에서 문제를 발견하고 실제 변경까지 추진할 수 있는지가 사례의 핵심이다.
• AI 제품을 평가할 때 공통 벤치마크 점수에 더해 사용자의 업무와 판단 기준에 얼마나 잘 맞는지 확인하는 관점이 제시된다.
• 발표에서 말하는 ‘알파’는 관점과 책임이 만들어내는 차별적 가치다. 금융 수익률이나 특정 기업의 투자 성과를 검증한 표현은 아니다.

⚠️ 불확실하거나 확인이 필요한 부분

• 발표자는 OpenAI의 경제적 업무 평가에서 AI의 성과가 2024년 12.4%, 2025년 47.6%, 2026년 약 83%로 높아졌다고 소개한다. 원자료, 집계 방식, 비교 조건은 제공된 전사만으로 확인할 수 없으며, 이를 전체 일자리의 대체 비율로 해석해서는 안 된다.
• Slack 발언 예측 실험의 93%는 후보 400개 안에 실제 발언에 해당하는 답이 포함되는 조건의 수치다. 단일 답변의 정확도와 다르며, 표본 규모와 정답 판정 방식도 전사에 제시되지 않는다.
• ‘다섯 사람의 일’을 기존 구독으로 처리했다는 설명은 업무 범위에 대한 발표자의 비교다. 동일한 품질의 검증, 유지보수 부담, 실제 투입 시간과 비용까지 측정한 결과는 제공되지 않는다.
• 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

• 반복 업무 하나를 골라 AI에 맡길 작업, 사람이 선택할 기준, 최종 결과를 책임질 담당자를 명시한다.
• 같은 고객 자료를 여러 담당자가 독립적으로 분석하게 하고, 기본 프롬프트의 답과 각자의 발견이 어떻게 다른지 비교한다.
• AI가 생성한 후보의 수와 사람이 실제로 선택·실행한 결과를 구분해 기록한다. 후보를 많이 만드는 능력을 업무 성과와 혼동하지 않는다.
• 모델 평가에 실제 업무 사례를 포함하고, ‘우리의 관점과 목적에 맞는 결과인가’를 판단할 기준을 작성한다.

❓ 열린 질문

• 모델이 개인의 선호와 맥락을 더 잘 학습하고 후보 순위까지 정확히 매기게 되면, 인간의 관점이 만드는 차별적 가치는 어떻게 달라질까?
• 여러 사람의 관점이 충돌할 때 팀은 어떤 기준으로 최종 우선순위를 정하고 책임을 배분해야 할까?
• Every에서 관찰된 개인의 업무 확장이 다른 직무와 조직에서도 비슷하게 나타날까? 이를 판단하려면 어떤 성과와 비용을 측정해야 할까?