YouTube바이브랩스·2026년 11월 18일·0

AI에게 대체되는 것이 아니라 AI 잘 쓰는 사람에게 일자리를 빼앗긴다

Quick Summary

AI에게 대체되는 것이 아니라 AI 잘 쓰는 사람에게 일자리를 빼앗긴다를 중심으로, 같은 AI를 써도 한 사람이 맡을 수 있는 일의 범위는 다르다. 발표자는 기업 교육에서 이메일과 보고서 초안을 쓰는 데 그치는 사를 핵심 판단 포인트로 압축 정리한다.

영상 보기

클릭 전까지는 가벼운 미리보기만 먼저 불러옵니다.

원본 열기

🖼️ 인포그래픽

AI에게 대체되는 것이 아니라 AI 잘 쓰는 사람에게 일자리를 빼앗긴다 내용을 설명하는 본문 이미지

🖼️ 4컷 인포그래픽

AI에게 대체되는 것이 아니라 AI 잘 쓰는 사람에게 일자리를 빼앗긴다의 핵심 내용을 4단계로 요약한 인포그래픽
AI에게 대체되는 것이 아니라 AI 잘 쓰는 사람에게 일자리를 빼앗긴다 핵심 내용을 4단계로 압축한 4컷 인포그래픽

💡 한 줄 결론

AI에게 대체되는 것이 아니라 AI 잘 쓰는 사람에게 일자리를 빼앗긴다를 중심으로, 같은 AI를 써도 한 사람이 맡을 수 있는 일의 범위는 다르다. 발표자는 기업 교육에서 이메일과 보고서 초안을 쓰는 데 그치는 사를 핵심 판단 포인트로 압축 정리한다.

📌 핵심 요점

  1. 같은 AI를 써도 한 사람이 맡을 수 있는 일의 범위는 다르다. 발표자는 기업 교육에서 이메일과 보고서 초안을 쓰는 데 그치는 사람도, 시장 조사·데이터 분석·프로그램 개발까지 해내는 사람도 봤다고 말한다.
  2. 고용 변화를 이해하려면 직업을 개별 업무로 나눠 봐야 한다. 홍보 담당자가 기사 수집을 자동화하면 위기 대응 메시지를 판단하는 데 시간을 쓸 수 있다. 한편 기사 수집을 주로 맡던 인력의 수요는 줄 수 있다.
  3. 현장 경험은 AI로 무엇을 만들지 정하는 데 쓰인다. 발표자가 예로 든 20년 차 영업 담당자는 고객이 왜 불만을 갖고 어떤 상황에서 계약하는지 안다. 그 지식은 고객 관리 시스템에 어떤 기능이 필요한지 판단하는 근거가 된다.
  4. AI 에이전트는 도구를 사용해 여러 단계의 업무를 이어갈 수 있다. 파일을 수정하거나 자료를 외부로 보낼 수도 있으므로, 자율 실행을 어디까지 허용하고 어느 시점에 사람이 확인할지 정해야 한다.
  5. 기업이 축적한 지식을 AI로 활용하려면 흩어진 자료를 업무 시스템과 연결해야 한다. 이때 자료의 의미를 파악할 수 있는지, 누가 접근하는지, 어디로 전송되고 어떤 기록이 남는지도 함께 살펴야 한다.

🧩 배경과 문제 정의

30년간 개발자로 일한 발표자는 기업 대상 AI 리더십 특강에서 같은 도구를 쓰는 사람끼리도 맡을 수 있는 일의 폭이 달라진다는 점에 주목했다. 영상은 이 차이를 출발점으로, AI가 직업 안의 어떤 업무를 바꾸는지, 기업이 AI를 실제 업무에 연결하려면 무엇이 필요한지, 그 과정에서 사람이 어떤 판단을 책임져야 하는지 살펴본다.

🕒 시간순 섹션별 상세정리

1. 같은 AI를 쓰는 사람 사이의 차이

  • 발표자는 AI를 능숙하게 쓰는 사람이 다른 사람의 일자리와 경쟁할 수 있다고 드러낸다. AI가 업무를 직접 대체해 일자리가 줄어드는 경우도 인정한다. [00:38]
  • 이메일·보고서 초안 작성에서 멈추는 경우와 시장 조사·분석·개발까지 혼자 진행하는 경우를 비교하며, 기업이 앞으로 어떤 인재를 필요로 할지 묻는다. [01:39]

2. 과학 연구와 기업에서 넓어지는 활용 범위

  • 2022년 챗GPT 등장에 이어 2024년 노벨 물리학상과 화학상을 변화의 사례로 든다. 특히 알파폴드 2의 단백질 구조 예측을 통해 과학자가 연구할 수 있는 범위가 넓어졌다고 해석한다. [03:09]
  • 스탠퍼드의 2026년 AI 인덱스를 인용해 조사 대상 조직의 88%가 AI를 활용한다고 전해진다. 같은 보고서에서 에이전트 활용은 아직 초기 단계로 설명한다고 덧붙인다. [03:45]

3. 홍보 담당자의 하루로 보는 업무 재편

  • 기사 검색, 이슈 분류, 보고서 작성은 AI의 도움을 받을 수 있다. 회사의 평판을 고려해 어떤 메시지를 낼지, 위기 때 어떤 입장을 취할지는 여전히 담당자의 판단이 필요한 일이다. [05:01]
  • 반복 업무가 줄면 그 업무를 주로 담당하던 인력에 대한 수요도 줄 수 있다고 짚어 본다. [05:13]

4. 일자리 순증과 개인의 전환은 다른 문제

  • 세계경제포럼의 2025년 보고서를 인용해 2030년까지 약 1억 7천만 개 일자리가 생기고 약 9,200만 개가 대체될 것이라는 전망을 보여준다. 기술·인구·경제·환경 요인을 함께 반영한 예측이다. [05:49]
  • 전체 고용이 늘어도 기존 일을 잃은 사람이 새 일자리로 곧바로 옮길 수 있는 것은 아니다. 발표자는 개별 업무의 재편이 누적되면서 직업의 모습도 달라질 것으로 본다. [06:23]

5. 여러 분야를 연결하는 인재와 현장 경험

  • 기획·디자인·개발·마케팅을 폭넓게 이해하는 ‘육각형 인재’를 새 서비스 기획에 빗댄다. 각 분야를 이해하면 AI의 도움으로 시장 조사부터 작동하는 초안과 홍보 자료까지 연결할 수 있다는 설명이다. [08:04]
  • 20년 차 영업 담당자가 고객 관리 시스템을 설계한다는 예를 든다. 고객의 요구를 아는 경험이 설계에 도움이 되며, 과거 방식도 틀릴 수 있음을 받아들이고 새 도구를 배우는 태도가 필요하다고 드러낸다. [09:18]

6. 답변 생성에서 도구를 쓰는 에이전트로

  • 실제 업무는 답변을 받은 뒤에도 계속된다. 발표자는 적절한 도구와 권한이 있으면 에이전트가 자료 검색, 파일 작성, 보고서 전달 같은 일을 연결할 수 있다고 보여준다. [10:51]
  • 에이전트가 잘못된 파일을 수정하거나 데이터를 삭제·전송할 수 있다는 점도 짚어 본다. 자율성이 커질수록 어디에서 사람이 검증하고 승인할지 정하는 일이 중요해진다. [11:47]

7. 계열사 홍보 이슈를 경영진 보고 자료로 만든 실습

  • 홍보 담당자들이 매주 겪는 문제는 여러 계열사의 이슈를 모아 중요한 내용을 골라내고 경영진에게 보고하는 일이었다. [12:33]
  • 발표자는 교육에서 CSV 자료를 분석하고 대시보드를 만든 뒤, 최신 뉴스를 반영해 경영진용 발표 자료까지 제작했다고 드러낸다. 학습의 초점은 여러 단계를 하나의 결과물로 연결하는 경험이었다. [13:08]

8. 작은 프로그램을 시험하는 비용과 운영하는 비용

  • 현업 사용자가 직접 작은 프로그램을 만들어 아이디어가 작동하는지 시험할 수 있다. 기업의 정식 시스템에는 보안·장애 대응·유지보수도 필요하다고 보여준다. [13:58]
  • 발표자가 주목하는 변화는 비용 때문에 접어 뒀던 아이디어도 작은 규모로 실험해 볼 수 있게 됐다는 점이다. [14:09]

9. 기업 데이터 연결과 접근 권한

  • 상담 기록, 영업 이력, 실패한 프로젝트의 기록이 개인 이메일이나 오래된 시스템에 흩어져 있으면 쓰기 어렵다. AI가 자료에 접근하고 그 의미를 파악할 수 있도록 업무 시스템과 연결해야 한다고 제안한다. [15:22]
  • 검색 증강 생성, 온톨로지, 지식 그래프를 선택지로 들되 해결할 문제에 따라 고르라고 드러낸다. 내부 자료를 다룰 때는 서비스별 학습 정책과 데이터 접근·전송·기록 조건도 확인해야 한다. [16:13]

10. 범용 지능의 시점과 지금 관찰할 변화

  • 범용 인공지능과 초지능의 도래 시점을 두고 전망이 엇갈린다고 보여준다. 발표자는 특정 연도를 단정하기 어렵다고 본다. [17:08]
  • 현재 주목할 변화로 이미지·음성·영상의 이해, 컴퓨터와 도구 사용, 로봇과 결합해 주변 환경을 인식하고 물체를 움직이는 피지컬 AI 연구를 꼽는다. [17:43]

11. 도구를 시험하며 배우는 판단

  • 발표자는 새 AI 도구를 직접 써 보고 기대에 못 미치면 구독을 취소하기도 한다. 그런 경험을 통해 문제에 맞는 도구와 사람이 직접 해야 할 일을 구분하게 됐다고 드러낸다. [18:39]
  • 프로그램을 만드는 과정에서 어떤 문제를 풀지, 결과가 충분히 좋은지, 현실에 적용하면 누구에게 도움이 되거나 피해가 생길지를 판단하는 책임을 강조한다. [19:24]

12. 기술이 바뀌어도 남는 경험과 세 가지 질문

  • 은퇴 후에도 개발과 개인 사업을 이어가는 발표자는 예전에 익힌 기술 중 쓰지 않는 것이 많다고 돌아본다. 지금도 쓰는 것은 문제를 분석하고, 복잡한 일을 나누고, 결과를 의심하고 검증하는 습관이다. [20:12]
  • 매일 반복하는 일 중 무엇을 AI에 맡길지, 확보한 시간을 어디에 쓸지, 끝까지 자신이 책임질 판단은 무엇인지 묻는다. 특히 마지막 질문을 강조하며 강연을 맺는다. [21:21]

🧾 결론

  • 발표자는 직업 안의 업무 구성이 먼저 달라지고, 그 변화가 쌓여 직업 자체의 모습도 바뀔 것으로 본다. 변화의 속도와 고용에 미치는 영향은 맡은 업무에 따라 다를 수 있다.
  • AI가 진입 장벽을 낮추면 현업 담당자도 자신의 아이디어를 작은 프로그램으로 구현해 시험할 수 있다. 이때 오랜 경험을 살리는 방법은 익숙한 방식도 다시 검토하고, 만든 결과가 실제 문제를 해결하는지 확인하는 것이다.
  • 사람이 끝까지 맡을 일은 무엇을 만들지 정하고 그 결과를 사용할지 판단하는 일이다. 보고서가 완성된 뒤에도 그 내용이 무엇을 뜻하고, 그에 따른 결정이 누구에게 도움이 되거나 피해를 줄지는 사람이 따져야 한다.

📈 투자·시사 포인트

  • 기업의 AI 투자 수준을 볼 때는 사용률과 함께 실제 업무가 어디까지 이어지는지 살필 수 있다. 홍보 실습에서는 흩어진 이슈를 정리해 경영진이 볼 보고 자료를 완성하는 것이 기준이었다.
  • 작은 실험과 정식 운영에는 서로 다른 비용이 든다. 현업이 적은 비용으로 아이디어를 검증할 수 있어도, 핵심 시스템으로 운영하려면 보안·장애 대응·유지보수에 필요한 자원을 따로 고려해야 한다.
  • 인력 계획에서는 전체 일자리 수와 직무 전환을 구분필요가 있다. 새 일자리가 생겨도 기존 업무를 잃은 사람이 곧바로 그 자리를 맡을 수 있는지는 별개의 문제다.

⚠️ 불확실하거나 확인이 필요한 부분

  • 영상이 스탠퍼드의 2026년 AI 인덱스에서 인용한 88%는 조사 대상 조직 중 AI를 활용한다고 응답한 비율이다. 이 수치만으로 업무 자동화의 범위나 생산성 향상 폭을 알 수는 없다.
  • 영상이 인용한 세계경제포럼의 2030년 일자리 순증 약 7,800만 개는 기술·인구·경제·환경 변화를 함께 고려한 전망이다. AI만의 고용 효과나 특정 직군의 채용 전망으로 해석하기는 어렵다.
  • 20년 차 영업 담당자의 고객 관리 시스템은 현장 경험의 가치를 설명하기 위한 가정이다. 홍보 대시보드와 보고 자료는 실제 교육에서 만들었다고 소개하지만, 정식 도입 후의 성과 수치는 제시하지 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

  • 매주 반복하는 업무 하나를 골라 자료 수집부터 최종 판단까지 단계별로 적고, AI에 맡길 단계와 직접 책임질 단계를 표시한다.
  • 그 업무에서 실제로 쓰는 결과물 하나를 정해 작은 실험을 한다. 완성된 보고서나 프로그램이 처음 해결하려던 문제에 답하는지 현업의 관점에서 검토한다.
  • 사내 자료를 연결하기 전에 서비스의 데이터 처리·학습 정책, 접근 권한, 전송 위치, 기록 범위를 확인한다. 파일 변경이나 외부 발송에 사람의 승인이 필요한 지점도 정한다.
  • 반복 업무에서 확보한 시간을 어디에 쓸지 정한다. 홍보 업무라면 위기 대응 입장을 검토하거나 언론과의 관계를 다듬는 데 쓸 수 있다.

❓ 열린 질문

  • 내 업무에서 AI가 결과물을 만들어도 그 의미와 사용 여부를 끝까지 내가 판단해야 하는 부분은 무엇인가?
  • 자동화로 여유가 생긴 사람과 맡던 일을 잃은 사람에게 조직은 각각 어떤 역할 전환의 기회를 줄 수 있을까?
  • 우리 회사에 오래 쌓였지만 흩어져 있는 자료 중, 실제 업무 판단에 연결했을 때 가장 도움이 될 자료는 무엇인가?

관련 문서

공통 태그와 주제 흐름을 기준으로 같이 보면 좋은 문서를 이어서 제안합니다.