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.
🖼️ 인포그래픽

🖼️ 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
- 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.
- 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.
- 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.
- 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.
- 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?