AI 때문에, 이제 업무가 더 꼬입니다

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

AI 때문에, 이제 업무가 더 꼬입니다를 중심으로, 모델 성능의 발전과 현장 생산성은 속도가 다르다. 스케일링 법칙은 자원 투입에 따른 성능 향상을 예측하게 하지만 이론적 설를 핵심 판단 포인트로 압축 정리한다.

📌 핵심 요점

1. 모델 성능의 발전과 현장 생산성은 속도가 다르다. 스케일링 법칙은 자원 투입에 따른 성능 향상을 예측하게 하지만 이론적 설명은 충분하지 않다. 실제 성과는 기업 데이터 연결, 설비 변경, 인허가와 조직 조정에 달려 있다.
2. 모델 경쟁은 가격·특화와 연산 확보로 확장된다. 성능이 비슷해질수록 비용과 고급 업무 특화가 중요해진다. 중국 오픈 웨이트 모델의 추격과 키미의 GPU 부족 사례는 성능 경쟁뿐 아니라 서비스 확산에 따른 연산 수요도 보여준다.
3. 자동화로 절약한 시간은 새로운 업무가 채울 수 있다. 계약서 대량 분석과 고객별 마케팅처럼 과거에는 시도하지 못했던 일이 기본 요구사항이 된다. 광고 다섯 개가 5,000개로 늘어나는 사례는 처리 능력의 증가가 업무량 증가로 이어지는 구조를 설명한다.
4. 생산성 향상이 곧 임금 상승이나 근로시간 단축을 뜻하지는 않는다. 소개된 덴마크 연구에서는 AI 챗봇 사용자의 임금과 근로시간에 뚜렷한 변화가 확인되지 않았다. 사용을 권장한 회사의 AI 이용률은 83%였지만, 절약한 시간 대부분은 다른 업무에 쓰였다.
5. 재직자의 역량 강화와 신입의 진입 기회는 따로 봐야 한다. 소개된 미국 ADP 분석에서는 AI 활용도가 높은 직종의 30~40대 고용이 10% 늘어난 반면 22~25세 고용은 11% 줄었다. 경력자의 암묵지가 AI와 보완 관계를 이룬다는 해석이 있지만, 청년 고용 변화의 주원인이 AI인지는 확정되지 않았다.

🧩 배경과 문제 정의

• AI의 성능 향상을 예측하는 스케일링 법칙은 대규모 투자의 근거지만, 왜 성립하는지에 대한 이론적 이해는 충분하지 않다.
• 모델이 빠르게 발전해도 실제 생산성 향상은 설비, 인허가, 조직 조정 등 현실의 실행 속도에 좌우된다.
• AI가 기존 업무를 줄이면 고객의 기대치와 업무 기준이 올라간다. 절약한 시간이 여유로 이어지기보다 새로운 업무로 채워질 수 있다.
• 전체 고용과 임금이 안정적이어도 신입 채용의 위축은 가려질 수 있다. 재직자의 생산성 향상과 사회초년생의 진입 기회는 구분해서 봐야 한다.

🕒 시간순 섹션별 상세정리

1. 자원 투입과 성능 향상을 연결하는 스케일링 법칙

• 빵은 재료를 지나치게 늘리면 반죽과 가열의 한계에 부딪힌다. AI 스케일링 연구의 출발점은 연산량과 데이터를 크게 늘려도 성능 개선의 규칙성이 유지되는 현상이다. [00:39]
• 언어 모델의 성능을 일정 수준 더 높이려면 연산 자원을 다시 큰 폭으로 늘려야 한다. 성능 향상에 필요한 자원은 단순한 비례 관계보다 훨씬 가파르게 증가한다. [01:42]

2. 성능 예측이 바꾼 투자 경쟁과 이론적 공백

• 모델의 매개변수 수, 학습 텍스트, 학습 연산량을 늘리면 성능이 개선된다. 핵심은 거대한 모델을 실제로 학습하기 전에도 자원 증가에 따른 성능 향상을 예측할 수 있다는 점이다. [02:31]
• 해당 연구에서는 모델을 높게 쌓거나 넓게 펼치는 차이보다 전체 규모가 중요했다. 경쟁의 중심이 자본과 반도체 확보로 이동하지만, 법칙이 성립하는 이유에 대한 확고한 이론적 이해는 부족하다. [03:03]

3. 이해하지 못하는 계산에 미래를 맡기는 구조

• 미제작 영화 각본 속 《파운데이션》에서는 수학자 하리 셀던이 제국의 붕괴와 이후의 대응을 계산한다. 문명의 미래를 결정하는 방정식은 사람이 들어갈 수 있는 거대한 공간으로 구현된다. [04:44]
• 각본 속 학자들은 천 년 동안 방정식을 관리하면서도 원리를 이해하지 못한다. 현실에서도 스케일링 법칙의 연구자들이 살아 있지만 이론적 공백은 남아 있고, 대규모 데이터센터 투자는 계속된다. [05:26]

4. 모델 발전의 지속과 가격·특화 경쟁

• 사전 학습과 사후 학습의 개선, 고품질 데이터 공급 생태계, 추가 연산 자원이 모델 발전을 뒷받침한다. 이러한 흐름이 발전 정체론을 반박하는 근거다. [07:12]
• 미국의 선두 연구소 최소 다섯 곳이 비슷한 성능으로 경쟁하는 반면 비용 차이는 크다. 성능 격차가 좁아질수록 저가 공급과 고급 업무 특화가 주요 경쟁 전략이 된다. [08:35]

5. 중국 오픈 웨이트 모델의 추격

• 중국 AI가 미국보다 6개월에서 1년 뒤처졌다는 기존 평가에 변화가 생긴다. 키미 K3의 종합 평가 세계 3위 성적은 칩 접근성과 기술 격차에 대한 기존 판단을 흔드는 사례다. [09:26]
• 키미 K3에는 같은 작업에 더 많은 토큰을 쓴다는 효율성 논쟁이 있지만, 프런트엔드 디자인 평가에서는 1위 성적도 나온다. 중국 오픈 웨이트 생태계의 격차는 약 3개월이라는 추정까지 좁혀진다. [10:06]

6. 키미의 확산이 드러낸 연산 수요와 개발 방식

• 키미 후원 구간의 사례에서 문샷 AI는 이용자가 몰려 GPU 부족으로 신규 가입을 막는다. 무료 공개 모델이 비싼 칩 수요를 줄일 것이라는 우려와 달리, 서비스 확산 자체가 추가 연산 수요를 만든다. [12:05]
• 개발 시연에서는 기획서 한 장으로 8인용 멀티플레이어 레이싱 게임을 만든다. 실시간 위치 동기화와 3D 자산 생성 같은 요구뿐 아니라 제외할 기능과 합격 기준까지 적는 구체적인 기획이 핵심 조건이다. [12:27]

7. AI의 답과 현실의 변화 사이에 있는 확산 병목

• 지능의 발전 속도만으로 산업 변화의 시점을 예측하기는 어렵다. AI의 답에 기업 데이터를 결합하고 설비·인력·제품을 바꾼 뒤 결과를 다시 데이터로 돌려보내는 과정은 사람의 속도로 진행된다. [13:46]
• 생명의학의 발견은 임상시험을, 건물 설계의 개선은 인허가를 통과해야 한다. 모델이 답을 빨리 내더라도 현실의 검증과 실행 절차가 최종 성과를 늦출 수 있다. [14:44]

8. 서류 자동화 이후에도 남는 물리적 실행과 조직 조정

• 사람이 규칙을 정하고 AI가 허용 범위 안에서 인허가 서류를 처리하면, 수개월에서 수년 걸리는 절차를 크게 단축할 가능성이 있다. 다만 사람이 직접 검토하거나 상급자에게 넘기는 단계가 새로운 병목이 될 수 있다. [15:06]
• 문서 읽기·처리·입력은 AI 에이전트로 자동화할 수 있다는 낙관론이 있다. 그 이후에도 사람이 직접 수행하는 물리적 작업과 사람 사이의 이해관계를 조정하는 일은 남는다. [15:49]

9. 기존 업무의 대체를 넘어 새로 가능해지는 일

• 기업 문서에 AI 에이전트를 연결한 고객사에서는 사람이 처리하기에 양이 너무 많아 시도하지 못했던 업무가 주요 활용처다. 계약서 수천 장을 분석하면 추가 계약이나 새로운 영업 기회를 찾을 수 있다. [16:59]
• 마케팅 자료는 모두에게 보내는 완성도 높은 문서 한 개에서 고객별 상황에 맞춘 개별 자료로 바뀐다. 과거에는 불가능했던 맞춤화가 AI로 가능해지면서 기본 요구사항이 된다. [17:58]

10. 생산성 향상을 흡수하는 업무량과 기대치

• CPU 성능 향상을 소프트웨어가 다시 소모했던 현상처럼, AI가 확보한 처리 능력도 늘어난 업무에 흡수될 수 있다. 기존 제작·검토 건수만 고정해 놓고 계산하면 자동화 이후의 수요 변화를 놓친다. [18:18]
• 기존 업무의 시장가격은 내려가지만 요구 기준은 올라간다. 광고 다섯 개 대신 지역·고객층·산업별 광고 5,000개를 만드는 사례처럼, 생산성 향상이 더 많은 맞춤형 결과물에 대한 기대로 계속된다. [19:01]

11. 영업 자동화 이후 높아지는 사람의 역할

• AI가 고객사 조사와 회의 준비를 처리하면 영업의 경쟁 기준도 바뀐다. 일반적인 시연을 넘어 고객사의 실제 데이터로 제품이 작동하는 모습을 보여주는 작업이 중요해진다. [19:35]
• 기존 업무를 잘하는 것만으로는 차별화가 어려워져 사람은 더 높은 수준의 업무에 시간을 쓰게 된다. 판단력 있는 인력과 AI를 함께 활용하는 기업이 더 나은 서비스를 만들고 경쟁사의 기준까지 끌어올릴 수 있다는 전망이다. [20:14]

12. 덴마크 자료에서 드러난 임금·근로시간의 제한적 변화

• 덴마크의 행정 급여 자료를 활용한 연구에서는 AI 챗봇 사용자의 임금과 근로시간에 뚜렷한 변화가 확인되지 않았다. 작은 차이까지 탐지하려는 분석에서도 변화가 잡히지 않았다는 점이 ‘정밀한 제로’의 의미다. [22:11]
• 회사가 사용을 권장한 곳에서는 83%가 실제로 AI를 사용했지만, 전체 근무시간 대비 절약한 시간은 작았다. 절약분 대부분도 퇴근을 앞당기는 대신 다른 업무를 처리하는 데 쓰였다. [22:40]

13. 전체 고용의 안정 속에서 줄어드는 신입 진입 기회

• 미국 ADP의 월별 약 500만 명 급여 기록을 분석한 연구에서는 AI 활용도가 높은 직종의 30~40대 경력자 고용이 10% 증가했다. 반면 같은 직종의 22~25세 고용은 11% 감소했고, AI 활용도가 낮은 용접·배관 분야의 같은 연령대 고용은 10% 늘었다. [23:16]
• 청년층의 어려움은 대규모 해고보다 신입 채용 축소로 나타난다. 취업하지 못한 사람은 해고 통계에 잡히지 않으므로, 낮은 해고율만으로 노동시장 진입 기회까지 안전하다고 판단하기 어렵다. [24:49]

14. 형식지의 자동화와 경력자가 가진 암묵지

• 신입의 전공 지식 같은 형식지는 AI와 겹치지만, 경력자의 현장 판단과 고객 의도 파악 같은 암묵지는 보완 관계를 만들 수 있다는 해석이다. 이 구조에서는 AI가 경력자의 역량을 높이는 동시에 신입 채용의 필요성을 줄일 수 있다. [25:35]
• 회사 안에서 높아진 업무 기준은 회사 밖 신입에게 더 높은 채용 문턱이 된다. 다만 청년 고용 변화의 주원인이 AI인지는 확정되지 않았으며, 연구 제목의 물음표도 그 불확실성과 연결된다. [26:41]

15. 닫히는 채용의 문과 AI에 대한 사회적 경계

• 카프카의 「법 앞에서」에서는 주인공이 열린 문 앞에서 허락을 기다리다 평생을 보낸다. 반복되는 채용 거절을 겪는 청년도 자신의 역량이 부족한 것인지 채용 기회 자체가 줄었는지 구분하기 어렵다는 점에서 이 우화와 겹친다. [27:38]
• AI에 대한 경계는 청년 고용 문제를 넘어 데이터센터 규제와 부정적인 여론으로 확장된다. 기술 확산을 추진하는 기업에도 규제와 반감이 장애물이 되며, 부정적인 분위기는 민주당과 공화당 양쪽에 걸쳐 있다. [29:02]

16. 업계의 공포 확산과 대중의 불신

• 일부 공화당 성향 주에서도 데이터 센터 건설 금지 법안을 검토하지만 아직 통과되지는 않았다. AI 반대 여론에는 기술 자체에 대한 우려와 부유한 실리콘밸리 인사들에 대한 반감이 겹쳐 있다. [30:03]
• AI 개발자들이 세상 파괴 가능성을 경고하면서 개발을 멈추지 않는 모순은 대중의 불신을 키운다. 영상의학 전문의의 일자리가 사라질 것이라는 예측과 달리, 실제로는 AI가 판독에 더 많이 쓰이고 전문의가 결과를 검토하는 업무가 계속된다. [31:35]

17. 규제와 정치적 갈등을 줄이기 위한 조건

• AI에 대한 부정적 여론은 데이터 센터 건설 제한과 모델 규제로 이어지며, 행정부에 따라 새로운 세금이 붙을 가능성도 있다. 여론을 바꾸려면 사람들이 효용을 직접 경험하고, 좋은 사례가 더 널리 알려지며, 실제 위험도 계속 줄어들어야 한다. [32:27]
• AI의 실제 위험에 대한 공포가 긍정적 사례를 덮고 있다. AI를 공격해 대중의 분노를 모으기 쉬운 만큼, 다음 대선에서 주요 쟁점으로 부상하고 향후 몇 년간 정치적 혼란이 커질 가능성이 있다. [33:00]

18. 미국의 혁신 기반과 안전망을 함께 지키는 방향

• 미국의 장기 AI 경쟁력을 뒷받침하는 강점은 자본·인재·아이디어를 모아 창업으로 연결하는 능력이다. 이 강점을 유지하려면 세계의 인재를 계속 유치하고, 혁신을 지원하는 제도와 미래를 향한 낙관을 갖춰야 한다. [33:39]
• 데이터 센터 중단론은 전기요금·물·일자리 문제에 대한 우려에 기반한다. 반면 개발 지속론은 AI가 질병 예방과 수명 연장에 기여할 가능성을 중시하며, 개발 중단이 이런 의료 진보까지 늦출 수 있다는 우려를 담고 있다. [34:24]

🧾 결론

• AI 도입의 성과는 기존 업무의 처리 시간뿐 아니라 새로 늘어난 업무량과 검토·조정 부담까지 포함해 판단해야 한다.
• 사람의 역할은 고객의 실제 문제를 파악하고 결과를 판단하며 현장에서 실행하는 쪽으로 높아질 수 있다.
• 전체 고용이나 해고율이 안정적이어도 신입 채용의 문은 좁아질 수 있다. 재직자와 구직자의 경험을 분리해서 살펴야 한다.
• 기술 확산을 지속하려면 사람들이 효용을 경험하도록 하고 실제 위험을 줄이는 동시에, 전환 과정에서 밀려난 사람을 위한 안전망을 마련해야 한다.

📈 투자·시사 포인트

• 모델 기업을 평가할 때 성능 순위와 함께 제공 비용, 토큰 효율, 고급 업무 특화를 살펴볼 필요가 있다. 성능 격차 축소가 가격 경쟁으로 이어질 수 있기 때문이다.
• 무료 공개 모델의 확산도 서비스 이용 증가를 통해 추가 GPU 수요를 만들 수 있다. 다만 후원 구간의 단일 사례만으로 산업 전체 수요를 단정해서는 안 된다.
• AI 도입 기업의 생산성 전망은 데이터 연결, 사람의 검토, 인허가와 물리적 실행에 걸리는 시간을 반영해야 한다.
• 데이터센터 투자에는 전기요금·물·일자리 우려에 따른 여론과 규제 변수가 작용한다. 건설 제한이나 세금 가능성은 확정된 정책과 구분해 추적해야 한다.

⚠️ 불확실하거나 확인이 필요한 부분

• 키미 K3의 순위와 중국 모델의 격차 추정은 평가 시점·벤치마크·비용 조건에 따라 달라질 수 있다. 제공된 자료만으로 평가 원문과 조건을 확인할 수 없으며, GPU 부족과 개발 시연은 후원 구간의 사례다.
• 덴마크 연구의 제한적 변화와 미국 ADP 분석의 연령별 고용 차이는 서로 다른 관측이다. 이를 모든 국가·직종으로 일반화하거나 AI의 인과효과로 단정할 수 없다.
• 스케일링 법칙의 이론적 공백이 남아 있으며, 성능 개선의 지속이 현장의 생산성이나 투자 성과를 자동으로 보장하지 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

• AI 도입 전후의 처리 시간, 결과물 수, 검토 시간과 총근로시간을 함께 기록해 절약분이 어디에 쓰이는지 확인한다.
• 업무 흐름에서 데이터 연결, 승인, 사람의 검토, 물리적 실행이 지연되는 지점을 찾아 자동화 이후의 병목을 점검한다.
• AI에 맡길 작업의 요구사항, 제외할 기능과 합격 기준을 명시하고 실제 업무 데이터로 결과를 검증한다.
• 인력 지표에서 전체 고용·해고와 신입 채용을 나누고, 연령·경력별 진입 기회 변화를 살핀다.

❓ 열린 질문

• 늘어난 처리 능력이 계속 추가 업무로 흡수된다면, 어떤 조건에서 근로시간 단축이나 임금 상승으로 이어질 수 있을까?
• 신입이 맡던 형식지 중심 업무가 자동화될 때, 현장 판단과 고객 이해를 익힐 경력 형성 경로는 어떻게 마련할 수 있을까?
• 기업은 더 많은 맞춤형 결과물을 요구하면서도 사람의 검토와 조직 조정이 새로운 병목이 되지 않도록 할 수 있을까?