AI가 발전해도 우리의 쓸모는 사라지지 않는다

새로운 AI가 등장할 때마다 비슷한 걱정이 따라옵니다. 이제 사람의 일이 정말 사라지는 것 아니냐는 걱정입니다.

AI가 문서와 이미지, 분석 자료를 순식간에 만드는 모습을 보면 충분히 그럴 수 있습니다. 하지만 결과물을 실제 업무에 써보면 이야기가 달라집니다. 많이 만드는 능력과 쓸 만한 결과를 만드는 능력은 같지 않기 때문입니다.

AI 시대에도 사람의 역할이 남는 이유는 단순합니다. 현실의 일은 정답을 만드는 것보다, 먼저 무엇을 풀어야 하는지 찾아야 하는 경우가 더 많습니다.

많이 만들었다고 쓸모 있는 것은 아니다

AI는 짧은 시간에 많은 결과물을 만듭니다. 회의 내용을 보고서로 정리하고, 광고 문구 수십 개를 제안하며, 표에 담긴 수치를 분석해 요약문까지 작성합니다.

문제는 생산량이 늘어난 만큼 내용이 빈약한 자료도 쉽게 쌓인다는 점입니다. 형식은 보고서인데 의사결정에는 도움이 되지 않고, 디자인은 그럴듯하지만 실제 고객에게 보여주기 어려운 결과물이 생깁니다. 흔히 말하는 ‘AI 슬롭’입니다.

처음에는 AI가 만들었다는 사실 자체가 놀랍습니다. 그러나 업무에 적용하려는 순간 확인해야 할 질문이 생깁니다.

• 내용이 사실과 맞는가?
• 우리 회사와 고객의 상황에 필요한가?
• 지금 해결하려는 문제에 도움이 되는가?
• 이 결과를 믿고 다음 행동을 결정해도 되는가?

결국 중요한 것은 생성 여부가 아니라 사용 가치입니다. 자료를 만드는 속도가 빨라져도 무엇을 채택하고 버릴지는 사람이 판단해야 합니다.

해야 할 일이 분명하면 AI는 강하다

AI는 출발점과 도착점이 뚜렷한 업무에서 특히 유용합니다. 목표가 분명하고, 처리 방식이 정해져 있으며, 결과를 확인할 기준이 있는 일입니다.

예를 들어 고객 문의 내용을 정해진 항목으로 분류하거나, 기존 양식에 맞춰 주간 보고서를 정리하는 일은 AI에 맡기기 좋습니다. 요구사항이 구체적인 코드 작성이나 반복되는 자료 변환도 마찬가지입니다.

이런 업무는 택배 배송과 비슷합니다. 목적지와 물건, 배송 조건이 정해져 있으면 빠르고 정확하게 옮기는 것이 핵심입니다. AI는 이 과정에서 시간을 크게 줄여줍니다.

다만 목적지가 정해지지 않았다면 이야기가 달라집니다. 어디로 가야 하는지부터 찾아야 하는 상황에서는 처리 속도보다 방향을 정하는 판단이 먼저 필요합니다.

현실의 문제는 정의부터 어렵다

매출이 줄었다고 가정해 보겠습니다. 겉으로 드러난 현상은 하나지만 원인은 여러 가지일 수 있습니다.

신규 고객이 줄었을 수도 있고, 기존 고객의 재구매가 감소했을 수도 있습니다. 제품의 매력이 떨어진 것이 아니라 판매 경로가 달라졌을 가능성도 있습니다. 지금 고객을 더 붙잡을지, 다른 고객을 찾아야 할지도 판단해야 합니다.

이때 곧바로 ‘매출을 높이는 방법’을 AI에 물으면 그럴듯한 답은 받을 수 있습니다. 할인 행사, 광고 확대, 신규 상품 출시처럼 익숙한 대안이 나올 것입니다. 하지만 고객이 이탈한 이유를 모르는 상태라면 어느 대안도 확신하기 어렵습니다.

현실의 문제를 푸는 과정은 다음과 같이 움직입니다.

1. 자료를 모아 현상을 확인합니다.
2. 가능한 원인을 가정합니다.
3. 현장 상황과 비교해 가정을 검증합니다.
4. 틀린 가정을 버리고 질문을 고칩니다.
5. 해결해야 할 문제와 판단 기준을 다시 정합니다.

해결책을 찾다가 문제의 정의가 바뀌기도 합니다. 우리가 하는 많은 일은 정해진 답을 제출하는 일이 아니라, 무엇을 풀어야 하는지 찾아가는 일입니다.

그럴듯한 답변이 탐색을 대신하지는 못한다

AI와 일할 때 자주 만나는 한계도 여기에 있습니다. AI는 답변을 빠르게 만들지만, 사용자가 왜 그 문제를 고민하는지는 놓칠 수 있습니다.

이미 비용 문제로 포기한 대안을 다시 제시하거나, 현장에서 반드시 지켜야 할 조건을 빼놓기도 합니다. 확인하지 않은 가정 위에 실행 계획을 차곡차곡 쌓을 때도 있습니다. 문서는 완성됐는데 정작 고민은 그대로 남는 이유입니다.

물론 탐색 과정에서도 AI는 유용합니다. 놓친 관점을 제시하고, 막연한 생각을 질문 목록으로 바꾸며, 여러 가정을 비교하는 데 도움을 줍니다. 다만 다음 판단까지 한 번에 넘기기는 어렵습니다.

• 무엇을 더 확인할 것인가?
• 어떤 가정을 먼저 검증할 것인가?
• 어느 대안을 포기할 것인가?
• 새로운 사실이 나오면 어디로 방향을 바꿀 것인가?

AI와의 협업은 한 번 지시하고 결과를 기다리는 방식보다, 중간 결과를 함께 검토하며 질문을 고쳐가는 방식에 가깝습니다.

문제의 방향은 가치와 책임이 결정한다

앞으로 AI 모델은 더 발전할 것입니다. 지금 드러난 한계 중 일부도 줄어들 수 있습니다. 그렇더라도 문제를 정의하고 방향을 정하는 일까지 곧바로 사라진다고 보기는 어렵습니다.

이 과정에는 정보만 필요한 것이 아니기 때문입니다. 무엇을 중요하게 볼지, 어떤 제약을 받아들일지, 무엇을 포기할지 결정해야 합니다. 선택한 결과를 누가 책임질지도 따져야 합니다.

같은 자료를 보고도 영업팀은 단기 매출을, 고객 지원팀은 불만 감소를, 제품팀은 장기적인 사용 경험을 우선할 수 있습니다. 어느 하나가 자동으로 정답이 되는 것은 아닙니다. 조직의 상황과 목표에 맞춰 우선순위를 정해야 합니다.

사람은 AI에 작업만 넘기는 존재가 아닙니다. 맥락을 설명하고, 결과를 의심하며, 다음 질문을 찾아야 합니다. 이 판단이 빠지면 AI가 아무리 좋은 결과를 만들어도 실제 행동으로 이어지기 어렵습니다.

우리에게 필요한 것은 AI와 일하는 방식이다

AI가 잘하는 일은 더 많이 맡기면 됩니다. 정리, 초안 작성, 반복 작업처럼 기준이 분명한 업무는 적극적으로 줄여도 좋습니다. 함께 탐색할 수 있는 범위도 차츰 넓혀가면 됩니다.

다만 빠르게 처리하는 능력과 무엇을 처리해야 하는지 찾아내는 능력은 다릅니다. AI의 발전을 사람의 쓸모가 사라진다는 뜻으로 받아들일 필요는 없습니다.

직장인이 지금 연습해야 할 일은 분명합니다.

• 문제의 배경과 제약을 구체적으로 설명합니다.
• AI가 사용한 가정과 근거를 확인합니다.
• 결과가 실제 상황에 맞는지 현장에서 검증합니다.
• 한 번의 답으로 끝내지 않고 다음 질문을 이어갑니다.
• 최종 선택과 그에 따른 책임은 사람이 맡습니다.

우리는 여전히 문제를 바라보고, 방향을 정하고, 결과를 판단해야 합니다. 그 과정에 AI를 유능한 동료처럼 곁에 두면 됩니다.

준비해야 할 것은 쓸모가 사라진 뒤의 삶이 아닙니다. AI와 함께 문제를 풀어가는 지금의 방식입니다.