[발표자료 다운로드] AI 시대 어떻게 일할 것인가?

전체 333장, PDF로 333쪽이다. 대분류 여섯 개 아래 중분류 47개가 있고, 중분류 하나는 표지를 포함해 7장 안팎이라 주제별로 끊어 읽거나 사내 교육 한 회차로 쓰기 좋다.

BCG와 하버드 경영대학원의 컨설턴트 실험, METR의 개발자 실험, Stanford Digital Economy Lab의 고용 연구, WEF 일자리 전망 같은 공개 연구와 국내외 기업의 도입 사례를 근거로 삼았고 장마다 바닥글에 출처를 적었다. 팀 리더와 실무자, AX를 추진하는 담당자가 함께 볼 수 있도록 전체 발표자료를 PDF로 공개한다.

이 발표자료의 첫 장 「AI 확산 속도와 업무 영향 범위」를 발표 영상으로 먼저 볼 수 있다. 「AI 시대 어떻게 일할 것인가」 시리즈의 1편이다.

영상은 AI가 직업을 통째로 없애기보다 직업 안의 업무를 가져간다는 관점에서 출발한다. 같은 직무라도 어떤 업무가 넘어가느냐에 따라 직무 수준이 올라가기도 하고 내려가기도 한다.

영상에서 다루는 순서는 다음과 같다.

• ChatGPT가 두 달 만에 사용자 1억 명에 도달한 확산 속도
• 미국 노동자의 약 80%가 업무의 10% 이상에서 LLM 영향을 받는다는 OpenAI 연구진의 추정
• 직업이 아니라 업무 단위로 일어나는 변화와 업스킬링·디스킬링
• 성과를 정의하기 쉬운 업무부터 자동화되는 패턴과 완전 자동화의 한계

AI가 무엇이고 어떻게 작동하는지 처음부터 정리하려면 인공지능(AI)이란 무엇인가에서 함께 볼 수 있다.

1. AI를 쓰면 실제로 생산성이 오르는가
2. AI에게 일을 맡기려면 지시를 어떻게 바꿔야 하는가
3. 사무직, 영업, 개발자, 디자이너에게 남는 일은 무엇인가
4. 개발 속도가 빨라지면 병목은 어디로 옮겨 가는가
5. 조직은 AI 도입 수준을 어떻게 진단하고 무엇부터 실행하는가
6. 주니어는 AI 시대에 어떻게 성장해야 하는가
7. 어디까지 AI에 맡기고 어디부터 사람이 검수하는가

BCG 컨설턴트 758명 실험에서 GPT-4를 쓴 그룹은 과제를 12.2% 더 많이 끝냈고, 처리 시간은 25.1% 짧았으며, 품질 평가는 40% 이상 높았다. 향상 폭은 기준 성과 하위 절반이 43%로 상위 절반의 17%보다 컸다.

다만 AI 능력 밖의 과제에서는 AI를 쓴 그룹의 정답률이 19%p 낮았다. 효과를 남기려면 어떤 과제가 AI 능력 안에 드는지 먼저 가려야 한다. 고객상담원 5,179명을 대상으로 한 NBER 연구에서도 숙련도가 낮은 상담원의 향상 폭이 가장 컸다.

▲ AI 능력 안쪽 과제에서는 속도와 품질이 함께 올랐다 (발표자료 14쪽)

같은 보도자료 업무도 방법만 적어 맡기면 결과를 판정할 기준이 없다. 목적, 대상, 완료 기준, 판정 근거 네 항목을 채운 지시서는 AI의 작업 명세가 되고, 결과를 검수할 때도 같은 기준을 쓴다.

각 팀의 최근 지시서 열 건을 이 네 항목에 대어 보면 방법만 적힌 지시서가 얼마나 되는지 바로 드러난다. 에이전트에 맡길 때는 고객 발송이나 결제처럼 되돌리기 어려운 동작 앞에서 사람의 확인을 받으라는 지점도 함께 적는다.

Anthropic Economic Index 2026년 1월 보고서에서 사람이 과업을 통째로 맡기는 지시형 대화 비중은 32%였고, 기업이 API로 업무 시스템에 연동한 사용에서는 64%였다. 실행을 AI가 맡는 비중이 커질수록 사람에게 남는 일은 무엇을 왜 시킬지 정하는 목적과 완료 기준이다.

▲ 지시서에 목적과 완료 기준을 적으면 그대로 AI 작업 명세가 된다 (발표자료 43쪽)

사람에게 일을 맡기면 1주에서 1개월이 걸리지만 AI와 완결하면 몇 시간, 길어도 하루면 끝난다. 그러면 AI 작업이 끝난 뒤 사람의 확인과 답변을 기다리는 시간이 병목이 된다.

의뢰와 승인 단계를 얼마나 줄이느냐에 따라 같은 기간에 돌릴 수 있는 개선 횟수가 크게 벌어진다.

▲ AI 작업이 빨라지면 사람의 대기 시간이 전체 속도를 정한다 (발표자료 30쪽)

「이번 달 결산 해 둬」라는 지시로는 에이전트가 월 결산을 처리하지 못한다. 매출·매입, 인건비, 판관비 같은 업무를 공정으로 나누고, 공정을 다시 작업과 판단으로 나눠야 한다.

작업은 여러 AI가 나눠 병렬로 처리하고 회계 판단은 담당자가 맡는다. 업무 구조를 알고 적절한 크기로 나눌 수 있는 사람이 AI를 쓸 수 있다.

▲ 월 결산은 한 줄 지시가 아니라 작업과 판단으로 나눠야 맡길 수 있다 (발표자료 57쪽)

제품 기능과 가격 전달, 제안서와 견적서 초안, 반복 후속 연락은 먼저 AI로 넘어간다. 고객 문제 진단과 관계 관리, 협상과 계약 조건 판단은 사람에게 남는다.

새로 생기는 일은 고객이 AI로 얻은 분석을 검증하고 보정하는 일, 고객 판단을 돕는 영업 지원 에이전트를 만드는 일이다.

▲ 영업에는 고객이 AI로 얻은 분석을 검증하는 일이 새로 생긴다 (발표자료 78쪽)

반복 구현과 정형 코드, 단순 테스트 코드는 AI로 넘어가고 아키텍처 판단과 장애 원인 분석, 운영 책임은 개발자에게 남는다. 새로 생기는 일은 에이전트가 따를 명세를 쓰고 AI가 만든 변경을 검증하는 일이다.

METR 실험에서 숙련 개발자는 빨라졌다고 느꼈지만 실측으로는 19% 느려졌다. 생산성은 체감이 아니라 명세대로 결과가 나왔는지로 기록한다.

AI가 코드를 만들고 고치는 과정이 자동화될수록 개발 생명주기의 병목은 코딩에서 명세와 검증으로 옮겨 간다. 개발 속도가 빨라질수록 무엇을 만들지 정하는 기획과 결과 검증이 새 병목이 된다.

▲ 개발자에게는 명세 작성과 변경 검증이 새로 남는다 (발표자료 108쪽)

화면과 시제품 제작 속도가 빨라지면서 디자이너의 일은 UI Creator에서 Experience Architect로 이동한다. 구체 작업에서 추상 전략으로, 도구 운영자에서 시스템 전체를 이끄는 역할로 옮겨 간다.

결과물을 넘기는 데서 끝나지 않고 최종 사용자 경험의 책임까지 디자이너가 맡게 된다. AI가 읽을 수 있게 정리한 디자인 시스템이 있어야 Figma 시안에서 코드로 넘어가는 품질도 유지된다.

▲ 디자이너는 화면 제작자에서 경험 설계자로 옮겨 간다 (발표자료 117쪽)

요구를 넣으면 요건 정의부터 프로토타입까지 자동으로 진행되고, 사람은 결과를 한꺼번에 확인한다. 피드백이 오면 요건이나 설계부터 차분을 다시 만든다.

모든 공정은 같은 지식 베이스를 참조하고, AI가 임시로 정한 판단은 미확정 사항으로 남겨 사람이 승인한다.

▲ 소프트웨어 팩토리는 사람의 확인을 프로토타입 뒤 한 번으로 모은다 (발표자료 155쪽)

AI가 짧은 시간에 많은 코드를 만들어도 사람이 다 검토하지 못하면 결과물은 사람의 처리량에 묶인다. AI를 더 써도 결과물이 늘지 않는 이유다.

확인 범위를 줄이는 설계가 없으면 AI의 속도는 대기열에서 사라진다. 앞의 소프트웨어 팩토리처럼 확인 시점을 모으고, 기계가 판정할 수 있는 항목은 테스트와 린터에 넘겨 사람이 볼 범위를 좁힌다.

▲ AI 개발의 병목은 사람의 리뷰 속도다 (발표자료 164쪽)

AI 네이티브 성숙도는 개인 활용, 도입·관리, 표준화, 평가·개선, 최적화의 다섯 단계다. 2단계는 결과물 책임 소재가 불명확하고, 3단계는 AI 판단 오류가 업무에 영향을 주는 것이 흔한 고민이다.

다수 조직은 2단계에 있고, 다음 단계는 도구 추가보다 조직과 인재, 데이터 준비로 결정된다.

▲ 조직의 AI 활용 수준은 다섯 단계로 진단한다 (발표자료 190쪽)

경험에 기반한 판단력이 있는 시니어는 AI로 크게 빨라지지만 판단력이 아직 없는 주니어는 느려진다. Stanford Digital Economy Lab 연구에서 AI 노출 직군의 22~25세 고용은 상대적으로 13% 줄었고 경력자 고용은 유지되거나 늘었다.

주니어 채용을 줄이면 몇 년 뒤 시니어가 부족해진다. 육성 전담 지도자 같은 장치가 필요한 이유다.

대형 로펌과 회계법인에서도 경력 초기 인력이 맡던 문서 검토와 데이터 정리가 AI로 넘어가고, 시니어는 AI를 써서 더 높은 부가가치 업무에 집중하고 있다. 그래서 직군 단위로 일괄 대응하기보다 직무와 경력 단계별로 교육과 평가 트랙을 나눠 설계해야 한다.

▲ 판단력이 있는 시니어는 빨라지고 주니어는 오히려 느려진다 (발표자료 231쪽)

변화 압박이 클수록 자기 관리가 중요해진다. 동기 관리를 바탕에 두고 업무·시간, 분노·스트레스, 스킬, 커리어 관리를 그 위에 둔다.

AI로 줄어든 시간은 새 업무로 채워지기 쉬우므로 그만둘 일을 가리는 기준도 함께 세운다. 개발 원칙인 YAGNI처럼 지금 필요하지 않은 일은 하지 않는다는 기준을 업무 선택에 옮겨 쓸 수 있다.

▲ 개인은 동기 관리를 바탕으로 다섯 영역을 관리한다 (발표자료 260쪽)

Anthropic 엔지니어들은 업무의 약 60%에 Claude를 쓰면서도 완전히 맡길 수 있는 업무는 0~20%라고 답했다. 위임의 대부분은 사람이 중간 결과를 확인하고 고치는 부분 위임이다.

검증 담당자가 있고 판정 기준이 명확한 업무부터 맡기고, 오류 비용이 큰 업무는 부분 위임으로 시작한다.

챗봇 도입은 직원이 질문할 도구를 하나 더 고르는 결정이었지만, 에이전트 도입은 어떤 업무를 AI에 맡기고 그 결과를 누가 확인할지 정하는 결정이다. 에이전트에 맡길 업무를 고를 때는 결과 확인자를 처음부터 함께 적어 둔다.

▲ 검증할 수 있는 범위까지만 AI에 맡긴다 (발표자료 305쪽)

순서는 목적 정의, 업무 전문가의 에이전트 제작, AI Enablement Lead 지정, 손익 기준 결과 지표다. 첫 단계는 라이선스 배정이 아니라 부서별로 무엇을 맡기고 어떻게 판정할지 정하는 일이다.

목적 없이 에이전트부터 만들면 산출물은 늘어도 손익에 무엇이 바뀌었는지 보고할 근거가 남지 않는다.

McKinsey가 2025년 11월 발표한 조사에서 응답자의 23%는 조직 어딘가에서 에이전트형 AI를 확대 적용하고 있고, 39%는 시험 중이라고 답했다. 시험 도입이 업무 정착으로 이어지지 못하는 간극을 줄이는 것이 이 네 단계의 목적이다.

▲ 조직의 AI 도입은 목적 정의부터 손익 지표까지 네 단계로 실행한다 (발표자료 328쪽)

AI를 쓰면 생산성이 정말 오르는가

AI 능력 안쪽 과제에서는 속도와 품질이 함께 올랐다. BCG 실험에서 처리 시간은 25.1% 짧아졌지만 능력 밖 과제에서는 정답률이 19%p 낮았다.

AI에게 일을 맡길 때 지시서에는 무엇을 적는가

목적, 대상, 완료 기준, 판정 근거 네 항목을 적는다. 이 항목이 AI의 작업 명세이자 검수 기준이 된다.

개발자에게 남는 일은 무엇인가

아키텍처 판단, 장애 원인 분석, 운영 책임이다. 에이전트가 따를 명세를 쓰고 AI가 만든 변경을 검증하는 일이 새로 생긴다.

AI를 도입했는데 개발 속도가 기대만큼 빨라지지 않는 이유는 무엇인가

병목이 사람의 리뷰와 승인 대기로 옮겨 갔기 때문이다. 확인 범위를 줄이고 확인 시점을 모으는 설계가 필요하다.

우리 조직의 AI 활용 수준은 어떻게 진단하는가

개인 활용, 도입·관리, 표준화, 평가·개선, 최적화의 다섯 단계로 나눠 본다. 단계마다 흔한 고민이 달라 다음에 할 일이 정해진다.

주니어는 AI 시대에 어떻게 성장해야 하는가

AI 출력을 판정할 기초 지식과 판단력을 먼저 쌓아야 한다. 조직은 육성 전담 지도자처럼 주니어가 판단을 배울 장치를 둔다.

조직은 AI 도입을 무엇부터 실행하는가

부서별로 무엇을 맡기고 어떻게 판정할지 정하는 목적 정의부터 한다. 그다음 업무 전문가의 에이전트 제작, 확산 담당 지정, 손익 지표 순서로 간다.

MSAP.ai 자료

• 인공지능(AI)이란 무엇인가
• 엔터프라이즈 AI란 무엇인가
• AX(AI 전환)란 무엇인가
• AI 에이전트란? 정의·종류·사례와 기업 도입 기준
• AI 시대 일 잘하는 사람의 다섯 가지 습관
• AI 시대 엔지니어의 문제 정의 역량
• 생성형 AI 파운데이션 모델 기반 업무 활용 사례와 도입

외부 공개 자료

• Navigating the Jagged Technological Frontier (Harvard Business School)
• Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity (METR)
• Canaries in the Coal Mine (Stanford Digital Economy Lab)
• Generative AI at Work (NBER)
• How AI is transforming work at Anthropic
• The Future of Jobs Report 2025 (WEF)
• DORA 2025 State of AI-assisted Software Development

일의 구조 변화와 생산성 연구, 직무별로 넘어가는 일과 남는 일, 개발 방식과 조직의 변화, 개인의 일하는 방식, 역할별 AI 사용법이 PDF 한 파일에 들어 있다. 아래 버튼에서 333쪽 발표자료 PDF를 내려받을 수 있다.