
TL;DR — AI 일자리 영향은 직업을 없애기보다 직업 안의 업무 일부를 가져가는 모양으로 옵니다. 성과를 숫자로 잴 수 있는 업무부터 넘어가고, 여러 사람이 맞물린 복잡한 업무의 완전 자동화는 아직 현실적이지 않습니다.
AI 도입과 업무 재설계를 검토하는 기업 의사결정권자라면 지금 물어야 할 질문은 “어떤 직업이 사라지나”가 아니라 “우리 조직의 어떤 업무가 먼저 넘어가나”입니다. 이 글은 클라우드네이티브TV가 공개한 「AI 일자리, 직업보다 ‘업무’가 먼저 사라집니다 | AI 시대 일하는 법 EP.01」(7분 32초)을 장면 6개로 나눠, AI 일자리 영향이 어떤 속도와 범위로, 어떤 모양으로 오는지 정리했습니다.
영상으로 먼저 보기: 7분에 담은 AI 확산 속도와 업무 영향 범위
이 영상은 「AI 시대 일하는 법」 시리즈의 첫 편으로, AI가 얼마나 빨리 퍼졌는지에서 출발해 AI 일자리 영향이 직업이 아니라 업무 단위로 온다는 결론까지 수치와 도식으로 따라갑니다.
영상에서 다루는 순서는 다음과 같습니다.
자료 다운로드 📄
이 글과 함께 제공되는 발표 자료를 아래 버튼에서 내려받으실 수 있습니다.
이 영상이 답하는 7가지 질문 정리
AI 일자리 영향에 대한 영상의 설명을 질문으로 바꾸면 일곱 가지입니다. 아래 일곱 개 절이 이 순서대로 답합니다.
- AI는 이전 기술과 비교해 얼마나 빨리 퍼졌는가?
- AI의 능력은 전문 직무를 맡을 만큼 올라왔는가?
- AI 일자리 영향은 얼마나 넓고, 누가 더 크게 받는가?
- AI의 영향은 직업 단위로 오는가, 업무 단위로 오는가?
- 같은 직무가 왜 어떤 곳에서는 올라가고 어떤 곳에서는 내려가는가?
- 어떤 업무가 먼저 AI로 넘어가는가?
- AI는 지금 어디까지 사람을 대신할 수 있는가?
AI 확산이 이전 어떤 기술과도 다른 이유
생성형 AI는 지금까지 나온 어떤 소비자 서비스보다 빨리 퍼졌습니다. ChatGPT는 출시 후 월간 사용자 1억 명에 두 달 만에 도달했고, 이는 생성형 AI가 이미 보통 사람의 일상 도구가 됐다는 근거입니다.
영상은 스위스 투자은행 UBS의 추정을 근거로 세 서비스를 나란히 놓습니다. 월간 사용자 1억 명까지 걸린 기간이 ChatGPT는 2개월, TikTok은 9개월, Instagram은 30개월입니다. 같은 회사의 기존 서비스망을 타고 성장한 Meta Threads는 조건이 달라 비교에서 뺐습니다. 출시 직후부터 개별 사용자가 스스로 찾아와 쓴 서비스끼리 비교한 셈입니다.
▲ 월간 사용자 1억 명까지 걸린 기간 — ChatGPT 2개월 (영상 2:25)
캡처 왼쪽 막대그래프에서 ChatGPT의 막대는 2개월로 가장 짧고, Instagram의 막대는 30개월로 가장 깁니다. 오른쪽에는 빌 게이츠가 2023년 3월 에세이에서 남긴 평가가 정리돼 있습니다.
그 평가는 이렇습니다. 빌 게이츠는 평생 혁명적이라고 느낀 기술 시연이 딱 두 번이었다고 했고, 하나는 1980년의 그래픽 사용자 인터페이스(GUI), 다른 하나는 2022년 OpenAI 모델이었습니다. 영상은 이 대목을 동네에 새 빵집이 생겼는데 두 달 만에 온 동네 사람이 다 다녀간 일에 빗댑니다.
확산 속도가 AI 일자리 영향을 판단하는 데 주는 의미는 분명합니다. 직원들은 회사가 정책을 정하기 전에 이미 개인적으로 생성형 AI를 쓰고 있을 가능성이 높습니다. 도입 여부를 논의하는 단계는 지났고, 어떤 업무에 어떤 조건으로 쓰게 할지 결정해야 하는 단계로 넘어왔다고 보는 편이 현실에 가깝습니다.
GPT-4가 전문 직무까지 AI 도입 검토 대상으로 만든 이유
AI의 능력은 한 세대 만에 크게 올라섰습니다. GPT-4는 미국 변호사 시험 모의 응시에서 상위 10% 수준 점수를 받았고, 도구를 연결하자 여러 단계로 된 전문 업무를 지시 한 번으로 이어서 처리했습니다.
비교 대상은 바로 앞 세대입니다. OpenAI의 GPT-4 기술 보고서에 따르면 GPT-3.5는 같은 시험에서 하위 10% 수준이었습니다. 영상은 반에서 꼴찌 근처이던 학생이 한 번에 상위권으로 올라온 셈이라고 설명합니다. 법률 지식처럼 오래 공부해야 쌓이는 전문 영역에서 이런 도약이 일어났다는 점이 핵심입니다.
▲ GPT-4 의 변호사 시험 성적과 신약 후보 탐색 사례 (영상 3:21)
캡처 오른쪽은 OpenAI가 위험 평가 문서(System Card)에 공개한 시연 사례입니다. 도구를 연결한 GPT-4는 다섯 단계를 이어서 처리했습니다.
- 기존 약의 정보를 입력받고 새 후보를 찾으라는 지시를 받는다.
- 성질이 비슷한 화합물을 탐색한다.
- 특허 침해 여부를 확인하고 구조를 수정한다.
- 구매 가능한 공급사를 확인한다.
- 공급사에 보낼 주문 메일 문안까지 작성한다.
시험 점수는 지식의 양을 보여 주지만, 이 사례는 지식을 엮어 실제 업무 흐름을 끝까지 수행할 수 있다는 점을 보여 줍니다. 영상은 반론도 함께 소개합니다. 처음 응시한 사람과만 비교하면 GPT-4의 백분위가 60번대 초반으로 내려간다는 재평가 연구입니다. 캡처 왼쪽 아래의 표시가 이 반론을 가리킵니다.
반론을 감안해도 영상의 결론은 같습니다. 법률 지식과 여러 단계 작업 모두 전문가 수준에 다가갔기 때문에, 전문 직무도 AI 도입 검토 대상이 됐다는 것입니다. 변호사·연구원·분석가처럼 그동안 업무 자동화와 거리가 멀다고 여기던 직무도 AI 일자리 영향을 피하지 못하므로, 업무 목록을 다시 점검해야 할 때가 됐습니다.
AI 일자리 영향이 대부분의 노동자에게 걸치는 이유
OpenAI 연구진은 미국 노동자의 약 80%가 업무의 10% 이상에서 대규모 언어 모델(LLM, 많은 글을 학습해 문장을 이해하고 만들어 내는 AI 모델)의 영향을 받는다고 추정했습니다. AI 일자리 영향은 일부 직종의 문제가 아니라 거의 모든 노동자의 문제라는 뜻입니다.
같은 연구는 AI 일자리 영향의 깊이도 따로 계산했습니다. 업무의 절반 이상이 영향받는 노동자는 약 19%입니다. LLM만 쓰면 업무의 약 15%를 같은 품질로 훨씬 빨리 끝낼 수 있는데, LLM 기반 소프트웨어와 도구까지 붙이면 이 비율이 47~56%로 올라갑니다. 맥킨지는 지금 기술로 업무 시간의 60~70%를 자동화할 수 있다고 봤습니다.
▲ LLM 의 미국 일자리 영향 추정 — 약 80% · 약 19% · 47~56% (영상 4:10)
캡처 위쪽 카드 세 장이 세 수치를 나란히 보여 주고, 아래쪽 왼쪽에는 맥킨지의 추정이, 오른쪽에는 발표 요지가 정리돼 있습니다. 영상에 나온 수치를 표로 모았습니다.
| 지표 | 수치 | 출처 |
|---|---|---|
| 업무의 10% 이상이 LLM 영향을 받는 노동자 | 약 80% | OpenAI 연구진 |
| 업무의 50% 이상이 LLM 영향을 받는 노동자 | 약 19% | OpenAI 연구진 |
| LLM만으로 같은 품질에 훨씬 빨리 끝나는 업무 | 약 15% | OpenAI 연구진 |
| LLM 기반 도구까지 쓸 때 빨라지는 업무 | 47~56% | OpenAI 연구진 |
| 현재 기술로 자동화 가능한 업무 시간 | 60~70% | 맥킨지 |
영상이 흥미롭다고 짚는 지점은 고소득 직무일수록 AI 일자리 영향이 크다는 사실입니다. 과거 자동화가 주로 단순 반복 노동을 대신했던 것과 반대 방향입니다. 다만 영상은 사무직이나 창작자가 당장 AI로 바뀌는 것은 아니라고 선을 긋습니다. 먼저 오는 변화는 AI를 쓰는 사람이 쓰지 않는 사람을 대신하는 변화입니다. 계산기를 잘 쓰는 사람이 손으로 셈하는 사람보다 앞서는 것과 비슷하다는 설명입니다.
그래서 영상은 AI를 얼마나 좋은 파트너로 쓰느냐가 실력을 크게 가른다고 말합니다. 조직 입장에서는 인력 감축 계획보다 구성원의 AI 활용 역량을 먼저 점검해야 합니다. 그것이 이 AI 일자리 영향 수치와 맞는 대응입니다.
AI가 직업이 아니라 업무를 가져가는 구조
AI 일자리 영향은 직업을 통째로 없애기보다 직업 안의 업무 일부를 가져가는 모양으로 옵니다. 하나의 직무 안에는 여러 업무가 들어 있고, 그중 몇 개만 AI로 넘어가며, 동시에 기계를 쓰는 새 업무가 생깁니다.
영상은 이 구조를 원형 도식으로 설명합니다. 직무라는 원 안에 업무 여러 개가 들어 있고, 그중 일부에만 “AI 흡수” 표시가 붙습니다. 원 바깥으로는 “기계를 쓰는 새 업무 생성”이라는 화살표가 뻗어 나갑니다. 영상은 이 도식이 개념을 보여 주는 그림일 뿐, 실제 흡수 비율을 뜻하지는 않는다고 덧붙입니다.
▲ AI 영향은 직업이 아니라 업무 단위로 온다 (영상 4:53)
캡처 오른쪽 위에는 Anthropic Economic Index 2026년 1월 보고서의 수치가 있습니다. Claude가 맡는 업무는 평균 교육 14.4년 수준의 고학력 업무로, 경제 전체 평균인 13.2년보다 1년 넘게 높습니다. 영상은 이를 미국 준학사 수준이라고 설명합니다. 앞 절의 “고소득 직무일수록 영향이 크다”는 결론과 같은 방향의 근거입니다.
이 구조가 AI 일자리 영향을 따지는 의사결정권자에게 주는 시사점은 분석 단위입니다. 직무 이름표만 보고 “이 직무는 AI로 대체된다, 안 된다”를 판단하면 실제 변화를 놓칩니다. 같은 직무 안에서도 넘어가는 업무와 남는 업무가 갈리기 때문입니다. 업무 재설계는 직무를 업무 목록으로 쪼개는 일에서 시작해야 합니다. AI 일자리 영향도 그 목록 위에서 재야 정확합니다.
업스킬링과 디스킬링이 갈리는 기준
같은 AI 도입이라도 어떤 업무가 빠지느냐에 따라 남는 직무의 수준이 올라가기도, 내려가기도 합니다. 쉬운 업무가 빠지면 직무 수준이 올라가는 업스킬링, 어려운 업무가 빠지면 내려가는 디스킬링이 일어납니다.
영상은 김밥집 사장님을 예로 듭니다. 재료 손질을 기계에 맡기면 사장님은 맛을 내는 일에 더 집중하게 됩니다. 손이 많이 가지만 판단은 덜 필요한 일이 빠지고, 가게의 경쟁력을 결정하는 일이 남은 경우입니다. 반대로 어려운 일이 기계로 넘어가면 사람에게는 쉬운 일만 남아 직무 수준이 내려갑니다.
캡처 오른쪽 아래 「결과는 어떤 업무가 빠지느냐에 따라 갈림」 상자도 같은 내용을 담고 있습니다. 두 경우를 비교하면 다음과 같습니다.
| 구분 | 업스킬링 | 디스킬링 |
|---|---|---|
| AI로 넘어가는 업무 | 손이 많이 가는 쉬운 업무 | 판단이 필요한 어려운 업무 |
| 사람에게 남는 업무 | 판단·조율·품질을 정하는 업무 | 확인·입력 같은 단순 업무 |
| 직무 수준의 변화 | 올라간다 | 내려간다 |
| 영상 속 비유 | 재료 손질을 맡기고 맛 내기에 집중하는 김밥집 사장님 | 어려운 일이 빠져 쉬운 일만 남은 경우 |
이 구분은 AI 일자리 영향을 줄이고 기회로 바꾸는 과제를 고를 때 그대로 기준이 됩니다. 같은 자동화 과제라도 남는 사람의 일이 더 가치 있는 쪽으로 바뀌는지, 단순 확인 작업만 남는지를 먼저 따져야 합니다. 디스킬링이 예상되는 과제라면 남는 인력의 역할과 경력 경로를 함께 설계해야 조직의 역량이 줄지 않습니다.
성과를 정의할 수 있는 업무부터 AI로 넘어가는 이유
AI 일자리 영향이 먼저 닿는 업무에는 공통 조건이 있습니다. 성과를 정의할 수 있고, 결과를 비교할 수 있고, 최적화할 수 있는 업무일수록 기계로 빨리 넘어갑니다. 세 조건을 갖출수록 이동 속도가 빨라집니다.
영상은 달리기 기록에 빗댑니다. 숫자로 잴 수 있으면 더 빠른 쪽을 고르기 쉽습니다. 업무 자동화도 마찬가지로, 무엇이 좋은 결과인지 정의되고 결과끼리 비교할 수 있으면 기계가 더 나은 쪽을 찾아 반복해서 개선할 수 있습니다.
▲ 성과 정의 → 비교 → 최적화가 쉬운 업무부터 AI 로 (영상 5:33)
캡처 위쪽에는 세 조건이 화살표로 이어져 있고, 그 아래에 해당 산업이 태그로 나열돼 있습니다. 농림수산업부터 제조, 건설, 생활 기반 시설, 정보통신, 물류, 소매, 금융, 행정까지 거의 모든 산업이 들어갑니다. 의료·복지, 교육, 사법, 서비스, 개발처럼 사람의 판단이 필요해 보이는 영역도 예외가 아닙니다. 영상은 이 영역들도 성과를 정의하는 순간 같은 흐름에 들어간다고 말합니다. 육체노동 역시 더 빠르고 정확하게 개선되는 방향은 같습니다.
영상이 꼭 나눠 봐야 한다고 강조하는 구분이 있습니다. 과도기에 사람이 필요한 것과 길게 봐서 사람이 더 잘하는 것은 다른 문제라는 점입니다. 지금 사람이 필요하다는 사실만으로는 그 업무를 계속 맡을 근거가 약합니다. 다만 업종마다 전환 시점은 크게 다르고, 이 흐름은 발표자의 전망이라는 점도 영상은 함께 밝힙니다.
이 기준은 AI 일자리 영향을 업무 목록 단위로 점검할 때 바로 쓸 수 있습니다. 업무마다 세 가지를 물어보면 됩니다. 좋은 결과의 기준이 숫자나 규칙으로 정해져 있는가, 결과물끼리 비교할 수 있는가, 반복하며 개선할 수 있는가. 셋 다 그렇다면 AI 일자리 영향이 먼저 닿을 업무이고, 업무 자동화 우선순위도 높습니다.
AI 대체가 아직 단순 업무에 머무는 이유
현재 AI 일자리 영향의 범위는 정해진 범위 안의 단순 업무까지입니다. 정보 처리와 지식의 양에서는 이미 사람을 앞서지만, 여러 사람이 맞물려 의사결정하는 복잡한 업무의 완전 자동화는 아직 현실적이지 않습니다.
영상은 AI가 앞서는 부분을 먼저 정리합니다. 정보 처리 능력에서는 속도·양·안정성, 스케일링에서는 병렬·비동기 처리, 지식량에서는 높은 품질과 다양성입니다. 무엇보다 AI는 이제 데이터를 읽고 쓰며 직접 행동하는 주체가 됐습니다. 그래서 정해진 범위 안에서는 AI 에이전트가 사람 몫을 해냅니다.
▲ AI 대체는 아직 단순 업무에 한정된다 (영상 6:31)
문제는 함께 일하는 사람이 늘어날 때입니다. 캡처 왼쪽 막대그래프는 참여자 수에 따른 소통 경로 수 n(n−1)/2를 보여 줍니다. 참여자가 3명이면 경로는 3개지만, 10명이면 45개, 14명이면 91개로 3명일 때의 약 30배가 됩니다. 영상은 단톡방 인원이 늘수록 의견 맞추기가 훨씬 어려워지는 것과 같다고 설명합니다.
캡처 오른쪽 아래 두 상자가 결론입니다. 단순 업무는 정해진 범위 안이라 에이전트가 대신 처리할 수 있지만, 복잡한 업무는 의사결정 경로가 복잡해 완전 자동화가 어렵습니다. 그래서 영상은 복잡한 업무일수록 완전 자동화를 목표로 삼는 것은 현실적이지 않다고 정리합니다.
이 진단을 도입 계획에 옮기면 목표 설정이 달라집니다. 완전 자동화를 목표로 걸기 전에 업무에 얽힌 사람 수부터 점검해야 합니다. 여러 부서가 얽힌 업무에 “완전 자동화”를 목표로 걸면 조율 비용 때문에 과제가 길어지기 쉽습니다. 범위가 분명한 단순 업무는 에이전트에게 맡기고, 복잡한 업무는 사람이 조율하며 AI가 보조하는 구조로 나누는 편이 영상의 진단과 맞습니다.
핵심 정리
AI 일자리 영향은 직업이 아니라 업무 단위로 오며, 성과를 숫자로 잴 수 있는 업무부터 넘어가고 여러 사람이 맞물린 복잡한 업무의 완전 자동화는 아직 현실적이지 않습니다.
| 질문 | 영상의 답 | 영상 시각 |
|---|---|---|
| 얼마나 빨리 퍼졌나 | ChatGPT는 월간 사용자 1억 명에 2개월, TikTok 9개월, Instagram 30개월 | 2:25 |
| 능력은 어디까지 왔나 | GPT-4는 변호사 시험 상위 10%, 도구 연결 시 여러 단계 업무 수행 | 3:21 |
| 영향은 얼마나 넓은가 | 미국 노동자 약 80%가 업무 10% 이상, 약 19%가 업무 절반 이상 영향 | 4:10 |
| 영향은 어떤 모양인가 | 직업이 아니라 직업 안의 업무 일부가 넘어감 | 4:53 |
| 직무 수준은 어떻게 바뀌나 | 쉬운 업무가 빠지면 업스킬링, 어려운 업무가 빠지면 디스킬링 | 4:53 |
| 어떤 업무가 먼저인가 | 성과를 정의·비교·최적화할 수 있는 업무 | 5:33 |
| 어디까지 대신하나 | 정해진 범위의 단순 업무까지, 복잡한 업무의 완전 자동화는 비현실적 | 6:31 |
자주 묻는 질문
AI 일자리 영향은 얼마나 큰가요?
OpenAI 연구진은 미국 노동자의 약 80%가 업무의 10% 이상, 약 19%가 업무의 절반 이상에서 대규모 언어 모델의 영향을 받는다고 추정했습니다. 고소득 직무일수록 영향이 큽니다.
AI가 직업을 없애나요, 업무를 없애나요?
AI는 직업을 통째로 없애기보다 직업 안의 업무 일부를 가져갑니다. 하나의 직무에서 몇 개 업무만 AI로 넘어가고, 기계를 쓰는 새 업무가 생기기도 합니다.
어떤 업무가 먼저 AI로 넘어가나요?
성과를 정의할 수 있고, 결과를 비교할 수 있고, 최적화할 수 있는 업무가 먼저 넘어갑니다. 세 조건을 갖출수록 이동 속도가 빠르며 거의 모든 산업이 이 흐름에 해당합니다.
업스킬링과 디스킬링은 무엇인가요?
AI가 쉬운 업무를 가져가 남은 직무의 수준이 올라가는 것이 업스킬링, 어려운 업무를 가져가 쉬운 일만 남아 직무 수준이 내려가는 것이 디스킬링입니다.
ChatGPT는 얼마나 빨리 퍼졌나요?
UBS 추정으로 ChatGPT는 출시 후 두 달 만에 월간 사용자 1억 명에 도달했습니다. 같은 기준으로 TikTok은 9개월, Instagram은 30개월이 걸렸습니다.
AI는 지금 어디까지 사람을 대신할 수 있나요?
정해진 범위 안의 단순 업무까지입니다. 참여자가 늘면 소통 경로가 n(n−1)/2로 늘어나 14명이면 91개가 되므로, 복잡한 업무의 완전 자동화는 아직 현실적이지 않습니다.
참고 리소스
AI 일자리 영향과 업무 재설계를 더 깊이 살펴볼 때 볼 원 영상과 이어서 읽을 글, 원 자료를 모았습니다.
- AI 시대 어떻게 일할 것인가? 자료 다운로드 — 이 영상의 바탕이 된 발표 자료 전문
- AI 도입 로드맵 6단계, 과제 선정부터 전사 확산까지 — 업무 단위로 AI 과제를 고르는 순서
- PoC부터 운영까지 AI 도입 실패 7가지 점검 — 도입 과제가 멈추는 지점
- 국내 AI 도입 사례와 성과를 낸 기업 공통점 — 국내 기업의 업무 적용 사례
- 산업별 AI 활용 사례와 국내 15개 기관의 도입 성과 — 산업별로 넘어간 업무
- 생성형 AI 파운데이션 모델 기반 업무 활용 사례와 도입 — 생성형 AI의 업무 적용
- 에이전트 오케스트레이션, 다중 모델 조율의 비용과 신뢰 기준 — 여러 에이전트를 조율할 때의 비용
- 인공지능(AI)이란 무엇인가요? — AI의 뜻·종류·작동 원리
- AI 일자리, 직업보다 ‘업무’가 먼저 사라집니다 | AI 시대 일하는 법 EP.01 — 클라우드네이티브TV, 이 글이 정리한 원 영상
- GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models (OpenAI, 2023) — 노동자 80%·19% 추정의 원 연구
- GPT-4 Technical Report (OpenAI, 2023) — 변호사 시험 성적의 원 자료
- GPT-4 System Card (OpenAI, 2023) — 신약 후보 탐색 시연 사례
- Re-evaluating GPT-4’s bar exam performance (Martinez, 2024) — 변호사 시험 백분위 재평가 연구
- The Age of AI has begun (Bill Gates, 2023) — 혁명적 기술 시연 두 번에 대한 에세이
- The economic potential of generative AI (McKinsey, 2023) — 업무 시간 60~70% 자동화 추정
- Anthropic Economic Index — AI가 맡는 업무의 교육 수준 분석
다음 단계
우리 조직의 어떤 업무가 먼저 AI로 넘어갈지는 업무마다 성과를 정의할 수 있는지, 몇 사람이 맞물려 있는지에 따라 달라집니다. 업무 단위로 AI 도입 과제를 함께 점검하려면 아래에서 시작하세요.








