맥킨지 조사에 따르면 최소 한 가지 업무에서 AI를 정기적으로 쓰는 회사가 88%입니다. 1년 전엔 78%였고요. 이제 안 쓰는 회사를 찾는 게 더 어려워졌습니다.

그런데 BCG가 1,250개 회사에 물었더니, 실제로 수익이 늘었다고 답한 곳은 5%였습니다. 60%는 매출도 비용도 거의 그대로였고요.

다 도입했는데, 그래서 AI 사용료는 올라갔는데, 실제로 생산성은 높아지지 않고 있습니다.

왜 이런 일이 벌어진 걸까요?

"AI로 그런 것도 되나요?"

주변 사람들과 AI 활용법을 이야기하면, 가장 많이 돌아오는 반응이 이렇습니다.

"AI로 그런 것도 되나요?"

사실 이 장면은 불과 몇 년 전에도 있었습니다. ChatGPT가 처음 세상에 나왔을 때, 사람들은 그걸 대화 상대가 아니라 검색창처럼 썼거든요. 지금이라면 "제주도에 바다 보이는 괜찮은 호텔 좀 알려줘"라고 문장으로 물어볼 걸, 그때는 "제주도 해변 호텔"이라고 쳤습니다.

왜냐하면 우리는 이미 검색에 너무 익숙했기 때문이었습니다. 긴 문장을 쓰면 오히려 결과가 엉망으로 나오던 시절을 20년쯤 살았던 겁니다. 그래서 키워드를 하나씩 추가하면서 범위를 좁혀갔던 것뿐이었죠.

지금은 반대가 됐죠. 사람들이 AI에 익숙해지면서 질문이 길어졌습니다. 구글과 네이버에 AI 답변이 생긴 건 AI 시대로 넘어갔기 때문만이 아니라, 우리가 묻는 방식이 바뀌었기 때문이기도 합니다.

그런데 여기서 멈춰 서게 됩니다. 우리는 이제 '어떻게 물어보는지'는 배웠는데, 여전히 '무엇을 물어봐야 하는지'는 잘 모릅니다. AI가 무엇을 할 수 있는지, 그리고 무엇을 못 하는지 말이죠.

우리가 모르는 건 바이브 코딩이 아니었습니다

이 간극이 가장 선명하게 보이는 자리가 바이브 코딩 교육입니다.

수업을 도와드리다 보면 이런 질문이 계속 나옵니다. Git이 뭔가요? GitHub은요? Vercel은 뭐 하는 데예요? Supabase는 꼭 써야 하나요?

여기서 알게 됩니다. 우리가 모르는 건 바이브 코딩이 아니에요. 코딩을 모르는 겁니다.

AI가 코드를 다 짜주는데 왜 그게 문제냐고 물으실 수 있습니다. 그런데 AI가 "배포는 Vercel로 하시죠"라고 답했을 때, 그게 좋은 제안인지 아닌지 판단할 사람은 결국 나거든요. 물어볼 것을 떠올리는 것도, 돌아온 답을 검증하는 것도 본인입니다.

도구를 몰라서 막히는 게 아니라, 그 분야를 몰라서 막히는 것이죠.

구글이 대화 1,500만 건을 뜯어봤습니다

그래서 이번에 흥미롭게 본 연구가 하나 있습니다. 구글이 지난 7월에 낸 「AI & Economy ATLAS」라는 보고서인데요. Gemini 앱과 AI 모드, API에서 오간 1,500만 건의 대화를 익명 처리해서, 미국 노동부가 쓰는 직업 분류(800여 개 직업, 1만 8천여 개 세부 업무)에 하나하나 대응시킨 자료입니다.

물론 한계는 있습니다. 논문도 첫 번째 한계로 적어뒀는데, 기업이 쓰는 유료 API는 이 데이터에 빠져 있습니다. 그러니 이건 회사 전체라기보다 개인이 자기 계정으로 일하는 모습에 가깝죠.

그걸 감안하고 봐도 숫자 하나가 눈에 박혔습니다.

AI를 쓰는 직업 자체는 전체의 68%입니다. 미국 고용의 88%를 차지합니다. 그런데 그 직업이 하는 일 중에 AI를 쓰는 건 21%밖에 안 됩니다. 자기 업무의 4분의 3 이상에 AI를 쓰는 직업은 전체의 3%뿐이고요.

넓게 퍼졌는데, 그 활용의 깊이는 얕습니다.

나머지 79%가 바로 "AI로 그런 것도 될까?" 하는 미지의 영역인 셈이죠.

사람들은 AI에게 무엇을 시키고 있을까요

같은 연구가 사람들이 AI에게 시키는 일을 다섯 가지로 나눠봤습니다. ① 처음부터 끝까지 대신하기 ② 초안 만들기 ③ 내가 쓴 걸 검토하기 ④ 아이디어 상대 되어주기 ⑤ 모르는 것 물어보기.

결과가 재미있습니다. 판단과 창의가 필요한 일에서 처음부터 끝까지 맡기는 경우는 10%가 안 됩니다. 대부분은 ②~⑤에 흩어져 있어요. 반대로 절차가 정해진 반복 업무에서는 통째로 맡기는 비율이 25%를 넘습니다.

정리하면 이렇습니다. AI는 지금 대체가 아니라 초안·검토·상의·확인, 이 네 자리에 들어와 있습니다. 그리고 규격이 잡힌 일일수록 통째로 넘어가고요.

재밌는 사례도 있었습니다. 자동차 정비사는 업무의 83%가 몸을 쓰는 일인데요. 그런데도 부품 테스트나 배선 작업, 마모 점검에 관한 AI 대화가 1만 건 넘게 잡혔습니다. 이 직군은 사진이나 영상을 함께 올리는 비율이 평균의 2배가 넘고요. 산업 기계 정비사들은 기계가 뱉은 오류 메시지를 해석하는 데 AI를 씁니다.

응용력은 직군의 문제가 아니라는 이야기죠. "이걸 찍어서 물어보면 되겠는데"를 떠올리느냐의 문제입니다.

한 가지 더. AI를 자기 업무 전반에 가장 깊이 쓰는 직업 다섯을 봤더니 이랬습니다. 시장조사 분석가, 인사 담당자, 소프트웨어 QA 테스터, 문서관리 전문가, 시스템 관리자.

화려한 창작 직군이 아니었어요. 점검하고 정리하는 일에 먼저 사용된 것이죠.

격차는 도구가 아니라 '고르는 눈'에서 벌어집니다

이 보고서에서 제가 가장 주목할 만한 대목은 따로 있습니다. 도입은 다 했는데 왜 성과는 5%에서만 나느냐인데요. 연구진은 세 가지를 짚어냈습니다.

첫째, 무엇에 쓸지 고르는 문제. 숙련도가 낮은 사람은 AI를 엉뚱한 일에 갖다 붙여서 오히려 성과가 떨어졌습니다. 잘하는 사람은 AI가 잘 하는 일에 골라서 사용합니다.

둘째, 검증하는 문제. AI가 내놓은 결과를 확인하고 내 일에 끼워 맞추려면, 설계 판단이나 오류를 사람이 알아볼 수 있어야 하죠.

셋째, 연차 문제. 시니어가 AI를 더 잘 쓰면, 회사는 신입 채용을 줄입니다.

실험실에서는 오히려 초보자가 AI로 더 크게 이득을 봅니다. 예를 들어 문제를 풀 때 정답 형식이 명확하고, 필요한 정보가 모두 주어지고, 평가 기준이 객관적이기 때문입니다. 이런 환경에서는 경험이 많든 적든 AI 도구를 잘 사용하는 것만으로도 큰 도움을 받습니다. 따라서 초보자와 전문가의 실력 격차가 좁혀집니다. 실력이 평준화되죠.

그런데 현실에서는 반대로 격차가 벌어집니다. 실제 업무에서는 정답이 정해져 있지 않고, 필요한 정보를 스스로 판단해야 하고, 상황과 맥락이 계속 변합니다. 이 같은 불확실성 속에서 AI는 그럴듯한 답변을 제시하기만 할 뿐, 그것이 실제로 옳은지 판단하는 것은 전적으로 사용자의 책임입니다. 초보자는 AI의 답을 그대로 믿고 따르지만, 경험 많은 전문가는 AI의 제안을 비판적으로 검토하고, 필요하면 수정하고, 때로는 거절합니다. 그 사이를 가르는 게 바로 고를 줄 아는 눈, 즉 무엇이 옳은지 판단할 수 있는 안목과 경험이었던 겁니다.

그래서 연구진이 조직에 권한 것도 AI 도구를 더 열심히 배우고 비용을 내야 한다가 아니었습니다. "자기 사업에 맞게 AI를 쓸모 있게 만드는 방법을 안에서 개발할 것", 그리고 "보호된 학습 시간에 투자할 것"이었습니다.

* 보호된 학습 시간은 조직에서 직원들이 업무 방해 없이 자신의 전문성을 개발하고 새로운 기술을 학습할 수 있도록 보장하는 업무 시간을 말합니다. 회의나 긴급한 업무 요청으로부터 보호받으면서 개인적인 학습 프로젝트, 스킬 개발, 연구나 실험에 집중할 수 있는 시간입니다. 이는 직원의 성장을 지원하고 조직 전체의 역량을 높이는 것을 목표로 합니다.

AI를 잘 쓴다는 건, 전문가와 협업하는 것과 같습니다

AI를 잘 쓰는 능력은, 어쩌면 AI에 대한 능력이 아닙니다. 전문가와 함께 일하고, 팀과 협업하는 능력에 훨씬 가깝습니다.

명의 앞에 앉아본 적 있으신가요? 실력 좋은 의사를 만나도, 내 증상을 설명할 말이 없으면 좋은 진료를 받기 어렵습니다. "그냥 좀 안 좋아요"와 "왼쪽 아랫배가 사흘째, 밥 먹고 두 시간쯤 뒤에 콕콕 쑤셔요"는 완전히 다른 대화죠. 뛰어난 변호사도, 실력 있는 외주 디자이너도 마찬가지입니다. 상대가 아무리 유능해도 내가 뭘 원하는지 모르면 그 유능함을 꺼내 쓸 수가 없어요.

AI도 똑같습니다. 지금 우리 앞에 앉아 있는 건 800개 직업의 일을 어느 정도 아는 전문가입니다. 그런데 그 앞에서 우리가 하는 말은 아직 "제주도 해변 호텔" 수준일 때가 많죠.

이건 프롬프트를 더 배운다고 해결되지 않습니다. 프롬프트는 말하는 법이지, 무엇을 말할지가 아니거든요.

그래서 저는 이렇게 생각합니다. AI를 더 잘 쓰고 싶다면, AI를 공부할 게 아니라 내가 하려는 그 일을 계속 공부해야 합니다. 마케팅을 시키려면 마케팅을, 코드를 짜게 하려면 코드를요. 다 할 줄 알 필요는 없습니다. 다만 무엇을 맡길지 고를 수 있고, 돌아온 답이 이상한지 알아볼 수는 있어야 합니다.

거기에서 응용력이 생깁니다. 지식을 쌓는 데서 끝나지 않고, 그 지식을 "그럼 이건 AI한테 맡겨볼까?"까지 끌고 가는 힘이 되기 때문이죠.

이번 주, 딱 하나만 해보세요

종이든 메모장이든 열고, 이번 주에 내가 한 일을 열 개만 적어보세요. 그리고 그중 AI에게 시켜본 일에 표시해 보세요.

아마 두세 개일 겁니다. 연구에서 나온 숫자도 21%였으니까요.

그다음이 진짜입니다. 표시 안 된 일들을 보면서 하나만 골라보세요. "이건 왜 안 시켰지?" 하고요. 답은 보통 셋 중 하나입니다. 되는지 몰랐거나, 설명할 자신이 없었거나, 결과를 못 믿겠거나.

되는지 몰랐던 거라면 이번 주에 한 번 시켜보시면 됩니다. 나머지 둘이라면, 그건 AI 문제가 아니라 그 일에 대한 내 이해가 아직 얕다는 신호고요. 그 신호를 찾은 것만으로도 이번 주는 충분합니다.

우리는 다시 질문하게 됩니다.
AI를 배우고 있는 걸까요, 아니면 내 일을 다시 배우고 있는 걸까요?

당근메일 제휴 및 광고 문의

문제를 해결하고 즐거움을 얻어가는 곳