AI 시대, 상위 10%로 가는 사람들의 역량: 꼭 알아야 할 24편
AI 시대, 상위 10%로 가는 사람들의 역량: 꼭 알아야 할 24편
"AI 시대에 무엇을 배워야 하는가?"라는 질문, 특히, 상위 10% 안에 들어가는 사람들은 무엇이 다른가 하는 것입니다. 같은 도구가 모두에게 열려 있는데도 왜 어떤 사람은 앞서가고 어떤 사람은 제자리인지, 그 차이를 만드는 역량이 무엇인지에 대해 지난 3년 사이 나온 연구, 보고서, 책 24편을 정리했습니다.
먼저 한 가지를 분명히 해 두겠습니다. "상위 10%"라는 표현을 문자 그대로 쓰는 연구는 드뭅니다. 대신 연구와 보고서들은 같은 현상을 각자의 언어로 포착합니다. 임금 데이터는 "AI 역량 보유자의 임금 프리미엄"으로, 실험 연구는 "같은 도구를 쓰고도 성과가 갈리는 사람들"로, 기업 조사는 "95%가 실패하는 도입과 성공하는 5%"로, 노동시장 통계는 "전문성이 증폭되는 직군과 단순화되는 직군의 두 갈래"로 말합니다.
이 글에서 "상위 10%"는 이런 여러 표현이 공통으로 가리키는 대상, 즉 AI가 보편화된 환경에서 격차를 벌리는 쪽에 서는 사람을 뜻하는 편의상의 이름입니다. 각 편에서 출처가 실제로 쓴 표현과 제 해석을 구분해 적었고, 해석이 개입한 대목은 그렇다고 밝혔습니다.
24편을 고른 기준은 세 가지입니다.
첫째, 개인의 역량에 대해 구체적으로 말하는가? 조직 전략만 다루는 문헌은 개인 차원으로 번역이 가능한 경우에만 넣었습니다.
둘째, 근거가 데이터나 통제된 실험, 대규모 조사에 있는가?
셋째, 가급적 2025~2026년의 것인가?
다만 이후 논의의 뿌리가 된 2023~2024년의 실증 연구와 책 몇 편은 시기와 무관하게 포함했습니다. 지금 쏟아지는 보고서 대부분이 그 연구들의 각주이기 때문입니다.
순서는 "꼭 알아야 하는 순서"로 배열했습니다.
1~4편은 역량의 내용을 직접 정의하는 프레임워크와 관점,
5~7편은 격차의 실체를 보여 준 실증 연구,
8~11편은 노동시장 데이터,
12~17편은 사용 실태와 기업 현장 보고서,
18~24편은 개념과 책, 개인 논자의 관점과 제도 변화입니다.
앞의 7편만 읽어도 뼈대는 잡히고, 24편을 다 읽으면 개인·조직·시장의 세 층위가 연결됩니다.
목록을 한눈에 보면 다음과 같습니다.
Ethan Mollick, Management as AI Superpower: 프롬프트보다 중요한 것은 관리 역량
Anthropic AI Fluency Framework: 위임·서술·분별·성실의 4D
UNESCO: 비판적으로 쓰고 책임질 줄 아는 사람
Ethan Mollick, On Working with Wizards: 검증이 새 병목이다
Harvard·BCG 실험: 들쭉날쭉한 경계 위에서 성과가 갈린다
Brynjolfsson 외, Generative AI at Work: AI는 상위 숙련자의 암묵지를 퍼뜨린다
Canaries in the Coal Mine: 경력 사다리의 아래칸이 먼저 흔들린다
PwC 2026 AI Jobs Barometer: AI 역량의 임금 프리미엄 62%
WEF Future of Jobs Report 2025: AI 역량과 인간 역량은 한 묶음이다
Stanford AI Index 2026: 수요는 대화형에서 에이전트 운용으로
LinkedIn Work Change Report: 2030년까지 스킬의 70%가 바뀐다
Microsoft Work Trend Index 2025: 에이전트와 함께 일하는 팀의 업무 목록
Anthropic Economic Index: 위임을 잘하는 사람이 시장 가치 상승을 느낀다
McKinsey Superagency: 직원들은 이미 준비되어 있다
Wharton·GBK: 기업은 가속하는데 훈련 투자는 후퇴한다
MIT State of AI in Business: 95%가 실패하는 이유는 학습 격차다
Deloitte Human Capital Trends 2026: 인간 우위는 설계의 문제다
Josh Bersin, Superworker: AI로 자기 직무의 급을 올리는 사람
Aneesh Raman: 적응력이 지금 이 순간의 스킬이다
Matt Beane, The Skill Code: 도전·복잡성·연결이 없으면 실력은 자라지 않는다
Reid Hoffman, Superagency: 행위력을 키우는 쪽에 서라
Karim Lakhani: AI를 쓰는 사람이 안 쓰는 사람을 대체한다
OpenAI Certifications: AI 유창성이 자격의 언어로 제도화되다
Andrew Ng: 코딩을 배우지 말라는 조언은 최악의 커리어 조언이 될 것이다
미리 한 줄로 요약하면 이렇습니다.
상위로 가는 사람들의 공통점은 AI를 더 많이 쓰는 것이 아니라, 무엇을 맡기고 무엇을 남길지 판단하고, 결과를 검증할 수 있는 자기 전문성을 유지하며, 도구가 바뀔 때마다 다시 배우는 학습 구조를 갖고 있다는 점입니다.
Ethan Mollick: 프롬프트보다 중요한 것은 관리 역량이다
원문 제목: Management as AI Superpower: Thriving in a World of Agentic AI (2026년 1월)
이 목록의 출발점으로 삼을 글입니다. Wharton의 Ethan Mollick 교수는 AI 에이전트를 잘 쓰는 일이 프롬프트 기교가 아니라 관리 역량에 가깝다고 설명합니다. MBA 학생들과의 실습에서 성패를 가른 것은 코딩 실력이 아니라, 원하는 것을 명확히 말하고 결과물을 평가하는 능력이었습니다. 그가 꼽는 핵심은 다음과 같습니다.
AI에게 무엇을 원하는지, 결과물의 형태와 기준까지 명확히 설명하는 능력
돌아온 결과가 좋은지 판단하고 방향을 다시 잡아 주는 평가·피드백 능력
AI에게 맡길 일과 직접 해야 할 일을 가르는 위임 판단
자기 분야를 알아야 AI의 오류를 발견하고 고칠 수 있다는 도메인 전문성
Mollick의 주장을 옮기면, AI에게 일을 맡기는 가치를 높이려면 더 좋은 지시를 주고, 결과를 더 잘 평가하고 피드백하며, AI가 해당 업무를 잘하는지 더 쉽게 판별해야 합니다. 그리고 이 모든 일은 분야 전문성이 높을수록 좋아집니다. 그는 사람의 기준 작업 시간, 성공 확률, AI의 처리 시간을 함께 놓고 위임을 결정하는 계산법까지 제시하는데, 이는 유능한 팀장이 팀원에게 일을 배분할 때 하는 계산과 같습니다.
이 글을 1편에 둔 이유는 뒤의 23편이 사실상 이 네 가지 역량을 각자의 방법으로 검증하고 정밀화하고 가격을 매기기 때문입니다. 2편의 4D 프레임워크는 이 관리 역량을 배울 수 있는 틀로 옮긴 것이고, 4편은 같은 저자가 더 강력해진 에이전트 시대에 맞춰 평가·검증 문제를 심화한 후속편이며, 5편은 이 주장의 실험 증거, 8편은 시장이 지불하는 가격입니다. 전통적 관리 교육이 뜻하지 않게 AI 시대의 핵심 훈련이 되어 있었다는 것, 그래서 사람을 관리해 본 적 없는 개인도 이제는 관리자의 기술을 배워야 한다는 것이 이 글의 요지입니다.
원문: https://www.oneusefulthing.org/p/management-as-ai-superpower
2. Anthropic AI Fluency Framework: 위임·서술·분별·성실의 4D
원문 제목: AI Fluency: Framework and Foundations
Anthropic이 Ringling College of Art and Design의 Rick Dakan 교수, University College Cork의 Joseph Feller 교수와 함께 개발한 AI Fluency Framework는, AI 역량을 "새로 등장하는 인간-AI 상호작용의 양식들(자동화, 에이전시, 증강) 안에서 효과적으로, 효율적으로, 윤리적으로, 안전하게 일하는 능력"으로 정의하고, 이를 네 개의 D로 나눕니다.
Delegation(위임): 어떤 일을 AI에 맡기고 어떤 일을 사람이 쥘지 판단하는 능력. 문제 자체에 대한 이해와 도구의 능력에 대한 이해가 모두 필요합니다.
Description(서술): 원하는 결과와 맥락, 제약을 AI에 효과적으로 전달하는 능력. 흔히 말하는 프롬프트 작성은 이 한 축의 일부에 해당합니다.
Discernment(분별): AI가 내놓은 결과물과 그 과정을 비판적으로 평가하는 능력. 무엇이 좋은 결과물인지에 대한 기준을 자기 안에 갖고 있어야 작동합니다.
Diligence(성실): 결과에 대한 책임을 지고 안전하고 윤리적으로 사용하는 태도. 산출물을 어디에 어떻게 쓸지, 그 결과를 누가 감당하는지에 대한 의식입니다.
이 프레임워크를 맨 앞에 둔 이유는 두 가지입니다.
첫째, 뒤에 나올 거의 모든 연구와 보고서의 발견을 담을 수 있는 그릇이기 때문입니다. 위임 판단은 5편의 "들쭉날쭉한 경계" 연구가 실험으로 보여 준 성패의 갈림길과, 분별은 4편에서 Mollick이 말하는 검증 문제와, 서술은 1편의 관리 역량 논의와, 성실은 3편 UNESCO의 책임성 논의와 그대로 이어집니다. 프레임워크 하나를 축으로 삼으면 나머지 23편이 어디에 꽂히는 이야기인지가 보입니다.
둘째, 도구 조작 기술이 아니라 관계의 기술로 AI 역량을 정의하기 때문입니다. 특정 모델의 프롬프트 요령은 모델이 바뀌면 절반쯤 무효가 됩니다. 그러나 무엇을 맡길지 판단하고, 원하는 것을 서술하고, 돌아온 것을 분별하고, 책임을 지는 네 가지는 상대가 어떤 AI로 바뀌어도 남습니다. 교육 과정으로도 공개되어 있어, 자기 역량의 어느 D가 약한지 점검하는 자가 진단 틀로 쓸 수 있습니다.
프레임워크가 전제하는 세 가지 상호작용 양식도 눈여겨볼 만합니다. 자동화(AI가 일을 대신 수행), 증강(사람과 AI가 함께 수행), 에이전시(AI가 위임받아 자율적으로 수행)입니다. 같은 4D라도 양식에 따라 무게가 달라집니다. 증강 양식에서는 서술과 분별이 매 순간 작동하지만, 에이전시 양식에서는 일을 맡기는 시점의 위임 판단과 결과를 받는 시점의 분별에 부담이 집중되고, 중간 과정에 개입할 기회는 줄어듭니다. AI가 에이전트 쪽으로 진화할수록, 즉 4편이 말하는 마법사가 되어 갈수록, 4D 중에서도 위임과 분별의 값이 올라가는 구조입니다.
상위 10%와의 연결은 이렇게 해석할 수 있습니다. 네 개의 D 가운데 서술은 비교적 빨리 평준화됩니다. 요령이 문서화되고 도구가 사용자의 서툰 지시를 보완해 주기 때문입니다. 반면 위임과 분별은 자기 업무와 분야에 대한 이해가 깊을수록 좋아지는 역량이라 평준화가 느립니다. 격차는 바로 그 느린 쪽에서 벌어집니다. 이 해석은 프레임워크 자체의 주장이 아니라 제 정리입니다.
원문: https://anthropic.skilljar.com/ai-fluency-framework-foundations 프레임워크 문서 사이트: https://aifluencyframework.org/
3. UNESCO: AI를 잘 쓰는 사람은 비판적으로 쓰고 책임질 줄 아는 사람
원문 제목: What you need to know about UNESCO's new AI competency frameworks for students and teachers (2024년 9월)
UNESCO는 AI 역량을 기존의 디지털 문해력과 구별합니다. AI에는 공정성, 투명성, 개인정보, 책임성, 인간의 주체성 같은 문제가 함께 따라오기 때문입니다. 학생을 위한 AI 역량 프레임워크가 제시하는 네 축은 다음과 같습니다.
인간 중심의 사고방식: AI 앞에서 자기 주체성(agency)을 이해하고 지키는 능력
AI 윤리: 안전하고 책임 있게 사용하는 능력
AI 기술과 활용에 대한 기초 이해
AI 시스템 설계: 문제 해결, 창의성, 디자인 사고
핵심은 "AI가 답했으니 맞겠지"라고 받아들이지 않는 태도입니다. 이 결과는 어떤 근거로 나왔는가, 빠진 관점이나 편향은 없는가, 이 일을 AI에 맡겨도 되는가, 최종 결정과 책임은 누가 지는가, 더 나은 질문과 대안은 무엇인가를 계속 묻는 것입니다. UNESCO는 AI가 인간의 판단과 지적 성장을 보조해야지, 이를 약화하거나 대체해서는 안 된다고 강조합니다.
교육용 프레임워크라고 학생에게만 해당하는 이야기가 아닙니다. 네 축은 성인 직업인의 자가 점검 틀로도 그대로 작동합니다. 특히 첫 축인 주체성은 이 목록 전체를 관통하는 밑돌입니다. 21편의 Hoffman이 말하는 행위력, 2편의 성실(Diligence), 4편이 요구하는 검증의 태도가 모두 여기서 출발합니다. 도구가 강해질수록 도구에 판단을 넘기려는 유혹도 커지는데, 상위로 가는 사람과 도구에 끌려가는 사람의 갈림길이 바로 이 주체성의 유지 여부입니다. 위 다섯 가지 질문 목록은 이 글의 부록 1(자기 점검 질문)의 원형이기도 합니다.
4. Ethan Mollick: 마법사와 일하는 법, 검증이 새 병목이다
원문 제목: On Working with Wizards (2025년 9월)
1편 "관리 역량" 논의의 후속으로 읽을 수 있는 글입니다. Mollick은 AI가 함께 일하는 동료(co-intelligence)에서 과정이 보이지 않는 "마법사(wizard)"로 바뀌고 있다고 말합니다. 강력한 에이전트는 몇 분에서 몇 시간을 혼자 일한 뒤 인상적인 결과물을 내놓지만, 어떤 경로로 그 결론에 도달했는지 사용자가 들여다볼 수 없습니다. 협업의 감각은 사라지고, 사용자는 결과물을 받아 드는 관객의 자리로 밀려납니다. 그의 표현을 빌리면 "우리는 마법 같은 것을 얻고 있지만, 동시에 마법사도 마법사의 조수도 아닌 관객이 되어 가고 있습니다."
여기서 역설이 생깁니다. AI가 좋아질수록 검증은 쉬워지는 것이 아니라 어려워집니다. 결과물을 제대로 확인하려면 종종 사용자 자신의 전문성을 넘어서는 지식이 필요하고, 고도화된 작업은 완전한 검증 자체가 불가능해집니다. Mollick은 AI가 자신의 출판된 논문에서 동료 심사자들이 놓친 오류를 찾아냈지만, 어떻게 찾았는지는 설명하지 못했다는 경험을 소개합니다. 검증하는 쪽의 실력이 생성하는 쪽의 실력을 따라가지 못하는 구간이 넓어지고 있다는 뜻입니다.
그가 제안하는 대응은 세 가지입니다.
마법사형 AI와 협업형 AI를 언제 각각 쓸지 구분하는 판단. 배우면서 해야 하는 일, 과정의 통제가 중요한 일은 협업형으로 남겨야 합니다.
과정 대신 결과물을 보는 감식안(connoisseurship)을 기르는 것. 좋은 결과물을 많이 보고 직접 만들어 본 사람만이 미묘한 결함을 알아봅니다.
완전한 검증이 불가능한 영역에서는 "잠정적 신뢰"와 "충분히 좋음"의 기준을 세우는 것. 모든 것을 검증하려는 태도는 도구의 이득을 지워 버리고, 아무것도 검증하지 않는 태도는 사고로 이어집니다.
감식안과 잠정적 신뢰를 실무 절차로 옮기면 이런 형태가 됩니다. 전수 검사가 불가능한 산출물은 표본을 정해 깊이 검사하고, 결론이 중요한 산출물은 같은 질문을 다른 방식으로 다시 물어 답이 흔들리는지 보고, 판단이 걸린 대목은 근거를 소급해 원출처를 직접 확인하는 것입니다. 어디까지 검사할지는 산출물이 틀렸을 때의 비용에 비례해 정합니다. 이 절차화는 Mollick의 글에 나오는 방식 그대로는 아니고, 그의 원칙을 실무로 번역한 제 정리입니다.
그리고 경고가 하나 있습니다. "마법사에게 일을 넘길 때마다 우리는 자기 전문성을 기를 기회를 하나씩 잃습니다." 위임의 이득과 전문성 상실의 비용을 함께 계산하는 사람과 이득만 계산하는 사람의 차이는 지금은 잘 보이지 않지만 몇 년 단위로 누적됩니다. 검증 능력과 감식안이 상위와 나머지를 가르는 병목이 된다는 것, 그리고 그 감식안은 위임하지 않고 직접 해 본 경험에서만 나온다는 것이 이 글의 핵심입니다.
원문: https://www.oneusefulthing.org/p/on-working-with-wizards
5. Harvard·BCG 실험: 들쭉날쭉한 경계 위에서 성과가 갈린다
원문 제목: Navigating the Jagged Technological Frontier (2023년 9월, Dell'Acqua 외)
Boston Consulting Group 컨설턴트 758명, 개인 기여자급 인력의 약 7%를 대상으로 한 무작위 대조 실험으로, AI와 지식노동에 관한 가장 많이 인용되는 연구 중 하나입니다. Harvard, MIT, Wharton, BCG의 연구진이 함께 설계했고, 저자 명단에는 이 목록 4편의 Mollick과 22편의 Lakhani가 모두 들어 있습니다. GPT-4를 쓴 집단은 통제 집단보다 과제를 12.2% 더 많이, 25.1% 더 빨리 끝냈고, 품질 평가는 40% 이상 높았습니다.
이 연구에서 꼭 알아야 할 것은 세 가지입니다.
AI의 능력은 "들쭉날쭉한 경계(jagged frontier)"를 이룹니다. 비슷한 난도로 보이는 과제라도 어떤 것은 AI가 사람보다 잘하고 어떤 것은 뜻밖에 못합니다. 연구진이 일부러 AI 능력 밖에 설계한 과제에서, AI를 쓴 컨설턴트는 오히려 통제 집단보다 정답률이 19%포인트 낮았습니다. 그럴듯한 오답을 믿어 버렸기 때문입니다.
하위 절반 성과자는 43% 향상, 상위 절반은 17% 향상으로, AI는 실력 격차를 좁히는 방향으로 작동했습니다. 도구가 바닥을 끌어올리는 힘이 천장을 올리는 힘보다 셌다는 뜻입니다.
성과가 좋았던 사람들의 행동은 두 유형이었습니다. 일을 사람 몫과 AI 몫으로 전략적으로 나누는 "켄타우로스", 과제 안까지 AI를 끌어들여 세부 단위로 계속 주고받는 "사이보그"입니다. 공통점은 도구에 일을 통째로 던지지 않고, 어디까지 맡길지를 계속 다시 정했다는 것입니다.
상위 10%의 관점에서 이 연구는 이중의 메시지를 줍니다. 하나는 경계 안 과제에서 기존의 실력 우위가 줄어든다는 것입니다. 어제의 상위권이 자동으로 내일의 상위권이 되지 않습니다. 다른 하나는 새로 벌어지는 격차의 위치입니다. 격차는 과제 수행 능력 자체가 아니라, 지금 이 과제가 경계 안인지 밖인지 알아보는 판단으로 옮겨 갑니다. 경계 밖에서 AI를 믿은 사람들은 도구가 없을 때보다 나빠졌다는 사실이 이 판단의 값어치를 보여 줍니다. 그리고 경계는 모델이 바뀔 때마다 이동하므로, 이 판단은 한 번 배워 끝나는 지식이 아니라 계속 갱신해야 하는 감각입니다. 자기 업무의 과제 목록을 놓고 "이건 지금 경계 안인가 밖인가"를 주기적으로 다시 묻는 사람과 한 번 정한 분담을 고수하는 사람의 차이가 여기서 생깁니다.
평가 제도에 대한 함의도 있습니다. 하위 절반이 43% 오르는 환경에서는 산출물의 양과 매끄러움이 실력의 신호로서 힘을 잃습니다. 결과물만 보고 사람을 평가하는 조직에서는 AI 의존이 단기적으로 항상 유리해 보이는 왜곡이 생깁니다. 개인에게는 자기 실력의 증거를 산출물이 아니라 판단의 기록, 즉 어떤 위임과 검증을 했고 무엇을 잡아냈는지로 남기는 습관이, 조직에게는 평가 기준을 그쪽으로 옮기는 설계가 필요해집니다. 이 문단은 연구의 직접 주장이 아니라 결과에서 끌어낸 제 해석입니다.
원문: https://mitsloan.mit.edu/sites/default/files/2023-10/SSRN-id4573321.pdf
6. Brynjolfsson·Li·Raymond: AI는 상위 숙련자의 암묵지를 퍼뜨린다
원문 제목: Generative AI at Work (NBER Working Paper 31161, 2023년 4월. 이후 Quarterly Journal of Economics 2025년호 게재)
고객지원 상담원 5,179명을 분석한, 생성 AI의 현장 효과를 다룬 초기 대규모 실증 연구입니다. Stanford의 Erik Brynjolfsson과 MIT의 Danielle Li, Lindsey Raymond가 수행했고, 정상급 경제학 저널인 QJE에 실리면서 이 분야의 기준점이 됐습니다. AI 어시스턴트 도입으로 시간당 문제 해결 건수가 평균 14% 늘었는데, 효과는 균일하지 않았습니다. 신입·저숙련 상담원은 34% 향상됐지만 숙련 상담원의 이득은 미미했습니다. 저자들이 명시적으로 강조하는 것이 바로 이 "노동자 간 효과의 큰 이질성"입니다.
메커니즘이 중요합니다. AI 모델은 뛰어난 상담원들의 대응 패턴을 학습해 그 모범 사례를 나머지 전원에게 실시간으로 제안합니다. 즉 상위 수행자의 암묵지가 도구를 통해 조직 전체로 확산되고, 신입은 경험 곡선을 몇 배 빠르게 내려갑니다. 부수 효과도 같은 방향입니다. 고객의 감정 반응이 좋아졌고, 신입 이직률이 낮아졌으며, AI 제안에 노출된 것 자체가 학습 효과를 냈다는 정황이 있습니다.
상위 10%의 관점에서 이 연구는 불편한 진실을 담고 있습니다. 당신이 잘하는 일의 패턴이 데이터로 남는다면, 그 패턴은 AI를 통해 복제되어 후발 주자의 출발선을 끌어올립니다. 실제로 이 연구에서 상위 숙련자는 자기 암묵지가 조직의 공유 자산이 되는 동안 정작 본인의 생산성 이득은 거의 없었습니다. 어제까지의 우위 가운데 "기록될 수 있는 부분"은 방어력이 약합니다. 반대로 방어력이 강한 것은 기록되지 않는 부분입니다. 맥락을 읽는 감각, 예외 상황의 판단, 고객·동료와의 신뢰 같은 것들입니다.
따라서 이 연구가 시사하는 전략은 두 갈래입니다. 배우는 쪽에서는, AI가 상위 수행자의 압축본인 만큼 이를 과외교사처럼 써서 경험 곡선을 빨리 내려가는 것입니다. 후발 주자에게 지금은 역사상 가장 빠른 추격 도구가 주어진 시기입니다. 지키는 쪽에서는, 자기 우위를 복제 가능한 스크립트가 아니라 판단과 관계 위에 다시 쌓는 것입니다. 이 두 갈래 해석은 논문의 직접 주장이 아니라 결과에서 제가 끌어낸 것입니다.
일반화에는 주의가 필요합니다. 이 연구의 무대는 대응 패턴이 비교적 정형화된 고객지원 업무입니다. 정답의 범위가 넓고 맥락 의존도가 높은 직무일수록 암묵지의 기계 학습 가능성은 낮아지고, 6편의 확산 메커니즘이 그대로 작동한다는 보장도 없습니다. 그래서 이 연구는 "모든 직무에서 숙련의 값이 떨어진다"가 아니라, "정형화되어 기록되는 숙련부터 확산이 시작된다"로 읽는 것이 정확합니다.
원문: https://www.nber.org/papers/w31161
7. Stanford Digital Economy Lab: 탄광 속 카나리아, 경력 사다리의 아래칸이 먼저 흔들린다
원문 제목: Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence (Brynjolfsson·Chandar·Chen)
미국의 대규모 급여 데이터로 AI의 고용 효과를 추적한 연구입니다. 2025년 8월 첫 공개 이후 여러 차례 개정되며 논쟁의 중심에 있었고, 연구진은 수치를 계속 갱신하는 대시보드도 운영합니다. 제목의 카나리아는 탄광의 유독가스를 가장 먼저 감지하는 새, 즉 노동시장 전체가 흔들리기 전에 먼저 신호가 나타나는 집단을 가리킵니다. 연구가 제시하는 여섯 가지 사실은 다음과 같습니다.
경제 전반의 광범위한 일자리 대체 증거는 아직 없습니다.
그러나 AI 노출도가 높은 직군의 22~25세 청년 고용은 덜 노출된 또래 대비 뚜렷하게 감소했습니다. 최근 집계 기준 약 19%의 상대 감소입니다.
이 격차는 2025년 8월 첫 발표 이후 꾸준히 벌어져 왔습니다.
감소는 해고가 아니라 신규 채용 축소의 형태로 나타났습니다.
감소는 AI가 사람의 일을 대체(substitute)하는 용도로 쓰이는 직군에 집중됐고, AI가 사람을 보완(complement)하는 직군에서는 고용이 유지되거나 늘었습니다.
임금은 이 변화를 상쇄할 만큼 조정되지 않았습니다.
가장 중요한 대비는 연령입니다. 같은 직군의 경력자에게는 비교할 만한 고용 격차가 나타나지 않았습니다. 이 대비가 말해 주는 것은 경험, 그중에서도 암묵지의 가격이 오르고 있다는 점입니다. 초급 단계의 정형화된 업무는 AI와 겹치지만, 경력자가 쌓아 온 맥락 지식과 판단은 아직 겹치지 않습니다. 13편의 Anthropic Economic Index 조사에서 경력 15년 이상 노동자가 신입보다 "AI가 내 업무를 대신할 수 있는 범위"를 약 10%포인트 낮게 평가한 것, 8편의 PwC 데이터에서 초급 일자리에 상급자 역량이 요구되기 시작한 것과 모두 같은 방향의 신호입니다.
상위 10%의 관점에서 함의는 연령대별로 다릅니다. 초년생에게는, 예전처럼 단순 업무를 오래 하며 천천히 배우는 경로 자체가 좁아지고 있으므로, 판단과 검증이 필요한 일로 의식적으로 빨리 이동하고 20편의 Beane이 말하는 학습 조건을 스스로 확보해야 한다는 것입니다. 경력자에게는, 지금의 방어막이 영구적이라는 보장이 없으므로 자기 암묵지 중 어디까지가 기록 가능한 것인지, 6편이 보여 준 복제의 사정권에 무엇이 들어 있는지 점검할 필요가 있다는 것입니다.
8. PwC 2026 Global AI Jobs Barometer: AI 역량의 임금 프리미엄은 62%
원문 제목: AI reshapes global labour market into two distinct paths, rewarding human skills (2026년 6월)
전 세계 수억 건의 채용 공고와 급여 데이터를 분석하는 PwC의 연례 보고서로, "AI 역량에 시장이 실제로 얼마를 지불하는가"를 보여 주는 대표적 자료입니다. 2026년판의 핵심 수치는 다음과 같습니다.
AI 역량을 가진 노동자의 임금 프리미엄은 평균 62%로, 전년의 57%에서 더 올랐습니다. 부문별 편차가 커서 소비재 부문에서는 118%, 정부 부문에서는 16%였습니다.
AI 관련 일자리는 69% 성장해 전체 노동시장 성장률 9%의 약 8배였습니다. 2026년의 AI 채용 공고는 2024년의 거의 두 배 규모입니다.
노동시장은 두 갈래로 갈라지고 있습니다. AI가 사람의 전문성을 증폭하는 "전문화(professionalised)" 경로의 직군(예: 영상의학과 의사, 리크루터)은 일자리 성장이 두 배, 임금 상승은 42% 빨랐습니다. AI가 업무 수행을 단순화하는 "대중화(democratised)" 경로의 직군(예: IT 서비스 관리자, 의료 비서)은 성장이 느렸습니다.
AI 노출이 큰 초급 일자리는 전통적으로 상급자에게 요구되던 역량을 요구할 가능성이 7배 높았습니다. 이런 초급 일자리는 2019년 이후 35% 늘어난 반면, 전통적 초급 일자리는 10% 줄었습니다.
기업 수준에서도 격차가 확인됩니다. AI 활용 역량이 높은 기업들의 인력 증가율은 52%로, 노출이 덜한 기업의 36%를 앞섰습니다.
수치를 읽을 때의 주의점을 먼저 적습니다. 임금 프리미엄은 채용 공고에 AI 역량이 명시된 일자리와 그렇지 않은 일자리의 비교이므로, AI 역량 자체의 인과 효과와 직군·기업 특성의 효과가 섞여 있습니다. 프리미엄이 "배우면 62% 오른다"는 약속은 아니라는 뜻입니다. 그래도 3년 연속 같은 방향으로 커지는 격차는 방향의 증거로 충분합니다.
두 가지 독법이 가능합니다. 첫째, 62%라는 프리미엄은 "AI 역량"이 채용 공고에 명시될 만큼 식별 가능한 노동자에게 붙는 값입니다. 자기 역량을 시장이 읽을 수 있는 형태로 만드는 것 자체가 보상의 조건이라는 뜻입니다. 둘째, 두 갈래 경로의 분기는 직군 선택의 문제이기도 하지만 같은 직군 안에서의 자세 문제이기도 합니다. 자기 일을 "AI로 증폭되는 전문성" 쪽으로 재정의하는 사람과 "AI로 단순해진 절차의 수행자"로 남는 사람은 같은 직함 아래서 다른 경로를 걷게 됩니다. 특히 초급 일자리 항목은 7편과 겹쳐 읽어야 합니다. 상위 10%를 가르던 기준선(판단, 창의성, 리더십)이 경력 사다리의 아래쪽으로 내려오고 있고, 시장은 그 역량에 입사 첫해부터 프리미엄을 지불하기 시작했습니다.
원문: https://www.pwc.com/gx/en/news-room/press-releases/2026/pwc-2026-ai-jobs-barometer.html
9. WEF Future of Jobs Report 2025: AI 역량과 인간 역량은 경쟁 항목이 아니다
원문 제목: The Future of Jobs Report 2025, Skills Outlook (2025년 1월)
세계경제포럼이 전 세계 고용주들을 조사해 격년으로 내는 보고서입니다. 2025년판에서 고용주들은 2030년까지 노동자 핵심 역량의 39%가 변화할 것으로 예상했습니다. 직전 조사의 44%보다는 낮아졌지만, 5년 안에 역량의 5분의 2가 바뀐다는 전망은 여전합니다.
중요한 것은 무엇이 함께 오르는가입니다. AI·빅데이터, 네트워크·보안, 기술 문해력 같은 기술 역량이 가장 빠르게 중요해지는 동시에, 다음 역량들의 중요도가 같이 올라갑니다.
분석적 사고와 창의적 사고
회복탄력성·유연성·민첩성
호기심과 평생학습
리더십과 사회적 영향력
공감과 적극적 경청, 인재 관리
메시지는 단순합니다. AI를 다루는 능력과 인간적인 역량 중 하나를 고르는 것이 아니라, 둘을 결합할 수 있어야 한다는 것입니다. AI로 자료를 빠르게 만들 수는 있습니다. 그러나 무엇을 믿을지 판단하고, 어떤 문제를 먼저 풀지 정하며, 고객·동료·조직의 맥락을 읽고 설득하는 일은 여전히 사람의 몫입니다.
이 조사는 고용주의 전망, 즉 수요 측의 계획을 묻는 방식이라는 점을 감안해야 합니다. 11편의 LinkedIn 데이터(스킬의 70% 변화)와 수치가 다른 것은 측정 대상과 방법이 다르기 때문이며, 두 수치는 같은 방향의 다른 각도로 읽는 것이 맞습니다. 8편의 PwC가 결과 데이터(임금·채용)로 확인한 두 갈래 노동시장에서, 프리미엄이 붙는 전문화 경로의 역량 목록이 바로 이 조사의 상승 목록과 겹친다는 점도 함께 볼 만합니다.
원문: https://www.weforum.org/publications/the-future-of-jobs-report-2025/in-full/3-skills-outlook/
10. Stanford AI Index 2026: 수요는 대화형에서 에이전트 운용으로 이동 중
원문 제목: The 2026 AI Index Report (Stanford HAI)
Stanford Human-Centered AI 연구소가 매년 내는 AI 현황 종합 보고서로, 2026년판의 노동시장 관련 데이터는 채용 공고 분석에서 뚜렷한 이동을 보여 줍니다.
미국 채용 공고의 2.5%가 AI 역량을 명시합니다. 전년 대비 55% 증가, 2022년 대비 72% 증가, 최근 10년 기준 약 300% 증가입니다.
에이전트형 AI(agentic AI) 역량을 요구하는 공고는 2024년 전체의 0.06%에서 2025년 0.23%로 약 4배가 됐습니다. 미국에서만 약 9만 건 규모입니다.
요구 역량의 무게중심이 대화형 사용에서 배치·운용·실행 쪽으로 옮겨 가고 있습니다. 워크플로 관리, 클라우드 인프라 같은 배치 지향 역량의 성장이 가장 빠르고, Python은 여전히 최상위 전문 역량입니다.
국가별 편차도 큽니다. 채용 공고 중 AI 역량 명시 비율은 Singapore가 4.8%로 가장 높고, Hong Kong, Luxembourg, Spain이 뒤를 잇습니다.
이 데이터가 상위 10% 논의에 보태는 것은 "다음 격차의 위치"입니다. 챗봇에게 질문을 잘 하는 능력은 이미 흔해지고 있습니다. 채용 시장이 웃돈을 주기 시작한 것은 그 다음 단계, 즉 행동하는 AI 시스템을 실제 업무 흐름 안에 구성하고 조율하고 운용하는 능력입니다. 12편의 Microsoft Work Trend Index가 "향후 5년 안에 팀의 업무가 될 것"이라고 예고했던 에이전트 구성·훈련·관리가, 채용 공고라는 선행 지표로 실체화되고 있는 셈입니다. 0.06%에서 0.23%라는 절대 수치는 작지만, 선행 지표는 원래 작을 때 읽는 것입니다.
다만 유의점이 있습니다. 이 수치는 명시적으로 AI 역량을 요구하는 공고의 비율이므로, AI를 쓰지만 공고에 적지 않는 일자리의 변화는 잡지 못합니다. 또한 공고 데이터는 기업의 희망을 반영할 뿐 실제 채용과 성과를 보장하지 않습니다. 비율 자체보다 방향과 속도가 정보입니다.
원문: https://hai.stanford.edu/ai-index/2026-ai-index-report
11. LinkedIn Work Change Report: 2030년까지 스킬의 70%가 바뀐다
원문 제목: Work Change Report: AI is Coming to Work (2025년 1월)
10억 명 이상의 회원과 6,900만 개 기업의 데이터를 가진 LinkedIn Economic Graph의 보고서입니다. 핵심 수치는 다음과 같습니다.
2030년까지 대부분의 직무에서 사용되는 스킬의 70%가 바뀔 것으로 전망합니다. AI가 그 변화의 주된 동력입니다.
지금 노동시장에 진입하는 세대는 15년 전 진입 세대보다 경력 동안 약 두 배 많은 일자리를 거칠 것으로 예상됩니다.
회원들이 프로필에 새 스킬을 추가하는 속도는 2022년 이후 140% 빨라졌습니다. 노동자들 스스로 변화를 감지하고 움직이고 있다는 뜻입니다.
AI를 도입한 조직의 51%는 10% 이상의 매출 성장을 보고했습니다.
별도 발표인 2025년 Skills on the Rise 목록에서는 AI 문해력(AI literacy)이 가장 빠르게 성장하는 스킬 1위였고, 갈등 조정, 적응력, 혁신적 사고 같은 인간 기술이 나란히 상위에 올랐습니다. 기술 스킬과 인간 스킬이 같은 목록의 위쪽을 나눠 가진 구도는 9편의 WEF 전망과 정확히 같습니다.
이 보고서의 함의는 단순하지만 무겁습니다. 스킬의 70%가 바뀐다면, 어느 시점의 스킬 목록으로 상위 10%에 들었는지는 5년 뒤에 중요하지 않게 됩니다. 중요한 것은 스킬 목록의 갱신 속도입니다. 두 배 많은 일자리를 거친다는 전망도 같은 이야기를 합니다. 경력은 한 회사 안의 승진 계단이 아니라 여러 번의 재배치가 되고, 재배치 때마다 값을 하는 것은 축적된 직함이 아니라 이동 가능한 역량과 다시 배우는 속도입니다. 19편의 Aneesh Raman(이 데이터를 만드는 LinkedIn의 임원)이 적응력을 "지금 이 순간의 스킬"이라고 부르는 근거가 바로 이 데이터입니다. 다만 70%라는 수치는 과거 추세의 외삽에 기반한 전망치이므로, 정확한 예언이라기보다 방향에 대한 강한 신호로 읽는 것이 맞습니다.
원문: https://economicgraph.linkedin.com/research/work-change-report
12. Microsoft Work Trend Index 2025: 에이전트와 함께 일하는 팀에서는 업무 설계와 관리가 늘어난다
원문 제목: Microsoft Work Trend Index 2025, The Frontier Firm (2025년 5월)
Microsoft가 31개 지역 31,000명을 조사해 내는 연례 보고서로, 2025년판은 사람과 AI 에이전트가 함께 일하는 혼합형 팀을 갖춘 "프런티어 기업(frontier firm)"의 등장을 다룹니다. 아시아 발표 자료에서 태국의 리더들은 향후 5년 안에 팀의 업무 범위에 다음 일이 포함될 것으로 예상했습니다.
AI를 활용해 업무 프로세스를 다시 설계하기 (51%)
복잡한 업무를 자동화하는 여러 AI 에이전트 구성하기 (51%)
AI 에이전트 훈련하기 (56%)
AI 에이전트 관리하기 (46%)
이 말이 모두에게 개발자가 되라는 뜻은 아닙니다. 목표와 제약조건을 정하고, 일을 작은 단계로 나누며, 중간 결과를 검토하고, 반복 가능한 절차로 남기는 일은 이미 많은 실무자가 해 오던 일입니다. AI와 함께 일한다는 것은 일을 통째로 넘기는 일이 아니라, 사람이 판단할 지점과 AI가 맡을 지점을 다시 나누는 일에 가깝습니다.
2026년 시점에서 이 보고서를 다시 읽으면, 예고가 데이터로 확인되는 중임을 알 수 있습니다. 10편의 Stanford AI Index가 보여 준 에이전트 운용 역량 수요의 급증(1년 새 약 4배)은 이 전망이 채용 공고에 실체화된 모습입니다. 1편의 관리 역량이 개인 차원의 이야기라면, 이 보고서는 그 팀 버전입니다. 지시하고, 검토하고, 위임 범위를 정하는 관리의 문법이 사람 팀원과 에이전트 팀원 모두에게 적용되는 조직이 온다는 것입니다.
13. Anthropic Economic Index: 위임을 잘하는 사람일수록 자기 스킬의 시장 가치가 오른다고 느낀다
원문 제목: Anthropic Economic Index report: Cadences (2026년 6월)
Claude 사용 데이터를 익명화 처리해 AI가 실제로 어떻게 쓰이는지 추적하는 Anthropic의 연구 시리즈입니다. 설문이 아니라 실사용 기록에 기반한다는 점에서, "사람들이 AI를 쓴다고 말하는 방식"이 아니라 "실제로 쓰는 방식"을 보여 주는 드문 자료입니다. 2026년 6월 보고서의 주요 발견은 다음과 같습니다.
대화의 93%가 식별 가능한 결과물을 만들어 냅니다. 설명(17%), 문서·보고서(15%), 안내(11%) 순입니다. AI 사용의 대부분이 잡담이 아니라 산출물 생산이라는 뜻입니다.
사용에는 생활의 리듬이 그대로 반영됩니다. 개인 용도 대화는 평일 약 35%에서 주말 약 50%로 뛰고, 업무 서신 작성은 오전 10~11시에 정점을 찍습니다. 밤과 주말에 업무용으로 쓰는 사람들의 작업은 고임금 직종 쪽으로 치우칩니다.
업무를 더 자동화 방식으로, 즉 더 많이 위임하며 쓰는 사람일수록 향후 1년 자기 일자리 전망이 급여, 고용 안정, 일의 의미, 자율성, 대인 상호작용, 고용 가능성의 여섯 차원 모두에서 더 낙관적이었습니다.
많이 위임하는 사람들도 적게 위임하는 사람들과 같은 비율로 "AI를 쓰며 배우고 있다"고 답했습니다. 그리고 "AI가 내 스킬의 시장 가치를 높이고 있다"는 응답은 자동화 비중이 높을수록 늘었습니다.
경력 15년 이상 노동자는 1년 차보다 "AI가 대신할 수 있는 내 업무의 범위"를 약 10%포인트 낮게 평가했습니다. 축적된 암묵지와 맥락 특수적 전문성 때문이라는 해석이 붙습니다.
사용의 격차도 이 보고서의 중요한 발견입니다. 응답자 중 여성은 12%에 그쳤고, 여성은 Claude Code 같은 고급 도구를 덜 쓰고 자동화 비중도 낮았으며 대신 더 반복적·대화적으로 사용하는 경향이 있었습니다. 도구 접근이 평등해져도 사용의 깊이는 저절로 평등해지지 않는다는 뜻으로, 앞으로의 격차 논의에서 성별·직군·연령별 사용 양식의 차이는 계속 추적할 지점입니다.
이 데이터는 "위임하면 실력이 준다"는 통념에 단서를 답니다. 적어도 자기 보고 기준으로는, 위임을 많이 하는 사용자들이 배움을 포기한 것이 아니라 더 높은 수준의 일로 올라가며 배우고 있다고 느낍니다. 4편에서 Mollick이 경고한 전문성 침식과 모순되는 것이 아니라, 위임의 질이 관건이라는 뜻으로 읽는 것이 맞겠습니다. 무엇을 넘기고 무엇을 남길지 아는 사람에게 위임은 지렛대가 되고, 모르는 사람에게는 침식이 됩니다. 경력 연차에 따른 인식 차이는 7편의 카나리아 데이터와 포개지며, 암묵지가 현재 가장 튼튼한 방어막이라는 그림을 사용자 쪽 데이터로도 확인해 줍니다. 다만 낙관·학습·가치 상승 항목은 사용자 자기 보고 조사라는 한계 안의 발견입니다.
원문: https://www.anthropic.com/research/economic-index-june-2026-report
14. McKinsey: 슈퍼에이전시, 직원들은 이미 준비되어 있다
원문 제목: Superagency in the workplace: Empowering people to unlock AI's full potential (2025년 1월)
McKinsey가 직원과 리더 수천 명을 조사한 보고서로, 제목의 "슈퍼에이전시(superagency)"는 21편 Reid Hoffman의 책에서 빌려 온 개념입니다. AI로 증폭된 개인의 행위력을 가리킵니다. 이 보고서에서 눈에 띄는 것은 개인과 조직 사이의 인식 격차입니다.
AI 도입이 "성숙 단계"라고 자평한 기업은 1%에 불과합니다.
직원의 94%가 생성 AI 도구에 익숙하다고 답했습니다.
리더들은 일상 업무의 30% 이상에 생성 AI를 쓰는 직원이 4%쯤이라고 추정했지만, 실제로는 13%였습니다. 리더의 짐작보다 세 배 이상 많은 직원이 이미 깊이 쓰고 있습니다.
1년 안에 AI가 자기 업무의 30% 이상을 차지할 것이라고 본 비율은 직원 47%, 리더 20%로 두 배 이상 차이가 났습니다.
직원의 절반 가까이가 공식 훈련을 원했지만, 20% 이상은 조직의 지원을 거의 받지 못했다고 답했습니다. 35~44세 집단은 62%가 높은 AI 전문성을 보고하며 세대 중 가장 적극적인 사용자층으로 나타났습니다.
이 보고서가 상위 10% 논의에 주는 관찰은 명확합니다. 변화의 병목은 개인이 아니라 조직이고, 개인들은 조직이 허락하기 전에 이미 움직이고 있습니다. 16편의 MIT 보고서가 포착한 "그림자 AI 경제"와 같은 그림입니다. 회사의 공식 프로그램을 기다린 사람과 자기 업무에서 먼저 실험한 사람 사이의 격차는 조직의 도입이 늦어질수록 더 벌어집니다. 앞서가는 개인에게 조직의 정체는 불리한 조건이 아니라 상대적 우위의 원천이 됩니다. 또 하나 새겨 둘 것은 "익숙함"과 "깊은 사용"의 거리입니다. 94%가 익숙하다고 답하는 시대에 익숙함은 아무 차별점이 아니며, 업무의 30% 이상을 재편한 13% 쪽에 서는 것이 이 보고서 기준의 앞선 집단입니다.
15. Wharton·GBK: 기업은 가속하는데 훈련 투자는 후퇴한다
원문 제목: Accountable Acceleration: Gen AI Fast-Tracks Into the Enterprise (2025년 10월)
Wharton Human-AI Research와 GBK Collective가 3년째 이어 온 기업 도입 조사로, 도입 초기의 열광이 성과 검증의 단계로 넘어가는 국면을 담고 있습니다. 2025년판이 이름 붙인 국면은 "책임 있는 가속(accountable acceleration)"입니다.
기업 리더의 82%가 생성 AI를 주 단위로 사용하고(전년 대비 10%포인트 증가), 46%는 매일 사용합니다(17%포인트 증가).
72%가 사업 성과와 연동된 지표로 ROI를 공식 추적하며, 약 4분의 3이 이미 긍정적 수익을 보고했습니다. 88%는 향후 12개월 예산 증액을 예상합니다. 조직의 60%는 Chief AI Officer를 두고 있습니다.
그런데 같은 조사에서 89%가 "생성 AI가 직원의 역량을 강화한다"고 답하면서도, 43%는 역량 위축(skill atrophy)의 위험을 경고했습니다.
그 사이 훈련 프로그램 투자는 8%포인트 줄었고, 훈련 효과에 대한 확신은 14%포인트 떨어졌습니다.
이 조사의 핵심은 모순의 방향입니다. 도구 사용과 성과 요구는 가속하는데, 역량을 길러 주는 투자는 오히려 후퇴하고 있습니다. 기업은 AI가 직원을 유능하게 만든다고 믿으면서 동시에 직원의 실력이 위축될까 걱정하고, 그러면서 훈련 예산은 줄입니다. 이 세 가지가 동시에 참이라면 그 부담은 개인에게 이전됩니다.
개인의 처지에서 읽으면 결론은 하나입니다. 자기 역량 개발을 조직에 외주 줄 수 없는 시기가 왔다는 것입니다. 회사가 훈련을 줄이는 국면에서 스스로 학습 구조를 만든 사람과 회사 프로그램을 기다린 사람의 3년 뒤는 다를 수밖에 없습니다. 43%의 리더가 걱정하는 "역량 위축"은 평균의 이야기이고, 상위권은 바로 그 평균에서 이탈하는 사람들입니다. 17편의 Deloitte 데이터가 보여 주는 "적응력이 중요하다는 리더 85%, 실제로 돕고 있다는 리더 7%"와 나란히 놓으면, 조직이 채워 주지 않는 간극의 크기가 구체적인 숫자로 보입니다.
16. MIT State of AI in Business 2025: 95%가 실패하는 이유는 학습 격차다
원문 제목: The GenAI Divide: State of AI in Business 2025 (MIT NANDA)
2025년 여름 가장 큰 논쟁을 일으킨 보고서입니다. 미국 기업들이 생성 AI에 350억~400억 달러를 투자했지만 파일럿의 95%는 손익에 잡히는 성과를 내지 못했고, 생산 규모로 도구를 안착시킨 조직은 5%에 그쳤다는 내용입니다. 95%라는 수치의 산출 방식에 대해서는 반론과 재해석이 이어졌으므로 숫자 자체는 조심스럽게 다루는 것이 좋습니다. 그러나 실패 원인의 진단은 널리 받아들여졌고, 그 진단이 이 보고서를 목록에 넣은 이유입니다.
실패의 핵심은 기술 부족이 아니라 "학습 격차(learning gap)"입니다. 대부분의 도입 시스템은 피드백을 기억하지 못하고, 맥락에 적응하지 못하고, 시간이 지나도 나아지지 않습니다. 배우지 않는 시스템은 과학 실험 전시물로 끝납니다.
반면 직원 개인들은 이미 움직이고 있습니다. 조사 대상 노동자의 90% 이상이 개인 AI 도구를 업무에 쓰는 "그림자 AI 경제"가 형성되어 있습니다. 직원들은 유능한 소비자용 AI를 매일 경험하기 때문에, 뻣뻣한 사내 시스템에 대한 불만이 오히려 커집니다.
성공한 5%는 접근이 달랐습니다. 기성품 도입이 아니라 깊은 맞춤화를 요구했고, 사업 지표에 대한 책임을 명확히 했으며, 도구를 별도 파일럿이 아니라 실제 워크플로 안에 심었고, 실험을 소수 부서가 아니라 조직 전체에 분산했습니다.
덧붙일 관찰이 하나 더 있습니다. 보고서 시점 기준으로 AI가 산업 구도 자체를 흔든 분야는 기술과 미디어·통신 정도였고, 나머지 산업의 재편은 아직 본격화되지 않았습니다. 도입 실패율이 화제가 됐지만, 뒤집어 읽으면 대부분의 산업에서 판이 아직 굳지 않았다는 뜻이기도 합니다.
개인 차원으로 옮기면 "학습 격차"는 그대로 적용됩니다. 같은 도구를 써도, 오늘의 실패를 내일의 프롬프트와 절차에 반영하는 루프를 가진 사람은 나아지고, 매번 처음처럼 쓰는 사람은 제자리에 머뭅니다. 성공한 5%의 특징 네 가지는 조직 이야기지만, 각 항목 앞에 "내 업무의"를 붙이면 그대로 개인의 체크리스트가 됩니다. 내 업무에 맞게 도구를 맞춤화했는가, 내 성과 지표에 연결했는가, 실제 업무 흐름에 심었는가, 꾸준히 실험을 돌리고 있는가? 이 네 질문에 답이 있는 사람이 이 보고서가 말하는 격차의 이긴 쪽입니다.
원문(보고서 PDF): https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf
17. Deloitte 2026 Global Human Capital Trends: 인간 우위는 설계의 문제다
원문 제목: 2026 Global Human Capital Trends (2026년 3월)
Deloitte의 연례 인적자본 보고서 2026년판의 표제는 "인간 우위(human advantage)"입니다. AI가 흔해질수록 승부는 인간 역량과 AI를 결합하는 설계에서 갈린다는 주장인데, 수치가 보여 주는 것은 그 설계가 거의 되어 있지 않다는 현실입니다.
리더의 85%가 적응력이 결정적이라고 답했지만, 구성원의 지속적 성장과 적응을 잘 돕고 있다고 답한 리더는 7%에 그쳤습니다.
인간-AI 상호작용 설계에서 진전을 이뤘다는 리더는 6%였습니다.
65%는 AI 때문에 조직 문화의 대폭 변화가 필요하다고 봤습니다.
의사결정에 AI를 쓰는 조직은 60%에 이르지만, 그 의사결정을 잘 관리하고 있다는 임원은 5%였습니다.
리더의 56%는 AI 솔루션을 사업 성과만을 기준으로 설계하고 있으며, 신뢰·공정성·역량 성장 같은 인간 쪽 결과는 설계에 넣지 않고 있었습니다.
85%와 7% 사이의 간극이 이 보고서의 요점입니다. 적응력이 중요하다는 합의는 이미 있는데, 그것을 길러 주는 구조는 없습니다. 이 간극은 15편의 Wharton 조사(훈련 투자 후퇴)와 정확히 겹치고, 14편의 McKinsey 조사(직원은 준비됐는데 조직은 1%만 성숙)와도 겹칩니다. 세 보고서를 나란히 놓으면 결론은 같습니다. 조직이 채워 주지 않는 간극은 개인이 채우게 되고, 채운 소수와 채우지 못한 다수로 나뉩니다.
보고서가 조직에 권하는 방향은 개인의 자기 운영 원칙으로도 그대로 번역됩니다. 일회성 교육 프로그램이 아니라 업무 안에 학습을 심을 것, AI에 대한 신뢰를 맹신이 아니라 비판적 사고와 투명성 위에 세울 것, 일을 재설계할 때 사업 성과와 인간 성과(신뢰, 공정, 역량 성장)를 함께 볼 것. "문화를 인프라로 다루라"는 조언조차, 개인에게는 자기 작업 습관과 도구 환경을 한 번 정비하고 마는 것이 아니라 계속 손보는 기반 시설로 다루라는 말로 읽을 수 있습니다.
원문: https://www.deloitte.com/us/en/insights/topics/talent/human-capital-trends.html
18. Josh Bersin: 슈퍼워커, AI로 자기 직무의 급을 올리는 사람
원문 제목: The Rise of the Superworker (2025년 1월)
HR 분야의 대표적 분석가 Josh Bersin이 2025년을 "슈퍼워커의 해"로 선언하며 내놓은 개념입니다. 슈퍼워커는 AI의 지원과 권한 위임을 받아 자신의 가치, 생산성, 산출의 급을 올리는 직원입니다. 단순히 일을 빨리 끝내는 사람이 아니라, AI 덕분에 더 높은 수준의 문제를 다루게 된 사람을 가리킵니다. Bersin은 이 개념이 인력 감축이나 비용 절감의 이야기가 아니라고 명시합니다. AI를 업무 프로세스, 고객 경험, 생산성 향상에 전략적으로 적용하면서 사람 중심의 운영을 유지하는 것이 요지입니다.
Bersin의 논의에서 개인에게 유용한 부분은 직무를 보는 관점의 전환입니다.
AI는 직무(job)를 통째로 대체하기보다 직무를 구성하는 과업(task)들을 재편합니다.
따라서 질문은 "내 직업이 사라질까"가 아니라 "내 직무에서 어떤 과업이 AI로 넘어가고, 나는 어떤 과업으로 올라갈까"입니다.
조직에는 업무와 조직 모델의 재설계, 인재 밀도를 높이는 인사 전략, 리더십과 문화, HR 체계와 기술의 현대화를 주문합니다. 이는 뒤집으면 개인이 자기 직무를 스스로 재설계하라는 말이 됩니다.
슈퍼워커 개념의 가치는 상위 10%를 고정된 서열이 아니라 이동의 방향으로 정의한다는 데 있습니다. 같은 직함을 갖고도 어떤 사람은 AI가 흡수한 과업 위쪽의 일, 즉 판단, 설계, 관계, 예외 처리로 올라가고, 어떤 사람은 남은 과업을 지키는 데 머뭅니다. 시간이 지나면 이 둘은 사실상 다른 직무를 가진 셈이 됩니다. 8편의 PwC가 데이터로 보여 준 "전문화 경로와 대중화 경로의 분기"를, Bersin은 개인의 선택 문제로 다시 씁니다. 어느 경로에 설지는 직군이 정해 주는 것이 아니라 자기 직무를 재정의하는 사람이 정한다는 것입니다.
원문: https://joshbersin.com/superworker/
19. Aneesh Raman: 적응력이 지금 이 순간의 스킬이다
원문 출처: Microsoft WorkLab 팟캐스트, LinkedIn VP Aneesh Raman on Why Adaptability Is the Skill of the Moment
LinkedIn에서 경제적 기회 문제를 총괄해 온 Aneesh Raman은 11편의 Work Change Report가 데이터로 보여 준 것을 개인의 언어로 옮깁니다. 그의 핵심 문장은 이것입니다. "당신이 직업을 바꾸지 않아도, 직업이 당신 주변에서 바뀌고 있습니다." 이직을 하지 않아도 재적응은 피할 수 없다는 뜻입니다.
그의 주장은 다음과 같이 정리됩니다.
지식을 소유하는 것 자체가 우위였던 지식경제의 시대가 저물고, 혁신과 관계 중심의 경제로 이동하고 있습니다. 지식의 조달 비용이 낮아질수록, 지식을 갖고 무엇을 할지 정하는 판단과 사람을 움직이는 관계의 값이 오릅니다.
그 경제에서 값이 오르는 것은 리더십과 의사결정, 관계 구축과 협업, 창의적 문제 해결, 그리고 이 모든 것을 관통하는 적응력입니다.
AI와 일하는 능력조차 본질적으로는 디지털 기술이 아니라 소통의 기술에 가깝습니다. 원하는 것을 명확히 말하고, 되돌아온 것을 평가하고, 다시 요청하는 일이기 때문입니다. 이는 2편의 서술(Description)과 분별(Discernment), 그리고 1편에서 Mollick이 말한 관리 역량과 정확히 같은 지점입니다.
경력의 안정성은 이제 직장이나 직함에서 오지 않고, 변화 속도에 대한 자신의 학습 속도에서 옵니다.
그가 이끌어 온 LinkedIn의 기회 프로젝트는 학위나 경력 단절 같은 전통적 신호 대신 실제 역량으로 사람을 평가하는 채용을 지향합니다. 자격과 간판의 힘이 약해지고 역량의 실증이 강해지는 흐름은, 23편의 OpenAI 자격 실험과는 결이 다른 방향에서 같은 지점을 가리킵니다. 상위 10%라는 이 글의 언어로 바꾸면, 오늘의 순위는 자산이 아니라 스냅숏이고, 유일하게 이월되는 자산은 적응의 속도라는 뜻입니다. 이 항목의 원문이 2023년 대담이라는 점은 감안할 필요가 있지만, 이후 11편의 데이터가 그의 논지를 계속 뒷받침해 왔습니다.
20. Matt Beane, The Skill Code: 도전·복잡성·연결이 없으면 실력은 자라지 않는다
원문 출처: The Skill Code: How to Save Human Ability in an Age of Intelligent Machines (2024년 6월), MIT Sloan 소개 기사
수술 로봇 도입 현장 등 지능형 기계와 숙련 형성의 관계를 오래 관찰해 온 연구자 Matt Beane의 책입니다. 그의 진단은 뼈아픕니다. "우리는 기술의 생산성과 인간의 실력 사이에 전쟁을 시작했고, 지금 실력이 지고 있습니다."
Beane에 따르면 인류가 수천 년 동안 실력을 길러 온 방식의 핵심은 전문가와 초심자의 유대이며, 그 유대가 작동하려면 세 가지 조건이 필요합니다.
도전(Challenge): 실패 위험이 있는 실전 과제를 직접 다뤄 볼 것. 안전한 관찰만으로는 실력이 붙지 않습니다.
복잡성(Complexity): 일의 조각이 아니라 전체 맥락을 접할 것. 잘게 쪼개진 업무만 반복하면 판단이 자라지 않습니다.
연결(Connection): 전문가와의 신뢰 관계 속에서 배울 것. 보고 배울 사람과의 유대가 끊기면 암묵지는 전수되지 않습니다.
문제는 지능형 기계가 도입될 때 이 세 조건이 한꺼번에 무너지기 쉽다는 점입니다. 기계는 초심자가 하던 일부터 흡수하므로, 초심자는 실전 과제를 잃고 관찰자로 밀려나며, 전문가는 초심자 없이 기계와 직접 일하는 쪽이 더 빠르다는 것을 알게 됩니다. 7편의 카나리아 연구가 보여 준 초급 채용 축소는 이 진단의 노동시장 버전이라고 할 수 있습니다. 도구가 생산성을 올리는 바로 그 방식이 다음 세대의 숙련 형성 경로를 끊는 것입니다.
다만 Beane은 이것이 기술의 필연이 아니라 도입 방식의 선택이라고 강조합니다. 군의 폭발물 처리 로봇 훈련처럼, 전문가가 지켜보는 가운데 초심자가 직접 조작하도록 설계해 생산성과 학습을 함께 지킨 사례도 있습니다. 결과를 가르는 것은 기술 자체가 아니라 배치의 설계입니다. 개인에게 이 책이 주는 지침은 명확합니다. 자기 학습 환경에 도전·복잡성·연결이 남아 있는지 점검하고, 사라졌다면 의식적으로 복원해야 합니다. AI에게 일을 맡기더라도, 배워야 할 단계의 일은 일부러 직접 하는 선택이 필요합니다. 4편에서 Mollick이 말한 "마법사에게 넘길 때마다 잃는 것"의 해독제가 이 세 조건입니다.
지식노동으로 옮기면 이 책의 경고는 이런 모습이 됩니다. 시니어가 주니어에게 시키던 초벌 작업을 AI에게 시키는 것이 더 빠르고 싼 조직에서, 주니어는 배울 기회를 잃고 시니어는 후계를 잃습니다. 단기 생산성으로는 합리적인 선택들이 쌓여 몇 년 뒤 중간 숙련층이 비는 구조가 됩니다. 개인이 조직의 이 흐름을 바꿀 수는 없어도, 자기 학습만큼은 설계할 수 있습니다. 초벌을 AI에 맡기더라도 주기적으로 직접 해 보는 것, 전체 맥락이 보이는 일에 자원하는 것, 배울 수 있는 전문가와의 접점을 의식적으로 유지하는 것이 세 조건의 개인 버전입니다.
원문: https://mitsloan.mit.edu/ideas-made-to-matter/how-can-we-preserve-human-ability-age-machines
21. Reid Hoffman, Superagency: 행위력을 키우는 쪽에 서라
원문 출처: Superagency: What Could Possibly Go Right with Our AI Future (2025년 1월, Reid Hoffman·Greg Beato)
LinkedIn 공동창업자이자 실리콘밸리의 대표적 투자자인 Reid Hoffman의 책입니다. 슈퍼에이전시는 AI가 개인의 행위력(agency), 즉 목표를 세우고 달성하는 능력을 증폭한 상태를 가리킵니다. AI 튜터가 교육을 개인화하고, 연구자가 치료법을 더 빨리 찾고, 개인이 복잡한 제도와 시스템을 AI 조력자와 함께 헤쳐 나가는 미래상입니다. 허위 정보나 일자리 변동 같은 위험을 부정하지 않으면서도, 논의의 초점을 "무엇이 잘못될 수 있는가"에서 "무엇이 잘될 수 있고, 그러려면 누가 무엇을 해야 하는가"로 옮기자는 것이 책의 제안입니다.
책의 기여는 기술 낙관론 자체보다 태도의 분류에 있습니다. Hoffman은 AI에 대한 태도를 파국을 확신하는 쪽, 부정적 전망을 기본값으로 두는 쪽, 무조건 속도를 내자는 쪽, 그리고 위험을 인정하면서 참여를 통해 방향을 바꾸려는 쪽으로 나누고 마지막 입장에 섭니다. 그가 "기술-휴머니스트 나침반(techno-humanist compass)"이라 부르는 이 태도의 요점은, 기술의 방향은 지켜보는 사람이 아니라 참여하는 사람이 정한다는 것입니다.
14편의 McKinsey 보고서가 같은 단어를 제목에 쓴 데서 보듯, 이 개념은 업계의 공용어가 되어 가고 있습니다. 개인 차원의 함의는 소박하게 요약됩니다. AI 시대의 상위권은 도구를 두려워하며 관망한 사람도, 도구에 일을 통째로 넘긴 사람도 아니라, 도구로 자기 행위력의 반경을 넓힌 사람이라는 것입니다. 사용하면서 배우고, 배우면서 요구 수준을 높이는 참여가 그 방법입니다. 행위력이라는 렌즈는 실용적이기도 합니다. 어떤 도구나 워크플로를 평가할 때 "이것이 내 선택지를 늘리는가, 줄이는가"를 물으면, 편리하지만 종속을 낳는 사용과 번거롭지만 역량이 남는 사용을 구분할 수 있습니다. 다만 저자가 AI 산업의 이해당사자라는 점은 읽을 때 감안해야 합니다.
원문: https://www.simonandschuster.com/books/Superagency/Reid-Hoffman/9798893310108
22. Karim Lakhani: AI가 사람을 대체하는 게 아니라, AI를 쓰는 사람이 안 쓰는 사람을 대체한다
원문 제목: AI Won't Replace Humans - But Humans With AI Will Replace Humans Without AI (Harvard Business Review, 2023년 8월)
Harvard Business School의 Karim Lakhani 교수가 남긴, 이 주제에서 가장 많이 인용되는 문장입니다. 5편의 들쭉날쭉한 경계 연구의 공저자이기도 한 그는 이 대담에서 두 가지를 강조합니다.
기계가 사람을 통째로 대체하는 그림은 과장이지만, 같은 직군 안에서 AI를 쓰는 사람과 안 쓰는 사람의 경쟁은 실재하며, 그 경쟁의 결과가 곧 대체처럼 보이게 됩니다. 위협의 단위는 "직업 대 기계"가 아니라 "사람 대 사람"입니다.
인터넷과 웹이 정보의 전달 비용을 사실상 0으로 만들었듯, AI는 인지의 비용을 떨어뜨립니다. 비용이 떨어진 활동은 줄어드는 것이 아니라 폭발적으로 늘어나므로, 문제는 일의 소멸이 아니라 일의 재구성입니다.
그가 리더들에게 주문하는 것은 기술 도입이 아니라 학습하는 조직으로의 전환이고, 개인에게는 직접 써 보는 실험을 통한 습관의 변화입니다. 진입 장벽은 그 어느 때보다 낮습니다. 자연어로 말을 걸 수 있는 도구는 사용법을 배우는 비용까지 떨어뜨렸기 때문입니다. 결국 남는 변수는 시작했는가, 계속하는가입니다.
이 글을 18번째에 둔 것은 시기가 2023년으로 앞서기 때문이지만, 이후 3년의 데이터가 이 문장을 계속 확인해 주고 있다는 점에서 여전히 현재형입니다. 8편의 PwC 임금 프리미엄 62%는 "AI를 쓰는 사람이 대체한다"는 명제가 시장 가격으로 번역된 결과이고, 7편의 채용 축소는 그 명제가 채용 관문에서 작동한 결과입니다. 한 문장짜리 슬로건처럼 유통되지만, 이 목록의 실증 연구들이 그 문장의 각주 역할을 하는 셈입니다.
원문: https://hbr.org/2023/08/ai-wont-replace-humans-but-humans-with-ai-will-replace-humans-without-ai
23. OpenAI Certifications: AI 유창성이 자격의 언어로 제도화되다
원문 제목: Expanding economic opportunity with AI (2025년 9월)
OpenAI가 일자리 플랫폼과 자격 인증 체계를 발표한 문서입니다. 역량론은 아니지만, 역량이 제도로 굳어지는 순간을 보여 주는 자료여서 포함했습니다.
OpenAI Certifications는 직장에서의 기초적 AI 활용부터 고급 프롬프트 엔지니어링까지 단계별 AI 유창성(AI fluency)을 인증합니다. ChatGPT의 학습 모드 안에서 준비부터 응시까지 가능하게 설계됐습니다.
2030년까지 미국인 1,000만 명 인증이라는 목표를 내걸었습니다.
OpenAI Jobs Platform은 AI 역량을 갖춘 인력과 이를 찾는 고용주를 연결하며, 지역 중소기업과 정부를 위한 트랙도 둡니다.
Walmart, Boston Consulting Group, Accenture, Indeed, John Deere, Texas Association of Business 등이 출범 파트너로 참여했습니다. 세계 최대 민간 고용주인 Walmart의 참여는 이 자격이 사무직 너머까지 겨냥함을 보여 줍니다.
이 발표가 개인에게 말해 주는 것은 두 가지입니다.
첫째, "AI를 쓸 줄 안다"가 이력서의 자기 서술에서 검증 가능한 자격의 영역으로 넘어가고 있습니다. 측정되기 시작한 역량은 채용과 보상의 기준이 되고, 11편에서 본 AI 문해력 수요와 만나면 이 자격 시장은 빠르게 커질 것입니다.
둘째, 그렇기 때문에 역설적으로 자격 취득 자체는 차별화가 아니라 기본값이 됩니다. 1,000만 명이 가진 자격은 상위 10%의 표식일 수 없습니다. 자격은 출발선을 옮길 뿐이고, 격차는 여전히 자격이 측정하지 못하는 곳, 즉 위임 판단과 검증 능력과 도메인 전문성에서 만들어집니다.
한 가지 유의점도 적어 둡니다. 이 체계는 도구 판매자가 그 도구의 사용 자격을 인증하는 구조입니다. 교육과정과 평가가 특정 제품에 결박되는 만큼, 여기서 배우는 것이 도구 종속적 요령인지 이전 가능한 역량인지는 개인이 가려서 취해야 합니다. 2편의 4D처럼 도구 중립적인 틀을 기준으로 삼고, 자격은 그 틀을 시장에 증명하는 수단으로 쓰는 것이 순서에 맞습니다.
원문: https://openai.com/index/expanding-economic-opportunity-with-ai/
24. Andrew Ng: 코딩을 배우지 말라는 조언은 최악의 커리어 조언이 될 것이다
원문 출처: Andrew Ng의 공개 발언 (X, 2025년 3월)
DeepLearning.AI 창업자이자 Stanford 교수인 Andrew Ng는 "AI가 코딩을 자동화할 테니 프로그래밍을 배울 필요가 없다"는 유행하는 조언에 정면으로 반대합니다. 그의 표현으로는, 그 조언은 "역사상 최악의 커리어 조언 중 하나로 기록될 것"입니다. 저명한 연구자들까지 가세한 통념에 대한 공개 반박이라는 점에서 화제가 됐습니다.
논리는 경제학의 오랜 패턴에 기댑니다. 어떤 활동의 비용이 떨어지면 그 활동은 줄어드는 것이 아니라 폭증합니다. 22편의 Lakhani가 말한 인지 비용의 하락과 같은 구조입니다. AI가 코드 작성을 쉽게 만들수록 소프트웨어를 만들 이유는 늘어나고, 컴퓨터에 정확히 원하는 것을 시킬 줄 아는 사람의 지렛대는 커집니다. 핵심은 문법 암기가 아니라 문제를 컴퓨터가 실행할 수 있는 형태로 명확히 쪼개는 사고이며, 이는 개발자만이 아니라 마케터, 회계사, 연구자 모두의 지렛대가 된다는 것이 그의 일관된 주장입니다.
이 관점은 10편의 Stanford AI Index 데이터와 맞물립니다. 에이전트 운용 역량의 수요가 1년 새 4배로 뛰는 시장에서, 코드와 시스템의 언어를 아는 사람은 에이전트에게 더 정확한 일을 시키고, 결과를 더 깊이 검증하고, 반복 작업을 절차로 만들어 쌓아 둘 수 있습니다. "AI에게 시키면 되니 배울 필요가 없다"는 말과 "AI에게 잘 시키기 위해 배워야 한다"는 말의 차이가 여기서 갈립니다.
24편 가운데 이 항목이 개인의 실행 목록에 가장 직접적으로 번역됩니다. 자기 분야의 전문성 위에 컴퓨팅적 사고 한 층을 얹는 것입니다. 반드시 전업 개발자가 되라는 말이 아니라, AI에게 시킬 일을 구조화하고 그 결과물을 읽을 수 있을 만큼의 문해력을 갖추라는 말입니다. 지금은 그 문해력을 얻는 비용 자체가 역사상 가장 낮은 시점이기도 합니다. AI가 가장 참을성 있는 프로그래밍 교사이기 때문입니다.
원문: https://x.com/AndrewYNg/status/1900219116822102116
종합: 24편이 가리키는 여섯 개의 축
24편은 서로 다른 방법론과 이해관계에서 나왔습니다. 통제된 실험이 있고, 수억 건의 채용 공고 분석이 있고, 사용 로그가 있고, 설문이 있고, 책과 대담이 있습니다. 그런데도 겹쳐 놓으면 여섯 개의 축이 뚜렷하게 남습니다.
첫째, 위임의 판단력입니다. 무엇을 AI에 맡기고 무엇을 남길지 아는 능력은 2편 AI Fluency의 첫 번째 D이고, 5편의 실험에서 성과를 가른 실측 변수였으며, 13편에서 스킬 가치 상승 인식과 동행한 행동이었습니다. 켄타우로스와 사이보그의 공통점은 분담을 한 번 정하고 끝내지 않고 계속 다시 정했다는 것이었습니다. AI의 능력 경계가 계속 움직이므로 이 판단은 갱신형 역량이고, 갱신형 역량이라는 사실 자체가 진입 장벽입니다.
둘째, 검증과 감식안입니다. 4편이 보여 주듯 AI가 강해질수록 병목은 생성이 아니라 평가로 이동합니다. 결과물이 좋은지 알아보는 눈은 하루아침에 생기지 않고, 자기 분야에서 직접 만들어 본 축적에서만 나옵니다. 5편에서 AI를 믿고 경계 밖 과제를 틀린 컨설턴트들의 사례는 검증 없는 위임의 비용을, 16편의 학습 격차는 검증 없이 반복되는 사용의 정체를 각각 보여 줍니다.
셋째, 복제되지 않는 도메인 전문성입니다. 6편은 기록될 수 있는 우위가 AI를 통해 확산되어 하위권의 출발선을 끌어올린다는 것을, 7편과 13편은 경력자의 암묵지가 아직 가장 튼튼한 방어막이라는 것을 보여 줬습니다. 상위권을 지키는 것은 절차 지식이 아니라 맥락 지식, 예외 판단, 신뢰 관계입니다. 동시에 6편의 다른 면, 즉 AI가 상위 수행자의 압축본이라는 사실은 추격자에게 역사상 가장 빠른 학습 도구가 주어졌다는 뜻이기도 합니다.
넷째, 학습 구조입니다. 16편의 학습 격차, 15편의 훈련 투자 후퇴, 17편의 85% 대 7% 간극, 11편의 스킬 70% 교체 전망은 모두 같은 곳을 가리킵니다. 조직은 구성원의 학습을 보장해 주지 않으며, 피드백을 축적하는 자기만의 루프를 가진 개인이 앞서갑니다. 20편의 도전·복잡성·연결은 그 루프가 갖춰야 할 세 가지 설계 기준이고, 19편의 적응력은 그 루프가 만들어 내는 결과의 이름입니다.
다섯째, 인간 기술입니다. 8편의 두 갈래 노동시장에서 프리미엄이 붙는 쪽은 판단·창의·리더십이 증폭되는 경로였고, 11편의 스킬 목록에서도 AI 문해력과 갈등 조정·적응력이 나란히 올랐으며, 19편은 AI와 일하는 능력조차 소통의 기술이라고 말합니다. 이는 9편의 WEF와 3편의 UNESCO가 강조한 바와 일치하며, AI 역량과 인간 역량이 별개 과목이 아니라 한 묶음임을 다시 확인해 줍니다.
여섯째, 참여의 태도입니다. 21편의 행위력, 22편의 "쓰는 사람이 대체한다", 14편과 16편이 포착한 "조직보다 앞서 움직이는 개인들"은 모두 관망이 아니라 사용과 실험을 통한 참여가 격차의 시작점임을 말합니다. 23편의 자격 제도화는 이 참여가 이제 측정되고 거래되기 시작했다는 신호이며, 동시에 측정되는 순간 기본값이 되어 버린다는 역설의 신호이기도 합니다.
여섯 축을 한 문장으로 줄이면 이렇게 됩니다. AI 시대의 상위 10%는 AI를 가장 많이 쓰는 사람이 아니라, 자기 분야의 전문성 위에서 위임하고 검증하며, 그 과정 자체를 학습 루프로 만든 사람입니다. 도구는 계속 바뀔 것이므로, 특정 도구의 숙련보다 이 구조를 갖추는 것이 오래 갑니다.
여섯 축은 결핍의 증상으로도 확인할 수 있습니다.
- 위임 판단이 약한 사람은 모든 일을 AI에 던지거나 아무 일도 던지지 못하는 양극단을 오갑니다.
- 검증이 약한 사람은 AI 산출물을 그대로 전달했다가 사후에 오류를 지적받는 일이 반복됩니다.
- 도메인 전문성이 침식되는 사람은 AI 없이 처리하던 일이 AI 없이는 불안해지는 변화를 느낍니다.
- 학습 구조가 없는 사람은 1년을 써도 사용 방식이 1년 전과 같습니다.
- 인간 기술이 정체된 사람은 산출물은 늘었는데 회의와 설득과 협상에서의 존재감은 그대로입니다.
- 참여가 없는 사람은 도구 이야기가 나올 때마다 "정리되면 배우겠다"고 미룹니다.
어느 증상이 익숙한지가 곧 진단입니다.
시간 축으로 24편을 다시 세우면 하나의 서사가 됩니다.
2023년, 실험실과 현장에서 첫 실증이 나왔습니다. 컨설턴트 실험(5편)과 상담원 연구(6편)는 도구가 성과를 올리되 하위권을 더 끌어올린다는 것, 그리고 경계 밖에서는 해가 된다는 것을 보여 줬고, Lakhani(22편)는 그 함의를 한 문장으로 눌러 담았습니다.
2024년, UNESCO(3편)가 학생·교사용 AI 역량 프레임워크로 주체성과 책임의 축을 세웠고, Beane(20편)이 숙련 형성의 관점에서 경고를 보탰습니다.
2025년, 개념과 조사가 쏟아졌습니다. 연초에 WEF(9편)가 2030년까지 핵심 역량의 39%가 바뀐다는 고용주 전망을 내놓았고, Microsoft(12편)가 사람-에이전트 혼합 팀을 예고했습니다. Hoffman(21편)과 McKinsey(14편)가 행위력의 언어를 퍼뜨렸고, Bersin(18편)이 슈퍼워커를 말했으며, LinkedIn(11편)이 스킬 교체의 규모를 추정했고, Mollick(4편)이 에이전트 시대의 검증 문제를 제기했고, Wharton(15편)과 MIT(16편)가 도입 현장의 명암을 기록했고, 카나리아 연구(7편)가 첫 고용 경고를 울렸고, OpenAI(23편)가 자격 제도화를 시작했습니다.
2026년, 데이터가 값을 매기기 시작했습니다. PwC(8편)는 프리미엄이 커지고 있음을, Stanford(10편)는 수요가 에이전트 운용으로 이동함을, Anthropic(13편)은 사용 양식의 분화를, Deloitte(17편)는 조직의 준비 부족을 수치로 확인했습니다. 그리고 2026년 초 Mollick(1편)이 이 흐름을 관리 역량이라는 한 단어로 요약했습니다. 실험에서 개념으로, 개념에서 가격으로. 다음 단계가 무엇이든, 관망자에게 유리한 방향은 아닐 것입니다.
읽는 순서에 대한 안내를 덧붙입니다.
시간이 없다면 1·2·4·5·7·8편의 여섯 편이 최소 골격입니다. 관리라는 관점(1), 역량의 정의(2), 새 병목(4), 실험 증거(5), 노동시장의 경고(7), 시장의 가격표(8)가 갖춰지기 때문입니다. 조직에서 도입을 이끄는 처지라면 12·14·15·16·17편을, 경력 전환기라면 9·11·18·19편을, 자녀나 후배의 교육을 생각한다면 3편과 20편과 24편을 먼저 읽는 것이 효율적입니다.
숫자만 따로 모아 두면 기억에 남습니다. AI 역량 보유자의 임금 프리미엄 62%(8편). AI 관련 일자리 성장률 69%, 전체 시장의 8배(8편). AI 노출 초급 일자리가 상급자 역량을 요구할 확률 7배(8편). 2030년까지 바뀔 스킬의 비중 70%(11편). 고용주들이 예상한 2030년까지의 핵심 역량 변화 39%(9편). AI 노출 직군 22~25세 고용의 상대 감소 약 19%(7편). AI 사용 컨설턴트의 품질 향상 40%, 하위 절반의 향상 43%(5편). 신입 상담원의 생산성 향상 34%, 숙련자는 미미(6편). 에이전트형 AI 역량 요구 공고의 1년 새 증가 약 4배(10편). 성과를 낸 기업 파일럿 5%(16편). 적응력이 결정적이라는 리더 85%, 실제로 돕고 있다는 리더 7%(17편). 개인 AI 도구를 업무에 쓰는 노동자 90% 이상(16편). 리더가 추정한 심층 사용자 4%, 실제 13%(14편). 훈련 투자 변화 -8%포인트(15편). 이 숫자들은 각기 다른 기관에서 나왔지만 하나의 이야기를 합니다. 도구는 이미 퍼졌고, 보상은 이미 갈리기 시작했으며, 그 사이를 잇는 훈련은 조직이 아니라 개인의 몫으로 남아 있다는 것입니다.
이 목록에서 뺀 것도 밝혀 둡니다. OECD Employment Outlook 2025는 검토했으나 2025년판의 초점이 인구구조 변화에 있어 제외했고, IMF의 Gen-AI 보고서(2024)는 널리 인용되지만 개인 역량보다 거시적 노출도 분석이 중심이라 제외했습니다. Google과 Microsoft의 국가별 AI 보급 보고서들도 개인 역량론으로 번역하기 어려워 뺐습니다. 반대로 2023년의 5·6·22편을 시기 기준을 어기면서까지 넣은 것은, 2025~2026년 보고서들이 인용하는 실증적 뿌리가 그 연구들이기 때문입니다. 목록은 "올해의 문헌 24편"이 아니라 "지금 판단에 필요한 24편"으로 골랐습니다.
마지막으로 한계를 적어 둡니다. 이 목록의 컨설팅사·플랫폼 기업 보고서들(PwC, McKinsey, Deloitte, LinkedIn, OpenAI, Anthropic 포함)은 각자 AI 도입 확대에 이해관계가 있는 주체의 산출물입니다. 수치는 참고하되 방향 판단의 근거는 5·6·7편 같은 동료 심사를 거쳤거나 독립적인 연구에 더 무겁게 두는 것이 안전합니다. 실증 연구 다수가 미국 데이터에 기반한다는 점도 감안해야 합니다. 노동시장 제도와 고용 관행이 다른 한국에 수치를 그대로 이식할 수는 없고, 방향의 참고자료로 쓰는 것이 적절합니다. 그리고 이 분야의 문헌은 갱신 속도가 빠릅니다. 이 글의 수치는 2026년 8월 시점에 각 원문에서 확인한 것이며, 각 기관의 차기 연례판이 나오면 다시 확인이 필요합니다.
부록 1: 여섯 축을 자기 점검 질문으로
종합에서 추린 여섯 축을, 각 출처의 발견에 기대어 자기 점검 질문으로 바꾸면 다음과 같습니다. 답이 막히는 축이 지금 투자할 곳입니다.
위임의 판단력에 대해 물을 것들입니다. 내 업무를 과업 단위로 쪼갠 목록을 갖고 있습니까? 그 목록에서 지금 AI에 맡기는 것과 직접 하는 것의 경계를 마지막으로 다시 그은 것이 언제입니까? 새 모델이 나왔을 때 그 경계를 재점검하는 절차가 있습니까? 5편의 실험이 보여 준 실패는 능력 부족이 아니라 경계 밖 과제를 경계 안이라고 믿은 판단 착오였다는 점을 기억할 필요가 있습니다.
검증과 감식안에 대해 물을 것들입니다. AI가 만든 결과물에서 오류를 실제로 잡아낸 최근 사례를 댈 수 있습니까? 내 분야에서 "좋은 결과물"의 기준을 다른 사람에게 설명할 수 있습니까? 완전한 검증이 불가능한 산출물에 대해 나만의 "충분히 좋음" 기준과 표본 검사 방식을 갖고 있습니까? 4편의 경고대로, 검증 능력은 위임하지 않고 직접 해 본 경험에서만 나오므로, 검증력이 떨어지고 있다면 그것은 위임을 너무 일찍 너무 넓게 했다는 신호일 수 있습니다.
도메인 전문성에 대해 물을 것들입니다. 내 우위 가운데 문서화·데이터화될 수 있는 부분과 없는 부분을 구분해 본 적이 있습니까? 6편의 메커니즘이 내 분야에서 작동한다면, 3년 뒤 후발 주자와 나의 격차는 어디에 남아 있겠습니까? 맥락 지식과 예외 판단, 신뢰 관계처럼 복제가 느린 자산에 시간을 배분하고 있습니까?
학습 구조에 대해 물을 것들입니다. AI 사용에서 얻은 교훈이 축적되는 장소(프롬프트 모음, 절차 문서, 체크리스트)가 있습니까? 아니면 매번 처음처럼 씁니까? 16편의 표현을 빌리면, 나라는 시스템은 피드백을 기억하고 맥락에 적응하며 시간이 지나면 나아지는 쪽입니까? 20편의 세 조건, 즉 도전과 복잡성과 연결이 내 일과에 남아 있습니까?
인간 기술에 대해 물을 것들입니다. 지난 1년 사이 판단, 설득, 조율, 관계가 필요한 일의 비중이 내 업무에서 늘었습니까, 줄었습니까? 늘지 않았다면 8편이 말한 두 경로 중 어느 쪽으로 이동 중인지 점검할 필요가 있습니다. AI에게 일을 시키는 내 언어는 정확해지고 있습니까? 19편은 그것 자체가 소통 능력이라고 말합니다.
참여의 태도에 대해 물을 것들입니다. 조직의 공식 방침이 정해질 때까지 기다리고 있습니까, 아니면 허용된 범위 안에서 먼저 실험하고 있습니까? 14편과 16편의 데이터에서 앞선 집단은 후자였습니다. 내 도구 사용은 선택지를 늘리는 쪽입니까, 특정 도구 없이는 일을 못 하는 종속을 만드는 쪽입니까? 21편의 행위력 기준은 이 구분에 쓰라고 있는 것입니다.
부록 2: 자주 나오는 반론과 이 목록의 답
이 주제를 이야기할 때 반복해서 나오는 반론 다섯 가지에 대해, 24편이 주는 답을 정리해 둡니다.
"AI를 많이 쓰면 실력이 퇴화하지 않습니까?" 절반만 맞는 걱정입니다. 4편과 20편은 위임이 학습 기회를 잠식하는 경로를 실제로 보여 줍니다. 그러나 13편의 데이터에서 많이 위임하는 사용자들은 적게 위임하는 사용자들과 같은 비율로 배우고 있다고 답했고, 시장 가치 상승 체감은 오히려 더 높았습니다. 갈림길은 사용량이 아니라 위임의 질입니다. 배워야 할 단계의 일을 남겨 두는 의식적 선택(20편), 결과물을 검증하며 쓰는 습관(4편)이 있으면 퇴화 경로를 피할 수 있습니다. 15편에서 리더의 43%가 걱정한 역량 위축은 이 선택 없이 쓰는 평균적 사용의 미래입니다.
"자격증을 따야 합니까?" 23편의 답은 이중적입니다. AI 유창성 자격은 빠르게 채용 시장의 신호가 되고 있으므로 취득 비용이 낮다면 마다할 이유가 없습니다. 그러나 1,000만 명이 목표인 자격은 정의상 차별화 수단이 아니라 기본값입니다. 자격이 측정하지 못하는 것, 즉 자기 분야의 감식안과 위임 판단이 격차의 실제 원천이라는 점은 변하지 않습니다.
"개발자가 아닌데 코딩까지 배워야 합니까?" 24편의 Ng와 10편의 데이터가 주는 답은 "전업 전환이 아니라 문해력"입니다. 에이전트에게 일을 시키는 시대의 코딩은 직업 기술이 아니라, 문제를 실행 가능한 형태로 구조화하는 사고 훈련에 가깝습니다. 자기 분야 전문성 위에 얹는 한 층이지, 전문성을 대체하는 새 전공이 아닙니다. 그리고 그 한 층을 배우는 비용은 AI 덕분에 역사상 가장 낮아졌습니다.
"이미 늦지 않았습니까?" 데이터는 반대 방향을 가리킵니다. 14편에서 조직의 1%만이 성숙 단계라고 답했고, 16편에서 파일럿의 95%가 성과를 못 냈으며, 17편에서 인간-AI 협업 설계에 진전을 봤다는 리더는 6%였습니다. 조직 차원의 경기는 아직 초반이고, 개인 차원에서도 깊이 쓰는 집단(14편 기준 13%)은 소수입니다. 다만 7편이 보여 주듯 초급 노동시장의 시계는 더 빠르게 돌고 있으므로, "늦었는가"의 답은 연차에 따라 다릅니다. 초년생일수록 유예 기간이 짧습니다.
"결국 어느 직군이 안전한지 알려 주면 되지 않습니까?" 이 목록의 문헌들은 직군 목록을 주지 않습니다. 8편은 같은 노동시장 안에 증폭 경로와 단순화 경로가 공존함을 보여 주고, 18편은 그 갈림이 직군이 아니라 직무 재정의의 문제라고 말하며, 7편은 같은 직군 안에서도 연차에 따라 효과가 정반대임을 보여 줍니다. "안전한 직군"이라는 질문 자체가, 직무가 과업 단위로 재편되는 시대에는 해상도가 낮은 질문입니다. 더 나은 질문은 "내 직무의 어떤 과업이 어느 쪽으로 움직이고 있는가"입니다.
"프롬프트 엔지니어링부터 배우면 됩니까?" 시작점으로는 좋지만 종착점으로는 부족합니다. 2편의 구도에서 프롬프트 작성은 서술(Description) 한 축의 일부이고, 서술은 네 역량 중 가장 빨리 평준화되는 축입니다. 도구가 발전할수록 서툰 지시를 도구가 보완해 주기 때문입니다. 19편이 지적하듯 AI에게 일을 시키는 능력의 본질은 소통이고, 소통의 절반은 되돌아온 것을 평가하는 쪽, 즉 분별입니다. 프롬프트 요령을 익힌 다음에는 의식적으로 검증과 위임 판단 쪽으로 학습의 무게를 옮기는 것이 이 목록의 결론에 부합합니다.
"회사가 AI 사용을 막고 있으면 어떻게 합니까?" 16편이 보여 준 그림자 AI 경제, 즉 허가 없이 개인 도구를 쓰는 90%의 존재는 이 상황이 흔하다는 것을 알려 주지만, 그것이 무단 사용의 권장 근거는 아닙니다. 2편의 성실(Diligence)이 여기에 해당합니다. 데이터 보안과 규정을 지키는 범위 안에서 할 수 있는 것, 즉 회사 데이터가 들어가지 않는 학습과 연습, 허용된 도구의 깊은 활용, 도입 논의에 대한 참여는 막혀 있지 않은 경우가 대부분입니다. 14편의 데이터는 직원 절반이 훈련을 원한다는 사실 자체가 조직을 움직이는 근거가 될 수 있음을 보여 줍니다.
부록 3: 독자 유형별 우선순위
같은 24편이라도 처지에 따라 급한 것이 다릅니다. 다섯 가지 전형적 처지로 나눠 우선순위를 제안합니다. 배열은 제 판단입니다.
학생과 초년생이라면 7편과 20편이 먼저입니다. 초급 노동시장의 문이 좁아지는 속도(7편)와, 그 안에서 실력을 기르는 조건(20편)이 당장의 문제이기 때문입니다. 그다음이 24편(컴퓨팅 문해력)과 2편(4D)입니다. 초년생의 우위는 축적된 암묵지가 아니라 새 도구에 대한 빠른 적응이므로, 10편이 보여 주는 에이전트 운용처럼 아직 모두가 서툰 영역을 선점하는 전략이 성립합니다.
중간관리자라면 5편과 14편이 먼저입니다. 팀원들의 성과 분포가 어떻게 바뀌는지(5편), 팀원들이 이미 어디까지 와 있는지(14편)를 모르면 관리의 전제가 틀립니다. 15편과 17편은 조직이 훈련을 채워 주지 않는 현실을, 16편은 팀 단위 도입이 실패하는 이유를 알려 줍니다. 관리자 자신의 역량으로는 4편의 검증과 18편의 직무 재설계가 핵심입니다.
전문직(의료, 법률, 연구, 금융 등)이라면 4편과 6편이 먼저입니다. 검증 불가능한 산출물을 책임지는 직업이므로 감식안의 문제가 가장 급하고(4편), 자기 전문성 중 정형화된 부분부터 확산이 시작된다는 것(6편)이 중기 위협이기 때문입니다. 8편의 전문화 경로 데이터는 방향에 대한 근거를, 20편은 후진 양성 구조가 끊기는 위험을 보여 줍니다.
1인 사업자와 창작자, 프리랜서라면 21편과 22편이 먼저입니다. 조직의 보호도 제약도 없는 처지에서는 행위력의 확장(21편)과 개인 간 경쟁 구도(22편)가 곧바로 생존 조건이 됩니다. 13편의 사용 양식 데이터에서 배울 것은 위임의 깊이고, 23편의 자격은 시장에 자신을 증명하는 저비용 신호로 쓸 수 있습니다.
경영진과 HR 담당자라면 16편과 17편이 먼저입니다. 실패의 원인(학습하지 않는 시스템)과 간극의 크기(85% 대 7%)를 먼저 봐야 투자의 순서가 잡힙니다. 15편의 훈련 투자 후퇴는 반면교사이고, 18편의 슈퍼워커론은 인력 계획의 프레임을, 7편은 신입 채용을 줄이는 결정의 장기 비용을 경고합니다.
부록 4: 이 글의 방법
이 글이 어떻게 만들어졌는지도 적어 둡니다. 문헌의 신뢰도를 독자가 직접 판단할 수 있게 하기 위해서입니다.
후보는 2026년 8월 16일에 웹 검색으로 수집했고, 기관 보고서, 동료 심사 연구, 책, 개인 논자의 글을 모두 후보에 넣어 24편을 추렸습니다.
본문에 쓴 수치와 주장은 각 항목의 원문 페이지 또는 발행 기관의 공식 요약 페이지를 직접 열어 대조했습니다. 원문에 접근할 수 없었던 경우는 대체 출처를 쓰고 말미의 확인 목록에 그 사실을 적었습니다. 항목별 해설에서 출처의 주장과 제 해석이 섞이는 대목은 "제 해석입니다", "이렇게 읽을 수 있습니다" 같은 표지로 구분했습니다. 24편의 배열 순서는 제 판단이며, 다른 배열도 얼마든지 가능합니다. 각 기관의 연례 보고서는 매년 갱신되므로, 이 글의 수치는 2026년 8월 시점의 스냅숏으로 읽는 것이 정확합니다.
맺음말
24편을 관통해 다시 처음의 질문으로 돌아갑니다.
AI 시대에 상위 10%에 드는 사람들의 역량은 무엇입니까?
이 목록이 주는 답은 목록이 아니라 구조입니다.
특정 도구의 숙련은 도구와 함께 늙고,
특정 스킬의 목록은 11편의 전망대로 절반 넘게 교체됩니다.
남는 것은 전문성 위에서 위임하고,
위임한 것을 검증하고,
검증에서 배운 것을 다음 위임에 반영하는 순환이며,
그 순환을 돌리는 동력인 인간 기술과 참여의 태도입니다.
한 가지 더 말해 둘 것이 있습니다.
이 문헌들은 격차를 말하지만, 동시에 격차의 반대 증거이기도 합니다. 5편과 6편에서 가장 크게 도약한 것은 하위권과 신입이었습니다.
AI는 지금까지 나온 어떤 도구보다 추격에 유리한 도구이고, 진입 비용은 계속 떨어지고 있습니다.
상위 10%가 세습되는 시대가 아니라 다시 정해지는 시대라는 것, 그것이 이 24편이 전하는 위협이자 기회입니다.
순위가 다시 정해지는 시기에 유일하게 불리한 선택은 경기장 밖에서 기다리는 것입니다.
