사라지는 사다리와 흔들리는 전문직, 우리는 지금 어디에 서 있는가

들어가며: 일을 배우기도 전에도 일이 달라진다

한 사무실의 월요일 아침을 떠올려 보겠습니다.

팀장이 다음 날 회의에 사용할 보고서를 준비합니다.

예전 같으면 신입 직원에게 자료 수집을 맡겼을 것입니다. 관련 통계를 찾고, 경쟁사의 움직임을 정리하고, 지난 회의에서 논의한 내용을 확인하는 일이었습니다.

신입 직원은 자료를 모으면서 무엇이 중요한지 배웠습니다. 잘못 가져온 숫자를 지적받기도 하고, 필요 없는 내용을 잔뜩 넣었다가 다시 정리하기도 했습니다.

시간이 걸렸습니다. 가르치는 사람도 바빴습니다.

이제 팀장은 인공지능에 자료의 개요를 정리해 달라고 요청할 수 있습니다. 잠시 후 보고서의 초안이 나타납니다. 팀장은 내용을 검토하고 필요한 부분을 고칩니다.

업무는 빨라졌습니다.

그런데 한 가지 질문이 남습니다.

그 일을 처음 배워야 할 사람은 이제 어디에서 경험을 쌓을까요.

우리는 오랫동안 직업을 하나의 사다리처럼 생각했습니다.

처음에는 쉬운 일을 맡습니다. 실수하면서 배우고, 경험이 쌓이면 조금 더 어려운 일을 맡습니다. 그렇게 여러 해가 지나면 누군가에게 일을 가르치는 사람이 됩니다.

그런데 인공지능이 들어오면서 사다리의 아랫부분부터 변화가 시작됐습니다.

자료를 찾고, 문서를 정리하고, 초안을 작성하는 일은 신입 직원의 주요 업무이면서 동시에 인공지능이 비교적 쉽게 지원할 수 있는 업무입니다.

기업에는 효율을 높일 기회입니다. 일을 시작하려는 사람에게는 배울 기회가 줄어들 수 있다는 뜻이기도 합니다.

이 변화는 신입 사원에게만 해당하지 않습니다.

법률 문서를 검토하는 변호사, 프로그램을 개발하는 기술자, 장부를 살피는 회계사도 자신이 해오던 일의 일부를 새로운 도구와 나누어 맡기 시작했습니다.

오랫동안 한 분야에서 일하다 다른 직업으로 옮기려는 사람 역시 낯선 문제를 만납니다. 이전 경력은 길지만 새로운 업무에서는 다시 초보자가 되어야 하기 때문입니다.

인공지능이 인간의 모든 일자리를 빼앗는다는 이야기는 아직 현실을 충분히 설명하지 못합니다.

더 가까이에서 벌어지는 변화는 따로 있습니다.

일자리가 없어지기 전에, 그 일자리에서 배우고 성장하는 방식부터 달라지고 있다는 사실입니다.

우리는 지금 그 변화의 한가운데에 서 있습니다.

1. 사라지는 사다리: 신입 사원이 배울 일은 누가 남겨두는가

채용 공고를 읽던 사람이 화면을 아래로 내립니다.

관련 경력 3년 이상.

실무 프로젝트 수행 경험.

즉시 업무 투입 가능자.

지원할 만한 자리를 찾았다고 생각했지만, 마지막 조건에서 손이 멈춥니다.

경력을 쌓으려면 먼저 일을 해야 합니다. 그런데 일을 시작하려면 경력이 필요하다고 합니다.

오래전부터 존재하던 모순입니다.

최근에는 이 문제에 새로운 변수가 더해졌습니다. 기업이 신입에게 맡기던 기초 업무를 인공지능으로 처리할 수 있게 된 것입니다.

과거 사무실에서 신입 직원이 작성한 보고서는 완성도가 높지 않았습니다.

표의 숫자가 맞지 않거나 중요한 자료가 빠지기도 했습니다. 선배는 보고서를 돌려주며 무엇을 다시 확인해야 하는지 알려주었습니다.

그 과정에서 신입은 단순히 문서 작성법만 배우지 않았습니다.

숫자의 출처를 확인하는 습관, 자료의 중요도를 구분하는 기준, 상대방이 실제로 궁금해하는 내용을 찾아내는 감각을 익혔습니다.

회의록을 작성하는 일도 마찬가지였습니다.

처음에는 참석자들의 말을 빠짐없이 적으려고 애썼습니다. 시간이 지나면서 모든 발언이 같은 무게를 갖는 것은 아니라는 사실을 알게 되었습니다.

의견과 결정은 다릅니다.

제안과 지시도 다릅니다.

이 차이를 구분하는 능력은 회의록을 여러 번 작성하고 수정하면서 자랐습니다.

이제 인공지능이 회의 내용을 정리해 줍니다. 자료의 초안을 작성하고 표까지 만들어 줍니다.

편리한 변화입니다.

그러나 그 결과물을 검토하는 일은 생각보다 어렵습니다.

회의에 참석한 사람이 실제로 동의하지 않은 내용을 결정 사항으로 정리했다면 어떻게 알아차릴까요.

통계의 기준 연도가 다르거나 비교 대상이 적절하지 않다면 무엇을 근거로 수정할까요.

경험이 있는 사람은 이상한 부분을 발견할 수 있습니다. 처음 일을 배우는 사람에게는 그 판단 기준 자체가 아직 없습니다.

여기에서 새로운 문제가 생깁니다.

AI가 초보자의 일을 대신하는 속도와 초보자를 숙련자로 길러내는 속도가 서로 달라질 수 있다는 것입니다.

이러한 우려는 고용 자료에서도 일부 확인됩니다.

미국 스탠퍼드 디지털경제연구소가 2026년 8월 개정한 연구에서는 AI 노출도가 높은 직종에 종사하는 22~25세 근로자의 고용이 상대적으로 약한 모습을 보였습니다. 특히 기존 직원의 대규모 해고보다 청년층 신규 채용의 감소가 중요한 특징으로 관찰됐습니다.¹)

물론 미국의 연구 결과를 한국의 현실에 그대로 적용할 수는 없습니다. 경기 상황과 기업의 채용 방식, 산업 구조도 함께 고려해야 합니다.

그러나 이 연구가 던지는 질문은 분명합니다.

기업이 사람을 내보내지 않더라도 새로 뽑는 사람을 줄이면, 노동시장에 처음 들어오려는 사람에게는 기회가 줄어듭니다.

문제는 거기에서 끝나지 않습니다.

오늘 신입을 적게 뽑는 기업은 몇 년 뒤 경험을 갖춘 중간 경력자를 어디에서 구할 것인지 고민해야 합니다.

모든 회사가 숙련된 사람만 채용하려 한다면, 그 숙련자는 누가 길러낼까요.

기업의 비용 절감과 사회 전체의 인력 양성은 반드시 같은 방향으로 움직이지 않습니다.

따라서 AI 시대의 채용 문제를 단순히 신입 사원을 몇 명 뽑느냐로만 판단해서는 부족합니다.

새로 들어온 사람이 어떤 업무를 경험할 수 있는지, 누가 결과를 검토해 주는지, 어느 단계에서 스스로 판단할 기회를 얻는지까지 살펴야 합니다.

사다리는 위쪽만 튼튼해서는 제 역할을 하지 못합니다.

첫발을 디딜 자리가 있어야 다음 계단도 오를 수 있습니다.

2. 흔들리는 전문직: 자격증은 남아도 일의 내용은 바뀐다

전문직을 준비하는 사람은 오랜 시간을 공부에 투자합니다.

어려운 시험을 통과하고, 자격을 얻고, 실무를 익힙니다.

그 과정에는 하나의 기대가 있습니다.

지금 쌓은 지식과 기술이 앞으로 오랫동안 자신의 직업을 지탱해 줄 것이라는 믿음입니다.

인공지능은 이 믿음을 없애기보다 새로운 질문을 던집니다.

전문가가 해오던 일 가운데 고객이 앞으로도 비용을 지불하려는 부분은 무엇일까요.

먼저 법률 분야를 보겠습니다.

변호사는 계약서를 검토하고 판례를 찾으며 법률 문서를 작성합니다. AI는 이 과정에서 자료를 검색하고 초안을 정리하는 시간을 줄여줄 수 있습니다.

하지만 법률 문서에서 가장 중요한 것은 문장의 매끄러움이 아닙니다.

실제로 존재하는 판례인지, 현재 적용되는 법률인지, 의뢰인의 상황에 적절한 판단인지 확인해야 합니다.

AI가 제시한 판례를 검증하지 않고 법원에 제출했다가 문제가 된 사례도 있습니다.

법률 분야에서 AI가 던지는 질문은 결국 이것입니다.

정보를 빠르게 찾는 능력과 그 정보를 믿어도 되는지 판단하는 능력은 얼마나 다른가.

개발자의 경우에는 조금 다른 문제가 나타납니다.

AI에 원하는 기능을 설명하면 프로그램 코드의 초안을 얻을 수 있습니다. 반복적인 작업을 줄이고 오류를 찾는 데도 도움을 받을 수 있습니다.

그러나 화면에서 프로그램이 작동한다고 해서 모든 문제가 해결되는 것은 아닙니다.

사용자가 갑자기 늘어나면 어떻게 될까요.

개인정보가 외부로 노출될 위험은 없을까요.

다른 프로그램과 연결했을 때 오류가 발생하지 않을까요.

코드를 작성하는 일과 실제로 운영할 수 있는 시스템을 만드는 일 사이에는 상당한 거리가 있습니다.

AI가 코드를 더 쉽게 만들어 줄수록, 개발자는 그 코드가 어떤 환경에서 어떻게 작동하는지 이해해야 합니다.

회계와 세무 분야에서도 변화가 진행됩니다.

자료를 분류하고 수치를 계산하는 작업은 자동화하기 좋습니다.

하지만 장부에 적힌 숫자가 거래의 실제 내용을 정확하게 반영하는지 판단하는 일은 별개의 문제입니다.

같은 금액이라도 어떤 거래에서 발생했는지에 따라 적용되는 규정이 달라질 수 있습니다.

계산이 맞는다는 사실만으로 회계 처리가 적절하다고 결론 내릴 수는 없습니다.

세 직업에서 나타나는 변화는 서로 다릅니다.

법률에서는 정보의 신뢰성과 책임이, 개발에서는 시스템의 안정성과 검증이, 회계에서는 거래의 실질적 의미와 규정 적용이 중요해집니다.

공통점도 있습니다.

기존 업무의 일부가 자동화되면서 전문가가 제공하는 가치의 중심이 달라질 수 있다는 사실입니다.

국제노동기구는 2025년 보고서에서 생성형 AI의 영향이 많은 직업에서 직업 전체의 소멸보다 업무 구성의 변화로 나타날 가능성이 크다고 설명했습니다.²)

이 구분은 중요합니다.

변호사라는 직업이 남아 있더라도 변호사가 하루 동안 하는 일은 달라질 수 있습니다.

개발자라는 직업이 계속 필요하더라도 신입 개발자가 처음 맡는 업무는 이전과 같지 않을 수 있습니다.

전문직의 미래를 판단할 때 직업의 이름만 바라봐서는 부족한 이유입니다.

전문직의 미래를 가르는 것은 자격증의 유무만이 아닙니다. 그 자격을 바탕으로 어떤 문제를 해결하고, 자신의 판단을 어디까지 설명할 수 있는지가 점점 중요해지고 있습니다.

3. AI가 절약한 시간은 누구의 것이 되는가

한 직원이 매주 작성하는 보고서가 있습니다.

월요일마다 지난주 실적을 정리하고, 주요 변동 사항을 확인해 부서장에게 제출합니다.

예전에는 반나절이 걸렸습니다.

AI를 활용하면서 초안을 만드는 시간이 크게 줄었습니다. 직원은 숫자를 확인하고 잘못된 부분을 고친 뒤 보고서를 제출합니다.

업무가 빨라졌습니다.

그렇다면 남은 시간에는 무슨 일이 일어날까요.

직원은 그동안 미뤄두었던 일을 할 수 있습니다. 고객의 요구를 더 자세히 살피거나 새로운 업무를 배울 수도 있습니다.

반대로 회사는 보고서 작성 시간이 줄었다는 이유로 더 많은 업무를 맡길 수 있습니다.

기술이 절약한 시간이 직원의 여유가 될지, 추가 업무가 될지, 더 좋은 서비스로 이어질지는 기술만으로 결정되지 않습니다.

이 문제는 생산성이라는 숫자 뒤에 가려지기 쉽습니다.

AI의 생산성 효과를 다룬 연구들도 결과가 일정하지 않습니다.

2025년 발표된 개발자 대상 현장 실험에서는 AI 도구를 사용한 집단의 완료 작업량이 평균 약 26% 증가했습니다.³)

반면 숙련된 오픈소스 개발자를 대상으로 한 다른 실험에서는 당시 AI 도구를 사용했을 때 작업 완료 시간이 오히려 약 19% 늘어났습니다.⁴)

두 연구는 업무 환경과 측정 방식이 다릅니다. 어느 한쪽 수치를 모든 직업에 적용할 수는 없습니다.

그러나 함께 살펴보면 중요한 사실을 확인할 수 있습니다.

AI를 사용한다고 해서 모든 업무가 자동으로 빨라지는 것은 아닙니다.

업무의 성격, 사용자의 숙련도, 도구의 성능, 결과를 검토하는 데 필요한 시간에 따라 차이가 생깁니다.

특히 AI가 작성한 결과물을 확인하는 과정은 쉽게 생략해서는 안 됩니다.

보고서의 문장이 매끄럽다고 해서 숫자가 정확한 것은 아닙니다. 참고 자료가 많이 붙어 있다고 해서 실제로 존재하는 자료라는 보장도 없습니다.

검토할 문서가 많아질수록 오류를 발견하는 데 필요한 주의력도 더 많이 요구됩니다.

여기에서 새로운 형태의 업무 부담이 생길 수 있습니다.

이전에는 직원이 직접 작성한 문서를 확인했습니다.

이제는 AI가 빠르게 만들어 낸 여러 문서를 검토해야 할 수 있습니다.

만드는 속도가 빨라졌다고 해서 확인하는 책임까지 줄어드는 것은 아닙니다.

또한 모든 직원이 같은 조건에서 AI를 활용하는 것도 아닙니다.

어떤 회사는 유료 도구와 교육을 지원합니다. 다른 회사는 보안 문제로 외부 AI 서비스의 사용을 제한합니다.

업무에 필요한 자료를 안전하게 사용할 수 있는 사람도 있고, 자료를 입력할 수 없어 AI의 도움을 받기 어려운 사람도 있습니다.

개인의 활용 능력뿐 아니라 일하는 환경 자체가 달라지는 것입니다.

그래서 AI를 잘 쓰는 사람과 못 쓰는 사람의 경쟁이라는 설명만으로는 현실을 충분히 이해하기 어렵습니다.

누가 도구를 사용할 수 있는지, 누가 교육받을 시간을 갖는지, 누가 오류를 검토할 책임을 지는지 함께 살펴야 합니다.

기업이 AI로 업무 효율을 높였다면 그 성과를 어디에 사용할지도 중요한 선택입니다.

직원의 교육 시간을 늘릴 수 있습니다.

고객에게 제공하는 서비스의 품질을 높일 수 있습니다.

기존 인력으로 더 많은 일을 처리할 수도 있습니다.

어느 방향을 선택하느냐에 따라 같은 기술이 전혀 다른 일터를 만들 수 있습니다.

AI가 시간을 절약해 준다는 사실보다, 그 시간을 어떻게 사용하느냐가 사람들의 일상을 더 크게 바꿀 수 있습니다.

4. 끝까지 남는 인간의 몫: AI가 작성한 보고서에 누가 이름을 걸 것인가

회의가 시작됩니다.

담당자가 보고서를 화면에 띄웁니다.

표가 정돈되어 있고 결론도 명확합니다. 참석자들은 자료를 읽으며 고개를 끄덕입니다.

그때 누군가 묻습니다.

“이 숫자는 어디에서 확인했습니까?”

담당자는 잠시 화면을 살펴봅니다.

AI가 작성한 초안을 검토했지만 해당 수치의 출처까지 확인하지 못했습니다.

보고서의 내용이 반드시 틀렸다는 뜻은 아닙니다.

그러나 그 숫자를 근거로 중요한 결정을 내려도 되는지는 아직 알 수 없습니다.

여기에서 AI 시대의 중요한 문제가 드러납니다.

결과물을 만드는 일과 그 결과물을 믿고 사용할 수 있도록 확인하는 일은 다릅니다.

AI는 방대한 자료를 비교하고 여러 선택지를 제시할 수 있습니다.

기술이 발전하면서 사람이 하던 판단 업무의 일부까지 지원하는 범위도 넓어지고 있습니다.

그렇다고 모든 판단을 아무런 조건 없이 AI에 맡길 수 있는 것은 아닙니다.

업무에는 정확성 외에도 고려해야 할 문제가 있기 때문입니다.

잘못된 결정으로 피해를 보는 사람은 누구인지, 문제가 발생했을 때 어떻게 수정할 것인지, 그 판단을 상대방에게 설명할 수 있는지 확인해야 합니다.

특히 채용이나 금융, 의료처럼 개인의 생활에 큰 영향을 미치는 결정에서는 이러한 절차가 중요합니다.

AI가 제시한 결과를 활용하더라도 조직과 담당자의 책임이 사라지는 것은 아닙니다.

그러나 사람에게 최종 책임이 있다고 말하는 것만으로 문제를 해결할 수는 없습니다.

검토할 시간을 주지 않으면서 책임만 요구한다면 어떨까요.

잘못된 부분을 발견해도 수정할 권한이 없다면 어떨까요.

AI가 어떤 자료를 바탕으로 결과를 만들었는지 확인할 수 없다면 담당자는 무엇을 근거로 판단해야 할까요.

책임을 맡기는 일에는 그 책임을 수행할 조건이 따라야 합니다.

AI 시대에 인간의 역할을 논할 때 이 점을 놓치기 쉽습니다.

흔히 기계에는 없는 인간의 감각과 직관을 강조합니다.

물론 현장의 경험과 사람에 대한 이해는 중요합니다. 그러나 인간의 판단 역시 언제나 정확한 것은 아닙니다.

경험이 많아도 실수할 수 있고, 익숙한 방식에 지나치게 의존할 수도 있습니다.

따라서 사람과 AI 가운데 누가 더 우월한지 가리는 문제로만 접근할 필요는 없습니다.

어떤 업무에서는 AI가 먼저 자료를 정리하고 사람이 검토하는 방식이 적절할 수 있습니다.

다른 업무에서는 사람이 먼저 판단한 뒤 AI를 이용해 빠진 정보를 확인하는 편이 나을 수 있습니다.

중요한 것은 업무의 위험과 성격에 맞게 역할을 구분하는 일입니다.

그리고 누가 어떤 근거로 최종 결정을 내렸는지 설명할 수 있어야 합니다.

AI가 무엇을 할 수 있는가와 무엇을 맡겨도 되는가는 서로 다른 질문입니다.

앞으로 기술이 발전할수록 이 두 질문을 구분하는 능력은 더욱 중요해질 것입니다.

5. 어떻게 준비할 것인가: 자신의 일을 세 가지로 나누어 보는 법

AI 시대를 준비하라는 말을 들으면 새로운 프로그램부터 배워야 할 것 같습니다.

어떤 도구가 가장 뛰어난지 찾아보고, 사용법을 익히고, 관련 강좌를 살펴봅니다.

이런 노력도 필요합니다.

그러나 그보다 먼저 해야 할 일이 있습니다.

자신이 하루 동안 어떤 일을 하는지 살펴보는 것입니다.

직업의 이름이 같아도 실제 업무는 다릅니다.

같은 사무직이라도 자료를 정리하는 사람이 있고, 고객을 직접 상대하는 사람이 있으며, 복잡한 규정을 검토하는 사람도 있습니다.

AI가 도울 수 있는 부분도 서로 다릅니다.

따라서 자신의 업무를 세 가지로 나누어 보는 것이 출발점이 될 수 있습니다.

첫 번째는 AI에 맡기기 전에 자료의 안전부터 확인해야 하는 일입니다.

고객의 개인정보, 회사의 영업 비밀, 외부에 공개되지 않은 계약 내용은 아무 AI 서비스에나 입력해서는 안 됩니다.

업무에 AI를 활용하기 전에 회사의 보안 규정과 사용 가능한 도구를 확인해야 합니다.

편리하다는 이유로 중요한 자료를 외부 서비스에 입력한다면 시간을 절약하는 대신 더 큰 문제를 만들 수 있습니다.

두 번째는 AI가 초안을 만들 수 있지만 사람이 결과를 검증해야 하는 일입니다.

회의록 정리, 일반적인 문서의 초안 작성, 공개 자료의 요약 등이 여기에 해당합니다.

처음에는 자신이 작성한 결과와 AI가 만든 결과를 비교해 보는 방법이 좋습니다.

어떤 내용이 빠졌는지, 표현이 실제 의미와 다른 부분은 없는지, 출처가 정확한지 살펴봅니다.

이 과정에서 AI의 장점과 한계를 함께 익힐 수 있습니다.

중요한 것은 AI가 만든 문서를 그대로 제출하는 데 익숙해지지 않는 것입니다.

검토할 수 없는 내용은 자신의 판단으로 확인한 결과처럼 제시해서는 안 됩니다.

세 번째는 결과에 대한 설명과 책임 때문에 사람이 직접 판단해야 하는 일입니다.

중요한 계약을 승인하거나 고객에게 확정적인 답변을 제공하는 일, 법률과 규정의 적용 여부를 최종적으로 판단하는 일 등이 해당할 수 있습니다.

이런 업무에서도 AI는 자료를 비교하고 선택지를 정리하는 데 도움을 줄 수 있습니다.

그러나 최종 판단을 맡은 사람은 왜 그런 결정을 내렸는지 설명할 수 있어야 합니다.

이 세 가지 구분은 모든 직업에 똑같이 적용되는 고정된 법칙은 아닙니다.

업무의 위험과 조직의 규정에 따라 달라집니다.

그럼에도 자신의 일을 살펴보는 출발점으로는 유용합니다.

여기에 한 가지를 더 생각해야 합니다.

지금 내가 직접 할 줄 알아야 하는 일은 무엇인가 하는 질문입니다.

AI가 문서를 작성해 준다고 해서 글을 읽고 판단하는 능력이 필요 없어지는 것은 아닙니다.

계산을 대신해 준다고 해서 숫자의 의미를 이해할 필요가 사라지는 것도 아닙니다.

오히려 결과물을 쉽게 얻을수록 그것이 맞는지 판단하는 기본기가 중요해집니다.

오랫동안 한 분야에서 일한 사람에게는 그동안 쌓은 경험이 있습니다.

문서에는 드러나지 않는 현장의 사정, 반복해서 발생하는 문제, 고객이 실제로 불편해하는 지점을 알고 있습니다.

이런 경험을 새로운 도구와 연결할 방법을 찾을 수 있습니다.

반대로 처음 일을 배우는 사람은 AI가 제시한 답을 하나씩 검증하는 과정을 통해 기본기를 익혀야 합니다.

답을 얻는 속도보다 자신이 무엇을 이해했는지가 중요합니다.

그러나 개인의 노력만으로 모든 문제가 해결되지는 않습니다.

기업은 신입 직원이 경험을 쌓을 수 있는 업무와 교육 과정을 마련해야 합니다.

직원에게 AI를 활용하라고 요구한다면 안전한 도구와 적절한 교육도 제공해야 합니다.

경력 전환을 준비하는 사람에게는 새로운 기술을 배울 시간과 기회가 필요합니다.

기술이 빠르게 발전하는 사회일수록 배우는 책임을 개인에게만 떠넘겨서는 안 됩니다.

일하는 방식이 바뀌면 사람을 길러내는 방식도 함께 바뀌어야 합니다.

나가며: 사다리의 첫 계단을 다시 생각할 때

처음 일을 시작했던 날을 떠올려 보겠습니다.

모르는 것이 많았습니다.

간단해 보이는 일에도 시간이 걸렸고, 선배에게 여러 번 질문해야 했습니다. 같은 실수를 반복하다가 어느 순간부터 혼자 해결할 수 있는 일이 하나씩 늘어났습니다.

그렇게 쌓인 경험이 지금의 자신을 만들었습니다.

우리는 직업을 통해 생활비를 벌지만, 동시에 새로운 일을 배우고 자기 능력을 키웁니다.

어제는 하지 못했던 일을 오늘은 해낼 수 있다는 경험도 직업이 주는 중요한 가치입니다.

인공지능은 그 과정의 일부를 바꾸고 있습니다.

반복적인 업무를 줄이고, 복잡한 자료를 정리하고, 새로운 결과물을 만드는 시간을 단축할 수 있습니다.

그 변화가 가져올 이익은 분명합니다.

그러나 편리함만 바라보아서는 놓치는 것이 있습니다.

숙련된 직원이 AI를 활용해 더 많은 일을 처리할 수 있게 되었다고 해서, 그 사회가 저절로 더 많은 숙련자를 길러내는 것은 아닙니다.

오늘의 효율을 높이는 일과 내일의 인력을 준비하는 일은 서로 연결되어 있지만 같은 일은 아닙니다.

이제 기업은 묻게 될 것입니다.

어떤 업무를 AI에 맡길 것인가.

직원에게 무엇을 가르칠 것인가.

새로 들어온 사람에게 어떤 경험을 제공할 것인가.

개인도 자신의 일을 다시 살펴야 합니다.

지금까지 쌓은 경험 가운데 무엇을 지키고, 어떤 부분을 새롭게 배우며, 어디에서 AI의 도움을 받을지 판단해야 합니다.

직업의 이름이 그대로 남아 있어도 일하는 방식은 달라질 수 있습니다.

그 변화 앞에서 모든 사람이 같은 위치에 서 있는 것도 아닙니다.

이미 경험을 쌓은 사람과 이제 출발하려는 사람의 조건은 다릅니다.

새로운 기술을 배울 시간과 기회도 서로 다릅니다.

그래서 AI 시대의 직업 문제는 단순히 어떤 일자리가 사라지고 남는가에 그치지 않습니다.

사람이 처음 일을 배우고, 실수하며 경험을 쌓고, 마침내 자기 판단으로 일을 책임지는 길을 어떻게 이어갈 것인가.

이 질문에 대한 답을 찾지 못한다면 기술은 더 많은 일을 처리하면서도 그 일을 책임질 다음 세대의 사람을 충분히 길러내지 못할 수 있습니다.

기술이 사람의 일을 대신하는 속도만큼, 사람이 일을 배울 길도 새롭게 마련해야 합니다.

---

각주

1. Brynjolfsson, E., Chandar, B., & Chen, R., Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence, Stanford Digital Economy Lab, 2026년 8월 개정. 미국의 급여 자료를 이용해 AI 노출도가 높은 직종에서 나타나는 청년층 고용 변화를 분석한 연구입니다. 관찰된 고용 격차 전체를 AI의 인과적 효과로 단정할 수는 없습니다.
2. International Labour Organization, Generative AI and Jobs: A 2025 Update, 2025년. 생성형 AI에 대한 직업별 노출 가능성을 분석하고, 많은 직업에서 직업 전체의 소멸보다 업무의 변화가 나타날 가능성이 크다고 설명합니다.
3. Cui, Z. 외, The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers, 2025년. 세 기업의 개발자를 대상으로 AI 코딩 도구의 생산성 효과를 분석한 연구입니다.
4. Becker, J. 외, Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, METR, 2025년. 숙련된 오픈소스 개발자가 실제 프로젝트 작업에서 AI 도구를 사용했을 때의 작업 시간을 분석했습니다. 연구 결과는 당시의 도구와 실험 환경에 한정됩니다.

---

다음 편: [AI 시대 직업의 대격변 ②] 기계가 근육을 대신했을 때, 이번에는 두뇌를 건드렸다 — 산업혁명과 AI 혁명은 무엇이 다른가

기계가 근육을 대신했을 때, 이번에는 두뇌를 건드렸다

들어가며: 200년 전의 기계와 오늘의 인공지능

1812년 2월 6일, 영국 노팅엄의 행정관 로버트 베이커가 정부에 편지를 보냈습니다.

편지에는 당시 직물 노동자들이 처한 어려움이 담겨 있었습니다. 일감을 얻지 못하는 사람이 있었고, 일부 사업주가 낮은 임금을 지급하는 문제도 있었습니다. 노동자들의 불만은 기계 파괴로 이어졌습니다.

베이커는 기계 파괴에 반대하는 입장이었지만, 실업과 낮은 임금이 갈등의 배경이라는 사실도 기록했습니다.

200년이 넘도록 남아 있는 이 문서는 당시의 저항을 단순한 기계 혐오만으로 설명하기 어렵다는 사실을 보여줍니다.¹)

우리는 이 사건을 러다이트 운동이라고 부릅니다.

러다이트 운동은 1811년 노팅엄셔에서 시작되어 요크셔와 랭커셔 등으로 퍼졌습니다. 지역마다 사정은 달랐습니다. 어떤 곳에서는 기계 도입에 따른 일자리 감소가 문제였고, 다른 곳에서는 임금 삭감과 작업 방식의 변화가 갈등을 키웠습니다.

기계를 부수는 행동이 정당했다는 뜻은 아닙니다.

다만 그들이 무엇을 두려워했는지 이해하려면 기계만 바라봐서는 부족합니다.

그 기계가 들어온 뒤 자신의 일이 어떻게 달라졌는지, 임금은 어떻게 변했는지, 앞으로도 생계를 이어갈 수 있었는지 함께 살펴야 합니다.

오늘날 우리는 다시 새로운 기계 앞에 서 있습니다.

이번에는 공장의 베틀이나 증기기관이 아닙니다. 사무실의 컴퓨터 화면에서 보고서를 작성하고, 자료를 분석하고, 프로그램 코드를 만들어 내는 인공지능입니다.

과거의 기계는 사람이 몸을 움직여 수행하던 많은 작업을 바꾸었습니다. 오늘날의 AI는 사람이 지식을 이용해 처리하던 업무의 일부까지 바꾸고 있습니다.

물론 산업혁명기의 기계가 육체노동만 대신한 것은 아니며, AI가 인간의 사고 전체를 대신하는 것도 아닙니다.

두 시대를 구분하는 핵심은 기계가 맡을 수 있는 업무의 범위가 달라졌다는 사실입니다.

그렇다면 과거의 산업혁명은 오늘의 우리에게 무엇을 알려줄까요.

역사를 돌아보면 기술이 발전하는 과정뿐 아니라, 그 변화 속에서 사람들이 어떤 문제를 겪었고 어떻게 대응했는지도 볼 수 있습니다.

새로운 기계가 등장했을 때 사람의 일은 어떻게 달라졌는가.

생산성이 높아지면서 사람들의 생활도 함께 나아졌는가.

그리고 그 변화에 적응할 기회는 누구에게 주어졌는가.

이 질문들을 따라가면 AI 시대의 직업 문제를 조금 더 넓은 자리에서 바라볼 수 있습니다.

1. 기계가 들어온 공장: 생산은 늘었지만 삶은 저절로 나아지지 않았다

산업혁명 이전에도 사람들은 여러 종류의 기계를 사용했습니다.

물의 힘으로 움직이는 방앗간이 있었고, 실을 잣는 물레와 천을 짜는 베틀도 있었습니다. 무거운 짐을 옮길 때는 가축의 힘을 빌렸습니다.

18세기 후반부터 달라진 것은 동력을 사용하는 방식과 생산의 규모였습니다.

증기기관이 개량되고 공장 생산이 확대되면서 이전보다 많은 물건을 일정한 속도로 만들 수 있게 되었습니다.

직물을 생산하는 일도 크게 변했습니다.

집이나 작은 작업장에서 숙련자가 맡던 작업의 일부가 공장으로 옮겨졌습니다. 여러 공정이 나뉘었고, 노동자는 기계의 작동과 공장의 시간표에 맞추어 일하게 되었습니다.

이전에는 작업자가 자신의 손놀림과 경험에 따라 일의 속도를 조절하는 경우가 많았습니다.

공장에서는 기계가 돌아가는 동안 정해진 자리를 지켜야 했습니다.

작업의 중심이 사람의 손에서 기계와 생산 설비로 이동한 것입니다.

생산량은 늘었습니다.

그러나 생산이 늘어나는 속도와 노동자의 생활이 나아지는 속도는 같지 않았습니다.

산업화 초기의 여러 공장에서는 긴 노동시간과 열악한 작업 환경이 문제가 됐습니다. 어린이도 위험한 작업에 동원됐습니다.

숙련된 기술로 생계를 이어오던 사람들은 기계 도입과 작업 방식의 변화에 따라 이전과 같은 임금을 받기 어려워지기도 했습니다.

그렇다고 모든 노동자가 같은 어려움을 겪은 것은 아닙니다.

새로운 공장에서 일자리를 얻은 사람도 있었고, 기계 제작과 수리처럼 이전에는 규모가 작았던 분야에서 새로운 기회가 생기기도 했습니다.

기술은 기존의 일을 줄이는 동시에 다른 일을 만들어 냈습니다.

문제는 사라지는 일과 새롭게 생기는 일이 같은 사람에게, 같은 장소에서, 같은 시기에 주어지지 않았다는 점입니다.

오랫동안 직물을 짜던 사람이 곧바로 기계를 설계할 수 있는 것은 아니었습니다.

새로운 기술을 배우려면 시간과 비용이 필요했습니다. 일자리가 생긴 지역으로 이동해야 하는 경우도 있었습니다.

그동안의 생활은 누가 책임져야 할까요.

산업혁명 당시에도 이 질문은 쉽게 해결되지 않았습니다.

시간이 흐르면서 노동자들은 임금과 작업 환경의 개선을 요구했습니다. 노동조합이 성장했고, 노동시간과 아동 노동을 규제하는 법률도 점차 만들어졌습니다.

1919년 국제노동기구가 채택한 첫 협약은 산업 분야에서 하루 8시간, 주 48시간 노동을 원칙으로 제시했습니다.²)

오늘날 익숙한 주 40시간 노동은 그 뒤에도 여러 나라에서 오랜 기간에 걸쳐 확대된 제도입니다.

여기에서 중요한 사실이 드러납니다.

증기기관이 발명됐다고 해서 노동시간이 저절로 줄어든 것은 아니었습니다.

생산성이 높아져도 그 성과가 노동자의 휴식과 임금, 안전으로 이어지려면 별도의 결정과 제도가 필요했습니다.

기계는 더 많은 물건을 만들 수 있게 했습니다.

그 성과를 어떻게 나눌 것인지는 사회가 해결해야 할 문제로 남았습니다.

기술이 만들어 내는 가능성과 사람이 실제로 누리는 생활은 같은 것이 아니었습니다.

이 차이를 이해하는 것이 오늘날 AI를 바라보는 첫 번째 출발점입니다.

2. 공장에서 사무실로: 공부가 직업의 기회가 된 시대

오래된 사무실 사진을 보면 책상마다 종이 서류가 쌓여 있습니다.

직원들은 장부에 숫자를 적고, 문서를 분류하고, 거래 내용을 확인합니다.

전화가 울리면 메모를 남깁니다. 회의가 끝나면 논의한 내용을 정리해 관계자들에게 전달합니다.

오늘날 컴퓨터 한 대로 처리하는 업무 가운데 상당수는 여러 사람이 나누어 맡았습니다.

산업이 성장하면서 공장 밖에서도 해야 할 일이 늘어났기 때문입니다.

기업은 생산한 물건을 판매하고 운송해야 했습니다. 거래 내용을 기록하고 대금을 정산해야 했습니다.

은행과 보험회사는 수많은 계약과 숫자를 관리했습니다.

정부와 공공기관에서도 행정 업무가 늘어났습니다.

산업화는 공장 노동을 확대했지만, 동시에 사무직과 전문직, 서비스업이 성장할 토대도 만들었습니다.

이 과정에서 교육의 의미가 달라졌습니다.

글을 읽고 문서를 작성하는 능력, 숫자를 다루는 능력, 전문 지식을 익히는 일이 새로운 직업으로 들어가는 중요한 조건이 됐습니다.

한국에서도 산업화와 경제 성장 과정에서 교육은 더 나은 직업을 얻기 위한 중요한 통로로 여겨졌습니다.

부모 세대는 자녀가 자신보다 나은 환경에서 일하기를 바랐습니다.

학비를 마련하기 위해 지출을 줄이고, 자녀를 먼 지역의 학교로 보내기도 했습니다.

책상 앞에서 공부하는 시간에는 한 사람의 미래가 걸려 있었습니다.

공부를 잘하면 좋은 직업을 얻을 수 있다는 기대가 컸습니다.

물론 학력이 언제나 안정된 생활을 보장한 것은 아닙니다. 같은 학교를 졸업해도 취업 기회는 달랐고, 경기 침체가 찾아오면 전문 지식을 갖춘 사람도 어려움을 겪었습니다.

그럼에도 교육을 통해 이전 세대와 다른 직업에 진입할 수 있는 길이 넓어진 것은 중요한 변화였습니다.

여기에는 하나의 전제가 있었습니다.

학교에서 배운 지식을 업무에 적용하고, 그 일을 반복하면서 경험을 쌓으면 더 높은 숙련에 도달할 수 있다는 전제입니다.

이제 AI가 그 과정을 바꾸고 있습니다.

과거에는 외국어 문서를 읽고 번역하는 데 상당한 시간이 필요했습니다.

이제 번역 도구를 이용하면 짧은 시간에 초안을 얻을 수 있습니다.

자료를 모아 보고서를 작성하는 일도 달라졌습니다.

AI는 여러 자료를 정리하고 문서의 구조를 제안할 수 있습니다.

프로그램을 개발할 때도 반복적인 코드 작성에 도움을 받을 수 있습니다.

이런 변화를 보면서 공부의 가치가 줄어드는 것 아니냐고 묻는 사람이 있습니다.

그러나 지식을 얻는 일이 쉬워졌다는 사실과 그 지식을 이해할 필요가 없어졌다는 말은 다릅니다.

번역문을 받는 일은 쉬워졌지만, 그 번역이 원문의 뜻을 제대로 전달하는지 판단하려면 언어와 맥락을 알아야 합니다.

AI가 작성한 보고서를 읽을 때도 마찬가지입니다.

숫자의 출처가 정확한지, 비교 기준이 적절한지, 결론이 실제 자료에서 나오는지 확인해야 합니다.

그런 능력은 단순히 AI의 사용법을 익힌다고 생기지 않습니다.

관련 분야를 공부하고 실제 업무를 경험하면서 길러집니다.

다만 공부하는 방식은 달라질 필요가 있습니다.

정보를 얼마나 많이 기억하는지만으로는 충분하지 않습니다.

그 정보가 어떤 상황에서 필요한지, 서로 충돌하는 자료 가운데 무엇을 믿을지, 실제 문제에 어떻게 적용할지까지 이해해야 합니다.

AI가 지식을 얻는 시간을 줄여줄수록, 그 지식을 제대로 사용하는 능력이 중요해집니다.

교육의 가치가 사라지는 것이 아닙니다.

배운다는 말의 내용이 바뀌고 있는 것입니다.

3. 사무실과 작업장의 역전: 직업의 이름보다 중요한 것

한 건물의 관리실로 누수 신고가 들어왔다고 가정해 보겠습니다.

관리 직원은 신고 내용을 확인하고 현장으로 향합니다.

물이 새는 곳은 벽 뒤편입니다. 도면에 표시된 배관 위치와 실제 위치가 조금 다릅니다.

직원은 바닥에 남은 물의 흔적을 살피고, 어느 방향에서 물이 흘러왔는지 확인합니다.

문제의 원인을 찾았다고 해도 작업은 끝나지 않습니다.

좁은 공간에서 몸을 움직여야 하고, 다른 설비를 건드리지 않도록 주의해야 합니다.

같은 누수 신고라도 건물의 구조와 배관의 상태에 따라 해결 방법이 달라집니다.

이런 작업에는 자료를 읽는 능력뿐 아니라 현장을 살피는 눈, 손의 감각, 경험에서 얻은 판단이 필요합니다.

반면 사무실에서는 다른 변화가 나타납니다.

공개된 자료를 모아 요약하거나 일정한 형식의 문서를 작성하는 일은 AI의 도움을 받기 쉬워졌습니다.

그래서 뜻밖의 질문이 생깁니다.

오랫동안 책상에서 하는 일이 더 안정적이라고 여겼는데, 앞으로도 그럴까요.

이 문제를 이해할 때 참고할 만한 개념이 ‘모라벡의 역설’입니다.

컴퓨터가 복잡한 계산이나 규칙이 분명한 문제를 해결하는 데 뛰어난 성과를 보이더라도, 사람이 일상에서 자연스럽게 수행하는 감각과 운동 능력을 기계로 구현하는 일은 어려울 수 있다는 관찰입니다.

사람은 컵을 집어 들 때 손가락의 힘을 일일이 계산하지 않습니다.

계단을 내려갈 때도 발의 위치와 몸의 균형을 끊임없이 조절합니다.

그러나 로봇이 다양한 환경에서 이런 행동을 안정적으로 수행하려면 주변을 인식하고 물체의 상태를 파악하며 움직임을 조절해야 합니다.

오늘날 로봇 기술도 빠르게 발전하고 있습니다.

따라서 현장에서 몸을 움직이는 직업이 영원히 자동화되지 않는다고 말할 수는 없습니다.

이미 공장과 물류시설에서는 로봇이 반복적인 운반과 조립 작업을 맡고 있습니다.

다만 정해진 환경에서 같은 동작을 반복하는 일과 매번 조건이 달라지는 현장을 처리하는 일은 기술적으로 요구하는 능력이 다릅니다.

경제협력개발기구(OECD)가 2026년 발표한 분석에서도 현재 AI의 역량은 반복적인 정보 처리와 규칙화하기 쉬운 업무에 상대적으로 가까운 반면, 맥락에 따른 판단과 복잡한 의사결정, 대인 이해와 책임이 필요한 업무에서는 더 큰 차이가 있는 것으로 나타났습니다.³)

이 결과를 읽을 때 주의할 점이 있습니다.

AI의 영향을 많이 받는 직업이 곧바로 사라질 직업이라는 뜻은 아닙니다.

AI가 일부 업무를 지원하면서 사람의 역할이 달라질 수 있습니다.

반대로 현재 생성형 AI의 영향을 적게 받는 현장 업무도 로봇과 자동화 설비의 발전에 따라 변할 수 있습니다.

따라서 화이트칼라가 불리해지고 블루칼라가 유리해진다고 단순하게 결론 내릴 수는 없습니다.

같은 직업 안에서도 어떤 일을 맡느냐에 따라 차이가 생깁니다.

건물 관리 직원은 현장 점검을 직접 하면서 AI를 이용해 정비 기록을 정리할 수 있습니다.

설계자는 AI로 여러 도면을 비교하면서 현장의 제약 조건을 직접 확인할 수 있습니다.

요양보호사는 기록 업무에서 도움을 받을 수 있지만, 돌봄을 받는 사람의 상태를 살피고 적절히 대응하는 일에는 별도의 경험과 주의가 필요합니다.

이런 사례를 살펴보면 직업을 책상과 현장으로 나누는 구분만으로는 충분하지 않습니다.

더 중요한 것은 그 일이 어떤 환경에서 이루어지며, 예상하지 못한 상황을 얼마나 자주 만나고, 사람에게 어떤 책임을 요구하는가 하는 점입니다.

AI 시대에는 직업의 이름보다 실제로 수행하는 업무의 내용을 자세히 들여다볼 필요가 있습니다.

4. 정답이 빨라지는 시대: 무엇을 묻고 무엇을 확인할 것인가

회의를 앞둔 직원이 AI에 질문합니다.

“우리 회사의 매출이 줄어든 이유를 분석해 줘.”

AI는 가능한 원인을 정리합니다.

경쟁 심화, 소비 감소, 가격 변화, 판매 채널의 문제 등이 차례로 제시됩니다.

문장은 매끄럽고 설명도 그럴듯합니다.

그러나 직원은 그 답변만으로 회의에 들어가기 어렵습니다.

어느 제품의 매출이 줄었는지, 어느 지역에서 변화가 컸는지, 경쟁사의 상황은 실제로 어떠한지 확인해야 하기 때문입니다.

질문을 조금 바꾸어 봅니다.

“최근 6개월 동안 제품별 매출 변화를 비교하고, 가격 인상 전후에 판매량이 어떻게 달라졌는지 확인해 줘. 확인할 수 없는 원인은 추정이라고 표시해 줘.”

이제 검토할 방향이 구체적입니다.

필요한 자료도 분명해졌습니다.

그렇다고 두 번째 질문만으로 정확한 답이 보장되는 것은 아닙니다.

자료가 부족하면 분석에도 한계가 있습니다.

잘못된 숫자를 입력했다면 AI가 아무리 정교한 문장을 만들어도 결과는 잘못될 수 있습니다.

따라서 중요한 것은 질문을 멋지게 만드는 기술만이 아닙니다.

무엇을 알고 싶은지 분명히 하고, 어떤 자료가 필요한지 판단하며, 나온 답을 실제 상황과 대조하는 능력입니다.

우리는 오랫동안 정답을 빨리 찾는 능력을 높이 평가했습니다.

시험에서는 정해진 시간 안에 문제를 풀어야 했고, 업무에서도 필요한 정보를 먼저 찾아내는 사람이 유리했습니다.

이제 정보 검색과 초안 작성에 드는 시간은 줄어들고 있습니다.

그렇다면 사람은 그만큼 덜 생각해도 될까요.

실제 일터에서는 오히려 새로운 판단이 필요합니다.

자료가 충분하지 않은데도 결정을 내려야 하는 순간이 있습니다.

숫자로는 좋아 보이지만 현장에서 불편이 커지는 경우도 있습니다.

비용을 줄이는 방법이 여러 가지일 때 어느 방법을 선택할지 결정해야 합니다.

이런 문제에는 계산 외의 요소가 들어갑니다.

회사의 목적, 고객과의 약속, 안전, 장기적인 신뢰 등을 함께 살펴야 합니다.

AI도 이러한 요소를 비교하고 선택지를 제시하는 데 도움을 줄 수 있습니다.

그러나 최종적으로 무엇을 중요하게 여길 것인지는 사람과 조직이 정해야 합니다.

여기에서 통찰력이라는 말이 구체적인 의미를 갖습니다.

통찰력은 남들이 모르는 비밀을 단번에 알아내는 특별한 재능만을 뜻하지 않습니다.

익숙한 자료에서 빠진 부분을 발견하고, 서로 다른 사실 사이의 관계를 살피며, 지금 내려야 할 판단의 기준을 분명히 하는 능력도 통찰력입니다.

예를 들어 매출이 줄었다는 보고서를 읽고 곧바로 판매 인력을 늘리자고 결정할 수 있습니다.

그러나 고객의 불만이 늘어난 시점과 매출이 감소한 시점을 비교하면 다른 문제가 드러날 수 있습니다.

제품의 품질이나 사후 관리가 원인이라면 판매 인력을 늘리는 것만으로 해결되지 않습니다.

필요한 것은 더 많은 정보가 아니라 문제를 정확하게 바라보는 시선입니다.

이 능력은 책상 앞에서만 자라지 않습니다.

현장을 찾아가고, 실제로 일을 해보고, 다른 사람의 설명을 들으며 자신의 판단을 수정하는 과정에서 깊어집니다.

AI가 정보를 빠르게 제공할수록 사람에게는 그 정보를 현실과 연결하는 경험이 더욱 중요해집니다.

답을 얻는 속도가 빨라진 시대에는 답을 받아들이기 전에 무엇을 확인해야 하는지가 새로운 실력이 됩니다.

5. 역사가 남긴 숙제: 기술의 이익을 어떻게 나눌 것인가

산업혁명 당시 공장주와 노동자가 같은 기계를 바라보는 마음은 달랐습니다.

공장주에게 기계는 생산량을 늘리고 비용을 줄일 수 있는 설비였습니다.

노동자에게는 익숙한 기술의 가치가 떨어지거나 임금이 줄어들 수 있다는 불안의 원인이었습니다.

어느 한쪽의 시선만으로 그 시대를 설명할 수는 없습니다.

기계는 실제로 생산성을 높였고, 새로운 산업과 직업이 등장하는 데 기여했습니다.

동시에 기술 변화에 적응할 시간과 자원이 부족했던 사람들은 큰 어려움을 겪었습니다.

그 과정에서 노동시간과 작업 환경, 교육 기회에 관한 사회적 논의가 이어졌습니다.

이 역사는 오늘날에도 중요한 질문을 남깁니다.

AI로 업무 시간이 줄어들면 그 시간은 누구에게 돌아갈까요.

기업이 비용을 절감하면 직원은 새로운 기술을 배울 기회를 얻을까요.

기존 업무가 사라지는 사람에게는 다른 업무로 옮겨갈 준비 시간이 주어질까요.

처음 취업하는 사람은 어디에서 실무 경험을 쌓을까요.

이 질문들은 기술의 성능만으로 답할 수 없습니다.

기업의 채용과 교육 방식, 노동시장 제도, 개인이 이용할 수 있는 학습 기회가 함께 영향을 미칩니다.

산업혁명 이후에도 사람들은 기술이 만든 변화에 적응하기 위해 새로운 기술을 익혔습니다.

그러나 적응을 개인의 노력만으로 해결한 것은 아니었습니다.

학교와 직업교육이 확대됐고, 노동 관련 제도가 바뀌었으며, 기업도 새로운 방식으로 사람을 채용하고 훈련했습니다.

오늘날에도 비슷한 준비가 필요합니다.

기업은 AI를 도입할 때 어떤 업무가 줄어드는지만 살펴서는 부족합니다.

어떤 업무가 새롭게 생기는지, 직원이 무엇을 배워야 하는지, 경험이 적은 사람이 어떻게 숙련을 쌓을 수 있는지 함께 검토해야 합니다.

개인에게도 할 일이 있습니다.

자신이 오래 해온 업무를 하나씩 살펴볼 필요가 있습니다.

반복적인 문서 작업은 AI의 도움을 받을 수 있는지, 현장에서 직접 확인해야 할 사항은 무엇인지, 자신의 경험이 특히 필요한 판단은 어디에 있는지 구분해 보는 것입니다.

오랫동안 한 직장에서 일한 사람이라면 익숙한 방식이 바뀌는 것이 부담스러울 수 있습니다.

새로운 도구를 처음 사용하는 일도 쉽지 않습니다.

그렇다고 그동안 쌓은 경험이 한순간에 의미를 잃는 것은 아닙니다.

오히려 새로운 도구가 만든 결과를 실제 업무와 비교할 때 기존 경험이 도움이 됩니다.

다만 경험이 많다는 이유로 새로운 방식을 무조건 거부해서도 안 됩니다.

기존의 방법과 새로운 도구를 비교해 보고, 어느 쪽이 더 안전하고 정확한지 직접 확인할 필요가 있습니다.

처음부터 모든 기능을 익힐 필요는 없습니다.

자신이 반복해서 하는 업무 하나를 정해 작은 범위에서 시험해 보는 것으로 시작할 수 있습니다.

그 과정에서 줄어드는 일과 새롭게 확인해야 하는 일을 구분할 수 있습니다.

이렇게 하면 기술을 막연한 위협으로만 바라보지 않고 자신의 업무와 연결해 이해할 수 있습니다.

다만 한 가지는 잊지 말아야 합니다.

모든 사람이 같은 조건에서 새로운 기술을 배울 수 있는 것은 아닙니다.

일을 마치고 교육받을 시간이 없는 사람도 있습니다.

비용이 부담스러운 사람도 있고, 회사의 지원을 받지 못하는 사람도 있습니다.

그래서 기술 변화에 적응하라는 말은 개인에게만 요구해서는 충분하지 않습니다.

새로운 기술을 배우라고 요구하는 사회라면, 배울 수 있는 시간과 기회도 함께 마련해야 합니다.

나가며: 기계가 바꾼 것은 일만이 아니었다

200년 전 직물 노동자들은 자신들이 익혀온 기술이 흔들리는 순간을 마주했습니다.

그 뒤로 세상에는 새로운 기계가 계속 등장했습니다.

공장의 설비가 달라졌고, 운송 방식이 바뀌었으며, 사무실에는 컴퓨터가 들어왔습니다.

사람들은 그때마다 일을 배우는 방법을 바꾸어야 했습니다.

그 과정은 언제나 순탄하지 않았습니다.

어떤 사람은 새로운 기회를 얻었고, 어떤 사람은 익숙한 일터를 떠나야 했습니다.

그러나 역사가 보여주는 변화는 직업의 교체만이 아닙니다.

사람들은 노동시간을 줄이기 위해 요구했고, 작업 환경을 개선했으며, 다음 세대가 더 많은 것을 배울 수 있는 길을 마련했습니다.

기술이 바뀌는 동안 일하는 사람의 권리와 생활에 관한 기준도 함께 달라졌습니다.

오늘날 AI는 문서를 작성하고 정보를 정리하며 복잡한 업무의 일부를 지원하고 있습니다.

앞으로 그 범위는 더 넓어질 것입니다.

그렇다고 모든 직업이 같은 방향으로 변하지는 않습니다.

어떤 업무는 크게 줄어들고, 어떤 업무는 AI의 도움으로 더 많은 일을 처리하게 될 것입니다. 새로운 역할도 생겨날 것입니다.

지금 필요한 것은 어느 직업이 마지막까지 남을지 맞히는 일이 아닙니다.

자신이 하는 일의 내용을 정확하게 이해하고, 새로운 도구를 배울 기회를 확보하며, 기술 변화의 성과가 사람들의 생활에도 이어지도록 살피는 일입니다.

산업혁명은 기계가 얼마나 많은 일을 할 수 있는지 보여주었습니다.

그 뒤의 역사는 또 다른 사실을 남겼습니다.

기계가 만들어 낸 풍요가 사람들의 삶에 도달하기까지는 오랜 시간과 사회적 노력이 필요했다는 사실입니다.

AI 시대에도 이 문제는 다시 등장하고 있습니다.

기술은 이전보다 빠르게 발전하고 있습니다.

그러나 사람이 새로운 일을 배우고, 익숙한 생활을 바꾸고, 자신이 맡은 일을 책임지는 데에는 시간이 필요합니다.

기술의 발전 속도만큼 중요한 것은 그 변화 속에서 사람이 배우고 살아갈 길을 마련하는 일입니다.

우리가 과거의 산업혁명에서 배워야 할 가장 중요한 교훈도 여기에 있습니다.

---

각주

1. 영국 국립기록보관소(The National Archives), Why did the Luddites protest?. 1812년 2월 6일 로버트 베이커의 편지를 포함한 사료를 통해 러다이트 운동의 배경을 살펴볼 수 있습니다. 당시 노동자들의 저항에는 기계 도입에 따른 실업 우려뿐 아니라 임금과 노동조건의 변화에 대한 반발도 포함됐습니다.
2. 국제노동기구(ILO), Hours of Work (Industry) Convention, 1919 (No. 1). 1919년 채택된 첫 국제노동협약은 산업 분야에서 하루 8시간, 주 48시간 노동을 원칙으로 제시했습니다.
3. 경제협력개발기구(OECD), The OECD AI Exposure Measure: Mapping the OECD AI Capability Indicators to Occupations, 2026년 5월. 직업별 업무와 AI 역량의 관계를 분석한 보고서입니다. AI에 대한 노출 정도와 실제 직업의 자동화 가능성을 동일하게 보아서는 안 된다는 점을 이해하는 데 참고할 수 있습니다.

---

다음 편: [AI 시대 직업의 대격변 ③] 남겨진 사람들의 생존 공식 — 기계의 시대, 나만의 대체 불가능한 고유성을 만드는 실천 전략