AI 담론은 흔히 두 극단으로 흐릅니다. “곧 모든 직업이 자동화된다”는 종말론, 혹은 “AI는 결국 보조도구”라는 안도론. Towards Data Science의 「How Human Work Will Remain Valuable in an AI World」는 그 사이에서, 기술·경제·조직의 ‘마찰’을 전제로 현실적인 결론을 꺼냅니다: AI가 강해질수록 인간의 일은 사라지기보다 재구성되고, 그중에서도 ‘현실을 통과한 지식’이 가장 복제하기 어려운 경쟁력이 된다는 주장입니다.
핵심 이슈는 두 가지입니다. 첫째, AI가 잘 푸는 문제(정적, 규칙이 고정된 영역)와 그렇지 못한 문제(규제·이해관계·예외가 계속 변하는 결합 시스템)가 다르다는 점. 둘째, 모델 성능이 재귀적으로 좋아지는 것(recursive technology)이 곧바로 산업 채택의 재귀적 확산(recursive adoption)으로 이어지지 않는다는 점입니다.
기사에서 인용한 David Beyer의 비유가 직관적입니다. 방사선 이미지 판독처럼 데이터가 쌓일수록 정답이 수렴하는 영역은 AI가 빠르게 평준화합니다. 반면 보험 청구처럼 규정·코드·분쟁·심사 기준이 계속 바뀌는 업무는 ‘밖에서 학습’하기 어렵고, 거절당하고 수정하며 축적되는 운영 노하우가 핵심입니다. Beyer는 이를 ‘scar tissue(흉터 조직)’라고 부릅니다. 즉, 문서화된 지식이 아니라 현실의 반작용을 겪으며 생긴 지식입니다.
여기서 중요한 관찰이 나옵니다. AI는 규칙이 고정된 환경에서는 학습을 가속하지만, 현실 그 자체가 제공하는 ‘놀람’(규제 변경, 경쟁자 대응, 예외 케이스 폭증)을 생성하진 못합니다. 따라서 이런 영역의 학습 속도 상한은 컴퓨트가 아니라 현실의 속도에 의해 정해집니다. 기사 표현대로라면 “현실 자체가 가장 복제하기 어려운 경쟁우위”입니다.
또 하나의 축은 ‘채택 위기’입니다. Citadel Securities 분석을 빌려, 모델은 더 빠르게 좋아져도 실제 확산은 인프라·전력망·규제 승인·조직 변화에 묶인다고 지적합니다. 데이터센터, 반도체 팹, 에너지 네트워크 같은 물리 자본은 소프트웨어처럼 분기 단위로 스케일하지 않습니다. 특히 조직 변화는 가장 느리며, 이 지점에서 “AI가 내일부터 회사를 통째로 대체” 같은 서사가 현실과 충돌합니다.
흥미로운 대목은 생산성 충격을 ‘수요 고정’으로 가정하는 비관론을 비판하는 부분입니다. 기술이 한계비용을 낮추면(공급 충격) 보통은 생산과 소비의 경계가 확장됩니다. Keynes가 15시간 노동을 예측했지만 빗나간 이유도, 인간의 욕망이 탄력적이기 때문이라는 해석을 붙입니다. 실제로 미국에서 신규 사업체 설립이 높은 수준을 유지하는 현상은, 기술 변화가 창업·실험을 오히려 자극할 수 있음을 시사합니다.
그렇다면 “AI가 인간을 대체하나?”라는 질문은 왜 틀렸을까요. 기사는 질문을 “어떻게 가치 있게 남을 것인가”로 바꿉니다. 앞으로 인간의 주된 일은 프롬프트 몇 줄이 아니라, 에이전트가 실행 가능한 전략을 설계하고(전략→계획), 시스템/아키텍처를 짜고, 비즈니스를 번역해 요구사항으로 만들고, 메트릭·오케스트레이션·모니터링·거버넌스를 운영하는 쪽으로 이동한다는 주장입니다. 다시 말해 ‘산출물 생산’에서 ‘시스템 운영’으로 무게중심이 옮겨갑니다.
이 관점은 보조 소스로 제시된 Anthropic의 노동시장 연구(Claude 실사용 데이터 기반)와도 결이 맞습니다. 그 연구가 강조한 건 “이론적 가능성(capability)과 실제 침투(penetration)의 큰 갭”입니다. 지금 당장 실업률에서 AI 충격이 뚜렷하지 않다는 초기 증거는, 채택이 인프라·규제·검증·통합 비용에 막힌다는 기사 주장에 현실적 근거를 더합니다. 다만 청년층 신규 채용 둔화 같은 ‘조용한 신호’는, 재구성이 해고보다 채용 감소 형태로 먼저 올 수 있음을 경고합니다.
시사점은 명확합니다. 개인에게는 “AI 사용법”보다 “현실을 통과하는 능력”이 차별화 포인트가 됩니다. 규제/리스크를 해석하고, 예외를 분류하고, 이해관계자를 조정하고, 실패 로그를 자산화하는 사람이 강해집니다. 조직에게는 AI 도입을 모델 선택 문제가 아니라 변화관리 문제로 봐야 합니다. 에이전트가 낸 결과를 검증하는 책임 체계, 운영 메트릭, 데이터/보안 거버넌스를 만들지 못하면 성능 향상은 곧바로 생산성으로 전환되지 않습니다.
전망적으로는 “세상이 끝나지 않는 시나리오”가 오히려 더 중요해집니다. 시장은 이미 인지 노동의 단가 하락을 가격에 반영하며 요동치지만, 경제는 정적이지 않습니다. 비용이 내려가면 새로운 수요가 생기고, 그 수요를 충족하기 위한 새로운 역할이 생깁니다. 결론은 단순합니다. AI 시대에 살아남는 건 ‘AI가 하는 일을 피하는 사람’이 아니라, AI를 포함한 시스템을 현실 제약 속에서 굴려 성과로 바꾸는 사람—흉터 조직을 가진 사람입니다.