
안녕하세요. 쇼들리로그입니다.
여러분은 AI에게 어디까지 일을 맡겨 보셨나요? 메일 초안을 써 달라고 해 본 적은 있어도, 메일함을 열어 내용을 확인하고 답장까지 보내 달라고 해 본 분은 아직 많지 않을 것 같습니다.
둘은 꽤 다른 이야기입니다. 앞의 AI는 작업에 필요한 글을 만들어 줍니다. 뒤의 AI는 내 컴퓨터에서 실제로 일을 진행합니다.
출장 계획을 세울 때도 마찬가지입니다. AI가 이동 경로를 정리하는 데서 그치지 않고 교통편과 숙소를 비교하고 예약 정보를 입력하고 일정표까지 채운다고 가정해 보겠습니다. 사람이 맡았던 클릭과 입력의 상당 부분이 사라집니다.
그러면 자연스럽게 질문이 따라옵니다. AI가 실행까지 맡는다면 사람에게는 어떤 일이 남을까요?
"사람은 창의적인 일을 하면 된다"는 답만으로는 부족합니다. 실제 업무에는 반복 작업과 판단이 뒤섞여 있고, 창의적인 일에도 조사와 정리, 수정 같은 실행 과정이 필요하기 때문입니다.
오늘은 일이 시작되고 끝나는 과정을 나눠 보면서 AI가 실행을 맡는 시대에 사람에게 남는 역할을 조금 더 구체적으로 살펴보겠습니다.
자, 시작할게요!
답변하는 AI에서 실행하는 AI로
컴퓨터를 조작하는 AI를 상상할 때 핵심은 마우스를 움직인다는 사실 자체가 아닙니다. 화면의 상태를 읽고, 다음 행동을 선택하고, 그 결과를 확인하면서 여러 단계를 이어 간다는 점입니다.
예를 들어 "지난달 고객 문의를 정리해 주세요"라는 요청에는 생각보다 많은 과정이 들어 있습니다. 문의가 쌓인 서비스를 열고, 기간을 설정하고, 자료를 내려받고, 중복을 제거하고, 유형별로 분류한 뒤 요약문을 작성해야 합니다. 답변형 AI를 쓸 때는 사람이 이 과정 사이를 연결합니다. 실행형 AI가 이 연결까지 맡는다면 사람의 개입 지점이 달라집니다.
물론 컴퓨터를 조작할 수 있다는 말이 모든 상황을 정확히 이해한다는 뜻은 아닙니다. 화면 구성이 바뀌거나 접근 권한이 없거나 예상하지 못한 안내 창이 나오면 작업이 멈출 수 있습니다. 버튼을 제대로 눌렀더라도 애초에 잘못된 자료를 골랐을 수 있습니다.
그래서 자동화의 범위를 따질 때는 두 가지를 구분해야 합니다. 어떤 행동을 수행할 수 있는지, 그리고 그 행동이 목적에 맞았는지 판단할 수 있는지입니다.

사람의 첫 번째 일은 목표를 분명히 하는 것입니다
AI에게 일을 맡기다 보면 평소 우리가 얼마나 많은 조건을 생략하고 말하는지 드러납니다.
"괜찮은 숙소를 예약해 주세요"라는 요청을 살펴보겠습니다. 괜찮다는 것은 저렴하다는 뜻일까요, 이동하기 편하다는 뜻일까요? 늦게 도착해도 체크인할 수 있어야 할까요? 일정이 바뀔 가능성이 있다면 환불 조건도 중요합니다.
사람끼리는 경험과 맥락으로 이런 빈칸을 채웁니다. 함께 출장을 다녀온 동료라면 내가 어떤 숙소를 선호하는지 알 수도 있습니다. AI에게 같은 수준의 판단을 기대하려면 필요한 조건을 전달하거나, 모르는 부분을 되묻게 해야 합니다.
업무에서도 마찬가지입니다. "보고서를 만들어 주세요"보다 다음과 같은 요청이 결과를 평가하기 쉽습니다.
"고객 문의를 줄이기 위한 회의 자료가 필요합니다. 지난달 문의를 유형별로 묶고, 반복해서 등장하는 불편을 정리해 주세요. 개별 고객을 식별할 수 있는 내용은 빼고, 자료만으로 원인을 알 수 없는 항목은 추정하지 말고 따로 표시해 주세요."
여기에는 목적, 자료의 범위, 주의할 점, 불확실성을 다루는 방법이 들어 있습니다. AI에게 작업을 맡기기 전에 사람이 결정해야 할 내용입니다.
목표를 정한다는 건 긴 지시문을 잘 쓰는 기술만을 뜻하지 않습니다. 무엇을 해결하려는지, 무엇을 포기할 수 있는지, 어떤 결과를 성공으로 볼지 결정하는 일에 가깝습니다.
두 번째 일은 맡길 범위와 멈출 지점을 정하는 것입니다
컴퓨터 작업은 모두 같은 무게를 갖지 않습니다. 자료를 읽는 것과 삭제하는 것은 다르고, 답장 초안을 저장하는 것과 고객에게 발송하는 것도 다릅니다.
AI에게 일을 맡길 때는 이런 차이를 작업 규칙에 반영해야 합니다. 예를 들어 다음처럼 구분할 수 있습니다.
작업맡기는 방식의 예시공개 자료를 모아 비교하기정해진 범위 안에서 진행하고 결과를 보고하게 합니다.문서나 표를 수정하기사본에서 작업하고 변경 내용을 확인합니다.메일을 발송하거나 외부에 게시하기수신자와 최종 내용을 확인한 뒤 실행하게 합니다.결제하거나 중요한 자료를 삭제하기금액·대상·복구 가능성을 확인하는 절차를 둡니다.
모든 클릭을 사람이 승인한다면 일을 맡기는 효과가 줄어듭니다. 반대로 모든 권한을 한꺼번에 주면 잘못된 판단이 실제 손실로 이어질 수 있습니다.
따라서 사람은 작업의 위험과 되돌릴 수 있는 정도에 맞춰 개입 지점을 설계해야 합니다. 예산을 넘었을 때, 필요한 자료가 없을 때, 기존 지시와 충돌할 때처럼 AI가 멈추고 물어봐야 하는 조건도 정해 둘 수 있습니다.
이는 직장에서 업무를 위임하는 방식과도 닮아 있습니다. 권한과 기대 결과를 알려 주고, 혼자 결정하기 어려운 상황에서는 상의하도록 하는 것입니다.
세 번째 일은 결과를 검증하는 것입니다
AI가 "완료했습니다"라고 말해도 확인할 일은 남습니다. 특히 화면 조작이 섞인 작업에서는 과정의 성공과 업무의 성공이 어긋날 수 있습니다.
파일을 저장했지만 잘못된 폴더에 넣었을 수 있습니다. 표의 계산은 맞지만 분석 대상 기간이 틀렸을 수 있습니다. 예약은 끝났지만 취소가 어려운 상품을 골랐을 수도 있습니다.
그렇다고 AI가 한 일을 처음부터 전부 다시 하면 시간이 절약되지 않습니다. 검증에도 우선순위가 필요합니다.
고객 문의 보고서라면 우선 분석 기간과 원본 자료가 맞는지 확인합니다. 그다음 일부 항목을 원문과 대조해 분류가 타당한지 봅니다. 중요한 결론은 어떤 자료에서 나왔는지 따라가 보고, 자료가 부족한 부분이 확정적인 문장으로 바뀌지는 않았는지 살핍니다.
예약 업무라면 일정, 장소, 이용자, 총금액, 취소 조건처럼 틀렸을 때 손해가 큰 항목을 먼저 확인할 수 있습니다.
여기서 분야 지식이 중요해집니다. 회계를 아는 사람은 숫자가 맞아 보여도 비용 분류가 이상하다는 것을 발견할 수 있습니다. 고객을 직접 만나는 사람은 문의 건수가 적더라도 놓치면 안 되는 문제가 무엇인지 알아볼 수 있습니다.
결과를 평가하려면 그 일에 대한 이해가 필요합니다. 실행을 맡길 수 있게 됐다고 해서 기초 지식의 가치까지 사라지는 것은 아닙니다.
네 번째 일은 충돌하는 기준 사이에서 선택하는 것입니다
업무에는 정답보다 선택이 필요한 순간이 많습니다.
고객 문의에 빨리 답하는 것과 충분히 확인한 뒤 답하는 것, 비용을 줄이는 것과 이용 편의를 지키는 것, 원칙을 일관되게 적용하는 것과 예외를 인정하는 것 사이에는 긴장이 생깁니다.
AI는 대안을 정리하고 각 선택의 예상 결과를 비교하는 데 도움을 줄 수 있습니다. 하지만 무엇을 우선할지는 그 일을 맡긴 사람과 조직이 정해야 합니다.
가령 환불 규정상 거절할 수 있는 요청이라도 안내가 불분명했다면 다른 판단이 필요할 수 있습니다. 이때 중요한 것은 규정 문장을 찾아내는 능력만이 아닙니다. 당시 어떤 설명을 했는지, 고객이 무엇을 기대했는지, 같은 상황의 다른 고객에게도 적용할 수 있는 판단인지 함께 살펴야 합니다.
이런 결정은 관계와 책임으로 이어집니다. 결정의 이유를 설명하고, 이의를 듣고, 필요하면 바로잡는 역할까지 생각해야 합니다. AI가 작업을 수행했다는 사실만으로 책임의 주체가 저절로 정해지지는 않습니다.
실제 업무는 어떻게 달라질까요?
작은 온라인 쇼핑몰에서 반품 문의를 처리하는 상황을 생각해 보겠습니다.
사람이 모든 과정을 직접 한다면 주문 내역을 찾고, 배송 상태를 확인하고, 반품 사유를 읽고, 규정을 살핀 뒤 답장을 작성합니다. 이후 회수와 환불 절차를 진행합니다.
AI에게 일부 실행을 맡긴다면 주문 정보 조회, 관련 규정 확인, 누락 정보 정리, 답장 초안 작성까지 연결할 수 있을 것입니다. 사람이 정한 조건 안에서는 반복적인 안내도 처리하도록 설계할 수 있습니다.
그 과정에서 사람은 무엇을 할까요? 반품 정책을 이해하기 쉽게 정리하고, 예외 처리가 필요한 사례를 정하고, AI가 참고할 정보가 최신인지 관리합니다. 처리가 끝난 사례를 점검하고, 같은 문제가 반복되면 상품 설명이나 배송 안내를 고칩니다.
업무가 여기까지 달라진다면 질문도 바뀝니다. "문의 한 건을 얼마나 빨리 처리할까요?"에 더해 "이 문의가 계속 생기는 이유는 무엇일까요?"를 살펴볼 여지가 생깁니다. 다만 확보한 시간이 실제 개선으로 이어지려면 조직이 그 일을 역할과 일정에 반영해야 합니다. 자동화만 해 놓는다고 저절로 개선이 일어나지는 않습니다.

그렇다면 반복 업무를 하던 사람은 괜찮을까요?
이 지점에서는 쉽게 낙관하기 어렵습니다. 반복 작업에 쓰이는 시간이 줄면 어떤 조직은 그 시간을 서비스 개선에 쓸 수 있지만, 다른 조직은 인력이나 외주 비용을 줄이는 데 쓸 수도 있습니다. 새로운 역할이 생긴다고 해서 기존 일을 하던 사람이 곧바로 그 역할로 옮겨 갈 수 있는 것도 아닙니다.
특히 입문 단계의 일을 생각해 볼 필요가 있습니다. 자료를 찾고, 표를 정리하고, 초안을 만드는 과정은 단순 업무이면서 동시에 일을 배우는 경로입니다. 그 과정을 대부분 AI가 맡으면 초보자는 결과만 확인하라는 요구를 받을 수 있습니다. 아직 판단 기준을 익히지 못한 사람에게 검증부터 맡기는 문제가 생기는 셈입니다.
그래서 개인에게 "판단력을 키우세요"라고 말하는 것만으로는 충분하지 않습니다. 조직은 초보자가 원본 자료와 결과를 비교하고, 오류를 찾아보고, 선배의 판단 이유를 배울 기회를 마련해야 합니다. 검토와 예외 처리에 드는 시간도 실제 업무로 인정해야 합니다.
사람의 역할 변화는 개인의 적응뿐 아니라 교육과 업무 배분의 문제이기도 합니다.
지금 준비한다면 무엇부터 해 보면 좋을까요?
거창하게 미래 직업을 예측하기보다, 지금 하는 업무 하나를 작게 나눠 보는 데서 시작할 수 있습니다.
먼저 반복해서 하는 일을 하나 고릅니다. 주간 보고서 작성이라면 자료 수집, 수치 정리, 변화 원인 확인, 문장 작성, 공유로 나눠 봅니다. 그다음 각 단계에서 어떤 정보가 필요하고, 무엇이 틀리기 쉬우며, 어디에서 사람의 판단이 필요한지 적어 봅니다.
실제로 사용하는 도구가 허용하는 범위 안에서 되돌릴 수 있고 결과를 확인하기 쉬운 작업부터 맡겨 볼 수 있습니다. 원본 대신 사본을 쓰고, 결과물을 비교하고, 사람이 수정한 이유를 기록하면 다음 작업의 기준도 구체화됩니다.
이때는 AI가 작업하는 시간만 보지 말고, 지시를 준비하고 결과를 검토하고 오류를 고치는 시간까지 함께 살펴야 합니다. 어떤 일은 맡기는 편이 효율적이고, 어떤 일은 직접 처리하는 편이 빠를 수 있습니다. 그 차이를 알아가는 것도 필요한 경험입니다.
결국 준비할 역량은 일과 가까이 있습니다. 일을 단계별로 설명하는 능력, 좋은 결과의 기준을 세우는 능력, 이상한 결과를 알아보는 지식, 판단의 이유를 다른 사람에게 전달하는 능력입니다.
사람에게 남는 일을 묻는 데서 한 걸음 더
AI가 컴퓨터를 직접 조작하면 사람이 해야 할 클릭과 입력은 줄어들 수 있습니다. 그 변화가 누군가에게는 여유가 되고, 누군가에게는 역할을 다시 배워야 하는 부담이 될 수 있습니다.
그래서 "사람은 무슨 일을 해야 할까요?"라는 질문에는 여러 층의 답이 필요합니다. 개인은 맡길 일을 구분하고 결과를 판단하는 힘을 길러야 합니다. 조직은 권한과 책임을 정하고, 사람들이 새로운 역할을 배울 기회를 만들어야 합니다.
그리고 일을 시작하기 전에는 여전히 물어야 합니다. 이 일을 왜 하는지, 누구에게 도움이 되어야 하는지, 어떤 결과라야 충분한지 말입니다.
AI가 실행을 맡을수록 그 질문에 구체적으로 답하는 일이 사람의 업무에서 더 큰 비중을 차지할 수 있습니다.
의견을 남겨주세요