처음에는 그저 새로운 AI 도구 하나가 나온 줄 알았습니다. 조금 더 똑똑한 챗봇, 조금 더 편리한 자동화 도구 정도로 생각했습니다. 그런데 Claude Code를 직접 써보면서 생각이 바뀌었습니다. 단순히 생산성을 조금 높여주는 툴이 아닙니다. 일의 방식 자체를 바꾸고 있습니다.
AI 에이전트는 질문에 답하는 데서 멈추지 않습니다. 목표를 주면 스스로 파일을 만들고, 코드를 실행하고, 오류를 수정하면서 결과물을 완성합니다. 챗봇과는 결이 다릅니다. 이미 실행의 영역으로 들어왔습니다.
AI 에이전트를 많이 사용하다 보면 여러 질문이 떠오릅니다. 도구가 이렇게 좋아지는데, 앞으로 사람에게 남는 역할은 무엇일까. 왜 어떤 사람은 빠르게 달라지는데, 어떤 사람은 좋은 도구를 앞에 두고도 거의 변하지 않을까. 조직은 왜 AI를 도입하고도 기대만큼 빨라지지 않을까.
지금까지 느낀 것을 정리하면 일곱 가지로 정리해 봅니다.
*
1. 기술보다 먼저 갈리는 것은 동기와 태도다
좋은 도구를 준다고 모두가 쓰는 것은 아닙니다. 당연한 말 같지만, 직접 써보면 이 단순한 사실이 훨씬 더 선명하게 보입니다. Claude Max 플랜이든 어떤 AI 도구든, 결국 그것으로 무엇을 만들지, 왜 만들지, 어떻게 써볼지를 스스로 고민하는 사람이 아니면 도구는 그냥 비싼 구독료로 남기 쉽습니다.
생활의 달인에 나오는 명장이 레시피를 공개합니다. 재료도 알려주고, 순서도 알려줍니다. 그런데 그대로 만들어내는 사람은 거의 없습니다. 더 정확히 말하면, 끝까지 따라 해보는 사람 자체가 많지 않습니다. 더 잘해보고 싶다는 마음이 없으면 레시피는 그냥 읽고 지나가는 정보에 그칩니다.
AI 에이전트도 같습니다. 좋은 사례를 공유해도, 잘 쓰는 방법을 알려줘도, 실제로 달라지는 사람은 많지 않습니다. 도구의 문제가 아닙니다. 더 나아지고 싶다는 마음이 없으면 아무리 좋은 도구를 줘도 결국 쓰지 않습니다. 해보는 사람만 달라집니다.
그래서 AI 전환의 출발점은 기술 교육만이 아닐 수 있습니다. 먼저 갈리는 것은 기능 이해도보다 태도입니다. 더 잘해보려는 사람, 더 성장해보려는 사람, 지금 하는 일을 더 낫게 바꿔보려는 사람이 먼저 움직입니다.
**
2. 잘 쓰는 사람은 답보다 문제부터 다시 본다
“이거 만들어줘” “이 문서 정리해줘” “이 제도 설계해줘” 처음엔 다들 이렇게 시작합니다. 그러나 잘 사용하려면 다르게 접근해야 합니다.
“나는 지금 이런 상황인데, 진짜 문제가 뭐지?”
“내가 풀어야 하는 핵심은 뭐야?”
“지금 만들려는 답이 정말 맞는 방향이야?”
이미 답을 정해두고 만들어달라고 할 때보다, 문제를 함께 정의한 뒤 움직일 때 결과물의 완성도가 훨씬 높았습니다. 특히 맥락이 많고, 이해관계가 복잡하고, 정답이 없는 영역일수록 더 그렇습니다.
AI 에이전트는 실행을 잘합니다. 빠르고 성실하게 움직입니다. 하지만 무엇을 풀어야 하는지까지 스스로 정하지는 못합니다. 목표가 잘못 설정되면 에이전트는 잘못된 방향으로도 매우 열심히 일합니다.
그래서 중요한 것은 실행 이전의 정의입니다. 앞으로 더 중요해지는 사람은 빨리 시키는 사람이 아니라, 제대로 정의하는 사람일 겁니다. 현장을 알고, 맥락을 이해하고, 무엇이 진짜 문제인지 꿰뚫을 수 있어야 합니다. 실행은 점점 에이전트가 담당하겠지만, 정의는 여전히 사람의 몫으로 남습니다.
***
3. AI 시대에 전문성은 사라지지 않고 역할이 바뀐다
AI는 이미 충분히 뛰어납니다. 거의 모든 영역에서 사람보다 더 빠르고, 더 많이 알고, 더 그럴듯한 결과물을 만듭니다. 범용적인 지식만 놓고 보면 인간이 정면 승부하기엔 이미 뻔한 결론입니다.
그렇다고 전문성이 덜 중요해지는 것은 아닙니다. 오히려 반대입니다. 맡은 분야에서는 AI가 만든 결과를 검증하고 수정할 수 있을 만큼 더 깊이 알고 있어야 합니다. 그래야 초안을 보고 어디가 맞고 어디가 부족한지 판단할 수 있고, 피드백을 주고, 완성도를 끌어올릴 수 있습니다.
전문성이 부족하면 AI를 많이 쓸수록 오히려 위험합니다. 그럴듯한 결과물이 빠르게 나오기 때문에 잘 쓰고 있다고 착각하기 쉽기 때문입니다. 하지만 중요한 것은 만들어내는 속도가 아니라, 그것이 정말 맞는지 판단하는 능력입니다.
AI는 보기 좋은 답을 만드는 데는 능합니다. 문장도 자연스럽고, 구조도 그럴듯하고, 제안도 꽤 설득력 있어 보입니다. 문제는 그다음입니다. 그 답이 본질을 짚고 있는지, 현업에서 실제로 작동하는지, 중요한 리스크를 놓치고 있지는 않은지 가려내는 일은 결국 사람이 해야 합니다.
예전에는 전문성이 직접 만들어내는 힘에서 드러났다면, 이제는 무엇이 맞고 무엇이 부족한지 판별하는 힘에서 더 선명하게 드러납니다. AI가 실행을 맡을수록 사람은 최종 판단자로 남습니다. 전문성이 사라지는 것이 아니라, 생산에서 검증과 판단으로 중심이 이동하는 것입니다.
****
4. 시간을 아끼려면 먼저 시간을 써야 한다
많은 사람들이 AI 에이전트를 시간 절약 도구로 생각합니다. 맞는 말입니다. 분명 시간을 줄여줍니다. 그런데 그 전에 먼저 시간을 써야 합니다. 내 업무에서 무엇이 반복되는지, 어디가 비효율적인지, 무엇을 자동화할 수 있는지부터 들여다봐야 합니다.
이 단계를 건너뛰면 에이전트는 그냥 조금 더 빠른 챗봇에 머무르게 됩니다. 질문 몇 개 더 빨리 던지고, 초안 몇 개 더 빨리 받는 수준에서 끝납니다. 생산성이 구조적으로 올라가는 경험까지는 가지 못합니다.
문제는 대부분 이 단계를 건너뛴다는 점입니다. 늘 바쁘고, 당장 해야 할 일이 많고, 눈앞의 일을 처리하는 것만으로도 하루가 끝나기 때문입니다. 그런데 바로 그 이유 때문에 더더욱 시간을 써야 합니다. 업무를 다시 들여다보고, 어디를 바꾸면 큰 차이가 나는지 보는 시간이 필요합니다.
준비 없이 시작한 자동화는 생각보다 번거롭습니다. 오히려 손으로 하는 것보다 더 어설프고, 재작업이 더 많이 생기기도 합니다. 결국 AI 에이전트는 시간을 바로 절약해주는 도구라기보다, 내 일을 다시 설계하게 만드는 도구에 가깝습니다.
*****
5. 핵심은 사용이 아니라 위임 설계다
에이전트를 쓴다는 것은 단순히 도구를 사용하는 일이 아닙니다. 일의 구조를 다시 짜는 일입니다. 무엇을 맡길 것인지, 어디까지 자율적으로 실행하게 할 것인지, 어느 지점에서 사람이 개입해야 하는지, 결과를 언제 어떤 기준으로 검토할 것인지…
이걸 제대로 설계하지 않으면 에이전트는 엉뚱한 방향으로 달려가고, 나중에 수습하는 데 더 많은 시간이 듭니다. 반대로 이 구조를 잘 짜면 사람은 더 중요한 판단에 집중하고, 에이전트는 반복 실행을 맡으면서 훨씬 강력한 조합이 됩니다.
결국 중요한 것은 “AI를 쓸 줄 아느냐”가 아닙니다. AI와 사람의 역할을 어디서 어떻게 나눌지 설계할 수 있느냐입니다. 이 감각은 매뉴얼 몇 개 읽는다고 생기지 않습니다. 직접 써보고, 실패해보고, 어디서 끊어야 하는지 몸으로 익힌 사람만이 가질 수 있습니다.
******
6. AI와 일할수록 맥락 관리 능력이 중요해진다
AI 에이전트를 처음 사용해보면 착각을 하게 됩니다. 딸깍 한 번에 결과물이 나오니, 한 번 잘 시키는 능력이 핵심인 것처럼 느껴집니다. 그런데 실제로 써보면 전혀 다릅니다. 차이는 첫 질문에서 나지 않습니다. 맥락을 어떻게 축적하고, 피드백 루프를 얼마나 잘 이어가느냐에서 납니다.
AI와 길게 대화를 하다 보면 반드시 맥락 관리가 중요해집니다. 아까 무슨 결론이 났는지, 어떤 조건이 붙었는지, 무엇이 미결 이슈인지 금방 흐려집니다. 그래서 중요한 작업일수록 기록과 구조화가 필요합니다. 메인 대화는 메인 대화대로 가져가되, 동시에 결정된 것과 남은 쟁점, 다음 단계가 정리되어 있어야 합니다.
이 맥락이 쌓이지 않으면 매번 다시 설명해야 하고, 조금씩 다른 답을 받게 되고, 결국 처음부터 다시 시작하는 일이 반복됩니다. 반대로 맥락이 잘 정리되어 있으면 다음 세션으로 이어갈 때도 연속성이 생기고, 결과물의 완성도도 훨씬 높아집니다.
피드백 루프도 마찬가지입니다. 결과물이 나오면 바로 끝내는 것이 아니라, 다시 묻고, 다시 수정하고, 빠진 것과 나중에 문제가 될 수 있는 지점을 점검해야 합니다. 이 루프를 몇 번 돌리고 나면 처음 결과물과 최종 결과물은 거의 다른 수준이 됩니다.
결국 AI 활용의 수준 차이는 한 번 잘 시키는 데서 나지 않습니다. 맥락을 축적하고, 피드백을 반복하며, 점점 더 나은 결과물로 밀어붙이는 데서 납니다.
*******
7. AX 전환에서 중요한 것은 기술보다 협업과 커뮤니케이션이다
여기서부터는 개인의 생산성을 넘어 조직의 문제로 넘어갑니다. 많은 조직이 AI 도구를 도입합니다. 교육도 하고, 활용 사례도 공유하고, 사용을 독려하기도 합니다. 그런데도 체감 생산성은 기대만큼 오르지 않습니다. 이유는 단순합니다. 개인은 바뀌어도 조직은 그대로이기 때문입니다.
한 사람이 Claude Code를 잘 써서 초안을 더 빨리 만들 수는 있습니다. 자료를 더 빨리 정리할 수도 있고, 단순 반복 업무를 줄일 수도 있습니다. 그런데 그것이 조직 전체의 생산성 향상으로 이어지려면 다른 문제가 남아 있습니다. 보고 방식은 그대로이고, 승인 절차는 여전히 길고, 협업 방식은 예전과 같고, 같은 내용을 부서마다 다시 정리하고 있다면 전체 속도는 크게 달라지지 않습니다.
그래서 AX 전환에서 더 중요한 것은 기술 그 자체가 아닙니다. 진짜 중요한 것은 협업과 커뮤니케이션 능력입니다.
AX는 혼자 잘한다고 완성되지 않습니다. 한 사람의 자동화는 개인 생산성에는 도움을 줄 수 있습니다. 하지만 조직 관점에서 의미 있는 변화는 여러 사람이 함께 쓰고, 같은 흐름 안에서 연결되고, 서로의 업무가 자연스럽게 이어질 때 만들어집니다.
이 과정에서는 결국 사람 사이의 문제가 가장 중요해집니다. 어떤 일을 어디까지 자동화할지 함께 정의하는 일, 부서 간 역할을 다시 나누는 일, 기존 방식이 왜 비효율적인지 설득하는 일, 새로운 흐름을 만들고 정착시키는 일. 이건 기술만으로 해결되지 않습니다. 협업해야 하고, 끊임없이 대화해야 하고, 서로의 맥락을 이해해야 합니다.
AX 전환은 툴 도입 프로젝트가 아닙니다. 함께 일하는 방식을 바꾸는 프로젝트에 더 가깝습니다. 그래서 앞으로 더 중요해지는 사람은 혼자 AI를 잘 다루는 사람이 아니라, 사람들과 함께 새로운 업무 흐름을 만들고 확산시킬 수 있는 사람일 겁니다.
좋은 기술은 결국 누구나 쓸 수 있게 됩니다. 그다음 차이를 만드는 것은 사람과 사람 사이를 연결하는 능력입니다.
정리하면 다음과 같습니다. 더 잘해보려는 태도, 문제를 정의하는 능력, 결과를 판단하는 전문성, 내 일을 다시 설계하는 습관, 사람과 AI의 역할을 나누는 위임 감각, 맥락을 축적하는 능력, 그리고 함께 일하는 방식을 바꾸는 협업과 커뮤니케이션 능력.
도구는 계속 좋아질 것입니다. 앞으로는 지금보다 훨씬 더 많은 일을 AI가 대신하게 될 겁니다. 그럴수록 더 명확해지는 것도 있습니다. 기술 그 자체보다, 그 기술을 어디에 쓰고 어떻게 연결하고 누구와 함께 바꿔나갈지를 결정하는 사람의 역량입니다. 결국 AI 시대에 남는 사람은 도구를 쓰는 사람이 아니라, 사람과 일의 방식을 함께 바꾸는 사람입니다.