‘일자리’가 아니라 ‘작업’이 바뀐다 — 질문을 다시 세우기
생성형 AI 논쟁은 대개 “내 자리가 없어지느냐”로 좁혀진다. 그런데 여러 도입 사례와 이용자 조사 결과를 겹쳐 보면 현장의 실제 질문은 다른 곳에 있다. AI 도구를 실제로 쓰는 사람들 상당수는 이를 ‘대체자’가 아니라 ‘협업 파트너’로 인식했고, 기대 효과의 1순위는 반복 업무 축소와 처리 속도였다. 심지어 AI를 만드는 회사조차 ‘대체 효과가 존재한다’는 사실 자체는 부정하지 않는다. 그러니 논점은 ‘대체가 일어나는가’가 아니라 ‘어떤 작업에서, 얼마나 빠르게, 누구에게’ 일어나는가로 이미 옮겨간 셈이다.
실무자라면 이 구분을 자기 업무에 직접 대입해 볼 수 있다. 위험한 건 ‘직무 전체’가 아니라 직무를 구성하는 개별 작업(task) 단위다. 판별 기준은 두 가지로 충분하다 — ①규칙성이 높은가 ②결과 검증이 쉬운가. 둘 다 ‘예’인 작업(회의록 요약, 1차 초안, 보일러플레이트 코드, 표 정리, 번역 초벌)은 6개월 안에도 AI로 넘어간다. 반대로 최종 의사결정, 이해관계 조율, 품질 책임, 맥락 판단은 사람에게 남는다. 여기서 흔한 오해가 생긴다 — “AI가 코드를 짜니 개발자가 필요 없다”는 식이다. 실제로는 정반대에 가깝다. 코드가 싸게 쏟아질수록 리뷰·설계·책임의 비중이 커지고, ‘무엇을 시킬지 정의하고 결과가 맞는지 검증하는 능력’이 새 핵심 역량이 된다. 즉 감축되는 건 손이지 판단이 아니다. 이 렌즈를 쥐고 있으면 아래 도입 사례들이 훨씬 또렷하게 읽힌다.
‘만든 회사가 먼저 쓴다’ — 사내 기본 도구로서의 AI 실험
앤트로픽(Anthropic)은 자사 모델 ‘클로드(Claude)’를 회사 운영의 기본 도구로 삼아 일하는 방식을 바꿨다고 밝혔다. 이건 ‘직원에게 챗봇 계정 하나씩 지급’하는 복지형 도입과는 층위가 다르다. 핵심은 개인이 알아서 쓰는 수준이 아니라, 채용·문서 작성·의사결정 지원 같은 내부 업무 흐름 곳곳에 AI를 ‘기본값(default)’으로 끼워 넣었다는 데 있다. 만드는 회사가 스스로를 실험 대상으로 삼는 이른바 도그푸딩(dogfooding)으로, 도입이 조직에 실제 무엇을 바꾸는지를 자기 몸으로 검증하는 방식이다.
여기서 일반 기업이 가져갈 체크포인트는 세 가지다. 첫째, ‘전면 도입’은 툴을 까는 순간이 아니라 업무 프로세스를 AI 전제로 다시 짤 때 비로소 성립한다. 도입해도 성과가 안 나는 가장 흔한 이유가 바로 이것 — 기존 결재선·문서 양식·검토 절차를 그대로 둔 채 그 위에 AI만 얹기 때문이다. 툴 라이선스비만 나가고 지표는 안 움직인다. 둘째, 이런 강한 도입은 접근 권한·데이터 보안·출력 검증 체계가 먼저 선 조직에서만 안전하다. 셋째, ‘만든 회사가 잘 쓴다’가 곧 ‘우리 회사도 그대로 된다’는 뜻은 아니다. 자사 모델을 가진 조직은 내부 데이터 연동, 튜닝, 리스크 통제에서 이미 남다른 출발선에 서 있다. 이 격차를 인정해야 과장된 기대 대신 ‘우리 조건에서 재현 가능한 부분은 어디까지인가’라는 현실적 질문을 던질 수 있다.
‘GPT냐 Claude냐’는 끝났다 — 여러 모델을 골라 쓰는 라우터의 등장
또렷한 흐름 하나는 단일 모델 선택 구도가 무너지고 있다는 점이다. 국내 커머스 플랫폼 카페24는 여러 대형언어모델(LLM)을 상황에 맞게 자동 배분하는 통합 운용 인프라, 이른바 ‘LLM 라우터’를 내놨다. 개념은 교통정리에 가깝다 — 요청의 성격(비용 민감/정확도 우선/속도 우선/문서 길이 등)에 따라 가장 적합한 모델로 트래픽을 보내는 중간 계층이다. 이러면 특정 모델 한 곳에 묶이는 종속(vendor lock-in)을 피하고, 작업마다 다른 성능·비용 조합을 취할 수 있다.
라우터가 값을 하는 조건은 의외로 계산이 명확하다. 플래그십 모델과 경량 모델의 토큰 단가는 적게는 수 배, 많게는 수십 배까지 벌어진다. 그런데 실무 요청의 상당수는 단순 분류·짧은 답변·정형 추출처럼 경량 모델로도 충분하다. 이 둘이 한 서비스에 섞여 있을 때, 모든 요청을 최고가 모델로 처리하면 품질은 균일해도 비용은 필요 이상으로 부푼다 — 라우팅은 여기서 곧 비용 최적화 장치가 된다. 다만 공짜는 아니다. 모델마다 응답 스타일·안전정책·출력 형식이 달라 결과의 품질 편차와 일관성 관리라는 새 숙제가 붙고, ‘어떤 요청을 어디로 보낼지’ 판단 로직 자체가 유지보수 부담이 된다. 그래서 순서가 중요하다. 요청 유형별 로그부터 한두 달 쌓아 분포와 단가를 실측한 뒤, 고가 모델 비중이 뚜렷하고 유형이 다양할 때 도입하는 게 맞다. 요청이 단일 용도이고 양이 적은 소규모 서비스라면 라우터는 오히려 과설계다.
공공·교육으로 번지는 도입 — 확산의 조건과, 리스크의 청구서
AI 도입 논의는 대기업·IT 기업을 넘어 비영리·정부·학교로 번지고 있다. 앤트로픽은 이런 공공성 강한 조직의 AI 활용을 돕는 펠로우십(지원 프로그램)을 신설했다. 취지는 분명하다 — 자원과 전문 인력이 얇은 조직도 AI를 안전하게 쓰도록 진입 장벽을 낮추는 것이다. 기술 접근성 격차가 곧 서비스 격차로 이어지는 공공 부문에서, 도입 지원은 단순 마케팅을 넘어 확산의 실질 조건이 된다.
다만 공공·교육의 리스크 구조는 민간과 다르다는 점을 짚어야 한다. 학생 기록·행정 문서·개인정보처럼 민감도 높은 데이터가 오가고, 잘못된 출력에 대한 책임 소재도 훨씬 엄격하다. 그래서 이 영역의 체크리스트는 ‘기능이 얼마나 화려한가’가 아니라 넷이다 — ①입력 데이터의 처리·저장 범위 ②입력이 모델 학습에 재사용되는지 여부 ③오류 출력 시 사람이 개입하는 검토 절차의 유무 ④담당자 교육·운영 인력의 확보. ‘무료 지원’이라는 이유로 이 넷을 건너뛰고 서두르면, 초기 비용은 0에 가까워도 보안 사고·책임 분쟁·재작업이라는 후행 비용이 나중에 몰려서 청구된다. 6개월~2년 관점으로 보면 성패를 가르는 건 화제성이 아니라, 지원이 끊긴 뒤에도 ‘지속 운영과 유지보수가 가능한 체계를 함께 갖췄는가’다.
자주 묻는 질문
AI 도입하면 정말 인력을 줄일 수 있나요?
단기적으로는 ‘직무 전체’를 없애기보다 규칙성이 높고 검증이 쉬운 작업(요약·초안·1차 코드·표 정리·번역 초벌)을 먼저 줄입니다. 대신 그 결과를 검토하고 책임지는 업무는 오히려 늘어, 감축보다 ‘역할 재배치’로 가는 경우가 많습니다. 감축을 전제로 도입하면 검증 인력이 빠져 품질 사고로 이어질 수 있습니다.
GPT와 Claude 중 하나만 골라 써야 하나요?
꼭 그렇지 않습니다. 요청 성격에 따라 여러 모델을 자동 배분하는 ‘LLM 라우터’ 방식이 나오고 있습니다. 플래그십과 경량 모델의 토큰 단가는 수 배~수십 배 차이가 나므로, 요청량이 많고 유형이 다양하면 섞어 써서 비용을 크게 줄일 수 있습니다. 반대로 단일 용도의 소규모 서비스라면 한 모델로 시작해 로그를 쌓은 뒤 필요할 때 확장하는 편이 관리가 쉽습니다.
AI를 만든 회사가 잘 쓴다는데, 우리 회사도 똑같이 되나요?
그대로 이식되긴 어렵습니다. 모델을 만든 조직은 내부 데이터 연동·튜닝·리스크 통제에서 이미 유리한 출발선에 있습니다. 일반 기업은 기존 프로세스에 AI만 얹어서는 성과가 안 나고, 결재선·문서 양식·검토 절차를 AI 전제로 재설계하고 보안·검증 체계를 먼저 세워야 효과가 납니다.
학교나 공공기관이 AI 도입할 때 가장 먼저 볼 점은?
기능이 아니라 데이터 처리 방식입니다. ①입력 데이터가 어디까지 저장·처리되는지 ②입력이 모델 학습에 재사용되는지 ③오류 출력 시 사람이 검토하는 절차가 있는지 ④운영·교육 인력이 있는지, 이 넷을 먼저 확인하세요. 무료 지원 프로그램이라도 보안·책임이라는 후행 비용을 함께 계산해야 안전합니다.