전문성의 몰락

어려운 용어의 뜻을 묻고 보고서의 초안을 만드는 데 생성 AI를 사용할 수 있습니다. 전에는 관련 지식을 가진 사람에게 먼저 물어야 했던 일을 스스로 시작할 여지가 생깁니다. 이 글에서 ‘전문성의 몰락’은 전문가가 모두 불필요해진다는 뜻이 아닙니다. 지식을 알고 전달하는 역할의 일부가 도구로 옮겨갈 때 전문성을 어디에서 찾아야 하는지 묻는 표현입니다.

지식에 접근하는 문턱과 숙련의 차이

설명을 쉽게 얻는 것과 그 설명을 제대로 사용하는 것은 다릅니다. 처음 배우는 사람도 전문 용어가 들어간 문서를 만들 수 있지만, 용어 사이의 관계나 적용 조건까지 이해했다고 볼 수는 없습니다. 결과물이 그럴듯해질수록 자신이 아는 범위를 실제보다 넓게 판단할 가능성에도 주의해야 합니다.

교육용 사례로 재고 관리 업무를 맡은 초보자가 AI에 발주 기준 초안을 요청했다고 가정해 봅시다. 초안은 검토를 시작하는 데 도움이 될 수 있습니다. 그러나 납품이 늦어지는 경우, 유통기한이 짧은 품목, 특정 고객과의 약속처럼 현장에서 확인해야 하는 조건은 따로 있습니다. 문서를 만드는 속도와 실제 운영에 맞는 판단은 같은 능력이 아닙니다.

지식 접근의 문턱이 낮아지면 배움을 시작하기는 쉬워집니다. 그 기회를 숙련으로 이어 가려면 답을 받아 적는 데서 멈추지 않고, 그 답이 성립하는 이유와 조건을 확인해야 합니다.

AI의 도움은 누구에게 어떻게 나타났는가

브린욜프슨·리·레이먼드의 「Generative AI at Work」는 고객지원 인력을 대상으로 AI 지원 효과를 살펴본 연구입니다. 이 현장에서는 초보·저숙련 인력에게 더 큰 효과가 관찰됐습니다. 해당 작업논문은 2023년 4월 발표됐고 같은 해 11월 수정됐습니다.

이 결과는 AI가 일부 업무에서 숙련의 격차를 줄이는 데 도움을 줄 수 있음을 보여 줍니다. 다만 고객지원 현장의 결과를 모든 직업에 그대로 적용할 수는 없습니다. 업무의 성격과 사용 도구가 달라지면 무엇을 성과로 볼지부터 달라집니다. 이 연구를 근거로 전문가의 경험이 어디서나 가치 없어진다고 말할 수 없는 이유입니다.

연구를 읽을 때도 “AI를 썼는가”만 확인해서는 부족합니다. 누구에게 어떤 작업을 맡겼고 무엇과 비교했는지 살펴야 합니다. 도구의 이름보다 사용 조건이 결과를 이해하는 데 더 중요할 수 있습니다.

직업은 하나의 작업으로 이루어져 있지 않습니다

ILO와 NASK의 2025년 생성 AI 직무 노출도 평가는 인간의 투입이 계속 필요하므로 직업 전체의 대체보다 업무 변화 가능성에 주목합니다. 여기서 노출도는 생성 AI가 업무에 영향을 줄 잠재적 범위를 평가한 것이며, 실제 실직 인원을 확정한 수치가 아닙니다.

한 직업 안에도 자료 검색, 설명, 협의, 현장 확인, 최종 판단처럼 성격이 다른 일이 섞여 있습니다. 그중 한 작업을 AI가 도와준다고 직업 전체가 사라지는 것은 아닙니다. 반대로 직업 이름이 그대로 남아 있더라도 그 안에서 요구하는 능력은 달라질 수 있습니다.

자신의 일을 살펴볼 때는 직함보다 실제 작업을 나누어 보는 편이 유용합니다. 반복해서 정리하는 부분은 무엇인지, 매번 맥락을 알아야 하는 부분은 무엇인지 구별하면 도구에 맡길 범위와 더 배워야 할 부분이 드러납니다.

답을 설명하고 검증하는 능력

전문성을 판단하는 기준에는 정답을 빨리 말하는 능력 외에도 여러 가지가 있습니다. 질문 자체가 적절한지 확인하고, 누락된 조건을 찾으며, 결론이 틀렸을 때 이유를 설명하는 능력도 필요합니다. AI의 답변을 업무에 사용한다면 이런 능력을 도구 사용 능력과 함께 길러야 합니다.

학습 역시 결과를 얻는 과정과 이해를 확인하는 과정을 나눌 수 있습니다. 초안을 받은 뒤 근거를 직접 찾아보고, 조건을 바꾸면 결론이 어떻게 달라지는지 설명해 보는 방식입니다. 스스로 설명할 수 없는 문장을 발견하는 일도 배움의 일부입니다.

전문성의 변화를 이해하는 데서 그치지 않고 AI 결과를 확인하는 방법을 알고 싶다면 인공지능 공존의 시대를, 이러한 변화의 큰 배경은 세상의 변화를 함께 읽어 볼 수 있습니다.