AI가 모든 직업을 대체한다고? 전 직종 1,500명 조사 결과는 달랐다 / 스탠퍼드 논문 리뷰 (Future of Work with AI Agents)

다양한 AI 툴을 사용해서 만들어봤습니다.
개발자 관점으로 어떻게 해야할 지가 궁금해서 개발자 위주의 내용으로 글을 정리해달라고 했습니다.
결국 예전부터 많은 사람들이 중요하다고 말했던 소프트 스킬이 다시 중요하다는 생각이 듭니다

논문 요약

이 연구는 미국 노동부의 O*NET 데이터베이스에서 추출한 직업별 작업과 AI 에이전트의 잠재적 자동화 및 증강에 대한 미국 노동력 전반의 대규모 감사 결과를 제시합니다. 이 논문은 AI 에이전트의 능력과 작업자의 선호도에 대한 기술적 평가를 결합하여 WORKBank 데이터베이스를 구축합니다. 주요 결과는 다음과 같습니다.

자동화 욕구: 작업자의 46.1%가 AI 에이전트 자동화에 대해 긍정적인 태도를 보였으며, 이는 주로 가치 높은 작업에 시간을 할애하고 반복적이거나 지루한 작업을 피하기 위함입니다. 그러나 AI 에이전트가 작업 대체가 아닌 보조적인 역할을 수행하기를 바라는 등 직업에 따라 태도가 다양하게 나타납니다.
인간 주체성 척도 (Human Agency Scale, HAS): 이 연구는 작업자가 AI 시스템과 협업하는 데 필요한 인간 개입 수준을 정량화하는 HAS를 도입했습니다 (H1: AI가 완전히 처리, H5: 인간 개입 필수). 많은 직업에서 H3 (동등한 파트너십)가 가장 선호되는 수준으로 나타나 인간-에이전트 협업의 잠재력을 강조합니다
욕구-능력 환경: 작업자 선호도와 AI 전문가의 기술적 능력 평가를 통합하여 업무 자동화의 네 가지 영역을 식별했습니다.
- 자동화 "청신호" 영역: 자동화 욕구와 능력 모두 높은 작업으로, AI 에이전트 배포에 가장 적합한 영역입니다.
- 자동화 "적신호" 영역: 능력은 높지만 욕구는 낮은 작업으로, 작업자 저항에 직면할 수 있어 신중한 접근이 필요합니다.
- R&D 기회 영역: 욕구는 높지만 현재 능력이 낮은 작업으로, AI 연구 및 개발을 위한 유망한 방향을 나타냅니다.
- 낮은 우선순위 영역: 욕구와 능력 모두 낮은 작업으로, AI 에이전트 개발 우선순위가 낮습니다.
핵심 인간 기술의 변화: AI 에이전트 통합은 직업적 역량을 재편할 수 있습니다. 정보 처리 기술의 중요성이 줄어들고 대인 관계 및 조직 기술의 중요성이 커지는 추세가 관찰되었습니다. 이는 AI 에이전트가 업무에 통합됨에 따라 인간의 역할이 변화하고 있다는 초기 신호입니다.

전반적으로 이 연구는 AI 에이전트 개발 및 배포 시 작업자의 선호도를 고려하고, 자동화와 증강 사이의 미묘한 균형을 이해하며, 인력의 재교육 및 재훈련을 위한 전략을 개발하는 것이 중요함을 강조합니다.

연구의 신뢰성과 규모

1,500명의 실제 작업자 + 52명의 AI 전문가 참여
미국 노동부 O*NET 데이터베이스 기반 844개 작업 분석
104개 직업군에 걸친 대규모 실증 연구
2025년 1월-5월 최신 데이터 (ChatGPT 이후 시대 반영)

⏰ 현실적인 변화 타임라인

1-2년 내 (단기)

AI 도구와의 협업이 필수가 되는 시점
단순 반복 업무의 급속한 자동화

3-5년 내 (중기)

인간-AI 협업 워크플로우가 표준이 되는 시점
새로운 직무 역할과 책임 분배 정착

5-10년 내 (장기)

완전히 새로운 직업군 등장
교육 시스템의 근본적 변화

🚨 주의사항과 한계점

연구의 한계

미국 중심 연구 (한국 직업 문화 차이)
2025년 시점 스냅샷 (기술 발전 속도 고려 부족)
컴퓨터 사용 가능 직업만 대상

과도한 낙관/비관 경계

AI가 만능이 아님
인간 고유 영역도 변화할 수 있음
사회적 저항과 규제도 고려해야

블로그 독자를 위한 Call-to-Action

자신의 현재 업무를 H1-H5로 분류해보기
AI 도구 하나 선택해서 이번 주부터 사용해보기
6개월 후 목표 설정하고 구체적 학습 계획 세우기
팀/회사에서 이 논문 내용 공유하고 토론하기

개발자 예시 정리 (표)

HAS 수준	설명	개발자 업무 예시
H1	AI가 전적으로 수행	코드 포맷팅, 단순 정규식 처리
H2	최소한의 입력으로 수행 가능	Swagger 기반 stub 생성, static code analysis
H3	AI와 협업해야 성과 향상	Copilot과 기능 개발, AI 보조 리팩토링
H4	AI가 반드시 사람 입력 필요	커스텀 모델 설계, 아키텍처 구성
H5	사람 없이는 AI도 불가능	기획, 요구사항 분석, 기술 선택, 보안 대응, 팀 리딩

요약 슬로건

🔬 H3~H5 영역에 집중하라 (AI가 대체하기 어려운 핵심 업무)

H3~H5는 AI가 혼자 하기 어려운 영역이며,
인간의 도메인 지식, 의사결정력, 설계 능력, 팀 협업 능력이 필수적입니다.
이 영역은 가치가 높고, AI 도구가 아무리 발달해도 개발자의 존재가 중심입니다.

“H1~H2는 자동화하고, H3~H5는 역량으로 승부하라”

개발자는

AI를 잘 활용하는 사용자이자,
AI를 설계하고 평가할 수 있는 비판적 기술 전문가가 되어야 합니다.

개인 브랜딩 관점

"AI를 잘 다루는 개발자"보다는 "AI와 협업해서 비즈니스 문제를 해결하는 개발자"
기술 스킬 + 도메인 전문성 + 협업 능력의 T자형 인재

이 논문의 가장 큰 인사이트

"AI는 인간을 대체하는 것이 아니라 협업하는 파트너로 설계되어야 한다"

논문의 핵심 발견은 작업자의 45.2%가 H3 (동등한 파트너십)을 가장 선호한다는 점입니다. 이는 기존의 "자동화 vs 비자동화"라는 이분법적 사고를 넘어서, 인간-AI 협업의 스펙트럼을 이해해야 함을 보여줍니다.

또한 현재 투자와 실제 수요 사이의 심각한 미스매치가 존재한다는 점도 중요합니다.

Y Combinator 투자의 41%가 "Low Priority Zone"과 "Red Light Zone"에 집중되어 있어, 작업자들이 실제로 원하는 영역에 대한 투자가 부족한 상황입니다.

개발자가 AI를 활용해 만들어야 할 방향

1. Human-in-the-Loop 시스템 설계

AI가 모든 것을 처리하려 하지 말고, 인간의 개입이 자연스럽게 이루어지는 워크플로우 설계
작업자가 언제든 개입하고 제어할 수 있는 인터페이스 제공

2. 작업자 중심의 AI 개발

기술적 가능성보다는 작업자의 실제 욕구를 우선시
"Green Light Zone" (높은 욕구 + 높은 능력) 작업에 집중
반복적이고 지루한 작업의 자동화에 우선순위 부여

3. 점진적 자동화 접근

처음부터 완전 자동화를 목표로 하지 말고, H2→H3→H4 단계별 접근
작업자가 AI와 협업하는 방식을 학습할 시간 제공

4. 협업형 AI 에이전트 구축

역할 기반 AI 지원 (23.1% 선호)
└── 특정 역할이나 개인화된 기능을 수행하는 AI

어시스턴트형 AI (23.0% 선호)
└── 워크플로우의 일부 또는 전체를 지원하는 보조 AI

작업 분리형 AI (16.5% 선호)
└── AI와 인간이 명확히 구분된 작업을 담당

5. 신뢰 구축에 집중

작업자의 45%가 AI의 정확성과 신뢰성에 대해 우려
투명한 의사결정 과정과 설명 가능한 AI 구현
실수 시 쉽게 수정할 수 있는 메커니즘 제공

6. 인간의 고유 영역 보호

창의성, 감정적 지능, 복잡한 의사결정이 필요한 영역은 인간 주도로 유지
특히 "Arts, Designs, and Media" 분야에서는 콘텐츠 창작보다는 워크플로우 최적화에 집중

결론: 개발자는 "AI가 무엇을 할 수 있는가?"보다는 "작업자가 AI와 어떻게 협업하고 싶어하는가?"에 초점을 맞춰 개발해야 합니다. 완전한 대체가 아닌 의미 있는 협업을 가능하게 하는 AI 시스템이 미래의 핵심이 될 것입니다.

향후 일의 가치 변화: 상세 분석

가치가 하락할 가능성이 높은 일들

🔴 정보 처리 중심 업무 (현재 고임금 → 미래 낮은 인간 개입 필요)

1. 데이터 분석 및 정보 분석

현재 상황: 높은 임금을 받는 핵심 기술 중 하나
미래 전망: AI가 대부분의 데이터 패턴 인식, 통계 분석, 트렌드 예측을 자동화
구체적 영향:
- 단순 리포트 생성, 차트 작성, 기본적인 데이터 시각화
- 정형화된 분석 업무 (재무제표 분석, 성과 지표 계산 등)
- 패턴 인식 기반의 예측 분석

2. 관련 지식 업데이트 및 사용

현재 상황: 전문직에서 중요한 지속적 학습 능력
미래 전망: AI가 실시간으로 최신 정보를 수집, 정리, 요약
구체적 영향:
- 업계 동향 조사 및 정리
- 법규 변화 모니터링
- 기술 문서 업데이트 및 관리

3. 문서화/정보 기록

현재 상황: 많은 직업에서 필수적인 행정 업무
미래 전망: 자동화 잠재력이 가장 높은 영역
구체적 영향:
- 회의록 작성, 보고서 초안 작성
- 데이터 입력, 양식 작성
- 기록 관리 및 아카이빙

📊 논문 데이터로 보는 구체적 예시

세무사: "고객과의 약속 일정 잡기" (자동화 욕구 5.00/5.00)
데스크톱 퍼블리셔: "인쇄용 파일 변환" (자동화 욕구 4.50/5.00)
통계학자: "그래프, 차트, 표 형태의 결과 보고" (자동화 욕구 4.50/5.00)

가치가 상승할 가능성이 높은 일들

🟢 대인관계 및 감정노동 중심 업무

1. 조직, 계획 및 업무 우선순위 지정

왜 중요해지는가: AI는 데이터를 처리할 수 있지만, 복잡한 이해관계와 정치적 상황을 고려한 전략적 판단은 인간의 고유 영역
구체적 가치:
- 다부서 간 이해관계 조정
- 불확실한 상황에서의 우선순위 결정
- 장기적 비전과 단기적 실행의 균형

2. 타인 교육 및 훈련

왜 중요해지는가: AI 시대에 오히려 인간의 학습 방식과 동기부여에 대한 이해가 더욱 중요
구체적 가치:
- 개인별 맞춤형 코칭 및 멘토링
- 감정적 지지와 격려
- 창의적 문제해결 방법 전수

3. 감독자, 동료, 부하직원과의 소통

왜 중요해지는가: AI가 정보를 전달할 수 있어도, 맥락과 뉘앙스가 중요한 인간 관계는 여전히 인간의 영역
구체적 가치:
- 갈등 조정 및 중재
- 팀워크 구축 및 문화 형성
- 비언어적 소통의 해석

🔄 창의성과 판단력이 핵심인 업무

4. 의사결정 및 문제해결

현재와 미래: AI가 옵션을 제시하더라도 최종 판단은 인간의 몫
구체적 가치:
- 윤리적 딜레마 해결
- 불완전한 정보 상황에서의 결정
- 위험과 기회의 균형점 찾기

5. 창의적 사고

현재와 미래: AI가 패턴을 학습하고 재조합할 수 있지만, 진정한 혁신은 인간의 창의성에서
구체적 가치:
- 기존 틀을 깨는 새로운 아이디어 창출
- 예술적 감성과 미적 판단
- 문화적 맥락을 고려한 창작

산업별 구체적 변화 전망

금융업계

하락: 기본적인 신용분석, 리스크 계산, 규정 준수 체크
상승: 고객 관계 관리, 복잡한 금융상품 설계, 윤리적 투자 판단

의료업계

하락: 의료기록 작성, 기본 진단 보조, 약물 상호작용 체크
상승: 환자와의 소통, 복합적 증상 해석, 의료진 간 협업 조정

교육업계

하락: 성적 관리, 출석 체크, 표준화된 평가
상승: 개별 학습자 코칭, 창의적 교육과정 설계, 감정적 지지

기술업계

하락: 코드 작성, 버그 수정, 문서화
상승: 시스템 아키텍처 설계, 사용자 경험 설계, 기술 전략 수립

개인이 대비해야 할 핵심 전략

1. 미래 가치가 높은 메타 스킬

감정 지능: 타인의 감정을 읽고 적절히 대응하는 능력
시스템 사고: 복잡한 상호작용을 이해하고 전체적 관점에서 판단
적응적 학습: 새로운 기술과 변화에 빠르게 적응하는 능력
문화적 감수성: 다양한 배경의 사람들과 효과적으로 소통

2. AI와의 협업 능력

AI 리터러시: AI의 능력과 한계를 정확히 이해
프롬프트 엔지니어링: AI로부터 원하는 결과를 얻어내는 기술
인간-AI 워크플로우 설계: 효율적인 협업 구조 만들기

결론: 미래의 노동 시장에서는 AI가 할 수 없는 것보다는 AI와 함께할 때 더 효과적인 것에 집중해야 합니다.

단순히 AI를 거부하거나 경쟁하려 하지 말고, AI를 도구로 활용하면서 인간 고유의 가치를 극대화하는 방향으로 나아가야 합니다.

개발자가 키워야 할 미래 핵심 능력

📉 AI에 의해 대체될 가능성이 높은 개발 업무

논문에서 확인된 현실

Computer Programmers는 AI 전문가 평가에서 H1 (AI 완전 처리 가능) 지배적 직업
단순 코딩, 버그 수정, 문서화 등은 이미 AI가 효과적으로 수행 중

구체적으로 대체될 업무들

🔴 높은 대체 위험
├── 반복적인 CRUD 코드 작성
├── 단순 API 연동 코드
├── 기본적인 버그 수정
├── 코드 리팩토링 및 최적화
├── 테스트 코드 작성
└── 기술 문서 작성

🚀 개발자가 반드시 키워야 할 핵심 능력

1. 시스템 아키텍처 & 설계 능력

왜 중요한가: AI는 개별 코드는 잘 짜지만, 전체 시스템의 복잡한 상호작용과 장기적 확장성은 인간의 고차원적 사고가 필요

구체적 스킬:

마이크로서비스 아키텍처 설계
분산 시스템 설계 패턴
데이터베이스 스키마 설계 및 최적화
확장 가능한 시스템 구조 기획
기술 스택 선택 및 트레이드오프 분석

실무 예시:

❌ "로그인 기능 구현해줘" (AI가 대체 가능)
✅ "100만 동시 사용자를 지원하는 인증 시스템 아키텍처 설계" (인간 고유 영역)

2. 비즈니스 도메인 이해 & 제품 사고

왜 중요한가: 논문에서 강조하는 "도메인 전문성"과 "의사결정 능력"의 개발 분야 적용

구체적 스킬:

비즈니스 요구사항을 기술적 해결책으로 번역
사용자 경험(UX) 관점에서의 기술 설계
ROI를 고려한 기술적 의사결정
제품 로드맵과 기술 발전 방향 연계

실무 활용:

기존: "주문 처리 시스템 개발"
진화: "커머스 도메인을 깊이 이해하고, 
      사용자 여정을 고려한 주문 경험 최적화 시스템 설계"

3. 팀 리더십 & 협업 능력

왜 중요한가: 논문의 핵심 인사이트 - "대인관계 및 조직 역량"이 가장 가치 상승

구체적 스킬:

기술적 의사결정 리더십
크로스 펑셔널 팀과의 협업
주니어 개발자 멘토링 & 코칭
기술 부채 관리 및 팀 설득
개발 프로세스 개선 및 문화 구축

커리어 경로:

Individual Contributor → Tech Lead → Engineering Manager
                     → Principal Engineer → CTO

4. AI와의 효과적 협업 능력

왜 중요한가: 논문에서 강조하는 "Human-AI 협업"의 개발 분야 구현

구체적 스킬:

AI 코딩 도구 마스터리 (GitHub Copilot, Cursor, Claude 등)
프롬프트 엔지니어링 - AI에게 정확한 요구사항 전달
AI 생성 코드의 품질 검토 및 개선
AI 도구를 활용한 생산성 워크플로우 구축

실무 예시:

레벨 1: AI가 짠 코드를 그대로 사용
레벨 2: AI 코드를 리뷰하고 수정
레벨 3: AI와 대화하며 복잡한 로직 설계
레벨 4: AI를 활용해 전체 개발 프로세스 최적화

🎯 분야별 특화 전략

프론트엔드 개발자

상승 가치 영역:

사용자 경험(UX) 설계 능력
접근성(Accessibility) 전문성
성능 최적화 전략
디자인 시스템 구축

하락 위험 영역:

단순 UI 컴포넌트 구현
기본적인 반응형 웹 작업

백엔드 개발자

상승 가치 영역:

분산 시스템 아키텍처
데이터베이스 최적화 전략
보안 아키텍처 설계
DevOps 및 인프라 자동화

하락 위험 영역:

단순 CRUD API 개발
기본적인 데이터 처리 로직

풀스택 개발자

상승 가치 영역:

전체 시스템 연결점 이해
기술 스택 간 최적화
프로덕트 전체 관점

AI 개발자

상승 가치 영역:

인간-AI 협업 시스템 설계
도메인 특화 AI 솔루션 아키텍처
AI 제품 전략 & 비즈니스 임팩트
멀티모달 & 복합 AI 시스템
AI 윤리 & 책임있는 AI 개발

하락 위험 영역:

기본적인 모델 파인튜닝
단순한 프롬프트 엔지니어링
기존 모델 API 단순 연동
기본적인 데이터 전처리

📈 단계별 성장 로드맵

Phase 1: AI 협업 마스터리 (6개월)

목표: AI 도구와 효율적으로 협업하기
├── GitHub Copilot, Cursor 등 AI 코딩 도구 숙련
├── ChatGPT, Claude를 활용한 코드 리뷰 및 디버깅
├── AI 프롬프팅 기법 학습
└── AI 생성 코드 품질 평가 능력 개발

Phase 2: 아키텍처 사고력 개발 (1년)

목표: 시스템 전체를 보는 눈 기르기
├── 디자인 패턴 및 아키텍처 패턴 학습
├── 마이크로서비스, 이벤트 드리븐 아키텍처 경험
├── 대용량 트래픽 처리 경험
└── 기술 부채 관리 및 리팩토링 전략

Phase 3: 비즈니스 임팩트 창출 (2년)

목표: 기술로 비즈니스 문제 해결하기
├── 도메인 전문성 구축 (핀테크, 커머스, 헬스케어 등)
├── 제품 매니저와의 협업 능력
├── 데이터 드리븐 의사결정 경험
└── 사용자 중심 사고 개발

Phase 4: 리더십 & 영향력 확장 (3년+)

목표: 조직과 업계에 영향력 발휘
├── 팀 리딩 및 멘토링 경험
├── 기술 전략 수립 및 실행
├── 커뮤니티 기여 (오픈소스, 컨퍼런스 등)
└── 차세대 기술 트렌드 선도

HAS(HumanAgencyScale) 정의

요약:

Human Agency Scale (HAS)는 인간과 AI 에이전트 간의 협업 또는 자동화 수준을 다섯 단계로 나눈 척도로, 기술이 인간 작업을 얼마나 대체하거나 보완하는지를 인간 중심 시각에서 평가하는 도구입니다.

H1~H2: 자동화 중심 (효율성 추구)
H3~H5: 증강 중심 (협업 및 품질 향상 추구)
HAS는 높을수록 좋은 게 아님! 업무 특성과 목적에 따라 적절한 수준을 선택해야 함.

🔹 H1: AI가 전적으로 작업을 수행 (No Human Involvement)

설명: 인간의 개입 없이 AI가 작업 전부를 수행함.
적합한 예:
- 이메일 스팸 필터링
- OCR 기반 단순 문서 스캔 및 분류
주요 특성: 완전 자동화, 인간의 판단이나 입력 불필요

🔹 H2: AI가 최소한의 인간 입력으로 최적 수행 (Minimal Input)

설명: AI가 대부분 작업을 수행하지만, 성능 최적화를 위해 간단한 인간 입력이 필요함.
적합한 예:
- AI 기반 추천 시스템에서 사용자의 기본 선호 입력
- 챗봇이 FAQ 응답을 처리하되, 가끔 사람의 확인 필요
주요 특성: 반자동화, 인간은 감시자 또는 튜너 역할

🔹 H3: AI와 인간이 대등한 파트너십 (Equal Collaboration)

설명: 인간과 AI가 협업하여 혼자보다 더 나은 성과를 냄.
적합한 예:
- 의료 진단 지원 시스템 (의사가 AI 분석 참고)
- 공동 작문 도구 (AI가 제안, 인간이 편집)
주요 특성: 시너지 중심, 공동의사결정

🔹 H4: AI가 작업 수행에 인간 입력 필요 (Human Required for Completion)

설명: AI는 독립적으로 작업을 수행할 수 없고, 반드시 인간의 지시나 판단이 있어야 완수 가능.
적합한 예:
- 계약서 초안 생성 도중 중요한 항목은 인간이 작성
- 고객 응대 챗봇이 민감한 질문은 사람에게 넘김
주요 특성: 인간이 주도, AI는 도구적 역할

🔹 H5: AI가 인간 없이 작동 불가 (Continuous Human Involvement)

설명: AI가 거의 아무것도 혼자 할 수 없으며, 인간의 지속적인 개입과 지시가 필요.
적합한 예:
- 공장 내 로봇이 매 단계마다 인간의 설정 필요
- 교육용 AI 튜터가 항상 교사의 피드백 받아야 작동
주요 특성: 완전한 보조 도구, 의존성 매우 높음

Figure 6: Human Agency Scale (HAS) 분포 분석

(a) 매트릭스 해석

세로축: 작업자가 원하는 HAS 레벨 (H1~H5)
가로축: AI 전문가가 평가한 실현가능한 HAS 레벨 (H1~H5)
숫자: 해당 조합에 속하는 작업 개수

핵심 인사이트

대각선 위쪽 (하삼각형): 작업자가 더 높은 인간 개입을 원함 (47.5%)
대각선 아래쪽: AI 전문가가 더 높은 자동화 가능성을 봄
완전 일치: 전체의 26.9%만 작업자와 전문가 의견 일치

의미: 작업자들이 AI 전문가들보다 더 보수적이고, 인간의 역할을 더 중요하게 생각함

(b) 직업별 지배적 HAS 레벨 분포

분포 현황

H1 (AI 완전 처리): 1.9%
H2 (최소 인간 개입): 35.6% 
H3 (동등한 파트너십): 45.2% ⭐️ 최대
H4 (상당한 인간 개입): 16.3%
H5 (필수적 인간 개입): 1.0%

핵심 인사이트

H3가 압도적 1위: 작업자들은 AI와의 동등한 협업을 가장 선호
완전 자동화(H1) 거부감: 겨우 1.9%만이 AI 완전 처리 선호
중간 지점 선호: 극단적 자동화나 완전 수동보다는 균형점 추구

📡 (c) 작업자 관점: 작업 특성별 분석

H5 (필수적 인간 개입) 작업의 특징

작업자들이 "인간이 꼭 필요하다"고 보는 작업들의 공통점:

🔴 매우 높음: Interpersonal Communication (대인 소통)
🟡 높음: Domain Expertise (도메인 전문성)
🟡 보통: Physical Action, Uncertainty

해석: 작업자들은 **"사람과의 소통"**이 필요한 일은 절대 AI에게 맡길 수 없다고 생각

📡 (d) AI 전문가 관점: 작업 특성별 분석

전문가가 보는 H5 작업의 특징

AI 전문가들이 "기술적으로 자동화 어렵다"고 보는 작업들:

🔴 매우 높음: Interpersonal Communication (대인 소통)
🔴 매우 높음: Domain Expertise (도메인 전문성)  
🟡 보통: Uncertainty, Physical Action

해석: 전문가들도 대인 소통과 전문 지식이 필요한 영역은 기술적으로 한계가 있다고 인정

💡 Figure 6의 핵심 메시지

1. 작업자와 전문가의 의견 차이

작업자: "더 신중하게, 인간이 더 관여해야"
전문가: "기술적으로 더 많은 자동화 가능"

2. 협업이 정답

H3 (동등한 파트너십)이 45.2%로 압도적
"AI vs 인간" 대립구조가 아닌 "AI + 인간" 협업구조 선호

3. 대인관계는 절대 영역

작업자와 전문가 모두 동의: 대인 소통은 인간 고유 영역
Domain Expertise: 깊은 전문 지식도 여전히 인간의 중요 영역

4. 업무별 맞춤형 접근 필요

모든 업무에 똑같은 자동화 적용 ❌
업무 특성에 따른 차별화된 HAS 레벨 적용 ⭐️

🎯 개발자를 위한 실무 적용

H3 (동등한 파트너십) 시스템 설계 원칙

class CollaborativeAI:
    def process_task(self, task, human_input):
        # AI가 초안/분석 제공
        ai_suggestion = self.ai_analyze(task)
        
        # 인간이 검토하고 수정
        human_refined = human_input.review_and_modify(ai_suggestion)
        
        # 최종 결과는 인간-AI 협업의 산물
        return self.combine(ai_suggestion, human_refined)

대인관계 업무는 인간 중심 설계

AI는 정보 제공자 역할만
최종 의사결정과 소통은 인간이 담당
감정적 뉘앙스와 맥락 이해는 인간 영역으로 보호

결론: Figure 6은 "AI와 인간의 이상적 협업 비율"과 "절대 자동화하면 안 되는 영역"을 데이터로 명확히 보여주는 실무 가이드라인입니다.

Figure 7. 현재 임금 vs 미래 인간 개입 필요도 비교

왼쪽 세로축: 평균 임금 순위 (높을수록 고임금)
오른쪽 세로축: 필요 인간 개입 순위 (높을수록 인간 개입 많이 필요)
연결선: 각 기술의 순위 변화

색상의 의미

🟢 초록색 선:
- 인간 개입도가 임금보다 높음
- "AI로 쉽게 대체되기 어렵고, 인간이 핵심 역할을 하는 기술"
- 예: 조직 관리, 지도력, 기획, 커뮤니케이션 역량
🔴 빨간색 선:
- 인간 개입도가 임금보다 낮음
- "AI로 대체될 가능성이 높고, 자동화될 수 있는 기술"
- 예: 정보 기록, 정량 분석, 단순한 정보 처리

💡 핵심 인사이트

1. 정보 처리 → 대인관계로 가치 이동

하락하는 가치: 데이터 분석, 정보 수집, 문서 작성
상승하는 가치: 교육, 조직 관리, 인간 관계

2. 임금과 미래 가치의 불일치

현재 고임금 기술이 미래에는 낮은 가치를 가질 수 있음
"지금 돈을 많이 받는다고 미래에도 안전한 것은 아니다"

3. 스킬 포트폴리오의 다양화 필요

상위 10개 고인간개입 기술이 매우 다양한 영역에 분포
단일 전문성보다는 복합적 능력이 중요

🎯 개발자에게 주는 시사점

현재 고임금이지만 위험한 개발 기술들

단순 데이터 처리 및 분석
정보 수집 및 문서화
반복적인 코딩 작업

미래 가치가 상승할 개발 기술들

팀 교육 및 멘토링
프로젝트 계획 및 우선순위 설정
조직 내 기술 전략 수립
다부서 간 협업 및 조정

나의 생각

가장 인상 깊었던 점: "대체가 아닌 협업"
솔직히 이 논문을 읽기 전까지는 AI가 개발자를 대체할 것인가, 말 것인가에만 집중했었다. 그런데 이 연구가 보여준 가장 중요한 인사이트는 "그런 질문 자체가 잘못되었다"는 것이다.

45.2%의 직업에서 H3(동등한 파트너십)을 선호한다는 결과가 정말 의미심장했다. 사람들은 AI에게 완전히 대체당하고 싶어하지도 않고, 그렇다고 AI 없이 일하고 싶어하지도 않는다는 뜻이다.

요즘 GitHub Copilot이나 ChatGPT를 쓰면서 실제로 느끼는 것이 바로 이거다. AI가 코드를 짜주긴 하지만, 그대로 쓸 수 있는 건 거의 없다. 항상 내가 검토하고, 수정하고, 비즈니스 로직에 맞게 조정해야 한다.

그런데 이게 귀찮은 게 아니라 오히려 더 효율적이다. AI가 반복적인 부분을 처리해주면, 나는 더 중요한 아키텍처나 사용자 경험에 집중할 수 있으니까.

Y Combinator 투자의 41%가 Low Priority Zone과 Red Light Zone에 몰려있다는 분석이 정말 흥미로웠다. 결국 기술적으로 가능한 것과 사람들이 실제로 원하는 것 사이에 큰 갭이 있다는 얘기다.

그래서 기술 중심으로 접근하지 말고, 사람들의 실제 니즈부터 파악해야겠다는 생각이 든다.

Figure 7을 보면서 솔직히 좀 무서웠다.

지금 내가 열심히 한 분야인 "데이터 분석"이나 "정보 처리" 같은 스킬들이 미래에는 가치가 떨어질 수 있다는 것이 두렵기도 하다
하지만 동시에 기회도 보인다. "사람을 가르치고, 조직을 이끌고, 복잡한 문제를 해결하는" 능력이 더 중요해진다면, 지금부터라도 그런 방향으로 많이 경험해봐야 될 것 같다.

그래도 내가 현재하고 있는 일에서 생각해보면 다음과 같이 생각할 수 있을 것 같다.

데이터사이언티스트의 입장에서 이 논문은 굉장히 실무적이고 전략적인 인사이트

기술만으로 모든 것을 해결하려는 ‘자동화 중심적 사고’에 대한 반성이 필요하다고 느꼈다.
특히 나는 종종 LLM이나 RPA 등을 이용해 자동화 가능성만 평가했지만,
사람이 왜 개입하고 싶어 하는지, 어떤 가치를 느끼는지에 대한 관점은 상대적으로 소홀했음을 깨달았다.
HAS라는 개념은 AI 서비스 설계 시 매우 실용적인 기준이 될 수 있다.
예를 들어, 사내에서 AI Agent를 기획할 때 HAS 기준으로 작업의 성격을 나눠본다면,
어디에 자동화를 적용하고 어디에 사람의 판단을 남겨야 할지 더 명확해질 것 같다.
또 하나 주목한 점은, 사람들이 '즐거움을 느끼는 일일수록 AI에 맡기고 싶어 하지 않는다는 데이터였다.
이는 AI 개발이 단순 효율이 아닌 정서적/문화적 맥락을 고려해야 함을 보여준다.
사용자 경험 설계와도 직결되는 통찰이다.
마지막으로, 연구나 투자 또한 단순한 “기술 가능성”보다는 사용자 수요(Desire)와 기술 가능성(Capability)이 모두 높은 영역(Green Zone)에 집중해야 한다는 메시지가 매우 공감되었다.
AI 기반 업무 자동화 프로젝트를 기획할 때 적용 가능한 구체적 기준을 얻은 느낌이다.

그리고 이 논문을 읽고 나서 내 커리어 생각이나 계획도 조금 바뀌었다.

단순히 새로운 프레임워크나 언어를 배우는 것보다는:

1. 팀원들을 가르치고 이끄는 능력 기르기

2. 비즈니스 도메인 전문성 쌓기

3. AI와 효과적으로 협업하는 워크플로우 만들기

이런 것들에 더 집중해야겠다는 생각이 든다.

출처

https://youtu.be/savY-Hz24ow?si=z82zmlHubeIgQCiH&t=63

https://arxiv.org/abs/2506.06576

Future of Work with AI Agents: Auditing Automation and Augmentation Potential across the U.S. Workforce

The rapid rise of compound AI systems (a.k.a., AI agents) is reshaping the labor market, raising concerns about job displacement, diminished human agency, and overreliance on automation. Yet, we lack a systematic understanding of the evolving landscape. In

arxiv.org

저작자표시 (새창열림)

'관심있는 주제 > Paper' 카테고리의 다른 글

논문) Why Language Models Hallucinate-OPENAI 논문 살펴보기 (1)	2025.09.15
LLM) 논문 내용 정리 Phi-3 Technical Report: A Highly Capable Language Model Locally on Your Phone (2)	2024.05.01
CLIP (Contrastive Language-Image Pre-Training) 알아보기 (0)	2022.08.13
진행중) swin transformer 알아보기 (2)	2022.06.10
논문 리뷰) A Generalist Agent (GATO) (0)	2022.05.25