마지막 이야기를 시작하며 — 열한 번의 기록을 돌아보고

첫 화에서 저는 이렇게 썼습니다. “AI를 도입했더니 우리 팀이 더 바빠졌다.” 그리고 열한 번의 글에 걸쳐, 그 ‘더 바빠진’ 현실 속에서 사람이 정확히 어떤 역할을 맡고 있는지를 하나씩 풀어왔습니다. 피드백 루프, 책임과 판단, 신뢰 자산, 맥락 읽기, 창의적 도약, 신입의 성장, 그리고 시니어의 역할 재정의까지. 모두 ‘휴먼 인 더 루프’라는 하나의 축을 공유하는 이야기였습니다.

마지막 화인 오늘, 시선을 조금 더 멀리 던져보려 합니다. 지금으로부터 5년 후. 2031년쯤이면, 우리가 하는 일의 풍경은 어떻게 달라져 있을까요. 사라질 일이 있을 것이고, 여전히 남아 있을 일이 있을 것이며, 지금은 이름조차 없는 일이 새로 생겨나 있을 것입니다.

미래 예측이라는 게 본질적으로 불확실합니다. 저도 알고 있습니다. 하지만 20년간 금융IT 현장에서 기술이 일하는 방식을 바꾸는 장면을 반복적으로 목격한 사람으로서, 패턴을 읽는 것은 할 수 있습니다. 오늘 이야기는 예언이 아니라 패턴의 연장입니다. 지금까지 관찰한 변화의 방향성을 5년이라는 시간축 위에 놓고, 그 끝에서 ‘사람’이 어디 서 있을지를 그려보겠습니다.

그리고 이 글의 마지막에서, 열두 편의 시리즈 전체를 관통하는 하나의 결론을 드리겠습니다.

Part 1. 사라질 일 — ‘번역 레이어’의 소멸

기술 번역자의 시대가 저문다

제가 처음 이 업계에 들어왔을 때, 가장 많이 한 일 중 하나가 ‘번역’이었습니다. 비즈니스 부서가 원하는 것을 기술 언어로 옮기고, 기술적 제약을 비즈니스 언어로 다시 설명하는 것. 요구사항 정의서를 쓰고, 기술 검토서를 쓰고, 둘 사이의 간극을 좁히는 회의를 주선하는 것. 이 ‘번역 레이어’가 소프트웨어 개발 프로세스에서 차지하는 비중은 생각보다 컸습니다.

5년 후, 이 번역 레이어의 상당 부분이 사라집니다.

이미 변화는 시작됐습니다. 자연어로 된 요구사항을 AI가 기술 명세로 변환하고, 기술 로그를 AI가 비즈니스 보고서로 재구성하는 일은 2026년 현재도 상당 수준으로 가능합니다. 5년 후에는 이 변환의 정확도와 맥락 이해가 현재와 비교할 수 없을 만큼 높아져 있을 것입니다.

이것은 단순히 ‘번역 도구가 좋아진다’는 이야기가 아닙니다. 번역이 필요한 구조 자체가 변합니다. 비즈니스 담당자가 AI를 통해 직접 프로토타입을 만들어보고, 개발자가 AI를 통해 비즈니스 임팩트를 직접 시뮬레이션하는 세계에서는, 중간에서 양쪽 언어를 통역하는 역할의 가치가 급감합니다.

구체적으로 줄어들 역할들

첫째, 단순 요구사항 문서화 담당. ‘현업이 말한 것을 문서로 정리하는’ 일 자체는 AI가 회의록에서 자동 추출하는 방식으로 대체됩니다. 물론 ‘진짜 필요한 것’과 ‘말로 표현한 것’ 사이의 간극을 읽는 것은 여전히 사람의 영역입니다. 하지만 문서 작성이라는 물리적 행위 자체는 사람이 직접 할 이유가 거의 없어집니다.

둘째, 정형화된 코드 리뷰어. 코딩 컨벤션 준수 여부, 보안 취약점 패턴 검출, 성능 안티패턴 탐지 같은 ‘체크리스트형 리뷰’는 이미 AI가 사람보다 빠르고 꼼꼼합니다. 5년 후에는 이런 종류의 리뷰를 사람이 하는 것 자체가 비효율로 간주될 것입니다. 리뷰어의 역할은 ‘이 변경이 시스템 전체의 방향성과 맞는가’를 판단하는 것으로 축소됩니다. 이것은 11화에서 말한 시니어의 ‘설계 리뷰’ 역할과 정확히 겹칩니다.

셋째, 반복적 테스트 시나리오 작성자. 기능 명세로부터 테스트 케이스를 도출하는 일, 엣지 케이스를 열거하는 일, 리그레션 테스트 스위트를 유지보수하는 일. 이것들은 AI가 압도적으로 잘하는 영역입니다. QA 엔지니어의 역할은 ‘어떤 것을 테스트할 것인가’의 전략 수립과 ‘테스트 결과가 의미하는 바’의 해석으로 이동합니다.

넷째, 1차 응대 상담원. 제가 8년간 금융 챗봇을 운영하면서 가장 확실하게 체감한 영역입니다. 단순 문의 — 잔액 조회, 비밀번호 재설정, 상품 설명 안내 — 는 이미 AI가 사람보다 빠르고 정확하게 처리합니다. 5년 후에는 ‘1차 응대’라는 개념 자체가 사라지고, 사람은 AI가 해결하지 못한 복합적 상황에만 투입됩니다. 4화에서 이야기한 ‘끝맺음’의 역할이 더 선명해지는 것이죠.

사라진다는 것의 정확한 의미

여기서 한 가지 중요한 구분을 해야 합니다. ‘사라진다’는 것이 ‘그 일을 하는 사람이 실직한다’를 의미하지는 않습니다. 정확하게는 ‘그 일이 독립적인 역할로서의 존재 이유를 잃는다’는 뜻입니다.

번역 레이어가 사라진다고 해서 번역 능력이 불필요해지는 것이 아닙니다. 오히려 그 능력은 다른 역할 안에 흡수됩니다. 개발자가 직접 비즈니스 맥락을 읽고, 비즈니스 담당자가 직접 기술 프로토타입을 만드는 세계에서는, ‘번역 능력’이 모든 역할의 기본 소양이 됩니다. 전문 번역가가 사라지는 대신, 모든 사람이 번역가가 되는 것입니다.

이것은 역사적으로 반복된 패턴입니다. ‘타이피스트’라는 직업이 사라졌지만 타이핑 능력은 모든 사무직의 기본이 되었고, ‘전화 교환원’이 사라졌지만 통신 능력은 모든 비즈니스의 핵심이 되었습니다. AI 시대에도 같은 일이 반복됩니다. 다만 속도가 다릅니다.

금융IT 현장의 구체적 변화 — 내가 본 전조

제가 속한 금융IT 현장에서 이미 전조가 보입니다. 몇 가지 패턴을 공유하겠습니다.

2024년까지만 해도, 신규 프로젝트가 시작되면 ‘비즈니스 분석가 → 시스템 분석가 → 설계자 → 개발자’라는 순차적 릴레이가 표준이었습니다. 각 단계마다 산출물이 있고, 각 산출물을 다음 단계의 입력으로 번역하는 사람이 있었습니다. 지금은 이 릴레이의 단계가 줄어들고 있습니다. 비즈니스 분석가가 AI를 활용해 초기 프로토타입까지 직접 만들어오고, 개발자가 AI를 통해 비즈니스 시뮬레이션을 직접 돌려봅니다. 릴레이의 바통이 줄어드는 만큼, 바통을 건네는 전문가의 필요도 줄어듭니다.

또 하나. 운영 보고서를 생각해보세요. 과거에는 시스템 로그를 분석하고, 장애 원인을 파악하고, 이를 경영진이 이해할 수 있는 형태로 보고서를 작성하는 데 담당자가 반나절을 썼습니다. 지금은 AI가 로그를 분석하고 초안을 써주면, 담당자는 ‘이 장애가 비즈니스에 미치는 실질적 임팩트’와 ‘재발 방지를 위해 조직이 변경해야 할 것’만 추가합니다. 보고서 작성이라는 일의 80%가 사라진 것이 아니라, 일의 내용이 근본적으로 달라진 것입니다.

5년 후에는 이 패턴이 더 극단적으로 진행됩니다. 보고서 자체가 사라지고, 실시간 대시보드와 AI 요약이 대체합니다. 사람은 ‘이 숫자가 의미하는 것’과 ‘다음에 무엇을 할 것인가’에만 집중합니다.

Part 2. 남을 일 — ‘인간 고유 영역’의 재확인

시리즈 전체에서 발견한 패턴

열한 편의 글을 쓰면서, 저는 하나의 패턴을 반복적으로 발견했습니다. AI가 아무리 발전해도, 특정 영역에서는 사람의 역할이 줄어들기는커녕 오히려 더 중요해진다는 것. 그 영역들을 다시 정리해보겠습니다.

판단(6화): AI는 선택지를 보여주지만, 어떤 선택지를 취할지 결정하는 것은 사람입니다. 특히 불확실성이 높고, 이해관계가 복잡하고, 되돌리기 어려운 결정일수록 사람의 판단이 핵심입니다. 5년 후에도 이것은 변하지 않습니다. 오히려 AI가 더 많은 선택지를 더 빠르게 제시할수록, ‘어떤 선택지를 고를 것인가’의 판단 부담은 커집니다.

책임(5화): ‘AI가 시킨 대로 했어요’가 면책이 되지 않는 세계에서, 최종 책임을 지는 것은 사람입니다. 금융 규제, 의료 안전, 법적 분쟁 — 이런 영역에서 ‘누군가가 책임을 진다’는 구조는 사회적 계약이며, AI에게 이전할 수 없는 것입니다. 5년 후에는 이 원칙이 더 명문화되고 제도화되어 있을 것입니다.

신뢰 구축(7화): 거래의 핵심은 신뢰입니다. 사람 간의 신뢰는 시간과 경험의 축적으로만 형성되며, AI가 대리할 수 없습니다. 금융 거래에서 상대방의 의중을 읽고, 장기적 관계를 쌓고, 위기 상황에서 파트너로 함께하는 것. 5년 후에도 이것은 고스란히 사람의 몫입니다.

맥락 읽기(8화): 데이터에 담기지 않는 정보 — 조직의 정치, 개인의 상황, 문화적 뉘앙스, 역사적 경위 — 를 읽는 능력은 AI의 근본적 한계 너머에 있습니다. AI가 처리하는 것은 명시적으로 기록된 정보이지만, 현실 세계의 결정에 영향을 미치는 정보의 상당 부분은 명시적으로 기록되지 않습니다.

창의적 도약(9화): AI는 기존 데이터의 보간에 탁월하지만, ‘아직 존재하지 않는 것’을 상상하는 외삽은 사람의 영역입니다. 5년 후에도 AI는 ‘이전에 본 적 없는 조합’을 만들어낼 수 있겠지만, 그 조합에 의미를 부여하고 현실에 착근시키는 것은 사람입니다.

5년 후에도 변하지 않는 것의 공통점

위의 다섯 가지를 관통하는 공통점이 있습니다. 모두 ‘정답이 없는 상황’에서 작동하는 능력이라는 것입니다.

AI가 잘하는 것은 ‘정답이 있는 문제’를 빠르게 푸는 것, 또는 ‘패턴이 있는 데이터’에서 그 패턴을 찾는 것입니다. 하지만 현실의 비즈니스 의사결정, 인간관계, 위기 관리, 윤리적 딜레마 같은 영역에는 ‘정답’이 없습니다. 있는 것은 상충하는 가치들 사이의 균형점이고, 그 균형점은 상황·맥락·관계에 따라 다릅니다.

5년 후의 AI가 지금보다 훨씬 뛰어나다 해도, ‘정답이 없는 상황에서 방향을 정하는 일’은 여전히 사람의 영역입니다. 그리고 AI가 ‘정답이 있는 일’을 모두 가져갈수록, 사람의 시간은 자연스럽게 ‘정답이 없는 일’에 집중됩니다. 이것은 위협이 아니라 기회입니다.

금융IT에서 남을 핵심 역할 — 구체적 예시

제가 일하는 금융IT 분야에서, 5년 후에도 확실하게 남아 있을 역할들을 좀 더 구체적으로 짚어보겠습니다.

리스크 판단자. AI가 위험 점수를 매기고, 이상 거래를 탐지하고, 시나리오 시뮬레이션을 돌려줍니다. 하지만 ‘이 리스크를 수용할 것인가, 회피할 것인가’를 결정하는 것은 사람입니다. 금융 리스크에는 정량화할 수 없는 요소 — 규제 변화 가능성, 시장 심리, 경쟁사 움직임, 지정학적 리스크 — 가 항상 존재하며, 이것들을 종합해서 판단하는 것은 사람의 영역입니다.

제도 설계자. 금융 규제는 기술 발전보다 항상 느리게 움직입니다. 새로운 기술이 등장할 때마다 ‘기존 규제 프레임워크 안에서 이것을 어떻게 수용할 것인가’를 설계하는 일이 생깁니다. AI가 규제 문서를 분석하고 유사 사례를 찾아줄 수는 있지만, ‘이 기술을 금융 시스템에 도입할 때 어떤 안전장치가 필요한가’를 설계하는 것은 사람입니다.

위기 대응 리더. 시스템 장애, 보안 사고, 시장 급변 같은 위기 상황에서 팀을 이끌고 의사결정을 하는 역할입니다. AI가 대안을 제시하고 시뮬레이션을 돌려줄 수 있지만, 불완전한 정보 하에서 빠르게 결정을 내리고, 그 결정의 결과를 책임지고, 팀의 사기를 유지하는 것은 사람만 할 수 있습니다. 특히 금융 시스템 장애는 실시간으로 금전적 피해가 발생하기 때문에, 판단의 속도와 정확성이 모두 요구됩니다. AI에게 ‘판단 시간 3분’을 주면 훌륭한 분석을 내놓겠지만, 그 3분 동안 발생하는 피해를 책임질 수는 없습니다.

고객 관계 관리자. 4화에서 이야기한 ‘끝맺음’의 역할이 여기 해당합니다. 고액 자산 관리, 기업 금융, 복합 금융 상품 같은 영역에서 고객과의 장기적 신뢰 관계를 구축하고 유지하는 것. 고객이 자신의 재정적 불안을 AI 챗봇이 아닌 사람에게 이야기하는 이유는, 공감과 책임이 있기 때문입니다.

Part 3. 새로 생길 일 — 아직 이름 없는 역할들

기술 혁명은 항상 예상 못한 직업을 만든다

인터넷이 등장했을 때 ‘소셜 미디어 매니저’나 ‘SEO 전문가’를 예측한 사람은 없었습니다. 스마트폰이 나왔을 때 ‘앱 생태계 전략가’나 ‘UX 리서처’를 예측한 사람도 드물었습니다. AI 시대도 마찬가지입니다. 5년 후에 존재할 직업 중 상당수는 지금 이름이 없습니다.

그래도 방향성은 읽을 수 있습니다. 열한 편의 글에서 반복적으로 등장한 ‘새로운 필요’를 연장하면, 윤곽이 드러납니다.

1. AI 행동 감사관 (AI Behavior Auditor)

5화에서 ‘AI가 시킨 대로 했어요’의 위험을 이야기했습니다. 5년 후에는 AI가 내린 판단의 이력을 추적하고, 그 판단이 조직의 가치·규정·윤리 기준에 부합하는지 감사하는 전문 역할이 생깁니다.

지금도 금융 분야에는 ‘모델 검증(Model Validation)’ 팀이 있습니다. 신용 평가 모델이나 리스크 모델이 규제 요건을 충족하는지 독립적으로 검증하는 역할입니다. 5년 후에는 이 역할이 훨씬 넓어집니다. AI가 고객에게 추천한 상품의 적합성, AI가 내린 대출 심사 결정의 공정성, AI가 작성한 보고서의 정확성을 상시적으로 감사하는 것입니다.

이 역할이 흥미로운 이유는, 기술과 윤리의 교차점에 위치하기 때문입니다. 코드를 읽을 수 있어야 하고, 통계를 이해해야 하며, 동시에 규제·윤리·사회적 맥락을 판단할 수 있어야 합니다. 순수한 기술 직군도, 순수한 규제 직군도 아닌, 둘 사이의 새로운 전문성입니다.

2. 인간-AI 협업 설계자 (Human-AI Collaboration Designer)

3화에서 ‘AI 잘 쓰는 팀의 비밀은 피드백 루프’라고 했습니다. 5년 후에는 이 피드백 루프를 전문적으로 설계하는 역할이 있습니다.

지금 우리는 AI 도구를 ‘있는 그대로’ 쓰고 있습니다. 도구가 제공하는 인터페이스에 맞춰 우리의 업무 방식을 조정하는 형태입니다. 하지만 5년 후에는 반대가 됩니다. 조직의 업무 방식에 맞춰 인간-AI 협업 프로세스를 맞춤 설계하는 것입니다.

이 역할은 다음과 같은 질문에 답합니다. “이 업무에서 AI가 초안을 잡고 사람이 검토하는 것이 나은가, 아니면 사람이 방향을 잡고 AI가 확장하는 것이 나은가?” “판단 권한을 어느 수준까지 AI에게 위임하고, 어느 시점에서 사람이 개입해야 하는가?” “AI의 출력에 대한 피드백을 어떤 주기와 형식으로 수집해야 AI의 성능이 개선되는가?”

10화에서 신입에게 ‘왜’를 가르쳐야 한다고 했는데, 이 역할은 바로 그 ‘왜’를 조직 수준에서 설계하는 것입니다. 신입이 AI의 답을 그대로 쓰지 않고 비판적으로 검토할 수 있도록, 그런 업무 흐름 자체를 설계하는 사람.

3. 맥락 엔지니어 (Context Engineer)

8화에서 ‘행간’의 중요성을 이야기했습니다. AI가 읽지 못하는 맥락이 있다고. 5년 후에는 이 문제를 정면으로 다루는 역할이 생깁니다.

맥락 엔지니어는 조직의 암묵지(暗黙知) — 문서화되지 않은 관행, 역사적 경위, 인간관계의 역학, 조직 문화의 뉘앙스 — 를 AI가 활용할 수 있는 형태로 구조화합니다. 완전한 명시화가 불가능한 것은 사실이지만, ‘어떤 맥락을 어느 수준으로 AI에게 전달하면 출력의 품질이 유의미하게 올라가는가’를 실험하고 최적화하는 것입니다.

이것은 단순한 ‘프롬프트 엔지니어링’을 넘어서는 것입니다. 프롬프트 엔지니어링이 개별 질문의 품질을 높이는 것이라면, 맥락 엔지니어링은 조직 전체의 AI 활용 품질을 높이는 기반 구조를 만드는 것입니다. 회사의 의사결정 원칙, 과거의 실패 사례, 고객층의 특성, 규제 환경의 변화 이력 같은 것들을 체계적으로 정리하고, AI가 이를 참조할 수 있도록 하는 것입니다.

4. AI 안전망 운영자 (AI Safety Net Operator)

2화에서 ‘휴먼 인 더 루프’의 정확한 의미를 풀었습니다. 사람이 루프 안에 있는 것은 ‘감시’가 아니라 ‘안전망’이라고. 5년 후에는 이 안전망을 전문적으로 운영하는 역할이 있습니다.

AI 시스템이 점점 더 많은 자율성을 갖게 되면서, ‘어디까지 자율적으로 진행하게 하고 어디서 사람이 개입할 것인가’의 경계 설정이 중요해집니다. 이 경계는 고정된 것이 아닙니다. AI의 성능이 향상되면 자율 범위를 넓히고, 새로운 유형의 오류가 발견되면 좁히는 동적 조정이 필요합니다.

금융 분야에서 이것은 특히 중요합니다. AI가 소액 결제를 자동 승인하다가, 특정 패턴이 감지되면 사람이 확인하고, 고액 거래는 무조건 사람이 최종 승인하는 식의 계층적 구조가 이미 있습니다. 5년 후에는 이 구조가 훨씬 정교해지고, 이를 설계·운영·조정하는 것이 독립적인 전문 역할이 됩니다.

5. AI 시대의 교육 설계자 (Learning Architect for AI Era)

10화에서 신입 교육의 변화를 이야기했습니다. 5년 후에는 ‘AI와 함께 일하는 방법’을 가르치는 것이 모든 교육의 기본이 됩니다. 하지만 이것은 단순히 ‘AI 도구 사용법’을 가르치는 것이 아닙니다.

핵심은 ‘판단력 교육’입니다. AI가 제시한 답을 어떻게 평가할 것인가, AI에게 어떤 질문을 던져야 하는가, AI의 답이 틀렸을 때 어떻게 알 수 있는가, AI가 못하는 것은 무엇인가. 이런 것들을 체계적으로 가르치는 교육 프로그램을 설계하는 역할입니다.

특히 금융처럼 오류의 비용이 큰 분야에서는, 신입이 AI를 ‘의심 없이 신뢰하는’ 것과 ‘합리적으로 의존하는’ 것의 차이를 정확히 이해하게 만드는 것이 중요합니다. 이것은 기존의 기술 교육과는 완전히 다른 종류의 교육 설계를 요구합니다.

공통점 — 경계에 선 사람들

새로 생길 다섯 가지 역할의 공통점이 보이시나요? 모두 ‘경계(boundary)’에 위치합니다. 기술과 윤리의 경계, 인간과 AI의 경계, 자율과 통제의 경계, 암묵지와 명시지의 경계, 기존 교육과 새로운 역량의 경계. 5년 후의 새로운 직업은 이 경계들을 관리하는 사람들입니다.

그리고 이 경계 역할에는 하나의 공통 자질이 요구됩니다. 양쪽을 모두 이해하는 능력. 기술도 알고 비즈니스도 아는 사람, AI의 작동 원리도 이해하고 인간의 심리도 이해하는 사람, 데이터도 읽을 수 있고 맥락도 읽을 수 있는 사람. 흔히 ‘T자형 인재’라고 부르는데, 5년 후에는 T자의 가로선이 더 넓어져야 합니다.

Part 4. 변화의 속도 — 5년은 길고도 짧다

기술 발전은 빠르지만, 조직 변화는 느리다

기술 예측에서 흔히 빠지는 함정이 있습니다. 기술의 발전 속도와 사회의 적응 속도를 혼동하는 것입니다. AI 기술이 5년 안에 획기적으로 발전할 것은 거의 확실합니다. 하지만 그 기술이 실제 업무 현장에 완전히 스며드는 것은 다른 문제입니다.

제가 20년간 목격한 패턴이 있습니다. 새로운 기술이 등장하면 다음 순서를 밟습니다.

첫째, 과대 기대 단계. “이 기술이면 모든 게 바뀐다”는 열풍. 둘째, 환멸 단계. “기대만큼 안 되네, 과장이었어”라는 실망. 셋째, 현실 적응 단계. 과대 기대와 환멸 사이 어딘가에서, 조용히 그리고 확실하게 일하는 방식이 바뀌는 시기.

AI는 지금 첫째와 셋째가 동시에 진행되는 독특한 상황입니다. 어떤 영역에서는 아직 과대 기대 속에 있고, 다른 영역에서는 이미 조용히 현실에 녹아들고 있습니다. 5년 후에는 대부분의 영역이 셋째 단계에 있을 것입니다. 하지만 ‘대부분’이지, ‘전부’는 아닙니다.

금융 분야의 특수성 — 규제라는 감속기

금융 분야에는 다른 분야에 없는 강력한 감속기가 있습니다. 규제입니다.

AI가 고객의 투자 판단을 대신한다면, 그것은 투자 자문에 해당하는가? AI가 대출 심사를 자동화한다면, 공정성을 어떻게 보장하는가? AI가 시장 데이터를 분석해 자동 매매를 한다면, 시장 조작과의 경계는 어디인가? 이런 질문들에 대한 규제 프레임워크가 완성되기까지는 기술 발전보다 훨씬 긴 시간이 걸립니다.

이것은 금융 분야 종사자에게 양면적입니다. 한편으로는 급격한 변화에 대한 완충 기간을 제공합니다. ‘갑자기 일이 사라지는’ 시나리오는 규제 때문에 현실적이지 않습니다. 다른 한편으로는 ‘적응해야 할 시간이 더 있다’는 안주를 유발합니다. 규제가 감속기 역할을 하는 동안 미리 준비하지 않으면, 규제가 풀리는 순간 변화의 충격이 더 클 수 있습니다.

제 경험으로는, 금융 분야에서 AI로 인한 역할 변화가 본격화되는 시점은 지금으로부터 3~5년 사이입니다. 기술은 이미 준비되어 있고, 규제 프레임워크가 윤곽을 잡기 시작하는 시점이 그때쯤입니다. 그 시점에서 ‘사라질 일’은 갑자기가 아니라 한꺼번에 사라지고, ‘새로 생길 일’은 갑자기가 아니라 한꺼번에 가시화됩니다.

변화에 대비하는 현실적 타임라인

그래서 5년이라는 시간을 어떻게 쓸 것인가가 중요합니다. 제가 제안하는 현실적 타임라인은 이렇습니다.

지금~1년. AI 도구를 일상적으로 사용하는 습관을 만들어야 합니다. ‘가끔 써보는’ 것과 ‘매일 쓰는’ 것의 차이는 생각보다 큽니다. 매일 쓰다 보면 AI가 잘하는 것과 못하는 것의 경계가 체감으로 잡힙니다.

1~2년. 자신의 업무에서 ‘사라질 부분’과 ‘남을 부분’을 식별해야 합니다. 이 글의 Part 1과 Part 2를 자기 맥락에 대입해보세요. ‘내 업무 시간의 몇 퍼센트가 번역 레이어에 쓰이고 있는가?’ 그 시간이 비면 무엇을 채울 것인가?

2~4년. Part 3에서 소개한 ‘새로운 역할’ 중 자신에게 맞는 방향을 선택하고 역량을 쌓아야 합니다. 한 가지를 전문적으로 파는 것보다, 여러 영역의 경계에서 연결 능력을 기르는 것이 유리합니다.

4~5년. 변화가 본격화되는 시점입니다. 이때까지 준비한 사람과 그렇지 않은 사람의 차이가 가시적으로 드러납니다.

Part 5. 시리즈를 마무리하며 — 열두 편의 결론

하나의 문장으로

열두 편에 걸쳐 제가 하고 싶었던 이야기를 하나의 문장으로 줄이면 이렇습니다.

AI는 ‘무엇을(what)’ 할지를 알려주지만, ‘왜(why)’ 해야 하는지와 ‘어떤 결과를 감당할 것인지(so what)’는 사람만 답할 수 있다.

1화에서 AI 도입 후 더 바빠진 현실을 고백했을 때, 그 바쁨의 본질은 ‘AI가 빠르게 쏟아내는 what에 대해 why와 so what을 판단하는 일’이 폭증한 것이었습니다. 그리고 열한 편에 걸쳐 풀어낸 피드백 루프, 책임, 판단, 신뢰, 맥락, 창의, 교육, 시니어의 역할 — 이 모든 것이 결국 why와 so what의 다양한 얼굴이었습니다.

시리즈 전체를 관통하는 다섯 가지 원칙

열두 편의 내용을 다섯 가지 원칙으로 응축합니다. 이것이 이 시리즈의 최종 메시지입니다.

원칙 1. AI의 출력은 시작점이지, 종착점이 아니다.

AI가 주는 답을 ‘완성품’으로 대하는 순간, 사람은 루프에서 이탈합니다. AI의 답은 항상 ‘초안’입니다. 초안을 검토하고, 맥락에 맞게 수정하고, 최종 결정을 내리는 것이 사람의 일입니다. 이것은 AI가 아무리 발전해도 변하지 않습니다.

원칙 2. 책임은 위임할 수 없다.

실행은 AI에게 맡길 수 있지만, 그 실행의 결과에 대한 책임은 사람이 집니다. ‘결정권’과 ‘책임’은 같이 움직여야 합니다. AI에게 결정을 맡기면서 책임도 AI에게 전가하려는 시도는 반드시 실패합니다.

원칙 3. 신뢰는 시간의 함수다.

AI가 아무리 정확해도, 사람 간의 신뢰를 AI가 대리할 수 없습니다. 신뢰는 시간과 경험의 축적으로만 형성됩니다. AI 시대에 ‘사람과의 관계’는 더 비싸지고, 따라서 더 가치 있어집니다.

원칙 4. 맥락은 데이터가 아니다.

AI가 처리하는 것은 데이터이지만, 현실의 의사결정에 필요한 것은 맥락입니다. 맥락은 데이터로 완전히 환원할 수 없는 것 — 역사, 관계, 문화, 감정, 직관 — 을 포함합니다. 맥락을 읽는 능력은 AI 시대의 가장 희소한 자원입니다.

원칙 5. 변화에 적응하는 것이 아니라, 변화를 설계하라.

AI가 가져오는 변화에 수동적으로 적응하는 것과, 그 변화의 방향을 능동적으로 설계하는 것은 다릅니다. ‘어떤 일을 AI에게 맡길 것인가’를 AI가 결정하게 두지 마세요. 그것을 결정하는 것이야말로 사람이 해야 할, 가장 중요한 일입니다.

20년차 개발자의 솔직한 전망

마지막으로, 개인적인 이야기를 하겠습니다.

20년간 이 업계에서 일하면서, 기술 변화의 파도를 여러 번 맞았습니다. 클라이언트-서버에서 웹으로, 웹에서 모바일로, 온프레미스에서 클라우드로. 매번 ‘기존의 일이 사라진다’는 불안이 있었고, 매번 새로운 일이 생겼습니다. 그리고 매번 살아남은 사람들의 공통점이 있었습니다.

기술 자체가 아니라, 기술을 ‘왜’ 쓰는지를 이해한 사람들이 살아남았습니다.

특정 프로그래밍 언어를 깊이 파서 살아남은 것이 아닙니다. 특정 프레임워크의 전문가여서 살아남은 것도 아닙니다. ‘이 기술이 비즈니스 문제를 어떻게 해결하는가’를 이해하고, 그 이해를 바탕으로 새로운 기술이 나왔을 때 빠르게 적용할 수 있는 사람들이 살아남았습니다.

AI 시대도 다르지 않을 것입니다. AI 도구의 사용법을 외우는 것보다, ‘AI를 통해 어떤 문제를 해결할 것인가’를 생각하는 사람이 살아남을 것입니다. 그리고 그 ‘문제’는 항상 사람에게서 옵니다. 고객의 불편, 팀의 비효율, 시장의 변화, 사회의 요구. 문제를 발견하고 정의하는 능력 — 이것이 AI 시대에 가장 가치 있는 능력입니다.

불안은 자연스럽다, 하지만

이 시리즈를 쓰는 동안 많은 분들이 비슷한 질문을 보내주셨습니다. “제 일도 곧 사라지나요?” “어떤 걸 배워야 하나요?” “AI 시대에 살아남으려면요?”

불안은 자연스럽습니다. 저도 불안합니다. 20년간 쌓아온 기술적 전문성 중 상당 부분이 AI에 의해 일반화되는 것을 보면서, ‘나의 가치는 어디에 있는가’를 매일 질문합니다.

하지만 이 시리즈를 쓰면서 확신하게 된 것이 있습니다. 사람의 가치는 ‘무엇을 아는가’에서 ‘어떻게 판단하는가’로 이동하고 있다는 것. 그리고 이 이동은 위협이 아니라 해방이라는 것.

솔직히, 반복적이고 기계적인 일에서 벗어나서, 판단하고 연결하고 창조하는 일에 더 많은 시간을 쓸 수 있다면, 그것은 더 의미 있는 일하는 방식이 아닌가요? AI가 ‘무엇을’의 실행을 가져가는 대신, 우리에게 ‘왜’와 ‘어떻게’에 집중할 시간을 돌려주는 것이라면요.

물론, 전환기의 고통은 실재합니다. 모든 사람이 같은 속도로 적응할 수 없고, 구조적으로 취약한 위치에 있는 사람들이 더 큰 충격을 받을 수 있습니다. 이것을 간과하고 ‘긍정적으로만 보자’고 하는 것은 무책임합니다. 전환기의 비용을 사회가 어떻게 분담할 것인가는, AI 시대의 가장 중요한 정치적·사회적 질문입니다. 그리고 그 질문에 답하는 것도 — 역시나 — 사람의 일입니다.

독자 여러분에게 — 세 가지를 부탁드립니다

열두 편을 마무리하며, 독자 여러분에게 세 가지를 부탁드립니다.

첫째, AI를 매일 쓰세요. 두려움은 무지에서 옵니다. AI를 매일 쓰다 보면, 잘하는 것과 못하는 것이 체감으로 구분됩니다. 그 체감이 곧 판단력이 됩니다. 화려한 데모를 보고 감탄하거나 두려워하는 것보다, 자신의 업무에 직접 적용해보고 한계를 발견하는 것이 훨씬 유익합니다.

둘째, ‘나만의 why’를 찾으세요. AI가 대체하지 못하는 것은 결국 ‘동기’입니다. 왜 이 일을 하는가, 왜 이 문제가 중요한가, 왜 이 방향이 옳은가. 기술은 how를 제공하고, AI는 what을 실행하지만, why는 사람에게서만 나옵니다. 자신의 why가 명확한 사람은 도구가 바뀌어도 흔들리지 않습니다.

셋째, 사람에게 투자하세요. AI 시대에 가장 과소평가되는 투자는 인간관계입니다. 기술 학습에 쓰는 시간의 일부를 동료와의 대화, 멘토링, 커뮤니티 참여에 할애하세요. 7화에서 이야기한 ‘신뢰 자산’은 축적에 시간이 걸리지만, 한번 쌓이면 어떤 기술 변화에도 풍화되지 않는 가장 견고한 자산입니다.

시리즈를 마치며 — 루프는 계속됩니다

이 시리즈의 제목은 ‘휴먼 인 더 루프’였습니다. 루프(loop)는 순환을 의미합니다. AI가 처리하고, 사람이 판단하고, 그 판단이 다시 AI를 개선하는 순환. 이 순환은 끝나지 않습니다. AI가 아무리 발전해도 루프는 멈추지 않고, 다만 루프 안에서 사람이 하는 일의 내용이 바뀔 뿐입니다.

5년 후, 제가 오늘 쓴 이 글을 다시 읽어볼 것입니다. 맞은 것도 있을 것이고, 틀린 것도 있을 것입니다. 하지만 하나는 확실히 맞을 것이라 믿습니다.

사람은 여전히 루프 안에 있을 것입니다.

다만 그 위치와 역할은 달라져 있겠죠. 그리고 그 변화된 역할이 무엇인지를 또 기록하고 공유하는 일 — 그것 역시 사람만이 할 수 있는 일일 것입니다.

열두 편의 긴 여정을 함께해주신 독자 여러분, 감사합니다.

이 시리즈는 끝나지만, 루프는 계속됩니다.

---

시리즈 전체 요약 — 열두 편의 지도

마지막 화를 읽고 이전 편이 궁금하신 분, 또는 전체를 복기하고 싶은 분을 위해 각 화의 핵심을 한 줄로 정리합니다.

• 1화. AI 도입 1년, 더 바빠진 이유 — AI가 실행 속도를 높이면 판단 수요가 폭증한다.
• 2화. ‘휴먼 인 더 루프’의 진짜 뜻 — 감시가 아니라, 의미 있는 개입을 위해 사람이 루프 안에 있는 것이다.
• 3화. AI 잘 쓰는 팀의 비밀 — 도구의 차이가 아니라 피드백 루프의 존재 여부가 갈린다.
• 4화. AI가 끝맺지 못하는 일 — 고객 감정의 마무리, 예외 상황의 종결은 사람만 가능하다.
• 5화. ‘AI가 시킨 대로 했어요’의 위험 — 실행의 위임이 책임의 위임을 의미하지 않는다.
• 6화. 판단의 무게 — AI가 정답을 줘도 선택은 사람이 해야 한다. 판단은 양도 불가능하다.
• 7화. 신뢰라는 자산 — AI 시대에 인간관계의 가치가 높아지는 이유.
• 8화. 맥락이라는 무기 — 데이터에 없는 정보를 읽는 능력이 희소 자원이 된다.
• 9화. 보간 vs 외삽 — AI는 기존의 보간, 사람은 미지의 도약. 창의의 본질이 다르다.
• 10화. 신입에게 가르쳐야 할 것 — 답을 구하기 전에 ‘왜’를 묻는 습관이 먼저다.
• 11화. 시니어의 역할 재정의 — 코드를 짜는 사람에서 방향을 잡는 사람으로.
• 12화. 5년 후의 풍경 — 사라질 일, 남을 일, 새로 생길 일. 루프는 계속된다.

---

이번 주 한 줄 노트: AI가 what을 실행하는 속도가 빨라질수록, 사람의 why가 가치 있어진다. 당신의 why는 무엇인가요?

※ 이 글은 특정 기업이나 조직의 입장이 아닌 개인 경험과 견해를 바탕으로 작성되었습니다. 모든 사례는 익명 처리되어 있으며 실제 특정 조직을 지칭하지 않습니다.

이미지는 Leonardo AI 로 생성되었습니다.

이미지는 Claude AI 로 생성되었습니다.

---