00:00 강의 시작

00:55 LLM 모델과 AI 에이전트 차이점과 핵심 개념

02:50 미래 일자리 보고서 AI로 인한 직업 시장의 변화

08:29 ‘산업별 AI 도입’ 영향력 분석 보고서

10:57 Open AI 가 제시하는 AI 발전 ‘5단계 로드맵’

12:35 직급별 AI 활용도 분석 및 주요 시사점

14:25 인간과 AI의 협업 인간-에이전트 팀의 등장

17:08 조직 구조의 진화 피라미드에서 ‘워크차트’로!

18:28 AI 시대, 성과를 이끄는 “CEO 마인드셋”

21:17 업계 전문가와 현직자 ‘Skill Gap’ 인식의 차이

26:42 AI 시대를 준비하는 커리어 전략 : 산업별 역량 파악

29:31 AI 시대를 살아가는 우리에게 꼭 필요한 자세

1) 5년 전망: “절반이 사라진다”보다 중요한 것

• 초급·반복적 지식노동의 자동화는 현실화된다. 채팅·요약·초안 작성·리서치·QA 같은 업무가 먼저 바뀐다.

• 동시에, 극소수 인원(심지어 1인)으로도 예전 ‘수백 명 팀’이 하던 제품을 만들 수 있는 환경이 형성된다.

• 22세 신입보다 재교육을 회피하는 50~60대가 더 타격을 받을 가능성이 크다. 젊은 층일수록 전환 속도가 강점.

핵심 시나리오

• 팀 구조: 대규모 주니어 채용 → 소수 핵심 인력 + AI 워크플로.

• 커리어 경로: ‘부서별 말단’ → 작게 만들고 크게 배포하는 빌더/창업자.

2) 왜 지금이 “1인 빌더”의 황금기인가

• 최신 모델·툴 체인은 텍스트/이미지/음성/코드 전 영역을 커버한다.

• 인프라·오토메이션 덕분에 기획→디자인→개발→마케팅이 짧은 주기로 수렴한다.

• 결과적으로 소수 인원으로 Billion-scale 임팩트가 가능한 드문 시기.

3) AI를 가르는 네 축(Compute · Data · Algorithm · Product)

3-1. Compute(컴퓨트): 가장 큰 병목은 에너지

• 칩·메모리·네트워킹·랙·데이터센터 건설·허가·전력 수급까지 전 주기 대공사.

• 수요 급증 시 접속 제한/대기열 같은 서비스 병목이 반복될 수 있다.

• 중장기 해법: 더 많은 칩과 기가와트급 전력을 안정 조달, 생산·설치의 자동화.

3-2. Data(데이터): 합성·과제 생성·발견형 학습으로 이동

• 교과서 추가 학습의 한계가 보인다. 이제 모델은 데이터에 없는 것을 배우는 방향(가설→실험→업데이트).

• 사용자와 함께 더 어려운 태스크·환경을 생성해 모델을 단련하는 흐름이 중요해진다.

3-3. Algorithm(알고리즘): 추론 강화로 “작은 모델의 기적”

• 추론 능력 강화를 통해, 로컬·경량 모델도 고성능을 낼 수 있는 돌파구가 나타났다.

• 같은 컴퓨트로 더 똑똑하게, 더 싸게 돌리는 길이 열리며 보급 속도를 끌어올린다.

3-4. Product(제품화): 과학만으론 부족하다

• 사람 손에 쥐여 실제 문제를 푸는 제품으로 이어질 때 사회와 함께 진화한다.

• 모델보다 **경험 설계(온보딩·피드백·신뢰·과금)**가 성공/실패를 좌우한다.

4) 2030 신입을 위한 역량 지도

What > How

• 특정 툴 숙련도보다 문제정의·기획·평가지표 설계가 더 큰 레버리지.

• “이걸 어떻게 만들지”보다 “무엇을 만들어 누구의 어떤 문제를 어떻게 바꿀 것인지”.

추론·시스템 사고

• 프롬프트 한 번보다 체인·루프·도구 호출이 엮인 시스템 프롬프팅이 성과를 만든다.

• 데이터 수집→합성→평가→수정의 폐쇄 루프를 설계하는 감각이 필요.

제품 감각·윤리/거버넌스

• 과장·허상 대신 신뢰 가능한 동작 범위를 명확히 보여 주는 것.

• 프라이버시, 안전장치(정렬), 책임소통을 처음부터 제품요건으로 포함.

5) 6개월 액션 플랜(대학생·입문자 기준)

1주차 — 세팅

• 업무/학습 흐름을 적고, 가장 귀찮은 1단계를 AI로 치환.

• 매일 15분 실험 슬롯 확보(요약/코드/이미지/오디오 중 하루 하나).

2~4주차 — 시스템화

• 자주 쓰는 프롬프트를 모듈화하고, 나만의 미니 에이전트로 고정.

• 결과물은 반드시 내 말투·사례로 재작성(그대로 복붙 금지).

5~8주차 — 공개 프로젝트 2개

• 실제 사용자를 상정한 작은 제품 2개(예: 회의 도우미, 마이크로 자동화).

• 깃허브/노션/블로그에 문제–접근–평가–한계까지 정리.

9~12주차 — 성능 관리

• TOT(생각의 나무)나 체인 기반으로 3가지 접근 생성→A/B 테스트.

• “정확도·속도·비용” 3축 지표판 만들기.

13~24주차 — 확장·협업

• 동료 2~3명과 역할을 나누어 엔드투엔드 제품 한 번.

• 실사용자 20명 인터뷰/피드백 반영→버전 2 배포.

6) 채용·이직 관점: 포트폴리오는 이렇게 보인다

• “무엇을 바꿨나”에 초점: 이전/이후(비용, 시간, 품질) 수치화.

• 리스크 관리: 실패 사례·버그·한계와 그 조치(안전·프라이버시·거부 처리).

• 재현 가능성: 실행 스크립트/프롬프트·데이터 파이프라인 공개(가능한 범위에서).

7) 마음가짐: 도망치지 말고 작게 부딪히기

• 거대한 미래를 예측하는 대신, 작은 실험을 빠르게 반복하자.

• 완벽보다 일주일마다 눈에 보이는 개선을 내는 사람이 결국 앞선다.

끝으로

“절반이 대체된다”는 구호는 공포를 자극하지만, 커리어 전략은 공포가 아니라 설계와 실행이 만든다.

당신이 정의한 문제를, 당신만의 방식으로, 지금 당장 작은 규모로 풀어보자.

그 루프를 6개월만 돌리면—입직 경쟁력은 이미 다른 세계가 된다.

“모든 직업이 대체될까?”

예측은 계속 빗나가고, 결국 남는 건 ‘행동’입니다

한때는 판사·변호사 같은 전문직은 AI가 대체하기 어렵고, 단순 노동부터 치환될 거라 말했습니다. 하지만 지난 20년을 돌아보면 “대체된다/안 된다”는 목록은 몇 년 간격으로 뒤집혔고, 최근 것조차 금세 낡은 예측이 되곤 합니다. 결론은 단순합니다. 직업의 종류가 아니라 ‘일의 방식’이 바뀐다는 사실, 그리고 먼저 행동하는 사람이 기회를 선점한다는 사실입니다.

1) 예측은 틀리고 변화는 빨라진다

• 20년 전, 5년 전, 심지어 1년 전의 “대체 불가” 목록이 오늘 보면 뒤집혀 있습니다.

• 기술의 궤적을 정확히 그리는 건 점점 어려워졌고, 유일하게 확실한 건 변화의 속도뿐입니다.

2) 왜 ‘쓰는 사람’이 이긴다

대부분의 사람은 AI를 “한번 써보고 말아요.” 체감 이익이 즉시 오지 않으면 배움을 미룹니다. 그래서 활용자와 비활용자의 격차는 생각보다 빠르게 벌어집니다.

제가 대학 강의에서 “AI를 반드시 쓰라”고 해도 실제로는 끝까지 안 쓰는 학생이 많습니다. 이유는 단순합니다. 지금도 과제·시험을 ‘어떻게든’ 할 수 있으니까. 그러나 “어떻게든”의 생산성으로는, AI를 파고든 동료의 속도를 따라잡기 어렵습니다.

3) 하우(How)의 시대에서 왓(What)의 시대로

예전엔 포토샵을 “배워야” 디자인을 했습니다. 이제는 무엇(What)을 만들지 명확히 말하면 도구가 구현을 ‘대행’합니다.

이미지·음악·영상·카피라이팅까지, 도구의 숙련도보다 목표 정의와 방향 설정이 더 큰 가치가 되는 흐름입니다.

4) 예술과 ‘피지컬 AI’까지 진입한다

AI는 그림과 음악도 만듭니다. 여기에 로봇·인공근육 등 물리적 영역(피지컬 AI)이 결합되면, 무용·공연·서비스업 같은 ‘몸의 노동’까지 영향을 받습니다.

“그래도 인간의 고유 영역”이라는 믿음은 점점 도전받고 있습니다. 대체의 속도와 범위를 과소평가하지 않는 편이 안전합니다.

5) 정렬(Alignment)과 거부 문제

AI는 사회 규범을 어기는 요청(폭력·불법 등)을 차단하도록 설계됩니다. 이런 규범적 거부는 당연하고 필요합니다.

문제는 규범 외의 영역에서 발생하는 “모델의 자의적 거부”인데, 시장의 선택은 냉정합니다. 사용자가 성능 저하로 느끼는 거부는 도태를 부릅니다. 결국 품질·안전·책임의 균형을 맞춘 모델이 살아남게 됩니다.

6) AI는 인프라가 된다

전기·인터넷처럼 끊기면 사회가 멈추는 인프라가 됩니다. 공공 행정부터 교육·산업 전반으로 스며들 것입니다.

그때 가서 배우기엔 늦습니다. 지금의 시행착오가 자산입니다.

7) 도구는 이미 일상 속으로

• 회의 보조: 실시간 요약·질문 추천·액션 아이템 정리까지 자동화하는 회의 도구들이 폭넓게 쓰입니다.

• 콘텐츠 제작: 이미지·영상 생성·편집, 음성/나레이션, 배경 제거, 스타일 변환 등은 제작의 장벽을 낮춥니다.

• 개인화 음악/미디어: 기분·상황에 맞춘 음악·사운드를 즉석 생성해 쓰는 것도 흔해졌습니다.

핵심은 특정 서비스 이름이 아니라, **“업무 흐름에 어디를 AI로 치환할지”**를 설계하는 시각입니다.

8) 잘 쓰는 법: 질문을 ‘AI에게’ 설계시키라

“좋은 질문이 중요하다”는 말은 맞지만, 초보자에게는 어렵습니다. 방법은 간단합니다.

1. 막연한 목표를 먼저 적기: “이 주제로 3분 스피치를 하고 싶다.”

2. 질문 설계도 요청: “내 목표를 이루려면 무엇을 물어야 하나? 단계별로 프롬프트 목록을 만들어 줘.”

3. 그 프롬프트로 다시 질의: 각 단계 결과를 이어 붙여 작업 완성.

그리고 결과는 반드시 내 언어로 재작성하세요. 원문 그대로 붙이면 “AI 특유의 문체”가 남습니다. 내 용어·사례·감각으로 덮어씌우는 과정이 품질을 가릅니다.

9) 개인 워크플로를 ‘봇’으로 고정

반복 업무가 있다면 나만의 챗봇/에이전트를 만들어 프로세스를 고정하세요.

예: 유튜브 제작 → [주제 입력] → [제목 후보] → [썸네일 카피] → [대본 구조] → [스크립트] → [타임라인·CTA].

매번 새로 묻지 말고 템플릿화하면 속도와 일관성이 올라갑니다.

10) Tree of Thoughts(TOT): 생각의 가지를 늘리기

프롬프트 끝에 “여러 방법으로 생각해 줘”를 명시하면, AI가 해결 경로를 분기해 제시합니다.

정답이 하나인 문제도 접근법은 여러 개일 수 있습니다. 이때 TOT는 내가 못 본 조합을 보여주는 데 강합니다.

11) 창의성은 ‘연결’에서 온다

창의성은 서로 무관해 보이는 것들의 새로운 연결입니다.

매일 아무 두 단어를 뽑아 억지로 연결하는 훈련만으로도 발상이 열립니다. AI는 이 연결 놀이에 탁월합니다. 내 아이디어의 출발점을 AI에 위탁해 보세요. 이후의 선택과 편집은 사람의 몫입니다.

12) 기업가정신(Entrepreneurship), 지금 더 필요하다

앞으로의 세계는 더 복잡하고, 예측 불가능합니다. 막다른 길에서 돌아가는 사람과 뚫고 나가는 사람이 갈립니다.

기업가정신은 회피가 아니라 돌파의 기술입니다. 작게라도 실행하고, 짧게 검증하고, 빨리 전환하는 습관이 결국 자산이 됩니다.

13) “인간이 퇴화한다”는 걱정에 대하여

계산기가 생겨도 인간의 사고가 사라지지 않았듯, 기억의 외주는 생각의 파괴가 아닙니다.

전화번호를 외우지 않아도 우리는 더 많은 것을 배웁니다. AI는 사고의 여유 공간을 만들어 줄 뿐, 우리의 판단과 책임을 대신하지는 않습니다.

지금 시작할 수 있는 7가지 액션

1. 현재 업무 흐름을 적고, 가장 귀찮은 1단계를 AI로 치환해 본다.

2. 자주 쓰는 프롬프트를 문서로 모아 ‘나만의 봇’에 고정한다.

3. 매일 15분 실험 슬롯을 만든다(요약, 회의록, 이미지, 코드 중 하루 하나).

4. 결과물은 반드시 내 말투로 재편집한다.

5. TOT로 3가지 대안을 받아 비교 후 택1 한다.

6. 한 달에 한 번, 업무 전 과정의 자동화 비율을 점검한다.

7. 팀·학생·지인과 베스트 프랙티스를 공유해 집단 학습 속도를 올린다.

맺음말

“직업이 대체되느냐”는 질문은 점점 덜 중요해집니다. 중요한 건 내 일의 어떤 부분이 바뀌고 있는지, 그리고 내가 지금 무엇을 바꾸고 있는지입니다.

AI 시대는 하우가 아니라 왓을 선명히 말하고 실행하는 사람에게 유리합니다. 완벽한 계획보다 작은 실행이, 느린 학습보다 짧은 실험의 반복이 더 멀리 데려다 줍니다.

지금도 선택지는 두 개뿐입니다. 바뀌는 세계를 구경하느냐, 만드는 쪽에 서느냐.

정답은 늘 행동하는 쪽에 있습니다.

기업 AI 개발, 개인정보 활용하려면 일일이 동의 거쳐

식별 정보 수십억 건 특정하고 고지 필요해 개발 어렵

형식적 동의보다 '옵트아웃' 통해 선택권 줘야 합리적

'정당한 이유' 등 수집 가능 기준도 모호..구체화 필요

EU·싱가포르·미국 등은 기준 마련해 개발 환경 조성

방성현 김앤장 법률사무소 변호사(오른쪽에서 여섯 번째)와 김한규 더불어민주당 의원·유니콘팜 공동대표(오른쪽에서 여덟 번째), 배현진 국민의힘 의원·유니콘팜 공동대표(오른쪽에서 일곱 번째) 등 관계자들이 서울 여의도 국회에서 'AI 대전환의 동력, 데이터 활용 입법 개선 과제 토론회'를 진행하고 기념 촬영을 하고 있다. 사진=최혜림 기자

[파이낸셜뉴스] "기업들이 인공지능(AI) 학습에 개인정보를 활용할 때 정보 주체에게 일일이 재동의를 받아야 하는 것은 사실상 개발을 하지 말라는 말과 같다."

기업이 AI 개발에 개인정보를 사용할 때 최초 수집 목적과 다르면 재동의를 받아야 하는 현행 개인정보보호법에 변화가 필요하다는 지적이 제기된다. 수십억 건의 식별 데이터의 주체를 특정하고 이용 목적을 고지해 동의를 받으려면 AI 개발에 속도를 낼 수 없다는 이유에서다.

방성현 김앤장 법률사무소 변호사는 26일 서울 여의도 국회에서 유니콘팜이 주최한 'AI 대전환의 동력, 데이터 활용 입법 개선 과제 토론회'에서 발제자로 나서 이같이 말했다.

방 변호사는 "활용 동의 여부를 물을 때 문구를 살펴보지 않고 동의하는 사용자도 많다. 형식적 동의가 곧 권리를 보장한다고 보기 어려운 이유"라며 "활용 후에 알리고 주체가 옵트아웃으로 선택권을 행사할 수 있도록 하는 방안이 합리적"이라고 제안했다. 옵트아웃은 정보 주체가 명시적으로 정보 활용을 거부한 경우 그 수집이 금지되는 제도다.

개인정보보호법 제15조는 '명백하게' 정보 주체의 권리보다 우선하는 '정당한 이익'이 있다면 정보를 수집할 수 있다고 명시하지만 그마저도 모호하다는 목소리가 나온다. 방 변호사는 "'명백하게', '정당한 이익'이라는 표현에 대한 구체화가 필요하다"고 강조했다. 방 변호사는 "유럽연합 개인정보이사회(EU EDPB)는 '정당한 이익'에 이용자를 보조하기 위한 대화형 에이전트 서비스 개발·사기적인 행위 탐지를 위한 AI 개발 등 특정 사례를 포함할 것을 제안한다"며 "싱가포르는 플랫폼 노동자에게 일을 주는 자동 업무 배정 시스템과 공석 발생 시 채용 후보자를 추천하는 인사 시스템 개발 등 넓은 범위에 개인정보를 활용할 수 있도록 한다"고 설명했다.

이미 공개된 개인정보는 자유롭게 처리할 수 있는 근거를 신설해야 한다고도 했다. 한국은 공개된 개인정보를 처리할 때도 '정당한 이익' 등에 막혀 사용에 제한이 생긴다는 것이다. 방 변호사는 "싱가포르는 공개된 정보는 동의 없이 쓸 수 있도록 규정을 두고 있고 미국은 당초 공개 목적에 부합하지 않게 사용하는 경우를 빼고는 활용을 허용한다. 해외 국가들은 이미 기준을 마련해 사업자의 AI 개발을 돕는 상황"이라며 "제도를 정비하지 않으면 2년 뒤에는 이런 논의조차 무의미해질 정도로 한국은 AI 산업에서 뒤처질 것"이라고 경고했다.

김현경 서울과학기술대학교 정보기술(IT)정책전문대학원 교수도 "개인정보를 보호하는 이유는 정보가 식별되는 것을 막기 위해서인데, 인풋인 학습 단계에서는 특정인 식별 자체가 목적이 아니므로 규제 완화가 필요하다"며 "아웃풋 단계에서 식별 데이터가 유출되는 것은 다른 문제"라고 말했다.

22대 국회에서는 민병덕 더불어민주당 의원과 고동진 국민의힘 의원 각각 발의한 개인정보보호법 일부 개정안이 계류 중이다. 두 법안에 따르면 적법하게 수집한 개인정보를 당초 목적 외로 처리할 수 있다. 정보 주체 이익을 침해할 우려가 낮고 공익 증진을 목적으로 하는 경우, 대통령령으로 정하는 안전장치를 마련한 경우 개인정보보호위원회 심의 의결을 거쳐 정보를 활용할 수 있도록 하는 내용이다.