1부에서 살펴본 REA는 AI가 분석 도구를 사용해 프로그램의 동작을 조사하도록 합니다. 이런 사례를 보면 자연스럽게 다음 질문이 생깁니다. AI가 맡을 수 있는 일이 늘어나면, 내가 하는 일에서는 무엇이 달라질까요.
한 직업 안에도 자료 찾기, 문서 작성, 예외 상황 판단처럼 서로 다른 일이 있습니다. 국제노동기구(ILO)는 2025년 보고서에서 사람의 참여가 필요한 일이 많이 남아 있어, AI로 각 직업의 업무 내용이 달라질 가능성이 크다고 봤습니다. 어떤 일이 AI의 영향을 받을 수 있을지 분석한 것으로, 실제로 줄어든 일자리 수를 조사한 결과는 아닙니다. ILO의 AI와 일자리 보고서
REA 사례에서 AI는 도구로 단서를 찾고, 그 결과를 바탕으로 다음 조사를 이어갑니다. 사람이 직접 하던 중간 작업을 AI가 맡기 시작한 것입니다. 다른 업무에서도 자료를 찾고 초안을 만드는 일을 AI에 맡길 수 있다면, 사람에게 남는 판단은 무엇인지 살펴볼 필요가 있습니다.
개발자: 찾은 기능을 어디에 어떻게 쓸 것인가
프로그램을 고칠 때는 먼저 어느 부분이 어떤 일을 하는지 찾아야 합니다. REA의 공개 사례처럼 AI가 관련 부분을 찾고 설명한다면, 개발자는 그 결과를 바탕으로 고칠 곳을 검토할 수 있을 것입니다. 설명이 남아 있지 않은 기능을 이해하거나, 오래된 프로그램의 계산 방식을 새 프로그램에 옮기는 작업에 응용해 볼 수 있습니다.
개발자가 이어서 풀어야 할 문제는 그 기능을 기존 서비스에 어떻게 연결할 것인가입니다. 가령 계산 기능을 새로 만들어도, 예전에 저장한 자료를 제대로 읽어야 합니다. 누가 계산 결과를 볼 수 있는지, 잘못된 값을 넣으면 어떻게 처리할지도 정해야 합니다. 계산 결과가 맞는 기능을 만드는 일에서, 실제 업무에 쓸 수 있는 기능으로 완성하는 일까지 이어지는 것입니다.
이 과정에서 필요한 것은 코드가 하는 일을 읽고 시험하는 능력과, 그 기능을 쓰는 사람에 대한 이해입니다. 기존 자료를 읽는 방법이나 예외 처리의 이유를 함께 남겨야 다음 개발자도 기능을 고치고 이어서 사용할 수 있습니다.
기획·운영·고객지원: 초안을 받은 뒤 무엇을 판단할까
개발 외 업무에서는 어떤 변화가 가능할까요. 2025년 발표된 연구는 한 소프트웨어 회사가 2020~2021년에 AI를 단계적으로 도입한 사례를 분석했습니다. 고객지원 상담원 5,172명의 자료를 살펴보니, 답변과 참고 문서를 제안하는 AI를 도입한 뒤 한 시간 동안 해결한 문의 수가 평균 15% 늘었습니다. 경험이 적은 상담원에게 개선 효과가 더 컸습니다. 고객지원 업무의 AI 도입 연구
이 연구는 REA를 사용한 실험은 아닙니다. 다만 두 사례에는 사람이 다음 행동을 정하는 데 필요한 자료와 중간 결과를 AI가 제공한다는 공통점이 있습니다. REA에서는 프로그램을 조사한 단서가, 고객지원에서는 답변과 참고 문서가 그 역할을 합니다. 상담원은 제안을 채택하거나 고치며 응대를 이어갔습니다. 15%라는 효과는 이 회사의 고객지원 업무에서 관찰한 결과입니다.
기획 업무에 적용한다면 핵심은 해결할 문제의 우선순위가 될 수 있습니다. AI가 고객 의견을 비슷한 내용끼리 묶어 주더라도, 가장 많이 나온 의견부터 처리해야 하는 것은 아닙니다. 화면 색상이 불편하다는 의견과 결제가 되지 않는다는 의견은 발생 횟수뿐 아니라 고객에게 미치는 영향도 함께 따져야 합니다.
운영·고객지원에서는 일반적인 안내로 해결할 수 없는 상황을 알아보는 일이 중요합니다. 예를 들어 AI가 재결제를 안내했는데 고객은 이미 두 번 결제됐다고 말한다면, 결제 내역을 확인하고 담당 부서에 연결해야 할 수 있습니다. 이런 장면은 앞선 연구의 실제 사례가 아니라 업무에 적용해 보는 예시입니다. 기획자는 무엇부터 바꿀지, 운영 담당자는 언제 다른 처리 절차로 넘길지를 판단하는 것입니다.
커리어 준비도 작은 업무에서 시작할 수 있다
새 도구가 나올 때마다 사용법을 모두 익히려면 부담이 큽니다. 우선 자신이 자주 하는 업무 하나를 고르고, 어디에서 시간이 걸리는지 살펴보는 편이 현실적입니다. 자료 찾기인지, 첫 문장 작성인지, 빠진 조건을 확인하는 일인지에 따라 AI에 맡길 과제도 달라집니다.
예를 들어 반복 문의의 답변 초안을 맡겨 봤다면, 초안을 얻는 시간과 고치는 시간을 합쳐 이전 방식과 비교해 봅니다. 빨리 나온 답변이라도 빠진 조건을 찾아 수정하는 데 오래 걸리면 전체 업무 시간은 늘어날 수 있습니다. 어디를 왜 고쳤는지 함께 기록하면, 다음 요청에 필요한 자료와 조건을 더 잘 설명할 수 있습니다.
회사에서 시도할 때는 사용할 수 있는 자료와 실제 업무에 적용할 범위를 먼저 맞춰야 합니다. 처음에는 자주 들어오는 한 종류의 문의처럼 범위를 좁혀, 시간 절감과 답변의 정확성이 함께 나아지는지 살펴볼 수 있습니다.
앞으로 어떤 직무의 수요가 얼마나 바뀔지는 이 사례들만으로 단정하기 어렵습니다. 다만 지금 해볼 수 있는 준비는 있습니다. 내 업무를 작은 작업으로 나누고, AI를 적용한 뒤 결과가 실제로 나아졌는지 설명해 보는 것입니다. 자신이 맡은 분야를 이해하는 힘과 새로운 도구를 시험하는 경험을 함께 쌓는 출발점이 될 수 있습니다.