2027년에는 우리의 일이 얼마나 달라질까요. AI 강연에서 빠지지 않는 질문이지만, 저는 이 질문만 붙들고 있으면 더 중요한 변화를 놓칠 수 있다고 생각합니다.
요즘 평가에서 자주 겪는 장면이 있습니다. 분석 코드는 에러 없이 잘 돌아가는데, “왜 이렇게 처리했어요?”라고 물으면 대답이 막힙니다. AI가 짜 준 코드라서 본인도 그 코드가 무엇을 하는지 모르는, 상당히 위험한 상황입니다.
2027년에는 같은 장면이 보고서, 데이터 분석, 연구 설계, 사업 계획으로 넓어질 수 있습니다. 결과는 넘치는데, 그 결과를 이해하고 책임질 사람은 없는 상태. 제가 가장 먼저 떠올리는 위험은 일자리의 소멸보다 이 장면이고, 기회도 같은 곳에 있다고 봅니다. AI에게 답을 받아내는 사람을 넘어, AI가 더 깊게 생각하도록 작업 구조와 평가 기준을 설계하는 사람에게 기회가 갈 가능성이 큽니다.
ChatGPT나 Gemini, Claude를 웹과 앱에서 열고, 프롬프트를 입력하고, 답을 받는 것 — 지금까지 우리가 AI를 써 온 기본 방식입니다. 이 질문-답 방식만으로 AI 시대를 충분히 대비하고 있다고 생각한다면, 한 번 멈춰 볼 필요가 있습니다.
지금 등장하고 있는 것은 AI가 스스로 사고의 사슬과 작업 과정을 발전시켜 나가는 구조입니다. 저는 이 구조를 이해하는 사람과 그렇지 않은 사람의 차이가 앞으로 선형이 아니라 제곱으로 벌어질 것이라고 확신합니다. 이 글은 바로 그 구조를 이해하고 학습하는 이야기입니다.
그림 1. 2027년의 격차는 AI 사용 여부보다, AI가 일하는 구조를 누가 설계하느냐에서 벌어질 수 있습니다.
30초 핵심#
- 2027년의 AI는 답하는 도구보다 여러 단계의 일을 수행하는 작업 환경에 가까워질 것입니다.
- 직업보다 과업 묶음과 입문 경로가 먼저 바뀌고, 희소성은 생성에서 목표 설정·검증·책임으로 이동합니다.
- 준비할 것은 특정 모델 사용법이 아니라 도메인 지식·질문·하네스·검증·신뢰라는 다섯 자산입니다.
1. 미래는 하나의 숫자가 아니라 확률이 다른 전망으로 읽어야 합니다#
먼저 선을 긋겠습니다. 2027년의 AI를 정확히 맞히는 사람은 없습니다. 그래서 저는 미래를 세 층으로 나눠 봅니다. 비교적 확실한 것 — AI가 문서·코드·검색·분석 도구 안으로 더 깊이 들어가고 대부분의 지식노동자가 AI와 함께 일하게 되는 것. 가능성은 높지만 속도가 불확실한 것 — AI가 여러 도구를 쓰며 긴 과정을 수행하는 에이전트로 확장되는 것. 단정하기 어려운 것 — 특정 직업의 소멸 시점이나 범용지능 완성 연도.
스탠퍼드대 「2026 AI Index」에 따르면 조사 대상 조직의 AI 도입률은 88%까지 올라갔지만, 대부분의 업무 기능에서 AI 에이전트의 실제 배치는 아직 한 자릿수 비율이었습니다.[1] AI 사용은 빠르게 넓어졌지만 조직의 일을 통째로 바꾸는 단계는 이제 시작이라는 뜻입니다. 따라서 이 글의 예측도 선언이 아니라, 지금 신호가 이어질 때 무엇이 먼저 바뀔지, 틀렸다면 어떤 신호로 알 수 있을지 적어 두는 작업입니다.
2. AI는 프롬프트 도구에서 ‘생각의 하네스’로 이동합니다#
지금 많은 사람은 AI를 질문 상자로 씁니다. 질문 하나, 답 하나. 2027년에는 이 방식만으로는 부족할 가능성이 큽니다. 더 중요해지는 것은 모델 주위의 구조 — 목표, 맥락과 기억, 도구, 사람의 검증 지점, 평가 루브릭, 기록과 개선을 연결한 틀입니다. 저는 이것을 **생각의 하네스(harness)**라고 부르겠습니다.
“보고서를 써 줘”라고 한 번 요청하는 것은 프롬프트 사용입니다. 질문을 쪼개고, 신뢰할 출처를 먼저 모으고, 주장마다 반대 근거를 찾고, 계산을 독립적으로 다시 확인하게 하는 것이 하네스입니다. 여기에 좋은 결과의 조건을 항목으로 적은 **루브릭(rubric)**이 들어가면, 결과에서 발견한 맹점을 평가 기준에 추가해 다음 오류를 더 일찍 잡는 학습 구조가 됩니다.
그림 2. 모델이 같아도 하네스를 어떻게 연결하느냐에 따라 결과의 질은 달라집니다.
METR의 연구는 소프트웨어·머신러닝·사이버보안의 잘 정의된 과제에서, AI가 50%의 성공률로 수행할 수 있는 과제 길이가 약 7개월마다 두 배가 된 추세를 보고했습니다.[2] 다만 METR도 현재 과제 묶음으로 16시간을 넘는 측정은 신뢰하기 어렵다고 밝히고 있습니다. 측정 과제 역시 정답 기준이 분명한 기술 업무라서, 이 추세를 직업 자동화율로 곧바로 바꿔서는 안 됩니다. 그럼에도 방향은 중요합니다. AI가 더 긴 일을 맡을수록 사람의 역할은 목표와 경계를 정하고, 중간 점검점을 설계하고, 실패를 되돌리는 것으로 이동합니다. 2027년 말까지 조직의 AI 사용이 단발성 문답에 머문다면 이 전환은 예상보다 느린 것입니다.
3. 직업보다 과업 묶음과 초급자의 성장 경로가 먼저 바뀝니다#
직업은 한 가지 일로 이루어져 있지 않고, AI가 모든 과업을 같은 속도로 가져가지도 않습니다. 국제노동기구(ILO)와 폴란드 NASK의 2025년 분석은 전 세계 노동자 네 명 중 한 명이 생성형 AI에 노출된 직업에 있다고 추정하면서도, 완전한 대체보다 직업 안의 과업이 변형될 가능성이 더 크다고 평가했습니다.[3]
제가 특히 주목하는 것은 입문 경로입니다. 지금까지 초급자는 자료 정리, 첫 초안, 기본 코딩을 하면서 숙련자의 판단을 배웠습니다. 바로 그 과업부터 AI가 맡기 시작하면, 초급자는 결과를 더 빨리 만드는 대신 판단이 자라는 과정을 건너뛸 수 있습니다. 2027년 교육과 조직의 과제는 “AI 금지 여부”가 아니라 AI를 쓰면서도 기본기와 판단 근육을 어떻게 키우게 할 것인가일 가능성이 큽니다. 이것은 관찰된 사실이 아니라 제 전망이며, 초급자의 업무와 평가 방식이 2027년에도 거의 바뀌지 않는다면 수정해야 합니다.
4. 희소성은 답을 만드는 능력에서 목표·검증·책임으로 이동합니다#
답을 만드는 비용이 낮아질수록 희소해지는 것은 네 가지입니다. 무엇을 풀지 정하는 능력, 현장의 맥락을 읽는 능력, 그럴듯한 결과를 의심하고 검증하는 능력, 최종 결정에 이름을 걸고 책임지는 능력. AI는 이것도 도울 수 있지만, 돕는 것과 맡기는 것은 다릅니다.
Microsoft Research 공동 연구진이 지식노동자 319명의 AI 사용 사례 936개를 조사한 연구에서는, AI에 대한 신뢰가 높을수록 비판적 사고 노력이 낮게 보고됐고, 사고의 중심은 생성에서 검증, 통합, 과업 관리로 이동했습니다.[4] 자기보고 설문이라 인과를 증명하지는 않지만, AI를 신뢰할수록 검토가 느슨해질 수 있다는 설계 위험을 보여 줍니다.
AI가 생각을 약하게 만드는가, 깊게 만드는가는 AI 자체보다 우리가 만든 하네스에 달려 있습니다. 첫 답을 그대로 제출하게 만들면 사고를 외주화하고, 반대 가설과 근거 추적을 요구하면 사고를 확장합니다.
5. 우리는 도메인 지식·질문·하네스·검증·신뢰를 준비해야 합니다#
특정 모델의 메뉴를 외우는 것은 오래가는 준비가 아닙니다. 도구가 바뀌어도 남는 다섯 자산을 만들어야 합니다.
- 도메인 지식 — AI의 답이 상식적인 범위에 있는지 판단할 내부 지도. 핵심 개념, 데이터가 만들어지는 과정, 자주 생기는 오류를 설명할 수 있어야 합니다.
- 질문과 성공 기준 — 맡기기 전에 적습니다. 무엇을 결정하기 위한 일인가, 틀렸을 때 비용은, 어떤 증거가 있어야 완료인가. 기준이 없으면 가장 유창한 답이 가장 좋은 답처럼 보입니다.
- 개인 하네스와 루브릭 — 매주 반복하는 업무 하나에 목표·자료·순서·점검 지점·기록을 붙이고, 사실 정확성·원 출처 연결·반대 근거·재현 가능성 항목으로 첫 루브릭을 만듭니다. 실패가 발견되면 프롬프트만 고치지 말고 루브릭도 고칩니다.
- 검증 루틴 — 숫자는 작은 표본으로 손계산, 중요한 사실은 원 출처 확인, 결정 전에 반대 가설과 실패 조건 먼저 기록. 같은 모델의 두 번째 답은 독립 검증이 아닙니다.
- 신뢰와 책임 — 누가 승인했고 무엇을 모르는지 남깁니다. 설명할 수 없는 결과는 중요한 결정에 쓰지 않습니다.
그림 3. 특정 AI 도구보다 오래 남는 준비는 도메인 지식·질문·하네스·검증·신뢰입니다.
이번 달에는 반복 업무 하나만 골라 보십시오. AI 없이 한 번 수행해 시간과 오류를 기록하고, 첫 루브릭을 만들고, AI와 함께 실행하되 검증 지점 두 개를 두고, 놓친 실패 조건을 루브릭에 추가해 다시 실행합니다. 속도만이 아니라 오류와 내 이해도가 함께 좋아졌는지 비교하는 것이 핵심입니다.
이 글의 전망도 같은 방식으로 평가되어야 합니다. 2027년 말까지 에이전트가 비정형 과제에서 신뢰성을 높이지 못하고 초급자의 학습 경로가 거의 바뀌지 않는다면 저는 이 전망을 수정해야 합니다.
마무리 — AI에게 생각을 맡기지 말고, 생각이 깊어지는 구조를 만드십시오#
AI보다 더 빨리 답을 만드는 사람이 되려고 하지 마십시오. AI와 함께 더 좋은 질문을 만들고, 더 엄격하게 검증하고, 결과에 책임지는 사람이 되십시오.
2027년에는 AI를 쓰는 것 자체가 특별하지 않을 것입니다. 차이는 무엇을 맡기지 않았고, 어디에서 사람이 개입하며, 어떤 근거와 평가 기준을 남겼는지에서 생길 것입니다.
여러분의 일에서 가장 먼저 작은 하네스로 만들어 볼 반복 업무는 무엇인가요?
관련 글#
출처#
[1] Stanford Institute for Human-Centered Artificial Intelligence. The 2026 AI Index Report. https://hai.stanford.edu/ai-index/2026-ai-index-report
[2] METR. Task-Completion Time Horizons of Frontier AI Models (updated May 8, 2026); Kwa, T. et al. Measuring AI Ability to Complete Long Tasks. https://metr.org/time-horizons/ · https://arxiv.org/abs/2503.14499
[3] International Labour Organization & NASK. Generative AI and Jobs: A Refined Global Index of Occupational Exposure (2025). https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure
[4] Lee, H.-P. H. et al. (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. CHI ‘25. https://doi.org/10.1145/3706598.3713778
─────────────────────────────── 이해관계 및 책임 고지
이동현은 한국외국어대학교 Social Science & AI융합학부 교수이자 한국인공지능 주식회사(AI Korea Inc.)의 대표입니다. 이 글의 견해는 저자 개인의 것이며, 소속 기관이나 연구과제 발주처의 공식 입장이 아닙니다.
이 글은 일반적인 정보 제공과 교육을 목적으로 합니다. 특정 사안에 대한 자문이나 정책 권고가 아니며, 실제 의사결정의 단독 근거로 사용될 수 없습니다.
사실에 오류가 있다면 알려주십시오. ───────────────────────────────