2027년, AI가 다 만드는 시대에 우리는 무엇으로 일하는가
소프트웨어 공장과 전문직, 창작과 채용의 변화 속에서 사람이 붙잡아야 할 판단을 살펴본다.
잘 만드는 것만으로는 부족해졌다
기획서를 쓰고, 디자인을 만들고, 코드를 짜는 데 필요한 시간이 빠르게 줄고 있다. 예전에는 여러 사람이 며칠씩 붙어야 했던 일을 이제 한 사람이 AI와 함께 처리한다. 결과물도 제법 그럴듯하다. 어떤 것은 경험이 쌓인 실무자가 만든 것과 구분하기 어렵다.
여기서 한 걸음 더 나아가고 있다. 사람이 AI에게 작업을 하나씩 시키는 수준을 넘어, 여러 AI가 일을 나눠 받고 결과를 검토하며 다음 단계로 넘기는 구조가 만들어지고 있다. 사람이 잠든 사이에도 일은 계속된다.
이 변화는 단순히 편리한 도구가 하나 늘어난 사건이 아니다. 조직이 사람을 뽑는 기준, 전문성을 인정하는 방식, 창작물에 값을 매기는 기준을 함께 흔든다. 취업을 준비하는 사람도, 사람을 뽑는 담당자도, 팀을 이끄는 리더도 같은 질문 앞에 서 있다.
우리가 오랫동안 경쟁력이라고 믿었던 능력이 빠르고 저렴하게 복제된다면, 그다음에는 무엇이 남는가.
소프트웨어를 만드는 공장이 생겼다
AI 에이전트 개발사 마스트라(Mastra)는 개발할 일을 입력하면 AI가 코드를 작성하고 검토 과정을 거쳐 결과물을 내놓는 ‘마스트라 팩토리’를 만들었다. 회사가 밝힌 바에 따르면 이 시스템은 자사에서 만들어지는 코드 변경 제안의 25–35%를 작성하고, 등록된 작업의 50–60%를 처리한다. 개발자의 타자를 조금 줄여주는 도구가 아니라 개발 업무의 흐름 자체를 나눠 맡기는 시스템이다.
웹 개발 플랫폼 버셀(Vercel)도 소프트웨어 팩토리를 다룬다. 깃허브나 리니어에 등록된 일을 AI 에이전트들이 분류하고, 코드를 작성하고, 검사해 사람이 검토할 수 있는 초안으로 만든다. 오류가 나면 수정하고 다시 확인하는 과정도 포함된다. 이 역시 사람의 판단이 필요 없는 완전 자동 공장이라기보다, 여러 단계의 개발 작업을 AI가 이어서 처리하도록 만든 구조다.
두 사례가 보여주는 방향은 분명하다. 앞으로는 코드를 작성할 줄 아는 것만으로 충분하지 않다. 어떤 제품을 왜 만들어야 하는지, 무엇을 먼저 해결해야 하는지, 만들어진 결과가 실제 문제를 풀었는지까지 판단해야 한다. 동시에 그 판단을 실행할 사람의 수는 이전보다 적어질 수 있다.
이건 개발자에게만 해당하는 이야기가 아니다. 보고서와 광고 소재, 영상과 이미지, 서비스 화면과 사업계획서도 같은 방향으로 가고 있다. 하나를 잘 만들면 비슷한 것을 수십 개, 수백 개 만드는 비용이 떨어진다. 경쟁사가 힘들게 만든 결과물을 참고해 비슷한 수준의 결과를 내놓는 일도 쉬워진다.
물론 모든 결과물을 똑같은 품질로 복제할 수 있다는 뜻은 아니다. 하지만 시장에서 중요한 것은 완벽한 복제가 가능한지보다 고객이 받아들일 만큼 비슷한 결과를 얼마나 빠르고 싸게 만들 수 있는지일 때가 많다. 그 기준을 넘는 순간, 오랫동안 결과물의 희소성으로 유지되던 가격과 일자리가 흔들린다.
시험에서 증명하던 지능도 예외가 아니다
우리는 오랫동안 어려운 시험을 통과한 사람에게 높은 가치를 부여해 왔다. 많은 지식을 정확하게 기억하고, 복잡한 문제를 읽고, 제한된 시간 안에 정답을 찾아내는 능력이 희소했기 때문이다.
그 영역에서 AI는 높은 성과를 보여주고 있다. 독립 벤치마크의 2027학년도 수능 평가에서 9개 모델·설정이 국어와 수학의 모든 선택과목, 영어, 한국사에서 각각 만점을 받았다. API로 평가했으며 영어 듣기는 대본으로 대체했다. 세무사 같은 전문 시험을 두고도, 질문에 답하고 축적된 지식을 적용하는 일의 의미를 다시 생각해야 한다.
이 사실만으로 인간의 지능 전체가 대체됐다고 단정할 수는 없다. 시험 문제를 푸는 일과 현실에서 불완전한 자료를 다루고, 고객의 사정을 파악하고, 판단에 책임지는 일은 다르다. 하지만 시험이 측정해 온 지식 활용 능력의 상당 부분에서 인간이 더 이상 유일한 공급자가 아니라는 사실은 분명하다.
세무사나 회계사 같은 전문직이 내일 당장 사라지지는 않을 것이다. 자격 제도와 법적 책임, 고객의 신뢰가 남아 있기 때문이다. 그러나 직업의 이름이 유지되는 동안에도 그 안의 일은 바뀔 수 있다. 자료를 정리하고, 기준에 맞춰 검토하고, 초안을 작성하는 일이 자동화되면 같은 양의 업무를 처리하는 데 필요한 인원부터 줄어든다.
자격을 가진 전문가가 최종 서명하더라도 그 앞단의 많은 업무는 AI가 처리할 수 있다. 고객이 전문가를 찾아가기 전에 스스로 상당한 수준의 답을 얻는 경로도 늘어난다. 제도가 직업을 보호하는 동안 시장은 다른 길을 만들 수 있다. 전문직이라는 이름이 안전한지보다, 그 이름 안에서 내가 맡아온 일이 얼마나 빠르게 대체될 수 있는지를 봐야 한다.
창작자의 자부심도 시장을 막아주지는 않는다
창작자에게 이 변화는 특히 받아들이기 어렵다. 오랜 시간 쌓은 감각과 기술이 한 사람의 정체성과 깊이 붙어 있기 때문이다. 수없이 고치며 익힌 문장, 몇 년에 걸쳐 찾아낸 화면 구성, 손에 익을 때까지 반복한 표현 방식. 그것이 몇 번의 지시로 비슷하게 재현되는 장면을 마주하면 불쾌하고 억울할 수밖에 없다.
AI가 학습한 데이터의 출처와 창작자의 권리를 둘러싼 문제도 여전히 중요하다. 다만 그 논쟁이 진행되는 동안에도 시장은 움직인다. 창작자가 자기 작업에 쏟은 시간과 애정이 얼마나 큰지와 별개로, 고객은 더 빠르고 저렴하게 필요한 결과물을 얻을 방법을 찾는다.
모든 창작자가 사라진다는 뜻은 아니다. 특정한 사람의 시선과 신뢰를 원해 그에게 일을 맡기는 수요는 남을 것이다. 그러나 시장의 많은 작업은 애초에 한 사람만이 만들 수 있는 작품을 요구하지 않았다. 정해진 목적에 맞춰 일정 수준 이상의 결과물을 제시간에 내놓는 일이었다. 그 영역에서 AI의 결과가 의뢰인의 기준을 충족하기 시작하면, 같은 물량을 만드는 데 필요한 사람은 줄어들 가능성이 크다.
여기서 가장 위험한 반응은 AI의 결과물에 흠이 있다는 이유만으로 변화 전체를 부정하는 것이다. 지금 부족한 부분을 지적하는 일은 필요하다. 하지만 그 결함이 앞으로도 인간의 일자리를 지켜줄 것이라고 믿는 순간, 자신의 일이 어디까지 대체되고 있는지 살필 기회를 놓친다.
창작자의 감각은 여전히 중요하다. 다만 그 감각이 표현을 만들어내는 기술에만 머물러 있다면 방어하기 어려워진다. 무엇을 만들지 결정하고, 누구에게 어떤 경험을 줄지 이해하고, 수많은 결과물 가운데 필요한 것을 골라 끝까지 책임지는 능력까지 확장해야 한다.
취업 준비생에게 필요한 것은 결과물 뒤의 생각이다
취업 준비생에게 이런 이야기는 가혹하게 들릴 수 있다. 입사해서 배우려고 준비해 온 일들이 입사하기도 전에 자동화되고 있으니 말이다. 신입이 맡아 경험을 쌓던 자료 조사와 초안 작성, 단순 구현 업무가 줄어들면 첫 일자리를 얻는 문턱도 높아질 수 있다.
이럴 때일수록 포트폴리오에 무엇을 담을지 다시 생각해야 한다. 보기 좋은 결과물을 만드는 능력은 기본이 된다. AI를 활용해 완성도를 높이는 것도 좋다. 하지만 결과물만 놓고 경쟁하면, 더 빠르게 더 많은 결과물을 만드는 사람과 도구를 만나게 된다.
자신이 어떤 문제를 발견했고 왜 그것을 풀기로 했는지, 처음의 생각이 어디에서 틀렸고 무엇을 보고 방향을 바꿨는지를 설명할 수 있어야 한다. 면접관이 조건을 바꾸거나 예상 밖의 질문을 던졌을 때도 자기 생각을 이어갈 수 있어야 한다.
AI가 만든 답을 외우는 사람과 AI의 답을 검토하며 자기 판단을 발전시킨 사람은 겉으로 비슷한 문서를 제출할 수 있다. 그러나 왜 그 선택을 했는지 묻기 시작하면 차이가 드러난다.
채용은 완성품보다 판단 과정을 봐야 한다
인사 담당자에게도 기존의 평가 방식은 점점 어려워진다. 지원서는 매끄러워지고 포트폴리오는 정교해진다. 하지만 그것만 보고 지원자가 실제로 무엇을 이해하고 있는지 판단하기는 어려워진다.
AI를 썼는지 가려내는 데 집중하는 방법은 오래가기 어렵다. 입사 후에도 AI를 활용할 가능성이 높기 때문이다. 오히려 도구를 쓴 상태에서 어떤 판단을 내렸는지 확인하는 편이 낫다.
제출한 기획안에서 가장 확신이 없었던 부분은 무엇인지, 고객의 반응이 예상과 다르면 무엇부터 확인할지, AI가 제안한 내용 중 버린 것은 무엇이고 왜 버렸는지 물어볼 수 있다. 정답을 맞히게 하기보다 지원자가 근거를 살피고 생각을 바꾸는 모습을 보는 것이다.
조직도 신입에게 바라는 모습을 다시 정의해야 한다. 당장 혼자 결과물을 만들어내는 능력만 평가하면, AI로 가장 번듯한 산출물을 만든 사람이 유리하다. 앞으로 함께 문제를 발견하고 배우며 판단을 발전시킬 사람을 찾으려면 그 과정이 드러나도록 채용을 설계해야 한다.
리더의 일은 숫자와 답변 뒤를 보는 것이다
부장급 리더에게 AI는 반가운 도구이면서 부담스러운 질문이기도 하다. 팀의 생산성이 높아지면 더 적은 시간에 더 많은 일을 할 수 있다. 동시에 지금과 같은 인원과 업무 방식이 계속 필요한지 설명해야 하는 상황도 생긴다.
이때 생산량만 기준으로 팀을 운영하면 중요한 것을 놓친다. 문서는 많이 나왔는데 정작 해결해야 할 문제가 틀렸을 수 있다. 기능은 빠르게 추가됐는데 사용자는 전보다 더 헤맬 수 있다. 대시보드의 숫자는 좋아졌지만 고객이 겪는 경험은 나빠질 수도 있다.
예를 들어 서비스 이용 시간이 늘었다고 해서 사용자가 만족한다고 단정할 수는 없다. 필요한 정보를 찾지 못해 오래 머문 것일 수도 있다. 숫자는 변화가 일어난 곳을 알려주지만, 그 안에서 무슨 일이 있었는지 전부 담지는 못한다.
리더는 팀에 답을 더 빨리 가져오라고 요구하는 동시에, 그 답이 무엇을 놓쳤는지도 물어야 한다. 고객이 실제로 어떻게 행동하는지 살펴보고, 현장의 이야기를 듣고, 숫자가 설명하지 못하는 부분을 확인해야 한다. AI의 제안과 데이터는 판단을 돕지만 결과에 대한 책임까지 대신하지는 않는다.
팀원에게도 생각할 공간이 필요하다. 빨리 만든 보고서와 개선된 수치만 인정하는 조직에서는 누구도 문제의 전제부터 다시 묻지 않는다. 처음 세운 목표가 잘못됐다고 말할 수 있고, 지표가 좋아져도 고객 경험은 나빠졌다고 보고할 수 있어야 한다. 그런 이야기를 듣고 방향을 바꾸는 일은 여전히 리더의 몫이다.
사람은 줄어들 수 있다. 그래서 더 깊이 생각해야 한다
AI 시대를 이야기하면서 모든 사람에게 새로운 기회가 열릴 것이라고만 말하기는 어렵다. 실제로 어떤 일은 사라지고, 어떤 팀은 적은 인원으로 운영될 것이다. 오랫동안 인정받던 기술이 짧은 시간 안에 흔해지는 일도 벌어질 것이다.
그 현실을 인정하는 데서 출발해야 한다. 자신이 해온 일을 무조건 지키려 하기보다 그 일이 고객과 조직에 어떤 가치를 주었는지 다시 살펴야 한다. 결과물을 만드는 과정 중 어디가 이미 자동화될 수 있는지, 그 결과가 쓰이는 현장에서 아직 무엇이 해결되지 않았는지 알아야 한다.
AI에게 어려운 질문을 던지고 그 답을 검토하는 일부터 맡길 수 있다. 자료를 모으고 여러 선택지를 비교하는 데 도움을 받을 수도 있다. 그러나 무엇을 문제로 삼을지, 어떤 결과를 좋은 결과라고 부를지, 그 판단이 누구에게 어떤 영향을 줄지는 끝까지 따져봐야 한다.
2027년에 필요한 사람은 AI를 쓰지 않는 사람이 아니다. AI가 만든 결과를 자기 생각 없이 받아들이지도 않는 사람이다. 누구나 비슷한 것을 빠르게 만들 수 있을 때, 무엇을 만들 가치가 있는지 묻고 실제로 그것이 필요한 사람에게 닿았는지 확인하는 사람. 일의 출발점과 끝을 놓치지 않는 사람에게 다음 역할이 생긴다.