AI가 일자리를 없앨지, 주 4일제가 가능한지, AI 면접은 공정한지, 기본소득이 필요한지를 각각 찬반으로만 나누면 정작 직장인이 무엇을 확인해야 하는지는 흐려집니다. 이 글은 AI 시대의 일과 소득을 판단하는 네 가지 기준을 정리하고, 제가 실제 업무와 개인 프로젝트에서 AI를 사용하는 방식에 대입해 본 기록입니다.
저는 40대 직장인으로 ChatGPT와 Claude를 주로 사용하고, 필요에 따라 Gemini와 Perplexity도 함께 씁니다. 법령 검토, 논리 점검, 문서 검토가 주된 업무 활용처이며, 취미로는 arbiterOS를 에이전트 방식으로 만들어 보고 있습니다. 다만 회사명과 실명, 업무상 비공개 정보는 공개하지 않습니다.
1. ‘직업이 사라진다’보다 ‘업무가 어떻게 바뀌는가’를 보자
국제노동기구(ILO)의 2025년 보고서는 전 세계 노동자 네 명 중 한 명이 생성형 AI에 어느 정도 노출된 직종에 있다고 봅니다. 그러나 대부분의 직업은 통째로 사라지기보다 사람의 입력과 판단을 남긴 채 업무 구성이 바뀔 가능성이 더 크다고 설명합니다.
OECD와 한국노동연구원의 한국 보고서도 비슷한 질문을 던집니다. AI가 생산성과 인력 부족 문제에 도움을 줄 수 있지만, 혜택과 위험은 업종·기업 규모·노동자에 따라 고르게 배분되지 않을 수 있습니다. 결국 중요한 것은 “AI를 쓰느냐”가 아니라 어떤 업무를 맡기고, 누가 검증하며, 절약된 가치를 어떻게 나누는가입니다.
2. 내가 실제 업무에서 AI에 맡기는 것과 남겨 두는 것
법령이나 문서를 검토할 때 AI에게 최종 결론을 대신 내려 달라고 하지 않습니다. 먼저 쟁점을 나누고, 반대 논리를 찾고, 빠뜨린 조건을 점검하는 보조 역할을 맡깁니다. 과거에는 AI가 이미 개정된 옛 법령을 제시하거나 실제 조문과 맞지 않는 내용을 자신 있게 답한 경험도 있었기 때문입니다.
| 업무 단계 | AI에 맡기는 일 | 사람이 책임질 일 |
|---|---|---|
| 질문 설계 | 쟁점 분해, 확인 항목 제안 | 사실관계와 목적 확정 |
| 자료 탐색 | 관련 법령·판례·공식 문서 후보 제시 | 공식 원문과 시행일 직접 확인 |
| 논리 검토 | 반론, 누락 조건, 모순 탐색 | 적용 가능성과 중요도 판단 |
| 문서 작성 | 초안과 표현 대안 생성 | 정확성·기밀성·최종 문장 책임 |
제가 사용하는 순서는 대체로 다섯 단계입니다. ① 사실관계와 질문을 분리하고, ② AI에게 출처 링크와 기준일을 요구하고, ③ 국가법령정보센터 등 공식 원문에서 조문을 직접 확인하고, ④ 반대 해석과 예외를 다시 질문하며, ⑤ 최종 판단은 사람이 합니다. 개인정보나 회사의 민감한 자료는 입력하지 않는다는 원칙도 별도로 둡니다.
이 과정은 ‘AI가 사람을 대체한다’는 그림과 다릅니다. 반복 탐색과 초안 작성은 빨라질 수 있지만, 검증 시간이 새로 생기며 오류의 책임도 사라지지 않습니다. 따라서 생산성을 계산할 때는 생성 시간만이 아니라 검수·수정·보안 확인 시간까지 합쳐야 합니다.
3. AI 도입을 판단하는 네 가지 기준
| 기준 | 확인 질문 | 나쁜 신호 |
|---|---|---|
| 생산성 | 검수 시간을 포함해 총시간과 품질이 개선됐는가? | 생성 속도만 측정한다 |
| 분배 | 절약된 시간과 비용이 학습·휴식·보상으로 이어지는가? | 업무량만 늘어난다 |
| 공정성 | 평가 기준을 설명하고 사람이 재검토할 수 있는가? | 알고리즘 결과가 곧 최종 결정이다 |
| 전환 비용 | 교육·구독·보안·오류 대응 비용을 포함했는가? | 도구 가격만 비교한다 |
NIST의 AI 위험관리 프레임워크도 공정성, 편향, 개인정보 보호 같은 위험을 한 번 확인하고 끝낼 일이 아니라 문서화하고 계속 추적해야 할 대상으로 봅니다. 회사가 AI를 도입할 때도 “정확도 90%” 같은 숫자 하나보다 어떤 상황에서 실패하며 누가 그 실패를 발견하고 되돌릴 수 있는지를 확인하는 편이 안전합니다.
4. AI 채용과 성과 평가는 왜 더 엄격해야 하나
AI 면접이나 서류 선별은 지원자가 많을 때 속도를 높일 수 있습니다. 하지만 학습 데이터나 대리 변수 때문에 특정 집단에 불리한 결과가 생길 수 있고, 지원자가 왜 탈락했는지 알기 어려워질 수도 있습니다.
미국 고용기회균등위원회(EEOC)는 AI와 자동화 시스템을 이용한 채용 과정에서 보호 대상 집단을 의도적으로 배제하거나 불리한 영향을 주는 문제를 집행 우선순위로 제시했습니다. 이는 미국의 고용차별 제도에 관한 사례이며 한국 법률 자문으로 볼 수는 없습니다. 다만 국내에서 제도를 설계할 때도 다음 질문은 유효합니다.
- 수집하는 정보가 실제 직무 수행과 관련 있는가?
- 장애, 연령, 성별 등과 연관된 대리 변수가 부당하게 작동하지 않는가?
- 지원자에게 AI 사용 사실과 평가 범위를 알리는가?
- 사람이 결과를 재검토하고 이의를 제기할 통로가 있는가?
- 도입 후 집단별 오류와 탈락률을 지속적으로 점검하는가?
5. 직장인을 위한 2주짜리 작은 실험
AI 도입 효과를 거창한 구호 대신 직접 확인하려면 반복 업무 하나로 작게 시작하는 편이 좋습니다. 저는 문서의 논리 점검이나 코드 초안처럼 결과를 비교하기 쉬운 일을 대상으로 삼습니다.
- 기준선 기록: AI 없이 걸린 시간, 수정 횟수, 빠뜨린 항목을 3회 이상 기록합니다.
- 사용 범위 고정: 초안, 요약, 반론 찾기처럼 AI 역할을 한두 가지로 제한합니다.
- 검수 시간 분리: 답변 생성 시간과 사실 확인·수정 시간을 따로 적습니다.
- 품질 확인: 속도뿐 아니라 오류, 재작업, 설명 가능성, 스트레스를 함께 비교합니다.
- 중단 조건 설정: 민감정보 입력 위험이나 반복 오류가 발견되면 즉시 기존 방식으로 돌아갑니다.
2주 뒤에도 총시간이 줄고 품질이 유지되며 보안 원칙을 지킬 수 있다면 그때 절차를 문서화합니다. 반대로 검수 부담이 더 크다면 유료 구독을 늘리기보다 사용 범위를 줄이는 것이 합리적입니다.
6. 바이브코딩 부업은 ‘가능성’과 ‘수익 보장’이 다르다
요즘에는 대화로 코드를 받아 붙여 넣는 수준을 넘어, 에이전트가 파일을 수정하고 테스트를 반복하는 방식으로 개인도 빠르게 시제품을 만들 수 있습니다. 저도 취미 프로젝트인 arbiterOS를 이런 방식으로 실험하고 있습니다. 이전보다 아이디어를 실제 화면과 기능으로 옮기는 문턱이 낮아진 것은 분명합니다.
하지만 시제품을 만들었다고 곧바로 수익이 생기는 것은 아닙니다. 실제 부업으로 이어지려면 ① 해결할 문제를 구체화하고, ② 잠재 사용자가 돈을 낼 이유를 확인하며, ③ 서버·API·결제 비용을 계산하고, ④ 개인정보·저작권·세금 문제를 검토하고, ⑤ 유지보수 시간을 감당할 수 있어야 합니다.
따라서 저는 “AI로 누구나 쉽게 돈을 번다”가 아니라 작은 비용으로 가설을 시험할 기회가 늘었다고 표현하는 편이 정확하다고 봅니다. 이 블로그에서도 실제 수익이 확인되지 않은 단계는 아이디어나 실험으로 구분해 기록할 예정입니다.
7. 기본소득과 안전망 논의에서 확인할 조건
자동화로 일의 일부가 줄어들 수 있다는 전망은 기본소득, 전환교육, 실업 안전망 논의와 연결됩니다. 그러나 ‘AI가 오니 기본소득이 답이다’ 또는 ‘일자리는 전혀 줄지 않는다’는 식의 단정은 도움이 되지 않습니다.
제도를 평가할 때는 재원, 지급 대상과 금액, 기존 복지와의 관계, 노동 참여에 미치는 영향, 물가와 지역 격차, 시범사업 결과를 나눠 봐야 합니다. 개인의 부업 선택도 마찬가지입니다. 기대 수익만 보지 말고 실패했을 때 잃는 시간과 비용, 본업에 미치는 영향을 함께 계산해야 합니다.
8. 40대 직장인을 위한 체크리스트
- 내 직업 전체가 아니라 반복 업무·판단 업무·대인 업무를 구분했는가?
- AI가 만든 결과를 검증할 공식 출처와 담당자를 정했는가?
- 개인정보와 회사 기밀을 입력하지 않는 규칙이 있는가?
- 생성 시간과 검수 시간을 함께 측정했는가?
- 절약된 시간을 학습, 휴식, 더 나은 판단에 쓸 수 있는가?
- 부업 아이디어를 개발하기 전에 실제 사용자의 문제를 확인했는가?
- 구독료·API 비용·유지보수 시간을 포함해 손익을 계산했는가?
결론: 더 빠른 일보다 더 잘 설계된 일이 중요하다
AI 시대의 좋은 일자리는 단순히 더 빠른 일자리가 아닙니다. 목표가 분명하고, 평가 기준을 설명할 수 있으며, 절약한 가치가 공정하게 배분되고, 사람이 결과를 검토하고 이의를 제기할 수 있는 일자리입니다.
개인에게도 같은 기준이 적용됩니다. AI를 맹신하지 않고 작은 실험으로 효과를 측정하며, 사실과 법령은 공식 원문에서 다시 확인하고, 부업의 가능성과 수익 보장을 구분하는 태도가 필요합니다. 저는 그 과정을 성공담으로 포장하기보다 시행착오와 함께 계속 기록하겠습니다.
참고한 공식 자료
- ILO, Generative AI and Jobs: A 2025 Update
- OECD·한국노동연구원, Artificial Intelligence and the Labour Market in Korea (2025)
- NIST, AI Risk Management Framework Core
- U.S. EEOC, Strategic Enforcement Plan FY 2024–2028
작성자 안내: 저는 AI를 배우며 업무와 개인 프로젝트에 적용하는 40대 직장인입니다. 이 글은 개인적인 학습·경험 기록이며 법률·노무·투자 자문이 아닙니다. 운영 원칙과 검증 방식은 소개 페이지에서 확인할 수 있습니다.