서론

LLM AI를 둘러싼 논의에서는, **업무 스킬 (work skill)**이 올라간다는 낙관론과 반대로 망가진다는 비관론이 자주 충돌합니다. 하지만 그 대부분은 최초의 정의부터 모호합니다. AI를 사용하여 만든 **결과물 (deliverable)**의 수준과, 인간의 내부에 남는 **항구적 능력 (permanent ability)**을 동일한 것으로 취급하고 있기 때문입니다.

실증 연구가 비교적 일관되게 보여주는 것은, LLM이 직장의 생산성이나 작업 시간, 협업의 형태를 바꾼다는 점입니다. 고객 대응에서는 처리량이 평균 15% 증가했고, 소프트웨어 개발의 세 가지 현장 실험을 종합하면 완료된 태스크 수가 약 26% 증가했으며, Microsoft 365 Copilot(마이크로소프트의 업무 지원 AI)의 현장 실험에서는 이메일 처리 시간이 주당 3.6시간 감소했습니다. 이것은 모두, 업무 방식이 변했다는 이야기입니다.

한편, 이러한 연구만으로는 인간의 업무 스킬 자체가 항구적으로 향상되었다고는 말할 수 없습니다. OECD의 2025년 리뷰에서도 생성형 AI의 효과는 이용자의 경험이나 과제 특성에 강하게 의존하며, 장기적인 사업 효과나 노동자가 AI의 한계를 어디까지 이해하고 있는지에 대해서는 아직 연구상의 공백이 크다고 정리하고 있습니다.

본고의 결론은 명쾌합니다. LLM AI는 세상 사람들의 업무 스킬을 전체로서 높이지도 낮추지도 않습니다. 올라가는 것은 주로 **AI를 포함한 출력 (AI-inclusive output)**이며, 내려가는 것은 일부 국소적인 수작업이나 끈기일 뿐, 총체로서의 업무 스킬은 크게 움직이지 않기 때문입니다. 실제로 일어나는 것은 능력의 형성이 아니라, 능력의 사용법과 가치 배분의 변화입니다.

업무 스킬이란 무엇인가

먼저, 업무 스킬이란 무엇인지 명확히 할 필요가 있습니다. 문장을 빨리 쓸 수 있는 것, 코드를 빠르게 입력할 수 있는 것, 회의 메모를 정리할 수 있는 것은 업무의 일부분이지만, 그것이 곧 업무 스킬의 전체는 아닙니다. 업무에서 정말로 효과적인 것은 문제를 정의하고, 필요 정보를 파악하며, 오류를 감지하고, 우선순위를 정하며, 이해관계를 조정하고, 마지막으로 책임을 지는 능력입니다.

이런 의미에서 업무 스킬은 본래 **단편 기술 (fragmentary skills)**의 모음이 아닙니다. 지식, 문맥 이해, 판단, 설명, 수정, 재발 방지까지를 포함한 종합 능력입니다. 따라서 LLM이 일부 표현 작업이나 검색 보조, 초안 생성을 대신해 준다고 해서, 그것만으로 업무 스킬 전체가 올라갔다고는 말할 수 없습니다. 올라간 것은 기껏해야 일부 마찰이 줄어들었다는 것뿐입니다.

반대로, LLM에 의해 직접 손을 움직이는 양이 줄었다고 해서, 그것만으로 업무 스킬 전체가 망가졌다고도 할 수 없습니다. 실무에서는 원래 가치가 낮은 정형 작업에 시간을 빼앗기던 사람도 많으며, 그 정형 작업을 AI가 덜어낸다 하더라도 판단이나 확인, 조정과 같은 핵심은 여전히 남아 있기 때문입니다. 이 점을 보지 않고 "쓰지 않게 되었으니 능력 저하다"라고 말하는 것은 상당히 거친 논의입니다.

요컨대, LLM 논쟁의 대부분은 인간의 능력이 아니라 작업의 대체를 보며 소란을 피우고 있을 뿐입니다. 인간의 업무 스킬을 논하려면, AI를 제외한 후에도 남는 능력인지, 아니면 AI가 있는 동안에만 유효한 확장 능력인지를 처음에 구분해야 합니다. 이 분리를 하지 않는 논의는 처음부터 절반은 잘못된 것입니다.

이상을 바탕으로, 본고에서 이후 "업무 스킬"이라고 부르는 것은 이 광의의 종합 능력에 한정합니다. 문장 정리의 속도나 검색의 능숙함 같은 단편 기술이 아니라, 그것들을 묶어 책임 있는 최종 판단까지 이끄는 능력을 말합니다. 이하의 모든 논의는 이 광의의 정의에 대해 "올라가는가 내려가는가"를 논하고 있습니다. 단편 기술의 가격이 낮아진 것과 광의의 업무 스킬이 움직인 것을 섞어서 말하지 않기 위한 선언입니다.

LLM이 직접 바꾸는 것은 업무의 출력이다

현장 연구를 보면, LLM이 가장 명확하게 바꾸는 것은 출력 속도와 작업 배분입니다. 고객 대응 대규모 실증에서는 AI 지원을 통해 평균 생산성이 15% 향상되었으며, 특히 경험이 적은 사람일수록 개선 폭이 컸습니다. 소프트웨어 개발에서도 약 4,867명의 개발자를 대상으로 한 세 가지 실험을 통합하면, AI 지원군은 완료된 태스크 수가 26.08% 증가했습니다.

나아가 지식 노동 전반을 대상으로 한 마이크로소프트의 무작위 현장 실험에서는, AI를 잘 활용한 노동자는 이메일에 소비하는 시간을 주당 3.6시간, 비율로 31% 줄였지만, 회의 시간은 유의미하게 변하지 않았습니다. 이는 AI가 업무 그 자체를 마법처럼 재발명한 것이 아니라, 개인이 바꾸기 쉬운 공정만을 먼저 깎아내고 있음을 보여줍니다.

또한, Procter & Gamble (P&G)의 776명을 대상으로 한 실험에서는 AI를 사용하는 개인이 AI 없이 협업하는 2인 팀에 필적하는 성과를 냈으며, 전문 분야별 편차도 약화되었습니다. 여기서 일어나고 있는 것 역시 인간이 다른 사람이 되는 것이 아니라, AI가 **의사적 협업 상대 (Pseudo-collaborative partner)**로서 기능하며 전문 분업의 경계를 넘나드는 출력을 내기 쉽게 만들고 있다는 점입니다.

따라서 LLM이 증명하고 있는 것은 "인간이 강해졌다"는 것이 아닙니다. 더 정확하게는, 인간이 다른 생산 함수 (Production function) 위에서 일하게 되었다는 것입니다. 지금까지 혼자 수행하던 작업의 일부에 저렴하고 즉각적으로 대응하는 보조자가 끼어든 결과, 동일한 사람이 다른 형태로 성과를 낼 수 있게 되었을 뿐입니다. 이는 큰 변화이지만, 여전히 **능력 형성 (Capacity building)**과 동의어는 아닙니다.

왜, LLM AI는 업무 스킬을 높이지 않는가

업무 스킬이 높아지기 위해서는 단순히 일이 편하게 끝나는 것만으로는 부족합니다. 필요한 것은 시행착오 (Trial and error), 오답 경험 (Error experience), 피드백 (Feedback), 재적용 (Re-application), 그리고 상황이 바뀌어도 사용할 수 있는 형태의 일반화입니다. 그런데 직장에서의 LLM 이용은 통상 그 반대입니다. 마감 기한을 지키기 위해 최단 경로로 답을 얻는 것이 우선시되며, 학습을 위해 일부러 멀리 돌아가는 일은 거의 없습니다.

이 점은 AI 지원과 스킬 형성을 정면으로 다룬 2026년의 실험이 상징적입니다. 새로운 비동기 프로그래밍용 라이브러리를 배우는 개발자를 대상으로 한 무작위화 실험(Randomized experiment)에서는, AI 사용이 개념 이해, 코드 독해, 디버깅 능력을 저해했으며, 평균적으로 유의미한 효율 개선도 만들어내지 못했습니다. 전적으로 위임에 가까운 방식을 사용한 참가자들만이 일부 생산성 개선이 있었으나, 그것은 학습을 희생한 결과였습니다.

요컨대, LLM은 정답에 도달하는 지름길이 되기는 쉽지만, 지름길로 도달했다는 사실 자체가 능력의 내면화를 의미하지는 않습니다. 오히려 왜 그 답이 나왔는지를 자신의 머리로 재구성하지 않는 한, 다음에 유사한 문제가 와도 재사용하지 못한 채 끝나버립니다. 직장에서는 이러한 재구성 과정이 생략되기 쉽기 때문에, 업무는 빨라져도 업무 스킬은 올라가기 어렵습니다.

게다가 실무에서는 확보된 시간의 대부분이 훈련에 재투자되지도 않습니다. AI로 1시간을 절약했다 하더라도, 그 1시간 동안 공부하는 것이 아니라 메일을 답장하고, 자료를 수정하고, 다른 안건을 진행하는 것이 일반적입니다. 즉, LLM은 교육 장치로 사용되기보다 **납기 압축 장치 (Deadline compression device)**로 사용됩니다. 납기 압축 장치가 자연스럽게 인간을 성장시킨다고 생각하는 것이 오히려 부자연스럽습니다.

납기 압축 장치로서의 LLM

앞 절의 말미에서 언급했듯이, LLM은 교육 장치가 아니라 납기 압축 장치로 사용됩니다. 이는 개인의 의지 문제라기보다, 현대의 직장이 안고 있는 구조적인 사정의 결과입니다. 구조를 무시하고 "사용법에 따라 학습도 될 수 있다"라고 말해봤자, 그 사용법은 기본 설정(Default)으로 선택되지 않기 때문에 탁상공론에 불과합니다.

첫째, 대부분의 지식 노동자는 업무 시간과 학습 시간을 분리하여 관리할 수 있는 **재량 (Discretion)**을 가지고 있지 않습니다. AI로 1시간이 남더라도, 그 1시간은 상사나 동료, 고객의 입장에서 보면 미사용 생산 능력이며, 즉시 다른 태스크의 투입처로 회수됩니다. 확보된 시간을 자발적인 훈련에 할애하려면 조직 측에서 명시적으로 그 배분을 허용해야 하지만, 거기까지 나아가는 직장은 아직 소수에 불과합니다.

둘째, 학습에는 **의도적인 불편함 (Intentional inconvenience)**이 필요합니다. 스스로 조사하고, 스스로 막히고, 스스로 오답으로부터 돌아오는 과정이야말로 능력을 정착시키는데, AI는 그 과정을 생략하기 위해 도입되었습니다. 즉, AI를 사용하는 순간 학습 장치로서의 조건이 구조적으로 탈락하는 메커니즘이 되어 있는 것입니다. 학습을 위해 일부러 AI를 사용하지 않겠다는 판단을 납기 압박 속에서 유지할 수 있는 사람은 많지 않습니다.

셋째, 확보된 시간의 용처는 **평가 제도 (Evaluation system)**에 의해 강하게 규정됩니다. 평가가 출력량이나 응답 속도에 치우쳐 있는 직장에서는, 확보된 시간을 다음 출력으로 돌리는 것 외에 다른 선택지가 없습니다. 그곳에서는 장기적인 능력 형성보다 단기적인 처리량의 최대화가 합리적인 행동이 됩니다. AI가 있든 없든, 이러한 평가와 학습의 분리가 해소되지 않는 한, 확보된 시간은 훈련이 아닌 추가 태스크로 계속 흘러 들어갑니다.

따라서 납기 압축 장치가 자연스럽게 인간을 성장시킨다고 생각하는 것은 직장의 구조를 무시한 기대입니다. LLM이 학습에도 효과를 발휘하는 조건은 존재하지만, 그것은 기본 설정이 아니라 조직 측의 의도적인 설계에 의해서만 성립합니다. 기본 설정 그대로 방치된 직장에서 LLM은 생산량을 늘릴 뿐, 학습량을 늘리지 않습니다. 여기서 올라가는 것은 출력이지, 업무 스킬이 아닙니다.

왜, LLM AI는 업무 스킬을 낮추지 않는가

한편, LLM 위험론 또한 과장된 측면이 있습니다. 물론 일부 국면에서는 AI에 지나치게 의존함으로써 **이해의 얕음(shallow understanding)**이나 끈기(persistence)의 저하가 발생할 수 있습니다. 실제로 수학적 추론과 독해를 대상으로 한 대규모 무작위화 실험(randomized experiment)에 따르면, AI 지원은 지원 중의 성적은 높이는 반면, AI를 제외한 후의 독자적인 성적은 떨어뜨렸으며 과제에 대한 지속력 또한 약화시켰습니다.

하지만 그것을 그대로 "세상 사람들의 업무 스킬이 전체적으로 낮아진다"라고 단정 짓는 것은 비약입니다. 왜냐하면 현실의 업무는 학교의 연습 문제와는 다르며, AI를 배제한 완전한 단독 수행만으로 이루어지지 않기 때문입니다. 많은 사람은 AI에게 맡길 부분과 스스로 쥐고 있을 부분을 무의식적으로 나누고 있으며, 오류에 대한 책임, 대인 조정(interpersonal coordination), 최종 판단까지는 여전히 인간이 짊어지고 있습니다.

나아가, 원래부터 AI가 없었다면 고도의 문장 작성이나 요약, 초기 설계에 거의 접하지 못했을 사람도 많을 것입니다. 그 사람이 AI를 통해 일단의 초안(draft)을 접하게 되었다 하더라도, 그것은 기존 스킬의 대폭적인 상실이 아닙니다. 상실하기 이전에, 애초에 충분히 가지고 있지 않았기 때문입니다. 이 계층에 대해 "AI가 업무 스킬을 파괴했다"라고 말하는 것은 반사실적 가정(counterfactual)을 지나치게 미화하는 것입니다.

실제로 고객 대응에 관한 대규모 연구에서는 경험이 적은 노동자일수록 AI 도입에 따른 개선 효과가 컸으며, 저자들은 내구적인 학습이나 영어 유창성(fluency)의 개선도 시사하고 있습니다. 즉, 국소적으로는 배울 수 있는 장면도 존재합니다. 올라가는 사례도 있고 내려가는 사례도 있는 이상, 전체가 한 방향으로 침몰한다는 서사는 성립하지 않습니다.

실제로 일어나는 것은 스킬 형성이 아니라 업무의 재배분이다

LLM 도입 후에 실제로 일어나고 있는 것은 **스킬 재고(skill inventory)**의 증감이라기보다, **업무를 묶는 방식(task bundling)**의 변화입니다. Microsoft의 현장 실험이 보여주었듯, AI는 우선 개인이 독립적으로 바꿀 수 있는 행동을 변화시켰으며, 회의와 같이 타인과의 조정이 필요한 부분은 즉각적으로 변화시키지 않았습니다. 이는 AI의 영향이 인간 그 자체보다 업무의 공정 설계(process design)에 먼저 나타난다는 것을 의미합니다.

Procter & Gamble의 실험에서도 AI는 단순히 출력을 빠르게 했을 뿐만 아니라, 연구개발(R&D) 부문과 상업 부문 사이에 존재하던 기능적 사일로(functional silo)를 약화시켰습니다. 전문가들 사이가 아니면 내놓기 어려웠던 균형 잡힌 제안을 AI 이용자가 단독으로도 낼 수 있게 되었기 때문입니다. 여기서 움직이고 있는 것은 각 개인의 내적 능력이 아니라, **전문 지식의 접근 비용(access cost of expertise)**입니다.

따라서 LLM이 바꾸는 것은 "사람이 똑똑해지느냐 어리석어지느냐"가 아닙니다. 더 정확하게는 어떤 기능이 희소하고 어떤 기능이 저렴해지며, 어디에 인간이 달라붙어야 하는가라는 기능의 시장 가치입니다. 문장의 정형화, 요약 초안, 정형 응답, 일반 지식 검색은 저렴해지고, 반대로 문제 설정, 예외 처리, 오답 탐지, 책임 판단은 상대적으로 무거워집니다.

이 변화는 크지만, 그것이 업무 스킬의 총량이 증감했음을 의미하지는 않습니다. 배점이 바뀌었을 뿐입니다. 시험의 출제 범위가 바뀌면 고득점자의 면면은 바뀌지만, 수험생 전체의 지능이 올라갔거나 내려간 것이 아닌 것과 같습니다. LLM 도입 후의 직장에서 일어나고 있는 일도 본질적으로는 그것입니다.

올라가는 사람과 내려가는 사람이 있어도 전체가 움직이지 않는 이유

여기서 중요한 것은, 국소적으로는 올라가는 사람도 내려가는 사람도 분명히 존재한다는 점입니다. AI를 비판적으로 사용하며 초안에서 논점 추출 및 검증으로 나아가는 사람은 일부 업무 능력을 신장시킵니다. 반대로 AI의 답변을 그대로 받아들여 사고를 정지하는 사람은 일부 능력을 둔화시킵니다. 하지만 그 양쪽이 존재한다는 것과 사회 전체의 평균 업무 스킬이 크게 움직인다는 것은 별개의 문제입니다.

평균이 움직이지 않는 가장 큰 이유는 업무 스킬의 토대가 원래 LLM 이전부터 거의 결정되어 있기 때문입니다. 문맥 파악, 추상화, 주의력, 위화감 탐지, 책임감, 대인 조정, 도메인 지식(domain knowledge)의 축적은 단기간의 툴 도입으로 크게 변하는 것이 아닙니다. AI는 그 토대 위에 올라타는 보조 바퀴일 뿐, 토대 자체를 새로 쓰는 장치가 아닙니다.

또한 AI는 저능력자를 단번에 고능력자로 바꾸지 않습니다. OECD 리뷰도 효과가 이용자 경험이나 과제 특성에 의존하며, AI를 그저 위임적으로(delegatively) 사용하기만 해서는 새로운 기능이 자라나지 않는다고 정리하고 있습니다. 반대로 고능력자를 일제히 망가뜨리는 것도 아닙니다. 고능력자는 원래 검증이나 수정, 추상화를 스스로 수행하기 때문에 AI를 사용하더라도 핵심 능력을 놓기 어렵기 때문입니다.

결과적으로 평균이 움직이지 않는다고 말할 수 있는 근거는, 국소적인 증감이 통계적으로 상쇄되기 때문이 아닙니다. 그보다는 광의의 업무 스킬(Work Skill)의 토대 자체가 LLM의 사정거리 밖에 있기 때문입니다. 문맥 파악, 추상화, 위화감 감지, 책임감, 대인 조정, 도메인 지식(Domain Knowledge)의 축적은 몇 달간의 툴 도입으로 바뀌는 것이 아니라, LLM의 유무와는 별개의 시간축에서 형성됩니다. 극단적인 예만 본다면 AI로 성장한 사람도, 퇴보한 사람도 분명히 발견될 것입니다. 하지만 그러한 증감은 토대가 아니라, 토대 위에 올라가는 표층적인 사용법에 대해 일어나고 있을 뿐입니다. 따라서 사회 전체로서 관찰되는 것은 능력 분포의 큰 이동이 아니라, 결과물을 만드는 방식이 바뀌었다는 사실에 그칩니다. 토대가 움직이지 않는 이상, 그 위에 아무리 국소적인 변동이 있더라도 광의의 스킬 총체는 크게 움직일 수 없는 것입니다.

정말로 보아야 할 지표는 무엇인가

이 문제를 제대로 평가하고 싶다면, 보아야 할 지표는 'AI 사용 중의 성과'가 아닙니다. 중요한 것은 AI를 제외한 후의 재현성, 오류 감지 능력, 미지 과제로의 전이(Transfer), 그리고 책임 있는 최종 판단입니다. 이것들이 유지되거나 개선되어야 비로소 인간의 업무 스킬이 올라갔다고 말할 수 있습니다. 반대로, AI 사용 중의 제출물만으로는 판정할 수 없습니다.

이 점에서 시사하는 바가 큰 것이, 지식 노동자 319명을 대상으로 한 Microsoft Research 등의 조사입니다. 그곳에서는 생성형 AI에 대한 신뢰가 높을수록 비판적 사고(Critical Thinking)가 적어지고, 자기 자신의 과업 수행 능력에 대한 자신감이 높을수록 비판적 사고가 많아지는 경향이 보고되었습니다. 즉, AI의 영향은 일률적이지 않으며, 사용자의 태도에 의해 강하게 매개됩니다.

나아가, 생성형 AI와의 협업은 직후의 과업 성적을 높일 수는 있어도, 그 이후의 단독 작업에서의 동기 부여를 유지한다는 보장은 없습니다. 네 가지 실험을 수행한 2025년의 연구에 따르면, AI 협업에서 단독 작업으로 옮겨간 참가자는 그 이후 내재적 동기 부여의 저하가 더 크게 나타났습니다. 이는 업무 스킬의 문제가 단순한 지식량이 아니라, 지속 의욕이나 관여 방식과도 결부되어 있음을 보여줍니다.

따라서 LLM의 시비를 논한다면, '편리한가 위험한가'라는 유치한 이지선다로는 불충분합니다. 보아야 할 것은 누가, 어떤 과제에서, 어떤 감독과 검증을 동반하여 사용하는가입니다. 거기서 비로소 결과물의 개선과 인간의 능력 유지를 양립할 수 있는지가 결정됩니다. 이러한 조건 의존성(Condition Dependency)이야말로 업무 스킬 전체를 한 방향으로 말할 수 없는 이유입니다.

이러한 조건 의존성을 바탕으로, 본고의 주장이 어떠한 관찰에 의해 **기각(Rejection)**될 수 있는지도 명시해 둡니다. 첫째, AI를 제외한 상태에서의 독력 수행 능력이 장기 추적 결과 유의미하게 계속 저하된다는 것이 광범위하게 증명된다면, 본고의 '낮추지 않는다'는 부분은 철회됩니다. 둘째, 미지 과제로의 전이 능력이나 오류 감지 능력이 AI 상용자에게서 비사용자보다 항시적으로 우위에 있음이 증명된다면, 본고의 '높이지 않는다'는 부분은 철회됩니다. 셋째, AI를 제외한 후의 책임 판단의 질이 사용 경험의 길이에 따라 체계적으로 개선됨이 증명된다면, 일어나고 있는 것은 배점의 변경이 아니라 진정한 능력 형성임을 인정해야 합니다. 이러한 조건 중 어느 것도 현시점에서는 충족되지 않았다는 것이 본고의 현상 판단입니다. 향후 이 중 어느 하나라도 뒤집힌다면, 본고의 결론도 그 범위 내에서 수정될 것입니다.

왜 극론만이 유통되는가

그럼에도 불구하고 세상에서 눈에 띄는 것은, LLM이 인간을 천재화한다는 **부스트론(Boost Theory)**인가, 인간을 공동화(Hollowing out)시킨다는 위험론뿐입니다. 이는 가치 창조나 문제 해결에 필요한 세세한 조건에 대한 논의보다, 깃발(슬로건)이 더 유통되기 쉽기 때문입니다. 극론은 짧게 말할 수 있고, 찬반을 모으기 쉬우며, 자신의 입장도 연출하기 쉽기 때문입니다.

게다가 극론은 평가 축을 의도적으로 섞습니다. AI를 포함한 완성물을 보고 '인간의 능력이 올라갔다'고 말하고, AI를 제외한 일부 실패를 보고 '인간의 능력이 망가졌다'고 말합니다. 둘 다 관찰하고 있는 대상이 다릅니다. 대상을 바꿔치기하며 결론만을 단언하기 때문에, 이야기는 화려한 것에 비해 알맹이가 없습니다.

정말로 문제 해결을 원하는 사람이 보는 것은, 어느 공정이라면 AI에 맡겨도 좋고, 어느 공정은 인간이 쥐어야 하는가입니다. 예를 들어 초안 작성, 요약, 후보 나열, 정형화된 응답은 AI로 해도 좋지만, 책임 판단, 사양 확정, 예외 발생 시의 분류, 인과관계 오판 감지는 인간이 쥐어야 한다는 식의 설계입니다. 여기에는 사상 투쟁의 화려함은 없지만, 실무적 가치는 압도적으로 높습니다.

결국, LLM 논쟁의 대부분은 인간의 기술 형성(Skill formation)에 대해 이야기하는 듯 보이지만, 실제로는 입장의 표명이나 감정의 처리를 하고 있을 뿐입니다. 그렇기 때문에 논의는 결과물의 개선과 내적 능력의 변화를 혼동한 채 공전합니다. 그렇기에 높이느냐 낮추느냐라는 이지선다에서 거리를 두는 것 자체가, 우선 지적으로 성실한 태도가 됩니다.

요약

LLM AI가 명확하게 바꾸는 것은 결과물의 생성 속도, 작업 시간의 배분, 협업의 형태, 전문 지식에 대한 액세스 비용(Access cost)입니다. 고객 대응, 개발, 지식 노동에 관한 각 연구는 그 점을 상당히 명료하게 보여주고 있습니다. 하지만 그것이 곧 인간의 **업무 스킬 (Work skill)**이 영구적으로 향상되었음을 의미하지는 않습니다.

반대로, AI 의존이 일부 이해도나 지속성을 해치는 국면은 있을지언정, 그것을 두고 사회 전체의 업무 스킬이 침체된다고도 말할 수 없습니다. 국소적인 저하는 존재할지라도, 책임 판단이나 검증, 대인 조정의 핵심은 여전히 인간에게 남아 있으며, 또한 일부에서는 좁은 의미의 학습 효과도 확인되고 있기 때문입니다.

따라서, LLM AI는 세상 사람들의 업무 스킬을 높이지도 낮추지도 않는다는 결론이 가장 타당합니다. 일어나고 있는 것은 능력의 대개조가 아니라, 능력의 배점 변경입니다. 저렴해지는 기능과 무거워지는 기능이 교체되며, 인간은 이전과는 다른 방식으로 업무를 수행하게 될 뿐입니다.

이런 의미에서, LLM 시대에 물어야 할 것은 "인간의 스킬은 올라가는가 내려가는가"가 아닙니다. 물어야 할 것은 무엇을 AI에 맡기고, 무엇을 인간이 쥐며, 어떤 능력을 핵심으로서 지킬 것인가입니다. 그 지점을 벗어난 부스트론(Boost theory)도 위험론도, 화려할지는 몰라도 업무의 현실에는 별로 도움이 되지 않습니다.