결론부터 말하자면
- AI 가격이 하락할수록 차이를 만드는 것은 '모델의 지능(賢さ)' 자체가 아니라 모델 외부에 존재하는 것입니다. 구체적으로는 고객의 시간과 주의, 물리적인 공급망, 독자 데이터, 현장 업무 흐름, 신뢰, 규제 대응 등이 해당됩니다.
- 주목해야 할 세 가지 흐름이 있습니다. 바로 ① 사람의 시간과 주의, ② 물자와 에너지, ③ 기업 간 정보와 조정입니다. AI는 이 세 가지를 연결하는 '통합 계층(統合層)' 역할을 할 수 있습니다.
- 기업은 단순히 'AI 기능을 추가'하는 것이 아니라, 고객의 목적이 완료될 때까지 이어지는 **폐쇄 루프(閉ループ)**를 설계해야 합니다. 개인은 'AI가 저렴해질수록 가치가 높아지는 위치', 즉 AI의 보완재가 될 수 있는 역량을 키워야 합니다.
다음과 같은 분들께 적합합니다
- AI 활용이 '도구 도입'에 머물러 있는 경영자, 사업 책임자, DX 담당자
- AI 시대의 커리어에 막연한 불안감을 느끼는 엔지니어, 데이터 사이언티스트, 비즈니스 직군 종사자
- AI 스타트업을 운영하거나 AI를 활용한 신규 사업을 구상하는 분들
읽기 전 약속 사항
- **【출처】**라고 표기된 부분은 방송이나 각 기관의 자료를 바탕으로 정리한 내용입니다.
- **【필자의 견해】**라고 표기된 부분은 필자의 해석과 가설입니다. 단정적인 결론이 아니므로, 검증해야 할 가설로 읽어주시기 바랍니다.
- 본 글은 투자 조언이 아닙니다.
AI의 발전을 생각할 때, 우리는 무심코 '어떤 모델이 가장 지능적인가', '다음 성능 향상은 언제일까'와 같이 지능 자체에만 주목하기 쉽습니다.
하지만 지능의 가격이 하락하여 누구나 고도화된 생성·분석·예측 능력을 사용할 수 있게 될 정도가 되면, 경쟁 우위의 원천은 모델 외부로 이동합니다. 중요해지는 것은 AI가 단독으로 만들어낼 수 없는 것입니다. 즉, 인간의 시간과 주의, 물리 세계의 공급 능력, 독자 데이터, 고객 접점, 현실 업무 흐름, 신뢰, 규제 대응, 그리고 실행 능력입니다.
이러한 생각을 명확하게 보여준 사람이 투자 전문가 Cliff Sosin 씨입니다. 2026년 10월 27일에 공개된 Invest Like the Best 제497회 'Cliff Sosin — Owning the Complements to Intelligence'에서, Sosin 씨는
그렇다면 가격은 얼마나 하락했는지 궁금합니다. UC Berkeley의 BAIR(Berkeley AI Research)는 GPT-4급 능력의 추론 가격이 2023년 초반의 100만 토큰당 약 30달러에서 현재는 1달러 미만으로 떨어졌다고 정리했습니다. 심지어 0.10달러를 밑도는 사업자도 있다고 합니다. 모델에 대한 접근성이 낮아질수록 던져지는 질문은 “그 모델을 어떤 데이터, 업무 프로세스, 의사결정, 실행 시스템에 연결할 것인가”로 옮겨갑니다.
Bain은 싱가포르에서 열린 SuperAI 2026의 논의를 정리하며 다음과 같이 지적합니다.
- 유능한 지능(intelligence)에 대한 접근성이 더 이상 희소하지 않게 되면, 우위는 모델 위의 계층 즉 독점 데이터, 워크플로우 통합, 산업 지식, 신뢰, 유통으로 이동한다.
- 에이전트 도입의 전형적인 실패 사례는 인간을 위해 설계된 업무에 에이전트를 나중에 덧붙이는 것이다. 작업 속도는 빨라져 진보한 기분이 들지만, 사일로(silo), 인수인계, 승인과 같은 근본적인 구조는 변하지 않는다.
- 합성 콘텐츠나 사칭이 증가할수록 ‘어디에서 온 정보인가’라는 **신뢰와 출처(Provenance)**가 희소한 자원이 된다.
Bain은 마지막으로 “지능이 풍부하고 저렴하며 거의 모든 업무 프로세스에 통합되었을 때, 당신에게 무엇이 남는가”라는 질문을 던집니다. 이 질문은 본고의 마지막에서도 다시 다루어질 것입니다.
여기부터는 필자의 해석입니다. AI가 저렴해지는 세상에서 부(富)의 흐름을 생각하려면 다음 세 가지 흐름을 살펴보는 것이 유효하다고 생각합니다.
| 흐름 | 무엇이 흐르는가 | 수요의 근원 | 대표적인 보완재 |
|---|
| ①주의 흐름 | 인간의 시간 | 오락, 학습, 소속감, 안정감 등의 정신적 수요 | 사용자 접점, 브랜드, 커뮤니티 |
| ... | | | |
| 이후 하나씩 살펴보겠습니다. | | | |
미래 부의 흐름을 생각할 때 가장 먼저 살펴봐야 할 것은 인간의 시간이 어디로 흘러가는가입니다. 시간의 흐름은 주의의 흐름이며, 궁극적으로는 정신적 수요의 흐름이기도 합니다.
Herbert A. Simon은 1971년에 정보가 풍부해질수록 주의(attention)가 희소해진다고 지적했습니다. 생성형 AI로 글, 이미지, 영상, 광고, 게임, 대화 콘텐츠의 공급이 급증하더라도, 인간 하루는 여전히 24시간입니다. AI는 공급을 늘릴 수 있지만, 가처분 시간 자체를 많이 늘리기는 어렵습니다.
따라서 AI 시대의 경쟁은 “콘텐츠를 얼마나 만들 수 있는가”에서 다음 질문으로 옮겨갑니다.
- 누가 사용자의 제한된 시간을 확보할 수 있는가?
- 누가 일시적인 클릭이 아닌 지속적인 관계를 구축할 수 있는가?
- 누가 오락, 학습, 자기표현, 소속감, 안정감과 같은 정신적 수요를 이해할 수 있는가?
- 누가 주의(attention)를 구매/계약/방문/사용 지속 등의 행동으로 연결시킬 수 있는가?
이 맥락에서 Meta가 중요한 이유는 단순히 고성능 AI를 가지고 있기 때문만은 아닙니다. 방대한 사용자 접점, 행동 데이터, 광고 송출 능력을 보유하고 있으며, 저렴해진 AI를 기존의 주의 자산에 투입할 수 있기 때문입니다. AI로 콘텐츠 생성이나 추천이 개선되더라도, 희소한 것은 여전히 사용자의 시간입니다.
다만, 단순히 주의를 빼앗는 것을 목적으로 하면 단기적인 참여(engagement) 최적화에 빠지게 됩니다. 장기적인 경쟁력에는 사용자의 목적 달성, 신뢰, 커뮤니티, 양질의 경험이 필수적입니다. 시간을 소비하게 만드는 기업이 아니라, 시간의 가치를 높이는 기업이 살아남아야 합니다.
개인에게 주는 시사점: 주의가 희소한 것은 당신 자신에게도 마찬가지입니다. AI로 생산성이 올라서 생긴 시간을 단순히 작업량 증가에 쓸 것인지, 학습·관계 형성·현장 경험과 같이 “복리 효과를 내는” 곳에 재투자할 것인지. 이 선택이 몇 년 후의 격차가 됩니다.
인간은 정보만으로는 생활할 수 없습니다. 의식주, 이동, 의료, 전력, 물류와 같은 기본적인 수요는 물리 세계에 존재합니다.
AI는 수요 예측, 가격 책정, 재고 배치, 배송 계획, 설비 제어 등을 개선할 수 있습니다. 하지만 상품을 조달하고, 창고에 보관하며, 매장이나 가정으로 전달하고, 고장 시 현장에서 대응하는 능력은 모델 API만으로는 대체할 수 없습니다.
Sosin 씨가 Carvana에 주목하는 이유도 여기에 있습니다. 이 회사는 중고차 웹사이트를 운영하는 것뿐만 아니라, 차량의 조달, 검사, 정비, 재고, 가격 책정, 물류, 인도까지 포함하는 실질적인 업무 네트워크를 갖추고 있습니다. AI는 각 공정을 고도화할 수 있지만, 경쟁사가 같은 모델을 계약했다고 해서 이 일련의 능력을 복제할 수는 없습니다.
물리 세계에서는 다음과 같은 데이터가 강력한 보완재가 됩니다.
- POS, 수주/발주, 품절, 폐기, 반품 데이터
- 창고 재고, 운송 시간, 배송 밀도
- 설비 센서 값, 고장 이력, 유지보수 기록
- 전력 수요, 발전량, 시장 가격, 축전지 충방전 이력
- 고객 계약, 이용, 해지, 문의 이력
중요한 것은 데이터의 양이 아닙니다. 데이터가 현장의 의사결정으로 이어지고, 그 결과가 다시 데이터로 돌아오는 '폐쇄 루프(Closed Loop)'를 만들 수 있느냐입니다. 결과가 돌아오지 않는 데이터는 시간이 지남에 따라 진부화됩니다.
지금까지 많은 산업 분야에서 생산, 도매, 판매, 배송, 유지보수, 금융, 고객 대응 등은 각각 다른 기업이나 시스템이 담당해 왔습니다. 전체를 통합하기 위해서는 대규모 ERP(전사적 자원 관리), 장기간의 시스템 개발, 그리고 다수의 조정 담당자가 필요했기 때문입니다.
생성 AI와 AI 에이전트는 이 조정 비용을 낮출 가능성이 있습니다.
- 비정형 문서(FAX, PDF, 메일)에서 수주/발주 정보를 추출하는 것
- 오래된 업무 시스템 간의 데이터 변환을 지원하는 것
- 담당자별 판단 근거를 업무 규칙으로 정리하는 것
- 수요 예측부터 발주안을 생성하고 승인 후 실행하는 것
- 문의, 판매, 재고, 배송, 청구를 가로질러 처리하는 것
- 소규모 산업 전용 시스템을 기존보다 단기간/저비용으로 구축하는 것
이는 모든 것을 한 회사에서 소유하는 고전적인 수직 통합만을 의미하지 않습니다. 여러 기업이 데이터와 업무를 연결하고, AI가 조정층(coordinating layer) 역할을 하는 가상적 수직 통합도 가능합니다.
또한 BAIR는 추론 비용(inference cost)이 극도로 낮아지는 세상에서는 데이터 시스템의 설계 사상 자체가 바뀐다고 논합니다 (데이터 시스템은 에이전트를 위해, 에이전트를 구동하기 위해, 그리고 에이전트 스스로에 의해 만들어지게 됩니다). 이는 에이전트는 인간이나 BI 도구와 달리 방대하고 다양한 문의를 계속 던지기 때문입니다. 데이터 기반 시설은 '사람이 화면으로 보는 것'뿐만 아니라 '에이전트가 사용하는 것'을 전제로 설계되어야 합니다.
다만, AI를 도입한다고 해서 자동으로 통합되는 것은 아닙니다. 권한 관리, 책임 분계, 마스터 데이터(Master Data), 예외 처리, 감사 로그(Audit Log), 현장 승인 설계가 필요합니다. 특히 쓰기 권한을 가진 에이전트는 오발주나 오제어를 일으킬 수 있습니다. 따라서 다음과 같이 권한을 단계적으로 확대해야 합니다.
| 레벨 | 에이전트가 할 수 있는 것 | 인간의 역할 | 진행 조건 예시 |
|---|
| 0: 참조 | 기존 시스템 데이터를 읽고 요약한다 | 결과를 확인한다 | 참조 오류가 허용 범위 내일 때 |
| ... | | | |
위 내용을 통합하면 유망 영역은 다음 공식으로 표현할 수 있습니다.
지속적 가치 = 희소한 주의 또는 물리 자산 × 독자 데이터 × 산업 고유 워크플로우 × 실행 능력 × 신뢰
곱셈으로 적은 데에는 의미가 있습니다. 어느 하나라도 0에 가까우면 전체도 0에 가까워지기 때문입니다. 예를 들어, 뛰어난 AI와 독자 데이터가 있어도 현장에서 실행할 힘이나 고객의 신뢰가 없다면 가치가 될 수 없습니다.
SNS나 커뮤니티는 주의(Attention)와 고객 접점을 가지고 있습니다. 기존 산업은 설비, 상류/하류 흐름(商流), 업무 지식을 가지고 있습니다. AI는 그 사이에 있는 데이터 변환, 예측, 제안, 조정, 실행의 비용을 낮추는 통합기가 될 수 있습니다.
예를 들어, 다음과 같은 모습이 구상될 수 있습니다.
- 반려동물 산업: 콘텐츠, 커뮤니티, 사료(フード), 보험, 진료, 예약, 건강 기록을 연계할 수 있음 -
- 소매업: 판촉, POS, 수요 예측, 발주, 재고, 물류, 점장의 의사결정을 연결할 수 있음 -
- 전력: 수요 예측, 시장 가격, 설비 제약, 축전지 제어, 리스크 관리를 일체화할 수 있음
여기서 핵심은 'AI 기능을 추가하는 것'이 아니라, 고객의 목적이 완료될 때까지의 전 과정을 재설계하는 것입니다.
단순한 수요 예측 API가 아니라, 다음 폐쇄 루프를 제공합니다.
- POS・재고・판촉・날씨 데이터를 통합한다
- SKU × 매장 × 일별 수요를 예측한다
- 품절률, 폐기율, 발주 로트(lot), 리드 타임을 고려하여 발주안을 만든다
- 점장이 이유와 리스크를 확인하고 승인한다
- 실적과의 차이를 학습하여 다음 제안에 반영한다
평가 지표는 예측 정확도만으로는 불충분합니다.
| 지표 | 보는 이유 |
|---|
| WAPE, MAE | 예측의 정밀도를 측정한다 |
| ... | |
| 모델이 조금 더 고정확도여도 발주에 반영되지 않으면 가치가 생기지 않습니다. **제안 채택률(Proposal Adoption Rate)**은 그 의미에서 정착의 선행 지표가 됩니다. | |
첫 PoC는 1개 업태・310개 매장・상위 100500 SKU 정도로 범위를 좁혀, 12주 동안 '제안 있음/없음'의 차이를 검증하는 것이 현실적입니다. 성공 후에는 자동 발주, 공급처 연계, 매장 간 이동으로 확장합니다.
전력 영역에서는 예측뿐만 아니라 **실행 제약(Execution Constraint)**이 가치를 결정합니다.
- 수요, 재생에너지 발전량 및 시장 가격 예측
- 배터리 에너지 저장 시스템(ESS)의 SOC(State of Charge), 출력, 열화 비용을 고려한 충방전 계획
- 불균형(Imbalance), 용량, 시장 가격 변동 리스크 관리
- 실적 데이터에 의한 재최적화
- 오퍼레이터의 승인, 감사, 장애 시 안전 측 제어
에너지자원청은 2026년 7월에 공개한 「디지털·AI 기술을 통한 에너지 절약 및 생산성 향상 지침서」에서 디지털 활용 단계를 「가시화(見える化)」「데이터 분석」「제어 자동화」 세 가지로 정리했습니다. 나아가, 단순히 단계를 높이는 것뿐만 아니라 활용 범위를 넓히는 것, 즉 부문이나 설비를 넘나들며 최적화함으로써 효과가 확대된다고 설명합니다. 이는 기존의 에너지 절약이 유틸리티 계통이나 생산 설비 계통 등 기능별 최적화에 머무르는 경향이 있었다는 정리입니다.
지침서에 게재된 사례 중에는 다음과 같은 것들이 있습니다.
| 사례 | 단계 | 내용과 성과 |
|---|
| 미쓰비시 전기 (기계·수지 성형품 제조 공장) | 데이터 분석 | 장비 가동 데이터로부터 에너지 절약 잠재력을 AI로 자동 분석. 적용처에 따라 소비 전력량을 약 10~20% 절감, 분석 공수를 약 90% 절감 |
| ENEOS 머티리얼 (화학 플랜트 증류탑) | 제어 자동화 | 숙련자가 15분에 한 번씩 확인 및 조정하던 밸브 제어를 강화학습(RL) 기반 AI 제어로 대체. 증기 사용량을 약 40% 절감 |
효과는 적용처나 조건에 따라 다르므로, 수치는 '도달 가능한 수준의 참고치'로 읽는 것이 적절합니다.
JERA의 사례 역시 시사적입니다. Snowflake 도입 사례에 따르면, LNG 선박 배정 및 재고 관리를 134개의 시트, 180만 개 이상의 함수, 71개의 매크로를 포함하는 Excel 중심 운영 방식에서 데이터 기반 플랫폼으로 이전하여 처리 시간을 수십 초에서 약 1초로 단축했다고 합니다 (벤더의 사례 자료에 근거한 수치입니다). 이는 AI 모델 자체의 성공이 아니라, 데이터, 업무, 현장 운영을 연결한 성과입니다.
같은 유형은 다른 영역에도 적용될 가능성이 있습니다. 아래는 검증을 전제로 한 가설입니다.
| 영역 | 현장에 존재하는 보완재 | AI가 담당하는 통합 |
|---|
| 제조·설비 유지보수 | 설비의 가동·고장 이력, 유지보수 인력의 노하우 | 이상 감지, 부품 수배, 작업 계획 자동화 |
| ... | | |
AI 공급 능력이 급속도로 증가해도, 고객 수요가 같은 속도로 늘어날 것이라고는 보장할 수 없습니다. 기업 도입에는 예산, 데이터 정비, 보안 심사, 업무 변경, 책임 설계, 교육이 필요합니다. 기술적으로 가능하더라도 조직이 받아들이지 않으면 이용량은 늘어나지 않습니다. 더욱이 AI 에이전트가 가격 비교와 이전을 자동화한다면, 고객의 관성에 의존하던 높은 수익률은 압박받게 됩니다.
따라서 AI 사업에서는 '이용 횟수'가 아니라 다음 지표를 살펴봐야 합니다.
- 고객이 실제로 지불하는 성과 단위는 무엇인가 - AI 이용으로 인한 추가 매출총이익, 또는 회피된 비용은 얼마인가
- 도입·모니터링·예외 대응을 포함한 서비스 원가는 얼마인가
- 동일 모델을 사용하는 경쟁사와의 차별점은 무엇인가
- 고객의 업무에 정착하는 데 몇 개월이 걸리는가
본고의 예측은 다음과 같은 경우에는 성립하기 어려워집니다. 미리 대비책을 생각해 두어야 합니다.
| 시나리오 | 발생하는 일 | 대비책 |
|---|
| AI 에이전트가 구매·검색의 진입로를 장악할 때 | 고객 접점이 중개되고, 수익률이 하락한다 | 회원제·커뮤니티 등 직접적인 관계를 육성한다. 에이전트로부터 선택받을 수 있는 품질과 데이터 공개도 갖춘다 |
| ... | | |
수요 발생이 늦더라도 본고의 생각이 무효가 되는 것은 아닙니다. AI에 의한 자동화가 단계적일지라도, 주의(Attention), 물류, 데이터, 의사결정의 마찰은 줄어들고 흐름은 가속됩니다. 다만, 가치를 얻는 주체가 '지능'을 공급한 기업이라고 할 수는 없습니다. 흐름의 진입로, 목적지, 실행망, 신뢰관계를 가진 기업일 수 있습니다.
실무적으로는 다음 순서가 효과적입니다.
- 가치 흐름 그리기: 고객의 목적, 지불, 물자, 정보, 승인이 어디를 거쳐 흘러가는지 확인한다.
- 병목 구간 하나 선택하기: 품절, 대기 시간, 폐기, 에너지 손실 등 금액으로 환산할 수 있는 과제에 집중한다.
- 읽는 AI부터 시작하기: 기존 시스템을 참조하여 제안과 근거를 제시한다.
- 인간의 승인으로 작성하기: 발주, 가격 변경, 제어 등의 실행에는 승인·상한선·롤백(Rollback) 장치를 마련한다.
- 결과 회수하기: 제안, 승인, 실행, 결과를 하나의 이벤트 로그에 남긴다.
- 인접 공정으로 확장하기: 예측에서 끝내지 않고, 발주, 물류, 청구, 고객 대응까지 연결한다.
PoC(개념 증명)의 합격 조건은 'AI가 작동했다'는 것이 아닙니다. 예를 들어, 소매업이라면 12주 동안 대상 SKU의 품절률을 상대적으로 10% 이상 개선하고, 폐기율은 악화시키지 않으며, 매장 관리자의 발주 시간을 30% 단축하는 것과 같은 **업무 KPI(Key Performance Indicator)**를 사전에 설정해야 합니다.
| 입장 | 취해야 할 방향 | 첫걸음 |
|---|
| 기존 산업/대기업 | 설비, 유통 흐름, 고객 데이터를 '보완재'로 재평가하고, AI를 통합 계층으로 사용한다. | 전사적 개혁이 아닌, 금액 환산이 가능한 병목 지점(bottleneck) 하나부터 시작한다. |
| 중소기업 | 업계 전용 SaaS나 파트너를 활용하는 동시에, 자사의 현장 데이터와 판단 기준을 자산화한다. | 발주·검사·접객 등의 판단 기준을 언어화하고 기록을 남기는 습관을 들인다. |
| AI 스타트업/벤더 | 범용 기능이 아닌, 업계의 폐쇄 루프(closed loop), 성과 기반 과금, 유통 및 규제의 진입점을 공략한다. | 고객사 1곳과 성과 KPI를 합의한 후 PoC를 시작한다. |
에너지자원청(資源エネルギー庁)의 가이드라인은 도입 검토 흐름을 '추진 체제 구축 → 콘셉트 설계 → PoC → 상세화/구현 → 효과 검증 및 전개'의 5단계로 정리하고 있습니다. 이를 바탕으로 볼 때, 90일간 진행하는 방법은 다음과 같습니다.
| 기간 | 할 일 | 성과물 |
|---|
| 0~30일 | 가치 흐름을 도식화한다. 병목 지점 하나를 선택하고, 손실액을 추정한다. 데이터와 권한·책임을 정리(棚卸し)한다. | 가치 흐름도, 과제 및 금액, 데이터 정리표 |
| ... | | |
-
주도 세력(旗振り役)을 배치할 것: 에너지자원청의 가이드라인 역시 에너지 절약 담당과 생산 계획·설비 관리의 '양륜'을 모두 끌어들이고, 입장이 다른 목표를 조정할 수 있는 경영진이나 DX 추진 부서 멤버가 탑다운 방식으로 진행할 것을 권장합니다.
-
To Be(도달하고 싶은 상태)에서 역산할 것: 중장기적인 '지향점(あるべき姿)'을 그린 후, 예산이 제한적이라면, 시도하기 쉽고 확실하게 효과를 기대할 수 있는 범위부터 성공 경험을 쌓습니다.
-
직원들에게 설명을 신중히 할 것: Bain은 AI가 업무를 담당할수록, 직원이 '조직이 나를 공정하게 대한다'고 신뢰하는 것이 업무 재설계 참여에 영향을 미친다고 지적했습니다.
-
예측 정확도만 평가하는 PoC: 업무 KPI와 연결되지 않아 정착하지 못합니다.
-
기존 프로세스에 에이전트를 후순위로 붙이는 것: 작업 속도는 빨라지지만, 구조는 바뀌지 않습니다.
-
갑자기 쓰기 권한을 부여하는 것: 오발주·오제어의 리스크가 높아집니다.
-
전사적으로 일괄 시작하는 것: 원인 분리 및 학습이 어려워집니다.
-
데이터 정비를 뒤로 미루는 것: 폐쇄 루프(closed loop)가 돌아가지 않아 보완재가 자라지 못합니다.
'어떤 직업이 AI에 대체될까'를 걱정해도 답을 내리기는 어렵습니다. 봐야 할 것은 직종명이 아니라, 자신의 업무 속에서 AI의 보완재 역할을 하는 부분은 어디인가입니다. AI의 가격이 내려갈수록 가치가 올라가는 곳은, AI의 출력을 현실적인 성과로 바꾸는 부분입니다.
| 보완재 | 개인적 구체 사례 | 오늘부터의 한 걸음 |
|---|
| 현장·도메인 지식 | 업무의 '예외'와 '감각(勘所)'을 알고 있는 것 | 담당 업무의 예외 처리와 판단 기준을 글로 적어본다. |
| ... | | |
- 엔지니어/데이터 사이언티스트: 모델의 정확도에서, 업무 KPI 개선으로 평가 축을 옮깁니다. 데이터 기반 시설(data infrastructure), 권한 설계, 감사 로그(audit log), 평가 메커니즘, 폐쇄 루프 운영 설계는 AI가 저렴해질수록 중요해집니다.
- 비즈니스 직군: 업무 흐름과 판단 기준을 언어화할 수 있는 사람이 강해집니다. 'AI에 맡길 범위'와 '자신이 책임질 범위'의 경계를 생각해야 합니다.
- 매니저(Manager): 승인 설계와, 멤버들에게 공정하고 세심한 설명이 조직의 AI 활용 속도를 결정합니다.
- 학생/주니어: '전문 영역 × AI'의 곱셈을 의식하고, 가능한 한 현장에 가까운 경험을 쌓습니다. 현장을 아는 것이 나중에 효력이 있는 자산이 됩니다.
| 기간 | 할 일 |
|---|
| 1~2주차 | 위의 표에서 자신의 보완재를 정리(棚卸し)하고, 강점과 약점을 확인한다. |
'AI로 대체되지 않는 직업'은 존재하지 않는다고 생각하는 것이 안전합니다. 자신을 보호하려는 발상이 아니라, AI가 저렴해질수록 자신의 가치가 올라가는 위치를 찾아 나서는 발상으로 전환해야 합니다.
AI에 의해 지능이 싸지더라도, 지능의 가치가 0이 되는 것은 아닙니다. 다만, 지능이 단독으로는 차별화되기 어려워진다는 것입니다.
앞으로 봐야 할 세 가지 흐름이 있습니다.
- 인간의 시간과 주의력, 즉 정신적 수요의 흐름
- 의식주, 이동, 에너지 등 물리적 수요를 충족시키는 물자와 부(富)의 흐름
- 생산에서 소비까지를 잇는 데이터, 업무, 기업 간 조정의 흐름
그리고 AI는 이 세 가지를 연결하는 통합 장치(integrator)가 될 수 있습니다.
마지막으로 물어야 할 것은 모델의 벤치마크가 아닙니다.
[기업에 대한 질문] 내일, 모든 경쟁사가 동일한 고성능 AI를 동일한 저가로 사용할 수 있게 되더라도, 고객이 자사를 선택할 이유는 남아 있는가.
[개인에 대한 질문] 내일, 누구나 동일한 AI를 사용할 수 있게 되더라도, 당신에게 일을 맡기고 싶다고 생각하는 이유는 남아 있는가.
그 답이 독자 데이터, 실제 업무, 고객 접점, 공급망, 신뢰, 규제 대응, 그리고 성과까지 폐쇄된 워크플로우(workflow)에 있다면, 해당 사업이나 당신의 커리어는 AI 시대에도 강할 가능성이 있습니다.
우선 이번 주에는 자사(또는 자신의 일)의 가치 흐름을 종이 한 장에 그려보는 것부터 시작해 보세요.
-
Cliff Sosin — 지능의 보완재를 소유하기 (Owning the Complements to Intelligence), Invest Like the Best EP.497
-
에피소드 요약 및 스크립트, SignalCast
-
지능은 무료, 이제 무엇을? 에이전트를 위한, 에이전트에 의한, 에이전트의 데이터 시스템 (Data Systems for, of, and by Agents), BAIR
-
SuperAI 2026: 지능이 저렴할 때, 당신에게 남는 것은 무엇인가? (What Remains Yours?), Bain & Company
-
주의 경제란 무엇인가? (What is the attention economy?), UBS 노벨 퍼스펙티브스 (UBS Nobel Perspectives)
-
디지털 AI 기술 활용으로 에너지를 최적화! 에너지 절약과 생산성 향상을 동시에 실현하는 포인트는 무엇인가 (2026년 7월 23일), 자원에너지청
-
JERA의 데이터 플랫폼 사례, Snowflake
-
Sosin 씨 발언 소개는 요지이며, 정확한 표현은 원전(음성/스크립트)을 확인해 주십시오.
-
각 수치는 각 자료의 공개 시점 기준입니다. JERA의 수치는 벤더 도입 사례에 근거한 것이며, 제3자에 의한 검증이 아닙니다.
-
【필자의 견해】라고 기재된 내용은 필자의 가설입니다. 자사 및 자신의 상황에 맞춰 검증해 주십시오.