AI 시대, 일 잘하는 지식 근로자가 되기 위한 비법 (더 빠르게가 아닌 더 잘하게)

이 영상에서는 AI 시대에 지식 근로자들이 어떻게 자신의 직무 능력을 향상시킬 수 있는지에 대한 심도 깊은 통찰을 제공합니다. 특히, AI를 활용하여 운동선수처럼 체계적으로 훈련하고, 모호한 피드백을 측정 가능한 점수로 전환하며, AI가 실행을 담당할 때 중요해지는 다섯 가지 핵심 기술과 팀 수준에서 실천 루프를 만드는 방법을 소개합니다.

1. 지식 근로자도 훈련이 필요하다: 직무 중심에서 스킬 중심으로! 🤸‍♀️

우리는 직업의 개념을 '직무' 중심에서 '기술' 중심으로 전환하고, 경력 성장을 위해 이러한 기술을 어떻게 훈련하고 발전시킬 수 있는지 고민해야 합니다. 특히 AI의 도움을 받아 이러한 기술을 향상시키는 방법에 집중해야 하죠.

이 아이디어는 타일러 코헨(Tyler Cowen)이 2019년에 쓴 블로그 게시물에서 영감을 받았다고 해요. 그는 운동선수나 음악가, 공연자들은 훈련을 하지만, 지식 근로자들은 훈련을 하지 않는다는 점을 지적했어요. 농구 선수가 자유투를 연습하듯, 지식 근로자들에게는 그런 명확한 훈련 방식이 없다는 거죠.

"선수들은 훈련하고, 음악가들도 훈련하고, 공연자들도 훈련합니다. 하지만 지식 근로자들은 정말로 훈련하지 않아요. 우리는 훈련하지 않습니다. 저는 자유투를 던지지 않아요. 지식 업무에 해당하는 것이 없죠."

그래서 저자는 피아니스트가 스케일을 연습하듯이, 지식 업무에서도 훈련할 수 있는 방법이 무엇일지 고민하기 시작했습니다. 특히 AI 시대에는 기존과는 다른 방식으로 기술에 대해 생각할 수 있는 기회가 생겼다고 말합니다.

현재 우리의 스킬에 대한 가정은 너무나도 직무에 얽매여 있어요. 채용 관리자라면 채용 소프트웨어, 보상 추정, 승진 등에서 특정 기술을 직무 공고에 포함해야 한다는 가정으로 시작한다는 것을 알 수 있죠. 마치 기술이 직무와 독립적으로 존재할 수 없는 것처럼 말입니다. 하지만 우리는 이제 기술이 직무와 독립적으로 존재할 수 있는 세상으로 나아가고 있습니다.

"마치 기술이 역할과 독립적으로 존재할 수 있는 세상을 상상할 수 없는 것과 같습니다. 하지만 우리가 나아가고 있는 세상이 바로 그런 세상입니다."

미래에는 AI와 함께 의미 있는 작업을 수행하기 위해 기술을 습득하는 세상이 될 것이며, 우리는 직무 A나 B(예: 제품 관리자 또는 엔지니어)를 가졌다는 이유만으로 보상받는 것이 아니라, 성과와 기술을 통해 결과를 도출하는 능력으로 측정되어야 합니다.

2. 지식 근로자를 위한 의도적인 연습 방법 🧠

그렇다면 이 '기술 중심'의 세상에서 연습은 어떤 모습일까요? 운동선수들이 신체적으로 훈련하는 것과 마찬가지로, 지식 근로자들도 연습을 통해 특정 인지 패턴과 반응을 강화해야 합니다. 그렇지 않으면 우리는 경력 전체를 실시간 공연처럼 보내게 되는데, 이는 배우는 데 매우 비효율적인 방식이죠.

좋은 소식은 AI 시대인 지금이 그 어느 때보다 이러한 연습을 할 수 있는 최고의 기회라는 것입니다. AI는 이전에는 확장하기 어려웠던 맞춤형 연습 피드백을 제공해 주기 때문입니다.

하지만 지식 근로자들이 연습하기 어려운 구조적인 이유가 세 가지 있습니다.

2.1. 연습을 방해하는 세 가지 구조적 요인

모호한 결과 (Fuzzy Outcomes): 농구에서는 공이 들어가거나 들어가지 않는 것처럼 결과가 명확합니다. 하지만 제품, 전략, 리더십, 엔지니어링 분야에서는 '좋음'이라는 것이 속도, 품질, 정치, 관계, 위험 등 여러 차원에서 혼란스럽게 섞여 나타나죠. 0과 1처럼 명확하게 전환되는 신호가 없습니다.

"농구에서 공은 들어가거나 들어가지 않습니다. 자유투를 던져서 실패하거나 성공하죠. 명확한 신호입니다. 제품이나 전략, 리더십 또는 엔지니어링에서 '좋음'은 너무나 많은 차원에서 뒤섞여 혼란스러울 수 있습니다."
지연되고 노이즈가 많은 피드백 (Delayed and Noisy Feedback): 1분기에 중요한 결정을 내렸다고 해도, 그 결과가 성공적이었는지 알게 되는 것은 빠르면 3분기가 되어서야 합니다. 그 사이에 시장이 변하거나, 경쟁자가 새로운 것을 출시하거나, 핵심 인력이 이탈하는 등 많은 변수가 발생하죠. "내가 사양을 다르게 작성했더라면 X나 Y 사건을 피할 수 있었을 텐데"와 같은 명확한 비교를 얻기란 거의 불가능합니다.
낮은 반복 횟수 (Low Repetition): 진지한 음악가는 일주일에 수백 번 스케일을 연습하지만, 지식 근로자들이 한 분기에 얼마나 많은 중요한 의사 결정 문서, 제품 사양서, 전략 문서, 기술 아키텍처 메모를 작성할까요? 각 문서가 실제 돈과 사람들과 얽혀 있기 때문에, 전통적인 경력 경로에는 '낮은 위험'의 연습 공간이 없습니다. 대부분의 지식 근로자들은 95% 이상의 시간을 실제 업무, 즉 '라이브 게임'에서 보내게 됩니다. 이는 군중 앞에서, 문자 그대로 자신의 경력을 위해 연습하는 것과 같습니다. 물론 아무것도 안 하는 것보다는 낫겠지만, 진정한 연습과는 거리가 멀죠.

3. AI 시대에 중요한 다섯 가지 핵심 기술 💡

그렇다면 AI 시대에 반복적으로 연습할 수 있는 구체적인 기술은 무엇일까요? 저자는 다섯 가지 기술이 중요하다고 말합니다.

판단력 (Judgment): 불확실한 조건에서 어떻게 의사결정을 틀 짓고, 선택지를 정의하며, 결정을 내리는가? 이것이 바로 판단력입니다.
조율 능력 (Orchestration): 모호한 목표를 인간과 AI가 함께 실행할 수 있는 구체적인 워크플로우로 어떻게 전환하는가? 모호함 속에서 명확성을 이끌어내는 능력입니다.
조정 능력 (Coordination): 혼란을 야기하지 않고 모호함 속에서 인간 집단을 어떻게 이끄는가? AI 에이전트가 발전함에 따라, 에이전트와 인간을 조정하는 기술도 필요해질 것입니다.
안목 (Taste): 제품, 글쓰기, 디자인, 전략에 대해 의미 있는 품질 기준을 가지고 있는가? 무엇이 좋은 것인지에 대한 감각을 가지고 이를 기술처럼 이야기하고 개선할 수 있는가?
업데이트 능력 (Updating): 증거와 맥락이 바뀔 때, 노이즈에 휩쓸리지 않고 어떻게 생각을 바꾸는가? 자신의 휴리스틱(경험적 규칙)과 루브릭(평가 기준)을 어떻게 업데이트하고, 의미 있는 방식으로 생각을 바꾸는가?

이러한 기술들은 단순히 링크드인 태그라인에 들어가는 '형용사'가 아닙니다. 이 기술들은 우리가 작성하고 남기는 '산출물(Artifacts)' 속에 살아있습니다.

판단력은 의사결정 문서, 실험 설계, 우선순위 작성 문서에서 드러납니다.
조율 능력은 인수인계 문서, 사양서, 프로젝트 계획 방식에서 나타납니다.
조정 능력은 이메일, 회의록, 이해관계자 지도에서 발견됩니다.
안목은 UX의 모습, 선택하는 예시나 비유에서 드러납니다.
업데이트 능력은 시간이 지남에 따라 계획을 어떻게 발전시키고, 그 근거를 문서로 어떻게 남기는지에서 나타납니다.

즉, 이러한 기술들은 추상적인 형용사가 아니라, 우리가 생산하는 것들 속에서 나타나는 '패턴'이라는 것입니다. 이 사실을 받아들이면, 추상적으로 누가 전략적인지 논쟁하는 대신, 사람들이 실제로 어떻게 쓰고, 행동하고, 결정하는지를 보게 됩니다. 이는 행동 인터뷰의 황금 표준이었지만, 특히 AI 시대 이후에는 이러한 명확성을 얻기가 어려웠습니다.

4. AI가 연습 방식을 바꾸는 방법 🤖

AI는 마법의 뇌가 아니라 텍스트를 읽고, 지시를 따르며, 루브릭을 일관되게 적용할 수 있는 도구입니다. 이는 우리가 연습할 수 있는 '벽'을 제공해 준다는 점에서 매우 유용합니다.

4.1. 1단계: '좋은 것'을 정의하기

연습을 진지하게 시작하려면, 가장 먼저 팀에 중요한 하나의 '산출물'을 선택해야 합니다. 예를 들어, 제품 관리자의 '의사결정 문서'가 될 수 있겠죠. 그리고 당신이 신뢰하는 사람들과 함께 앉아 아주 간단한 질문을 던져야 합니다.

"의사결정 문서가 '좋다'고 말할 때, 구체적으로 무엇을 의미하는지 알려주시겠어요?"

이 질문을 부드럽게, 명확하게, 끈기 있게 던지고, 신뢰하는 사람들에게 집요하게 물어보세요. 그렇게 해서 작고 구체적인 목록을 만들어야 합니다. 예를 들어:

결정이 한 문장으로 명시되어 있는가?
최소 두 가지의 실제 선택지가 있는가?
이해관계와 측정 지표가 명시적인가?
명확한 권고 사항이 있는가?
위험과 장단점이 표면화되어 있는가?

이것은 단지 하나의 산출물에 대한 예시일 뿐입니다. 엔지니어링을 위한 아키텍처 문서, CSMS를 위한 통화 요약, 영업을 위한 파이프라인 예상 등, 자신의 분야와 관련된 모든 산출물에 대해 '좋은 것'이 무엇인지 정의해야 합니다.

4.2. 루브릭을 AI 채점 시스템으로 전환하기

'좋은 것'을 정의한 후에는, 이를 1점에서 5점 척도의 명확한 '루브릭'(채점 기준)으로 전환합니다. 그리고 3~5개의 실제 사례를 가져와 직접 채점하고 피드백을 기록하세요.

"이것은 명확성 면에서 정말 좋습니다. 이것은 위험 분석은 좋지만, 이러한 약점이 있습니다. 이것이 그 이유입니다."

아직 AI를 사용하지 않는다는 점에 주목하세요. 저자는 인간적인 기술은 인간적인 책임을 요구한다고 강조합니다. 몇 가지 문서를 직접 채점하고 피드백을 기록한 후에야 비로소 LLM(대규모 언어 모델)을 도입합니다.

LLM에 루브릭과 직접 주석을 달아 채점한 예시들을 제공합니다. 이제는 손으로 직접 빨간 펜으로 문서에 휘갈겨 써도, AI가 필기 인식을 통해 내용을 파악할 수 있을 정도로 기술이 발전했어요.

그리고 AI에게 이렇게 지시합니다:

"새로운 문서를 보내면, 이처럼 점수를 매겨주세요. 당신이 반응하는 부분을 인용하고, 각 점수를 준 이유를 간략하게 설명해 주세요. 그리고 이 차원 중 하나를 1~2점 올릴 수 있는 편집 제안도 해주세요."

이것이 가져오는 변화를 보세요! 매니저가 15분 만에 대충 훑어보고 "음, 모호하네. 나중에 보자"라고 생각하는 대신, 이제는 모든 유형의 문서에 일관되게 적용될 수 있는 구조화된 비평을 얻게 됩니다.

"이 문서는 선택지 면에서 2점입니다. 저 문서는 명확성 면에서 4점이지만, 위험 구조화는 1점입니다. 이것이 제가 바꿔야 할 부분입니다."

AI는 여러분의 실제 업무에서 기술이 어떻게 발현되는지에 대한 거칠지만 일관된 관점을 제공합니다. 이는 우리가 그동안 놓치고 있던 '신호'이자, 농구공이 바스켓에 들어가는 것과 같은 명확한 피드백이죠. 이러한 점수를 기록하고 분기별로 자신의 행동 패턴과 점수 변화를 추적할 수 있습니다. AI 이전 시대에는 불가능했던, 생각과 글쓰기에 대한 '필름 리뷰'를 대규모로 수행할 수 있게 된 것입니다. 코치 군단을 고용할 필요 없이, 좋은 프롬프트만으로 말이죠!

4.3. 필름 리뷰를 반복 가능한 훈련으로 바꾸기

이제 필름 리뷰를 관심 있는 패턴을 훈련하는 반복 가능한 훈련으로 전환할 차례입니다.

예를 들어 '판단력'을 봅시다. 의사결정 문서에서 판단력은 "2시간 회의 없이 합리적인 사람이 예/아니오를 말할 수 있도록 의사결정 문서를 작성할 수 있는가?"와 같습니다. 루브릭이 있다면, 다음과 같은 연습 스케일을 만들 수 있습니다:

"일주일에 한 번, 실제 혼란스러운 상황(슬랙 스레드, 모호한 매니저 요청, 샤워 중 떠오른 아이디어)을 가지고, 한 페이지짜리 의사결정 문서를 작성해 보세요. 명확한 결정, 제시된 선택지, 이해관계, 권고 사항 등, '좋다고' 정의한 패턴을 담아서요. 이제 이 문서를 실제 문서에 사용하는 것과 동일한 AI 루브릭을 통해 돌려보세요. 그리고 모델이 생성한 더 강력한 버전과 비교해 보세요. 무엇을 놓쳤는지 주목하세요. 이것이 당신의 연습입니다."

이것이 바로 연습입니다! 좋은 것과 비교하고, 하위 기술에 집중하여 매주 반복적으로 연습하는 것이죠.

조율 능력의 경우, 좋은 사양서(명시적인 목표, 입력, 출력, 제약 조건 등)를 정의하고, 모호한 목표를 시간 제한이 있는 사양서나 조직적 결정으로 바꾸는 훈련을 만들 수 있습니다.
조정 능력의 경우, 임원 업데이트를 위한 패턴을 정의할 수 있습니다.

핵심은 기술 향상을 위해 채택해야 할 행동의 사슬을 이해하는 것입니다.

기술 → 반복되는 행동 식별 → 산출물에서 인식 가능한 패턴으로 연결 → 등급 설정 → 연습 시작! 🏃‍♀️

이 과정을 통해 여러분은 AI를 개인 코치처럼 활용하여 진정으로 발전할 수 있습니다.

5. 팀 단위에서의 실천 루프 🤝

팀 리더라면 이 과정을 어떻게 적용할 수 있을까요? 저자는 대부분의 팀 리더들이 이런 방식을 따르지 않지만, 잠재적인 운영 방식을 설명합니다.

팀 단위 루브릭 정의: 한 분기 동안 팀이 개선하고 싶은 특정 산출물에 집중합니다. 그리고 팀 전체가 함께 루브릭을 정의합니다. 개인적인 작업이 아니라, 팀 전체가 좋은 예시 문서를 함께 찾아보고, 논의하며 루브릭을 만드는 것이 훨씬 강력합니다.
팀 LLM 구축: 팀 LLM을 구축하여 누군가 문서를 '검토 준비'로 표시할 때마다 자동으로 루브릭 검토를 실행하게 합니다. 이는 마치 엔지니어들이 PR(Pull Request)을 코덱으로 자동 검토하는 것과 같습니다. 이제 Claude나 Chat GPT가 문서를 자동 검토하고 의견을 남겨주는 것이죠.
인간 검토 전 AI 피드백 활용: 팀원들에게 인간 검토 전에 AI 비평을 문서에 적용하도록 요청합니다. 이는 관리자의 결정 사항입니다.
팀 연습 시간 확보: 일주일에 한두 번, 팀 전체가 10분 타이머를 설정하고 AI가 개인적으로 개선이 필요하다고 계속 지적하는 부분에 대해 연습하고 공유합니다. 목표를 명확히 하면 인간은 더 잘 수행합니다.

이러한 접근 방식은 팀이 강해지고, 개인은 더 빠르게 발전하도록 돕습니다. 목표는 완벽을 요구하거나 이를 성과 평가와 연결하는 것이 아닙니다. 대신, AI 시대에 필요한 유용한 기술을 구축하고 확장하기 위해 작지만 꾸준한 습관을 사용하는 것입니다.

분기 말에는 팀과 함께 "이 산출물에 대한 루브릭에서 개선이 있었는가? 점수가 높아졌는가? 문서 승인에 필요한 반복 횟수가 줄었는가? 핵심 의사결정이 더 빠르고 혼란 없이 이루어지고 있는가?" 와 같은 대화를 나눌 수 있어야 합니다. 이러한 지표들이 올바른 방향으로 움직인다면, 여러분은 연습 루프가 팀의 사고방식과 글쓰기 방식을 변화시킨다는 것을 알게 될 것입니다.

6. 채용 과정에서도 루브릭 활용하기 👩‍💻

놀랍게도, 이러한 기술 세트는 채용 면접에서도 활용될 수 있습니다. 대부분의 회사는 기술을 매우 간접적인 방식으로 채용합니다. 예를 들어 "이해관계자에게 영향을 미친 경험에 대해 말해보세요"라고 묻고, 지원자의 이야기를 들으며 향후 몇 분기 동안 필요한 업무를 수행할 수 있을지 추론하려 하죠.

하지만 특정 산출물에 대한 패턴을 정의했다면, 사람들을 평가하는 훨씬 더 현실적인 방법이 있습니다. 팀에서 하는 것과 동일한 '게임'을 지원자에게 제공하고, 그들이 업무에서 어떻게 수행할지 보는 것이죠.

예를 들어, 전통적인 PM(제품 관리자) 면접 대신, PM에게 현실적인 프롬프트에 따라 의사결정 문서를 작성하거나 수정하는 짧은 과제를 내줄 수 있습니다. 그리고 라이브 세션에서 그 문서에 대해 논의하고, 법률적 제약이나 촉박한 마감 기한과 같은 제약 조건을 변경하여 지원자가 어떻게 생각하고 조정하는지를 관찰합니다.

그다음에는 의도적으로 평범하게 AI가 생성한 문서를 보여주고 무엇이 문제인지 묻는 비평 연습을 할 수 있습니다.

이 방식의 장점은 내부적으로 개발한 동일한 루브릭을 활용할 수 있고, 동일한 AI 모델을 일관성 있는 1차 채점 도구로 사용할 수 있다는 것입니다. AI가 채용 여부를 결정하게 하는 것이 아니라, 실제 업무에서 '좋은 것'이 무엇인지에 대한 공유되고 구체적인 기준을 갖는 것이 핵심입니다.

이러한 접근 방식의 또 다른 좋은 점은 채용과 개발이 이제 같은 지점을 가리킨다는 것입니다. 후보자에게 테스트하는 기술은 그들이 입사한 후에도 연습하도록 돕는 기술이 됩니다. "전략적 사고 능력을 보고 채용했는데 Jira 티켓 관리가 엉망이네"가 아니라, "우리가 테스트한 기술이고, 팀으로서 함께 노력하는 기술"이 되는 것이죠.

7. AI 사용이 스킬 평가를 훼손하지 않는 이유 🕵️‍♀️

이 모든 과정은 AI를 사용하여 더 나아지는 것을 전제로 합니다. AI 사용을 숨길 필요가 없으며, AI를 공개적으로 사용하면서도 이러한 기술을 향상시킬 수 있습니다. 목표는 '결과'이기 때문이죠.

면접자가 AI를 사용하더라도, 라이브 세션에서 제약 조건을 바꾸거나 특정 상황을 제시했을 때 그들이 당황하고 제대로 대처하지 못한다면, AI와 건강한 관계를 맺고 있지 않거나 스킬 세트의 한계가 명확하게 드러나는 것입니다.

이러한 연습 루프는 AI 시대에 우리 인간에게 필요한 종류의 기술을 강화하도록 설계되었습니다. 이는 사람들에게 결정을 명확히 하고, 위험을 드러내며, 장단점을 명확하게 표현하도록 유도할 것입니다. 누군가 AI를 사용하여 초안을 작성한다면 그것은 훌륭하지만, 깊이 있는 사고를 하지 않았다면 쉽게 간파될 것입니다.

이러한 접근 방식의 자유로움은 사람들이 자신의 선택과 반응 방식을 이야기하는 실제 대화를 통해 진정한 평가를 가능하게 한다는 점입니다. 면접과 개발 대화가 매우 유사하게 느껴질 것입니다. AI로 사람들을 속이는지 잡으려 하는 것이 아닙니다. 단지 탭(AI 자동 완성) 기능이 사라졌을 때에도 안정적인 사고 패턴이 유지되는지를 확인하려는 것입니다. 화면 없이 대화 중에 역동성을 바꾸고 품질에 대해 이야기했을 때, 그들이 버벅거린다면 알 수 있습니다. 하지만 AI의 도움을 받아 더 빠르게 목표에 도달하더라도, 장단점을 명확하게 설명하고 기술을 올바른 방향으로 활용할 수 있다면 그것은 환상적인 결과입니다. 이제 이를 측정할 수 있게 된 것입니다.

8. 한계점과 작은 시작 🤏

하지만 이러한 방식에도 현실적인 한계는 있습니다.

루브릭 점수는 노이즈가 있을 수 있습니다. 이를 정밀한 수치적 표현으로 간주하거나 승진의 근거로 삼지 마세요.
모든 문서가 채점되는 감시 위험을 느끼게 하고 싶지 않습니다.
프로그램 피로로 인해 이러한 노력이 흐지부지되지 않도록 해야 합니다.

따라서 저자는 크게 시작하려 하지 말고, 작게 시작하라고 강력히 권합니다. 🌟 하나의 작은 것, 습관의 짧은 변화를 선택하고 연습을 시작하며 점차 익숙해지세요.

궁극적인 목표는 지식 업무에 대해 운동선수처럼 습관을 들이는 것입니다. 어떻게 의도적으로 기술의 이름을 붙이고, 측정하며, '좋은 것'이 무엇인지 파악하고, AI의 힘을 활용하여 훈련하고 더 나아질 수 있을까요?

2019년에 타일러 코헨이 질문을 던졌을 때에는 AI가 우리를 코칭할 수 없었기에, 대부분의 사람들이 코칭을 받기에는 비용이 너무 많이 들었습니다. 하지만 이제는 AI가 우리 각자와 팀을 도와 기술 세트를 실제로 성장시킬 수 있게 되었습니다. 이는 정말 흥미로운 변화입니다!

마무리

AI 시대는 지식 근로자들에게 단순한 효율성 증대를 넘어, 자신의 직무 기술을 체계적으로 훈련하고 발전시킬 수 있는 새로운 기회를 제공합니다. 모호했던 '잘하는 것'의 기준을 명확한 루브릭으로 정의하고, AI를 개인 코치처럼 활용하여 반복적인 연습을 수행하며, 이러한 과정을 팀과 채용에도 적용함으로써 우리는 과거에는 상상하기 어려웠던 수준의 성장을 이룰 수 있습니다. 지금부터라도 작게 시작하여 지식 업무의 '운동선수'가 되는 습관을 만들어 나가는 것이 중요합니다.