▲

AI 에이전트, 로봇, 그리고 우리: AI 시대의 기술 파트너십

 (mckinsey.com)
5P by neo 12시간전 | ★ favorite | 댓글과 토론
  • 미래의 일은 사람, 에이전트, 로봇의 파트너십으로 재구성되며, 현재 기술로 근무 시간의 약 57%를 자동화 가능하나 이는 기술적 잠재력일 뿐 일자리 감소 예측이 아님
  • 오늘날 고용주가 요구하는 기술의 70% 이상이 자동화 가능한 업무와 그렇지 않은 업무 모두에 사용되어 대부분의 기술이 여전히 유효하되 적용 방식이 달라짐
  • AI 유창성(AI 도구 사용·관리 능력) 수요가 2년간 7배 증가해 채용 공고에서 가장 빠르게 성장하는 기술로 부상
  • 2030년까지 미국에서만 약 2.9조 달러의 경제적 가치 창출 가능하며, 이를 위해 개별 업무가 아닌 워크플로우 전체를 재설계해야 함
  • Skill Change Index에 따르면 디지털·정보 처리 기술이 가장 큰 변화를 겪고, 돌봄·지원 관련 기술은 가장 적은 변화가 예상됨

핵심 개요

  • 미래 업무는 AI 기반의 사람, 에이전트, 로봇 간 파트너십으로 전환
  • 현재 기술로 미국 근무 시간의 약 57% 가 이론적으로 자동화 가능하나, 이는 기술적 잠재력이며 실제 채택에는 수십 년 소요 예상
  • 일부 역할은 축소, 일부는 성장 또는 변화, 새로운 역할 등장 전망
  • 고용주가 요구하는 기술의 70% 이상이 자동화 가능·불가능 업무 모두에 사용되어 대부분의 기술이 유효하되 적용 맥락이 변화
  • Skill Change Index는 향후 5년간 각 기술의 자동화 노출도를 측정하며, 디지털·정보 처리 기술이 가장 영향받고 돌봄 기술은 최소 변화 예상
  • AI 유창성 수요가 2년간 거의 7배 증가해 미국 채용 공고에서 가장 빠른 성장세 기록
  • 2030년까지 미국에서 약 2.9조 달러의 경제적 가치 창출 가능하며, 이를 위해 조직이 인력을 준비하고 개별 업무가 아닌 워크플로우 전체를 재설계해야 함

AI가 업무의 경계를 재정의

  • 에이전트와 로봇의 자율성·역량 강화

    • 과거 기계는 규칙을 따르도록 설계되어 미리 정해진 대로만 작동
    • AI 등장으로 인지적·물리적 업무를 수행하는 에이전트와 로봇이 방대한 데이터셋에서 학습해 더 많은 역량 확보
    • 자연어 포함 다양한 입력에 대응하고, 사전 규칙 대신 맥락에 적응 가능
    • 현재 기술로 미국 근무 시간의 약 57% 를 이론적으로 자동화 가능하나, 실제 채택은 정책, 노동 비용, 구현 비용, 개발 시간 등에 좌우
    • 전기 보급에 30년 이상, 산업용 로봇도 유사한 수십 년 경로를 따랐으며, 2023년 기준 대부분의 애플리케이션을 클라우드에서 운영하는 기업은 약 5분의 1 수준

  • AI가 모든 유형의 업무에 영향

    • 비물리적 업무가 미국 근무 시간의 약 3분의 2 차지
    • 비물리적 업무의 약 3분의 1은 AI가 아직 도달하지 못한 사회적·감정적 기술 필요
    • 나머지는 추론, 정보 처리 등 자동화에 적합한 업무로, 미국 총 임금의 약 40% 차지
    • 물리적 업무는 미국 근무 시간의 약 35% 차지하며, 로봇이 진전했으나 대부분의 물리적 업무는 기술이 아직 신뢰성 있게 복제하지 못하는 미세 운동 기술, 손재주, 상황 인식 필요
    • 미국 인력의 약 40% 에서 물리적 업무가 근무 시간의 절반 이상 차지(운전자, 건설 노동자, 요리사, 의료 보조원 등)
    • 로봇 발전으로 생산, 식품 준비 등 일부 저임금 역할 포함 직종 변화 예상
    • 수중 작업, 수색·구조, 위험 환경 점검 등 사람에게 위험하거나 불가능한 업무도 로봇이 계속 수행

  • 사람은 필수 불가결

    • 현재 역량 수준에서 에이전트는 미국 근무 시간의 44%, 로봇은 13% 를 수행 가능
    • 자동화를 더 확장하려면 의도·감정 해석(에이전트), 미세 운동 제어(로봇) 등 현재 인간만 가능한 역량 필요
    • 기술 발전에 따라 일부 역할 축소, 다른 역할 확대 또는 초점 변화, 새로운 역할 창출 예상
    • 방사선학 사례: 2017~2024년 방사선 전문의 고용이 AI 발전에도 연간 약 3% 성장, AI가 정확도·효율성 향상하며 의사는 복잡한 의사결정과 환자 케어에 집중
      • Mayo Clinic은 2016년 이후 방사선과 직원을 50% 이상 확대하면서 수백 개 AI 모델 배포
    • AI가 새로운 유형의 업무와 역할 창출 중(소프트웨어 엔지니어의 에이전트 생성·개선, 생성형 도구를 활용한 디자이너·크리에이터의 새 콘텐츠 제작 등)

7가지 작업 유형

  • 약 800개 직종을 물리적·비물리적 자동화 잠재력에 따라 분석해 7가지 유형으로 분류
  • 자동화 잠재력이 가장 낮은 직종은 사람 중심(people-centric), 자동화 가능 업무 비율이 높은 직종은 에이전트 중심(agent-centric) 또는 로봇 중심(robot-centric) 으로 분류
  • 2~3가지가 균형 있게 결합된 역할은 혼합 또는 하이브리드 유형으로 분류

  • 사람 중심 역할

    • 헬스케어, 건물·유지보수 등에서 발견되며 미국 일자리의 약 3분의 1 차지
    • 평균 연봉 약 71,000달러
    • 현재 기술로 복제 불가능한 물리적 활동이 근무 시간의 약 절반 차지

  • 에이전트 중심·로봇 중심 역할

    • 자동화 잠재력이 가장 높은 역할로 전체 일자리의 약 40% 차지
    • 대부분 법률·행정 서비스의 에이전트 중심 역할로 평균 연봉 약 70,000달러, 문서 작성 등 기술적으로 AI 시스템이 처리 가능한 대규모 인지 업무 포함
    • 로봇 중심 역할(운전자, 기계 운전자 등)은 물리적으로 요구 수준 높고 때로 위험하며 평균 연봉 약 42,000달러
    • 에이전트-로봇 역할은 전체 근로자의 약 2% 로 평균 연봉 약 49,000달러, 물리적 업무가 근무 시간의 53% 차지, 주로 자동화 제조·물류 운영 등 소프트웨어 지능이 물리적 시스템을 지시하는 생산 환경에서 발견

  • 하이브리드 역할

    • 인간, 에이전트, 로봇을 결합한 다양한 직종으로 인력의 약 3분의 1 고용
    • 급여, 물리적 강도, 자동화 잠재력이 크게 다르지만 모든 환경에서 사람이 필수
    • 사람-에이전트 역할: 교사, 엔지니어, 금융 전문가 등 디지털·AI 도구로 업무 향상 가능, 평균 연봉 74,000달러, 미국 근로자의 약 5분의 1 차지
    • 사람-로봇 역할: 유지보수·건설에서 발견, 기계가 인간 노력에 힘과 정밀성 추가, 물리적 업무가 근무 시간의 약 81% 차지, 평균 연봉 54,000달러, 미국 근로자의 1% 미만 해당
    • 사람-에이전트-로봇 역할: 운송, 농업, 식품 서비스에서 발견, 세 가지 형태의 노동이 거의 동등하게 결합, 물리적 업무가 근무 시간의 약 43% 차지, 평균 연봉 60,000달러, 미국 근로자의 약 5% 해당

기술 요구사항의 변화

  • 채용 공고 분석 결과 약 6,800개 기술이 1,100만 건 이상의 채용 공고에서 빈번히 언급
  • 거의 모든 직종에 2030년까지 최상위 4분위에 해당하는 고도로 변화된 기술이 최소 하나 이상 존재
  • 직종의 3분의 1에서 기술의 10% 이상이 큰 변화 예상

  • 기술 요구사항의 구체화·전문화

    • 각 직종과 연관된 고유 기술 수가 10년 전 평균 54개에서 64개로 증가해 고용주가 역할을 설명하는 방식이 더 구체화
    • 고임금 분야는 더 많은 기술과 더 큰 전문화 필요 경향
      • 데이터 사이언티스트, 경제학자의 채용 공고는 90개 이상의 고유 기술 나열
      • 자동차 운전자는 10개 미만 나열
    • 고임금 직종은 관리, 정보, 디지털 기술 강조
    • 저임금 역할은 실무 작업, 장비 운영, 케어·지원 제공에 집중

  • 이전 가능한 기술과 8대 고빈도 기술

    • 각 기술 변화의 물결이 근로자의 업무 방식을 바꿔왔으나, 오늘날의 차이점은 속도
    • 2023년까지 AI 관련 기술 수요는 클라우드 컴퓨팅, 사이버보안 등 다른 디지털 기술과 비슷한 속도로 성장
    • 생성형 AI 부상 이후 급격히 가속: 지난 2년간 약 600개의 새 기술이 채용 공고에 등장(지난 10년간 추가된 총량의 약 3분의 1)하며 많은 것이 AI 및 관련 기술과 연결
    • 급속한 변화로 이전 가능한 기술의 가치 상승
    • 전문화 증가에도 8대 고빈도 기술(커뮤니케이션, 고객 관계, 작문, 문제 해결, 리더십, 관리, 운영, 세부 지향)이 산업과 임금 수준에 걸쳐 지속적으로 유효
    • 이러한 기술은 노동 시장의 연결 조직을 형성하고 인력 개발의 핵심
    • 많은 다른 기술도 직종 간 이전 가능: 예를 들어 Account Executive에 필요한 기술의 절반 이상이 175개 다른 직종에도 등장

  • AI 유창성(AI Fluency) 수요의 급성장

    • AI 유창성(AI 도구 사용·관리 능력) 수요가 2025년 중반까지 2년간 거의 7배 급증
    • 현재 약 700만 명의 근로자가 종사하는 직종에서 요구 사항으로 부상
    • 기술적 AI 기술(AI 시스템 구축·배포) 수요도 성장 중이나 더 느린 속도
    • AI 기술 수요의 75% 가 세 개 직업군에 집중: 컴퓨팅·수학, 관리, 비즈니스·금융
    • 나머지는 건축·엔지니어링, 설치·유지보수·수리, 교육 등 10개 기타 직업군에서 발생
    • 건설, 운송, 식품 서비스 등 9개 직업군(인력의 약 40%, 중위 소득 이하)에서는 AI 관련 기술 수요가 제한적
    • 고용주들은 프로세스 최적화, 품질 보증, 교육 등 AI 인접 역량 수요도 증가 중
    • 반면 기계가 이미 잘 수행하거나 크게 향상시키는 분야(리서치, 작문, 단순 수학)의 채용 공고 언급은 감소 중이나, 이러한 기술은 여전히 인력 대부분에게 필수

  • 대부분의 인간 기술은 유효하되 사용 방식 변화

    • 기술의 약 72% 가 AI가 수행할 수 있는 업무와 사람이 해야 하는 업무 모두에 필요
    • 소수의 기술은 대인 갈등 해결, 디자인 씽킹 등 공감, 창의성, 맥락적 이해에 뿌리를 둔 고유하게 인간적인 것으로 유지 예상
    • 스펙트럼 반대편에는 데이터 입력, 금융 처리, 장비 제어 등 대부분 AI 주도가 될 가능성 높은 기술 존재
      • 이 영역에서 사람은 실무에서 물러나 설계, 결과 검증, 예외 처리에 집중
    • 양 극단 사이의 광범위한 중간 영역에서 사람과 AI가 나란히 협력
      • 기술 파트너십 형성: 기계가 루틴 업무 처리, 사람이 문제 프레이밍, AI 에이전트·로봇에 지침 제공, 결과 해석, 의사결정 수행
      • 기계에 아직 부족한 판단력과 맥락적 이해를 인간이 제공하며 협업과 감독 결합

Skill Change Index(SCI)

  • SCI는 다양한 채택 시나리오에서 각 기술의 자동화 잠재적 노출도를 측정하는 시간 가중 지표
  • 가장 수요가 높은 100개 기술 중 AI 효과가 크게 다름
    • 코칭 등 사람 중심 기술은 자동화 노출이 가장 낮음
    • 송장 처리 등 수동·루틴 기술은 노출이 가장 높음
    • 품질 보증 등의 기술은 분포 중간에 위치해 AI가 기술을 대체하기보다 사용 방식을 변화시키는 영역

  • 7,000개 기술의 노출도

    • 디지털·정보 처리 기술이 SCI에서 가장 높은 순위로 AI의 데이터 처리·분석 능력 향상 반영
    • 돌봄·지원 기술은 가장 적은 변화 예상

  • 기술 진화의 세 가지 경로

    • 고노출 기술(상위 4분위): 수요 감소 가능성 높음, 회계 프로세스, 특정 언어 프로그래밍 등 AI가 이미 잘 수행하는 전문 기술이 주로 해당
    • 중간 4분위 기술: 수요 증감보다 본질과 적용 방식이 진화 가능성 높음, 인간 판단과 디지털 도구를 결합하는 이전 가능한 기술이 주로 해당, AI 유창성도 여기 포함, 작문·리서치 등의 기술을 사람들이 새로운 방식으로 적용
    • 저노출 기술(하위 4분위): 지속 가능성 높음, 리더십, 헬스케어 기술 등 인간 연결과 케어에 기반한 기술이 주로 해당

경제적 가치와 워크플로우 재설계

  • AI 기반 자동화로 2030년까지 미국에서 중간 채택 시나리오 기준 연간 약 2.9조 달러의 경제적 가치 창출 가능
  • 이러한 이득 실현은 개별 업무 자동화가 아닌 전체 워크플로우 재설계를 통해 사람, 에이전트, 로봇이 효과적으로 협력할 수 있도록 해야 함

  • 대부분의 기업이 아직 실질적 이득 미달

    • 기업의 약 90% 가 AI에 투자했다고 답하나, 측정 가능한 이득을 보고하는 기업은 40% 미만
    • 격차의 원인: 많은 프로젝트가 아직 파일럿/시범 단계이거나, 조직이 전체 워크플로우 재설계 대신 개별 업무에 AI 적용 중
    • 예: 은행에서 직원에게 임시 사용 챗봇 제공 vs 대출 승인·처리·관리를 위해 사람과 함께 재구상된 프로세스에 맞춤 에이전트 배치의 차이

  • 생산성 이득의 분포

    • 미국 경제 전반의 190개 비즈니스 프로세스 분석
    • 잠재적 생산성 이득의 약 60% 가 부문별 도메인 관련 워크플로우에 집중(각 산업의 핵심 활동)
      • 제조업: 공급망 관리
      • 헬스케어: 임상 진단 및 환자 케어
      • 금융: 규제 준수 및 리스크 관리
    • 추가 이득은 IT, 재무, 행정 서비스 등 모든 부문을 지원하는 교차 기능에서 발생

사례 연구: AI 내장 워크플로우

  • AI를 중심으로 워크플로우를 재설계하는 80개 구현 사례 확인
  • 관리자와 전문가가 실행자가 아닌 오케스트레이터·검증자 역할로 점점 전환
  • 데이터 분석가, 언더라이터, 엔지니어 등 도메인 전문가가 초기 분석 또는 초안 생성을 수행하는 에이전트와 파트너십
  • 가장 가치 있는 인간 기술이 AI 유창성, 적응력, 산출물 비판적 평가로 이동해 사람이 더 높은 가치의 업무에 집중 가능

  • 영업 사례: 글로벌 기술 기업

    • 도달 범위 확대와 고객 관계 심화 추구
    • 기존 모델에서는 인간 영업팀이 일관성 없는 우선순위 방법 사용, 수천 개 소규모 계정에 대한 맞춤형 접근 역량 제한, 상위 잠재 고객만 맞춤형 관심 수령
    • 영업 프로세스 초기 단계 자동화를 위해 여러 AI 에이전트 도입
      • 우선순위 에이전트: 공개·독점 데이터 기반으로 계정 점수화·순위화
      • 접근 에이전트: 고객 연락
      • 고객 응답 에이전트: 후속 조치 관리, 관심/무관심/불확실로 리드 분류
      • 일정 에이전트: 고잠재력 리드에 대한 통화·리마인더 설정
      • 핸드오프 에이전트: 인간 판단 필요 시 전문가에게 파일 이관
    • 결과: 신규 매출, 교차 판매, 유지율 증가로 연간 매출 7~12% 증가 전망, 영업 역할 전반에서 30~50% 시간 절감
    • 비즈니스 개발 전문가가 제안서 작성, 파트너십 협상, 관계 구축 등 전략적 참여에 더 많은 시간 투자 가능
    • 향후 코칭 에이전트(영업팀에 실시간 피드백), 관리 에이전트(루틴 행정 업무 처리 어시스턴트) 추가 가능

  • 고객 운영 사례: 대형 유틸리티 기업

    • 앱·웹사이트에 여러 셀프서비스 옵션이 있음에도 연간 700만 건 이상의 지원 전화 처리
    • 기존 대화형 음성 응답 시스템은 문의의 약 10% 만 해결, 나머지는 인간 고객 서비스 담당자에게 전달
    • 전체 고객 기반에 에이전틱 대화형 AI 배포
      • 인바운드 콜 에이전트: 고객 인증
      • 의도 식별 에이전트: 통화 목적 파악
      • 통화 일정 에이전트: 약속 관리
      • 셀프서비스 에이전트: 백엔드 시스템과 통합
    • 결과: 현재 모든 통화의 약 40% 를 처리하고 그 중 80% 이상을 인간 개입 없이 해결
      • 에스컬레이션 필요 시 검증된 계정 세부정보와 대화 이력과 함께 전송해 원활한 핸드오프 보장
      • 통화당 평균 비용 약 50% 감소
      • 대기 시간 단축, 일관된 처리, 빠른 해결로 고객 만족도 점수 6%포인트 상승
      • 인간 담당자는 더 복잡하고 감정적으로 민감하며 고가치 문제 관리
    • 향후 고객 문제 식별 에이전트(서비스 중단 감지·선제적 고객 연락 모니터링), 코칭 에이전트(실시간 통화 중 인간 담당자에게 실시간 지침 제공) 추가 가능
    • 고급 AI 에이전트가 결국 고객 문의의 80~90% 처리 가능 전망

  • 의료 작문 사례: 글로벌 바이오제약 기업

    • 신약의 안전성·효능 데이터를 문서화하는 임상 연구 보고서 작성 프로세스 개선 추구
    • 기존 모델에서는 의료 작성자가 수동으로 연구 데이터 수집, 긴 보고서 작성, 여러 검토 주기 조정
    • 제한된 역량과 긴 소요 시간이 늘어나는 제출 수요 충족 능력 제약
    • 보고서 작성을 위한 워크플로우 재구성 AI 플랫폼 개발
      • 구조화·비구조화 연구 데이터 합성, 수 분 내 포괄적 초안 생성, 회사 스타일·규정 준수 템플릿 적용, 오류 자체 검토
    • 의료 작성자 역할이 수동 초안 작성에서 AI 시스템과 협력하고 임상 판단 적용으로 전환
    • 결과: 첫 인간 검토 초안의 터치 시간 약 60% 감소, 오류 약 50% 감소
      • 다른 관련 프로세스·기술 변화와 결합 시 시장 출시 노력이 수 주 단축, 추가 개선 예상
    • 향후 임상 연구 계획부터 제출까지 주요 단계 지원 에이전트 활용 가능: 임상 연구 계획 에이전트(시험 프로토콜 조립), 데이터 매핑 에이전트(데이터 분석·합성), 보고서 작성 에이전트(전체 초안 생성), 검증 에이전트(규정 준수 확인), 검토 에이전트(오류 스캔), 제출 초안 에이전트(규제 기관 제출용 문서 생성)
    • 연구 주기 전반에 적용 시 타임라인 수 개월 단축 가능

  • IT 현대화 사례: 지역 은행

    • AI 에이전트를 사용해 중소기업용 뱅킹 애플리케이션 현대화
    • 내부 개발 속도를 높이기 위해 다양한 프로그래밍 언어 업데이트 목표
    • 기존 방식: 수백만 줄의 코드에 대한 수동 문서화, 코드 리팩토링, 테스트로 수개월의 작업, 대규모 예산, 광범위한 엔지니어링 역량 필요
    • 여러 현대화 업무에 AI 에이전트를 사용하는 파일럿 시작
      • 평가 에이전트: 레거시 코드베이스 스캔해 종속성 식별
      • 기능 에이전트: 목표 상태 아키텍처 생성
      • 코딩 에이전트: 코드를 새 프레임워크로 마이그레이션하고 자동 테스트 수행
    • 개발자들이 15~20개 에이전트와 협력해 아키텍처 무결성, 규정 준수, 기능 정확성을 위한 산출물 검증·개선
    • 현대화 과정에서 애플리케이션이 데스크톱에서 모바일로, 온프레미스에서 클라우드로, 모놀리식에서 마이크로서비스 아키텍처로 전환
    • AI 에이전트가 대부분의 반복적 실행을 담당하면서 인간 업무 초점이 계획, 오케스트레이션, 테스트로 이동
    • 초기 결과: 최대 70% 코드 정확도
    • 은행은 파일럿 모듈 이후 전체 현대화 노력에 에이전트 사용 확대 계획, 필요 인간 시간 최대 50% 감소 추정
    • 향후 현대화 계획 에이전트(프로세스 조정), 품질 보증 에이전트, 테스트 에이전트 지원 가능

  • AI가 관리 업무와 기술을 재편

    • AI가 더 많은 분석·의사결정 지원 업무를 담당하면서 관리 업무의 본질이 사람 감독에서 사람·AI 에이전트·로봇이 협력하는 시스템 오케스트레이션으로 전환
    • 관리자가 영향력 행사, 멘토링 등 더 높은 가치의 업무에 시간 재배분 가능하면서 더 큰 기술적 유창성도 요구
      • 예: 영업 관리자가 AI 기반 인사이트를 사용하고 관계를 강화하도록 팀 코칭에 더 많은 시간 투자 가능
      • 예: 고객 서비스 관리자가 사람과 AI 에이전트의 하이브리드 인력을 감독하며 AI 시스템과 직원 모두 훈련해 서비스 개선 가능

비즈니스 리더를 위한 핵심 질문

  • 미래 가치를 위한 비즈니스 재구상

    • 초기 AI 노력은 워크플로우 재고보다 기존 개선에 초점을 맞추는 경우가 많음
    • 더 큰 이득은 프로세스 전체 재설계에서 발생
    • 미래 가치 구축을 위해 수년 앞을 내다보고 역으로 작업해 AI 관련으로 어떤 역할, 기술, 구조가 변화해야 하는지 파악 필요
    • 리더는 지금 주요 재설계에 투자할 곳과 단기 이득을 위해 현재 모델을 개선할 곳 선택 필요

  • 핵심 비즈니스 변혁으로서 AI 주도

    • AI는 거의 모든 기능에 영향
    • 리더는 기술 프로젝트 또는 더 광범위한 비즈니스 변혁으로 접근 가능
    • IT 부서에 책임 위임 시 구현 속도는 빨라질 수 있으나, 지속적인 변화와 실질적 전략적 우위는 고위 리더십의 가시적 헌신과 AI가 조직 전반의 사람과 비즈니스에 미치는 영향에 대한 지속적 관심에 좌우

  • 실험과 학습의 문화 구축

    • AI 구현에는 특히 초기에 불확실성 수반
    • 빠르게 테스트하고 적응하는 조직이 가장 빠르게 학습하는 경향
    • 호기심, 위험 감수, 실패에서 학습, 협업을 지원하는 문화에 좌우
    • 문화 변화는 어렵지만 AI가 요구할 가능성이 높은 규모의 변혁에 필수

  • 신뢰 구축과 안전 보장

    • AI가 기업의 책임 유지와 감독 방식을 변화
    • 초점이 개별 산출물 확인에서 명확한 정책 설정, AI 로직 검증, 예외 처리, 인간 개입이 가장 필요한 시점 결정으로 이동
    • 과제: 혁신과 효율성을 제한하지 않으면서 리스크 관리와 안전 보장에 충분한 감독을 유지하는 올바른 균형 유지

  • 관리자의 하이브리드 팀 리드 역량 구비

    • AI가 관리의 의미 재정의
    • 루틴 감독 자동화로 관리자가 코칭, 영향력 행사, 사람·에이전트·로봇의 하이브리드 팀 오케스트레이션에 집중 가능
    • 관리자는 편향 테스트, 성과 검증, 무결성 유지에도 핵심 역할 수행
    • 자동화로 직접 통제가 감소하면서 결과에 대한 책임 유지가 더 어려워질 수 있음
    • 인간과 기계 기여 및 상호작용 평가를 위한 새로운 성과 지표와 피드백 시스템 필요

  • AI가 해방시킨 역량 활용 결정

    • 기업은 AI가 해방시킨 역량을 어떻게 사용할지 결정 필요: 인력 개발과 더 높은 가치의 업무에 재투자 또는 더 큰 효율성과 비용 절감에 집중
    • 대부분 둘 다 일부씩 수행
    • 이 전환 관리는 어떤 역할이 진화할 수 있는지 파악하고 직원에게 명확한 기술 기반 성장 경로 제공 필요
    • AI로 지속적 학습과 훈련이 조직 강점에 더욱 중요
    • 직업 변화와 기술 니즈가 더 빠르게 진화하면서, 근로자가 자신의 기술이 새로운 유형의 업무에 어떻게 이전되는지 이해하도록 돕는 것이 사람과 기업 모두의 회복력 강화에 기여
    • AI 유창성이 조직 전 레벨로 확대 필요
    • 기업은 디지털 도구, 실습 프로젝트, 코칭을 통해 이러한 기술 구축 가능, 다른 조직·기관과의 파트너십으로 학습 접근성 확대와 새로운 기회 개방 가능

기관을 위한 핵심 질문

  • 교육과 훈련의 진화

    • 기술 니즈가 진화하면서 교육이 핵심 역할 수행
    • AI 유창성의 기초(비판적 사고, 결과 질문, 가정 도전, 편향·오류 인식 등)를 초등학교부터 개발해 사람들이 이러한 기술을 효과적으로 사용하고 안내하는 법 학습 필요
    • 커리큘럼을 재설계해 기술 지식과 적응력, 분석적 사고, 협업 등 이전 가능한 인간 기술 결합 가능
    • 대학은 AI를 학문 분야 전반에 통합하고, 직업·커뮤니티 칼리지는 숙련 거래 훈련 확대 가능
    • AI가 더 개인화되고 지속적인 학습 지원 가능
    • 리스킬링 수요 증가에 따라 평생 학습 투자 필요
    • 교육 시스템과 고용주가 공유 프로그램, 유연한 모델, 수입 병행 견습, 빠른 자격 인증을 통해 더 긴밀히 협력해 사람들의 직업·산업 간 이동 지원 필요

  • 이전 가능한 기술이 새로운 기회로 연결되는 시스템

    • AI가 업무를 변혁하면서 많은 사람이 완전히 새로운 직종으로 이동 필요
    • 그러한 전환에 이전 가능한 기술이 필수적이나, 노동 시장이 이를 인식하고 보상할 수 있어야 의미 있음
    • 명확한 기술 정의, 능력을 입증하는 신뢰할 수 있는 방법(테스트 또는 검증된 자격증), 더 나은 매칭 플랫폼이 이를 가능하게 함
    • 고용주, 학교, 자격 인증 기관 간 연결 구축으로 업무와 기회에 대한 접근성 확대 가능

  • 지역 경제와 커뮤니티 대응

    • AI 영향은 산업과 지역에 따라 크게 다름
    • 데이터를 통해 이러한 차이를 이해하는 것이 효과적 조치의 첫 단계
    • 변화가 발생하는 곳에 대한 명확한 그림으로 산업 그룹, 교육자, 인력 기관, 노조가 지역 니즈에 맞는 훈련과 직업 전환 전략을 위해 협력 가능

용어 정의

  • 채택(Adoption): 조직 또는 노동력 맥락 내 실제 업무 활동과 워크플로우에 AI 및 자동화 기술 배포, 자동화 잠재력이 얼마나, 얼마나 빨리, 얼마나 광범위하게 포착되는지 결정
  • 에이전트(Agents): 디지털 세계에서 업무 활동을 수행하는 기계, 사람의 비물리적 역량(자연어 생성, 사회적·감정적 추론, 창의성 등)을 증강 또는 대체
  • AI 기반 에이전트(AI-powered agents): AI가 내장된 에이전트로 더 자율적으로 행동하고 워크플로우 오케스트레이션 가능; 에이전틱 AI라고도 함
  • AI 기반 로봇(AI-powered robots): AI가 내장된 로봇으로 더 자율적으로 행동하고 워크플로우 오케스트레이션 가능
  • 인공지능(Artificial Intelligence, AI): 전통적으로 인간 지능이 필요한 업무를 수행하는 소프트웨어의 능력, 잠재적으로 사람의 역량을 증강 또는 대체
  • 역량(Capabilities): 기술 적용을 지원하는 물리적 또는 비물리적 능력, 업무 활동 수행에 필요한 인간 수준의 성과를 기반으로 평가; 비물리적 역량에는 인지적(자연어, 논리적 추론, 창의성, 내비게이션 등) 및 사회적·감정적 역량 포함
  • 생성형 AI(Generative AI): 비구조화 데이터를 입력으로 받아 파운데이션 모델(방대한 양의 다양한 데이터로 훈련된 대규모 인공 신경망)을 통해 비구조화 데이터를 생성하는 AI 애플리케이션
  • 비물리적 업무(Nonphysical work): 물리적 움직임이 아닌 인지적 또는 사회적/감정적 역량을 포함하는 업무(문제 해결, 정보 처리, 창조, 타인과 협업 등)
  • 직종(Occupations): 기술, 업무 맥락, 기타 자격 측면에서 설명 가능한 유사한 업무 또는 업무 활동을 공유하는 직업 집합; 미국에서는 노동통계국이 유지하는 표준직업분류 시스템 사용
  • 물리적 업무(Physical work): 대근육 운동 기술, 미세 운동 기술, 이동성 등 동작 기반 역량을 필요로 하는 물리적 세계와의 직접 상호작용을 포함하는 업무; 일반적으로 물체, 도구, 기계 조작 또는 이동, 재료 조립 또는 위치 지정, 인간의 힘이나 손재주에 의존하는 동작 수행 포함
  • 로봇(Robots): 물리적 세계에서 업무 활동을 수행하는 기계, 사람의 물리적 역량(대근육 운동 기술, 미세 운동 기술, 이동성)을 증강 또는 대체
  • 기술(Skills): 사람이 업무 활동을 수행하기 위해 배치하는 지식, 역량, 속성, 종종 공식 교육, 훈련, 업무 경험을 통해 습득; Lightcast와 ESCO가 기술에 대한 시장 주도 분류 시스템 제공
  • 기술적 자동화 잠재력(Technical automation potential): 특정 수준의 기술 역량으로 이론적으로 자동화될 수 있는 근무 시간의 비율; 각 직종의 세부 업무 활동 분석을 통해 미국 경제 전반의 기술적 자동화 잠재력 평가; 미국 노동통계국과 O*NET이 발행한 데이터베이스를 사용해 약 800개 직종을 약 2,000개 활동으로 분해하고, 인간이 현재 직장에서 수행하는 방식을 기반으로 각 활동에 필요한 역량 결정
  • 업무 활동(Work activities): 직종의 목표를 달성하기 위해 사람이 하는 일을 나타내는 관찰 가능한 업무 행동; 미국에서는 O*NET이 상세 업무 활동(DWA)으로 공식 분류
  • 워크플로우(Workflows): 정의된 목표를 향해 업무를 집단적으로 진전시키는 구조화된 업무 활동 시퀀스, 프로세스(규칙, 종속성, 정보 흐름 등)에 의해 안내되며 사람과 기술 포함