2026년 1월 세계경제포럼(WEF, World Economic Forum)에서 앤드루 응(Andrew Ng)은 범용인공지능(AGI, Artificial General Intelligence)의 시한, 일자리, 소프트웨어 엔지니어링, 기업 변환, 그리고 인공지능(AI) 버블을 한자리에서 짚었다. 메시지의 핵심은 단순하다 - 대체가 아니라 재설계라는 것이다.
이 대담의 두 사람 관계를 먼저 밝혀 두는 편이 내용을 이해하는 데 도움이 된다. 응답자 앤드루 응은 구글 브레인을 공동 창업하고 코세라(Coursera)와 딥러닝닷에이아이를 세운 인물로, 현재는 인공지능 스타트업 투자사 에이아이 펀드를 이끈다. 진행자 앤드루 매카피는 매사추세츠 공과대학의 디지털경제 연구자로, 경제학자 에릭 브린욜프슨(Erik Brynjolfsson)과 여러 권의 책을 함께 썼고 두 사람이 공동 창업한 회사가 워크헬릭스다.
그리고 응의 에이아이 펀드는 이 워크헬릭스의 초기 투자를 주도했다. 대담 후반에 등장하는 계측(instrumentation)과 인과 분석 논의가 곧 워크헬릭스의 사업 방법론과 직결되는 이유가 여기에 있다. 두 사람은 같은 문제 - 기업이 인공지능에서 실제 가치를 어떻게 끌어내는가 - 를 각자의 자리에서 들여다보는 동료다.
응은 범용인공지능이라는 개념 자체가 문제적이라고 말한다. 정의가 너무 많아져 의미를 잃었다는 것이다. 같은 단어를 쓰면서도 사람마다 전혀 다른 것을 가리킨다.
원래 정의는 명확했다. 사람이 할 수 있는 모든 지적 작업을 해내는 인공지능, 대중의 언어로는 인간만큼 똑똑한 인공지능이다. 이 수준에 도달했는지 가늠하는 한 가지 신호로, 응은 비슷한 훈련을 받은 원격 근무자가 하는 일을 인공지능이 그대로 해낼 수 있는가를 든다. 그 기준이라면 자신은 수십 년, 어쩌면 그 이상 멀리 있다고 본다.
문제는 진척과 기대를 보여주려는 일부 기업들이 훨씬 낮은, 달성하기 쉬운 대체 정의를 끌어들였다는 데 있다. 예컨대 경제적으로 유용한 일의 50%를 해내면 범용인공지능이라는 식이다. 응은 농업에 인류 대부분이 종사하던 1800년대를 기준으로 측정한다면 그 일의 상당수는 이미 자동화되었으니, 어떤 정의로는 수십 년 전에 범용인공지능에 도달한 셈이라고 꼬집는다.
높이뛰기 바를 그대로 두고 누가 넘는지 보는 것이 원래의 시험이었다. 그런데 바가 자꾸 낮아진다. 발목 높이까지 내려온 바를 넘고는 "범용인공지능 통과"라고 외치는 격이다. 같은 단어가 천장과 발목을 동시에 가리키니, 듣는 사람은 어느 쪽인지 알 수 없다.
이 혼선이 실제 피해로 이어진다는 점을 응은 경계한다. 대학생들이 특정 직업이 곧 사라진다고 믿고 전공을 바꾸고, 기업이 지나치게 낙관적인 전망 위에서 자본 배분을 결정한다. 사회 대부분은 범용인공지능을 인간 수준 지능으로 받아들이는데, 그렇게 모든 지식 노동이 자동화된다고 상상하면 두려울 수밖에 없다. 그러나 그 지점은 아직 멀다.
실제 성과 지표도 이 간극을 뒷받침한다. 프라이스워터하우스쿠퍼스(PwC)의 2026년 글로벌 CEO 조사에서 95개국 4,454명의 최고경영자 중 56%는 지난 12개월간 인공지능으로 매출 증가도 비용 절감도 얻지 못했다고 답했고, 둘 다 달성한 비율은 12%에 그쳤다. 그럼에도 51%는 투자를 이어가겠다고 했다. 서사와 현실 사이의 거리가 그만큼 벌어져 있다는 신호다.
응이 강하게 영향을 받았다고 밝힌 것은 브린욜프슨과 매카피 진영의 작업, 곧 직무를 작업(task) 단위로 쪼개 분석하는 방식이다. 직무 하나를 잘게 나누면 많은 경우 전체의 30-40% 정도를 인공지능이 처리할 수 있다. 뒤집어 말하면 나머지 60-70%는 여전히 사람이 해야 한다는 뜻이다.
그래서 핵심 명제가 나온다. 인공지능을 쓰는 사람은 안 쓰는 사람보다 훨씬 생산적이고, 결국 안 쓰는 사람을 대체한다. 그러나 인공지능 자체가 사람을 대체하지는 않는다. 응은 이 구분을 분명히 한다.
다만 투명하게 덧붙이자면, 인공지능이 거의 100%를 해낼 수 있는 소수 직군은 존재하고 그 일자리는 사라질 것이라고 그는 말한다. 번역가, 성우, 상당수의 콜센터 상담원을 그는 걱정한다. 일자리가 사라진다고 해서 그 사람들이 길거리로 내몰려도 된다는 뜻은 아니므로, 사회적으로 안전망을 갖추고 이들을 돌볼 의무가 더 커진다는 것이 그의 견해다.
나머지 대다수에게 진짜 과제는 인공지능을 다룰 수 있도록 다시 숙련시키는 일(upskilling)이다. 응은 그 과제의 규모와, 우리가 요구되는 속도로 그것을 해낼 수 있을지를 가장 걱정한다고 했다.
소프트웨어 엔지니어링은 까다로운 사례라고 응은 운을 뗀다. 그가 아는 가장 뛰어난 엔지니어는 경험이 풍부하면서 인공지능에도 능숙한 사람들이며, 그런 사람을 충분히 구하지 못해 더 뽑고 싶을 정도라고 했다. 동시에 그는 앞으로 인공지능을 정교하게 다룰 줄 모르는 엔지니어는 다시는 채용하지 않겠다고 단언한다. 인공지능을 활용하는 엔지니어에 비해 생산성이 너무 떨어지기 때문이다.
그는 소프트웨어 수요가 오히려 폭증하리라 본다. 개발 비용이 급락하면 훨씬 더 많은 소프트웨어를 짓게 되기 때문이다. 한편 지금은 전문 개발자가 아닌 사람들도 소프트웨어를 만들기 시작했고, 그것이 그들의 업무와 일상에 실질적인 도움을 준다고 관찰한다. 다만 인공지능에 능한 전문 개발자는 최근 반년 사이 코딩을 배운 비전문가보다 여전히 훨씬 생산적이며, 이 시장에서 수요와 공급이 어떻게 정리될지는 자신도 아직 명확하지 않다고 인정한다.
응이 또렷하게 본 현상은 따로 있다. 소프트웨어는 흔히 코드를 짜는 일과, 무엇을 만들지 정하는 제품 관리(PM, Product Manager) 일로 나뉜다. 약 1년 반 전부터 그의 팀에서는 기획자와 디자이너가 명세를 건네면 엔지니어가 점점 더 빠르게 구현하고는 다시 돌아와 "다음엔 뭘 만들까요"라고 묻는, 기획이 개발 속도를 따라가지 못하는 기현상이 나타났다.
한때 실리콘밸리의 엔지니어 대 기획자 비율은 8 대 1이나 4 대 1이었다. 기획자 한 명이 개발자 네다섯에서 여덟까지 감당했다는 뜻이다. 응의 팀에서는 이 비율이 8 대 1에서 4 대 1로, 다시 2 대 1로 좁혀졌고, 끝내 팀 스스로 1 대 1을 제안하기에 이르렀다.
경제학의 언어로 보면 두 역할은 보완재다. 인공지능이 코딩은 극적으로 가속한 반면 무엇을 만들지 정하는 기획은 그만큼 가속하지 못했기에, 비율로 보면 기획의 가치가 상대적으로 올라간 것이다. 더 나아가 두 사람을 한 사람으로 합치면 소통 비용이 사라진다. 응의 가장 빠른 팀들은 점점 작아져 10명에서 5명, 2명으로, 때로는 지원을 갖춘 1인 팀이 가장 빠르게 움직인다.
그는 직무 자체의 성격 변화도 짚는다. 5년 전의 좋은 엔지니어는 픽셀 단위까지 완성된 디자인을 받아 시키는 대로 구현하는 사람이었다. 오늘날 그런 엔지니어의 가치는 크게 떨어졌다. 기본적인 제품과 디자인 판단을 스스로 내려, 상위 수준의 방향만 받고도 많은 일을 해내는 엔지니어가 더 값지다. 한밤중 누군가가 함수 이름을 정해 그대로 굳어버린 식의 난해한 문법을 외우는 일 - 그 가치는 빠르게 0으로 향한다. 반대로 어떤 문제를 풀지 정하고 문제를 해결하는 능력의 가치는 여전히 높고, 코드 작성이 쉬워질수록 오히려 더 높아진다.
이른바 바이브 코딩(vibe coding)으로 무언가를 빠르게 만들어내는 것은 손으로 빚는 점토 모형과 같다. 모양을 잡고 감을 보기에는 더없이 좋다. 그러나 그 모형을 수백만 명이 매일 쓰는 제품으로 양산하려면 - 규모를 견디고 장애를 버티게 하려면 - 여전히 깊은 소프트웨어 엔지니어링 전문성이 필요하다. 현재 기술 수준에서 바이브 코딩 시스템은 그 단계까지 확장되지 않는다.
흥미로운 관찰은 비개발자 쪽에서도 나온다. 마케터, 인사 담당자, 재무 담당자 가운데 인공지능의 도움으로 코딩할 줄 아는 사람과 모르는 사람 사이에 뚜렷한 생산성 격차가 보인다는 것이다. 응의 우수한 채용 담당자는 이력서를 손으로 훑지 않고 선별용 코드를 짠다. 마케터는 캠페인용 앱이나 사이트를 엔지니어에게 부탁하고 기다리는 대신 직접 만든다. 최고재무책임자(CFO, Chief Financial Officer)는 맞춤 도구를 찾아 몇 주씩 벤더를 비교하는 대신 자신의 재무 워크플로용 소프트웨어를 직접 짠다.
그래서 "모두가 코딩을 배워라"는 권고가 나오지만, 그 의미는 모두가 손으로 코드를 쓰라는 것이 아니다. 인공지능에게 코드를 짜게 하되, 미래의 가장 중요한 기술 중 하나는 인공지능에게 무엇을 원하는지 정확히 지시하는 능력이라는 뜻이다. 당분간 컴퓨터의 언어는 코드이고, 인공지능에게 코드를 짜게 할 줄 아는 사람이 그렇지 못한 사람보다 훨씬 나은 결과를 얻는다.
두 사람이 가장 공들여 다룬 주제가 여기다. 지난 1년간 대부분의 기업에서 본 것은 아래로부터의(bottom-up) 혁신, 곧 "천 송이 꽃이 피게 하라"는 식의 전략이었다. 그러나 그것은 대체로 작동하지 않거나, 아주 작은 점진적 효율 개선에 그칠 뿐 약속된 변환에는 이르지 못했다.
응의 정의가 명료하다. 인공지능 변환은 기술 변환이 아니라, 기술이 이끄는 비즈니스 변환이다. 그래서 어렵다. 대부분의 기업은 가치를 만들기 위해 여러 단계를 거친다. 은행이 대출을 내준다고 하자. 상품을 알리고, 신청을 접수하고, 1차 승인을 하고, 최종 승인을 거쳐, 실행한다. 아래로부터의 혁신 팀은 흔히 이 퍼즐의 한 조각, 예컨대 1차 승인만 인공지능으로 자동화한다. 그것만 하고 나머지가 그대로라면, 워크플로는 동일한데 실행 비용이 10-20% 싸진 상태에 머문다. 좋은 일이지만 변환은 아니다.
응이 든 돌파의 예가 이렇다. 사람이 한 시간 걸려 보던 1차 승인을 인공지능이 10분에 끝낸다면, 그 절감액만 챙기는 데 그치지 않고 "1주가 아니라 10분 만에 답을 주는" 새 상품을 내놓을 수 있다. 일주일이 아니라 10분 만에 대출이 나오니 훨씬 나은 상품이다. 그러나 그것을 실현하려면 워크플로 전체를 바꿔야 한다. 마케팅을 달리하고, 신청 접수를 디지털화하고, 최종 승인과 실행 단계는 늘어난 물량을 감당해야 한다. 이 한 가지 인공지능 역량을 살리려면 비즈니스 전체를 보는 넓은 시야가 필요하다.
실행 경로는 둘이다. 현장의 구체적 통찰(아래로부터)이 경영진의 넓은 시야(위로부터)와 만나거나, 처음부터 경영진이 넓은 시야로 주도하는 위로부터의 혁신이다. 후자는 대개 넓지만 특정 작업에 대한 이해는 덜한 시야다. 그래서 위로부터의 관점에서 수많은 아이디어 중 어느 것이 변환의 잠재력을 지녔는지 가려내는 일을 응의 자문 작업과 워크헬릭스가 함께 한다.
이 작업이 만만치 않다는 점을 그는 사례로 보여준다. 몇 주 전 한 기업이 자신들이 모은 약 300개의 프로젝트 아이디어를 보내며 어느 것에 변환 잠재력이 있는지 가려달라고 요청했다. 그는 모든 은행이 이것을 하라거나 모든 의료 시스템이 저것을 하라는 식의 천편일률적 처방은 거의 쓸모가 없다고 본다. 표면 아래를 들여다보면 모든 은행, 병원, 공장, 운송 회사가 저마다 너무 다르기 때문이다. 결국 그 기업을 깊이 이해한 위에서야 의미 있는 전략이 나온다. 인공지능 주도의 비즈니스 변환이 오래 걸리는 이유가 여기 있다.
컨베이어 한 구간에 빠른 로봇 하나를 놓으면 그 구간은 빨라진다. 그러나 앞뒤 공정의 속도가 그대로면 전체 산출은 거의 그대로다. 진짜 도약은 그 빠른 구간을 전제로 라인 전체를 다시 설계할 때 - 입고부터 포장까지의 흐름을 바꿔 아예 다른 제품을 더 빨리 내놓을 때 - 일어난다.
매카피는 큰 조직의 발목을 잡는 것으로 현상 유지 편향(status quo bias)과 거대한 관성을 든다. 사람들은 인공지능이 가능케 하는 깊은 변화에 본능적으로 저항한다. "청구 처리 과정 전체를 다시 짜면 품질이 떨어지지 않는다는 보장이 있느냐, 위험이 커지지 않느냐, 정말 비용이 절감되느냐"는 물음이 늘 따라붙는다. 그가 내놓는 답은 계측하라, 측정하라는 것이다.
경제학의 최근 진전 덕분에 단순한 상관관계가 아니라 인과(causal) 분석이 가능해졌다. 저쪽에서 단행한 인공지능 변화가 실제로 큰 가치를 만들었고, 우려했던 위험은 나타나지 않았다는 것을 데이터로 보일 수 있다는 뜻이다.
매카피는 그 근거로 브린욜프슨 진영이 발표한, 기업에 생성형 인공지능을 도입했을 때 무슨 일이 벌어지는지를 다룬 최상위 경제학 저널 논문을 든다. 모든 것에 센서를 달아 측정한 결과 - 생산성이 올랐고, 고객 만족이 올랐고, 직원 만족이 올랐으며, 이직률(churn)은 내려갔다. 사전에 제기될 법한 반대 의견들을 막연한 안심이 아니라 실제 데이터로 다룰 수 있었다는 것이다.
이 논문은 브린욜프슨, 대니엘 리(Danielle Li), 린지 레이먼드(Lindsey Raymond)의 「Generative AI at Work」로, 고객지원 상담원 5,179명을 대상으로 한 대규모 현장 연구다. 대화형 보조 도구에 접근한 상담원의 시간당 처리 건수는 평균 14% 늘었고, 신입과 저숙련 인력에서는 34%까지 개선된 반면 숙련 인력에서는 효과가 미미했다. 인공지능이 유능한 상담원의 모범 사례를 포착해 퍼뜨리며 신입을 경험 곡선 아래로 끌어내린 것으로 풀이된다. 고객 감정과 직원 재직률이 함께 개선되었다는 결과도 보고되었다. 이 연구는 계간경제학지(QJE, Quarterly Journal of Economics)에 게재되었다.
계측이 드러내는 또 하나의 사실이 있다. 어느 회사든 사람들의 실제 인공지능 사용을 가까이서 관찰하면, 사용량과 질이 멱법칙(power law) 분포를 보인다. 약 5%가 미친 듯이 많이, 그리고 혁신적으로 쓰고, 거기서부터 가파르게 떨어진다.
매카피는 이것을 오히려 좋은 소식이라 본다. 무언가 급진적인 일을 벌이지 않고도, 이미 존재하는 모범 사례를 공유하는 것만으로 다수를 끌어올릴 큰 여지가 있기 때문이다. 사람은 서로에게서 배우기를 좋아한다. 의무적인 인공지능 교육에 참석하라고 하면 온갖 핑계가 나오지만, 두 자리 건너 동료가 짧은 화면 녹화 영상으로 "이렇게 했더니 한 주에 몇 시간이 돌아왔다"거나 "고객을 감동시켰다"고 보여주면 그 자생적 확산은 들불처럼 번진다. 다만 변환을 제대로 관찰하고 계측하지 않으면 그 불씨를 어떻게 다시 살릴지 알 수 없다.
그래서 매카피는 인공지능에 대해 더 적극적으로 말하기를 두려워하는 경영자들을 짚는다. 직원들이 그 말을 사전 해고 통보로 들을까 봐 깊은 대화를 꺼린다는 것이다. 그러나 지금 데이터에서 그런 대량 실업의 신호는 보이지 않으며, 일부 직무의 수요가 약해지는 것과 모든 직종에서 대량 실업이 임박했다고 말하는 것은 전혀 다른 이야기라고 그는 선을 긋는다.
응은 몇 년 전 자신이 에이전틱 인공지능(agentic AI)이라는 표현을 만들었다고 말한다. (에이전트라는 개념 자체는 그보다 오래되었으나, 에이전틱 워크플로라는 어법을 대중화한 공은 그에게 있다.) 다보스를 거닐며 모두가 에이전틱을 입에 올리는 것이 여전히 낯설다면서도, 그는 여러 기업에 에이전틱 워크플로를 심는 일에는 크게 낙관적이라고 했다.
흔한 물음 - 인공지능 버블이 있는가 - 에 대해 그는 인공지능이 하나의 덩어리가 아니라 여러 다른 층위라는 점을 먼저 짚는다. 그래서 위험도 층마다 다르다.
응용 계층에서 그는 매우 낙관적이며, 어쩌면 과소투자 상태일 수 있으니 더 해도 된다고 본다. 의문이 더 큰 쪽은 인프라다. 인프라는 다시 추론과 학습으로 나뉜다. 추론 - 질문에 답하고 모델을 서비스하는 일 - 은 훨씬 더 많이 필요하다. 수요가 천장을 뚫었고 모두가 사용량 제한에 걸리고 있다. 지으면 쓰일 것이고 대가도 치러질 것이다. 과잉 건설로 마진이 낮아지거나 손실을 볼 가능성이 없지는 않지만, 어쨌든 지으면 쓰인다는 것이 그의 판단이다.
버블 또는 과잉투자 위험이 가장 큰 한 곳을 그는 학습으로 지목한다. 규모를 키운 것이 인공지능을 크게 끌어올린 데는 흥분하지만, 점점 더 거대해지는 학습 클러스터와 소수 기업으로의 집중, 그중 일부가 동원하는 부채성 금융기법이 위험을 다소 높인다는 것이다. 그는 패닉에 빠진 것은 아니며 부문 전체에는 여전히 낙관적이라고 덧붙인다. 다만 과잉투자 위험이 가장 큰 지점이 거기라는 것이다.
금광 비유로 보면, 추론은 모두가 당장 손에 쥐어야 하는 곡괭이와 삽이다 - 없어서 못 쓴다. 반면 학습은 점점 더 거대해지는 제련소를 소수가 빚을 끌어 동시에 짓는 국면이다. 제련소 자체가 나쁘다는 뜻이 아니라, 그 한 곳에 자본과 부채가 몰릴 때 흔들림의 위험이 가장 크다는 이야기다.
종합하면, 스택 전체 - 특히 응용 계층, 그러나 사실상 전체 - 에 걸쳐 지금은 계속 지어 나갈 좋은 시기라는 것이 응의 결론이다.
대담을 관통하는 한 줄기는 분명하다. 인공지능의 1차 효과는 사람을 들어내는 것이 아니라 일을 재배열하는 것이다. 작업 단위에서는 30-40%가 자동화되고, 역할 차원에서는 기획과 개발의 비율이 바뀌며, 팀은 작아지고, 워크플로는 다시 짜인다. 그 모든 층위에서 변하는 것은 누가 일을 하느냐가 아니라 일이 어떻게 짜이느냐다.
그래서 진짜 제약은 모델의 성능만이 아니다. 사람을 다시 숙련시키는 일과 변화를 관리하는 일, 워크플로를 재설계하는 일, 그리고 그 효과를 측정하는 일 - 인간적이고 조직적인 제약이 속도를 결정한다. 응이 대량 실업을 단기 위험으로 보지 않으면서도 업스킬링의 규모와 속도를 가장 걱정하는 이유가 여기 있다.
조직 관점의 함의도 그 위에서 따라 나온다. 아래로부터의 실험을 위로부터의 넓은 시야와 맞붙여 한두 단계가 아니라 흐름 전체를 다시 보고, 변화를 인과적으로 계측해 우려를 데이터로 잠재우며, 이미 잘 쓰고 있는 상위 5%의 방식을 자생적 공유로 퍼뜨리는 것 - 이것이 점진적 효율 개선을 넘어 변환에 이르는 경로다. 천편일률적 처방은 없고, 자기 조직을 깊이 들여다본 위에서야 비로소 의미 있는 전략이 나온다.