AI 네이티브 · 일하는 방식

AI 네이티브로 일하기:
챗봇을 넘어 에이전트와 일하는 법

인공지능을 가끔 꺼내 쓰는 단계를 넘어, 업무의 기본 환경으로 삼는다는 것은 무엇을 의미하는가. 그 구조와 근거, 그리고 과장과 실제의 경계를 함께 살펴본다.

지난 1~2년 사이 인공지능(artificial intelligence) 도구를 둘러싼 논의의 중심이 조용히 이동했다. 물음은 더 이상 “이 도구가 무엇을 할 수 있는가”가 아니라, “나는 이 도구를 전제로 어떻게 일을 다시 설계할 것인가”가 되었다.

이 변화를 한마디로 부르는 이름이 ‘AI 네이티브(AI native)’ 방식이다. 직역하면 ‘인공지능을 모국어처럼 쓰는’ 일하기다. 이 글은 특정 직군이나 특정 제품에 관한 이야기가 아니다. 개발자뿐 아니라 기획자, 디자이너, 분석가, 마케터, 글 쓰는 사람 모두에게 해당하는, 지식 노동 전반의 작업 방식이 바뀌고 있다는 관찰에 관한 것이다. 동시에 이 분야에는 근거 있는 변화와 과장된 기대가 뒤섞여 있으므로, 무엇이 실제이고 무엇이 아직 증명되지 않았는지를 가능한 한 분리해서 짚어 보려 한다.

01‘쓰는 것’에서 ‘환경’으로

변화의 핵심은 도구의 성능이 아니라, 일이 처리되는 방식 자체에 있다.

많은 사람에게 인공지능 사용 경험은 여전히 ‘대화창에 질문을 던지고 답을 받는’ 형태에 머물러 있다. 무언가 막힐 때 잠깐 켜서 묻고, 답을 복사해 자기 작업으로 옮기는 식이다. 이 방식에서 인공지능은 어디까지나 보조 도구이고, 일의 주체와 흐름은 사람이 쥐고 있다.

AI 네이티브 방식은 이 관계를 뒤집는다. 사람은 목표와 맥락, 판단 기준을 정하는 지휘자(orchestrator) 역할을 맡고, 실제 실행의 상당 부분은 인공지능 에이전트(agent)가 수행한다. 보고서 초안 작성, 자료 조사, 데이터 정리, 발표 자료 제작, 반복적인 사무 처리가 모두 ‘내가 직접 하는 일’에서 ‘맡기고 검토하는 일’로 옮겨 간다. 도구를 ‘쓰는’ 것이 아니라, 도구가 일하는 ‘환경’ 안에서 일하는 것이다.

업계 관찰자들은 2025년을 ‘에이전트의 해’로 부른다. 한 번 묻고 한 번 답하는 챗봇을 넘어, 여러 단계를 스스로 밟아 과제를 끝까지 수행하는 에이전트가 실제로 작동하기 시작한 시점이라는 의미다. 2026년에 들어서는 웹 브라우저 자체가 ‘인공지능이 조작하는 통제 계층’으로 바뀌고 있다는 진단도 나온다. 기업 현장에서도 정교한 조직은 이미 다양한 과제에 수백 개 단위의 에이전트를 운영한다는 사례가 보고된다.

다만 이 변화를 ‘모든 것이 갑자기 바뀌었다’는 식으로 받아들이면 곤란하다. 능력은 분야마다 들쭉날쭉하다. 어떤 작업에서는 사람을 크게 앞서지만, 조금만 맥락이 복잡해지면 엉뚱한 결과를 내놓는다. 이런 불균질함을 업계에서는 ‘들쭉날쭉한 지능(jagged intelligence)’이라 부른다. 변화의 방향은 분명하되, 그 적용은 여전히 세심한 설계를 요구한다.

02AI 네이티브란 무엇인가

더 많이 묻는 것이 아니라, 일하는 자세를 바꾸는 것이다.

AI 네이티브는 ‘대화창을 자주 연다’는 뜻이 아니다. 핵심은 사람의 위치가 바뀐다는 데 있다. 기존에는 사람이 손을 움직여 결과물을 직접 만들고, 막힐 때만 도구의 도움을 받았다. AI 네이티브 방식에서는 사람이 ‘무엇을, 왜, 어떤 기준으로’를 정의하고, ‘어떻게’의 실행을 에이전트에 위임한 뒤 그 결과를 검토·교정한다. 만드는 사람에서 지휘하고 판단하는 사람으로 역할이 옮겨 가는 것이다.

이 전환이 중요한 이유는, 단순히 같은 일을 빠르게 하는 데 그치지 않고 ‘할 수 있는 일의 종류’ 자체를 넓히기 때문이다. 혼자서는 엄두를 내기 어려웠던 규모의 자료 조사, 여러 형식의 결과물 동시 제작, 반복 업무의 자동화가 한 사람의 손에 들어온다.

주목할 점은 이 변화가 특정 직군에 국한되지 않는다는 것이다. 개발자에게 ‘코드를 직접 타이핑하는 일’이 줄어드는 것과 마찬가지로, 디자이너·마케터·분석가·작가의 손작업도 비슷한 경로를 밟는다. 오히려 도구 다루기에 익숙하지 않던 비개발 직군에서 체감 변화가 더 클 수 있다. 결과물을 만드는 기술적 장벽이 낮아질수록, 차이를 만드는 것은 ‘무엇을 만들지 정하는 안목’과 ‘결과를 가려내는 판단’이 되기 때문이다.

03챗봇과 에이전트는 다르다

‘똑똑해진 챗봇’이라는 인식이 가장 큰 오해다.

많은 사람이 인공지능을 ‘질문하면 글로 답해 주는 대화 상대’로 이해한다. 이것이 챗봇(chatbot)이다. 입력을 한 번 받아 답을 한 번 내놓고 끝난다. 반면 에이전트는 목표를 받으면 스스로 계획을 세우고, 도구를 사용해 실제 작업을 수행하며, 그 결과를 관찰해 다음 행동을 정하고, 필요하면 같은 과정을 반복한다. 텍스트를 ‘출력’하는 것이 아니라 일을 ‘실행’하는 것이다.

이 차이를 가장 또렷이 보여 주는 것이 ‘컴퓨터 조작(computer use)’이다. 에이전트는 사람이 마우스와 키보드로 하는 일을 대신할 수 있다. 웹 브라우저를 열어 정보를 찾고, 양식을 채우고, 필요한 화면을 띄워 작업을 진행한다. 별도의 연동 장치 없이도 화면을 ‘보고’ 클릭하고 입력한다는 점에서, 노트북으로 처리하는 일이라면 상당 부분이 위임 가능 범위에 들어온다.

물론 도입률이 곧 성공을 뜻하지는 않는다. 같은 조사들은 보안·감독·기존 시스템 연동 같은 과제 때문에 많은 조직이 통제된 환경에서 실험한 뒤 조심스럽게 확대한다고 전한다. 그러나 ‘챗봇을 더 똑똑하게 만든 것’과 ‘스스로 도구를 쓰는 행위자’는 범주가 다르다는 점만큼은 분명하다. 이 구분을 이해하지 못하면, 에이전트에 일을 맡긴다는 발상 자체가 떠오르지 않는다.

04개인 지식 시스템: ‘제2의 뇌’

에이전트가 강력해질수록, 차이를 만드는 것은 ‘맥락’이다.

일반적인 인공지능 모델은 똑똑하지만 ‘나’를 모른다. 내가 그동안 무슨 글을 썼는지, 어떤 결정을 어떤 이유로 내렸는지, 내 문체와 선호가 무엇인지 알지 못한다. 그래서 같은 질문에도 일반적인 답을 내놓을 뿐, 내 상황에 맞춘 답을 주기는 어렵다. AI 네이티브 방식에서 자주 등장하는 ‘제2의 뇌(second brain)’는 이 간극을 메우려는 시도다.

방법은 단순하다. 내 메모, 지난 결과물, 참고 자료, 작업 원칙과 선호를 기계가 읽을 수 있는 형태(대개 일반 텍스트 문서)로 모아 둔다. 그러면 에이전트는 새 과제를 받을 때마다 이 저장소를 참조해, 처음부터 ‘나를 아는 상태’로 일을 시작한다. 새 자료를 발견하면 “이 내용을 정리해 내 지식 저장소에 추가해 줘”라고 맡기는 식으로 저장소가 계속 자라난다. 이렇게 쌓인 맥락은 작업의 연속성과 개인화, 그리고 ‘나의 지식을 확장하는 효과’를 만든다.

여기에는 중요한 설계 원칙이 있다. 저장소가 커졌다고 해서 그 전부를 한꺼번에 모델에 들이밀면 오히려 결과가 나빠진다. 모델은 입력이 길어질수록 주의가 흐려지고, 단순한 작업에서도 성능이 떨어지는 ‘맥락 부패(context rot)’ 현상을 보이기 때문이다. 그래서 등장한 방식이 점진적 노출(progressive disclosure)이다. 먼저 ‘무엇이 어디에 있는지’를 알려 주는 가벼운 목차만 보여 주고, 에이전트가 지금 과제에 필요한 자료만 그때그때 꺼내 오게 한다.

이 흐름은 더 큰 전환의 한 단면이다. 한때 인공지능을 잘 쓰는 기술은 ‘질문을 잘 다듬는 법’, 곧 프롬프트 작성(prompt engineering)으로 통했다. 2025년 중반을 지나며 무게중심은 ‘무엇을 모델 앞에 놓을 것인가’를 설계하는 맥락 설계(context engineering)로 옮겨 갔다. 표현을 어떻게 하느냐보다, 어떤 지식·도구·기록을 적절한 순간에 제공하느냐가 결과를 좌우한다는 인식이다. “이제 프롬프트는 중요하지 않다”는 말이 종종 들리지만, 이는 절반만 맞다. 좋은 맥락 설계가 좋은 표현보다 효과가 크다는 뜻일 뿐, 표현이 무의미해졌다는 뜻은 아니다.

다만 한 가지 분명히 해 둘 점이 있다. 저장소에 넣는 정보는 그만큼 노출 위험이 따르는 자산이기도 하다. 외부에 공유될 수 있는 내용과 사적인 내용을 처음부터 분리해 두는 편이 안전하다. 또한 이런 시스템은 한 번 만들고 끝나는 것이 아니라 꾸준한 정리와 갱신을 필요로 한다.

05출력을 통제하는 법: 디자인 시스템과 하네스

처음 70%는 쉽고, 마지막 30%가 진짜 일이다.

인공지능에 결과물을 맡겨 본 사람이라면 비슷한 경험을 한다. 그럴듯한 초안까지는 순식간에 도달하지만, 거기서부터 ‘쓸 만한 완성품’까지의 거리가 멀다는 것이다. 형식의 일관성, 세부의 완성도, 신뢰할 수 있는 동작—이 마지막 구간이 실제 작업의 대부분을 차지한다. AI 네이티브 방식에서 이 구간을 다루는 두 가지 장치가 디자인 시스템과 하네스다.

디자인 시스템(design system)은 결과물의 형식과 인상을 좌우하는 규칙—색, 글꼴, 구조, 어조 같은 것—을 한 번 글로 정리해 두고 매번 재사용하는 방식이다. 이 규칙을 제공하면, 에이전트는 ‘평범한 기본값’ 대신 내가 원하는 양식에 맞춰 결과를 만든다. 원하는 모양을 이미지나 예시로 보여 주는 것만으로도 그 형식을 따라가게 만들 수 있다.

하네스(harness)는 결이 조금 다르다. ‘모델이 무엇을 보는가’가 맥락 설계라면, 하네스는 ‘시스템이 어떻게 행동하는가’에 관한 규칙이다. 작업 결과를 스스로 검사하게 하고, 권한을 지키게 하고, 진행 상황을 기록해 도중에 목표를 잊지 않게 하는 장치들이 여기에 속한다. 화려한 한 번의 시연과 꾸준히 신뢰할 수 있는 작업의 차이는, 대개 이 하네스의 유무에서 갈린다.

06사람의 역할: 오케스트레이터

위임할 수 있는 것은 실행이고, 위임할 수 없는 것은 ‘왜’다.

실행을 에이전트에 맡긴다고 해서 사람이 할 일이 사라지는 것은 아니다. 오히려 사람의 역할은 더 위쪽으로 이동한다. 무엇을 만들지 정하고, 필요한 맥락을 공급하고, 넘지 말아야 할 선을 긋고, 결과를 검토해 받아들일지 말지를 결정한다. 이것이 지휘자(오케스트레이터)의 일이다. 좋은 결과는 ‘완벽한 한 번의 지시’가 아니라, 적절한 순간에 던지는 적절한 질문에서 나온다. “이 부분은 보안에 문제가 없을까?”, “이 형식은 앞 절과 일관적인가?” 같은 개입이 그것이다.

여기에 효과적인 보강책이 하나 있다. 한 에이전트가 만든 결과를 다른 에이전트에게 검토시키는 방식이다. 작업하는 주체와 검수하는 주체를 분리하면, 사람이 모든 줄을 직접 들여다보지 않아도 정확도를 끌어올릴 수 있다. 여러 에이전트를 동시에 운영하며 역할을 나누는 ‘다중 에이전트(multi-agent)’ 운용은 이 발상의 확장이다.

지휘자의 또 다른 과제는 ‘의도를 머릿속에서 꺼내는 비용’을 줄이는 것이다. 그래서 자주 거론되는 것이 음성 입력이다. 스탠퍼드대학교 연구진의 실험에 따르면, 모바일 기기에서 영어 기준 음성 받아쓰기는 자판 입력보다 약 3배 빨랐고 오류율도 더 낮았다. 다만 전체 크기의 자판을 쓰는 환경에서는 그 격차가 좁혀지며, 코드·수식·정확한 문장부호처럼 정밀함이 필요한 입력에서는 여전히 타이핑이 유리하다. 핵심은 ‘몇 배냐’는 숫자가 아니라, 생각을 표현으로 옮기는 마찰을 줄이는 데 있다.

07경제성: 비용과 생산성을 어떻게 볼 것인가

단가는 내려가고, 작업당 소비는 올라간다. 두 곡선을 함께 봐야 한다.

비용부터 보자. 모델 사용료의 기준 단위인 ‘토큰(token)’당 가격은 지난 몇 년간 가파르게 떨어졌다. 2023년 초 최상위 모델은 입력 토큰 100만 개당 약 30달러 수준이었으나, 동급 성능의 후속 모델은 2.5달러 안팎으로 내려왔다—3년이 안 되는 기간에 약 10배 이상의 하락이다. 한 분석은 2023년 3월 이후 최상위 모델의 출력 단가가 평균 94%가량 낮아졌다고 집계했고, 또 다른 분석은 2024년 1월 이후 하락이 특히 빨라졌다고 본다. 방향은 분명히 아래쪽이다. 다만 이 추세가 영구히 보장된 것은 아니며, 하락 속도가 둔화될 수 있다는 신중론도 있다.

여기에 함정이 있다. 에이전트형 작업은 한 과제를 끝내기 위해 ‘계획 → 실행 → 관찰’의 순환을 여러 번 돌고, 추론 과정과 컴퓨터 조작에 많은 토큰을 소모한다. 그래서 토큰 한 개의 단가가 내려가도, 한 작업이 쓰는 토큰의 총량이 늘면서 작업당 비용은 오히려 오를 수 있다. 실제로 항상 켜져 있는 에이전트를 돌리는 소규모 기업의 월 사용료가 수십만 달러에 이르러, 사람을 채용하는 비용에 견줄 만하다는 보도도 있다. 결국 따져야 할 질문은 단순하다. 내가 풀려는 문제의 가치가 거기에 드는 비용보다 큰가? 몇 시간 걸리던 초안을 몇 분으로 줄이거나, 수만 원짜리 외주 작업을 몇 백 원으로 대체할 수 있다면 답은 분명하다. 반대라면 굳이 비싼 방식을 고집할 이유가 없다.

생산성 주장은 액면 그대로 믿지 말 것

“생산성이 서너 배로 뛴다”는 말은 흔하지만, 증거는 생각보다 미묘하다. 비영리 연구기관 METR(메트르)이 2025년 7월 발표한 무작위 대조 시험(randomized controlled trial)이 대표적이다. 자신이 수년간 기여해 온 대형 오픈소스 저장소에서 일하는 숙련 개발자 16명에게 246개의 실제 과제를 무작위로 배정해, 인공지능 도구 사용을 허용한 경우와 금지한 경우를 비교했다. 결과는 예상 밖이었다. 도구를 쓴 경우 과제 완료에 오히려 19% 더 오래 걸렸다. 더 인상적인 대목은, 정작 개발자들 자신은 약 20% 더 빨라졌다고 느꼈다는 점이다. 체감과 실제 사이의 간극이 그만큼 컸다.

이 결과는 신중하게 읽어야 한다. 연구진 스스로 2026년 2월, 후속 실험에서 ‘인공지능 없이 일하기’를 거부한 참가자가 많아 표본이 한쪽으로 치우쳤다며 한계를 인정했고, 결론을 “생산성 효과를 단정하기 어렵다”로 수정했다. 또한 이는 2025년 초의 도구를, 자기 코드베이스에 매우 익숙한 숙련자에게 적용한 특수한 상황이었다. 그 사이 도구는 개선되었고, 시제품 제작·반복 코드 작성·낯선 분야 진입·초안 작성처럼 인공지능이 분명히 도움이 되는 영역도 많다. 한 개발자 설문에서는 84%가 인공지능 도구를 쓰거나 쓸 계획이라고 답하면서도 46%는 그 정확성을 신뢰하지 않는다고 했고, 긍정 평가 비율은 직전 몇 년의 70% 이상에서 60%로 낮아졌다.

08한계와 리스크

시연이 인상적일수록, 그 너머의 문제를 더 또렷이 봐야 한다.

환각과 검증 부담. 인공지능은 틀린 내용을 자신 있게 내놓을 수 있다. 그래서 결과를 그대로 신뢰하는 대신 사람이 확인해야 하며, 그 확인 작업 자체가 적지 않은 일이다. 앞서 본 ‘체감과 실제의 간극’도 상당 부분 여기서 비롯된다. 코드든 글이든, 산출물을 검토하고 고치는 시간이 생각보다 많이 든다.

보안. 에이전트가 웹을 조작하면서 새로운 위험이 생겼다. 모델은 ‘사용자가 준 지시’와 ‘웹페이지에 숨겨진 지시’를 안정적으로 구분하지 못한다. 실제로 한 에이전트형 브라우저에서, 페이지에 심어 둔 명령에 에이전트가 끌려가는 ‘간접 프롬프트 주입(prompt injection)’ 취약점이 공개되어 논쟁이 됐다. 자체 장비에서 에이전트를 돌리는 경우에도 별도의 보안 강화가 필요하다. 그래서 기업 현장에서는 ‘어떤 입력으로 어떤 결정을 내렸는지 추적·감사하고, 필요할 때 사람이 개입해 되돌릴 수 있는가’가 표준 요건으로 자리 잡고 있다.

시연과 실제의 간극. 잘 만든 시연 한 편이 곧 신뢰할 수 있는 시스템을 뜻하지는 않는다. 앞서 언급한 ‘들쭉날쭉한 지능’ 때문에, 한 분석가는 “현재의 에이전트에게는 단순한 결정을 줘야 믿을 만한 답이 나온다”고 조언한다. 작업을 잘게 쪼개고 범위를 좁힐수록 결과가 안정된다.

역량의 위축. 실행을 지나치게 위임하면, 정작 그 결과를 감독하는 데 필요한 전문성이 무뎌질 수 있다는 우려도 제기된다. 검증할 눈을 유지하려면 사람이 핵심 판단에서 손을 완전히 떼서는 안 된다.

일자리. 산출량을 인원수로 나눈 ‘1인당 매출’이 빠르게 오르고 있다. 10여 명 규모로 연 2억 달러 이상을 올리는 이미지 생성 서비스(1인당 약 1,800만 달러), 12명으로 1인당 250만 달러를 기록한 대화형 인공지능 기업 같은 사례가 회자된다. 신생 기업 가운데 단독 창업의 비중도 2019년 약 24%에서 2025년 중반 약 36%로 늘었다. 한 도구는 출시 한 달 만에 약 150만 달러의 매출을 올린 뒤 몇 달 만에 8,000만 달러에 인수되기도 했다. 이런 사례는 ‘산출 대비 인원’의 비율이 구조적으로 바뀌고 있음을 보여 준다. 다만 그 규모와 보편성은 아직 불확실하고, 앞서 본 생산성 연구처럼 증거는 엇갈린다. ‘뒤처질지 모른다’는 불안(FOMO, 놓침에 대한 두려움)이 널리 퍼져 있지만, 불안은 좋은 나침반이 아니다.

09어디서부터 시작할 것인가

큰 결심보다, 손에 익는 작은 반복이 먼저다.

현실적인 출발점은 거창하지 않다. 자주 반복되고, 범위가 분명하며, 틀려도 피해가 작은 작업부터 시작하는 것이 좋다. 초안 작성, 형식 맞추기, 요약, 데이터 정리 같은 일이 그렇다. 중요한 것은 ‘나에게 실제로 의미 있는 일’에서 인공지능이 작동하는 모습을 직접 확인하는 경험이다. 보지 않으면 믿기 어렵고, 믿지 않으면 시도하지 않기 때문이다.

그다음은 단계적으로 넓혀 간다. 첫째, 챗봇처럼 ‘묻고 답 받기’에 머물지 말고 도구가 실제로 ‘실행’하게 한다. 둘째, 내 맥락(작업 원칙·문체·자주 쓰는 형식)을 한 번 정리해 두고 재사용한다. 셋째, 사람이 검토하는 고리를 반드시 남기고, 에이전트에 맡기는 결정의 범위를 좁게 잡는다. 넷째, 효과는 느낌이 아니라 자기 작업의 시간과 품질을 직접 재서 판단한다. 다섯째, 완벽하게 다듬어 내놓기보다 거칠더라도 빨리 만들어 검증하고, 제품·시장 적합성(product–market fit)을 찾아 가며 고친다.

태도의 측면에서 보면, 네 가지가 맞물린다. ‘인공지능이 웬만한 문제는 풀 수 있다’는 가능성에 대한 합리적 신뢰, 그 작동을 직접 눈으로 확인하는 관찰, 작은 것부터 손에 익히는 실행, 그리고 멈추지 않는 반복과 개선이다. 여기에 한 가지를 더하자면 ‘언러닝(unlearning)’—그동안의 공식이 그대로 통하리라는 전제를 내려놓는 일이다. 오랜 경력을 가진 사람일수록 변화가 더 어려울 수 있는데, 이는 능력의 문제가 아니라 익숙함을 다시 배우는 일의 어려움이다.

10마치며

지식 노동이 ‘처리되는 방식’이 바뀌고 있다는 관찰은 과장이 아니다. 한 번 묻고 답 받는 도구를 넘어, 스스로 도구를 쓰고 결과를 보며 일을 이어 가는 에이전트가 실제로 작동하기 시작했고, 사람의 역할은 만들기에서 지휘·판단·검증으로 옮겨 가고 있다. 동시에 그 능력은 분야마다 들쭉날쭉하고, 생산성 향상은 실재하되 상황에 좌우되며 증거가 엇갈린다. 토큰 단가는 내려가지만 한 작업이 쓰는 토큰은 늘어, 단가 하락이 곧 비용 하락은 아니다.

그래서 합리적인 태도는 열광도 외면도 아니다. 실제 문제에 적용해 보고, 느낌이 아니라 결과를 정직하게 측정하며, 핵심 판단의 고리에서 사람의 눈을 떼지 않는 것이다. 오래갈 우위는 도구 자체가 아니라, 무엇을 만들지 정하는 안목, 어떤 맥락을 공급할지 설계하는 능력, 그리고 여러 실행을 엮어 내는 지휘에 있다. 도구는 빠르게 바뀌겠지만, 이 세 가지는 그대로 남는다.