노진화 · 『나를 세우는 고전 12권』 저자 · 중부대학교 교수

AI의 미래는 어떻게 진화하는가

프롤로그: 문제는 정보가 아니라 전제다

인공지능은 이제 우리 삶 전반에 영향을 미치고 있고, 어떤 주제 앞에든 ‘인공지능 시대’라는 수식이 붙는다. 지난 학기, 필자의 수업에서 과거의 교재는 참고자료가 되었다. 매 학기 내용을 새로 준비하고, 인공지능을 수업 도구로 활용하며, 강의를 인터랙티브한 방식으로 바꿔 가고 있다. 학생들의 인공지능 활용에 대한 우려도 커져서, 올해 1학기부터는 평가를 구술시험과 발표로 대체하고 있다.

혼돈의 시기다. 도구를 익히고 수업을 바꾸면서도 질문은 남는다. 앞으로 어떤 세상이 올까. 유토피아인가, 디스토피아인가.

미래가 불안할수록 전문가의 말 한마디의 영향력이 커진다. 그런데 최전선의 전문가들에게 물어도 답이 하나로 모이지 않는다. 누군가는 2027년이면 인간을 뛰어넘는 AI가 등장한다고 말하고, 누군가는 신입 사무직의 절반이 사라질 수 있다고 경고하고, 누군가는 일자리는 사라지는 것이 아니라 바뀐다고 말한다.

예측이 갈리는 이유는 데이터가 부족해서가 아니라, 아직 일어나지 않은 일에 대한 전제가 다르기 때문이다. 전제가 다르면 같은 데이터에서 다른 미래가 나온다.

본 글은 기술 최전선 인물들의 전망과 불일치를 다섯 개의 질문으로 재구성한다.

1. 왜 이들인가

본 글이 다루는 인물은 다리오 아모데이, 샘 올트먼, 데미스 허사비스, 제프리 힌턴, 얀 르쿤, 일리야 수츠케버, 무스타파 술레이만, 젠슨 황이다. 선정 기준은 유명세가 아니라 현재 AI의 미래를 설명하는 주요 가설들이 이들의 발언 안에 많이 분포되어 있기 때문이다. 프런티어 연구소를 직접 이끄는 건설자(아모데이, 올트먼, 허사비스), 핵심 기술을 만들었거나 그 방향에 근본적 질문을 던지는 과학자(힌턴, 르쿤, 수츠케버), 인프라와 위험 담론의 축을 쥔 인물(황, 술레이만)이 모두 포함된다.

이들은 산업 내부자이며, AI가 현재 진행 중인 가장 중요한 기술 변화라는 전제를 가지고 있다. 낙관과 경고에서는 갈리지만 변화의 규모에 대한 전제, 즉 자본, 인재, 규제의 방향에서는 같은 목소리를 내고 있다.

그러나 이들의 전망은 조건부 가설로 읽어야 한다. 앞으로의 미래는 아무도 알 수 없기 때문이다. 그럼에도 우리는 전문가들의 말을 들어볼 필요가 있다. 우리 보다 앞서, 이 길을 걸어간 이들의 생각을 들어보는 것, 이 글의 목적이기도 하다.

2. AI 미래를 읽는 다섯 개의 질문

전문가들의 말을 그대로 인용하면 혼란스럽다. 유튜브에 올라오는 인터뷰들, 그리고 질문을 분리하면 몇 가지의 구조가 있다. AI의 미래를 둘러싼 핵심 논쟁은 다섯 가지다.

첫째, AI는 얼마나 빨리 강해지는가.
둘째, 지금의 방법으로 우리는 잘 대비하고 있는가.
셋째, 지능의 속도와 현실의 속도는 같은가.
넷째, 경제와 일자리는 어떻게 변하는가.
다섯째, 진짜 위험은 무엇인가.

AI의 능력이 빠르게 발전한다고 해서 경제가 같은 속도로 성장하는 것은 아니고, 규제가 쉽게 정해질 수 있느 것도 아니고, AI가 인간보다 똑똑해진다고 해서 사회가 그 속도를 따라가는 것도 아니다. 그러나 분명한 것은 그 어떤 변화가 스며들듯 우리에게 다가오고 있다는 것이다.

이들의 주장이 성립하려면 우리는 무엇을 준비해야하는가. 무엇이 필요한가. 이러한 가설이 실제로 나타나는 현실을 어떻게 알 수 있는가.

3. 질문 1: AI는 얼마나 빨리 강해지는가

시간의 문제다.

다리오 아모데이는 오픈AI의 연구 책임자 출신으로 앤스로픽을 공동 창업했다. 그는 2024년 10월 「Machines of Loving Grace」에서 강력한 AI를 ‘데이터센터 안의 천재들의 나라’, 노벨상 수상자급 지능의 독립 인스턴스 수백만 개가 인간보다 10~100배 빠르게 동시 가동되는 상태로 정의하고, 이르면 2026년, 늦어도 2027년 전후에는 AI가 거의 모든 영역에서 거의 모든 인간을 능가할 수 있다고 본다(Amodei, 2024). 연구의 병목은 인간의 지능에 있다는 것이다.

데미스 허사비스는 유보적이다. 알파폴드로 2024년 노벨화학상을 받은 그는 인간 수준의 범용 AI를 5~10년에 50% 확률로 보며, 현재의 시스템은 그 수준에 “전혀 가깝지 않다”고 선을 긋는다(Hassabis, 2026).

얀 르쿤은 현재의 방식으로는 도달의 문제가 아니라 도달 불가의 문제라는 것이다. 샘 올트먼은 「The Gentle Singularity」에서 그는 “우리는 이미 사건의 지평선을 지났다”고 썼다(Altman, 2025). 특이점은 어느 날 닥치는 단절이 아니라 이미 진행 중인 완만한 과정이라는 주장이다.

평가기관 METR는 AI가 성공률 50%로 완수하는 과제의 길이(인간 전문가 기준 소요시간)를 측정하는데, 2019년 이후 약 7개월마다, 최근에는 약 4개월마다 두 배로 늘었다측정(METR, 2025). 능력의 곡선은 가파르다. 그러나 성공률 기준을 80%로 올리면 지평이 크게 짧아지고, 최신 측정치에 대해서는 측정기관 스스로 과제 세트의 포화와 큰 노이즈를 경고한다. 지능의 균질성도 별개의 문제다. 박사급 과학 문제를 푸는 최상위 모델이 아날로그 시계를 정확히 읽는 확률은 50.1%에 그친다측정(Stanford HAI, 2026). 현재 AI의 상태는 지능의 높낮이보다 들쭉날쭉함으로 기술하는 것이 정확하다고 말한다.

4. 질문 2: 지금의 방법으로 우리는 잘 대비하고 있는가

AI 미래를 결정하는 가장 근본적인 논쟁은 시간보다 방법론이다. 지금처럼 모델을 키우고 데이터와 연산을 더 투입하면 충분한가 (혹자는 데이터 권력을 우려한다).

아모데이와 올트먼은 기본적으로 그렇다고 본다. 올트먼은 「Three Observations」에서 지능의 성능이 투입 자원에 따라 예측 가능하게 오르며, 같은 수준의 지능을 쓰는 비용은 매년 약 10분의 1로 떨어져 결국 전기 요금 수준에 수렴한다고 관찰하였다(Altman, 2025). 이 가정 위에서 역사상 가장 큰 기술 투자가 진행되고 있다. 2026년 하이퍼스케일러 다섯 기업의 설비투자 계획은 약 6천억 달러대다계획치.

일리야 수츠케버는 정면으로 반박한다. GPT 계열의 토대를 만들었고 지금은 안전 초지능(SSI)을 이끄는 그는 2024년 12월 NeurIPS 수상 강연에서 “우리가 아는 사전학습은 끝난다”고 선언하였다. 학습 데이터는 AI의 화석연료인데 인터넷은 하나뿐이므로 이미 정점에 도달했다는 논리다(Sutskever, 2024). 이듬해 그는 이를 “스케일링의 시대에서 다시 연구의 시대로”라는 명제로 정리하였다(Sutskever, 2025). 스케일링의 최대 공로자가 스케일링의 종언을 선언했다는 것은 역설이 아닐 수 없다.

르쿤은 대안의 이름까지 제시한다. 언어가 아니라 세계의 물리적 구조를 학습하는 월드모델이다. 그는 2025년 11월 메타를 떠나 월드모델 스타트업을 창업했고 시드 투자로 10억 달러 이상을 유치하였다. 허사비스는 스케일링은 필요하되 지속 학습과 장기 기억 등 한두 개의 추가 돌파구가 필요하다는 입장이다.

스케일링 충분 가설은 투입 대비 성능 향상이 꺾이지 않아야 성립하고, 반대 가설은 LLM 계열의 실증된 돌파구가 나와야 성립한다. 자본의 관점에서 수천억 달러 투자가 수익으로 돌아오는가, 월드모델 계열이 벤치마크가 아닌 실제 과업에서 성과를 내는가. 이것은 다른 결과로 나타나고 있다. 가트너는 에이전틱 AI 프로젝트의 40%가 2027년까지 취소되리라 내다본다전망(Gartner, 2025). 지금의 논쟁은 수천억 달러가 걸린 실험이며, 그 결과는 모델 성능보다 투자수익률에서 판정될 것이다. 기술과 경제와의 관계를 떼 놓을 수 없기 때문이다.

5. 질문 3: 지능의 속도와 현실의 속도는 같은가

당연히 다르다.

아모데이는 강력한 AI가 등장하면 생물학의 50~100년치 진보를 5~10년 안에 압축할 수 있다고 본다. 과학 발전의 가장 큰 병목이 인간의 지능이라면, 인간보다 뛰어난 연구자를 수백만 개 복제하는 순간 과학의 속도는 폭발한다. 그런데 여기에 숨은 전제가 있다. AI가 신약 후보를 하루 만에 설계해도, 사람에게 투여하려면 임상시험과 안전성 검증과 규제 승인과 환자 모집이 필요하다. 실험실을 짓고 장비를 설치해야 한다. 물리적 세계와 제도적 세계는 각각 속도가 다르다.

이러한 조건은 아모데이 「Machines of Loving Grace」의 서두에서 지능 자체보다 지능의 한계수익을 논해야 한다며, 진보의 속도를 제한하는 요인 다섯을 직접 제시한다. 바깥 세계의 속도, 데이터의 부재, 대상의 본질적 복잡성, 인간 측 제약(법·규제·임상시험), 물리법칙이다(Amodei, 2024). 가장 공격적인 낙관론자가 스스로 단 조건이므로, 이 조건이 얼마나 풀리는가가 질문의 답이 될 것이다.

위에서 언급한 신약 개발의 기준선은 이렇다. 신약은 임상 1상 진입에서 승인까지 평균 10.5년이 걸리고측정(BIO, 2021), 연구개발비 10억 달러당 승인 신약 수는 1950년 이후 약 9년마다 절반으로 줄어 왔다측정(Scannell et al., 2012). 따라서 2026년 중반 기준 AI가 발굴·설계한 신약의 FDA 정식 승인은 0건이다. 최선두인 인실리코 메디슨의 렌토서팁은 2상 결과가 《네이처 메디슨》(2025)에 게재되었고 2026년 7월 3상에 진입하였다. 초기 주자들의 실패도 기록되어 있다. 현재까지의 단축은 발굴 단계에 집중되어 있고, 임상 단계는 물리적·제도적 시간을 그대로 요구한다.

경제사학자 폴 데이비드에 따르면, 미국 제조업에서 전기가 생산성 성장에 영향을 미치기 시작한 것은 1920년대 초로, 최초의 중앙발전소(1882)가 문을 연 지 약 40년 뒤였다(David, 1990). 지연의 원인은 성능이 아니었다. 증기 시대의 축과 벨트 위에 전기모터만 얹은 공장에서는 효과가 없었고, 기계마다 개별 모터를 달고 공장 구조와 자재 흐름을 다시 설계한 뒤에 수치가 반응했다. 솔로우가 1987년에 남긴 관찰, “컴퓨터 시대는 어디에서나 보이는데 생산성 통계에서만 보이지 않는다”도 같은 구조였고, 이러한 역설은 1990년대 후반에야 해소되었다(Solow, 1987; Oliner & Sichel, 2000).

브린욜프슨 연구진은 이를 생산성 J커브로 일반화하였다. 범용기술은 조직 재설계, 프로세스, 인적자본 같은 무형 보완투자를 요구하며, 이 투자가 축적되는 초기에는 측정 생산성이 정체하다가 뒤에 반등한다(Brynjolfsson, Rock & Syverson, 2021). 통화정책 당국의 판단도 같은 입장이다. 미 연준의 월러 이사는 “교란이 먼저 오고, 편익은 시간이 걸린다”고 말했고(Waller, 2025), 데일리 샌프란시스코 연은 총재는 전기화의 사례를 들어 “전환에는 시간이 걸린다”고 정리하였다(Daly, 2026).

정리하면, AI 시대에는 최소한 네 개의 서로 다른 속도가 존재한다.

첫째, 기술의 속도가 가장 빠르다. 같은 성능의 추론 비용이 18개월 만에 280분의 1로 떨어졌고측정(Stanford HAI, 2025), 과제 수행은 수개월 단위로 배증(수나 양이 두 배로 늘어남)한다.

둘째, 개인의 채택 속도는 빠르다. 미국 성인의 약 45%가 2024년 말까지 생성형 AI를 사용했고 취업자의 27%는 주간 업무에 사용했다측정(Bick, Blandin & Deming, 2026). 수 많은 연구 데이터가 쏟아지는 요즘이다(추 후 글에서 언급 예정).. 전체 확산 속도는 PC와 인터넷보다 빠르다.

셋째, 조직의 속도는 느리다. 조직의 AI 도입률은 88%에 이르렀지만측정, 생성형 AI 사용 기업 가운데 워크플로를 재설계한 곳은 21%에 그치고, AI 성과를 가르는 요인의 67%는 개인 숙련이 아니라 조직 요인으로 측정된다(McKinsey, 2025; Microsoft, 2026). 여기에 병목에도 존재한다(추 후 글에서 언급 예정).

MIT 계열 조사에서 기업 파일럿의 95%가 측정 가능한 손익 효과를 만들지 못했다는 결과도 이 맥락에서 읽어야 한다. 이 수치는 도구의 실패가 아니라 흡수의 실패를 측정한 것이며, 같은 조사에서 직원의 90%는 이미 개인 AI 도구를 업무에 쓰고 있었다측정, 동료심사 없는 조사.

넷째, 경제와 제도의 속도가 가장 느리다. 거시 생산성 통계에서 AI 몫으로 식별된 가속은 아직 없다. 2023년에 AI가 세계 GDP를 7% 끌어올릴 수 있다고 전망했던 골드만삭스가 2026년 자체 분석에서 경제 전체 수준의 AI-생산성 관계를 발견하지 못했다고 보고하였다( 거품론의 제기, 다만 고객지원과 코딩 두 직무에서는 중위 30%의 향상을 실측하였다)(Goldman Sachs, 2026).

따라서 지능의 발전 속도와 사회의 변화 속도는 다르며, 이 시간차가 AI 시대의 실제 미래를 결정하는 변수다.

6. 질문 4: 경제와 일자리는 어떻게 변하는가

기술이 등장하면, 가장 예민한 문제가 일자리 문제다.

개인과 조직의 간극은 손익계산서에서도 확인된다. 맥킨지 조사에서 개인 생산성 향상을 보고한 응답자는 80%인 반면 기업 이익(EBIT) 기여를 보고한 비율은 37%에 머문다측정(McKinsey, 2026). 개인은 빨라졌는데 조직의 손익은 아직 조용하다.

능력과 효용이 다르다는 것을 보여주는 실험도 있다. METR는 2025년 경력 개발자 16명에게 본인이 수년간 기여한 연구의 실제 과제 246개를 무작위로 ‘AI 허용/금지’ 배정해 수행하게 했다. 참가자들은 AI를 쓰면 24% 빨라지리라 예상했고, 실험 후에도 20% 빨라졌다고 느꼈다. 실측은 반대였다. AI를 썼을 때 완료가 19% 더 오래 걸렸다측정(METR, 2025). 개발자들은 결함이 있거나 맥락에 맞지 않는 코드를 검토하고 바로잡는 데 상당한 시간을 소모되었기 때문이다. 또한, 원하는 바를 AI에게 명확히 지시하기 위한 프롬프트 작성, 답변 대기, 그리고 코딩과 AI 대화 사이를 오가는 과정에서 빈번한 인지적 전환 비용이 들었다. 코드베이스를 완벽히 꿰뚫고 있는 전문가에게 AI의 일반적이거나 표피적인 제안은 오히려 방해가 되거나 맥락을 오인하게 만들었다(인지적 착각). 이것은 소표본이고 2025년 초 도구 기준이며 후속 실험은 측정 신뢰성 문제로 재설계 중이므로 일반화할 수는 없다. 체감 생산성과 실측 생산성은 다를 수 있으며, AI 시대에는 성능만이 아니라 사용자의 착각도 측정 대상이다.

노동시장에서는 예측보다 실측을 본다. 현재까지 거시 고용 통계에 AI발 대량 실업은 없는 상황이다. 예일대 분석은 직업 구성 변화의 가속을 찾지 못했고, 2025년 미국의 해고 발표 중 AI를 사유로 명시한 것은 약 5%다측정(Yale Budget Lab; Challenger, 2025).

미국 급여 데이터에서 AI 노출도가 높은 직종의 22~25세 고용은 저노출 직종 동년배 대비 13%, 15%, 19%(2026년 6월 기준)로 격차가 계속 벌어졌고, 조정은 해고가 아니라 신규 채용 축소를 통해, 자동화형 직종에 집중되어 일어났다측정(Brynjolfsson, Chandar & Chen, 2026). 저자들 스스로 AI가 원인이라고 확정할 수 없다고 밝히지만 패턴은 뚜렷하다. 한국은행도 같은 구조를 보고하였다. 2022년 6월 이후 4년간 감소한 청년 일자리의 상당 부분이 AI 고노출 업종에서 발생했다(한국은행, 2026).

여기서 ‘일자리 소멸’보다 다른 문제가 보인다. AI 고노출 신입 직무는 리더십·창의성 같은 시니어급 스킬을 요구할 확률이 7배 높고, 그런 직무는 2019년 이후 35% 성장한 반면 그 외 신입 직무는 10% 감소했다측정(PwC, 2026). 노동시장의 문이 닫히는 것이 아니라 입구의 높이가 올라가고 있다. 사다리의 첫 칸이 사라지는 것이 아니라 첫 칸이 높아진다. 충격은 총량보다 분포에서, 그중에서도 진입 단계에서 먼저 측정된다.

판정 지표. 청년 고용률과 신규 채용 규모, 고노출-저노출 격차의 추이, AI 명시 해고 비중, 그리고 기업의 예고와 실행의 간극(감원 예상 39% 대 실제 14%)이 총량으로 번지는가(McKinsey, 2026).

7. 질문 5: 진짜 위험은 무엇인가

힌턴은 30년 내 인류가 통제를 상실할 확률을 10~20%로 제시하고, 르쿤은 그 위험이 “소행성 충돌보다 낮다”고 일축한다. 두 사람은 딥러닝의 공동 개척자로 튜링상을 함께 받았던 사이다. 같은 기술의 창시자들이 위험 평가에서 100배 이상 갈린다는 사실 자체가 이 축의 핵심 정보다.

무스타파 술레이만은 제3의 답을 내놓는다. 2025년 8월의 에세이에서 그는 2~3년 안에 ‘의식이 있어 보이는 AI(SCAI)’의 제작이 가능해진다고 전망하면서, 진짜 위험은 기계의 반란이 아니라 사람들이 그런 AI에 인격을 부여하고 관계를 맺기 시작하는 데 있다고 진단하였다(Suleyman, 2025). 위험의 원천을 기계에서 인간 쪽으로 옮긴 것이다. 이미 많은 SF 영화와 소설에서 이러한 사회를 보여주고 있다.

현실에서 지금 측정되는 위험 신호는 속도의 격차다. 2년 내 에이전틱 AI 배포를 계획한 기업은 75%인데 성숙한 거버넌스를 갖춘 곳은 21%다측정(Deloitte, 2026). 가속 페달과 브레이크의 속도가 다르다. AI의 가장 현실적인 위험은 기술 자체보다 기술의 속도와 통제 능력의 속도 사이의 시간차일 수 있다.

중요: 통제된 평가에서 문서화되는 기만·정렬 실패 사례의 빈도, AI에 인격과 권리를 부여하려는 사회 신호(청원·소송·정책 논쟁), 각국 규제의 위험 분류.

8. 여섯 번째 질문: AI는 얼마나 바꾸는가

AI는 정말 그 규모만큼 세상을 바꾸는가. 이 질문에서 이들의 의견은 비슷하다.

노벨경제학상 수상자 대런 아세모글루는 기존 실측 연구들을 조립하는 상향식 계산으로 향후 10년 미국의 GDP 효과를 누적 약 1%로 추정하였다(Acemoglu, 2024). 골드만삭스의 7%와 7배 차이가 나는데, 차이의 원천은 데이터가 아니라 가정이다. 아세모글루는 단기에 채산성이 있는 자동화만 계산에 넣고, 골드만은 비용 하락과 신규 과업 창출까지 가정에 넣는다. 그는 대체는 하되 생산성은 올리지 못하는 ‘so-so automation’의 함정도 경고한다.

성장 회의론의 원로 로버트 고든은 더 근본적인 이의를 제기한다. 1870~1970년 대발명의 도약은 반복되기 어려우며, 그는 AI가 노동자의 약 25%에 영향을 미치고 나머지에는 미미하리라 본다(Gordon, 2016; 2024). 이 논쟁의 일부는 이미 지표의 형태를 갖추고 있다. 고든과 브린욜프슨은 2020년대 미국 노동생산성 성장률이 연평균 1.8%를 넘는지를 두고 공개 내기를 걸었고, 판정 시점은 2029년 말이다.

사회가 기술만큼 빨리 변하지 않는다는 명제는 이번에는 절반만 성립한다. 개인의 채택은 역대급으로 빠르다. 느린 것은 조직의 흡수다. 병목의 위치를 정확히 지목하는 것이 이 반론의 의미일 것이다.

9. AI 미래 판독표

가설은 모두 틀릴 수 있게 서술되었고, 지표는 공개 데이터로 추적할 수 있다. 새 소식이 나올 때마다 어느 가설의 조건을 채우는 증거인지 대조한다.

가설	주창자	성립 조건	판정 지표	2026년 9월 현재
강력한 AI, 2027년 전후	아모데이	연구의 병목이 지능에 있음	METR 과제 지평, 자율 수행의 안정성	지평 4~7개월마다 배증, 80% 기준으론 크게 짧음
압축된 21세기(생물학 100년치)	아모데이, 허사비스	실험·임상·규제 병목의 완화	AI 설계 신약의 개발 기간·임상 성패	FDA 승인 0건, 최선두 3상 진입, 단축은 발굴 단계에 국한
신입 사무직 절반 소멸(1~5년)	아모데이, 힌턴	채용 축소의 총량 전이	청년 고용 격차, 실업률, 신규 채용	격차 13→19% 확대, 총량 충격 미관측
스케일링의 종언	수츠케버, 르쿤	비-LLM 돌파구의 실증	월드모델 성과, 투자 회수율	미판정, 취소율 전망(가트너 40%)만 존재
GDP 효과 10년 약 1%	아세모글루, 고든	신규 과업 창출의 부재	거시 생산성 통계, 고든-브린욜프슨 내기(2029년 판정)	경제 전체 수준 무발견(골드만 자체 보고 포함)
의식이 있어 보이는 AI, 2~3년	술레이만	현 기술로 충분	인격 부여의 사회 신호(청원·소송·정책)	관찰 초기 단계
통제와 도입의 시간차 위험	(본 글의 종합)	거버넌스가 배포를 계속 뒤따름	배포율 대 거버넌스 성숙도	75% 대 21%, 격차 존재

10. 현재의 준비: 미래를 행동으로 번역하다

미래 분석은 여기서 끝나면 안 된다. “준비하라, 역량을 키워라”는 누구나 하는 말이다. 데이터가 실제로 지시하는 준비는 주체별로, 시간축별로 다르다.

개인

지금 바꿔야 하는 것은 도구와 작업 방식이다. 도구는 몇 달 주기로 교체되고 그 숙련은 빠르게 감가하므로, 익혀야 할 것은 도구가 아니라 도구를 갈아끼우는 방식이다.

인간의 역량은 이제 그 출발점이 높아졌다. AI 고노출 신입 직무가 리더십·창의성 같은 시니어급 역량을 요구할 확률은 그렇지 않은 직무의 7배이고, 그런 직무는 2019년 이후 35% 늘어난 반면 나머지 신입 직무는 10% 줄었다(PwC, 2026). 조직이 신입에게 요구하는 것이 실행에서 판단으로 옮겨 간 것이다. 이들에게는 ‘신입다운 일’을 넘어서는 포트폴리오가 앞당겨 요구된다. 비판적 사고, 창의성, 리더십은 그래서 자기계발의 수사가 아니라 채용의 문턱이 되었으며, 실측은 이를 세 가지로 구체화한다.

첫째, 판단과 검증이다. AI를 쓴 개발자들은 20% 빨라졌다고 느꼈으나 실측은 19% 느렸다(METR, 2025). 산출물이 그럴듯할수록 무엇을 믿고 무엇을 확인할지 가르는 판단의 값이 커진다. 고용주들이 꼽는 핵심 역량 1위가 여전히 분석적 사고라는 조사(WEF, 2025)가 이와 같은 방향이다.

둘째, 문제의 정의다. AI는 주어진 질문에 답하지만 어떤 질문이 중요한지는 정하지 않는다. 창의성이 자동화에 남는 근거는 풀 문제를 고르고 틀을 세우는 상류 작업이 성문화되지 않는다는 데 있다.

셋째, 관계와 책임이다. 사람과 기계를 함께 조율하고 결정의 책임을 지는 일은 모델에 위임되지 않는다. 성장 스킬 2위가 갈등 완화라는 조사(LinkedIn, 2025)와 암묵지 중심 직종의 경력자 고용이 유지·증가했다는 실측(Brynjolfsson et al., 2026)이 이를 뒷받침한다. 세 가지는 문제 정의, 판단, 관계, 경험으로만 쌓이는 암묵지라는 하나의 축으로 모인다.

아마도 클리세 같은 답일지도 모른다. 하지만 더 나은 방법을 찾기가 어렵다.

조직

지금 바꿔야 하는 것은 도입이 아니라 재설계다. 이익 효과를 가장 잘 예측하는 단일 변수는 도구 보급이 아니라 워크플로 재설계였고, 재설계 기업은 아직 21%다. AI가 절약해 준 시간의 용처를 지정하는 것도 당장의 일이다. 정기 사용자의 42%가 주 8시간을 절약했지만 66%는 그 시간을 어디에 쓰라는 지침을 받지 못했다(BCG, 2026). 일을 AI로 재발명한 직원이 보상받는 비율은 13%에 그친다(Microsoft, 2026). 절약된 시간과 재발명이 보상 체계에 연결되지 않으면 조직 차원에서 증발한다.

지금부터 길러야 하는 것은 거버넌스다. 배포 계획 75% 대 성숙 거버넌스 21%의 격차는 조직이 스스로 만드는 위험이다.

바꾸면 안 되는 것이 있다. 우리 사회는 이익으로만 흘러하지 않는다. 신입의 일을 AI가 대신하니 채용을 줄이는 선택은 단기 손익에는 합리적이지만, 암묵지가 경력의 입구에서만 형성된다는 실측과 겹쳐 읽으면 5~10년 뒤 중간 숙련의 공백을 조직 스스로 만드는 일이다. 비용을 앞세워 인간 상담을 AI로 전면 대체했다가 품질 저하를 인정하고 회귀한 클라르나의 사례는, 무엇을 기계에 맡기고 무엇을 사람에게 남길지의 판단이 곧 경영 역량임을 보여준다.

교육과 사회

첫 직장이 ‘배우는 자리’의 기능을 잃어 간다면, 판단·협업·문제 정의 같은 시니어급 역량의 형성을 교육이 앞당겨 맡아야 한다. 필자가 수업을 인터랙티브 방식으로 바꾸고 평가를 구술시험과 발표로 대체한 것도 같은 판단에서다. AI가 대신 쓸 수 있는 과제물 대신, 아직 기계가 대신 서지 못하는 자리(말로 자기 생각을 방어하는 자리)를 평가의 중심에 놓는 것이다. 사회 차원에서는 청년 고용과 진입 지표의 상시 관측, 그리고 숙련 사다리의 재설계가 의제다.

11. 결론: 미래는 하나의 속도로 오지 않는다

AI를 둘러싼 가장 큰 혼란은 모든 변화를 하나의 속도로 생각하는 데서 시작된다. 모델은 몇 개월 만에 진화하고, 개인은 몇 년 안에 적응하며, 조직은 수년에 걸쳐 재설계되고, 경제와 제도는 가장 늦게 반응한다. “내일이면 모든 것이 바뀐다”는 과장과 “GDP도 안 변했으니 거품이다”는 회의는 둘 다 시간축을 하나로 보기 때문에 생기는 오류다. AI의 능력이 폭발하고 있다는 사실과 사회가 아직 크게 변하지 않았다는 사실은 모순되지 않는다. 둘 다 측정된 현실이다. 그 사이에서 가장 먼저 측정된 인간 쪽 변화는 청년의 첫 일자리다.

본 글의 테제 역시 조건부 가설이다. 무엇이 관측되면 이 글이 틀린 것인지 적어 둔다(그래서 본 파일은 계속 업데이트 예정). 거시 생산성 통계에서 AI 기여가 향후 2~3년 내 뚜렷이 식별되고, 조직 재설계 없이도 이익이 광범위하게 실현되며, 청년 고용 격차가 총량 충격 없이 자연 해소된다면, 네 속도의 간격이라는 중심 명제는 수정되어야 하며, 그 수정은 이 지면에 명시적으로 기록할 것이다.

좋은 미래 분석은 미래를 맞히는 분석이 아니다. 어떤 가설이 어떤 조건 위에 서 있는지 밝히고, 현실에서 무엇을 관찰해야 하는지 보여주며, 불확실성 속에서도 지금 무엇을 준비하고 무엇을 보류할지 판단하게 하는 분석이다. 새로운 모델과 뉴스가 나올 때마다 물으면 된다. 이것은 누구의 가설을 강화하는가. 어떤 전제가 맞았다는 증거인가. 아직 해결되지 않은 병목은 무엇인가.

AI의 능력은 이미 폭발하고 있다. 사회의 변화는 아직 그 속도를 따라가지 못한다. AI 시대의 진짜 미래는 그 두 곡선이 언제, 어디서 만나는가에 달려 있다. 그 만남을 앞당기거나 감당하는 것은 기술이 아니라 조직과 제도와 사람의 일이다.

글쓴이 노진화

2026.9.6

2026.9.7 업데이트

부록: 인물별 원전 읽기 목록

다보스 2026의 충돌 장면은 세 인물(아모데이, 허사비스, 르쿤)에 공통이다: Fortune, 2026. 1. 23.

다리오 아모데이 (Dario Amodei, Anthropic CEO)

주장: ‘압축된 21세기’. 강력한 AI 후 5~10년에 생물학 50~100년치 진보. 동시에 1~5년 내 신입 사무직 대규모 축소 경고. AGI는 마케팅 용어라며 기각. ‘기술적 사춘기’ 프레임.
에세이 Machines of Loving Grace (2024. 10.)
에세이 The Adolescence of Technology (2026. 1., 약 2만 단어)
일자리 경고 인터뷰: Axios (2025. 5. 28.)

샘 올트먼 (Sam Altman, OpenAI CEO)

주장: ‘완만한 특이점’. “We are past the event horizon.” 지능 비용의 연 1/10 하락, 전기 요금으로의 수렴. 동시에 투자 과열 경고. 가장 값진 자질은 주체성·자의지·결단력.
블로그 Three Observations (2025. 2.)
블로그 The Gentle Singularity (2025. 6. 10.)

데미스 허사비스 (Demis Hassabis, DeepMind CEO)

주장: ‘급진적 풍요’. 질병의 종말, 아마 10년 안에(알파폴드 2억 구조가 템플릿). 단 AGI는 5~10년에 50% 확률이며 현재 방식만으로는 아님. 다음 세대의 핵심 역량은 ‘배우는 법을 배우기’.
CBS 60 Minutes 인터뷰 트랜스크립트 (2025)
‘learning how to learn’ 발언 보도 (2025. 9. 12.)

제프리 힌턴 (Geoffrey Hinton, 노벨물리학상)

주장: 정형화된 지적 노동은 전부 대체된다. 살 길은 물리 조작(배관공). 30년 내 실존적 위험 확률 10~20%.
멸종 확률 발언 보도 정리: OpenTools (2024. 12.)
Diary of a CEO 팟캐스트 핵심 정리 (2025. 6. 16.)
2026년 일자리 예측 보도: Fortune (2025. 12. 28.)

얀 르쿤 (Yann LeCun, 튜링상)

주장: 현재의 거대언어모델 방식으로는 인간 지능에 도달할 수 없다. 업계 전체가 “LLM-pilled”. 대안은 월드모델. 실존 위험은 “소행성 충돌보다 낮다”.
Meta 퇴사 발표 보도: CNBC (2025. 11. 19.)
월드모델 스타트업 AMI Labs 보도: Bloomberg (2025. 12.)

무스타파 술레이만 (Mustafa Suleyman, Microsoft AI CEO)

주장: 2~3년 내 ‘의식이 있어 보이는 AI(SCAI)’ 제작 가능. 위험은 기계의 반란이 아니라 사람들이 AI에 인격을 부여하는 것. AGI 경주를 거부하는 ‘휴머니스트 초지능’.
에세이 Seemingly Conscious AI is Coming (2025. 8. 19.)
에세이 Towards Humanist Superintelligence (2025. 11. 6.)

젠슨 황 (Jensen Huang, NVIDIA CEO)

주장: 인지→생성→에이전트→피지컬 AI의 4단계. “움직이는 모든 것은 언젠가 자율화된다.” 데이터센터는 지능(토큰)을 생산하는 공장.
CES 2025 기조연설: NVIDIA 공식 블로그 (2025. 1.)
GTC 2025 기조연설 트랜스크립트 (2025. 3.)
COMPUTEX 2025 기조연설 (2025. 5.)

일리야 수츠케버 (Ilya Sutskever, SSI 공동창업자)

주장: “우리가 아는 사전학습은 끝난다”. 데이터는 AI의 화석연료, 피크 데이터 도달. 스케일링의 시대가 끝나고 다시 연구의 시대로.
NeurIPS 2024 Test-of-Time 수상 강연 (2024. 12. 13., 보도 모음)
Dwarkesh Patel 팟캐스트: “We’re moving from the age of scaling to the age of research” (2025. 11.)

부록 2: 문헌 (확장판)

Acemoglu, D. (2024). The Simple Macroeconomics of AI. NBER WP 32487. 10년 TFP 최대 0.66%, GDP 0.93~1.16%. ※NBER판 기준
Gordon, R. J. (2016). The Rise and Fall of American Growth. Princeton UP; NY Fed 발표(2024) “노동자 25%에 영향”; Long Bets 내기(연 1.8%, 2029년 판정)
David, P. A. (1990). The Dynamo and the Computer. AER 80(2). 전기화 약 40년 지연, 공장 재설계
Solow, R. M. (1987). We’d Better Watch Out. NYT Book Review 7. 12., p. 36; 해소: Oliner & Sichel (2000), JEP 14(4)
Brynjolfsson, Rock & Syverson (2021). The Productivity J-Curve. AEJ: Macro 13(1)
Scannell et al. (2012). Nature Reviews Drug Discovery 11. 이룸의 법칙
BIO·Informa·QLS (2021). Clinical Development Success Rates 2011~2020. 1상→승인 10.5년
Brynjolfsson, Chandar & Chen (2026). Canaries in the Coal Mine? 2026. 8. 개정판. 청년 격차 19%
한국은행 (2026). 청년고용 위축, AI 탓인가 (2026. 8. 18.)
Bick, Blandin & Deming (2026). The Rapid Adoption of Generative AI. Management Science
Waller, C. (2025) 연준 연설; Daly, M. (2026) FRBSF Economic Letter
Goldman Sachs (2026). 경제 전체 수준 무발견 자체 보고; PwC (2026) Global AI Jobs Barometer. 신입 직무 시니어화 7배; McKinsey (2025; 2026); Microsoft WTI (2026); BCG (2026); Deloitte (2026); Gartner (2025); METR (2025); Stanford HAI (2025; 2026); Yale Budget Lab; Challenger, Gray & Christmas (2025)