[바미] AI가 일을 대신해 주면 사람은 무엇을 준비해야 할까?

들어가기 전에

혼자서 작은 서비스를 만든다고 가정해보겠습니다. 아이디어는 있지만 화면을 만들고, 기능을 개발하고, 오류를 고치려니 할 일이 많습니다. 예전에는 사람을 더 구하거나 만들 기능을 줄여야 했을 것입니다.

 

그런데 AI가 코드와 문서의 초안을 만들어 준다면 어떨까요? 개발을 시작하기는 쉬워질 수 있습니다. 하지만 새로운 질문이 남습니다.

만들 수 있는 것이 많아졌다면, 그중 무엇을 만들어야 할까요?

 

샘 올트먼의 스탠퍼드 대담은 이런 질문으로 읽어 볼 수 있습니다. AI의 성능뿐 아니라 작은 팀의 가능성, 사람들이 원하는 제품, 조직의 일하는 방식, 교육의 변화까지 이야기합니다.

 

이번 글에서는 대담의 주요 내용을 살펴보고, AI를 사용하는 입장에서 어떤 질문을 가져가면 좋을지 정리해보겠습니다. 이해를 돕기 위한 업무 예시는 대담을 바탕으로 재구성한 것입니다.

정말 프롬프트를 작성할 필요가 없어졌다는 이야기일까요?

프롬프트는 AI에게 전달하는 질문이나 작업 요청을 뜻합니다. 파일명만 보면 이제는 이런 요청조차 작성할 필요가 없다는 내용처럼 보입니다.

 

하지만 제공된 영상에서 그 문구를 올트먼의 직접 발언으로 확인하지는 못했습니다. 대담의 중심도 프롬프트 작성법이 아니라 AI가 바꾸는 제품과 시스템에 있습니다.

 

따라서 이 글에서는 ‘프롬프트가 필요 없어졌다’고 단정하지 않고, 실제 대담에서 설명하는 변화에 집중하겠습니다.

작은 팀이 시도할 수 있는 일이 달라집니다

올트먼은 AI를 활용하면 과거에는 큰 개발팀이 필요했던 일을 작은 팀도 시도할 수 있다고 말합니다.

이때 나오는 용어가 토큰입니다. 토큰은 AI가 글을 처리할 때 사용하는 작은 단위입니다. 단어 하나와 항상 일치하지는 않지만, 여기서는 AI가 처리하는 글의 양을 세는 단위 정도로 이해하면 됩니다.

 

대담에서는 합리적인 토큰 비용으로 더 큰 작업을 시도할 수 있다는 관점이 나옵니다. 그렇다고 AI 하나가 언제나 개발자 수십 명의 일을 완벽하게 대신한다는 뜻은 아닙니다.

 

중요한 질문은 다음과 같습니다.

예전에는 비용 때문에 포기했던 일 중에서, 지금은 작게 시험해 볼 수 있는 일이 있을까요?

 

예를 들어 여러 파일을 매주 수작업으로 합치는 일이 있다고 가정해보겠습니다. 전용 프로그램을 만들기에는 개발 비용이 부담스러웠을 수 있습니다.

 

AI의 도움으로 간단한 도구를 만드는 비용이 줄어든다면, 그 일을 다시 검토할 이유가 생깁니다. 다만 파일 형식이 바뀌거나 잘못된 데이터가 들어왔을 때도 제대로 처리하는지는 확인해야 합니다.

 

만들기 쉬워지는 것과 안정적으로 사용할 수 있는 것은 서로 다른 문제이기 때문입니다.

규모를 키우면 잘되던 방식도 달라질 수 있습니다

대담에서는 규모를 키웠을 때 예상하지 못한 변화가 나타난다는 이야기도 나옵니다.

올트먼은 AI 모델뿐 아니라 조직과 스타트업 집단에서도 이런 경험을 했다고 설명합니다. 스타트업을 지원하는 Y Combinator에서는 참여 회사가 많아지면서 서로 연결되고 배우는 효과가 생겼다는 것입니다.

 

다만 그는 모든 상황을 설명할 수 있는 완성된 이론을 제시하는 것은 아니라고 밝힙니다. 자신의 경험에서 관찰한 경향을 설명하는 대목입니다.

 

작은 서비스로 바꾸어 생각하면 이해하기 쉽습니다. 사용자가 열 명일 때는 문의를 직접 읽고 답해도 괜찮을 수 있습니다. 하지만 사용자가 수천 명으로 늘어나면 같은 방식으로는 감당하기 어렵습니다.

 

AI를 연결해 답변 초안을 만들더라도 다른 문제가 생깁니다. 사용 비용이 늘고, 잘못된 답변을 확인할 사람이 필요하고, 어떤 문의를 담당자에게 넘길지도 정해야 합니다.

 

대담에서 말하는 기술, 자본, 조직의 문제를 일상적인 질문으로 옮기면 다음과 같습니다.

확인할 부분	생각해 볼 질문
기술	요청이 많아져도 작업이 끝까지 처리되나요?
비용	사용량이 늘어나는 만큼 비용을 감당할 수 있나요?
조직	무엇을 자동화하고 무엇을 사람이 확인할지 합의했나요?

 

규모를 키운다는 것은 같은 일을 더 많이 반복하는 것만은 아닙니다. 늘어난 작업에 맞추어 처리 방식도 바꾸어야 합니다.

좋은 도구가 있어도 목표는 사람이 정해야 합니다

올트먼은 조직이 움직이려면 목표와 계획, 의사결정 방식이 명확해야 한다고 설명합니다. 이 이야기는 AI를 도입할 때도 적용할 수 있습니다.

 

‘우리도 AI를 적극적으로 사용하자’는 말만으로는 무엇이 좋아져야 하는지 알기 어렵습니다. 어떤 일을 줄이고, 어떤 품질을 유지하며, 어디까지 맡길지 정해야 합니다.

 

예를 들어 다음 두 요청을 비교해보겠습니다. 아래는 이해를 위한 예시입니다.

막연한 요청	확인 기준을 붙인 요청
고객 문의를 자동화해 주세요.	배송 조회 문의의 답변 초안을 만들고, 보상 요청은 담당자에게 전달해 주세요.
보고서를 잘 만들어 주세요.	제공한 자료만 사용하고, 각 수치의 출처와 확인되지 않은 내용을 구분해 주세요.

 

두 번째 요청에는 해야 할 일뿐 아니라 하지 말아야 할 일과 확인할 기준도 들어 있습니다.

AI가 더 많은 작업을 수행할수록 사람이 설명해야 할 내용이 없어지는 것이 아니라, 설명해야 할 범위가 달라진다고 볼 수 있습니다.

ChatGPT의 시작에서 제품 개발의 힌트를 찾을 수 있습니다

대담에서 구체적인 사례로 등장하는 것은 ChatGPT의 탄생 과정입니다.

올트먼의 설명에 따르면 OpenAI는 GPT-3를 만들었지만, 그 기술로 어떤 제품을 만들어야 할지 확신하지 못했습니다. 그래서 외부 개발자가 모델을 사용할 수 있도록 API를 제공했습니다.

 

API는 프로그램이 다른 프로그램의 기능을 요청할 수 있는 연결 창구입니다. 개발자가 자신의 서비스에서 AI에 질문을 보내고 답을 받을 수 있도록 길을 열어 둔 것입니다.

 

그런데 개발자들이 모델과 직접 대화하는 행동이 반복해서 나타났다고 합니다. 사업에 활용할 방법을 찾는 것과 별개로, 모델과 채팅하는 것 자체를 원했던 것입니다.

 

여기에 요청을 더 잘 따르는 모델과 대화 화면이 결합했다는 것이 대담의 설명입니다.

이 사례에서 생각해 볼 질문은 ‘최신 기술로 무엇을 만들까?’에만 머물지 않습니다.

사용자가 불편함을 감수하면서도 계속하는 행동은 무엇일까요?

 

어떤 기능을 쓰려고 매번 파일을 변환하거나 여러 화면을 오간다면, 그 과정에도 제품의 단서가 있을 수 있습니다. 사람들이 이미 얻으려는 결과를 더 쉽게 제공할 수 있기 때문입니다.

 

이는 대담을 제품 개발 관점으로 해석한 내용입니다. 모든 성공적인 제품이 같은 과정을 따른다는 의미는 아닙니다.

코딩은 AI가 컴퓨터에서 일을 하는 방법이 됩니다

코딩이라고 하면 프로그램의 문장을 작성하는 모습을 떠올리기 쉽습니다. 올트먼은 이를 더 넓게 설명합니다. 코드는 AI가 컴퓨터 안에서 실제 행동을 수행하는 수단이 될 수 있다는 것입니다.

 

예를 들어 ‘파일을 날짜별로 정리하는 방법’을 설명하는 것과, 파일을 읽고 분류하는 프로그램을 실행하는 것은 다릅니다.

이처럼 목표를 위해 도구를 사용하고 작업을 이어가는 AI를 에이전트라고 부릅니다. 대화로 답하는 데서 그치지 않고 실제 작업에 연결된다는 점이 중요합니다.

 

다만 행동할 수 있다는 것은 잘못된 행동의 영향도 고려해야 한다는 뜻입니다. 파일 정리를 맡긴다면 어느 폴더까지 접근할 수 있는지, 원본을 바꾸어도 되는지, 결과를 어떻게 확인할지 정하는 편이 좋습니다. 이 질문들은 대담을 실제 작업에 적용하기 위해 덧붙인 예시입니다.

 

대담은 AI가 연구 방법 자체를 바꾸는 데 기여할 가능성으로도 이어집니다. 이 부분은 올트먼의 전망과 당시 계획으로 읽어야 하며, 이미 모두 구현된 기능을 소개하는 내용은 아닙니다.

사용자가 원하는 것은 기술 이름보다 결과입니다

올트먼은 AI가 전기나 인터넷처럼 여러 곳에서 이용하는 기반 서비스가 될 수 있다고 봅니다. 이 때 중요한 것은 사용자가 그 기술을 어떤 가치로 받아들이는지입니다.

 

전기를 설명할 때 복잡한 내부 원리보다 ‘밤에도 밝게 지낼 수 있다’는 결과가 이해하기 쉬운 것처럼, AI도 무엇을 해 주는지가 중요하다는 취지입니다.

 

예를 들어 다음 두 설명을 비교해보겠습니다.

• 고성능 AI 모델을 적용한 업무 지원 서비스입니다.
• 흩어진 고객 문의를 모아 담당자가 확인할 답변 초안을 만들어 줍니다.

두 번째 설명은 사용자가 얻는 결과를 보여줍니다. AI를 잘 모르는 사람도 어떤 상황에서 도움이 되는지 생각할 수 있습니다.

기술의 성능을 설명하는 일과 사용자가 원하는 결과를 설명하는 일을 구분할 필요가 있습니다.

한 번의 답변이 저렴하면 전체 업무도 저렴할까요?

대담에서 반복해서 등장하는 주제 중 하나는 추론 비용입니다. 추론은 학습을 마친 AI가 실제 요청을 받아 답을 만드는 과정입니다. 여기서는 AI를 사용할 때마다 필요한 계산이라고 이해하면 됩니다.

 

좋은 모델이 있어도 사용 비용이 너무 크거나 응답이 오래 걸리면 여러 업무에 적용하기 어렵습니다. 올트먼은 AI를 저렴하고 충분하게 제공하는 기반에도 관심을 가져야 한다고 말합니다. 이 관점을 업무에 적용할 때는 답변 한 번의 비용만 보면 부족합니다.

함께 살펴볼 비용	확인할 내용
AI 사용 비용	작업 하나를 끝내기 위해 몇 번 요청하나요?
재작업 비용	결과가 틀리면 얼마나 다시 해야 하나요?
검토 시간	사람이 확인하는 데 얼마나 걸리나요?
운영 비용	도구와 데이터를 계속 관리해야 하나요?

 

첫 답변이 저렴하더라도 반복 수정과 검토가 많으면 전체 비용은 커질 수 있습니다.

따라서 ‘AI를 한 번 호출하는 가격’과 ‘업무 하나를 제대로 끝내는 비용’을 구분해서 보는 것이 좋겠습니다. 이는 대담을 바탕으로 정리한 적용 관점입니다.

AI가 잘하는 일과 내가 맡길 일을 구분해야 합니다

올트먼은 AI의 능력을 하나의 점수로 설명하기 어렵다고 말합니다. 어떤 과제에서는 뛰어나더라도, 오랜 시간 여러 판단을 이어가야 하는 다른 과제에서는 부족할 수 있다는 것입니다.

 

짧은 문서를 잘 요약했다고 해서 며칠에 걸친 프로젝트의 모든 결정을 맡길 수 있다는 뜻은 아닙니다.

반대로 예전에 실패했던 경험 하나만으로 앞으로도 같은 일을 못할 것이라고 단정할 필요도 없습니다. 대담에서는 자신의 믿음에 지나치게 매달리지 않고 증거에 따라 판단을 바꾸는 태도를 강조합니다.

 

업무에서도 작은 범위로 시험하고, 어떤 조건에서 성공하거나 실패하는지 확인하는 과정이 필요합니다. 시연이 인상적이었다는 느낌과 실제 업무에서 반복해서 잘된다는 결과는 구분해야 합니다.

AI가 글을 써도 글쓰기를 배워야 할까요?

교육에 관한 대목에서 올트먼은 자신의 예상이 빗나갔다고 인정합니다. ChatGPT가 등장하면 교육의 과제와 평가 방식이 빠르게 바뀔 것이라고 생각했지만, 자신이 기대한 만큼 큰 변화는 보지 못했다는 것입니다.

 

그는 글쓰기의 가치도 이야기합니다. 다른 사람에게 보여주기 위해서만 쓰는 것이 아니라, 자신의 생각을 정리하기 위해 글을 쓴다는 설명입니다.

 

이 관점에서는 결과물을 얻는 일과 생각하는 능력을 기르는 일이 다릅니다. AI가 보고서 초안을 만들었더라도 다음 질문은 직접 답해 볼 수 있습니다.

• 왜 이런 결론이 나왔나요?
• 어떤 근거가 부족한가요?
• 조건이 달라져도 같은 결론이 맞을까요?
• 이 내용을 다른 사람에게 내 말로 설명할 수 있나요?

이 질문들은 대담을 학습에 적용하기 위해 정리한 예시입니다. AI를 사용하지 말자는 이야기가 아니라, 도구를 사용하면서도 생각하는 과정을 남기자는 방향입니다.

더 많은 사람이 이용할 수 있어야 가능성도 넓어집니다

대담 후반에는 AI의 혜택이 누구에게 돌아가는지도 다룹니다.

 

올트먼은 기술이 널리 제공되는 미래와 소수에게 집중되는 미래를 중요한 갈림길로 봅니다. AI를 실행하는 컴퓨터 자원에 누가 접근할 수 있는지도 함께 이야기합니다.

 

경제적 이익을 공유하는 방식으로는 사람들이 기업이나 생산 자산의 일부를 소유하는 방향에 관심을 보입니다. 이는 그의 제안과 선호이며, 효과가 검증된 정책을 설명하는 내용은 아닙니다.

 

앞에서 나온 작은 팀의 가능성도 이 문제와 연결됩니다. 도구가 발전하더라도 비용이나 접근 조건 때문에 쓰지 못한다면 그 가능성을 실제로 활용하기 어렵기 때문입니다.

중간 정리

대담의 주요 내용을 업무 관점에서 정리하면 다음과 같습니다.

대담의 주제	가져갈 질문
작은 팀의 가능성	예전에는 포기했지만 지금 시험해 볼 수 있는 일이 있나요?
규모의 확대	사용량이 늘면 무엇이 먼저 막히나요?
제품 개발	사용자가 이미 반복하고 있는 행동은 무엇인가요?
작업 수행	AI에게 맡길 범위와 확인 기준을 정했나요?
사용 비용	업무 하나를 끝내는 전체 비용은 얼마인가요?
학습	결과를 얻는 것과 이해하는 것을 구분하고 있나요?

 

이 질문들의 공통점은 AI의 성능만 보지 않는다는 것입니다. 사람이 원하는 결과와 그 결과를 제공하는 과정까지 함께 살펴봅니다.

마치며

이 대담을 ‘이제 AI가 모든 일을 해 준다’는 이야기로 읽으면 중요한 부분을 놓칠 수 있습니다.

AI는 더 큰 일을 시도할 수 있게 해 줄 수 있습니다. 하지만 어떤 문제를 풀지, 사용자가 무엇을 원하는지, 결과가 맞는지 판단하는 일까지 자동으로 해결되지는 않습니다.

 

처음부터 거대한 서비스를 만들 필요는 없습니다. 비용 때문에 미뤄 둔 작은 작업 하나를 골라, AI를 활용했을 때 무엇이 쉬워지고 무엇을 여전히 확인해야 하는지 살펴볼 수 있습니다.

 

좋은 요청문을 작성하는 것에서 출발하되, 그 요청이 어떤 결과와 작업 과정으로 이어질지도 함께 생각해 보면 좋겠습니다.

참고 자료

• Stanford Online — Scale, AGI, and the Future of Everything
• Stanford CS153: Frontier Systems