AI가 더 빨리 처리하는 일을 신입에게 계속 맡겨야 할까요. 기업교육 담당자가 자동화 논의에서 받을 법한 질문입니다. 답은 그 일을 무엇 때문에 남기는지에 달려 있습니다. 생산을 위해 반복하던 수작업과 판단을 배우기 위해 필요한 연습은 목적이 다릅니다. 오래 걸리는 방식 자체를 보존할 이유는 없습니다. 다만 자동화로 사라지는 과업이 신입에게 어떤 판단을 연습하게 했는지는 확인해야 합니다.
신입 육성용 과업은 실제 업무에 필요한 관찰·판단·수정 능력을 연습하도록 선택한 일입니다. 따로 만든 모의 과제일 수도 있고, 검토를 전제로 제한된 범위를 맡기는 실제 업무일 수도 있습니다. 중요한 것은 바쁘게 만드는 양이 아니라 그 일을 마쳤을 때 무엇을 판단할 수 있게 되는가입니다. ‘쉬운 업무를 많이 시키면 언젠가 성장한다’는 가정을 과업과 피드백의 관계로 바꿔야 합니다.
자동화를 미루는 것만으로 학습을 지킬 수는 없습니다. AI 사용을 금지한 채 옛 업무를 반복해도 판단을 설명하고 수정하는 기회가 없다면 교육적 가치가 낮을 수 있습니다. 반대로 AI가 작성한 초안을 활용하더라도 조건을 확인하고 오류를 찾아 고치는 과정을 직접 수행하면 배울 부분이 있습니다. 기업교육의 결정은 도구를 허용할지 말지보다, 어떤 사고와 행동을 학습자가 실제로 수행하게 할지에 가깝습니다.
빠르게 끝난 결과물은 신입이 배웠다는 증거가 아니다
자동화된 업무에서는 결과물의 품질과 작성자의 역량을 구분하기 어려워질 수 있습니다. 신입이 완성도 높은 문서를 제출했어도 문제를 어떻게 정의했는지, 빠진 정보는 무엇인지, 어떤 상황에서 결론이 바뀌는지 설명하지 못할 수 있습니다. 반대로 초안이 다소 거칠어도 근거의 부족을 찾아내고 적절히 질문하는 사람이 있을 수 있습니다. 결과물만 보면 두 사람의 다음 학습 요구를 구분하기 어렵습니다.
예를 들어 고객 문의를 요약하는 업무를 생각해 볼 수 있습니다. AI가 문의 내용을 짧게 줄이는 속도는 빠를 수 있습니다. 그러나 어떤 정보가 답변의 우선순위를 바꾸는지, 고객이 직접 말하지 않은 조건을 어디까지 추정해도 되는지, 누가 최종 확인해야 하는지는 별도의 판단입니다. 요약문을 복사해 전달하는 것만으로는 그 판단을 연습했다고 보기 어렵습니다. 이 장면은 특정 도구나 기업의 성과 사례가 아니라 교육 설계 예시입니다.
담당자는 자동화 전 과업의 이름보다 그 안에서 배웠던 판단을 찾아야 합니다. 자료 정리 과정에서 출처의 차이를 알게 되었는지, 초안을 쓰면서 논리의 빈틈을 발견했는지, 반복 문의를 처리하며 예외 조건을 구분했는지 살펴봅니다. 그중 새 업무에서도 필요한 판단은 다른 형식으로 연습하게 합니다. 이미 필요가 없어진 절차까지 학습이라는 이름으로 보존할 필요는 없습니다.
이를 위해 현업 전문가에게 ‘신입이 이 일을 해야 합니까’라고만 묻지 않습니다. 이 일을 해 보지 않은 사람이 나중에 어떤 판단에서 어려움을 겪는지, 그 어려움을 더 짧고 안전한 과제로 연습할 수 있는지 묻습니다. 전문가의 기억도 완전하지 않으므로 최근 신입의 오류와 질문을 함께 확인합니다. 경험 많은 직원이 거쳤던 모든 일을 후배도 똑같이 해야 한다는 결론을 피하기 위해서입니다.
미국의 초기 경력 고용 신호를 한국의 확정 전망으로 옮기지 않는다
최근 미국 고용 연구는 기업이 초기 경력의 진입과 육성을 따로 점검해야 할 이유를 제공합니다. 스탠퍼드 디지털경제연구소의 2026년 8월 개정 연구는 2026년 6월까지의 ADP 급여 행정자료를 분석했습니다. AI 노출 직종의 22–25세 고용은 저노출 동년배와 같은 추세를 따랐을 경우보다 19% 낮은 수준으로 관찰됐습니다. 연구진은 이를 인과 추정치가 아닌 초기의 기술적 신호로 해석하며, 경제 전체의 광범위한 일자리 대체 증거는 찾지 못했다고 명시합니다.[1]
그림 1. Canaries in the Coal Mine?, 2026년 8월 개정판, PDF·인쇄 10쪽, Figure 3. 연령과 AI 노출 수준별 고용 추이이며, 앞 문장의 19%를 직접 표시한 막대그래프가 아닙니다.
이 수치를 미국 신입 일자리 전체의 19%가 사라졌다는 뜻으로 읽어서는 안 됩니다. 한국과 일본의 채용 관행, 산업 구성, 고용 조정 방식도 같지 않습니다. 해당 연구에서도 학력을 통제하면 패턴이 약해지고, 생성형 AI 이전의 일부 차별적 추세가 있으며, ADP 분석 표본에서 전국 조사보다 패턴이 강하다는 한계를 설명합니다.[1] 교육 담당자에게 필요한 것은 숫자를 그대로 가져온 위기 선언이 아니라 자사에서 진입 업무와 연습 기회가 어떻게 바뀌는지 확인하는 일입니다.
2026년 9월 미국 인구조사국 CES의 별도 워킹페이퍼는 대학 전공별 AI 노출 수준과 졸업 이후 노동시장 결과를 비교합니다. 회귀 조정 추정에서 AI 노출이 가장 높은 상위 10% 전공 졸업생의 졸업 다음 분기 취업 확률은 하위 60% 전공에 비해 5%포인트 낮아졌습니다.[2] 직종·연령을 기준으로 한 앞 연구와 분석 단위가 다르므로 두 수치를 합치거나 동일 현상의 크기로 비교할 수 없습니다. 이 역시 미국 자료이며, 신입 교육 방법의 효과를 실험한 연구가 아닙니다.
두 연구를 기업교육에 연결하는 판단은 제한적이어야 합니다. 입직과 업무 배정이 달라질 수 있는 환경에서, 신입이 필요한 경험을 얻는 경로를 점검할 필요가 있다는 정도입니다. 어떤 학습 과업을 남기면 고용이나 성과가 개선된다는 인과적 결론은 이 자료만으로 나오지 않습니다. 뒤의 설계 기준은 연구 결과의 재진술이 아니라 기업 현장에서 확인할 운영 제안입니다.
남겨야 할 것은 옛 수작업이 아니라 이후에 필요한 판단이다
모든 반복 업무가 좋은 연습은 아닙니다. 단순히 데이터를 옮기는 일을 오래 했다고 데이터의 한계를 잘 판단하게 되는 것은 아닙니다. 그 과정에서 무엇을 관찰하고, 어떤 오류를 설명하며, 어떤 피드백을 받는지가 중요합니다. 자동화 대상 업무를 교육용으로 남길 때도 이후에 필요한 판단과 연결되지 않으면 학습자의 시간을 소모하는 관행이 될 수 있습니다.
과업을 검토할 때는 최종 업무에서 필요한 질문으로 돌아갑니다. 어떤 조건이면 자동 생성된 결과를 그대로 쓰면 안 되는가, 정보가 충돌할 때 무엇을 더 확인해야 하는가, 자신의 권한으로 결정할 수 없는 경우 누구에게 넘기는가를 정합니다. 이런 판단이 포함된 작은 사례를 만들면 전체 생산과정을 느린 방식으로 되풀이하지 않고도 필요한 부분을 연습할 수 있습니다.
| 자동화로 줄어드는 활동 | 남길지 검토할 판단 | 교육용 과업의 예 |
|---|---|---|
| 문의 내용 초안 요약 | 중요 조건의 누락 여부 | 누락된 조건이 다른 두 요약을 비교하고 추가 질문 작성 |
| 자료 검색과 정리 | 출처가 질문에 맞는가 | 비슷한 주장에 쓰인 서로 다른 근거의 적용 범위 비교 |
| 보고서 초안 작성 | 결론을 지탱하는 정보가 충분한가 | 결론을 바꿀 수 있는 반례나 미확인 조건 표시 |
| 정형 답변 생성 | 표준 답변을 중단할 예외인가 | 권한을 넘는 요청을 구분해 이관 근거 설명 |
표의 과제는 설계 예시이며 검증된 표준 교육과정이 아닙니다. 기업마다 실제 업무의 위험과 신입의 출발점에 맞춰 조정해야 합니다. 특히 안전이나 고객 피해에 영향을 주는 판단은 공개 모의 사례만으로 수행 권한을 부여하지 않습니다. 실제 현장의 기준과 검토 절차를 연결해 확인합니다.
학습자가 과제를 어떻게 풀었는지 확인하는 데도 목적이 있어야 합니다. 생각한 내용을 전부 기록하게 하면 형식적인 설명이 늘어날 수 있습니다. 최종 판단을 바꾼 정보, 추가 확인을 요청한 이유, 다른 선택을 배제한 근거처럼 필요한 부분에 집중합니다. 기록은 감시를 위한 분량이 아니라 다음 피드백을 위한 자료입니다.
사람을 덜 뽑는 변화와 배울 일이 줄어드는 변화를 나눠 본다
고용 인원이 줄어드는 것과 기존 신입의 학습 기회가 줄어드는 것은 다른 현상입니다. 채용 규모가 그대로여도 자동화 이후 신입이 완성된 결과를 전달하기만 한다면 중요한 판단을 경험하지 못할 수 있습니다. 채용이 줄어도 남은 신입에게 지도와 실습이 충분히 제공되는 조직이 있을 수 있습니다. 두 문제를 한 지표로 다루면 필요한 조치를 놓치게 됩니다.
스탠퍼드 개정 연구는 관찰된 초기 경력 고용 격차가 이탈 증가보다 채용 감소를 통해 나타난다고 설명합니다. 부록 Figure B.7은 연령과 노출 수준별 채용·이탈률 변화를 구분합니다.[1] 기업교육에 주는 질문은 단순히 누가 조직을 떠났는지가 아닙니다. 앞으로 들어올 사람의 수와 그들이 처음 경험할 업무를 함께 보고 있는지입니다. 도표는 이 질문의 배경 자료이며 기업의 연습 기회를 직접 측정한 것은 아닙니다.
그림 2. 같은 연구의 PDF·인쇄 66쪽, Figure B.7. 이전 연도 고용을 분모로 한 채용·이탈률의 2019년 대비 변화입니다. 해고율이나 교육 효과를 보여 주는 도표가 아닙니다.
자사에서는 채용 인원 옆에 초기 과업 배정의 변화를 놓고 봅니다. 이전에는 신입이 초안을 만들고 피드백을 받았는데 지금은 어떤 일을 하는지, 예외 상황을 관찰할 기회가 있는지, 지도자가 검토 이유를 설명하는지 확인합니다. 업무량이 적다고 학습 기회도 반드시 적은 것은 아니며, 바쁘다고 숙련이 쌓인다고 볼 수도 없습니다.
이 점검은 신입에게 불필요한 일을 만들어 주기 위한 것이 아닙니다. 새로운 생산방식 안에서 배울 경로가 있는지 확인하기 위한 것입니다. AI가 맡는 부분과 사람이 맡는 부분이 바뀌었는데 교육과정만 그대로라면, 신입은 실제로 쓸 일이 줄어든 절차를 배우거나 필요한 검토 판단을 배우지 못할 수 있습니다. 자동화 프로젝트와 교육 개편이 같은 업무 단위를 보고 있어야 합니다.
AI 신입 교육에서는 답을 보기 전과 본 뒤의 역할을 정한다
같은 AI 도구를 사용해도 과제 설계에 따라 학습자가 하는 일이 달라집니다. 처음부터 완성된 답을 보고 표현만 고치는 방식과, 먼저 확인할 조건을 정한 뒤 AI 결과와 비교하는 방식은 다릅니다. 어느 방식이 항상 우월하다고 단정하기보다, 학습 목표에 필요한 판단을 직접 수행하게 하는지를 기준으로 선택해야 합니다.
기초 개념을 익히는 단계에서는 학습자가 먼저 문제를 설명하고 필요한 정보를 고르게 할 수 있습니다. 그다음 AI의 결과를 보고 자신의 판단과 다른 부분을 확인합니다. 반대로 AI 결과를 검토하는 역량이 목표라면, 실제처럼 생성된 초안을 제시하고 오류 가능성이 있는 부분과 확인 경로를 찾게 할 수 있습니다. 중요한 것은 도구 사용 여부가 아니라 평가하려는 능력과 활동의 일치입니다.
예외를 다루는 연습에서는 정답이 하나로 정리되지 않을 수도 있습니다. 정보가 부족하면 추가 질문을 요청하거나 판단을 보류하는 것이 적절할 수 있습니다. 빠른 결론만 보상하면 신입은 불확실성을 숨기는 방향으로 행동할 수 있습니다. 지도자는 결론뿐 아니라 멈춘 이유와 확인해야 할 조건도 피드백합니다.
연습용 AI 결과를 준비할 때는 오류가 실제로 존재하는지, 그 오류가 학습 목표와 관련 있는지 검토합니다. 단지 이상한 답을 많이 만들어 놓으면 현실에서 찾기 어려운 오류만 연습할 수 있습니다. 현업에서 자주 나타나거나 영향이 큰 실패를 골라, 어떤 정보로 발견할 수 있었는지 설명할 수 있는 사례를 사용합니다. 실제 고객 정보나 비공개 자료는 그대로 넣지 않습니다.
학습자의 수준도 고려해야 합니다. 해당 분야의 기본 지식이 부족한 신입에게 복잡한 결과를 비판적으로 검토하라고만 하면 근거 없는 자신감이나 막연한 의심을 평가하게 될 수 있습니다. 판단에 필요한 배경지식과 기준을 먼저 제공하고, 지원을 받는 실습에서 점차 독립적인 검토로 옮깁니다. 어려운 과제를 일찍 제시하는 것과 체계적으로 숙련을 만드는 것은 같은 일이 아닙니다.
지도자의 검토 시간까지 확보해야 과업이 교육이 된다
과업을 남기는 것만으로는 교육이 완성되지 않습니다. 신입이 무엇을 잘못 이해했는지 확인하고 다음 시도에서 바꿀 행동을 알려 줄 사람이 필요합니다. 자동화로 절약한 시간이 전부 생산량 확대에 쓰이면, 오히려 지도할 시간은 줄어들 수 있습니다. 실습을 늘리는 결정에는 검토와 피드백의 여력을 함께 포함해야 합니다.
현업 지도자가 모든 결과물을 처음부터 끝까지 고칠 필요는 없습니다. 학습 목표에 해당하는 판단을 골라 피드백하고, 반복되는 오류는 공통 설명으로 묶을 수 있습니다. 다만 검토를 생략한 채 자동 점수만으로 독립 수행을 인정하면 실제 업무의 예외를 놓칠 수 있습니다. 어떤 부분을 사람의 검토로 남길지는 업무의 위험과 평가 근거에 맞춰 결정합니다.
신입이 수행한 결과물이 실제 업무에 쓰일 때는 책임도 명확히 합니다. 학습 중이라는 사실이 고객이나 다른 직원에게 위험을 떠넘길 이유가 되지 않습니다. 최종 확인자, 사용 가능한 범위, 수정 경로를 정합니다. 한 번의 실수가 앞으로의 모든 기회를 막지 않도록 하면서도 실제 업무의 책임을 흐리지 않는 설계가 필요합니다.
지도자의 판단도 함께 학습해야 합니다. 서로 다른 지도자가 같은 결과물을 보고 무엇을 중대한 오류로 보는지, 어디까지 허용하는지 비교합니다. 신입의 성과 차이가 지도자의 기준 차이에서 생기는지 점검하기 위해서입니다. 교육 담당자는 좋은 사례만 수집하기보다 판단이 갈린 사례를 정리해 공통 기준을 만드는 데 도움을 줄 수 있습니다.
숙련 형성은 새로운 사례에서의 판단으로 확인한다
같은 문제를 다시 잘 푸는 것만으로 학습을 확인하기는 어렵습니다. 답을 기억했거나 피드백 문구를 그대로 적용했을 수 있습니다. 중요한 조건을 바꾼 사례에서도 필요한 정보를 찾고, 이전 판단이 언제 성립하지 않는지 설명할 수 있는지 봅니다. 평가 과제는 실습과 연결되되 단순한 재현으로 끝나지 않아야 합니다.
AI를 사용하는 실제 업무가 목표라면 평가에서도 허용되는 도구와 자료를 명시합니다. 도구 없이 수행하는 능력과 도구를 사용해 검토하는 능력을 구분해 볼 수 있지만, 두 결과를 하나의 점수로 섞기 전에 목적을 설명해야 합니다. 자동화 덕분에 결과물은 좋아졌으나 독립적인 판단은 늘지 않았을 수 있고, 반대의 경우도 있을 수 있습니다.
운영 차원에서는 어떤 신입에게 어떤 실습이 제공됐는지도 확인합니다. 눈에 잘 띄거나 질문을 잘하는 사람에게만 좋은 과제가 돌아가면 교육 기회가 편중됩니다. 실제 과업의 난이도와 지도 여력 때문에 모든 사람에게 같은 일을 줄 수는 없더라도, 핵심 판단을 연습할 대체 기회를 준비할 수 있습니다. 기회 차이를 개인 능력 차이로 설명하지 않는 것이 중요합니다.
평가 결과가 기대에 못 미치면 과제의 양부터 늘리지 않습니다. 배경지식이 부족한지, 판단 기준이 불명확한지, 피드백이 늦는지, 실제 업무에서 적용할 기회가 없는지 살펴봅니다. 원인에 따라 필요한 조치가 다릅니다. 과정 수를 늘리는 것보다 학습이 끊기는 지점을 찾아 수정하는 편이 설계 목적에 맞습니다.
자동화 이후의 업무에도 초보자가 숙련자가 되는 경로를 만든다
신입 육성용 과업을 남긴다는 주장은 과거 업무를 그대로 보존하자는 뜻이 아닙니다. 생산 방식이 바뀌어도 초보자가 필요한 판단을 연습하고 피드백을 받아 점차 책임을 넓힐 수 있어야 한다는 뜻입니다. 자동화의 효율과 육성의 품질을 함께 다루려면 사라지는 절차보다 사라질 수 있는 학습 기회를 먼저 확인해야 합니다.
처음에는 자동화가 진행되는 업무 하나에서 시작할 수 있습니다. 신입이 예전에 하던 일, 그 과정에서 배웠다고 생각하는 판단, 새 업무에서 여전히 필요한 판단을 나란히 놓습니다. 필요한 부분을 짧은 모의 과제나 제한된 실제 과업으로 설계하고, 지도와 평가의 조건을 정합니다. 실제 개선 여부는 새로운 사례에서의 수행과 현업 적용을 통해 확인합니다.
경력자를 계속 채용하는 방식만으로 조직의 숙련을 유지할 수 있다고 가정해서는 안 됩니다. 그렇다고 신입에게 오래 걸리는 일을 시키는 것 자체가 해결책도 아닙니다. 새 생산방식에 맞는 연습과 지도 경로를 만드는 일이 기업교육의 과제입니다. AI가 결과물을 만드는 시대에도 사람이 판단을 배우는 과정은 구체적으로 설계해야 합니다.
함께 읽을 글
출처
- Brynjolfsson, E., Chandar, B., & Chen, R. (2026년 8월 12일 개정). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab. 개정 PDF. 초록, Fact 2·4, Figure 3 및 Figure B.7. 미국 ADP 표본의 기술적 결과이며 인과효과로 해석하지 않습니다.
- Orr, C., Tucker, L. C., & Warren, L. (2026년 9월). Graduating into Disruption: Labor Market Outcomes for AI-Exposed College Majors. CES Working Paper 26-56. 원문 PDF. 저자의 연구 견해이며 미국 인구조사국의 공식 견해나 보증이 아닙니다. 일부 대학의 행정기록을 사용한 연구로 미국 전체 졸업생 전수조사가 아닙니다.