AI는 전문성을 창조하는 작업을 자동화하고 있다

기업이 자동화할 작업을 결정할 때, 시간, 비용, 오류율 및 출력을 측정한다. 그러나 작업을 수행하는 사람에게 무엇을 가르치는지 측정하는 경우는 드물다. 이는 많은 작업이 반복적이거나 비효율적으로 보이지만, 사실은 사람들을 능력 있는 전문가로 만드는 보이지 않는 견습 시스템의 일부이기 때문이다.

초급 분석가가 첫 번째 모델을 구축하거나, 개발자가 기본적인 버그를 추적하거나, 지원 에이전트가 일반적인 불만을 처리하거나, 변호사가 초기 연구 메모를 준비하는 경우, 모두 작업을 수행하고 있다. 또한 정보가 어떻게 구성되는지, 어떤 세부 사항이 중요한지, 오류가 어디에서 발생하는지, 익숙한 패턴이 더 이상 적용되지 않는 경우를 학습한다. AI가 작업을 제거하고 학습 과정을 대체하지 않으면, 조직은 오늘날 속도를 얻을 수 있지만 나중에 필요한 전문성을 약화시킬 수 있다.

인력에 대한 질문은 따라서 입사 레벨 채용 감소 여부보다 더 크다. 리더들은 작업을 통해 사람들이 무엇을 배웠는지, 작업이 자동화된 후 어디에서 학습이 발생하는지 물어야 한다.

전문성이 오류를 통해 구축된다

전문성은 지식으로 설명되지만, 지식만으로는 충분하지 않다. 경험 많은 사람들은 약한 신호를 인식하고, 비정상적인 조합을 알아차리고, 표준적인 답이 안전하지 않은 경우를 이해한다. 이러한 판단은 작업을 시도하고, 피드백을 받고, 오류를 수정하고, 결정의 결과를 보는 반복적인 주기 통해 개발된다.

많은 초급 작업은 이러한 주기를 생성하기 때문에 가치가 있다. 분석의 첫 번째 버전을 작성하면 관련된 내용을 결정해야 한다. 데이터를 정리하면 실제 정보가 얼마나 불완전할 수 있는지 알 수 있다. 고객의 일반적인 사례를 처리하면 정상적인 패턴을 학습하고, 나중에 비정상적인 사례를 더 쉽게 인식할 수 있다. 전문가의 완성된 출력물을 검토하는 것은 같은 깊이의 학습을 생성하지 않는다.

AI는 이러한 주기를 압축할 수 있다. 첫 번째 초안이 직원으로부터 문제를 정의하기 전에 도착한다. 코드 보조 도구는 개발자가 실패를 추적하기 전에 해결책을 제안한다. 연구 도구는 분석가가 출처를 비교하기 전에 증거를 요약한다. 출력물은 더 좋고 빠를 수 있지만, 직원은 올바른 이유를 왜 그런지에 대한 내부 모델을 구축할 기회가 줄어든다.

AI는 학습을 가속화할 수 있지만, 설계가 중요하다

위험은 불가피하지 않다. 일선에서 사용되는 생성형 AI에 대한 강력한 증거 중 일부는, Participation의 대안이 아닌 지침으로 사용될 때, 경험 없는 직원이 더 빠르게 학습하는 데 도움이 될 수 있음을 보여준다.

NBER의 5,179명의 고객 지원 에이전트에 대한 연구는 생성형 AI 보조 도구에 대한 접근이 생산성을 평균 14% 증가시켰으며, 초보 및 기술이 낮은 작업자에서는 34%의 향상을 보였다. 연구진은 시스템이 더 강한 에이전트의 관행을 전파하고, 신규 작업자를 더 빠르게 경험 곡선으로 이동하는 데 도움이 된다는 증거를 발견했다.

그 작업의 설계가 중요하다. 에이전트는 실제 고객 대화 중에 제안을 받았지만, 상황을 해석하고, 어떻게 응답할지 선택하고, 결과를 관찰해야 했다. 학습 루프는 그대로 유지되었다. AI는 전문가 패턴에 대한 적절한 접근을 제공했지만, 직원을 결정에서 완전히 제거하지는 않았다.

그것은 시스템이 작업을 완료하고 직원이 끝에 빠른 승인을 수행하는 워크플로와 다르다. 사람들이 진단, 선택 및 결과에 적극적으로 참여하면, AI는 코치로 기능할 수 있다. 그러나 사람들이 다듬어진 출력물을 승인하는 것만으로 제한되면, 기술은 단기 생산성을 증가시키지만, 장기적인 능력에는 훨씬 적은 영향을 미친다.

자동화는 인간 자본을 구축하는 작업에 도달하고 있다

AI가 반복적이고 비효율적인 작업만 제거할 것이라고 가정하기 쉽다. 현재 증거는 더 복잡한 패턴을 나타낸다.

Anthropic의 2026년 1월 경제 지수는 Claude가 다루는 작업이 경제 전반의 평균보다 더 많은 교육을 요구한다는 것을 발견했다. 실험적 추정에서, 연구진은 AI로 다루어진 작업을 직업에서 제거하면 직업의 첫 번째 순위의 기술 감소 효과가 발생할 것이라고 발견했다. Anthropic은 이것이 예측이 아니라고 주장했지만, 직업이 발전하고 새로운 작업이 나타날 수 있기 때문이다. 그러나 이러한 발견은 기업들이 자동화를 생각하는 방식을 변경해야 한다.

루틴과 개발은 반대되는 것이 아니다. 분석을 준비하는 것은 경험 많은 직원에게 루틴이 될 수 있지만, 초급 직원에게는 필수적인 연습이다. 표준 계약서를 작성하는 것, 익숙한 오류를 디버깅하는 것, 예측을 준비하는 것, 고객 기록을 검토하는 것은 자동화할 수 있지만, 직원들이 직업의 구조에 노출되도록 한다.

이것은 전략적인 문제를 생성한다. 자동화하기 가장 쉬운 작업은 또한 새로운 직원이 나중에 어려운 작업을 처리하는 데 필요한 컨텍스트를 학습하는 작업일 수 있다.

검증 역설

많은 조직은 사람들이 생산에서 검증으로 이동할 것이라고 응답한다. AI가 작업을 생성하고, 사람들이 정확성을 확인하고, 컨텍스트를 적용하며, 책임을 지게 될 것이다. 이것은 합리적으로 들리지만, 역설을 포함한다. 검증 자체는 자동화된 작업이 도와주던 전문성을 필요로 한다.

Microsoft (MSFT ) Research의 319명의 지식 근로자와 936개의 생성형 AI 사용 예 에 대한 연구는 AI에 대한 확신이 더 높을수록, 비판적 사고 노력이 더 적다는 것을 발견했다. 연구는 또한 AI가 비판적 사고을 검증, 통합 및 작업 관리로 이동시켰음을 발견했다. 이러한 활동은 가치가 있지만, 누군가가 잘못된 것을 인식할 수 있을 만큼 충분한 도메인 지식을 가지고 있지 않으면 검증을 잘할 수 없다.

경험이 없는 직원은 명백하게 일관성이 없거나 지원되지 않는 답변을 확인할 수 있다. 그러나 분석이 잘못된 프레임을 사용했는지, 운영 제약을 무시했는지, 혹은 잘못된 이유로 타당한 결론에 도달했는지 알아차리기는 훨씬 더 어렵다. 다듬어진 AI 출력은 이해가 부족하더라도 완전한 것처럼 보이기 때문에, 직원이 그것을 조사할 판단력을 개발하기 전에 그것을 숨길 수 있다.

“조각난 기술 전선”에 대한 연구는 문제를 더 구체적으로 만든다. 758명의 컨설턴트를 대상으로 한 실험에서, AI 사용자들은 기술의 능력 전선 내에서 작업을 25.1% 더 빠르게 완료하고, 결과의 품질이 40% 이상 높은 것을 발견했다. 그러나 기술의 전선 외부에 있는 작업에서는 AI 사용자들이 올바른 솔루션에 도달할 가능성이 19 퍼센트 포인트 낮았다.

중요한 능력은 단순히 AI를 사용하는 것이 아니다. 시스템이 신뢰할 수 있는 성능의 경계 외부에서 작동하는지 인식하는 것이다. 그 경계는 거의 명확하지 않으며, 성공적인 경우와 실패를 포함한 경험을 통해 학습해야 한다.

숨겨진 승계 위험

세계 경제 포럼의 2025년 직업의 미래 보고서는 2030년까지 근로자의 39%의 핵심 기술이 변경될 것으로 예상한다. 또한 63%의 고용주는 이미 기술 격차를 변환의 주요 장애물로 간주하고 있으며, 77%의 고용주는 직원을 업스킬링할 계획이며, 41%의 고용주는 인력을 감소시킬 계획이다.

이러한 전략은 조직이 작업의 너무 많은 부분을 제거하면 충돌할 수 있다. 회사는 초급 채용을 줄이고, 고급 직원을 통해 AI를 감독하며, 몇 년 동안 강한 생산성을 유지할 수 있다. 그러나 약점은 나중에 나타난다. 경험 많은 사람들이 떠나거나, 수요가 증가하거나, 조직이 시스템이 본 적 없는 상황을 처리할 수 있는 직원을 필요로 할 때 나타난다.

고급 전문가들도 새로운 운영 제약이 될 수 있다. AI가 작업의 볼륨을 증가시키고, 어려운 출력을 검토하고 수정하는 데 더 많은 시간을 보낸다면, 그들은 더 많은 시간을 가르치고, 피드백을 제공하는 대신에 검토하고 수정하는 데 시간을 보낸다. 회사는 생산 능력을 얻지만, 판단력을 더 적은 수의 손에 집중시킨다.

어떤 조직도 견습을 자동화하고, 외부 시장에서 경험을 계속 구입할 것이라고 가정할 수 없다. 많은 회사들이 같은 전략을 따르면, 외부의 경험 있는 인재 풀은 결국 더 얇고 비싸진다.

작업의 개발 가치를 측정하라

작업을 자동화하기 전에, 회사는 두 가지 차원에서 작업을 평가해야 한다. 첫 번째는 출력 가치이다. 결과가 얼마나 중요한지, 비용은 얼마인지, 시간에 민감한지. 두 번째는 개발 가치이다. 작업을 수행하는 것이 어떤 능력을 구축하는지.

출력 가치가 낮고 개발 가치도 낮은 작업은 완전 자동화의 명확한 후보이다. 루틴 문서를 재formatting하거나 시스템 간에 정보를 전달하는 것은 기본적인 능력을 얻은 후에는 거의 가르치지 않는다.

출력 가치가 높지만 개발 가치가 낮은 작업은 적절한 제어와 함께 자동화할 수 있다. 조직은 여전히 결과에 대한 거버넌스를 필요로 하지만, 수동 프로세스를 보존하는 것은 직원 성장에 거의 기여하지 않을 수 있다.

가장 무시되는 범주는 즉각적인 출력 가치가 MODEST하지만 개발 가치가 높은 작업이다. 초급 직원의 첫 번째 초안은 상업적으로 중요하지 않을 수 있지만, 전문가가 수정할 것이기 때문이다. 그러나 그것을 생성하면, 초기 추론과 전문가의 피드백 사이의 유용한 비교를 생성한다. 그 단계를 제거하면 시간을 절약하지만, 연습도 제거한다.

출력 가치와 개발 가치가 모두 높은 작업은 일반적으로 완전히 위임하는 대신, 보강되어야 한다. 직원들은 연구, 옵션 및 비평을 위해 AI를 사용할 수 있지만, 문제를 정의하고, 결정에 대한 설명을 제공하고, 결과에서 학습하는 데 대한 의미 있는 책임을 유지해야 한다.

견습 계층을 의도적으로 구축하라

개발 작업을 식별한 후, 회사는 그것들을 다시 설계할 수 있다. 목표는 직원들이 과거의 모든 수동 프로세스를 반복하는 것이 아니다. 목표는 판단력을 구축하는 경험을 더 빠르고 의도적인 형태로 재창조하는 것이다.

한 가지 옵션은 첫 번째 생각을 보존하는 것이다. AI의 추천을 보기 전에, 직원이 초기 진단, 예측 또는 결정을 기록한다. 시스템은 entonces 대안을 제공할 수 있다. 그리고 직원은 두 가지 접근법이 어떻게 다른지, 그리고 어떤 접근법을 사용할지 설명해야 한다.

조직은 또한 AI의 실패, 특이 케이스 및 논란의 결정에 대한 라이브러리를 구축할 수 있다. 성공적인 출력물만 검토하면 직원이 시스템을 신뢰하도록 한다. 그러나 그것이 실패한 경우를 연구하면, 직원이 시스템이 신뢰할 수 있는 성능의 경계를 인식하도록 도와준다.

관리자들은 학습이 도구를 넘어 전달되는지 평가해야 한다. 직원이 최종 출력물의 이유를 설명할 수 있는가? 가정으로 잘못된 출력물을 식별할 수 있는가? 컨텍스트가 변경되거나 AI가 사용할 수 없을 때 적응할 수 있는가? 이러한 질문은 사용한 프롬프트의 수나 완료된 작업의 수보다 준비도에 대해 더 많은 것을 tiết lộ한다.

가장 중요한 것은, 초급 직원들은 여전히 실제 책임이 필요하다. 시뮬레이션과 구조화된 연습이 도움이 되지만, 전문성은 또한 결과, 피드백 및 실제 복잡성과의 접촉에 의존한다. AI는 이러한 경험을 더 안전하고 빈번하게 만들 수 있어야 한다. 완전히 제거해서는 안 된다.

인력의 강점은 더 빠른 전문성에서 나온다

가장 강한 조직은 초급 작업의 가장 큰 수를 자동화하는 것이 아니다. 그것은 낮은 가치의 노력을 제거하고, AI를 책임 있게 사용하고, 감독할 수 있는 사람들의 개발을 가속화하는 것이다.

이것은 자동화의 반환에 대한 더 넓은 정의를 필요로 한다. 시간을 절약하고 출력물을 생성하는 것은 중요하지만, 리더들은 또한 새로운 워크플로우가 조직의 미래의 판단 공급을 강화하는지 약화하는지 측정해야 한다. 비용을 줄이지만 전문성 파이프라인을 손상시키는 프로세스는 단기적으로만 효율적일 수 있다.

다음 자동화 프로젝트를 승인하기 전에, 리더들은 추가적인 질문을해야 한다. 사람들은 이 작업을 통해 무엇을 배웠는가? 그리고 작업이 자동화된 후에는 어디에서 학습이 발생하는가?

그 답은 AI가 단순히 더 많은 출력물을 생성하는지, 아니면 다음 세대의 전문가를 생성하는지 결정할 것이다.