시스템 이해 · 모델이 알 수 없는 영역 · 오케스트레이션 위임 · 인간이 못하던 영역, 네 개의 격차.

지난 글에서 도구의 유통기한이 짧다는 결론을 적었다. 도구를 다듬는 시간이 빠르게 자산화 쪽으로 흘러야 한다는 이야기였다. 한 달 가까이 더 작업하면서 그 결론에 따라붙는 그림이 보이기 시작했다. 도구를 다듬는 시간의 의미가 작아진다는 말은 격차가 사라진다는 뜻이 아니다. 격차가 다른 좌표로 옮겨가고 있다는 뜻이다. 그 시간을 어디로 흘리느냐가 다음 격차다.

좌표는 네 개다. 시스템에 대한 이해, 모델이 알 수 없는 영역, 오케스트레이션의 위임, 그리고 인간이 못하던 영역. AI Native로 가는 다음 단계의 격차는 도구를 다듬는 단계가 아니라 이 네 자리에서 벌어진다. 네 개는 모두 모델 발전이 풀어주지 않는다는 공통점을 갖는다. 다음 분기 모델이 더 똑똑해진다고 해서 자동으로 해소되지 않는 영역이다. 그래서 시간의 페이오프가 길게 남는다.

미래 전망이라고 부르기엔 이미 일어나고 있는 변화다. 같은 시간을 살고 있는 사람들 사이에서 어디에 시간을 쓰느냐가 다른 결과를 만들어내고 있다. 이러한 격차는 도구를 다듬는 단계에서 벌어지지 않는다. 도구가 흡수된 다음 자리에서 벌어진다.

시스템에 대한 이해가 격차다

AI에게 일을 잘 시키는 법은 본질적으로 시스템에 대한 이해의 문제다. 플랜을 정교하게 짜는 것, 작업을 적절한 단위로 분해하는 것, 위임할 부분과 검증할 부분을 분리하는 것. 모두 시스템 사고를 도구 위에 얹는 행위다. 도구 사용법으로 보이지만 실은 도구 너머의 능력이다.

이 격차를 가장 크게 가져가는 건 원래 사람을 부려본 적이 있는 사람이다. 일을 시켜본 경험이 있다는 것은 작업의 적절한 단위와 검증 지점, 어디서 손을 떼고 어디서 다시 잡아야 하는지를 안다는 뜻이다. 반대로 스스로 일을 충분히 해본 적도 없고 누군가에게 시켜본 적도 없는 사람은 AI에게도 일을 못 시킨다. AI가 내놓은 출력이 좋은지 나쁜지 판단할 기준 자체가 없기 때문이다.

다만 이 축은 직급의 문제가 아니다. 위임 경험이 풍부한 주니어도 있고, 평생 혼자 일해온 시니어도 있다. 핵심은 시스템 사고와 위임 경험이라는 두 축이 모두 살아 있느냐다. AI가 모두를 평등하게 만들어준다는 통념이 종종 거꾸로 작동하는 지점이다. 도구 자체는 평등하게 주어졌지만, 그것을 부릴 수 있는 사람과 부릴 수 없는 사람의 격차는 오히려 벌어진다.

이 지점에서 한 통제 연구가 흥미로운 측정을 내놓았다. METR이 2024년 진행한 실험에서 경험 많은 개발자들이 AI 도구를 쓸 때 작업 완료까지 19% 더 오래 걸렸다. 정작 본인들은 20% 더 빨라졌다고 믿었다. 표면적으로는 시니어가 AI에서 손해를 본다는 결과다. 그러나 슬로우다운은 검증을 한다는 증거이기도 하다. 임팩트를 처리량이 아니라 산출물의 깊이로 측정하면 그 19%는 비용이 아니라 통합과 검증에 들어간 시간이다. 깊이를 만들어내는 것이 다음 격차다.

모델이 알 수 없는 영역

모델이 똑똑해질수록 도구 자체로 해결되는 문제가 늘어난다. 토큰 절약, 컨텍스트 최적화, 프롬프트 정교화 같은 작업들이 그 예다. 이런 것들은 모델 업그레이드가 한 번 일어나면 절반 이상이 흡수된다. 클로드만의 문제도 아니다. 중국 모델 성능이 빠르게 따라오고 있고, 보안 이슈도 시간이 풀어줄 영역이다.

흡수되지 않는 영역은 따로 있다. 첫 번째는 나만의 커스텀 스킬이다. 모델이 아무리 똑똑해져도 각자의 작업 방식, 각자가 정한 품질 기준, 각자가 반복하는 워크플로우는 알 길이 없다. 학습 데이터에 없고 인터넷에도 없다. 명시적으로 적어두지 않으면 다음 모델도 모른다. 두 번째는 메모리 시스템이다. 개인 단위든 조직 단위든, 암묵지를 명시지로 옮기는 작업이다.

기업 관점에서 보면 메모리 시스템은 두 갈래로 가야 한다. 과거에 쌓인 암묵지를 디지털화해서 AI가 읽을 수 있는 형태로 옮기는 작업이 한 축이다. 다른 한 축은 앞으로 발생할 암묵지를 생성 시점에 AI 친화적인 형태로 남기도록 프로세스를 다시 짜는 일이다. 후자가 더 어렵고 더 오래 가는 격차를 만든다. 과거를 정리하는 것은 한 번의 작업이지만, 앞으로 생기는 모든 의사결정과 실행을 어떻게 기록할지는 조직 문화의 문제이기 때문이다.

업계가 막 "하네스 엔지니어링"이라는 이름을 붙인 시점에, 그 일에 시간을 쏟던 사람들은 이미 다음 자리로 빠져나가고 있다. 명명이 자리를 잡는 순간이 흡수의 신호다.

오케스트레이션마저 위임하는 사람들

앞서가는 사람들은 이미 오케스트레이션을 직접 하지 않는다. 직접 프롬프트를 입력하고 결과를 받아 다음 작업을 지시하는 인터페이스에서 한 단계 더 위로 올라간 사람들이 있다. 그들은 자율 에이전트에게 작업을 던져두고 메시징 플랫폼으로 보고를 받는다. 본인은 오케스트레이션 그 자체에서 빠져나온다.

도구는 이미 출시되어 있다. 오스트리아 개발자 Peter Steinberger가 2025년 11월 공개한 OpenClaw는 자체 호스팅으로 돌아가는 자율 에이전트 런타임이다. 텔레그램, 시그널, 디스코드 같은 메시징 플랫폼을 인터페이스로 두고 클로드나 GPT 같은 외부 LLM을 엔진으로 쓴다. Nous Research가 2026년 2월 MIT 라이선스로 공개한 Hermes Agent는 한 발 더 가서, 작업이 끝날 때마다 그 과정을 재사용 가능한 스킬로 직접 적립한다. 세션 메모리, 영속 메모리, 스킬 메모리 세 층을 갖고 시간이 갈수록 자가 강화된다.

두 도구의 공통점이 본질을 보여준다. 인간이 더 이상 작업 단위로 관여하지 않고 알림 단위로 관여하게 된다는 것이다. 검증의 검증의 검증이 이론적으로 성립하므로 시간을 들이면 정확도 문제는 풀린다. 한때 agentic AI는 추상적 미래에 있었다. 지금은 메시징 앱 알림으로 들어오는 진척 보고의 형태로 일상에 들어와 있다. 누가 먼저 그 알림을 받기 시작했느냐가 또 다른 격차다.

인간이 못하던 영역으로 가는 사람들

AI가 인간을 가장 크게 도울 수 있는 지점은 사실 인간이 원래 잘하던 것이 아니다. 인간이 못하던 것, 또는 할 수는 있지만 시간 비용이 너무 커서 사실상 못하던 것에 가깝다. 코딩 어시스턴트나 고객 응대 자동화는 인간이 원래 하던 일을 더 빠르게 만든다. 가치가 작지는 않지만 임팩트의 종류가 다르다. 한계 효율 향상이지 새 좌표를 만들어내지는 않는다.

ralph 같은 자기 참조 루프가 의미 있는 이유가 여기에 있다. ralph는 같은 작업을 자기 출력을 다시 입력으로 받아 무한히 반복시키는 패턴이다. 인간은 동일한 품질로 같은 사고를 수만 번 반복할 수 없기 때문에 본질적으로 못한다. 그런데 그 반복이 본질인 영역들이 있다. 의학 임상실험이 그렇다. 같은 가설을 다른 조건에서 수천 번 검증하는 작업이 임상의 기본 골격이다.

이러한 압축은 이미 측정 가능한 단계로 들어왔다. Insilico Medicine의 ISM001-055는 표적 발굴부터 임상 2상까지 30개월에 끌고 갔다. 전통적으로 6년에서 8년이 걸리던 길이다. 한 회사의 한 약물이지만, 본질이 반복인 영역에서 AI가 무엇을 압축할 수 있는지를 보여준 사례다. 깊게 보는 사람들이 생명공학으로 옮겨가고 있는 이유가 여기에 있다.

사업도 같은 논리다. 인간이 원래 하던 걸 더 잘하는 것은 천장이 보인다. 진짜 새 좌표는 인간이 못하던 영역과 AI가 가능해진 영역의 교차점에서만 열린다. 누가 그 교차점을 먼저 찾느냐가 가장 멀리 가는 격차다. 도구 사용법을 따라잡는 것과는 비교할 수 없는 시간 가치를 가진다.

AI Native로의 다음 격차

지난 글이 도구와 자산의 이분법으로 끝났다면, 이번 글은 그 자산이 어디에 쌓이느냐의 좌표를 그렸다. 시스템에 대한 이해, 모델이 알 수 없는 영역, 오케스트레이션의 위임, 인간이 못하던 영역. 네 개는 모두 모델 발전이 흡수해주지 않는다는 공통점을 갖는다. 도구를 다듬는 시간을 줄이고 그 자리에 흘려야 할 시간이 어디인지 가리키는 좌표들이다.

결국 도구가 의미 없다는 말의 정확한 뜻은 도구 자체가 가치 없다는 게 아니다. 도구를 다듬는 일에 쓰는 시간의 페이오프가 빠르게 0에 수렴한다는 뜻이다. 그 시간이 비는 게 아니라 다른 좌표로 옮겨간다. 옮겨간 시간이 어디에 쌓이느냐로 다음 격차가 결정된다. 같은 시간을 살아도 결과가 다른 이유가 거기에 있다.

>>> 원문 아티클 <<<