1. 브린욜프슨의 생산성 역설, GenAI 시대 버전

• 1990년대 IT·PC 도입 때도 투자 대비 생산성 지표는 거의 오르지 않았고, 조직 개편·업무 재설계·스킬 변화 같은 보완재가 없으면 기술만으로는 생산성이 안 오른다는 것이 브린욜프슨 생산성 역설의 핵심.
• 지금도 생성형 AI가 폭발적으로 도입됐지만, 경제 전체 생산성이나 기업의 구조적 변화는 제한적이며, 이 글은 이를 “High Adoption, Low Transformation”으로 요약.

2. MIT NANDA: GenAI Divide(생성 AI 격차)

• MIT NANDA 보고서는 수십억 달러가 GenAI에 투자됐지만 “실질적인 사업 가치(ROI)를 내는 기업은 약 5%뿐, 나머지 95%는 수익·생산성 개선이 없다”는 GenAI Divide 개념을 제시.
• 이 격차는 기술력보다 “학습·기억·적응이 되는 에이전트형 시스템을 구축하고, 실제 업무 흐름에 깊게 통합해 실적을 내느냐”에서 갈리며, 현재 의미 있는 구조 변화는 주로 테크·미디어 등 정보 중심 산업에 편중.

3. 왜 95%는 실패하는가

1. 학습 격차(Learning Gap)
   • 많은 엔터프라이즈 AI는 정적 도구라 사용자 피드백을 축적·학습하지 못하고, 맥락 적응과 장기 개선이 안 되며, 그 결과 직원들은 단순 작업은 소비자용 AI에, 중요한 복잡 작업은 여전히 사람에 의존.
2. 파일럿–프로덕션 단절
   • 대기업은 파일럿(POC)은 많이 하지만, 실제 전사 배포까지 가는 비율은 매우 낮고, 커스텀 엔터프라이즈 AI 중 프로덕션에 안착하는 건 5% 안팎에 불과.
   • 핵심 이유는 “툴이 실제 업무 프로세스와 안 맞는다”는 것으로, 인프라나 규제 문제가 아니라 워크플로 통합과 조직 설계 문제.
3. 그림자 AI(Shadow AI) 경제
   • 공식 사내 도구가 비효율적이거나 규제가 강하다 보니, 직원이 개인 구독 LLM·코파일럿을 몰래 써서 실제 업무를 처리하는 “그림자 AI”가 확산.
   • 이는 “유연하고 직관적이며 개인 맞춤형이고, 실제 워크플로에 녹아드는 도구”에 대한 거대한 숨은 수요를 보여주는 신호로 해석.

4. Canaries 논문: 초년생 고용에 나타난 AI의 첫 신호

• 브린욜프슨 팀의 “Canaries in the Coal Mine?”는 고주파 급여·고용 데이터를 분석해, 생성 AI 도입 이후 AI 노출도가 높은 직종(소프트웨어 개발, 콜센터/고객 서비스 등) 에서 22~25세 초년생 고용이 유의미하게 감소했음을 보여줌.
• 특히 AI가 “보조”가 아니라 “자동화”에 주로 쓰이는 업무에서 젊은 노동자의 고용 감소가 더 크게 나타나, AI가 초기에는 일부 초년 직무를 직접 대체하고 있음을 시사.

5. 왜 특히 신입이 타격을 받는가

• 현재 LLM은 교과서·문서로 잘 기술된 형식지(formal knowledge)와 패턴 반복 작업에는 강하지만, 현장 경험과 묵시지(tacit knowledge)에 기반한 고급 전문가의 ‘요령’은 잘 대체하지 못함.
• 전통적으로 신입·주니어의 역할은 “문서화된 룰과 매뉴얼을 따라가는 작업”이 많은데, 이 부분이 LLM+툴체인으로 빠르게 자동화되면서, 같은 직무에서 고급 경력자보다 초년생이 더 큰 고용 충격을 받는 패턴이 관찰.

6. 노동의 미래에 대한 시사점

• AI 전환은 단순한 “일자리 총량 감소”라기보다, 어떤 업무는 AI가 흡수하고, 다른 업무는 새로 생기며, 인간의 상대적 강점이 암묵지·조율·판단 같은 영역으로 이동하는 재배치 과정으로 해석.
• 따라서 교육·커리어 설계 측면에서는, 정답형·암기형 역량보다 “현장 맥락 이해, 문제 구조화, 이해관계 조정, 도메인별 복합 전문성”이 상대적으로 더 중요해질 가능성이 큼.

7. AI 창업자를 위한 실행 전략

1. 단순 생성 → 학습·에이전트로 전환
   • GenAI Divide의 핵심은 모델 성능이 아니라 “지속적 학습, 메모리, 적응, 오케스트레이션”이 가능한 에이전트 시스템 여부.
   • 사용자 피드백과 실제 사용 로그를 구조화해, 시간이 갈수록 워크플로를 더 잘 이해하고 자동으로 조정하는 ‘살아있는 시스템’을 만들 수 있는 팀이 압도적 우위를 가질 것으로 강조.
2. 사용자(persona)가 아니라 워크플로에 맞춰 설계
   • 많은 엔터프라이즈 AI 제품이 “데모는 멋진데, 팀의 실제 일하는 방식과 안 맞아서 버려지는” 문제.
   • 성공하는 제품은 특정 산업·직무의 세세한 업무 플로우, 권한 구조, 컴플라이언스 요구를 깊이 파고들어 거기에 자연스럽게 스며드는 형태를 취하며, UX 화려함보다 “실제 프로덕션에서 안 떨어지는 것”을 우선.
3. 그림자 AI를 리서치 자산으로 활용
   • 직원들이 개인적으로 어떤 프롬프트와 툴 조합을 쓰는지 관찰하면, 조직이 공식 도구에 반영하지 못한 진짜 니즈(속도, 자유도, 자동화 수준)를 파악할 수 있음.
   • 스타트업 입장에서는 이 “그림자 AI” 패턴이 곧 대규모 사용자 리서치 채널이자, 제품 포지셔닝 힌트로 기능.
4. 화려한 전면부보다 백오피스에 기회
   • 많은 기업이 마케팅·세일즈처럼 눈에 띄는 영역에 먼저 AI를 얹지만, MIT는 실제 ROI는 재무·조달·운영 같은 프로세스 중심 후방 부서에서 더 크다고 지적.
   • 이 영역은 데이터가 풍부하고 규칙 기반 비즈니스 로직이 많아, 잘 설계된 에이전트/자동화 솔루션이 곧바로 비용 절감·오류 감소로 이어지기 쉬움.
5. “소프트웨어 판매”가 아니라 BPO 파트너 관점
   • 성공적인 기업 고객은 AI 벤더를 라이선스 판매자가 아니라 “비즈니스 프로세스 아웃소싱 파트너”처럼 대하며, 깊은 맞춤화·성과 기반 계약·긴밀한 운영 협력을 요구.
   • 따라서 창업자도 제품을 설치형 도구가 아니라 “성과를 함께 책임지는 서비스/파트너십”으로 설계할 때, 대규모 엔터프라이즈 딜과 장기 진입장벽(모트)을 만들 수 있다는 논지.

8. 정리: 바뀐 역설, 바뀌는 기회

• 생성 AI 시대에도 생산성 역설은 여전히 유효하지만, “부족한 보완재”의 위치가 바뀌었고, 이제 그 보완재는 제품 내부(학습·메모리·오케스트레이션) 와 기업 내부(서비스형 구매, 분산된 오너십, 결과 중심 KPI) 양쪽에 걸쳐 존재.
• 이 두 층위를 동시에 설계하는 창업자만이 “멋진 데모”를 “지속 가능한 경쟁 우위와 통계에 잡히는 생산성 향상”으로 바꿀 수 있고, AI 혁명을 단순한 기술 이벤트가 아니라 조직·개인과 함께 공진화하는 경제 변혁으로 현실화할 수 있다는 메시지.

• Amazon 출신 엔지니어가 Principal(수석) 엔지니어/사이언티스트 역할에 대해 롤모델들로부터 관찰하고 배운 내용을 31가지 조언으로 정리한 글
• 프린시펄은 사실상 제품·디자인·엔지니어링·문화 전반을 다루는 다역할자로, 판단력으로 폭넓은 업무를 수행함
• 핵심은 코딩보다 기술 비전, 설계 피드백, 조직 연계이며, 이전 역할에서 핵심이었던 작업은 이제 부차적 업무가 됨
• 조직이 가치를 두지 않는 것에 가치를 가르치는 일이 큰 부분을 차지하며, 단순히 옳은 판단을 하는 것보다 타인이 공감하고 행동하게 만드는 설득력이 중요함
• 프린시펄 없이는 일어나지 않을 작업 카테고리에 집중하고, 직접 실행보다 타인을 연결하고 육성하는 것이 더 가치 있을 수 있음
• 자율성과 책임이 함께 오며, 조직이 집중해야 할 문제를 스스로 찾아야 하고, 필수 경로에서 벗어나 인접한 위치로 전환해야 장기적으로 효과적

1-3. 역할의 본질과 스타일

• 1번: 프린시펄마다 서로 다른 스타일 존재
  • 한 분야 깊이 파고드는 타입 vs 수평적 영향력 뛰어난 타입
  • 기술적 선구자 vs 복잡성 명료화 타입 vs 여러 조직을 공통 비전으로 정렬하는 타입
  • 자신의 강점에 맞는 스타일을 찾아야 하며, 어떤 스타일도 다른 것보다 더 중요하지 않음

  Amazon은 프린시펄이 hands-on으로 일하기(직접 참여)를 명시적으로 요구하며, 장기간 hands-on이 아닌 경우 실패 가능성이 높음

• 2번: 이전 역할에서 핵심이었던 작업이 이제는 부차적 업무
  • 직접 코드 작성이 시간의 최선 활용이 아닐 수 있으나, 작업과의 연결 유지를 위해 여전히 코딩 필요
  • 핵심 역할은 기술 비전, 설계 피드백, 후원, 비즈니스·제품·기술 컨텍스트 제공, 새로운 문제 발견, 연결 등

  L7+ 역할의 잘 알려진 이야기: 80% 시간을 코딩에 쓰더라도, 가장 임팩트 있는 부분은 모든 사람을 더 효과적으로 만드는 것
  단일 프로젝트 코딩 집중에서 모든 빌더가 더 잘 빌드하도록 영향력 미치는 것으로 마인드셋 전환
  고품질 코드를 리포지토리에 기여하고 코드가 스스로 말하게 하는 것뿐만 아니라, 설계 제안 피드백, 기술 가이드 작성, 장기 비전 주도 등 다른 노력들이 더 효과적일 수 있음

• 3번: 기술을 위한 파트타임 PM, 실제로는 모든 것에 대한 파트타이머
  • 제품, 디자인, 엔지니어링, 과학, QA, 채용, 재무, 문화 등 모든 영역
  • “당신의 일이 아닌 것은 없음”
  • 높은 판단력으로 전문 영역 밖으로 나갈 수 있음

4-7. 커뮤니케이션과 영향력

• 4번: 당신의 역할은 더 많은 커뮤니케이션, 영향력, 적절한 사람을 연결하는 것을 포함
  • 프로젝트는 일반적으로 범위가 크고, 디렉터와 VP를 넘나드는 팀들 포함
  • 효과적인 정렬과 협업 없이는 성공 불가능
  • 조직도를 고객에게 전달하지 않도록 주의 필요
• 5번: 옳은 것만으로는 절반도 안 됨
  • 다른 사람에게 옳다는 것을 설득하고, 더 중요하게는 행동하도록 충분히 신경 쓰게 만들어야 함
  • 모멘텀 구축 방법, 후원자 찾기, 완수 방법 파악 필요

  때로는 프로젝트를 시작하고 가치를 보여줘야 이를 얻을 수 있음
  프린시펄은 모범을 보여야 하며, 사람들이 위원회를 기다리지 않고 문제 해결에 적극적이길 원함
  “프린시펄이 바로 위원회인데, 누구를 기다리나요 :)”

• 6번: 조직이 가치를 두지 않는 것에 가치를 가르치는 것이 업무의 큰 부분
  • 청중은 임원부터 실무 IC(Individual Contributor)까지 범위에 포함됨
  • 가장 어려운 작업이며 자주 실패하지만, 미래를 보고 더 넓은 시야를 가진 사람으로서 여전히 해야 함
  • 멘토는 10개 문서 제안 중 약 3개가 실행되면 훌륭한 결과로 간주

  일상 팀 레벨 업무를 담당하는 IC와 달리, L7+ 역할은 회사의 더 넓고 장기적인 관점 취할 공간 보유
  임팩트를 더 객관적으로 평가 가능하며, 그 레벨에서 기여하는 것이 가장 가치를 더함

• 7번: 프린시펄 없이는 일어나지 않을 작업 카테고리가 존재함
  • 일반적으로 자신이 정말 관심 있는 것과 탁월한 것의 교차점에 위치
  • 빠른 프로토타입 구축하고 리더십과 새로운 고객 경험 공유, 조직 간 또는 업계 다른 실무자들과의 다리 구축, 3년 비전 작성 등
  • 이 카테고리 작업에 집중해야 함
  • 경력이 진행되면서 더 깊고 좁아짐

8-11. 타인을 통한 확장

• 8번: 가장 가치 있는 일은 직접 작업하는 것이 아니라 연결하는 것
  • 작업하려는 팀을 이미 작업한 팀과 연결하여 재사용하거나 학습하게 함
  • 작업 수행 가능하고 그 과정에서 성장할 적합한 사람 식별 포함
• 9번: 혼자 할 수 있는 것은 한계가 있음
  • 다른 사람을 코칭하고 멘토링하여 더 효과적이도록 하는 데 시간 투자가 조직에 더 유용
  • 매주 몇 시간(오피스 아워 또는 정기 싱크) 할애
  • 육성하고 싶은 1-2명의 IC 식별하고, 어떻게 도울지 목표 설정

  타인을 통한 확장이 핵심: PE(Principal Engineer)의 성공은 조직이 PE와 동일한 결정을 내릴 수 있을 때
  PE는 다른 모호한 문제로 이동하고 올바른 결과를 달성하는 문화 설정

  모두를 돕고 싶지만, 장기적으로 자신의 자리를 대체할 수 있는 사람 구축에 에너지 집중 필요
  그런 능력을 보이는 모든 사람에게 집중된 시간을 투자해야 하며, 그들이 다시 현재는 잠재력이 덜 보이는 다른 사람들을 도울 수 있음

• 10번: 타인을 작업에 참여시키는 것에서 작업을 그들의 것으로 만드는 것으로 전환
  • 누군가가 자신을 현재 위치에 도달하게 한 작업을 할 기회로 만듦
  • 지원하고 성공을 위한 설정 제공
  • 고객을 위한 중요한 문제와 흥미로운 기회의 끝없는 백로그가 있으므로 걱정 불필요

  주당 1-2시간을 누군가와 보내며 그들이 자신의 통찰력 하에 40시간 작업 달성하도록 확장하는 것이 진정한 프린시펄 스케일

• 11번: 타인에게 작업을 줄 때, 이제 그것은 그들의 것
  • 컨텍스트와 가이드 제공 가능하지만, 궁극적으로 방향 설정은 그들의 몫
  • 자신이 취하지 않을 접근법을 취하도록 허용 포함
  • 잘못되면 모두 배우고, 잘되면 자신이 배울 수 있음
  • 단, 프로젝트가 역효과를 낼 수 있는 고위험 일방향 문으로 걸어가는 경우 개입 필요

12-15. 회의와 참여 관리

• 12번: 회의에서 타인을 위한 공간 창출
  • 때로 회의실은 가장 시니어한 사람의 의견이나 결정을 기대, 질문하여 타인을 위한 공간 창출 가능
  • 참여하지 않는 사람이 보이면, 그들의 강점에 맞는 주제로 부드럽게 끌어들임
  • 회의가 논의에 있어야 할 누군가를 잊었다면, 다음 회의에 추가
• 13번: 항상 가치를 입증할 필요 없음
  • 가장 효과적인 프린시펄들은 회의 내내 침묵하거나 문서 리뷰에서 거의 코멘트를 남기지 않음
  • 팀과 논의가 잘 진행되고 있다면 훌륭함
  • 작업 흐름에서 한 걸음 물러나 다른 곳에 에너지 집중 가능

  주의: 참석하고 침묵하면 암묵적 승인의 의미, 멀티태스킹과 참석의 의미 주의

• 14번: 임원과의 회의에서 안건의 모든 주제를 다룰 필요 없음
  • 임원들이 주제에 몰입하고, 의미 있는 질문하고, 그들만이 할 수 있는 결정을 내리거나 장애물 제거하면 좋은 회의
• 15번: 폭넓은 역할에서 일하면 전체 주간이 들어오는 모든 것으로 가득 찰 수 있음
  • 리뷰, 에스컬레이션, 이메일, 도움 요청 등 포함
  • 조직에 오래 머물수록 더 큰 문제가 될 수 있으며, 많이 알거나 신뢰를 얻어 “go-to” 사람이 됨
  • 결과적으로 모든 회의의 “필수” 참석자가 됨
  • 시간을 지키는 법을 배우지 않으면 정말 관심 있는 아이디어를 추진할 시간이 없음
  • 모든 회의에 있거나 모든 아이디어에 의견을 가질 필요 없음, 중요한 것만

  멘토가 공유한 것: 생각할 시간은 꼭 필요함, 회의에서 회의로 가면 처리하고 앞을 볼 수 없음
  다음 큰 것을 찾기 위해 질 높은 사고 시간 스케줄하고 회의에서 연결 해제 필요

  위임할 방법을 찾아야 함: 다른 사람을 그 사람으로 설정하여 시간 확보, 자신을 자유롭게 하는 이점뿐만 아니라 새로운 사람이 성장하도록 돕는 범위 마련

16-19. 임팩트와 커뮤니케이션

• 16번: 작업 중인 것에 프린시펄이 왜 필요한지 설명 못하면 잘못된 것에 작업 중일 수 있음 (L6에도 적용 가능)
• 17번: 지위로 인해 때로는 상대적으로 적은 노력으로 결과 개선 가능
  • 타이틀은 조직적 특권을 부여하며, 관계와 컨텍스트에 대한 더 큰 접근 제공
  • 경험과 결합하여 모퉁이를 더 잘 볼 수 있음
  • 따라서 상당히 적은 노력 투자로 프로젝트의 성공 가능성과 결과를 의미 있게 개선 가능
  • 높은 ROI이며, 이런 기회를 발견하면 행동
• 18번: 타이틀은 가지지 말아야 할 때도 신뢰성의 아우라 제공
  • 때로 사람들은 자신의 즉흥적 코멘트를 과도하게 해석, 특히 잘 모르는 경우
  • 결과적으로 자신이 한 캐주얼한 코멘트 때문에 많은 작업 수행 가능
  • 시간과 노력 낭비 가능
  • 따라서 아는 것, 모르는 것, 요청하는 것, 단순히 코멘트하는 것을 명확히 해야 함
• 19번: “무엇”만 말하지 말고, “왜” 그렇게 생각하는지도 공유
  • 다른 사람이 더 나은 결정을 내리도록 도움
  • 다른 사람들이 “프린시펄 <이름>이 이렇게 말했으므로 우리는…”이라고 말하며 완전히 이해하지 못하고 따라하는 것을 줄임

  L7 입력이 필요한 문제는 보통 상당한 불확실성 하의 결정 포함
  중요하지만 어려운 것: 정신 모델 명확히 표현하기 – 모든 정보 없이 판단에 도달하는 방법, 왜 특정 지식이 다른 데이터 포인트보다 중요한지

20-24. 조직과의 연결 유지

• 20번: 팀과 연결을 유지할 메커니즘 찾기
  • 설계 리뷰, 주간 데모, 근처에 앉아 듣기, 팀 점심, 캐주얼한 복도 대화 등
  • 조직의 맥박을 유지하고 주요 문제나 기회가 어디에 있는지 파악하는 데 도움
• 21번: 팀이 더 큰 그림을 계속 보도록 도움
  • 실무 레벨이 일의 두꺼운 부분과 일상 전달에 집중할 때, 때로 더 크고 장기적인 문제/기회를 놓치고 지역 최적에 갇힐 수 있음
  • 보유한 컨텍스트로 팀에게 이를 상기시키는 데 도움 가능
• 22번: 실용적이어야 함; 큰 그림 보기와 지역 솔루션 수용 균형
  • 세부 사항에 대해 실무 레벨과 상담하고 경청, 그들이 현장 전문가
• 23번: 한두 시간만 함께한 사람에 대한 리뷰나 승진 피드백 요청받을 수 있음
  • 전체 행동의 작은 샘플에 기반한 낮은 품질 피드백 제공하는 대신 거절 가능
• 24번: 인턴과 멘토와 상호작용할 시간 만들기
  • 인턴십 동안 몇 번의 접점이 혁신적일 수 있음
  • 초기 체크인(필요시 방향 수정), 데모 데이 참석 포함
  • 멘토, 인턴과 함께 인턴십 이후에도 계속 가치 있는 결과물 향해 작업
  • 제품 1-페이저, 작동하는 소프트웨어, 기술 문서 포함

25-28. 프린시펄로서의 전환과 책임

• 25번: 프린시펄에 도달하려면 필수 경로에 자신을 놓아야 함. 프린시펄로서 효과적이고 그 이상으로 가려면 적극적으로 자신을 제거해야 함
  • 이전에는 “go-to” 사람이었지만, 필수에서 인접으로 전환 필요
  • 조직은 점점 더 자신으로부터 혜택을 받아야 하지만, 효과적이기 위해 의존해서는 안 됨
  • 자신이 만드는 기여를 다른 사람이 할 수 있도록 권한 부여 방법 생각

  필수 경로 프로젝트에 자신을 주입하는 것 주의: 집중이 다른 우선순위에 의해 빼앗기기 쉬우므로, 필수 경로에서 벗어나거나 필수 경로에 있다면 정말 엄격하게 고정 필요

• 26번: 프린시펄로 승진했다면 이미 한동안 프린시펄로 행동해왔기 때문
  • 일반적으로 1년 이상
  • 따라서 타이틀의 증가된 기대에 대해 걱정 불필요
  • 하던 것을 계속하고, 다른 프린시펄들과 교류하고, 스타일 파악하고, 리더십과 협력하여 집중 영역 식별
• 27번: 큰 자유에는 큰 책임이 따름
  • 작업할 것을 선택하는 자율성이 있지만, 책임과 임팩트에 대한 기대 존재
  • 자유는 원하는 것을 하는 것이 아니라, 해결할 가장 높은 레버리지 문제를 찾는 소유권에 관한 것
  • 무엇을 하라고 들을 것으로 기대하거나 어떤 가이드를 받을 것으로 기대하지 말 것
  • 조직이 집중해야 할 것을 파악할 것으로 기대됨
• 28번: 리더십과 헌장 정의 및 정렬
  • 한 가지 방법: 작업을 세 버킷으로 분할 – (i) 소유자, (ii) 후원자, (iii) 컨설턴트
  • 컨설턴트: 리뷰에 참여하고 가이드 제공, 시스템이나 제품 의도에 대한 높은 수준 이해
  • 후원자: 위 내용 외에도 아이디어를 조직의 우선순위로 만들고, 정렬 구축과 결정 주도를 위해 작업하며, 이해관계자와 교류
  • 소유자: 위 모든 것 외에도 시스템 전문가이자 첫 번째 연락 지점이며, 설계, 실행, 임팩트의 성공에 대한 거의 집착 수준 보유
  • 본인은 보통 1-2개 프로젝트 소유(>50% 시간), 2-3개 프로젝트 후원(~20% 시간), 나머지 시간 컨설팅

29-31. 개인 성장과 지속가능성

• 29번: 프린시펄이 되는 것은 외로울 수 있음
  • 모든 팀의 일부이지만 또한 어느 팀의 일부도 아님
  • 열린 대화를 나눌 수 있는 동료 네트워크 구축
  • 같은 회사나 도메인에서 일하는지는 중요하지 않을 가능성
• 30번: 자신의 필요를 무시하지 말 것
  • 학습, 성장, 웰빙을 지원하는 프로젝트를 위한 시간과 공간 만들기
  • 단기적으로는 이기적으로 느껴질 수 있지만, 조직에서 번아웃되는 것보다 훨씬 선호됨
  • 자신을 건강하고 행복하고 성장하게 유지하는 작업을 적극적으로 찾으면 조직도 혜택을 받으며, 조직이 자신을 유지하기 더 쉬움
  • 매니저와 협력하여 균형 방법 파악
• 31번: 계속 학습할 것; 업계는 빠르게 움직임
  • 아무것도 가르쳐주지 않거나 최소한 작업과 관련 없는 것을 가르치는 프로젝트를 맡으면 뒤로 가는 것
  • 때로는 불가피하며, 그런 프로젝트가 오면 타임박스 설정
  • 학습이 직무에서만 올 필요 없음
  • 논문과 기술 교과서를 읽고, 주말에 프로토타입을 해킹하여 새로운 아이디어와 기술을 더 잘 이해하는 시간을 찾는 PE들 존재

기타 리소스

• Amazon Principal Engineering Community Tenets
• Staff Engineer: Leadership Beyond the Management Track
• The Staff Engineer’s Path: A Guide for ICs Navigating Growth and Change
• The job behind the job [of a high level IC]

참고: Amazon/Google의 Principal Tech IC는 “관리직에 준하는 전략적 역할을 하는 최고 기술 리더” 라는 점에서 한국에서의 “수석 엔지니어” 보다는 더 상위 개념임

[출처] https://news.hada.io/topic?id=24268&utm_source=weekly&utm_medium=email&utm_campaign=202546

• 컴퓨터공학을 전공하고 인턴십과 프로젝트를 거친 신입 졸업생이 정상적인 경로를 밟았음에도 취업에 실패하는 현실
• 현재 구직 시장은 ‘화이트칼라 불황’과 ‘졸업생 취업 대란’ 으로 불리며, 특히 컴퓨터공학 전공자의 실업률이 높아진 상황
• 자동화·로봇·원격 노동(teleoperation) 이 결합되며 기업이 인력 채용 자체를 최소화하는 구조로 이동
• AI 모델과 로봇이 인간의 반복 업무를 대체하면서, ‘평범한’ 직무가 사라지고 ‘분포 밖 인간(out-of-distribution human)’ , 즉 데이터로 대체되지 않는 창의적·비정형 노동만이 남는 양상
• 20세기 산업사회가 노동을 삶의 중심으로 삼았던 것과 달리, 21세기 경제는 인간 노동을 덜 필요로 하는 체계로 전환 중임

신입 졸업생의 구직 현실

• 필자는 대학 졸업 후 인턴십 3회, 컨설팅 경험, 우수한 성적 등 전형적인 성공 경로를 밟았음에도 실업 상태임
  • 과거에는 같은 이력으로 안정된 직장을 얻을 수 있었으나, 현재는 ‘고장난 시장’ 으로 불릴 만큼 기회가 희박함
• 공식 실업률은 여전히 낮게 유지되지만, 현장에서 느끼는 기회 밀도는 극적으로 감소
• 채용 공고는 존재하지만 실제 채용 건수 대비 지원자 수가 폭발적으로 증가하며, “더 많이 지원하라”는 조언이 무의미해짐
• 금리 상승, 자본 위축 등 거시 요인 외에도 소프트웨어·로봇·해외 노동의 결합이 신규 채용을 줄이는 구조적 변화로 작용

자동화 예측과 현실의 괴리

• 10년 전 연구는 미국 일자리의 절반이 자동화 고위험군이라 예측했으나, OECD의 작업 단위 재분석 결과 고위험 비율은 훨씬 작은 수준으로 축소됨
• 자동화는 절벽이 아니라 완만한 압력으로 작용하며, 고위험 직종도 고용이 완전히 사라지지 않고 더 느리게 성장
• 미국 산업용 로봇 도입은 이미 상당한 일자리 감소와 임금 하락을 초래했으며, 일상적이고 규칙화 가능한 작업일수록 타격이 큼
• 신규 졸업자 입장에서는 통계적 점진성이 아니라 진입 통로가 좁아지는 실감을 체험하며, 과거 데이터와 프로세스 기록 전체와 경쟁하는 느낌

Amazon 사례: 로봇과 인력 축소

• Amazon 내부 문서와 분석가 보고서는 향후 10년간 창고 작업의 상당 부분을 로봇으로 대체하고 막대한 비용 절감을 계획
• 회사는 로봇이 인간을 돕는다고 주장하지만, 로봇 대수는 급증하고 자동화된 센터의 전체 고용은 정체 또는 감소
• 과거 창고 같은 물리적 운영은 일정 수의 인력을 필수 요소로 간주했으나, 현재는 “얼마나 적은 인력으로 운영 가능한가” 가 사업 모델의 출발점

원격 조작과 ‘보이지 않는 노동’

• Teleoperation(원격 조작) 은 자동화의 또 다른 형태로, 실제로는 저임금 국가의 노동자가 원격으로 로봇을 조종하는 구조
  • 필리핀 마닐라 오피스의 노동자가 VR 헤드셋을 착용하고 일본 편의점의 재고 로봇을 원격 조종
  • 한 나라의 노동자가 다른 나라의 지게차를 다중 화면과 핸들로 조작하며, 반자율 소프트웨어가 혼란스러울 때만 개입
• 이는 이민 없는 이민 구조로, 부유한 국가는 주택·학교·문화 통합 없이 마닐라 수준 임금으로 도쿄 수준 노동 획득
• 노동자는 여전히 인간이지만 지리적으로는 네트워크의 일부처럼 취급되며, 콜센터에서 마이크로태스크 플랫폼까지 이어지는 사다리의 한 단계

텔레오퍼레이션의 숨은 목적: 데이터 수집

• 많은 원격 조작 일자리는 단순히 작업 완수가 아니라 향후 무인 자동화를 위한 데이터 수집이 목적
• 가정용 로봇 Neo는 “전문가 모드”에서 원격 조작자가 문 열기, 물건 집기 등을 수행하고, 이를 제어 모델 훈련용 데이터로 활용
• Tesla Optimus 역시 작업자가 리그를 착용해 컵 잡기, 테이블 닦기를 반복 수행하며 로봇이 모방할 샘플 생성
• 자율주행차와 대형 언어 모델의 데이터 작업과 유사하며, 물리적 세계의 구현형 고스트 워크에 해당

화이트칼라 불황과 초급 직무 소멸

• 지난 몇 년간 기술, 금융, 컨설팅 등 화이트칼라 초급 직무가 급격히 감소하며, 컴퓨터 과학 졸업생을 흡수하던 분야가 축소
• 한때 가장 안전한 학위로 여겨진 컴퓨터 과학이 이제 최악의 고용 성과를 보이는 전공 중 하나로 등장
• 초급 채용 게시판은 주니어 개발자 역할 대신 중급 및 시니어 역할로 편향되고, 기업은 신입 채용을 자제하며 경력직 + AI 도구 조합을 선호
• 고용주들은 언론에 주니어 채용을 보류하고 자동화로 주니어가 맡던 업무를 대체한다고 공개적으로 언급

인간과 소프트웨어의 확장성 차이

• 인간은 제한적 수평 확장만 가능하지만, 소프트웨어는 강력한 모델 하나를 무한히 복제해 에이전트 군집 구성 가능
• 최근 에이전트 논문과 데모는 동일 모델의 여러 복사본이 논쟁·협상·계획·실행하는 작은 사회를 구축
• 관리자들은 이미 인력 증원 요청 시 AI 시스템으로 대체 불가능한 이유를 제시하도록 요구
• Shopify CEO는 팀에게 인력 추가 전에 AI를 먼저 시도하라고 지시했으며, 일부 기업은 “AI 우선”을 표방하며 인력 풀 축소

‘분포 밖 인간(out-of-distribution human)’ 개념

• 대부분의 업무는 데이터로 학습 가능한 반복적 과제로 구성되어 있음
  • 종 모양 곡선의 중앙부에 존재하며, 작업이 작은 변형과 함께 반복됨
  • 모델은 이 중앙부를 잘 학습하며, 과거 데이터(로그, 이메일, 기록, 코드 저장소) 로 쉽게 모방 가능
• 모델이 학습할 수 없는 비정형·창의적 업무만이 자동화 곡선의 후방에 남음
• 분포 밖 인간이란 업무가 곡선의 꼬리 부분에 위치해 현재 훈련 데이터로 압축되지 않는 사람을 의미
  • 진정으로 새로운 문제를 다루거나, 센서가 부족한 소규모·물리적 환경에서 작업하거나, 클릭 로그로 환원되지 않는 취향을 가진 경우
• 필자는 ‘정상 분포의 중심’을 목표로 커리어를 쌓았으나, 그 중심이 빠르게 사라지고 있음
  • 대부분의 성실한 신규 졸업자는 중앙부에 진입하려 시도하며, 이는 역사적으로 합리적이고 존경받는 노동 시장의 중심
  • 3번의 인턴십과 소규모 컨설팅 경험은 정상적인 일자리를 겨냥한 표준 이력이었으나, 현재는 중심부가 공동화되는 중
• 고용주는 여전히 기술과 노력을 언급하지만, 실제 질문은 “당신의 기여가 에이전트와 저임금 노동자로 조립 불가능할 만큼 독특한가”
  • 채용되더라도 일상 업무는 본질적으로 라벨링 작업이며, 미래 자신의 대체자를 훈련시키는 데이터 생성
• 현재의 고용 구조는 ‘평범함’이 위험한 상태로, 인간이 수행하는 일조차 미래 모델 학습용 데이터 생산으로 전락

정치·사회적 대응의 지체

• 20세기 산업국가는 노동을 삶의 중심 가치로 삼았으며, 정치·종교·경제 모두 이를 전제
• 그러나 오늘날 노동 수요 자체가 감소했음에도 제도는 여전히 ‘모두에게 일자리를 제공’하는 목표를 유지
  • 예: 실효성 낮은 고용 보조 프로그램, 상징적 ‘좀비 직업’ 유지

노조의 역할과 딜레마

• 노조는 일부 경우 자동화를 늦춰 임금과 협상력을 시장보다 오래 보존
• 유럽 지하철 노선은 무인 노선이 같은 도시에 존재하고 기술적으로 검증되었음에도 운전자와 함께 운행
• 항만 노동자들은 자동 크레인과 원격 제어를 제한하는 조항을 계약에 명시하는 데 성공
• 기업은 일자리가 총량적으로 괜찮다고 반복하고, 노조와 정치인은 기술적으로 불필요한 일자리라도 보존해야 한다고 주장
• 어느 진영도 노동 자체가 중심 서사로서 축소되는 의미를 명확히 표현하지 못하며, 남은 일자리의 위치와 담당자만 다툼

자동화 선진국의 현실: 한국, 중국, 일본

• 국제로봇연맹(IFR) 통계에 따르면 한국, 싱가포르, 일본, 독일은 수년간 산업용 로봇을 공장에 집중 투입
• 중국은 늦게 시작했지만 전 세계 산업용 로봇 설치의 절반 이상을 차지하고, 제조업 로봇 밀도에서 독일 추월
• 동시에 중국의 1인당 GDP는 미국의 약 3분의 1 수준이며, 청년 실업률은 10% 중반에서 상위권을 기록(비공식 추정은 더 높음)
  • 중국 청년 실업률은 두 자릿수로, ‘누워버리기(lying flat)’ 문화 확산
• 자동화에 막대한 자금과 정책을 쏟아부었지만 졸업생들은 저임금 서비스 일자리나 온라인 부업에 “썩어간다”고 소셜미디어에 불만

긱 이코노미(gig economy)와 로보택시의 선행 불안

• 로보택시는 아직 전체 주행 마일의 미미한 비중이며, Waymo는 운영 도시에서 극히 일부 탑승만 처리
• 그러나 샌프란시스코와 피닉스의 차량 호출 기사들은 로보택시 운영 시장에서 이미 수입 감소 경험
• 은행들은 도시 차량 호출 플랫폼이 “자율주행차 위험” 에 직면한다는 경고 발행
• 실제 점유율은 낮지만, 기술적 일자리 소멸보다 일자리 소멸 서사가 먼저 도착하는 패턴을 보임

개인적 전망과 경고

• 20년 후 몇 개의 일자리가 존재할지, 자신의 업무가 분포의 꼬리에 충분히 위치할지 알 수 없음
• 다양한 일을 시도하고 중심부에만 머물지 않으며 분포 밖 인간이 되려 노력할 것
• 전체 인생 계획이 표준 회사에서 표준 업무를 하는 존경받는 중심 사례 노동자에 의존한다면, 그 범주를 침식하는 노력이 얼마나 집중되는지 직시해야 함
• 모두가 풀타임으로 일하고 거기서 존엄을 찾는다는 전제의 정치 역시 재검토 필요
• 20세기는 경제가 사람들을 매일 필요로 했기에 노동을 찬양하는 데 지적·도덕적 노력을 쏟았지만, 21세기는 그만큼 많은 사람을 필요로 하지 않는 기계와 시스템을 구축 중

결론: 노동의 중심성 약화

• 기술적 설명은 자동화가 점진적이고 상쇄적이라 하지만, 체감 현실은 중심 일자리의 소멸
• 미래 노동시장의 핵심 질문은 “모델이 학습할 수 없는 인간의 영역이 어디까지인가”
• 21세기 경제는 더 적은 인간을 필요로 하는 시스템으로 이동 중이며,
  노동을 삶의 중심으로 두던 20세기의 가치 체계가 근본적으로 흔들리고 있음

[출처] https://news.hada.io/topic?id=24284&utm_source=weekly&utm_medium=email&utm_campaign=202546

• 지능과 행복의 상관관계를 다룬 연구들에 따르면, 높은 지능이 더 큰 행복으로 이어지지 않으며, 오히려 약간의 부정적 상관(r = -0.06) 이 존재함
• 심리학의 전통적 지능 개념은 명확히 정의된 문제(well-defined problems) 해결 능력에 초점을 맞추며, 이는 시험으로 측정 가능한 영역임
• 그러나 인생의 대부분은 “좋은 삶을 사는 법”처럼 명확히 정의되지 않은 문제(poorly defined problems) 로 구성되어 있으며, 이러한 문제는 다른 종류의 사고와 지혜(wisdom) 를 요구함
• AI의 발전 또한 명확히 정의된 문제 영역에 국한되어 있으며, 인간만이 불명확한 문제 해결 능력을 발휘할 수 있음
• 행복과 삶의 질 향상을 위해서는 지능보다 방향성(directionness) 과 지혜가 중요하며, 이는 기술적 문제 해결 능력과는 다른 인간적 역량임

지능의 정의와 측정

• 심리학자들이 합의하는 지능 정의는 추론, 계획, 문제 해결, 추상적 사고, 복잡한 개념 이해, 빠른 학습 등을 포함하는 매우 일반적인 정신 능력
• 이는 단순한 책 지식이나 시험 기술이 아니라, 주변 환경을 이해하고 파악하며 무엇을 할지 판단하는 더 광범위하고 깊은 능력
• 이렇게 정의된 지능은 측정 가능하며, 지능 검사가 이를 잘 측정함

지능과 행복의 관계 연

• 여러 메타분석과 대규모 조사에서 지능과 행복의 관계는 거의 없거나 매우 미약한 것으로 나타남
  • 영국의 전국 대표 표본 연구에서는 지능이 낮은 집단이 약간 덜 행복했을 뿐, 전반적으로 큰 차이 없음
  • 미국의 General Social Survey 자료(50년간, 30,346명)에서도 어휘 테스트 점수가 높을수록 약간 덜 행복한 경향(r = -0.06, p < .001)
• 지능이 문제 해결, 계획, 학습 능력 등에서 유리함에도 불구하고, 삶의 만족도에는 직접적 영향을 주지 않음

스피어만의 일반 지능 이론과 그 한계

• 1904년 Charles Spearman은 다양한 과목 성적 간의 높은 상관을 발견하고, 이를 일반 지능(g factor) 으로 설명
• 이후 연구에서도 인지 과제 간의 positive manifold(모든 과제 간 양의 상관)가 반복적으로 확인됨
• 그러나 이는 지능이 모든 형태의 문제 해결 능력을 대표한다는 의미가 아니라, 시험 가능한 문제 유형의 유사성을 반영함
• 수학, 어휘, 음악 등은 모두 명확한 정답과 경계가 있는 문제로 구성되어 있으며, 이러한 문제만이 표준화된 테스트로 측정 가능

명확히 정의된 문제 vs 불명확한 문제

• 명확히 정의된 문제(well-defined problems) 는 절차와 정답이 존재하며, IQ 테스트나 학문적 과제에서 다룸
• 반면 불명확한 문제(poorly defined problems) 는 경계가 모호하고, 정답이 없으며, 반복 불가능한 문제임
  • 예: “좋은 배우자를 찾는 법”, “아이를 잘 키우는 법”, “행복하게 사는 법”
• 지능은 전자에 강하지만, 후자에는 지혜, 자기이해, 통찰 등의 다른 능력이 필요함
• 따라서 높은 IQ가 삶의 만족도나 행복을 보장하지 않음

“가장 똑똑한 사람들”의 역설

• “세계에서 가장 똑똑한 사람들”을 검색하면 대부분 물리학자, 수학자, 컴퓨터 과학자, 체스 마스터가 나옴
• 이들은 모두 어렵지만 명확히 정의된 문제 해결자이며, 순위 매기기가 쉬워서 “가장 똑똑함”으로 보임
• 그러나 최고 체스 선수와 수학자가 전체 세계에서 가장 똑똑한 것은 아님 – 단지 그들의 분야에서만 최고

그렇게 똑똑한데, 왜 그렇게 멍청한거야?

• IQ 검사에서 놀라운 점수를 받은 Christopher Langan은 9/11이 자신의 이론에서 대중의 관심을 돌리려는 내부 공작이라 믿으며, 백인이라서 은행 대출을 거부당한다고 주장
• IQ 176으로 알려진 John Sununu는 치과 예약에 군용기를 사용하다 조지 H.W. 부시 비서실장직 사임
• 위대한 체스 선수 Bobby Fischer는 히틀러는 좋은 사람, 홀로코스트는 없었음, 유대인이 기독교 어린이를 죽여 피를 쓴다고 주장
• 명문 대학 교수들이 성희롱, 데이터 조작, 소아성애자와 교류 등으로 징계받거나 해고됨
• 이들은 세계에서 가장 똑똑한 사람들로 여겨지지만 “현실 기본 인식 유지”, “좋은 사람 되기”, “인생 중대 실수 피하기” 같은 기본적이지만 불명확한 문제 해결에 실패

기술 진보와 행복의 괴리

• 지난 세대는 천연두와 소아마비 박멸, 달 착륙, 더 나은 자동차·냉장고·텔레비전 제작, IQ 15점 상승 등 명확히 정의된 문제들을 해결함
• 그러나 이 모든 진보에도 불구하고 행복도는 전혀 증가하지 않음
• 중요한 교훈: 명확히 정의된 문제를 여러 개 해결하는 것이 선조들을 더 행복하게 만들지 못했다면, 우리도 그렇지 않을 것
• 당신과 영원한 행복 사이의 장벽은 텔레비전 크기나 레이븐 지능검사의 문제 해결 능력이 아님
• 굶주림, 외로움, 고통이 있으면 음식, 친구, 안도를 얻어 더 행복해지지만 그 이후엔 보상이 매우 빠르게 감소함
• 긍정 심리학 학습, 예일대 인기 강좌 수강, 명상, 운동, 감사 일기 등을 모두 해도 아마도 조금만 더 행복해질 것
• 행복에 큰 영구적 변화를 원한다면 고대 사상가들의 글을 읽는 것이 나을 수 있음
  • 소크라테스, 플라톤, 아리스토텔레스, 에피쿠로스, 부처, 공자, 예수, 마르쿠스 아우렐리우스, 성 아우구스티누스, 소로, 비베카난다 등은 좋은 삶 살기에 집착
  • 어느 시점에서 이런 주제가 유행에서 벗어난 듯함

AI와 인간의 문제 해결 능력

• AI는 명확히 정의된 문제에서 탁월한 성과를 보임
  • 예: 체스, 단백질 구조 예측, 자율주행 등
• 그러나 AI가 다루는 문제는 모두 명확한 데이터와 규칙을 전제로 하며, 불명확한 문제는 해결 불가능
  • GPT-3나 DALL·E 2도 실제 창작이 아니라 패턴 예측에 불과
• 인간은 여전히 정의되지 않은 문제를 재구성하고 의미를 찾는 능력에서 우위

지혜와 방향성의 가치

• 명확히 정의된 문제 해결을 잘하는 사람들은 “교수”, “박사” 칭호를 받고, 많은 돈을 받으며, Mensa와 Prometheus Society 같은 배타적 클럽 가입 가능
  • 하지만 Mensa의 IQ 설명 페이지는 지능 검사로 사람들을 해친 어두운 역사를 전혀 언급하지 않음
• 이렇게 사회는 시험으로 측정 가능한 지능을 높이 평가하지만, 삶의 문제를 해결하는 지혜는 과소평가됨
  • 예: 가족을 돌보고, 공동체를 유지하며, 역경을 극복하는 능력
  • 이런 지혜를 “소박한(folksy)” 또는 “단순한 것(homespun)”이라 부르며 다지선다형 문제가 진짜 지능이고, 좋고 충만한 삶은 노부인들이 하는 귀여운 일처럼 취급함
• 이러한 능력은 수치화할 수 없지만, 행복과 인간관계 유지에 핵심적 역할
• 이런 종류의 지능을 정의에서 제외하는 것은 우리 자신에게 해로움. 정작 우리에게 필요한 것은 이런 것임
  

  매끈하고 잘 정의된 문제 해결 능력으로 제대로 정의되지 않은 문제들을 해결하려고 애쓰고 있다면, 이런 불명확한 문제 해결 능력을 가진 사람을 만나서 얘기를 들어 볼 것

• 결론적으로, 지능은 문제 해결의 도구일 뿐, 좋은 삶을 설계하는 능력은 별개의 인간적 역량임