딸깍.

요즘 가장 자주 들리는 단어입니다. AI로 뚝딱 무엇이든 만들어내기, 다들 웃으며 이야기하지만 마음 한구석이 서늘해집니다. 비즈니스 현장에서 AI가 없는 삶은 이제 상상하기 어렵습니다. 프롬프트 몇 줄로 제안서를 완성하고, 방대한 데이터를 분석해 인사이트를 도출하는 것도 단 몇 분이면 충분합니다. 복잡한 코딩 지식 없이 바이브 코딩으로 앱을 출시했다는 후기 역시 심심치 않게 볼 수 있습니다.

이런 기술의 도약 앞에서 경험이 정말 무용지물이 되는 건 아닐까 스스로를 의심하게 됩니다. 하지만 오늘 더 운반은 조금 다른 질문을 던지려고 합니다. AI가 일자리를 대체할수록 전문가는 정말 필요 없어지는 걸까요? 아니면 전문가의 기준이 바뀌고 있는 걸까요?

업무 지형도를 바꾸는 AI

AI가 업무 현장에 거대한 지각 변동을 일으키고 있습니다. 과거에는 분석가가 며칠 밤을 새워 방대한 데이터를 정제하고 보고서를 작성했다면, 이제는 AI 에이전트가 단 몇 번의 프롬프트만으로 시장의 흐름을 읽고 전략을 제시합니다.

산업 현장도 마찬가지입니다. 제조 현장에서는 AI가 설비의 미세한 진동을 포착해 고장 시점을 예고하고, 물류 현장에서는 복잡한 변수를 계산해 실시간으로 최적의 운송 경로를 그려냅니다. 금융권의 여신 심사와 리스크 관리까지 AI 에이전트가 수행하면서, 각 분야 전문가 자리를 AI가 대신하는 AI 일자리 대체 현상이 본격적으로 가시화되고 있습니다.

이 변화에는 한 가지 공통점이 있습니다. 그동안 전문가의 전유물이라 여겨졌던 탐지, 예측, 판단의 문턱이 급격히 낮아졌다는 것입니다. 일각에서는 AI 일자리 대체가 고도의 지식 서비스직까지 확장될 것이라는 상황을 우려합니다. 그렇다면 전문가가 쌓아온 수십 년의 노하우는 이제 정말 ‘쓸모’가 없어진 걸까요?

미국 제조업 고용 인원(U.S. manufacturing employment)의 25년간 추이 그래프. 2000년 초반 약 1,700만 명대에서 2025년 1,270만 명 수준까지 전반적으로 우하향했다. / 이미지 출처 @axios

AI가 채울 수 없는: 선명해지는 전문가 가치

스탠포드의 연구에 따르면 AI를 적극 도입한 기업들은 주니어 채용을 13% 줄인 반면, 시니어 전문가의 채용은 오히려 유지하거나 늘리는 추세를 보였습니다. 왜 이런 현상이 벌어지는 걸까요? 아이러니하게도 그 답은 AI가 가진 치명적인 두 가지 한계에 있습니다.

AI 한계1. 답변할 뿐, 의도를 읽지 못한다

AI는 어떤 질문이든 척척 답을 내립니다. 그러나 질문에 담긴 의도나 맥락까지는 파악하지 못합니다. 매출 수치, 전환율, 클릭 수 등 측정 가능한 정보를 처리하는 능력은 이미 AI가 인간을 넘어섰습니다. 하지만 실제로 비즈니스를 움직이는 힘은 수치로 설명할 수 없는 경우가 많습니다. 거래처와 수년간 쌓아온 신뢰, 업계에서만 통하는 암묵적 규칙, 말하지 않아도 서로 아는 전제들. 이처럼 데이터화되지 않은 비정형성 맥락은 AI가 읽지 못합니다.

실제 비즈니스 현장에서 이 간극은 더욱 두드러집니다. AI에게 매출 하락의 원인을 물으면 수치에 근거한 깔끔한 분석이 돌아옵니다. 하지만 그 하락이 핵심 파트너와의 관계 악화처럼 데이터의 테두리 밖에서 비롯됐다면, AI는 절대로 그 원인을 파악하지 못합니다. 신뢰가 무너지는 과정은 데이터로 확인하기 어렵기 때문입니다. 데이터에 가려진 맥락을 파악하는 것은 결국 현장을 직접 경험한 전문가의 몫입니다. 

일례로 AI가 NBA 스타를 한순간에 범죄자로 만든 사건이 있습니다. 2024년 4월, X(구 트위터)의 실시간 트렌드 요약 AI Grok은 NBA 스타 클레이 탐슨이 인근 주택의 창문을 벽돌로 파손했다는 가짜 뉴스를 생성해 논란이 됐습니다. 농구 팬들이 쓰는 'throwing bricks(슛이 심하게 빗나가다)'라는 스포츠 은어를 이해하지 못하고, 이를 문자 그대로 해석해 실제 범죄 행위인 것처럼 게시한 것입니다. 데이터라는 틀에 갇혀 언어의 중의성과 문화적 맥락을 놓친 AI의 한계를 극명하게 보여준 사례입니다.

KPC한국생산성본부가 AI 활용능력 강화를 위한 자격 검정인 AI-POT(AI프롬프트 활용능력, 이하 AI-POT)을 런칭했다. AI 프롬프트 활용능력(AI-POT) 자격증의 등장은 AI의 성능을 결정짓는 핵심이 인간의 정교한 명령(Prompt)에 있음을 방증한다. / 이미지 출처 @에너지데일리

이처럼 AI는 방대한 데이터를 보유하고 있지만, 그 맥락을 스스로 이해하는 것은 아닙니다. 어떤 데이터를 어떤 관점으로 해석할지 결정하는 건 사람의 몫입니다. AI가 발전할수록 데이터를 비즈니스 언어로 해석하고, 실행으로 연결하는 전문가의 판단은 오히려 더 독보적인 가치를 갖게 될 것입니다.

김애란 작가는 AI에게는 없고 인간에게만 있는 것을 ‘'망설임' 으로 꼽았다. 데이터는 확률을 계산하지만, 그 수치 이면에 숨겨진 맥락을 헤아릴 수 있는 것은 오직 사람의 영역이다. / 동영상 출처 @엠빅뉴스

AI 한계 2. 확신에 찬 거짓말, ‘할루시네이션’

AI는 정답 여부와 상관없이 확신에 찬 태도로 답변합니다. 이는 사실을 이해하기보다 학습된 데이터를 기반으로 ‘가장 그럴싸한 다음 단어’를 예측하는 AI의 특성 때문입니다. 이를 우리는 '할루시네이션(Hallucination)'이라 부릅니다. 할루시네이션의 발생 원인은 대규모 언어 모델(LLM)의 구조적 특성에 있습니다. LLM은 사실을 이해하는 것이 아니라, 학습된 데이터를 기반으로 ‘가장 그럴듯한 다음 단어’를 예측하는 방식으로 작동합니다. 이런 현상은 입력된 프롬프트가 모호하고 전문성이 떨어질수록 더욱 두드러집니다.

문제는 이 거짓말을 구별하기 어렵다는 것입니다. MIT 연구에 따르면 AI는 틀린 정보를 생성할 때 ‘확실히’, ‘분명히’ 등 오히려 더 자신감 있는 표현을 쓸 확률이 34% 높습니다. 이 정교한 거짓말을 가려낼 눈이 없다면, AI는 도구가 아니라 독이 됩니다. 아이러니하게도 AI를 잘 다루기 위해 오히려 AI보다 더 전문적인 소양을 길러야 하는 것입니다.

실제로 세계적인 컨설팅펌 딜로이트(Deloitte)가 생성형 AI를 활용해 보고서를 작성하는 과정에서 할루시네이션 현상을 걸러내지 못하고 오류가 포함된 보고서를 제출해 논란이 일었습니다. 그 결과 호주 정부로부터 약 4억 원 규모의 환불 소동에 휘말리기까지 했죠. 이처럼 AI의 결과물을 비판 없이 수용하면 통제 불능의 리스크를 짊어지는 일과 같습니다.

AI 시대에도 멸종되지 않는 전문가란

AI가 패턴을 읽고 초안을 찍어내는 시대, 누구나 평균 이상의 결과물을 낼 수 있게 된 이상 기술적 숙련도는 더 이상 차별화 요소가 아닙니다. 하지만 아이러니하게도 시장은 그 어느 때보다 진짜 전문가에 갈증을 느낍니다. (AI로 대체할 수 없는) 널린 정보 속에서 무엇이 정답인지 가려내는 판별력, 파편화된 데이터에 생명력을 불어넣는 창의력은 경험에서 비롯되기 때문인데요. AI가 채우는 영역이 넓어질수록, 그 공백을 메우는 인간의 마지막 '한 끗'은 대체 불가능한 프리미엄이 되는 셈이죠. 

그래서 우리는 “AI가 내 자리를 빼앗을까?”가 아닌, “AI 시대에 나는 어떤 전문가로 진화할 것인가?”에 대해 이야기해야 합니다. 대체 불가능한 존재로 거듭나기 위해 우리는 어떤 역량을 재정의해야 할까요?

서점가를 점령한 화두 '질문'. 인류는 지금 가장 치열하게 잘 질문하는 법을 고민하고 있다. /이미지 출처 @교보문고

1. 도메인 이해도를 바탕으로 숨은 질문을 던지는 능력

AI를 자유자재로 지휘하려면 무엇을 시키고 어떤 질문을 던져야 할지 알아야 합니다. 현장의 수많은 변수와 제약 조건은 데이터에 온전히 담기지 않는 경우가 많고 보통 오랜 실무 경험을 통해서 체득하는 경우가 많습니다. 이러한 내공이 녹아든 정교한 질문이 AI 결과물의 차원을 결정짓는 핵심이 됩니다.

“다음 분기 마케팅 전략을 짜줄래?”

"너는 10년 차 베테랑 마케터야. 신규 고객 확보를 위해 최소 30% WAU 상승을 목표로 하는 구체적인 콘텐츠 마케팅 전략 3가지와 ROI를 포함한 실행 계획을 3,000만 원 내 예산으로 제안해 줄래?"

두 질문의 본질은 같지만, 그 결과물은 전혀 다릅니다. AI의 결과물은 사용자가 던진 질문의 깊이에 비례하기 때문입니다. 현장의 핵심 변수들을 프롬프트에 정교하게 녹여내는 일은 수만 번의 시행착오를 겪어본 전문가만이 가능합니다. AI는 위 두 질문 모두에 답변하겠지만 그 실효성과 구체성의 격차는 매우 큽니다. 

예를 들어 제조 도메인의 품질관리 전문가가 데이터가 설명하지 못하는 공정의 빈틈을 전문가의 직관으로 메워 AI의 성능을 비약적으로 끌어올린 사례가 있습니다. 불량을 예측하는 AI 모델이 낮은 정확도로 난관에 봉착했을 때, 보통의 주니어나 현장을 모르는 사람은 센서의 RPM 편차나 진동 이상을 단순한 노이즈로 치부하기 쉽습니다. 

하지만 수십 년간 현장을 누빈 전문가는 이를 재생산(재작업) 데이터의 누락 신호로 판별하여 이를 반영한 프롬프트로 데이터셋을 개선했습니다. 그 결과 AI가 이전까지 놓쳤던 불량의 전조인 미세 변곡점을 포착해 냈고 예측 정확도 95%를 달성하며 실제 공정 다운타임을 획기적으로 줄였다고 합니다. 이처럼 전문가에게 AI란 자신의 통찰력을 무한히 확장하는 강력한 지렛대입니다.

AI 시대일수록 복잡한 데이터 속에서 오류를 찾아내는 전문가의 검증 능력은 더 주목받고 있다. /이미지 출처 @digwatch

2. 기술의 한계를 보완하는 맥락적 검증 능력

과거에는 결과물을 만드는 비용이 컸다면, 이제는 그럴듯한 답변 속에 숨겨진 치명적인 오류를 찾아내는 검증 비용이 더 커졌습니다. 특히 작은 정보의 오류가 평판 하락과 비용 손실로 직결되는 B2B 비즈니스에서는 전문가의 눈썰미가 최후의 보루가 됩니다. 

한 B2B SaaS 기업은 AI 챗봇이 자사 이름이 유사한 경쟁사와 혼동하여 제품 기능은 물론 CEO 이름까지 잘못 출력하는 심각한 평판 위기에 직면했습니다. AI는 '통계적으로 가능성이 높은 단어'를 조합할 뿐 사실 여부를 스스로 판단하지 못하기 때문입니다. 

이때 전문가 마케터는 모니터링 뿐만 아니라 AI가 왜곡된 정보를 생성하는 근본 원인(오래된 기사, 업데이트되지 않은 웹페이지 등)을 추적해 냈습니다. 나아가 AI가 신뢰하는 소스를 재설계하여 정확한 정보가 AI 생태계에 다시 확산되도록 하는 5단계 대응 프로토콜(모니터링·진단·교정·확산·지속)을 가동했습니다.

정서를 나누는 인간 중심의 소통은 여전히 비즈니스 현장에서 마음을 여는 유효한 열쇠다. /이미지 출처 @McKinsey

3. 신뢰를 구축하는 '인간 중심의 소통' 역량

AI가 기능 수행은 대신할 수 있어도 정서를 교환하는 영역은 여전히 사람의 영역입니다. 최근 한 글로벌 테크 기업은 AI를 활용해 아웃바운드 영업(초기 연락)을 자동화하여 매출을 12% 가량 끌어올렸습니다. 하지만 이 성과의 실질 동력은 자동화 그 자체가 아니라 영업 전문가의 후속 소통에 있었습니다. AI가 고객과의 접점을 빠르고 넓게 만들어 문을 열어주면, 전문가는 그 뒤에 이어지는 인간적인 교감을 통해 비로소 신뢰를 쌓고 계약을 완성한 것입니다.

실제로 McKinsey의 2026년 AI Trust Survey에 따르면, AI의 효율성에 인간 중심의 소통 활동을 병행한 팀은 그렇지 않은 팀보다 전환율이 최대 250% 높게 나타났습니다. AI는 고객의 미묘한 망설임을 읽어내거나 복잡한 이해관계 사이에서 공감을 이끌어내지 못합니다. 데이터가 포착하지 못하는 행간의 의미를 파악하는 전문가의 소통 역량은 역설적으로 AI 시대에 대체 불가능한 비즈니스 인프라가 됩니다.

더 운반의 전문가는 다릅니다

이 세 가지 역량이 동시에 요구되는 환경이 있습니다. 바로 수많은 변수와 이해관계가 실시간으로 얽히는 미들마일 물류 현장입니다. 물류 운영 전문가는 AI가 제시한 결과를 그대로 따르기보다 현장의 맥락 속에서 다시 검증하고, 예측할 수 없는 급박한 변수 속에서도 화주와 차주 각각의 상황과 심리를 동시에 이해해 모두 안심시킬 수 있는 인간적 소통 능력이 필요합니다.

더 운반도 이러한 역량을 바탕으로, AI의 방대한 데이터에 전문가의 경험을 더해 미들마일 물류의 미래를 새롭게 그려가고 있습니다. 더 운반은 데이터를 데이터로만 읽지 않습니다. 데이터상으로는 단순히 '상하차 지연'으로 보이던 문제를 더 깊이 들여다보면, 실제 현장에서는 차량 도착 이후 도크 배정이 지연되거나 기사와 현장 간 커뮤니케이션이 엇갈리며 대기 시간이 길어지는 구조적 병목이 존재합니다.

더 운반의 운영 전문가는 이를 해결하기 위해 도착 전에 도크 번호를 자동 안내하고 송장을 미리 전달하는 방식으로 프로세스를 바꾸었고, 그 결과 불필요한 대기를 줄이고 전체 작업 흐름을 안정화할 수 있었습니다.

배차 경력 도합 300년에 달하는 디지털운영팀은 기술이 닿지 못하는 영역을 사람으로 채웁니다. 아직 시스템이 판단할 수 없는 사고 발생 시 처리 방식을 누적된 경험을 통해 판단하고, 다양한 경험을 바탕으로 라우팅이 설계한 배차 경로의 적합성을 모니터링 하여 현장 이슈를 빠르게 해결합니다.

기술 위에 사람을, 데이터 위에 경험을 쌓아온 더 운반의 전문가들이야말로 AX 시대가 요구하는 진짜 초격차의 증거입니다.

AX 시대, 진짜 초격차는 전문가입니다.

AI는 ‘만능 열쇠’처럼 보입니다. 하지만 누구나 그 열쇠를 쥐게 된 시대에 비즈니스의 승패는 AI가 흉내 낼 수 없는 전문가의 역량에서 갈리고 있습니다. 결국 AI 시대의 경쟁력은 기술 자체보다 기술을 현장에 맞게 활용할 수 있는 전문가에게 달려 있는 것입니다. 

더 운반의 전문가들은 오랜 물류 운영 경험 위에 AI 기술을 더해, 이미 AX 시대를 맞이할 준비를 마쳤습니다. 수많은 현장을 발로 뛰며 쌓아온 베테랑의 내공과 데이터의 밀도는 결코 복제할 수 없는 더 운반의 자산입니다. 그리고 이 단단한 경험 위에 AI라는 강력한 엔진을 더해, 더 운반은 어떠한 복잡한 물류 고민이라도 명쾌하게 해결할 수 있습니다.

기술 그 이상의 가치를 만드는 더 운반의 전문가들이 지금 어떻게 물류를 설계하고 있는지, 아래 인터뷰를 통해 직접 확인해 보세요.