개발자 출신 HR 리더가 말한 AI 시대 생존법, 진짜 핵심은 ‘코딩’이 아니라 ‘목적 정의’다
이번 내용에는 단순히 “AI 잘 쓰는 법” 수준을 넘는 중요한 포인트가 들어 있습니다.
왜 어떤 직장인은 AI를 쓰고도 성과가 안 나고, 어떤 사람은 같은 도구로 업무 생산성을 몇 배씩 끌어올리는지,
왜 기업의 디지털 전환이 겉돌고, 실제 현장에서는 자동화가 실패하는지,
그리고 앞으로 인사평가, 조직 운영, 업무 방식이 어떻게 바뀌어야 하는지까지 한 번에 연결해서 볼 수 있습니다.
특히 이번 글에서는 남동득 번개장터 피플실장의 인터뷰를 바탕으로,
비개발자 직장인이 AI와 협업하는 실전 방법,
AI 시대에 더 중요해진 커뮤니케이션 역량,
반복 업무 자동화의 진짜 목적,
조직 안에서 안전하고 효율적으로 AI를 도입하는 기준,
그리고 지금 다른 뉴스나 유튜브에서 상대적으로 덜 짚는 “평가 기준의 혼란”까지 정리해보겠습니다.
1. 이번 인터뷰 핵심 한 줄 정리: AI는 자판기가 아니라 ‘생각의 증폭기’다
남동득 실장의 메시지는 꽤 명확했습니다.
AI는 질문 한 번 던지면 완벽한 답을 내놓는 자판기가 아니라,
질문하고, 평가하고, 수정하고, 다시 반복하면서 결과물을 함께 만들어가는 파트너라는 겁니다.
이게 왜 중요하냐면,
지금 많은 직장인이 AI를 “한 방에 결과 내주는 도구”로 기대하고 있기 때문입니다.
하지만 실제 업무에서는 한 번에 끝나는 경우가 거의 없습니다.
초안은 AI가 빠르게 만들 수 있어도,
그 초안을 실무 맥락에 맞게 다듬고,
회사 상황에 맞게 수정하고,
리스크를 줄이는 과정은 결국 사람의 판단이 필요합니다.
즉, AI 시대의 생산성은 툴 자체보다 “반복적으로 더 좋은 결과를 끌어내는 사람의 사고 방식”에서 갈립니다.
2. 뉴스형 정리: 남동득 실장이 말한 핵심 메시지 5가지
2-1. 기술보다 먼저 정의해야 하는 건 ‘무엇을 왜 할 것인가’
가장 많이 강조된 부분은 목적입니다.
데이터 분석을 하려는데 파이썬을 배워야 하는지, R을 배워야 하는지부터 묻는 접근은 순서가 틀렸다는 얘기였죠.
먼저 물어야 할 건 “어떤 데이터를 어떻게 보고 싶은가”입니다.
이 관점은 AI 활용에서도 똑같이 적용됩니다.
어떤 툴을 쓸지보다,
내가 원하는 결과물이 무엇인지,
그 결과가 왜 필요한지,
어떤 형태의 아웃풋이어야 하는지가 먼저입니다.
이건 단순한 업무 팁이 아닙니다.
앞으로 글로벌 경제가 저성장과 고금리, 비용 압박이 동시에 이어지는 구간에서는
기업이 무조건 최신 기술을 도입하는 것보다,
정확한 목적에 맞춰 선택적으로 적용하는 역량이 훨씬 중요해집니다.
결국 AI 도입도 거시경제 환경 속에서 ROI 중심으로 재편될 가능성이 큽니다.
2-2. AI 협업의 정석은 ‘한 번에 정답’이 아니라 이터레이션
남 실장은 구글이 제시한 방식으로,
업무 목적,
맥락,
레퍼런스와 원하는 결과물,
평가,
반복 수정의 흐름을 설명했습니다.
쉽게 말하면 이렇습니다.
- 무슨 일을 할지 명확히 정의한다
- 배경과 조건을 충분히 설명한다
- 원하는 결과물의 형태를 알려준다
- 나온 결과를 평가한다
- 좋은 부분은 유지하고 부족한 부분만 수정한다
이 접근이 중요한 이유는 AI를 잘 쓰는 사람과 못 쓰는 사람의 차이가 여기서 벌어지기 때문입니다.
잘 쓰는 사람은 AI의 첫 답변을 최종본으로 보지 않습니다.
반대로 초안으로 보고 계속 다듬습니다.
실제 현업에서 업무 생산성을 높이는 사람들은 대체로 이 “피드백 루프”가 길고 촘촘합니다.
2-3. 자동화의 목적은 ‘내 일을 줄이는 것’보다 ‘예측 가능성’이다
이 대목은 특히 인상적입니다.
보통 자동화라고 하면 “귀찮은 일을 줄이는 것” 정도로 생각하기 쉬운데,
남 실장은 더 본질적인 이유로 예측 가능성과 무결점을 말했습니다.
스타트업 환경에서는 담당자가 바뀌고,
업무 방식이 자주 흔들리며,
누락과 휴먼 에러가 발생하기 쉽습니다.
그래서 반복 업무를 자동화하면,
누가 하더라도 같은 품질로 결과가 나오고,
실수를 줄이며,
조직 운영이 안정됩니다.
이건 기업의 디지털 전환이 왜 필요한지를 아주 현실적으로 설명하는 포인트입니다.
자동화는 단순 절감이 아니라,
조직 운영의 신뢰도를 높이는 일입니다.
특히 경기 변동성이 큰 시기에는 이 신뢰도가 곧 경쟁력이 됩니다.
2-4. 반복 업무는 기계로, 사람은 ‘사람만 할 수 있는 일’로 이동해야 한다
남 실장은 패턴이 있고 반복적인 일은 기계나 코드가 훨씬 잘한다고 봤습니다.
사람이 계속 그런 일만 붙잡고 있으면 오히려 경쟁력이 떨어진다는 시각입니다.
그럼 사람은 어디에 집중해야 할까요.
- 사람을 만나고 이해하는 일
- 상황을 해석하고 맥락을 읽는 일
- 제도와 구조를 설계하는 일
- 더 좋은 의사결정을 위해 논의하는 일
- 문제를 새롭게 정의하는 일
이건 4차산업혁명과 AI 트렌드에서 자주 말하는 “인간 고유 역량”과도 맞닿아 있습니다.
앞으로 직장인의 가치는 단순 실행량보다,
문제를 얼마나 잘 정의하고,
다른 사람과 얼마나 잘 협업하며,
기술을 통해 얼마나 큰 결과를 설계하는지에서 갈릴 가능성이 큽니다.
2-5. AI 시대의 핵심 역량은 결국 커뮤니케이션이다
이 인터뷰에서 가장 실무적인 문장을 하나만 고르라면 이 부분입니다.
사람을 대할 때도,
AI를 대할 때도,
내가 원하는 것을 명확하게 전달하고,
피드백을 주고받으며,
반복적으로 다듬는 커뮤니케이션 능력이 중요하다는 이야기입니다.
즉, 프롬프트 스킬의 본질도 사실은 기술이 아니라 커뮤니케이션입니다.
문장을 멋있게 쓰는 능력보다,
목적을 명료하게 설명하고,
좋은 결과와 나쁜 결과를 구분하며,
개선 요청을 구체적으로 할 수 있는 능력이 더 중요하다는 뜻입니다.
3. 실제 업무 자동화 사례: 비개발자도 이해할 수 있게 풀어보면
인터뷰에서 소개된 자동화 예시는 아주 실무적이었습니다.
복잡한 AI 이론보다 오히려 이런 사례가 현장에 더 도움이 됩니다.
3-1. 날짜 기반 알림 자동화
입사, 퇴사, 생일, 평가 일정처럼 날짜에 따라 처리해야 하는 업무는 아주 많습니다.
이런 업무는 데이터만 정리되어 있으면 현재 날짜 기준으로 자동 계산하고,
담당자에게 슬랙이나 메일로 자동 안내할 수 있습니다.
이 방식의 장점은 간단합니다.
- 누락이 줄어든다
- 업무가 사람 기억에 의존하지 않는다
- 새 담당자가 와도 동일한 프로세스로 운영된다
3-2. 권한 기반 정보 제공
구글 워크스페이스 같은 업무 환경에서는 이미 사용자의 계정 정보가 있습니다.
이걸 활용하면 별도의 로그인 절차 없이,
각자 필요한 정보만 보이도록 구성할 수 있습니다.
이건 보안성과 편의성을 동시에 잡는 접근입니다.
특히 기업 입장에서는 외부 SaaS를 무분별하게 늘리는 것보다,
기존 업무 인프라 안에서 효율을 높이는 게 비용 통제 측면에서도 유리합니다.
3-3. 사내 챗봇형 검색 시스템
회사 위키나 내부 문서를 연결해,
질문을 입력하면 관련 정보를 가져오고,
AI가 요약한 뒤 링크까지 제공하는 구조도 언급됐습니다.
이건 앞으로 많은 조직이 도입할 가능성이 높은 형태입니다.
정보는 넘치는데 찾기 어려운 조직일수록,
사내 지식 검색과 요약 자동화는 체감 효과가 큽니다.
생산성 향상뿐 아니라,
조직 학습 속도를 높이는 데도 유리합니다.
4. 비개발자에게 더 중요한 건 코딩이 아니라 ‘프로세스 분해 능력’
많은 사람이 “저건 개발자 출신이라 가능한 거 아닌가요?”라고 생각할 수 있습니다.
그런데 인터뷰를 보면 진짜 핵심은 코딩 실력보다 프로세스를 쪼개는 사고 방식에 있습니다.
남 실장은 자동화의 시작점을 이렇게 설명합니다.
- 데이터가 어디에 있는가
- 이 일의 목적은 무엇인가
- 원하는 결과물은 무엇인가
- 어떤 단계가 필요한가
- 어디에 사람 개입이 필요한가
- 한 번에 끝나는가, 연결이 필요한가
이건 사실 개발자만의 언어가 아닙니다.
기획자, 인사 담당자, 마케터, 영업 담당자 모두 바로 적용할 수 있는 사고 틀입니다.
AI 시대에는 이 구조화 능력이 점점 더 중요한 인재 경쟁력이 될 가능성이 큽니다.
5. 인사평가와 KPI는 앞으로 어떻게 바뀔까
이 인터뷰에서 특히 흥미로운 부분은 AI 시대의 평가 방식에 대한 고민이었습니다.
단순히 업무량으로 사람을 평가하는 방식은 점점 한계가 커질 수밖에 없습니다.
왜냐하면 AI를 잘 활용하는 사람은 적은 시간으로 더 큰 결과를 만들 수 있기 때문입니다.
즉,
“얼마나 오래 일했는가”보다
“얼마나 큰 임팩트를 만들었는가”가 더 중요해집니다.
다만 여기서 현실적인 문제도 나옵니다.
AI를 잘 쓴다는 걸 어떻게 측정할 것인가입니다.
5-1. AI 활용량을 KPI로 삼는 건 왜 위험한가
인터뷰에서는 어떤 기업이 AI 토큰 사용량으로 가점과 감점을 주는 사례도 언급됐습니다.
겉으로 보면 AI 활용을 장려하는 방식처럼 보입니다.
하지만 실제로는 부작용이 큽니다.
- 많이 쓰는 것이 꼭 잘 쓰는 것은 아니다
- 불필요한 사용이 늘어날 수 있다
- 비용은 증가하는데 성과는 불명확할 수 있다
- 직무별 차이를 반영하기 어렵다
이건 지금 많은 기업이 겪고 있는 아주 현실적인 문제입니다.
AI 도입은 늘고 있지만,
성과 측정 프레임은 아직 정교하게 정리되지 않았습니다.
이 문제는 앞으로 기업의 생산성 향상 전략과 인사제도 개편에서 중요한 이슈가 될 가능성이 높습니다.
5-2. 앞으로 더 중요해질 평가 기준
현실적으로는 다음 기준이 더 중요해질 가능성이 있습니다.
- 같은 시간 대비 더 큰 성과를 냈는가
- 업무 프로세스를 개선했는가
- 반복 업무를 줄이고 조직 전체 생산성을 높였는가
- 문제 정의와 의사결정의 질이 좋아졌는가
- AI를 활용해 협업 품질을 높였는가
이건 단순 개인 성과를 넘어,
조직 차원의 생산성 향상과 연결됩니다.
특히 경기 둔화와 비용 효율이 중요해지는 국면에서는
이런 기준이 기업가치와도 직접 연결될 수 있습니다.
6. 기업이 AI를 도입할 때 개인 툴보다 ‘공식 생태계’를 먼저 봐야 하는 이유
이 인터뷰에서 다른 콘텐츠보다 훨씬 현실적이었던 부분이 바로 여기입니다.
개인 입장에서는 클로드, 챗GPT, 다양한 에이전트, 외부 웹앱을 자유롭게 써보는 게 학습에 도움이 됩니다.
하지만 조직 입장에서는 얘기가 달라집니다.
보안,
계정 관리,
데이터 통제,
운영 안정성,
비용 효율을 함께 봐야 하기 때문입니다.
남 실장은 회사가 구글 기반이라면 그 안의 생태계에서 최대한 최적화하는 방향을 강조했습니다.
이건 단순 보수적인 접근이 아니라,
실제 기업 운영 관점에서 매우 합리적인 전략입니다.
6-1. 왜 이 관점이 중요한가
- 외부 툴은 데이터 유출 리스크가 있다
- 별도 가입과 권한 관리가 필요하다
- 운영 주체가 개인에게 쏠리면 지속 가능성이 떨어진다
- 전사 확산 시 비용이 급증할 수 있다
즉, AI 도입은 멋진 데모보다
“우리 조직에서 안전하고 지속 가능하게 굴러가는가”가 더 중요합니다.
이건 향후 산업 전반의 AI 트렌드에서도 공통적으로 중요해질 포인트입니다.
7. 배움의 방식도 달라진다: 런, 언런, 리런의 반복
남 실장은 빠르게 바뀌는 기술 시대에 가장 중요한 태도로
배우고,
잊어버리고,
다시 배우는 사이클을 언급했습니다.
이건 정말 중요한 포인트입니다.
예전에는 한 번 익힌 기술을 오래 써먹는 시대였다면,
지금은 도구가 너무 빨리 바뀝니다.
그래서 “내가 예전에 하던 방식”에 집착하면 오히려 생산성이 떨어질 수 있습니다.
대표적인 예가 코딩입니다.
직접 코딩할 수 있어도,
AI가 더 빠르게 화면 구성과 리팩토링을 해준다면 굳이 옛 방식을 고집할 필요가 없다는 거죠.
이건 개발자뿐 아니라 모든 직무에 해당합니다.
기존 방식에 들인 시간이 아까워서 놓지 못하는 순간,
오히려 다음 기회를 놓칠 수 있습니다.
8. 삽질은 사라지지 않았다, 다만 형태가 바뀌었다
많은 사람이 AI 시대에는 시행착오가 줄어들 거라고 생각합니다.
맞는 말이기도 하지만,
완전히 맞는 말은 아닙니다.
인터뷰에서 나온 표현처럼 삽질은 여전히 중요합니다.
다만 과거에는 코드를 어떻게 짜느냐의 삽질이었다면,
지금은 어떻게 기획하고,
어떤 구조를 만들고,
무엇을 요구해야 하는지에 대한 삽질로 바뀌었다는 점이 핵심입니다.
즉, AI가 과정 일부를 줄여줘도
좋은 문제를 정의하는 시행착오까지 없애주지는 못합니다.
그래서 지금도 결국 강한 사람은
더 많이 시도하고,
더 많이 비교하고,
더 많이 수정하는 사람입니다.
9. 지금 직장인이 당장 준비해야 할 것
9-1. 목적부터 말하는 연습
“이 기능 써보고 싶어요”보다
“이 문제를 이렇게 해결하고 싶어요”라고 말하는 연습이 먼저입니다.
9-2. 업무를 단계별로 쪼개는 연습
내 업무 중 어떤 부분이 반복이고,
어떤 부분이 판단이며,
어디서 사람이 꼭 개입해야 하는지 구분해봐야 합니다.
9-3. 작은 자동화부터 직접 해보기
거창한 시스템보다 일정 알림, 문서 요약, 정기 보고 초안 작성처럼 작은 성공 경험이 중요합니다.
9-4. AI에게 피드백하는 능력 키우기
잘한 점과 부족한 점을 구분해서 수정 요청하는 능력이 곧 AI 협업 능력입니다.
9-5. 회사의 공식 툴 안에서 먼저 최적화하기
개인 실험도 좋지만,
실무 적용은 보안과 비용까지 고려해야 합니다.
특히 조직 차원에서는 기존 업무 시스템과 연결되는 방식이 지속 가능성이 높습니다.
10. 다른 유튜브나 뉴스에서 잘 안 짚는 가장 중요한 내용
이번 인터뷰에서 진짜 중요한데 많이 놓치기 쉬운 포인트를 따로 정리하면 아래 5가지입니다.
10-1. AI 활용의 본질은 프롬프트 스킬이 아니라 ‘목적 정의 능력’
좋은 질문 문장 몇 개 외우는 것보다,
내가 왜 이 일을 하는지 명확히 설명하는 힘이 훨씬 중요합니다.
10-2. 자동화의 진짜 가치는 인건비 절감보다 ‘조직 신뢰도’ 상승
반복 업무를 자동화하면 누락이 줄고, 예측 가능성이 높아지고, 조직이 안정됩니다.
이건 비용 절감보다 더 큰 경쟁력입니다.
10-3. AI 시대의 KPI는 아직 정답이 없고, 잘못 설계하면 오히려 역효과가 난다
토큰 사용량 같은 숫자로 AI 역량을 평가하면 왜곡이 생길 수 있습니다.
많이 쓰는 것과 잘 쓰는 것은 전혀 다른 문제입니다.
10-4. 개인 최적화와 조직 최적화는 다르다
개인이 외부 툴로 빠르게 성과를 낼 수 있어도,
조직 전체로 확장할 때는 보안, 운영, 비용 문제가 전혀 다르게 작동합니다.
10-5. AI 시대에도 결국 경쟁력은 ‘사고 구조화 능력’에서 나온다
코딩 여부보다,
문제를 쪼개고 흐름을 설계하고 결과를 평가하는 힘이 더 중요해지고 있습니다.
11. 블로그 관점에서 보는 시사점: 왜 이 메시지가 지금 더 중요해졌나
지금은 AI 트렌드가 빠르게 변하고 있고,
기업들은 경기 둔화 속에서도 생산성 향상을 요구받고 있습니다.
이런 환경에서 중요한 건 최신 모델 이름을 외우는 게 아닙니다.
기술을 목적 중심으로 연결하는 사람,
업무 흐름을 바꿀 수 있는 사람,
조직 안에서 안전하게 확산시킬 수 있는 사람이 실제로 더 높은 평가를 받을 가능성이 큽니다.
결국 앞으로의 인재상은 “AI를 쓰는 사람”이 아니라,
“AI와 함께 결과를 설계하는 사람”에 더 가까워질 겁니다.
이건 노동시장 변화,
기업 생산성 재편,
그리고 장기적인 투자 전략 측면에서도 꽤 중요한 변화입니다.
왜냐하면 결국 산업의 수익성은 기술 자체보다,
그 기술을 실제 운영 체계에 얼마나 잘 녹여내느냐에서 갈리기 때문입니다.
12. 결론
남동득 실장의 메시지는 단순합니다.
AI 시대는 준비하는 사람에게는 기회입니다.
다만 그 준비는 코딩 공부를 무작정 더 하는 게 아니라,
내 업무의 목적을 분명히 하고,
반복되는 패턴을 발견하고,
작게 자동화해보고,
AI와 계속 대화하면서 결과를 다듬는 능력을 키우는 데서 시작됩니다.
한마디로 정리하면,
미래 경쟁력은 기술 자체보다 “기술을 일에 맞게 정의하는 힘”에 달려 있습니다.
그리고 그 힘은 개발자만의 전유물이 아니라,
지금 이 글을 읽는 모든 직장인이 충분히 훈련할 수 있는 역량입니다.
< Summary >
이번 인터뷰의 핵심은 AI는 자판기가 아니라 파트너라는 점입니다.
중요한 건 코딩 실력보다 업무 목적 정의, 커뮤니케이션, 반복적 피드백 능력입니다.
자동화는 단순히 편해지기 위한 수단이 아니라 예측 가능성과 조직 신뢰도를 높이는 도구입니다.
반복 업무는 기계가 맡고, 사람은 문제 정의와 의사결정, 협업에 더 집중해야 합니다.
AI 시대의 인사평가와 KPI는 아직 정답이 없으며, 단순 사용량 기준 평가는 왜곡을 부를 수 있습니다.
기업은 외부 툴 남용보다 공식 업무 생태계 안에서 보안, 비용, 운영 안정성을 고려한 최적화가 중요합니다.
결국 직장인의 경쟁력은 최신 기술 습득보다 목적 중심 사고, 프로세스 분해, 런-언런-리런의 반복에서 나옵니다.
