AI시대, 나의 전문성을 재설계하는 법 — J-Curve·검증 레이어·새 인재상

2026년 6월 현재, AI는 더 이상 도구가 아니라 동료이자 경쟁자로 자리 잡았다. 하용호님의 165쪽 발표자료는 회사 AX(AI 전환)가 반드시 거치는 다섯 단계를 짚는다 — 환호 → 정체 → 신남 → 의구심 → 마지막 고비. 단순히 "AI 붙이면 잘 되겠지"라는 환상은 처음 6개월 안에 사라지고, 그 자리를 비관과 다시 한번의 신중함이 채운다. 이 글에서는 그 굴곡의 정체와, 전문성을 어떻게 재설계해야 하는지 정리한다.

AI J-Curve 함정과 3대 부채

AI 투자의 현실은 J-커브다. 도입 직후 일시적 생산성 하락 구간이 오고, 이걸 견뎌야 비로소 수익이 가파르게 오른다. 발표자료는 이 침체 구간을 Verification Tax(검증 세금) 구덩이라 부른다. 검증 없이 AI 결과를 받아들이면 비용이 아니라 부채가 누적되기 때문이다.

AX를 가로막는 3대 부채는 회사 전체 속도를 갉아먹는다.

• 기술부채: AI 코드는 국소 최적화는 잘하지만 전체 구조를 모른다. 중복·우회가 남발되면서 5~19개월 안에 오히려 속도가 저하된다.
• 인지부채: 결과물을 이해·확신 못한 채 배포하는 상태. "인지적 항복(cognitive surrender)"이 일어나면, "너의 딸깍 → 나의 딸깍"이 파이프라인화되어 검증 없는 자동화가 제품으로 직행한다.
• 의도부채: "왜 그렇게 만들었는가"에 대한 맥락과 암묵지가 휘발된다. 인력이 해고되고 나면 같은 코드를 재현할 수 없어 재채용 비용이 폭증한다.

사람의 일은 이제 검증이다

생산에서 검증으로. 발표자료의 핵심 명제다. 모든 결과를 검증하지 말고, 결과물 검증 레이어에 역량을 집중해야 한다. 검증 레이어는 세 가지로 구성된다.

| 검증 종류 | 목적 | 예시 |

|-----------|------|------|

| Binary Checks | 결정론적 정확성 | 테스트 케이스, 회귀 테스트 |

| Quantitative Metrics | 처리량·지연 시간 | p99 latency, 토큰당 비용 |

| Qualitative Rubrics | LLM-as-a-judge 평가 | 답변 품질 점수, 톤 일관성 |

검증은 build-time에 끝나지 않는다. 비결정적인 AI Agent 제품은 run-time 검증도 필수다. 좋은 검증 레이어를 만들려면 도메인 understanding이 받쳐야 하고, 그건 결국 전문가의 몫이다.

> "검증만 믿을 만하면 Auto Research Loop(옛 Ralph)로, 사람이 잘 때도 AI가 24시간 자기개선을 반복한다."

ClaudeCode 유출이 남긴 질문

ClaudeCode 소스 유출 사건은 단순한 보안 이슈가 아니었다. 발표자료는 그 사건을 통해 A급 코드의 본질을 다시 묻는다. A급 코드는 인간의 인지공간 안에 들어갈 수 있도록 잘 다듬어진 결과물이다. AI가 다루면 C·D급이어도 결과만 좋으면 충분하다고 느낄 수 있다. 하지만 검증 레이어를 갖춘 사람만이 그 결과를 납득할 수 있다. 검증 없는 A급 흉내는 더 위험하다.

의도부채를 녹이는 두 가지 도구

의도부채, 즉 암묵지(tacit knowledge)의 휘발은 AX의 가장 깊은 적이다. 발표자료가 제시하는 두 가지 해법은 다음과 같다.

1. grill-me / grill-with-docs — matt-pocock 패턴. AI를 질문자로 세워, "왜?"를 캐묻게 한다. 질문자는 당신이 아니라 AI여야 한다. AI는 당신의 의도를 건조한 형태로 만들어내고, 사람은 그걸 보며 모호했던 부분을 명료화한다.
2. 가상의 나 Agent — 회사 공용 메모리 + persona+memory 추출로 "나의 판단 기준"을 시드(seed)한 AI. Anthropic의 기업용 공용 메모리, mem0·seCall 등이 이 방향을 대표한다.

AI Native Company의 조건

모든 컴포넌트는 두 가지 친화도를 갖춰야 한다.

• AI에게 조작 친화 (Queryable) — 모든 상태와 결정이 검색 가능하고 조작 가능해야 한다.
• 인간에게 검증 친화 (Closed loop + Self-improving) — 결과가 자동으로 평가되고, 평가가 다시 모델·프롬프트 개선으로 연결되어야 한다.

이 조건이 갖춰지면 관리만 하던 시니어가 실무로 복귀할 수 있다. 검증 레이어를 운영할 수 있는 사람, 자기 도메인의 AI를 만들 수 있는 사람만이 시니어의 자리에 남는다.

새로운 인재상

AI 시대의 인재는 "스킬 숙련자"가 아니라 "운영 책임자"다.

• ① 문제를 쪼개고
• ② 실패를 빠르게 판별하며
• ③ 일이 되게 하는 구조를 찾는 능력

새로 중요해지는 강점은 빠른 맥락 파악, mind-sized bites 변환력, 어그로력(마케팅), 명확한 취향이다. "무엇을 덜 할 것인가"를 결정하는 taste가 곧 경쟁력이다.

그럼에도 전문성은 여전히 필수다. Gell-Mann Amnesia Effect — 비전문가 영역에서는 그럴싸해 보였을 뿐이라는 착각. 가치 충돌과 책임이 따라오는 어려운 결정은 인간만이 내릴 수 있다. 전문가는 다음을 정의한다.

• 자기 도메인의 AI를 만들고
• 검증 레이어를 유지보수하며
• 옳은 가치 판단을 내리고
• 지지받는 취향을 갖고
• 납득되는 책임을 진다

2026년 6월, 무엇을 시작할 것인가

AI는 엔지니어링 규율을 더 적게가 아니라 더 많이 요구한다. 발표자료가 제시한 결론은 단순하다. "경험은 이제 세금이다". 과거의 경력은 검증 없이 통과시키는 면죄부가 아니라, 검증의 단단한 기준선이다.

오늘의 첫 액션은 다음 세 가지로 충분하다.

1. 자기 도메인에서 AI 결과물 중 검증 레이어가 비어 있는 부분을 한 곳 찾아본다.
2. grill-me 프롬프트를 한 번 돌려, 내 의도가 얼마나 흐릿한지 확인한다.
3. 회사 공용 메모리(Notion, Confluence)에 한 줄짜리 "나의 판단 기준"을 적어둔다.

작은 검증 레이어 하나가 J-커브의 침체 구간을 짧게 만들고, 의도부채를 키우지 않는 유일한 울타리다.