이 글은 JudyAI Lab의 AI 엔지니어링 시리즈 중 하나입니다 — 100편 이상 발행된 가이드, 60개국 5,000명 이상의 주간 독자가 읽는 콘텐츠로, AI 에이전트·트레이딩 시스템·콘텐츠 파이프라인의 실전 운영에 초점을 둡니다.
8000장의 이력서, 열리지 않는 문
Nikkei Asia 6월 30일 보도를 두 번 읽었습니다. 미국 최상위 명문대 기술 계열 졸업생들이 8000장의 이력서를 제출했지만 반응은 거의 없었습니다. 같은 주에 TechCrunch가 정리한 숫자는 더욱 차갑습니다. 2026년 5월 이전에 미국에서는 이미 9만 개 이상의 직위가 고용주에 의해 ‘AI로 인한 감원’으로 명시됐습니다.
이 두 수치를 함께 놓고 보면, AI 팀 구축자의 관점에서는 놀랍지 않습니다. MIT NANDA 2025년 State of AI in Business 보고서는 하나의 모순을 지적합니다: 기업의 95%가 GenAI 배포에서 P&L 성과를 내지 못하지만, 성과를 낸 5%의 기업들은 거의 모두 AI를 반복성 입문 업무(데이터 처리, 코드 리뷰, 콘텐츠 편집)에 활용했으며, P&L 성과는 인력 예산 삭감으로 직결됐습니다. 이것이 바로 Nikkei의 8000 이력서 사태의 이면과 맞닿아 있습니다 — 주니어 포지션 정원 자체가 없어졌고, 이력서를 제출해도 해당 직위가 존재하지 않는 겁니다.
구축자 입장에서 저는 전혀 놀랍지 않습니다. 더 깊이 활용할수록, 왜 그 8000장의 이력서가 문 앞에서 막혔는지 더욱 분명히 이해하게 됩니다.
AI가 실제로 삼킨 세 가지 직종
겁주는 일반론은 하지 않겠습니다. 실제로 에이전트를 배포한 경험에서, 어떤 포지션이 면접 명단에조차 들어가지 못하고 있는지 명확히 짚어낼 수 있습니다.
첫 번째 유형은 입문 수준의 기술 문서, 코드 리뷰, 데이터 처리입니다. 이것들은 과거에 주니어 데이터 분석가나 entry-level 엔지니어가 매일 하던 일입니다: 오타 잡기, 포맷 통일, 요약 생성, 기초 통계 실행. 지금은 LLM 에이전트 하나를 배포하면 70~80% 수준의 품질로 24시간 쉬지 않고, 주니어 한 명의 월급보다 낮은 비용으로 처리할 수 있습니다. 많은 미국 기술 기업들은 이미 직접 정원을 없앴습니다 — 축소가 아니라 폐지입니다. MIT NANDA 보고서에서 성과를 낸 5%의 기업들은 거의 모두 AI로 이런 반복 업무를 대체했으며, P&L 성과는 인력 예산 삭감으로 직결됐습니다.
두 번째 유형은 고객 서비스와 콘텐츠 편집입니다. TechCrunch가 정리한 9만 개 감원 목록에서 고객 서비스 엔지니어와 콘텐츠 편집자의 비중이 가장 큽니다. 이 종류의 업무는 과거에 mid-career 주니어의 양방향 성장 사다리였습니다 — 1~2년 근무하면서 업계 용어와 고객 소통 방식을 익히고, 이후 마케팅, 제품, 또는 고객 성공 쪽으로 올라가는 경로. 이제 AI는 1차 고객 서비스 분류, 자주 묻는 질문 응답, 대량 카피 생성을 직접 처리할 수 있고, 그 양방향 사다리가 끊어졌습니다. 좋은 소식인지 나쁜 소식인지의 문제가 아니라, 조직 구성표 자체가 바뀐 겁니다.
세 번째 유형은 초급 분석가 직무로, 초급 재무, 데이터, 시장조사원이 포함됩니다. 아이러니한 지점이 여기 있습니다: 많은 미국 기술 기업이 AI로 이력서를 걸러내고, AI로 1차 면접을 진행하면서 후보자를 문 앞에서 차단합니다. 이유는 ‘AI가 이미 이 포지션을 대체했기 때문’입니다. AI가 한쪽으로는 인사 담당자 역할을 하고, 다른 쪽으로는 입문 직위를 없애는 셈입니다. 이것이 8000 이력서 사태 뒤에 숨겨진 가장 냉혹한 순환입니다.
살아남는 다섯 가지 패턴
막힌다고 전멸은 아닙니다. AI 팀을 운영하면서 관찰한 결과, 다음 다섯 가지 포지션에서는 에이전트가 단독으로 감당할 수 있는 방법을 전혀 찾을 수 없었습니다.
첫째, AI 트레이너와 프롬프트 엔지니어. 이건 새로운 직위이지만, 이력서에 ‘ChatGPT 능숙’이라고 쓰는 것보다 문턱이 훨씬 높습니다. 실제로 필요한 건 평가 기준을 설계할 수 있고, 에이전트 실패 패턴을 분석할 수 있으며, 멀티 에이전트 협업을 운영할 수 있는 사람입니다. 저 자신도 일주일에 20~30시간을 이 일에 씁니다. 코드를 쓰는 것보다 훨씬 많습니다.
둘째, 시스템 통합. AI 팀을 운영할 때 AI로 대체하기 가장 어려운 부분은 서로 다른 시스템(콘텐츠 생성, 데이터베이스, 알림, 검토 게이트)을 하나의 안정적인 파이프라인으로 연결하는 것입니다. 이건 크로스팀 커뮤니케이션이 필요하고, 언제 에이전트를 자동으로 실행하고 언제 사람의 검토로 차단해야 하는지 판단이 필요합니다. ‘기술도 알고, 비즈니스도 알고, 사람의 심리도 아는’ 희귀한 조합입니다.
셋째, 제품 포지셔닝과 고객 문제 발굴. AI는 100가지 솔루션을 생성할 수 있지만, ‘이 문제가 과연 해결할 가치가 있는가’를 자동으로 판단할 수는 없습니다. 그 판단은 고객에 대한 깊은 이해에서 나오며, 직접 고객 인터뷰를 다니고, 직접 제품과 함께 실패를 경험해야 합니다.
넷째, 의사결정 윤리와 컴플라이언스. 돈, 법률, 의료, 개인정보가 관련된 곳에는 반드시 사람이 있어야 합니다. 이름이 있고 법적 책임이 있는 사람. 기술적으로 불가능한 게 아니라, 책임을 에이전트에게 맡길 수 없는 겁니다.
다섯째, 실물 세계 운영. 전기·수도, 요식업, 물류, 실체 수리 업종은 AI 대체 속도가 생각보다 훨씬 느립니다. 뉴스가 시끄럽다고 해서 체력과 현장 경험의 가치를 과소평가하지 말라고 주변 친구들에게 항상 강조합니다.
직장인이 해야 할 세 가지 일
첫째, AI를 적이 아닌 동료로 훈련하세요. 실전 능력은 이렇게 쌓습니다: 구체적인 업무 하나를 선택하고(주간 보고 요약, 고객 응답 분류, 데이터 수집), 프롬프트를 설계하고, 10번 실행하고, 실패 사례를 분석하고, 프롬프트를 수정합니다. 3개월 지속하면 부서에서 AI를 단순히 ‘채팅 도구’로만 쓰는 누구보다 실전을 잘 알게 됩니다. 이 과정 자체가 당신의 차별화입니다.
둘째, 크로스도메인 역량을 키우세요. 기술과 도메인 지식의 조합은 언제나 순수 기술보다 가치 있습니다. 마케팅을 하는 사람이라면 AI와 고객 심리를 연결하고, 재무를 하는 사람이라면 AI와 컴플라이언스를 연결하세요. 살아남는 포지션은 모두 교차점에 있습니다.
셋째, 자신의 workflow 가시성을 기록하세요. 매주 실제로 무엇을 했는지, 의사결정 체인이 무엇인지, 성과 지표가 무엇인지 꼼꼼히 써두세요. 상사가 AI로 당신을 대체할지 결정하기 전에 먼저 보게 되는 것이 바로 이 기록입니다. workflow가 보이지 않는 포지션이 가장 먼저 잘립니다.
마무리
8000장의 이력서는 AI의 잘못이 아닙니다. ‘입문 직위의 구조적 소멸’입니다. 이 구조적 공백은 AI를 원망한다고 메워지지 않습니다. AI 팀을 운영한 반 년여 동안 제가 본 진실은: AI는 각 직위에 원래부터 존재하던 문제를 증폭시켰다는 것입니다. 반복 업무를 하는 포지션이 가장 빠르게 사라지고, 통합·판단·윤리·실체를 다루는 포지션은 오히려 더 가치 있어졌습니다. 8000이라는 숫자는 이 세대의 실패가 아니라, 전체 입문 구조의 재편입니다.