AI에게 질문을 잘하는 능력만으로 기업의 기대를 충족하기 어려워지고 있다. 채용시장에서 AI 도구를 만들고 업무를 자동화하는 역량에 대한 수요가 커지고 있기 때문이다. 직장인에게는 자신의 업무를 개선할 능력이, 기업에는 그 개선을 조직의 성과로 연결할 체계가 요구되는 변화다.

Workday가 10월 5일 발표한 ‘2026년 글로벌 인력 보고서’에 따르면, Workday Recruiting을 사용하는 550여 개 기업의 채용 역량 데이터를 분석한 결과 단순 프롬프트 작성 등 기초 AI 역량 수요는 2026년 1월 정점 이후 25% 감소했다. 반면 AI 도구 개발, 워크플로 자동화, AI 엔지니어링 역량 수요는 2025년 9월부터 2026년 7월까지 51% 증가했다. 보고서에 포함된 별도 설문에서는 기업 리더의 40%가 AI를 통한 기존 직원의 생산성 향상을 기대했고, 인력 감축을 예상한 비율은 28%였다. Workday 발표

다만 채용 데이터는 Workday 고객 기업을 대상으로 한다. 이를 전체 노동시장의 변화로 일반화하거나, 기초 AI 역량이 불필요해졌다는 뜻으로 받아들이기는 어렵다. 주목할 부분은 기업이 AI 활용의 다음 단계로 무엇을 요구하는가다.

교육의 결과물, 프롬프트에서 ‘개선된 업무’로

이 변화가 AI 교육에 주는 시사점은 분명하다. 도구의 기능을 익히는 데서 나아가 실제 업무를 분석하고, 자동화할 부분을 고르고, 도입 전후의 결과를 비교하는 훈련이 필요하다.

예를 들어 고객 문의 대응 업무를 생각해보자. AI로 답변 초안을 작성하는 것은 출발점이다. 업무 자동화를 설계하려면 문의를 유형별로 분류하고, 관련 자료를 찾아 답변을 구성하며, 담당자의 검토가 필요한 사안을 구분해야 한다. 처리 결과를 어디에 기록할지도 정해야 한다. 이는 특정 제품의 도입 사례가 아닌, 자동화 범위를 설명하기 위한 예시다.

이 과정에서는 현장 경험이 중요하다. 반복되는 문의는 무엇인지, 어떤 답변에 승인이 필요한지, 어느 단계에서 일이 지연되는지는 업무를 아는 사람이 판단해야 한다. 따라서 모든 직원에게 AI 개발자가 되라고 요구하기보다, 현업 담당자와 기술 담당자가 함께 업무를 개선할 수 있도록 교육을 설계할 필요가 있다.

교육의 성과도 달리 평가할 수 있다. 수강생이 프롬프트를 몇 개 만들었는지와 함께, 실제로 적용할 업무 절차를 설계했는지 살펴봐야 한다. 적용 이후에는 처리 시간, 수정 횟수, 누락률 등을 비교해야 한다. AI가 초안을 빨리 만들어도 검토와 수정에 더 많은 시간이 든다면 업무 전체의 효율은 개선되지 않을 수 있다.

에이전트를 고르는 일은 업무 기반을 고르는 일

인재에게 요구되는 역량이 달라지는 가운데, 기업용 AI 시장에서는 플랫폼 경쟁도 진행되고 있다. Axios는 기업용 에이전트 경쟁에서 기존 업무도구를 통한 배포와 서비스 전환의 어려움에 주목했다. Axios 분석

이 논점을 기업의 도입 판단에 적용하면, 에이전트 선택은 답변 품질을 비교하는 데서 끝나지 않는다. 에이전트가 어떤 데이터에 접근하고, 어떤 업무를 실행하며, 그 결과를 어디에 남기는지까지 검토해야 한다.

가령 회의 내용을 정리하는 기능과 회의 후 업무를 생성하고 담당자에게 배정하는 기능은 필요한 권한이 다르다. 실행 범위가 넓어질수록 승인 절차와 책임 범위도 구체적으로 정해야 한다. 잘못된 작업이 발생했을 때 누가 확인하고 어떻게 복구할지 역시 업무 설계에 포함돼야 한다.

또 하나의 판단 기준은 서비스 변경 가능성이다. 다른 제품으로 옮길 때 업무 규칙과 실행 기록을 가져갈 수 있는지, 연결 권한을 회수할 수 있는지 확인할 필요가 있다. 당장의 편의와 함께 장기적인 운영 조건을 평가하자는 의미다.

직장인의 경쟁력은 ‘내 업무를 설명하고 바꾸는 능력’

직장인과 구직자에게도 준비 방향을 바꿀 이유가 생겼다. AI 도구 사용 경험을 나열하는 데서 더 나아가, 어떤 업무의 문제를 발견했고 어떻게 개선했는지 보여주는 방식이 유용하다.

자동화 포트폴리오에는 복잡한 기능보다 판단 과정이 드러나야 한다. 기존 업무의 병목은 무엇이었는지, AI에 맡긴 범위는 어디까지인지, 사람의 검토를 남긴 이유는 무엇인지 설명할 수 있어야 한다. 성과 수치는 실제로 측정한 결과를 쓰고, 측정하지 못했다면 그 한계를 밝혀야 한다.

기업 역시 작은 업무부터 시작할 수 있다. 반복 빈도가 높고 결과를 확인하기 쉬운 업무 하나를 골라 현재 처리 방식과 시간을 기록한 뒤, 제한된 범위에서 AI를 적용하는 식이다. 효과가 확인되면 적용 범위를 넓히고, 문제가 생기면 업무 절차와 권한 설정을 수정하면 된다.

일머리.ai와 같은 교육·컨설팅 서비스에도 이 방향은 시사점을 준다. 업무 프로세스 분석→자동화·에이전트 구축→성과 측정을 하나의 과정으로 제공하고, 특정 모델을 바꿔도 업무 규칙과 평가 기준을 유지할 수 있도록 설계하는 전략을 검토할 만하다.

기업이 AI 도입으로 얻으려는 것은 결국 더 나은 업무 결과다. 앞으로의 AI 역량은 도구를 얼마나 능숙하게 다루는지에 더해, 일을 얼마나 정확하게 이해하고 개선할 수 있는지로 평가받을 가능성이 크다. 그 준비는 자신의 업무에서 반복되는 일 하나를 찾아, 무엇을 맡기고 무엇을 직접 판단할지 정하는 데서 시작할 수 있다.