“그러면 결국 우리 직원들은 어떻게 됩니까?”

이 연재를 읽어온 경영자들이 필자에게 가장 자주 던지는 질문이다. AI 문해력을 키우고, 바이브 코딩으로 자동화 도구를 만들고, 암묵지를 데이터로 바꾸고, 전용 AI를 구축하고, 예지보전 시스템을 갖추고, 코봇과 함께 일하는 조직을 설계하고, 중국 휴머노이드의 질주를 직시하고 나면, 경영자는 결국 이 질문 앞에 선다.

기술이 어디로 가는지는 이제 어느 정도 보인다. 그런데 그 기술의 속도만큼 빠르게, 사람은 어떻게 변해야 하는가.

세계 기업의 77%는 기존 인력의 재교육 및 역량 강화를 추진할 계획이며, 69%는 조직 맞춤형 AI 도구 개발 및 운영이 가능한 기술인재 채용을, 62%는 AI와 협업 가능한 인재 확보를 주요 전략으로 꼽는다. 대기업들은 이미 움직이고 있다. 그런데 직원 30~70명짜리 울산·경남 중소 제조기업에서 이 전략은 어떻게 번역되어야 하는가. 그것이 이번 편이 답해야 할 바른질문이다.

역사는 말한다 — 기술은 일을 없애지 않고 바꾼다

먼저 두려움을 제대로 보자. “로봇이 내 일자리를 빼앗는다”는 공포는 새로운 것이 아니다. 1811년 영국의 러다이트 운동은 기계가 직조 기술자의 일자리를 빼앗는다며 방직 기계를 파괴했다. 결과는 어땠는가. 방직 기술자는 줄었지만 기계 운용자, 유지보수 기술자, 품질 검사원, 물류 관리자가 생겼다. 그리고 섬유 산업 전체의 규모가 수십 배로 커졌다.

증기기관은 마부를 줄였지만 기관사를 만들었다. 컴퓨터는 타자수를 없앴지만 프로그래머를 탄생시켰다. 인터넷은 여행사를 위협했지만 플랫폼 기획자를 필요로 했다. Physical AI도 같은 패턴을 따른다. 다만 이번에는 속도가 다르다. 이전의 기술 혁명이 한 세대에 걸쳐 일어났다면, 이번에는 3~5년 안에 현장이 바뀐다. 그 속도 차이가 공포의 진짜 원인이다.

그러나 바른질문연구소의 관점에서 “어떤 일자리가 사라지는가”보다 먼저 던져야 할 질문이 있다. “어떤 역량이 더 중요해지는가.”

현장이 말해주는 것 — 역할이 바뀐 두 사람

▶ 사례 1 — “저는 이제 로봇 선생님입니다” (경남 정밀 용접 기업, L사 베테랑 박 반장)

이 연재에서 계속 등장한 경남 L사의 박 반장은 올해로 경력 28년째다. 6편에서 그의 30년 노하우가 RAG 기반 사내 AI의 원료가 됐다고 소개했고, 9편에서는 코봇에게 용접 동작을 티칭하는 역할을 맡았다고 했다. 최근 L사를 다시 방문했을 때, 박 반장의 하루가 2년 전과 어떻게 달라졌는지를 물었다.

“예전엔 하루 종일 같은 용접을 반복했어요. 지금은 코봇이 그 반복을 대신하고, 저는 코봇이 못하는 곡면 작업을 하거나, 코봇이 이상한 용접을 하면 왜 그런지 진단하고 다시 가르쳐줍니다. 그리고 가끔 신입이 어려운 상황에 부딪히면 AI가 제 과거 판단을 찾아서 알려주더라고요. 제가 여기 없는 시간에도 제 경험이 일하고 있는 거잖아요.”

그의 역할이 사라진 것이 아니다. 더 높은 층위로 올라갔다. 반복 실행자에서 품질 감독자로, 작업자에서 교사로, 한 공정의 담당자에서 로봇과 신입 모두의 멘토로. 이것이 Physical AI 시대의 숙련공 진화 경로다.

▶ 사례 2 — “저는 AI한테 일 시키는 사람이 됐어요” (울산 자동차 부품 기업, E사 최 씨)

3편 바이브 코딩 편에서 소개한 울산 E사의 최 씨. 생산관리 담당으로 매일 아침 1시간 30분을 엑셀 수작업에 쓰던 그가 바이브 코딩으로 자동화 도구를 만든 이후, 그의 역할이 계속 진화했다.

자동화 도구를 만들면서 생긴 여유 시간에 그는 불량 원인 분석을 시작했다. 그 분석 데이터가 쌓이면서 사내 AI의 지식베이스가 풍성해졌다. 그 AI가 예지보전 신호를 해석하는 데 도움을 줬다. 그리고 지금 그는 회사의 ‘AI 오퍼레이터’가 됐다. 어떤 업무에 어떤 AI 도구를 적용할지를 설계하고, 도구가 제대로 작동하는지 모니터링하며, 새로운 자동화 아이디어를 발굴하는 역할이다.

최 씨는 코딩을 배운 것이 아니다. 자신의 업무를 AI에게 설명하는 법을 배웠다. 그리고 그 능력이 그를 생산관리 담당에서 회사의 디지털 운용 전략가로 만들었다.

Physical AI 시대, 세 가지 역량이 핵심이다

이 두 사람의 이야기에서 공통점을 추출하면, Physical AI 시대에 중소 제조기업 현장 직원에게 필요한 역량의 방향이 보인다. 필자는 이것을 세 가지로 정리한다.

첫째, AI에게 ‘잘 묻는 능력’ — 프롬프트 역량이 아닌 문제 정의 역량이다

“잘 묻는 것이 잘 사는 것이다.” 바른질문연구소의 오랜 화두가 Physical AI 시대에 가장 실용적인 역량 언어가 됐다. AI에게 좋은 결과를 얻으려면 좋은 질문을 해야 한다. 좋은 질문은 자신의 업무를 정확하게 이해하고, 문제를 구체적으로 정의하며, 원하는 결과를 명확히 말하는 데서 나온다. 이것은 IT 역량이 아니다. 업무 이해도와 문제 해결 사고력이다.

박 반장이 코봇에게 용접을 가르칠 수 있는 것은 코딩을 알아서가 아니다. 28년의 경험으로 어떤 각도에서 어떤 힘으로 어떤 순서로 용접해야 하는지를 정확히 알기 때문이다. 그 앎이 코봇 티칭 언어로 번역될 때, 그는 로봇의 스승이 된다. 최 씨가 바이브 코딩으로 자동화 도구를 만들 수 있는 것은 개발 실력이 아니라 자신의 업무 흐름을 정확히 설명할 수 있기 때문이다. 업무 전문성이 AI 활용 역량의 토대다.

둘째, 예외를 다루는 능력 — 로봇이 멈추는 순간 사람이 시작된다

Physical AI 시대, AI는 모니터 속 보조 도구가 아니라 현장에서 함께 일하는 파트너로 자리 잡는다. 그런데 파트너에게도 한계가 있다. 코봇은 정해진 범위 안의 반복 작업에 강하지만, 예상치 못한 소재 변형, 갑작스러운 치수 이탈, 처음 보는 불량 유형 앞에서는 멈춘다. 휴머노이드는 표준 공정을 빠르게 학습하지만, 노련한 작업자가 직관적으로 내리는 “지금 이건 아닌데”라는 판단은 아직 모른다.

로봇이 멈추는 그 순간, 사람이 시작된다. 이상 상황을 인식하고, 원인을 진단하고, 임시 대처를 결정하고, 로봇에게 새로운 패턴을 가르치는 능력. 이것이 Physical AI 시대의 핵심 인적 역량이다. 저숙련·중숙련 직무의 대체 가능성이 높은 반면 고숙련 직무에서는 AI 협업 역량이 더 중요해진다. 예외 처리 능력은 고숙련 역량의 핵심이다. 이 역량을 키우는 가장 좋은 방법은 아이러니하게도, 지금 당장 로봇·AI와 함께 일하면서 그것이 어디에서 틀리는지를 경험하는 것이다.

셋째, 연결하는 능력 — 기술과 현장 사이의 통역사가 필요하다

Physical AI 시대의 제조 현장에서 가장 부족할 역할이 있다. 기술을 아는 사람과 현장을 아는 사람 사이의 간극을 메우는 통역사다. 로봇 엔지니어는 로봇을 알지만 이 공장의 공정 맥락을 모른다. 현장 베테랑은 공정을 알지만 로봇의 언어를 모른다. 그 사이에서 “이 공정에는 이런 이유로 이런 설정이 필요합니다”를 양쪽에 설명할 수 있는 사람이 가장 희소하고 가장 가치 있다.

이 역할은 특별한 천재가 하는 것이 아니다. 업무를 깊이 알고 AI를 어느 정도 다룰 줄 아는 사람이면 된다. 이 연재 1편부터 강조해온 ‘AI 챔피언’이 결국 이 역할로 성장한다. 월 2만 원짜리 AI 구독으로 시작한 현장 직원이 3년 후 회사의 AI 오퍼레이터이자 로봇-인간 협업 설계자가 되는 것이다.

중소 제조기업의 현실적인 인력 전략 3단계

그렇다면 경영자는 지금 무엇을 해야 하는가. 대기업처럼 리스킬링 프로그램을 만들 여력이 없다. 전담 AI 팀을 꾸릴 인원도 없다. 현실적인 3단계를 제시한다.

1단계 — 지금 있는 사람을 다시 보라

새 사람을 채용하는 것보다 지금 있는 사람의 역할을 재설계하는 것이 먼저다. 경력 10년 이상의 직원 중에서 업무를 가장 잘 설명하는 사람, 동료의 질문을 가장 잘 해결해주는 사람, 새로운 것에 호기심이 있는 사람을 찾아라. 그 사람이 AI 챔피언의 후보다. 기술 역량보다 업무 이해도와 소통 능력이 먼저다.

2단계 — 역할 전환을 ‘위협’이 아닌 ‘성장’으로 설계하라

“로봇이 당신 일을 대신하게 됩니다”가 아니라 “로봇이 반복을 맡으면 당신은 이 더 중요한 일을 하게 됩니다”의 언어로 바꿔야 한다. 박 반장의 사례가 보여주듯, 숙련 직원의 역할이 ‘실행’에서 ‘감독과 교육’으로 올라가는 것은 강등이 아니라 승진이다. 이 프레임을 경영자가 먼저 믿고 직원에게 보여주어야 한다. 47%의 기업은 AI로 인해 쇠퇴하는 직무의 인력을 조직 내 다른 역할로 전환할 계획이다. 대기업은 계획하고 있다. 중소기업은 지금 설계해야 한다.

3단계 — 배움을 업무 안에 넣어라

별도의 교육 프로그램을 만들 여유가 없다면, 업무 안에서 배움이 일어나도록 설계하라. 매일 아침 회의에서 AI 도구가 낸 결과를 함께 검토하는 것, 코봇 오류가 날 때 원인을 팀 전체가 함께 분석하는 것, 새로운 바이브 코딩 도구를 만들면 전체 공유하는 것. 이런 소소한 일상이 쌓이면 조직 전체의 AI 리터러시가 올라간다. 한국AI에듀센터에서 중소 제조기업을 대상으로 운용하는 AI 교육도 이 원칙 위에 설계되어 있다. 강의실이 아니라 현장에서, 이론이 아니라 실제 업무로 배운다.

두려움의 반대편에 있는 것

“그러면 결국 우리 직원들은 어떻게 됩니까”라는 질문으로 시작했다. 이제 답할 수 있다.

로봇이 늘어날수록 사람에게 필요한 역량은 줄어들지 않는다. 오히려 더 고차원적으로 바뀐다. 반복을 로봇에게 넘기고 나면, 사람에게 남는 것은 판단·창의·소통·공감이다. 이것들은 아직 어떤 AI도 완전히 흉내 내지 못하는 인간의 고유한 영역이다.

AI가 일자리의 형태와 수요를 빠르게 변화시키고 있는 만큼, 현행 노동제도와 직업훈련 체계가 충분히 대응하지 못하고 있어 적극적으로 대응하지 않는다면 노동시장의 불평등과 부의 양극화로 심화될 수 있다. 이 경고는 국가 수준의 이야기만이 아니다. 지금 당장 중소 제조기업 경영자가 직원들의 역할 전환을 설계하지 않으면, 그 직원들은 개인 수준에서 이 불평등의 피해자가 된다.

박 반장이 “제가 없는 시간에도 제 경험이 일하고 있다”고 말할 때, 그 문장에는 두려움이 없었다. 그는 자신의 지식이 사라지는 것이 아니라 확장되고 있음을 경험하고 있었다. 최 씨가 “저는 이제 AI한테 일 시키는 사람이 됐어요”라고 말할 때, 그 문장에는 자부심이 있었다. 그는 기술에 밀린 것이 아니라 기술 위에 올라선 것이었다.

이것이 Physical AI 시대에 사람이 설 수 있는 자리다. 그리고 그 자리를 만드는 것은 기술이 아니라 경영자의 의지와 설계다.

이미지 출처: AI 생성 콘텐츠