# AI에 맡길 수 있는 일과 맡길 수 없는 일. 그 경계는 어디에 있는가?――제6회 Ledge.ai AI 스터디회 개최 보고서

> https://bookfactory.kr/board/news/20923
> 게시판: 뉴스
> 작성자: tachikoma43
> 작성일: 2026-10-10T23:42:44.201Z

---

생성 AI의 진화로 인해, 지금까지 사람이 담당해 왔던 업무의 일부를 AI에 맡길 수 있게 되었다. 한편, AI를 도입한 것만으로는 모든 일이 자동화되는 것은 아니다. 그렇다면 AI에 맡길 수 있는 업무와, 사람이 담당해야 할 업무를 나누는 것은 무엇인가?

2026년 9월 29일 및 30일, Ledge.ai는 “지금, AI에 맡길 수 있는 업무와, 아직 맡을 수 없는 업무. 그 차이는 무엇인가?”를 주제로 온라인 이벤트 “제6회 Ledge.ai AI勉強会”를 개최했다.

AI 기반 애니메이션 제작, 수요 예측, AI 에이전트의 데이터 전략, 리서치 업무, 전사적인 AI 활용, 제조 현장의 기술 계승 등 다양한 영역의 실무자들이 참여하여, 총 8세션 동안 AI에 업무를 맡기는 데 필요한 조건과 인간의 역할이 어떻게 변화해갈지 논의했다.

본 기사에서는 각 강연 내용을 되돌아보며, 기업이 AI 활용을 진화시키는 과정에서 중요하게 알아두어야 할 점을 소개한다.

## 애니메이션 제작부터 수요 예측까지. “AI에 맡기는”을 다각적으로 생각한 2일간

이번 공부 모임에서는, 레지(Ledge) 주식회 오프닝 세션을 포함하여, 총 8세션을 실시했습니다.

9월 29일 (DAY1) - 레지(회사) “지금, 인공지능에 맡길 수 있는 일과 아직 맡을 수 없는 일. 그 차이는 무엇인가?” - 레지(회사) “한 픽셀 애니메이션을 완성하는 과정을 인공지능에 맡아보았다” - 스니후아웃(회사) “인공지능에 맡길 수 있는 일을 늘리기 위한 데이터 전략” - AI 크로스(회사) “인공지능 수요 예측을 입력하면, 발주 업무는 이렇게 변한다”

9월 30일 (DAY2) - 카구야 주식회사 “전문가가 요구하는 리서치 업무의 AI 리터러시” - APOLLO11 주식회사 “컨텍스트의 한계를 초월하는 AI 에이전트 시대의 데이터베이스 전략” - 소스네크스트 주식회사 “AI를 사용하지 않는 것을 금지한 회사의 180일 실록. 인간에게 남는 일은 무엇인가?” - Ollo 주식회사 “AI×영상으로 현장의 ‘숙련 기술’은 가시화 가능하다”

취급 업무와 기술은 각각 다르지만, 공통된 것은 AI의 능력 자체보다 그것을 업무에서 어떻게 활용할 것인가에 대한 관점이었다. 예를 들어, AI 기반 애니메이션 제작에서는 단일한 영상을 생성하는 것과 하나의 작품을 완성시키는 것의 차이가 드러났다. 수요 예측 강연에서는 AI가 예측값을 산출할 수 있더라도 그 결과를 발주 업무에 어떻게 통합할 것인지는 또 다른 문제라는 것이 시사되었다. 또한, 전문직의 리서치에서는 정보의 신뢰성을 어떻게 보장할 것인가, AI 에이전트의 데이터베이스 전략에서는 AI가 지속적으로 업무를 수행하기 위한 정보 관리 및 안전성이 논점となった.

이러한 강연들 속에서 기업의 AI 도입 담당자에게 특히 도움이 될 만한 것이 실제로 조직의 업무 진행 방식을 변화시킨 사례와 그 실현을 뒷받침하는 데이터 정비 방식에 대한 이해일 것이다.

AI를 사용하지 않음을 금지”한 소스네크스트. 180일で見えてきた新たな課題

AI 사용을 금지한 소스네크스트. 180일 동안 드러난 새로운 과제입니다.

소프트넥스트 주식회사 대표取締役 부사장 겸 COO 겸 CRO의 오지마 치아키 회장은 “AI를 사용하지 않음을 금지한 회사의 180일 실록. 인간에게 남는 업무는 무엇인가?”라는 제목으로, 해당 회사에서 진행해 온 AI 활용 노력들을 소개했다.

회사에서는 전 직원에게 유료 AI 계정을 배포하고, AI를 업무에 적용하는 것을 인센티브 평가 목표에도 포함시키면서 직원들이 AI를 사용하는 것을 전제로 한 환경 조성에 힘써왔다. 전 직원을 대상으로 AI를 사용하여 애플리케이션을 개발하는 바이브 코딩 훈련도 실시하고 있다.

특징적인 것은 단순히 AI 도구의 이용을 촉진하는 것뿐만 아니라, 직원 스스로가 업무를 개선할 수 있는 메커니즘을 만들 수 있도록 한 것이다.

한편, AI의 이용이 확산됨에 따라 새로운 과제도 드러나고 있다. 예를 들어, 특정 부문의 작업이 AI에 의해 효율화되어도, 이후 공정 단계에서 다른 부문의 확인이나 작업을 기다려야 한다면 조직 전체로서의 속도는 올라가지 않는다. 이에 회사는 기존의 부서 간 역할 분담 자체를 재검토하는 움직임도 나타나고 있다는 것이다.

오지마 씨가 강조한 것은 AI를 사용하는 것 자체를 성과로 보지 않는 태도이다. AI를 사용하여 자료를 깔끔하게 만들 수 있게 되었다 하더라도, 그것만으로는 조직의 생산성이 높아지는 것은 아니다. 궁극적으로는 매출이나 실적으로 어떻게 기여했는지를 묻지 않는다면야 말이다. 이는 AI 도입을 진행하는 많은 기업에 공통되는 과제일까?

AI에 일을 맡기지 못하는 것은 “데이터가 부족”하기 때문일까? 엄청난 학습 데이터보다 더 중요한 것

AI 도입에도 기대한 결과물을 얻지 못하는 경우가 있습니다. 그 원인은 반드시 모델의 성능에 있는 것은 아니죠. 스니프아웃(주식회사 스니프아웃) 대표取締役 CEO, 津本海氏(津本海氏)는 “AI에 맡겨질 수 있는 업무를 늘리기 위한 데이터 전략”이라는 주제로 기업의 AI 활용을 저해하는 데이터 문제를 설명했습니다.

津본씨에 따르면, 기업이 일상적으로 작성하는 문서의 상당수는 인간이 읽을 수 있도록 작성된 “인간 친화형(Human-Ready)” 상태에 놓여 있습니다. 예를 들어, 복잡한 Excel 표, PowerPoint 다이어그램, 스크린샷을 중심으로 설명한 업무 매뉴얼 등이 있습니다. 인간이라면 표의 배치나 화살표 관계에서 의미를 이해할 수 있습니다. 하지만 AI가 데이터를 읽어들이는 과정에서는 이러한 정보가 누락되거나 잘못 해석될 수 있습니다.

津본씨가 제시한 AI 에이전트(AI 에이전트)가 필요로 하는 데이터 조건은 크게 3가지입니다.

1. 업무에 필요한 데이터가 충분히 존재해야 합니다.
2. AI가 내용을 놓치지 않고 이해할 수 있는 형식이어야 합니다.
3. AI가 필요한 정보를 자율적으로 찾아낼 수 있는 상태여야 합니다.

특히 주목할 만한 점은 AI 에이전트(AI 자문사)를 만드는 데 반드시 대량의 과거 데이터를 필요로 하지 않는다는 지적이다. 중요한 것은 과거의 결과물 자체보다 결과물을 만드는 데 이르는 업무 프로세스다. 그 프로세스는 반드시 처음부터 정교한 매뉴얼(Manual) 형태로 존재해야 하는 것은 아니다. 베테랑(Veteran) 직원들이 신입(Newbie)에게 업무를 설명하는 모습이나 실제로 컴퓨터를 조작하는 화면을 녹화하여 AI를 사용하여 절차를 정리하는 방법도 있다. 즉, AI에게 일을 맡기는 것은 인간이 무의식적으로 수행하는 판단이나 작업의 절차를 AI가 참조(Reference)할 수 있는 정보로 변환(Convert)하는 것을 의미한다.

츠모토 씨는 질의응답에서도 AI가 충분히 일을 수행하지 못하는 배경에는 필요한 정보나 지시를 충분히 전달하지 못하는 “지식 격차”(Knowledge Gap)가 있다는 견해를 제시했습니다. 이는 AI 에이전트 도입을 고려하는 기업에게 실무적인 시사점을 제공합니다.

## 기술 계승(Skill Inheritance)은 “사람에서 사람”으로만 이루어질까?

주식회사 올로(Ollo Corporation) 사업개발부(Business Development Department) 리더(Leader) 야마다 케누고(Kenugo Yoshida) 氏は, 제조 현장에서 촬영한 영상을 AI로 분석하여 숙련된 기술자의 작업을 시각화(Visualize)하는 접근 방식을 소개했다. 제조업계(Manufacturing Industry)에서는 숙련된 기술자의 고령화(Aging) 및 퇴직(Retirement)에 따른 기술 계승(Skill Inheritance)이 중요한 과제로 떠오르고 있다. 기존에는 현장의 기술은 숙련된 기술자가 신입에게 직접 가르치거나, 시간을 가지고 매뉴얼을 작성(Create)함으로써 전달(Transmit)되어 왔다.

올로(OLLO)가 소개한 방식에 따르면, 작업의 상황을 촬영함으로써 AI가 공정을 읽어내고 매뉴얼 제작을 지원한다. 더불어 숙련자와 신인의 작업 영상 비교를 통해 어떤 공정에 시간이 걸리는지, 어디에 개선의 여지가 있는지 분석할 수 있다고 한다.

여기서 중요한 것은 기존에는 숙련자의 경험이나 감각에 의존했던 작업을 비교 및 분석 가능한 데이터로 변환할 수 있는 점에 있다.

질의응답에서는, 하이퍼노이드 로봇 등의 진화로 인해 제조 현장에서 인간이 줄어들게 된다면, 미래적으로 인간을 위한 영상 매뉴얼은 필요하지 않을 것이라는 질문도 제기되었다.吉田氏は、작업 데이터의 축적은 사람으로부터 사람 간의 기술 계승뿐만 아니라, 미래에는 사람으로부터 로봇으로의 기술 계승에도つながる 가능성에 대해 언급했다.

지금까지 인간이 수년간의 경험을 통해 익혀온 기술을 AI가 처리할 수 있는 정보로 변환하는 것이다. 이러한 노력은 현장의 교육 및 개선을 효율화하는 것뿐만 아니라, 미래적으로 로봇에게 일을 맡기는 데 필요한 준비가 될 수도 있다.

## AI에 맡길 수 있는 업무의 범위는 기업 스스로가 넓혀나갈 것

한편, AI에게 업무를 맡길 수 있게 되더라도, 무엇을 달성하고 어떤 결과를 기대하는지에 대한 질문이 사라지는 것은 아니다. 회사의 어떤 업무를, 어떤 조건으로 AI에게 맡출 것인지. 그리고 그 업무를 어떤 가치로 연결할 것인지에 대한 고민이 필요하다. 앞으로 기업의 AI 활용에 있어서는 업무 방식 자체를 재검토하는 것이 요구될 수 있다.

관련 기사: 베테랑의 기술을 “AI가 학습할 수 있는 형태”로 만드는 것. Ollo가 도전하는 기술 계승, 그 다음의 물리적 AI

10월 AI 학습회 시청 신청은 여기에서 진행됩니다.

[원문 보기](https://ledge.ai/articles/ledge_ai_study_session_202609_report) | 출처: Ledge.ai