AI Native 인재의 조건 3가지

Claude로 자동화해서 월 1천만원을 벌었다. 딸깍만 해도 된다.

팔이피플들과 빠르게 남의 자료를 훔쳐와 제것인 것 마냥 자극적으로 돌리는 현상에 신물이 나던 요즈음 어느새 위기감을 느끼고 있었다. '딸깍'이 정말 가능한 일이기에, AI를 적극적으로 활용하지 못하는 내가 어느샌가 뒤쳐지고 있지 않은가 두려웠다.

이런 FOMO에 휘둘려 꼭 공부하고 싶다고 생각했는데, 마침 설날에 Claude Code를 제대로 배울 수 있는 기회가 생겨서 바로 신청했다.

30명 선발하는 자리에 300명이 신청했는데 운이 좋게도 붙었다!

구봉님께서 운영하는 AI Native Camp에서는 라이브 세션으로 진행하며 같이 화면을 보며 문제를 풀고, 스킬을 피드백하고, 정보가 잘 쌓이는 폴더 구조도 만들었다.

첫 날은 잘 몰랐는데 점차 시간이 가면 갈수록 뇌가 엄청 뜨거워졌다.
뇌를 이렇게 적극적으로 활용하여 지적 노동자로서 충분한 사고와 비판적인 능력이 증대됨이 실시간으로 느껴지다보니 과열 현상이 느껴졌다.
진짜 매일 진화하는 기분이 들었다.

그 과정에서 확신하게 된 게 있다. AI를 잘 쓰는 사람과 못 쓰는 사람의 차이는 도구 숙련도가 아니다. 사고방식 3가지가 다르다.

1. 암묵지를 명시화할 수 있는가

우리는 자기가 어떻게 일하는지 설명을 잘 못한다. "그냥 이렇게 하는 거지"로 넘기는 판단 기준이 수십 개다.

AI에게 일을 맡기려면 이걸 꺼내놓아야 한다. 내가 무의식적으로 하던 판단을 말로 만들어야 한다.

캠프에서 날아다니기 시작한 사람들의 공통점이 이거였다. 자기 업무 기준을 스킬 파일에 깎아놓은 사람. 프로세스와 정합성을 글로 강제해둔 사람. 이 사람들은 AI에게 "메일 보내줘"가 아니라 "이 기준으로 메일 보내줘"를 말할 수 있었다.

나도 마찬가지였다. AB180에서 매주 15시간을 리드 퀄리피케이션에 쓰고 있었다. 리드가 들어오면 회사가 진짜 존재하는지 확인하고, 이메일이 유효한지 보고, 스팸은 걸러내고, 점수를 매기고, Mixmax 시퀀스에 넣는다. 전부 수작업이었다.

이걸 자동화하려면 내 머릿속 기준을 전부 꺼내야 했다. "회사 이메일이면 몇 점", "회사 존재 여부 confidence가 0.7 이상이면 몇 점", "스팸 패턴에 test, asdf, sample이 들어가면 자동 탈락." 100점 만점 스코어링 시스템을 만들고, 70점 이상이면 자동으로 시퀀스에 들어가게 했다.

결과로는? 주 15시간이 0시간이 됐다. 매일 아침 GitHub Actions가 돌면서 리드를 자동으로 처리한다. 서버도 필요 없다.

이게 가능했던 건 도구 덕분이 아니다. 내가 "이 리드는 왜 좋고, 저 리드는 왜 나쁜지"를 설명할 수 있었기 때문이다. 암묵지가 명시지가 된 순간, 자동화가 가능해졌다.

김창준 선생님이 《함께 자라기》에서 말한 의도적 수련과 같은 원리다. 무의식적 능력을 의식 위로 끌어올려야 개선할 수 있다. AI가 그 과정을 가속시킨다.

2. 모르는데 모르는 영역을 캐치할 수 있는가

Unknown unknowns. 혼자서는 구조적으로 못 잡는다.

일반 업무에서 이게 치명적인 이유가 있다. 코딩은 정답을 따라가다 보면 얼추 괜찮은 게 나올 때가 있다. 하지만 세일즈 메일, 기획 문서, 고객 대응 등, 의도가 명확하지 않으면 완전히 엉뚱한 결과가 나온다.

AI가 "이건 확인했어요?"라고 물을 때 비로소 보이는 것들이 있다. 빠뜨린 맥락, 잘못된 전제, 놓친 이해관계자.

예를 들어, 이메일을 보내달라고 했을 때. AI가 맥락을 다 파악하지 못하면 나에게 질문한다. "수신자가 기존 고객인가요, 신규 리드인가요?" "톤은 격식체인가요?" 이 질문에 답하는 과정에서 내가 놓친 게 드러난다. AI는 그 답을 컨텍스트로 다시 잡고 작업한다.

리드 마그넷을 만들 때도 그랬다. 구독 앱의 리뷰를 분석해서 이탈 원인을 진단하는 도구를 만들었는데, 처음엔 "리뷰 분석해줘" 정도로만 생각했다. 스킬을 깎아가면서 AI가 물었다. "경쟁사 비교 없이 의미 있나요?" 맞는 말이었다. 경쟁사 리뷰까지 같이 분석해야 이탈 신호가 포지셔닝 갭으로 바뀐다. 혼자였으면 그냥 넘어갔을 거다.

AI의 질문을 받아들이는 사람과, 귀찮아하는 사람. 시간이 갈수록 격차가 커져갈 것이다.
이렇게 내가 전혀 알지 못했던 지식들도 순식간에 의사결정의 필요한 근거로서 활용되니, 더 풍부하고 좋은 결정을 내릴 수 있게 된다.

3. 피드백 루프를 설계할 수 있는가

일하고 끝이 아니다. 매번 복기하는 구조를 만들 수 있는가가 중요하다.

뭘 했고, 뭘 배웠고, 다음엔 뭘 해야 하는지. 이게 자동으로 쌓이면 의사결정의 패턴이 보인다.
반복하는 실수, 자주 빠지는 함정 이런 것들이 점차 스스로를 발전하게 한다.

이전엔 이걸 수작업으로 하거나 아니면 1년에 2번만 진행하게 된다. 회사에서 인사평가를 위해 제출하는 시즌이 아니면 귀찮다는 이유로 스스로를 적극적으로 돌아보지 못할 때가 많다.

회고 미팅, 위클리 리뷰, 포스트모템. AI로 이 루프의 속도와 밀도가 폭발적으로 커졌다.

내 경우, 매 작업이 끝나면 4개 에이전트가 병렬로 돈다. 하나는 반복 작업을 찾아 스킬로 만들 수 있는지 본다. 하나는 문서를 업데이트할지 결정한다. 하나는 다음 작업을 제안한다. 하나는 이번 세션에서 배운 점을 추출한다. 그 뒤에 중복 체크까지 거치면, 나는 실행할 항목을 고르기만 하면 된다.

한 바퀴 돌 때마다 다음 일이 쉬워진다. 일의 맥락이 전부 쌓이니까.

이 3가지가 만나면 복리가 된다

암묵지 명시화 → 모르는 것 발견 → 피드백 루프 → 더 깊은 명시화. 이 과정이 순환된다.

이는 곧 나의 성장 속도가 선형이 아니라 지수로, 복리로 늘어나게 된다. 이게 "AI를 잘 쓴다"의 정체라고 본다. 도구를 잘 다루는 게 아니라, 이 Flywheel을 돌릴 줄 아는 사람.

클로드 코드가 자동화를 도와준다며 돈 받고 강의 파는 사람들 사이에서, 진짜 바뀌는 건 멘탈모델이라는 걸 확인한 7일이었다.

만드는 비용이 0에 수렴하는 시대

앞으로 엄청난 속도로 성장할 거라고 확신한다.

이미 방향은 보인다. 만드는 데 드는 비용은 갈수록 0에 가까워진다. 코드든, 문서든, 워크플로우든. 리드 퀄리피케이션 시스템도, 리뷰 분석 리드 마그넷도, 운영 비용이 0에 수렴한다

그러면 남는 건 하나다. 잘 파는 것. 무엇을 만들지 판단하고, 누구에게 어떻게 전달할지 설계하는 능력이다.

GTM이 점점 더 중요해진다.
만드는 건 AI가 해결하고 있다.
시장을 읽고 고객에게 닿는 건 결국 사람의 몫이다.