오랫동안 쌓아온 경험은 AI 시대에 낡은 자산이 될까요? 아니면 과거에는 닿을 수 없었던 영역으로 우리를 데려가는 새로운 출발점이 될까요?

Research Frame

Research Question

AI는 경험의 가치를 떨어뜨릴까요?

생성형 AI가 지식에 접근하는 비용을 낮추고, 과거에는 전문가에게만 가능했던 여러 작업을 일반 사용자에게 열어주기 시작했습니다. 그렇다면 오랫동안 축적한 인간의 경험은 앞으로 덜 중요해지는 걸까요?

이번 연구의 결론은 단순한 “그렇다/아니다”가 아닙니다. AI는 정형화되고 설명 가능한 경험의 일부를 빠르게 보편화할 수 있습니다. 동시에 이미 축적된 경험을 새로운 영역에 연결하고 더 많은 가설을 시험하게 함으로써 그 경험의 활용 범위를 넓힐 수도 있습니다.

Core Finding

AI 시대의 핵심 변화는 경험의 소멸이 아니라, 경험의 “활용 가능 범위”가 다시 정의되는 데 있습니다.

핵심 순환

경험 → AI로 확장 → 실험 → 인간의 판단·검증 → 새로운 경험

AI의 역할은 이 순환에서 인간의 경험을 삭제하는 것이 아니라, 연결과 실험의 비용을 낮추는 것입니다. 그러나 결과를 실제 맥락에서 판단하고 검증하는 책임은 여전히 인간에게 남습니다.

PART 1. 지식이 싸지면 경험도 싸지는가?

AI가 등장하기 전에는 “무엇을 알고 있는가” 자체가 경쟁력이었습니다. 특정 도구를 다루는 법, 분석법, 코딩, 문서 작성법, 전문 용어처럼 배우는 데 시간과 비용이 드는 지식은 자연스럽게 진입장벽을 만들었습니다.

생성형 AI는 이 장벽을 빠르게 낮추고 있습니다. 모르는 코드를 설명받고, SQL을 만들고, 통계 분석의 절차를 설계하고, 익숙하지 않은 분야의 개념을 대화형으로 학습할 수 있습니다. 이것은 지식이 필요 없어졌다는 뜻이 아니라, 지식에 “접근하는 비용”이 낮아졌다는 뜻에 가깝습니다.

지식 접근 비용이 낮아졌다고 해서 경험의 가치가 자동으로 낮아지는 것은 아닙니다.

경험에는 문서로 옮기기 쉬운 지식뿐 아니라, 무엇을 먼저 의심해야 하는지, 예외가 언제 중요한지, 어떤 숫자가 현실과 맞지 않는지, 실패했을 때 무엇을 바꿔야 하는지 같은 맥락적 판단이 포함됩니다. AI가 지식을 빠르게 제공할수록 오히려 “그 답이 맞는지 판단할 수 있는가”가 더 중요한 문제가 됩니다.

PART 2. 경험은 지식보다 더 복잡한 자산이다

경력 연수와 경험의 가치는 같은 것이 아닙니다. 20년을 일했다고 해서 자동으로 20년치의 경쟁력이 남는 것도 아니고, 반복된 절차를 오래 수행했다고 해서 그 경험이 언제나 희소한 것도 아닙니다.

AI 시대에 더 중요한 것은 경험의 내용입니다. 특히 예외를 판단한 경험, 불확실한 상황에서 결정한 경험, 실패하고 수정한 경험, 다른 지식과 연결해본 경험은 단순한 절차 지식과 다릅니다.

중요한 것은 경험의 양만이 아니라, 그 경험을 연결하고 질문하고 검증하고 새로운 문제에 다시 사용할 수 있는가입니다.

PART 3. AI는 경험 격차를 실제로 줄이고 있다

여기서 흥미로운 연구 결과가 나옵니다. Brynjolfsson, Li, Raymond의 고객지원 현장 연구는 Fortune 500 소프트웨어 기업의 상담원 5,172명을 분석했습니다. 생성형 AI 기반 상담 도우미 도입 후, 시간당 해결 건수로 측정한 생산성은 평균 15% 증가했습니다.[1]

더 중요한 것은 향상의 분포였습니다. 효과는 경력이 적고 성과가 낮은 상담원에게 더 크게 나타났고, 연구진은 AI가 고성과 상담원의 업무 방식을 다른 직원에게 확산시키는 통로가 될 가능성을 제시했습니다.[1]

AI는 일부 업무에서 전문가의 노하우를 더 넓게 퍼뜨려 “경험 격차”를 줄일 수 있습니다.

이 결과만 보면 “그렇다면 앞으로 경험이 필요 없어지는 것 아닌가?”라는 질문이 생깁니다. 하지만 이 연구가 보여주는 것은 특정 업무에서 AI가 숙련의 일부를 전달할 수 있다는 것입니다. 인간 경험 전체가 불필요해졌다는 증거는 아닙니다.

오히려 다른 연구에서는 AI의 효과가 사람이 과제에 얼마나 가까운 지식을 이미 가지고 있는지에 따라 달라질 수 있음을 보여줍니다. HBS의 GenAI Wall Effect 연구에서는 인접한 전문성을 가진 사람이 AI를 통해 낯선 업무에 훨씬 잘 접근했지만, 지식 거리가 먼 집단은 실행 품질에서 전문가 수준에 도달하지 못했습니다.[2]

여기서 생기는 첫 번째 결론

AI는 경험을 없애는 도구라기보다, 경험과 지식 사이의 연결 비용을 낮추는 도구일 수 있습니다.

PART 4. Experience Amplification — 경험은 어디까지 확장될 수 있는가?

경험이 많은 사람에게 AI의 가장 흥미로운 의미는 단순한 자동화가 아닙니다. “내가 이미 알고 있는 것”을 과거에는 지식 장벽 때문에 할 수 없었던 영역까지 가져가 볼 수 있다는 점입니다.

Experience Amplification = 같은 경험으로 할 수 있는 일의 범위가 넓어지는 것

사례 1 — 품질 전문가

한 품질 전문가가 20년 동안 현장에서 문제를 분석하고, FMEA를 검토하고, 공정 위험을 판단해왔다고 가정해보겠습니다. 과거에는 이 경험을 교육이나 컨설팅에 활용할 수 있어도, 직접 소프트웨어나 진단 시스템으로 만드는 일은 별개의 개발 역량을 요구했습니다.

AI가 코드 작성, 데이터 구조 설계, 화면 구성, 프로토타입 제작의 진입장벽을 낮추면 상황이 달라집니다. 이 사람이 갑자기 소프트웨어 엔지니어가 되는 것은 아닙니다. 그러나 자신의 품질 경험을 시스템의 규칙·질문·판단 구조로 바꾸어 작은 제품을 시험해볼 수 있는 범위는 넓어집니다.

품질 경험이 “업무 수행 능력”에서 “시스템과 제품을 설계할 수 있는 자산”으로 확장될 수 있습니다.

사례 2 — 마케팅 전문가

마케터도 비슷합니다. 고객을 오래 관찰해온 사람에게는 “이 고객군은 이런 메시지에 반응할 것 같다”는 가설이 있습니다. 과거에는 데이터가 있어도 SQL, 데이터 처리, 분석 역량의 장벽 때문에 모든 가설을 직접 시험하기 어려웠습니다.

이제는 데이터 구조를 설명하고 필요한 고객을 추출하는 SQL을 만들게 할 수 있습니다. 결과를 받아 고객군별 전환율을 비교하고, 예상과 다른 결과가 나오면 새로운 가설을 세워 다시 분석해볼 수도 있습니다. 물론 잘못된 분석인지 검증할 능력은 여전히 필요합니다.

마케터가 원래 가지고 있던 고객에 대한 경험을 데이터라는 영역까지 직접 확장해볼 수 있게 된 것입니다.

그리고 여기서 이번 연구의 중요한 추가 발견이 나옵니다.

경험 증폭은 “할 수 있는 일의 범위”뿐 아니라 “시험해볼 수 있는 가설의 수”까지 늘립니다.

예전에는 아이디어가 10개 있어도 실행 비용 때문에 하나만 시험했다면, AI는 일부 실험 비용을 낮춰 여러 가능성을 더 빠르게 확인하게 해줍니다. 경험은 단지 과거의 축적이 아니라 새로운 실험을 설계하는 출발점이 됩니다.

PART 5. 경험이 없는 사람에게 AI는 무엇을 증폭시키는가?

지금까지는 경험이 많은 사람의 이야기였습니다. 그렇다면 아직 경험이 충분하지 않은 사람에게 AI는 어떤 의미일까요?

고객지원 연구에서 AI의 도움을 받았을 때 생산성 향상이 가장 컸던 사람들은 오히려 경험이 적고 숙련도가 낮은 직원들이었습니다.[1] 이것은 AI가 초보자의 성과를 빠르게 끌어올릴 수 있다는 강한 가능성을 보여줍니다.

하지만 “성과가 빨리 좋아진다”와 “전문가가 된다”는 같은 말이 아닙니다. HBS가 소개한 GenAI Wall Effect 연구에서 AI는 아이디어를 구조화하고 문제를 프레이밍하는 개념화 단계에서는 비전문가에게도 큰 도움을 줬지만, 구체적 실행과 맥락적 판단에서는 과제와 지식 거리가 먼 집단이 전문가 수준에 미치지 못했습니다.[2]

AI는 경험이 없어도 더 빨리 시작하게 해줄 수 있습니다. 하지만 경험 없이도 전문가가 되게 해주는 것은 아닙니다.

Learning Acceleration

그래서 경험이 적은 사람에게 AI가 주는 가장 큰 기회를 “경험 증폭”과 동일하게 부르기보다, 경험에 도달하기까지의 학습과 시도의 장벽을 낮추는 현상으로 구분할 필요가 있습니다.

Microsoft Research의 2025년 지식노동자 319명 조사에서도 AI에 대한 신뢰가 높을수록 비판적 사고를 덜 보고하는 연관성이 나타났습니다. 이 연구는 자기보고식 조사이므로 장기적인 숙련 저하의 인과관계를 증명하는 것은 아니지만, AI 의존과 비판적 검토의 관계를 주의해서 볼 근거는 제공합니다.[3]

AI 시대에는 “할 수 있는 것”과 “이해하고 있는 것”의 거리가 벌어질 수 있습니다.

따라서 초보자의 전략은 AI를 덜 쓰는 것이 아닙니다. AI와 더 많이 시도하고, 결과를 확인하고, 왜 그런지 판단하고, 실패와 수정을 통해 실제 경험으로 바꾸는 것입니다.

PART 6. 그렇다면 우리는 무엇을 해야 하는가?

많은 사람은 AI 시대를 준비하려면 AI나 코딩부터 새로 배워야 한다고 생각합니다. 물론 필요할 수 있습니다. 그러나 이번 연구가 제안하는 출발점은 조금 다릅니다.

첫 번째 질문은 “나는 무엇을 새로 배워야 하는가?”가 아니라 “나는 이미 무엇을 가지고 있는가?”입니다.

1 — 나의 경험 자산을 발견한다

수없이 실패하면서 알게 된 것, 현장에서는 반드시 확인해야 하는 것, 숫자로 설명하기 어렵지만 문제가 생기기 전에 이상하다고 느끼는 것, 고객이 말하지 않아도 구매를 망설이는 이유를 알아채는 것. 이런 것들이 경험 자산입니다.

2 — 지식의 장벽을 찾는다

“이 경험을 더 크게 활용하지 못하게 막고 있는 것은 무엇인가?”를 묻습니다. 품질 전문가는 소프트웨어 개발, 마케터는 데이터 분석, 교육 전문가는 콘텐츠 제작이나 플랫폼 구축이 장벽일 수 있습니다.

3 — AI로 장벽을 낮추고 작은 실험을 한다

모든 것을 배운 다음 시작하는 대신, 내가 원하는 것을 AI에게 설명하고 모르는 것을 그때그때 배우며 작은 결과물을 만들어봅니다. 고객 데이터 100건 분석, 20년간의 판단 기준을 진단표로 변환, 교육 경험을 작은 AI 학습 도구로 구현하는 식입니다.

AI 시대의 이점 중 하나는 생각의 비용뿐 아니라 실험의 비용까지 낮아지고 있다는 것입니다.

4 — AI의 결과를 내 경험으로 검증한다

“현장에서도 정말 그런가?”, “중요한 조건이 빠진 것은 없는가?”, “이 숫자를 그렇게 해석해도 되는가?”, “고객은 정말 이렇게 행동할까?”라고 다시 묻습니다. 여기서 인간의 경험이 다시 들어옵니다.

5 — 결과를 새로운 경험으로 축적한다

Experience → Connect → Experiment → Validate → New Experience

AI는 경험을 대신하는 것이 아니라, 경험이 새로운 경험을 만들어내는 속도를 높일 수 있습니다. 경력자는 축적된 경험에서 출발하고, 초보자는 AI를 이용한 빠른 실험에서 출발하지만, 둘 다 결국 직접 시도하고 판단하고 검증하면서 자기 경험으로 만들어야 합니다.

개인을 위한 다섯 질문

1. 내가 남들보다 잘 알고 있는 것은 무엇인가?

2. 그것을 어디까지 활용하고 있는가?

3. 무엇을 몰라서 더 이상 못 가고 있는가?

4. 그 장벽을 AI와 함께 넘는다면 무엇을 시도할 수 있는가?

5. 이번 주에 해볼 수 있는 가장 작은 실험은 무엇인가?

PART 7. 5년 뒤, 회사는 누구를 원하게 될까?

20년 경력의 전문가일까요? 아니면 AI를 자유자재로 사용하는 신입일까요? 이 질문 자체가 잘못됐을 가능성이 있습니다. 앞으로의 경쟁은 “경험 vs AI”가 아닐 수 있기 때문입니다.

경험 × AI × 판단

20년의 경험이 있어도 과거 방식만 반복한다면 그 경험의 일부는 빠르게 가치가 떨어질 수 있습니다. 반대로 AI를 능숙하게 사용해도 무엇이 맞는지 판단하지 못한다면 AI가 만든 결과의 품질을 책임지기 어렵습니다.

그래서 가장 강한 사람은 자신의 경험을 가지고 있고, AI를 이용해 그 경험의 경계를 넓히며, 결과를 스스로 판단하고 검증할 수 있는 사람일 가능성이 큽니다.

Counterargument — AI가 더 똑똑해지면 경험도 필요 없어지는가?

정형화된 경험의 일부는 실제로 가치가 떨어질 수 있습니다. 매뉴얼에 적을 수 있고 반복 가능하며 정답이 비교적 명확한 지식이라면 AI가 빠르게 제공할 수 있기 때문입니다. 따라서 “경험이 많으면 안전하다”는 결론 역시 옳지 않습니다.

이번 연구가 제안하는 더 정확한 구분은 경험의 길이가 아니라 전이 가능성과 판단 가능성입니다. 자신의 경험을 다른 문제에 연결하고, AI가 낸 답을 검증하며, 다시 실험으로 돌릴 수 있는 경험은 더 큰 레버리지를 얻을 수 있습니다.

AI는 지식과 경험의 가치를 일괄적으로 낮추거나 높이는 것이 아닙니다. 무엇을 알고 경험했느냐보다 그것을 어떻게 연결하고 판단하느냐의 차이를 더 크게 만들 수 있습니다.

같은 AI를 쓰는 두 사람이 있습니다. 한 사람은 답을 얻는 데 사용합니다. 다른 사람은 자신의 경험을 확장하고, 새로운 가설을 만들고, 실험하고, AI의 답까지 의심하는 데 사용합니다. 둘 다 AI를 쓰지만 몇 년 뒤 한 사람에게는 AI 사용 기록이, 다른 사람에게는 새로운 경험이 남을 수 있습니다.

Closing Question

당신은 AI에게 무엇을 맡기고 있습니까?
아니면 AI를 이용해 지금까지 할 수 없었던 어떤 경험을 새롭게 만들고 있습니까?

Today’s Insight

이미 가지고 있는 당신의 경험을 다시 보십시오.
AI는 지식의 장벽에 막혀 있던 당신의 경험을 새로운 가능성으로 바꿉니다.

이번 연구에서 함께 기억할 핵심 통찰

• Experience Amplification: 같은 경험으로 할 수 있는 일의 범위가 넓어진다.

• 경험 증폭은 할 수 있는 일의 범위뿐 아니라 시험해볼 수 있는 가설의 수까지 늘린다.

• Learning Acceleration: 초보자에게 AI는 경험에 도달하기까지의 학습과 시도의 장벽을 낮춘다.

• AI 시대에는 “할 수 있는 것”과 “이해하고 있는 것”의 거리가 벌어질 수 있다.

• AI는 경험을 대신하는 것이 아니라, 경험이 새로운 경험을 만들어내는 속도를 높일 수 있다.

• 최종 경쟁 구도는 Experience vs AI가 아니라 Experience × AI × Judgment에 가깝다.

Sources

[1] Brynjolfsson, E., Li, D., & Raymond, L. R. — Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. 5,172명의 고객지원 상담원 현장자료. AI 도입 후 평균 생산성 15% 증가, 저숙련·저경력 집단에서 더 큰 개선. https://academic.oup.com/qje/article/140/2/889/7990658

[2] Vendraminelli et al. — The GenAI Wall Effect. Harvard Business School Working Paper No. 26-011 (2025); HBS Working Knowledge summary (2026). 인접 전문성은 AI와 함께 낯선 과제에 더 잘 전이되지만, 지식 거리가 큰 집단은 실행 단계에서 전문가 수준에 미치지 못할 수 있음을 제시. https://www.library.hbs.edu/working-knowledge/gen-ai-boosts-productivity-but-cant-turn-novices-into-experts

[3] Lee, H.-P. H. et al. — The Impact of Generative AI on Critical Thinking. Proceedings of CHI 2025. 지식노동자 319명, 936개 실제 AI 사용 사례에 대한 자기보고 조사. AI 신뢰가 높을수록 비판적 사고 보고가 적은 연관성 및 실행에서 검증·통합·감독으로의 사고 이동을 보고. https://www.microsoft.com/en-us/research/publication/the-impact-of-generative-ai-on-critical-thinking-self-reported-reductions-in-cognitive-effort-and-confidence-effects-from-a-survey-of-knowledge-workers/

Source interpretation note: 위 연구들은 서로 다른 직무·과제·연구설계를 다룹니다. 본 문서의 Experience Amplification 및 Learning Acceleration은 SUCCESS LAB이 이 근거들과 사례를 종합해 제안하는 해석 프레임이며, 개별 논문이 이 용어를 직접 사용하거나 장기적 인과를 입증했다는 뜻은 아닙니다.

SUCCESS LAB Question

지금 당신이 가진 경험 가운데, 지식의 장벽 때문에 아직 시도하지 못한 일은 무엇입니까?

오늘의 답이 미래에도 같을 필요는 없습니다. 중요한 것은 AI가 내놓은 답을 얻는 데서 멈추지 않고, 직접 시도하고 판단하고 검증하며 자신의 새로운 경험으로 바꾸는 것입니다.