AI를 쓰면 내 직무 밖의 일도 손에 잡히기 시작합니다. 기획자가 간단한 데이터 분석을 하고, 강사가 홍보 문구를 다듬고, 실무자가 작은 자동화 도구를 만드는 식이지요. 그런데 낯선 일을 맡을수록 AI에게 더 자세히 물을 것 같지만, 최근 연구는 오히려 반대의 모습을 보여줍니다.

OpenAI는 2026년 4월부터 7월까지 150만 건이 넘는 업무 관련 ChatGPT 메시지를 분석했습니다. 이용자들은 기존 직무 밖의 과업을 요청할 때 평균적으로 프롬프트를 더 짧게 쓰고, 설명이나 방법 안내, 원하는 결과 형식, 조언을 요구하는 비율도 낮았습니다. 무엇을 모르는지조차 알기 어려운 ‘초보자의 빈칸’이 질문에 그대로 나타난 셈입니다.

낯선 업무에는 프롬프트보다 발판이 필요합니다

좋은 AX 교육은 멋진 프롬프트 문장을 외우게 하는 데서 끝나면 안 됩니다. 먼저 과업의 목적, 대상, 제약 조건, 좋은 결과의 기준을 적게 하고, AI에게 작업 순서와 빠진 정보를 되묻게 해야 합니다. 결과를 받은 뒤에는 근거·예외·검토자를 확인하는 체크리스트를 붙여 주세요. 낯선 분야일수록 ‘정답 생성’보다 ‘문제 구조 파악’이 첫 단계입니다.

이번 연구에서 더 흥미로운 점은 직무 밖의 과업 일부가 일회성 체험에 머물지 않고 반복 업무로 자리 잡았다는 사실입니다. AI 도입은 단순한 시간 절약을 넘어 직무의 범위를 넓힐 수 있습니다. 따라서 교육 성과도 도구 사용 횟수만 볼 것이 아니라, 새 과업을 혼자 정의하고 검증하며 다시 수행할 수 있게 되었는지 살펴야 합니다.

국내에 소개된 새 제미나이 노트북 기능도 좋은 수업 힌트를 줍니다. 사용자가 넣은 출처를 바탕으로 대화하고, 퀴즈·플래시카드·학습 개요를 만들며 부족한 영역을 다시 질문하게 합니다. 수업 자료를 신뢰 가능한 출처 묶음으로 제공한 뒤, 학습자가 설명 듣기→질문하기→연습하기→검토하기를 반복하게 하면 낯선 업무의 진입 장벽을 낮출 수 있습니다.

AX 강사의 시선

저라면 실습을 ‘AI로 결과물 만들기’와 ‘결과물의 품질 기준 만들기’ 두 과제로 나누겠습니다. 첫 과제에서는 속도를 경험하고, 두 번째 과제에서는 동료와 평가 기준을 합의하게 하는 방식입니다. 강사의 역할도 답을 알려주는 사람에서, 학습자가 빠뜨린 맥락과 검증 질문을 발견하도록 돕는 코치로 넓어져야 합니다.

AI가 직무의 벽을 낮춰 주는 만큼, 질문의 빈칸을 채우는 교육은 더 중요해집니다. 여러분의 다음 실습에는 ‘무엇을 만들까요?’뿐 아니라 ‘좋은 결과인지 어떻게 알까요?’라는 질문이 들어가 있나요?

출처