AI 시대를 살아가는 20대에게 — 1시간으로 끝내는 AI 입문

AI 필수 용어부터 일자리의 미래까지, 전문가가 직접 풀어 설명합니다.

들어가며 — 왜 지금 AI를 알아야 할까

안녕하세요. 오늘 1시간 동안 여러분과 AI에 대한 이야기를 나누려고 합니다.

먼저 손 한번 들어볼까요? 일주일에 ChatGPT나 다른 AI를 3번 이상 써보신 분? 네, 생각보다 많네요. 그럼 반대로 여쭤보겠습니다. AI라는 단어를 들으면 솔직히 머리가 아픈 분? 그분들도 꽤 계시죠.

오늘 강의의 약속은 이겁니다. 강의가 끝날 때쯤이면, 여러분이 뉴스에서 "LLM", "할루시네이션", "RAG" 같은 단어가 나와도 막막한 사람이 아니라, 그게 뭔지 친구에게 설명할 수 있는 사람이 되어 있을 겁니다. 그리고 더 중요한 건, AI가 내 직업과 인생에 어떤 영향을 줄지 스스로 판단할 수 있는 사람이 된다는 거예요.

오늘 우리가 다룰 내용은 크게 4가지입니다.

1. AI 필수 용어 12가지 — 이것만 알면 AI 대화에서 안 꿀립니다

2. 생성형 AI는 어떻게 작동하는가 — 원리를 알면 AI를 똑똑하게 쓸 수 있습니다

3. GPT, 클로드, 제미나이, 퍼플렉시티, Grok 비교 — 내 상황에 맞는 AI 고르는 법

4. AI가 사람의 일자리를 어떻게 바꾸는가 — 가장 중요한 질문에 대한 답

자, 시작하겠습니다.

1부. AI 필수 용어 12가지 (15분)

AI 공부할 때 가장 처음 부딪히는 벽이 용어입니다. 머신러닝, 딥러닝, LLM, 프롬프트, 토큰, 파인튜닝… 다 처음 들으면 외계어 같죠. 그런데 사실 이 용어들은 하나의 큰 그림으로 연결되어 있습니다. 오늘은 그 큰 그림을 먼저 보여드리고, 그 안에 용어들을 차곡차곡 채워 넣겠습니다.

① AI의 큰 그림 — 다섯 동심원

AI라는 단어는 사실 굉장히 넓은 개념입니다. 그 안에 더 작은 영역들이 동심원처럼 들어 있어요. 큰 원부터 차례로 가보겠습니다.

가장 바깥 원은 AI(인공지능)입니다. "사람처럼 생각하고 판단하는 기계를 만들자"는 큰 목표예요. 1950년대부터 있던 개념입니다.

그 안에 머신러닝(Machine Learning)이 있습니다. 한국말로 "기계학습"이에요. 사람이 일일이 규칙을 알려주지 않아도, 기계가 데이터를 보면서 스스로 패턴을 찾아내는 방법입니다. 예를 들어 스팸 메일 필터가 그래요. 어떤 메일이 스팸이고 어떤 게 정상인지 수만 통 보여주면, 기계가 스스로 "이런 단어가 들어 있으면 스팸이구나"를 학습합니다.

그 안에 딥러닝(Deep Learning)이 있습니다. 머신러닝의 한 종류인데, 사람의 뇌 신경망을 흉내 낸 방식이에요. 신경망을 여러 층(layer)으로 깊게(deep) 쌓아서 만들었다고 해서 딥러닝입니다. 2010년대 초반부터 폭발적으로 발전했어요. 알파고도 딥러닝입니다.

그 안에 생성형 AI(Generative AI)가 있습니다. 딥러닝 중에서도 새로운 것을 만들어내는 AI예요. 기존 AI는 주로 "분류"나 "예측"을 했어요. 이 사진이 고양이인지 강아지인지 분류한다든가, 내일 주가를 예측한다든가. 그런데 생성형 AI는 글을 쓰고, 그림을 그리고, 노래를 만듭니다. 우리가 요즘 자주 듣는 ChatGPT, 미드저니, Sora 같은 게 다 생성형 AI예요.

가장 안쪽 원은 LLM(Large Language Model)입니다. 한국말로 "대규모 언어 모델". 생성형 AI 중에서도 글(언어)을 만드는 데 특화된 모델이에요. ChatGPT의 'GPT'가 바로 LLM의 한 종류고, Claude, Gemini도 다 LLM입니다.

자, 정리할게요.

AI ⊃ 머신러닝 ⊃ 딥러닝 ⊃ 생성형 AI ⊃ LLM

"여러분이 매일 쓰는 ChatGPT는, 이 다섯 동심원의 가장 안쪽에 있는 존재입니다."

여기까지 5개 용어를 동시에 정리했습니다. AI, 머신러닝, 딥러닝, 생성형 AI, LLM. 이 다섯 개의 관계만 머릿속에 그려지면, 앞으로 어떤 AI 뉴스를 봐도 위치를 잡을 수 있습니다.

참고로, 옛날 딥러닝에는 CNN과 RNN이라는 유명한 구조가 있었어요. CNN은 주로 이미지 인식에 썼고, RNN은 순서가 있는 데이터(예: 문장, 음성)에 썼습니다. 그런데 2017년에 트랜스포머(Transformer) 라는 새로운 구조가 나오면서, 지금 우리가 쓰는 ChatGPT 같은 LLM은 거의 다 트랜스포머 기반이에요. CNN/RNN은 AI의 옛날 기술 정도로만 기억하셔도 충분합니다.

② AI와 대화하는 법 — 프롬프트와 토큰

이제 우리가 AI를 직접 사용할 때 쓰는 용어로 넘어가겠습니다.

프롬프트(Prompt). 한국말로 "지시문" 또는 "명령어"예요. AI에게 무엇을 시킬지 적어주는 글입니다. 우리가 ChatGPT 창에 입력하는 모든 글이 다 프롬프트예요.

여기서 중요한 게 하나 있습니다. 같은 AI라도 프롬프트를 어떻게 쓰느냐에 따라 결과가 천차만별이에요. 예를 들어볼게요.

나쁜 프롬프트:

"세무사 시험 알려줘"

이러면 AI가 "어떤 걸 알려달라는 거지?" 하고 막연한 답을 줍니다.

좋은 프롬프트:

"나는 20대 대학생이고, 2026년 세무사 1차 시험을 처음 준비하려고 해. 시험 일정, 과목, 합격률, 추천 공부 순서를 표로 정리해서 알려줘. 마지막에 초보가 가장 많이 하는 실수 3가지도 덧붙여줘."

이러면 AI가 훨씬 구체적이고 쓸 만한 답을 줍니다. 프롬프트는 AI를 부려먹는 기술이에요. 이 기술을 잘 갈고닦은 사람을 "프롬프트 엔지니어"라고 부릅니다.

다음, 토큰(Token). AI는 우리가 글을 쓰면 그걸 토큰이라는 단위로 잘라서 처리합니다. 영어는 보통 단어 하나가 1 토큰이고, 한글은 글자 하나가 1~2 토큰이에요. 예를 들어 "안녕하세요"는 약 4~5 토큰입니다.

이게 왜 중요하냐면, AI 서비스 요금이 토큰 단위로 매겨지기 때문이에요. 길게 질문하면 토큰을 많이 쓰고, 길게 답변받으면 또 토큰을 많이 씁니다. 무료로 쓰는 ChatGPT에도 하루 사용량 제한이 있는데, 그게 다 토큰 단위로 계산됩니다.

쉽게 기억하세요. 토큰은 AI의 화폐입니다.

③ AI가 만들어지는 과정 — 학습과 추론

AI가 처음에 어떻게 만들어지고, 우리가 어떻게 그걸 쓰는지 그 과정을 알아보겠습니다. 크게 두 단계예요.

첫째, 학습(Training). AI를 만드는 단계입니다. 수억 권 분량의 책, 논문, 웹사이트, 코드를 AI에게 보여주고 패턴을 익히게 해요. 이 단계는 시간과 비용이 어마어마하게 들어갑니다. ChatGPT의 GPT-4를 학습시키는 데 약 1억 달러, 우리 돈으로 1,300억 원이 들었다고 알려져 있어요. 학습은 보통 몇 달이 걸립니다.

둘째, 추론(Inference). 학습이 끝난 AI에게 우리가 질문하고 답을 받는 단계입니다. 우리가 매일 ChatGPT를 쓰는 게 바로 이 추론 단계예요. 추론은 보통 몇 초 안에 끝나고, 비용도 학습에 비하면 거의 무료에 가깝습니다.

비유하자면 이래요. 학습은 학생이 12년간 학교를 다니며 공부하는 과정이고, 추론은 졸업한 그 사람이 회사에서 일하는 과정입니다. 학교 다니는 데 시간과 돈이 많이 들지만, 졸업하고 나면 빠르게 일할 수 있죠.

그리고 한 가지 더, 파인튜닝(Fine-tuning). 이미 학습이 끝난 AI를 내 분야에 맞게 추가로 훈련시키는 거예요. 예를 들어 법률 회사가 GPT-4에다가 자기들 판례 데이터를 추가로 학습시키면, 법률 특화 GPT가 됩니다. 학교 다 졸업한 사람한테 회사 신입 연수를 시키는 셈이에요.

④ AI의 두 가지 치명적 약점 — 할루시네이션과 편향성

이제 AI를 쓸 때 꼭 알아야 할 두 가지 위험을 말씀드리겠습니다. 이걸 모르고 AI를 쓰면 큰 사고가 납니다.

첫 번째 약점, 할루시네이션(Hallucination). 한국말로 "환각"이에요. AI가 사실이 아닌 걸 사실처럼 그럴듯하게 만들어내는 현상입니다.

왜 이게 생기느냐? 잠시 후 2부에서 자세히 설명드리겠지만, 미리 한 줄로 말씀드리면 AI는 "진실"을 학습한 게 아니라 "그럴듯한 다음 단어"를 학습했기 때문이에요. 그래서 모르는 걸 물어보면, "모릅니다"라고 하는 대신 있을 법한 답을 지어냅니다.

실제 사례 하나 들려드릴게요. 2023년 미국에서 한 변호사가 ChatGPT가 만들어준 판례를 그대로 법원 서류에 인용했어요. 그런데 법원이 확인해봤더니, 그 판례들이 다 존재하지 않는 가짜였습니다. 변호사는 징계를 받았어요. 이게 할루시네이션의 무서움입니다.

여러분이 AI를 쓸 때 가장 명심해야 할 한 가지가 있다면 바로 이겁니다.

"AI의 답은 출발점이지 도착점이 아니다."

특히 법률, 의학, 세무, 회계처럼 사실 정확성이 중요한 분야에서는 AI 답을 반드시 원본 자료로 교차 검증하세요.

두 번째 약점, 편향성(Bias). AI는 학습 데이터에 담긴 편견을 그대로 답습합니다.

대표적인 사례. 아마존이 2014년에 채용 AI를 개발했는데, 이 AI가 여성 지원자를 일관되게 낮게 평가했어요. 왜냐? 학습 데이터로 쓴 지난 10년간 아마존 합격자 이력서가 대부분 남성이었거든요. AI는 그 데이터에서 "남성=좋은 지원자"라는 패턴을 학습한 거예요. 아마존은 결국 이 AI를 폐기했습니다.

또 다른 예. 미국 일부 법원에서 사용한 재범 예측 AI가 흑인 피고인의 재범률을 과도하게 높게 예측해서 논란이 됐어요. 역시 학습 데이터에 인종 편견이 들어 있었던 거죠.

AI는 거울 같은 존재입니다. 우리가 보여준 세상을 그대로 비춥니다. 그 세상에 편견이 있으면 AI도 편견을 갖습니다. 그래서 AI를 쓸 때 항상 "이 답에 편견은 없을까?" 한 번 의심해보는 습관이 필요해요.

⑤ AI의 확장 기술 — RAG와 에이전트

마지막으로, 요즘 AI 업계에서 가장 뜨거운 두 가지 용어를 짚고 가겠습니다.

RAG (Retrieval-Augmented Generation). 한국말로 풀면 "검색 증강 생성"인데, 어렵게 들리시죠. 쉽게 말하면 이거예요. AI에게 내 자료를 미리 보여주고 그걸 참고해서 답하라고 시키는 기술입니다.

왜 이게 필요할까요? 일반 ChatGPT는 2024년 어디까지의 데이터로 학습이 끝나 있어요. 그래서 최신 정보는 모릅니다. 또 우리 회사 내부 자료, 내 개인 노트도 모르죠. 그런데 RAG를 쓰면, AI가 답하기 전에 먼저 내가 준 자료를 검색하고, 그 내용을 바탕으로 답을 만듭니다.

실례를 들어볼게요. 한 로펌이 자기들의 수만 건 판례 자료를 RAG로 연결한 AI를 만들면, 변호사가 "최근 상속세 관련 대법원 판례 알려줘"라고 물었을 때, AI가 그 로펌의 실제 판례 데이터베이스를 검색해서 정확한 출처와 함께 답합니다. 할루시네이션이 크게 줄어들어요.

RAG의 변형으로 TAG(표 데이터 활용)나 CAG(자주 묻는 답을 캐시로 저장)도 있는데, 이건 RAG의 사촌들 정도로 기억하시면 됩니다. RAG 하나만 잘 알아도 충분해요.

에이전트(Agent). 스스로 일을 처리하는 AI입니다.

지금까지 우리가 쓰던 AI는 "질문하면 답하는" 정도였어요. 그런데 에이전트는 다릅니다. "이번 주말에 부산 여행 계획 짜줘"라고 하면, 알아서 KTX 시간을 검색하고, 호텔 가격을 비교하고, 맛집 후기를 모아서, 일정표까지 만들어줍니다. 심지어 예약 버튼까지 누를 수 있어요.

2025년이 "AI 에이전트의 해"라고 불릴 만큼 이 분야가 폭발적으로 성장하고 있습니다. OpenAI의 Operator, Anthropic의 Claude Computer Use, Google의 Project Astra 같은 게 다 에이전트 시도예요. 앞으로 5년간 가장 큰 변화가 일어날 영역이라고 보시면 됩니다.

1부 정리

오늘 1부에서 다룬 12개 용어를 한 번에 정리해드릴게요.

분류 용어 한 줄 정리 AI 큰 그림 AI / 머신러닝 / 딥러닝 / 생성형 AI / LLM 동심원 구조, ChatGPT는 가장 안쪽 AI 사용 프롬프트 / 토큰 AI에게 주는 명령 / AI의 화폐 AI 제작 학습 / 추론 / 파인튜닝 만드는 과정 / 쓰는 과정 / 내 분야 맞춤 AI 약점 할루시네이션 / 편향성 그럴듯한 거짓말 / 데이터의 편견 AI 확장 RAG / 에이전트 내 자료 활용 / 스스로 일하는 AI

이 12개만 머릿속에 있어도, 여러분은 AI 대화에서 더 이상 외부인이 아닙니다.

2부. 생성형 AI는 어떻게 작동하는가? (10분)

용어를 알았으니, 이제 원리로 들어가봅시다. ChatGPT가 어떻게 사람처럼 글을 쓰는지, 그 안에서 무슨 일이 일어나는지 알아보겠습니다.

① 본질, 한 줄로

복잡한 수학 다 빼고, 생성형 AI의 본질은 딱 한 문장으로 표현됩니다.

"다음에 올 단어를 확률로 맞추는 기계"

이게 다예요. 정말이에요. ChatGPT가 셰익스피어 같은 시를 쓰고, 박사 논문을 요약하고, Python 코드를 짜는 것도 다 "다음에 올 가장 적절한 단어"를 계속 맞춰가는 과정입니다.

② 비유 3단 계단

이걸 좀 더 직관적으로 이해하기 위해 비유를 3단계로 들어보겠습니다.

1단계: 자동완성

여러분 스마트폰 키보드 쓰실 때 자동완성 떠오르죠? "안녕하"까지 치면 "세요"가 뜨고. 이게 가장 단순한 형태의 "다음 단어 예측"입니다. 그런데 스마트폰 자동완성은 똑똑하지 않아요. 바로 앞 한두 글자만 보고 추측하니까요.

2단계: 수억 권의 책을 읽은 자동완성

이번엔 상상해봅시다. 세상의 거의 모든 책, 논문, 위키피디아, 블로그를 다 읽은 천재 자동완성이 있다고요. 이 자동완성은 "한국의 수도는"이라고 치면 다음에 올 단어로 "서울"을 거의 100% 확률로 맞춥니다. 왜? 수없이 많은 문서에서 그 패턴을 봤으니까요.

3단계: 문맥을 이해하는 자동완성

여기서 결정적인 도약이 일어납니다. 2017년 구글 연구진이 트랜스포머(Transformer) 라는 새로운 구조를 발표했어요. 이 구조의 핵심은 "어텐션(Attention, 주목)" 입니다.

쉽게 설명할게요. 다음 문장을 보세요.

"나는 어제 친구를 만나서 밥을 먹었다. 그는 정말 좋은 사람이다."

여기서 두 번째 문장의 "그는"이 누구를 가리키죠? "친구" 입니다. 우리는 자연스럽게 알지만, 옛날 AI는 이걸 못 했어요. 그런데 트랜스포머는 문장 전체에서 어떤 단어가 어떤 단어와 관련 있는지 계산합니다. "그는"이라는 단어가 나왔을 때, 앞 문장의 "친구"에 주목(attention) 하는 거죠.

이게 게임체인저였습니다. 2017년 트랜스포머 논문 제목이 뭔지 아세요? "Attention Is All You Need" — "주목, 그게 전부다." 정말 맞는 말이었어요. 이 논문이 ChatGPT의 뿌리, 모든 현대 LLM의 시작입니다.

③ 그래서, ChatGPT의 머릿속에선 무슨 일이?

여러분이 ChatGPT에 "오늘 날씨가 정말"이라고 입력했다고 합시다. ChatGPT 안에서는 이런 일이 일어나요.

1. 입력 문장을 토큰으로 자릅니다: ["오늘", "날씨", "가", "정말"]

2. 트랜스포머가 이 토큰들의 관계를 분석합니다. "날씨"와 "정말"이 가장 관련 깊다는 걸 파악해요.

3. 다음에 올 단어들의 확률을 계산합니다.

   • "좋다" — 35%

   • "덥다" — 20%

   • "춥다" — 15%

   • "이상하다" — 10%

   • ... 그 외 수만 개 단어

4. 확률에 따라 하나를 뽑습니다. 보통 가장 확률 높은 걸 뽑지만, 약간의 무작위성을 섞어요. (그래서 같은 질문을 두 번 해도 답이 살짝 다릅니다.)

5. 뽑힌 단어를 붙이고, 그 다음 단어의 확률을 또 계산합니다.

6. 이걸 문장이 끝날 때까지 반복합니다.

놀랍죠? 이렇게 단순한 원리로 ChatGPT가 박사 논문도 쓰고 시도 짓는 거예요. 수억 권의 책에서 배운 패턴이 그만큼 풍부하기 때문입니다.

④ 그래서 왜 환각(할루시네이션)이 생기는가

자, 이제 1부에서 말씀드렸던 할루시네이션의 진짜 이유가 보이실 거예요.

ChatGPT는 "진실"을 검색하는 게 아닙니다. "그럴듯한 다음 단어"를 확률로 뽑는 거예요.

그래서 여러분이 "부가가치세법 제45조의 7에 대해 알려줘"라고 물으면, 그런 조문이 실제로 존재하는지 확인하지 않고, "이런 질문 다음에는 이런 식의 답이 나왔었지" 하는 패턴으로 그럴듯한 가짜 조문 설명을 만들어냅니다.

학습 데이터에 없는 정보일수록, 또는 굉장히 구체적인 질문일수록 환각이 잘 일어나요. 사람 이름, 조문 번호, 통계 수치, 책의 페이지 번호 같은 게 특히 위험합니다.

AI를 똑똑하게 쓰는 첫 번째 원칙: "사실 검증이 필요한 정보는 반드시 원본을 다시 확인한다."

이걸 명심하시면 AI는 여러분 인생의 가장 강력한 무기가 됩니다. 안 하시면 가장 위험한 함정이 되고요.

3부. GPT vs 클로드 vs 제미나이 vs 퍼플렉시티 vs Grok (15분)

이제 실용 파트로 넘어가봅시다. 시중에 AI 서비스가 너무 많죠? 도대체 뭘 써야 할까요? 5대 AI를 하나씩 살펴보고, 여러분 상황에 맞는 선택을 도와드리겠습니다.

① 5대 AI 한 줄 소개

AI 만든 회사 한 줄 정체성 ChatGPT OpenAI (미국) 가장 대중적, 만능형 Claude Anthropic (미국) 글쓰기·코딩 최강, 안전성 강조 Gemini Google (미국) 구글 서비스 연동, 멀티모달 강점 Perplexity Perplexity AI (미국) 출처 표시 검색 특화 Grok xAI (미국, 일론 머스크) X(트위터) 실시간 데이터, 검열 적음

하나씩 좀 더 자세히 보겠습니다.

ChatGPT. 2022년 11월 등장하면서 전 세계에 "생성형 AI"라는 단어를 알린 주인공입니다. 가장 사용자가 많고, 학습 자료도 가장 풍부해요. 코드 인터프리터, 이미지 생성(DALL-E), 음성 대화, 영상 분석 등 기능이 가장 다양합니다. 만능 도구라고 보시면 돼요.

Claude. 제가 지금 여러분에게 강의 자료를 만들어드리는 데 쓰는 도구가 바로 Claude입니다. OpenAI 출신 연구자들이 "더 안전하고 도움 되는 AI"를 만들겠다며 세운 회사 Anthropic의 작품이에요. 글쓰기, 코딩, 긴 문서 분석에서 강점이 뚜렷합니다. 특히 한국어 자연스러움이 GPT와 함께 최상위권이에요.

Gemini. 구글이 만든 AI입니다. 가장 큰 강점은 구글 생태계 통합이에요. Gmail, Google Docs, Google Drive, Calendar와 자연스럽게 연결됩니다. 또 텍스트뿐 아니라 이미지, 음성, 영상을 함께 처리하는 멀티모달에서 강점이 있어요.

Perplexity. 이건 좀 성격이 달라요. AI 챗봇이라기보다 AI 검색엔진에 가깝습니다. 질문하면 웹을 실시간으로 검색해서, 반드시 출처(소스)를 함께 보여줍니다. 그래서 자료 조사, 논문 검색, 사실 확인이 필요할 때 압도적으로 유용해요. 할루시네이션이 가장 적은 도구입니다.

Grok. 일론 머스크의 xAI가 만든 AI예요. X(트위터) 실시간 데이터에 직접 접근할 수 있다는 게 가장 큰 차별점입니다. 그래서 지금 이 순간의 트렌드, 실시간 뉴스, 여론을 파악할 때 강해요. 또 검열이 비교적 적어서, 다른 AI가 답을 거부하는 민감한 주제도 답하는 경우가 많습니다. (이건 장점이자 단점이에요.)

② 용도별 추천 — 이게 강의의 진짜 알맹이

5개 AI를 다 똑같이 비교하면 결론이 안 납니다. 상황별로 어떤 게 가장 좋은지 정리해드릴게요. 이걸 받아 적으시면 오늘 강의의 절반은 챙기시는 겁니다.

📝 글쓰기·문서 작업 → Claude 1순위

블로그 글, 보고서, 자기소개서, 이메일… 글 관련 작업은 Claude가 가장 자연스럽습니다. 한국어 톤이 어색하지 않고, 긴 글에서도 일관성을 잘 유지해요. 2순위는 ChatGPT입니다.

실례: 제가 5,000자짜리 칼럼을 쓸 때, Claude는 처음부터 끝까지 톤이 일관되고 문단 연결이 자연스러운데, GPT는 중간에 갑자기 불릿 포인트로 정리하려는 경향이 있더라고요. 글쓰기 결과물의 자연스러움은 Claude가 한 수 위입니다.

💻 코딩·바이브코딩 → Claude > ChatGPT

코드 짜는 일은 Claude가 업계 1위로 인정받고 있습니다. Cursor, Claude Code, Windsurf 같은 개발자용 AI 도구들이 다 Claude를 기본 엔진으로 씁니다.

실례: "주식 정보 사이트를 만들어줘"라고 똑같이 시켜보면, Claude는 한 번에 깔끔하게 작동하는 코드를 주는 반면, GPT는 작은 버그가 있는 경우가 더 잦아요. 비개발자가 바이브코딩(자연어로 프로그램 만들기) 을 할 때 Claude를 추천하는 이유입니다.

🔍 검색·자료 조사·팩트 체크 → Perplexity 1순위

"올해 한국 부동산 시장 동향이 어떻게 돼?", "최근 5년간 AI 분야 노벨상 수상자는?" 이런 사실 기반 질문은 무조건 Perplexity입니다.

실례: 같은 질문을 ChatGPT에 하면 그럴듯한 답을 주지만 출처가 없어요. Perplexity는 답변 옆에 1번, 2번, 3번 출처 링크를 같이 보여주기 때문에, 원문 확인까지 한 번에 됩니다. 논문 작성, 보고서 작성에 필수예요.

📊 데이터 분석·이미지 생성·복합 작업 → ChatGPT 1순위

엑셀 파일 분석, 차트 생성, 이미지 만들기, 음성 대화… 여러 기능을 한 도구에서 다 쓰고 싶다면 ChatGPT가 가장 통합적입니다.

실례: 엑셀 매출 데이터를 업로드하면서 "이거 분석해서 차트 만들고, 그 차트를 보고서용 이미지로도 만들어줘" 라고 하면, ChatGPT는 이 모든 걸 한 번에 처리합니다. 코드 인터프리터 + DALL-E + 차트 도구가 다 들어 있거든요.

📧 일상 업무 (Gmail, Docs, Calendar) → Gemini 1순위

구글 워크스페이스 쓰시는 분이라면 Gemini가 압도적입니다. Gmail에서 메일 자동 요약, Google Docs에서 글 작성 도우미, Calendar에서 일정 자동 정리 가 다 됩니다.

실례: "지난 1주일간 받은 메일 중 중요한 것만 요약해줘"라고 Gemini에 시키면, Gmail에 바로 접속해서 처리합니다. 다른 AI는 이걸 못 해요.

📰 실시간 뉴스·트렌드·여론 → Grok 또는 Perplexity

"지금 X에서 가장 핫한 주제가 뭐야?", "오늘 아침 뉴스 요약해줘" — 이런 실시간 정보는 Grok이 X 데이터를 직접 갖고 있어서 강합니다. Perplexity는 웹 전반의 최신 정보를 검색해주고요.

③ 한국어 성능 비교

2026년 기준 한국어 자연스러움 순위입니다.

Claude ≈ ChatGPT > Gemini > Perplexity > Grok

Claude와 GPT는 한국어가 거의 모국어 수준이에요. Gemini는 살짝 어색한 표현이 나올 때가 있고요. Perplexity는 답변의 정확성은 좋지만 한국어 자연스러움은 한 수 아래입니다. Grok은 한국어 학습 데이터가 상대적으로 적어서 가장 부족해요.

다만 AI 모델은 매월 업데이트되기 때문에, 직접 같은 질문을 여러 AI에 던져보고 비교하시는 게 가장 정확합니다.

④ 그래서 뭘 결제해야 하나?

5개 다 유료 결제하면 한 달에 10만 원이 넘어갑니다. 현실적인 선택을 도와드릴게요.

• 하나만 쓰겠다 → ChatGPT Plus (월 $20) 학습 자료가 가장 많아서 모르는 게 있어도 인터넷 검색으로 다 해결됩니다.

• 글쓰기·공부·코딩 위주 → Claude Pro (월 $20) 진지한 작업에 가장 좋습니다.

• 자료 조사·연구 위주 → Perplexity Pro (월 $20) 대학원생, 기자, 분석가에게 추천.

• 구글 생태계 사용자 → Gemini Advanced (월 약 3만 원, Google One AI 프리미엄 포함) Gmail, Docs를 매일 쓴다면 가성비 최고.

가장 추천드리는 방법: 5개 다 무료 계정을 만들어서 1~2주 직접 써보세요. 그러면 내 손에 맞는 AI가 자연스럽게 골라집니다.

4부. AI가 사람의 일자리를 어떻게 대체하는가? (15분)

자, 이제 오늘 강의의 진짜 핵심으로 들어갑니다. 여러분이 가장 듣고 싶었을 이야기.

① 먼저 결론부터

"AI는 직업을 대체하는 게 아니라 재편합니다."

"AI에게 대체되는 게 아니라, AI를 잘 쓰는 사람에게 대체됩니다."

이 두 문장을 오늘 집에 가실 때 꼭 가지고 가세요. 모든 이야기가 여기서 출발합니다.

② 직업별로 어떤 업무가 바뀌는가

대표적인 직업 7개를 보겠습니다. 각 직업마다 사라지는 업무 / 살아남는 업무 / AI를 무기로 쓰는 법 세 가지를 정리했어요.

세무사

• 사라지는 업무: 단순 신고서 작성, 기장 대행, 영수증 정리

• 살아남는 업무: 세무조사 대응, 절세 컨설팅, 고객 관계 관리, 복잡한 사례 판단

• AI 무기: RAG로 세법·예규 검색 자동화, 신고서 초안 AI 작성 후 검토

실례: 미국의 대형 회계법인 PwC와 KPMG는 이미 자사 AI 도구를 도입해서, 직원 1명이 처리할 수 있는 신고서 건수가 3~4배 늘었다고 발표했습니다. 그런데 직원 수는 줄지 않았어요. 남는 시간을 컨설팅에 투입했기 때문입니다.

변호사

• 사라지는 업무: 판례 검색, 계약서 초안 작성, 법률 문서 정리

• 살아남는 업무: 변론, 협상, 법정 전략, 의뢰인 상담

• AI 무기: 판례 자동 요약, 계약서 검토 자동화, 소장 초안 작성

실례: 한국의 대형 로펌들도 이미 Casenote, Allegro 같은 법률 AI 도구를 도입했습니다. 신입 변호사가 판례 검색에 쓰던 시간이 80% 이상 줄었다고 해요. 단, 최종 판단과 변론은 여전히 변호사의 영역입니다.

은행원

• 사라지는 업무: 창구 업무, 단순 대출 심사, 송금 처리

• 살아남는 업무: PB(자산관리), 기업 금융 컨설팅, VIP 고객 관리

• AI 무기: 고객 데이터 분석, 맞춤 금융 상품 추천 자동화

실례: 시중은행들의 지점 수는 매년 줄고 있지만, PB 인력은 늘어나고 있습니다. 단순 거래는 ATM과 앱이, 복잡한 상담은 사람이 맡는 구조로 재편된 거예요.

개발자

• 사라지는 업무: 단순 반복 코드, 버그 수정, 문서화

• 살아남는 업무: 시스템 설계, 아키텍처, 의사결정, 코드 리뷰

• AI 무기: Cursor, Claude Code 같은 AI 개발 도구로 생산성 5배

실례: GitHub의 연구에 따르면, AI 코딩 도구를 쓴 개발자는 작업 속도가 평균 55% 빨라졌다고 합니다. 그런데 개발자 채용이 줄지는 않았어요. 만들 수 있는 게 늘어나니 일도 늘었다는 거죠.

디자이너

• 사라지는 업무: 단순 시안 제작, 사진 리터칭, 아이콘 디자인

• 살아남는 업무: 브랜드 전략, 컨셉 기획, 클라이언트 협업, UX 판단

• AI 무기: Midjourney, DALL-E로 시안 양산, Figma AI로 디자인 자동화

실례: 한 광고 대행사는 시안 1세트(20개)를 만드는 데 걸리던 시간이 3일에서 3시간으로 줄었다고 합니다. 그래서 시안을 더 많이, 더 다양하게 제공하는 방향으로 일하는 방식이 바뀌었어요.

마케터

• 사라지는 업무: 광고 카피 초안, SNS 콘텐츠 양산, 단순 시장 조사

• 살아남는 업무: 브랜드 전략, 캠페인 기획, 데이터 인사이트 도출

• AI 무기: 콘텐츠 대량 생성, A/B 테스트 자동화, 고객 세그먼트 분석

교사

• 사라지는 업무: 채점, 자료 정리, 시험 문제 만들기

• 살아남는 업무: 동기부여, 인성 교육, 진로 상담, 토론 진행

• AI 무기: 학생별 맞춤 교재 자동 생성, 약점 분석, 1:1 튜터링 도구

③ 역사가 주는 힌트 — 우리는 이걸 이미 겪었습니다

사실 "기술이 직업을 대체한다"는 공포는 처음이 아닙니다. 인류는 이걸 여러 번 겪었어요.

ATM의 등장 (1970년대)

ATM이 나왔을 때 모두가 "은행원이 사라진다"고 했습니다. 결과는? 미국의 은행원 수는 1970년 약 30만 명에서 2010년 약 60만 명으로 오히려 두 배가 됐어요. 어떻게? ATM이 지점당 운영비를 낮춰주니까, 은행이 지점을 더 많이 열었습니다. 그리고 은행원은 단순 입출금 대신 상담과 판매 업무로 옮겨갔어요.

자동차의 등장 (1900년대)

자동차가 나오면서 마부는 사라졌습니다. 하지만 그 자리에 운전기사, 정비공, 주유소 직원, 자동차 영업사원, 도로 건설 노동자, 보험 설계사가 생겼어요. 사라진 일자리보다 새로 생긴 일자리가 훨씬 많았습니다.

PC의 등장 (1980년대)

PC가 사무실에 들어오면서 타자수, 속기사, 경리 업무가 크게 줄었습니다. 하지만 동시에 모든 직장인이 컴퓨터를 다루는 시대가 열렸고, 프로그래머, IT 전문가, 데이터 분석가 같은 새 직업이 폭발적으로 늘었어요.

인터넷의 등장 (1990년대)

여행사, 백과사전 영업사원, 신문 광고 영업이 줄었지만, 웹 디자이너, 디지털 마케터, 유튜버, 인플루언서, 콘텐츠 크리에이터 같은 상상도 못한 직업이 생겼습니다.

패턴이 보이시나요?

사라지는 직업 < 변하는 직업 < 새로 생기는 직업

기술은 일자리를 줄이는 게 아니라, 일하는 방식을 바꿉니다. AI도 같은 패턴을 따를 거예요.

④ AI 시대에 새로 생기는 직업

지금 이미 생기고 있거나, 5년 안에 폭발적으로 늘어날 직업들을 소개합니다.

1. 프롬프트 엔지니어 AI에게 좋은 답을 끌어내는 명령어를 설계하는 전문가. 미국에서는 연봉 30만 달러(약 4억 원)짜리 채용 공고도 나옵니다.

2. AI 트레이너 (RLHF 전문가) AI가 더 나은 답을 하도록 사람이 피드백을 주는 역할. 윤리감각과 전문 지식이 필요해요.

3. AI 윤리 컨설턴트 기업이 AI를 도입할 때 편향성, 개인정보, 책임 소재 같은 윤리적 문제를 검토.

4. AI 감사관 (AI Auditor) AI 시스템이 제대로 작동하는지, 할루시네이션은 없는지, 차별은 없는지 검사하는 전문가. 금융, 의료, 법률 분야에서 폭발적으로 필요해질 거예요.

5. AI × 도메인 전문가 이게 가장 큰 카테고리예요. AI를 잘 쓰는 세무사, AI를 잘 쓰는 변호사, AI를 잘 쓰는 의사, AI를 잘 쓰는 교사, AI를 잘 쓰는 기획자. 여러분이 어떤 분야에 있든, "그 분야 + AI"는 무조건 통합니다.

⑤ 20대가 지금 해야 할 3가지

자, 그래서 결론입니다. AI 시대를 살아갈 20대 여러분이 오늘부터 당장 해야 할 3가지를 말씀드릴게요.

첫째, 무료 AI 1개를 매일 쓰기

ChatGPT든 Claude든 하나 골라서 매일 한 번이라도 쓰세요. 그냥 검색 대신 AI에 물어보는 거예요. 처음엔 어색해도 3개월 지나면 사고방식이 바뀝니다. AI 없이 일하던 시절이 어떻게 가능했는지 의아할 정도가 됩니다.

둘째, 내 분야 + AI 조합 실험하기

여러분의 전공, 직업, 관심사가 뭐든 거기에 AI를 붙여보세요. 경영학 전공 + AI, 디자인 + AI, 운동 + AI, 요리 + AI… 작게 시작하면 됩니다. "오늘 공부할 내용 AI한테 요약 받기", "포트폴리오 사이트 AI로 만들기", "면접 예상 질문 AI에게 받기" — 이런 작은 시도들이 쌓이면, 여러분만의 AI 활용 노하우가 생깁니다. 그게 5년 후 여러분의 차별화입니다.

셋째, 사라지지 않는 능력 키우기

AI가 대체할 수 없는 능력들이 있어요. 이걸 의식적으로 키우세요.

• 판단력: 정답이 없는 문제에서 결정 내리는 힘

• 커뮤니케이션: 사람의 감정을 읽고 협업하는 힘

• 창의성: 기존에 없던 걸 상상하는 힘

• 윤리감각: 무엇이 옳고 그른지 분별하는 힘

• 호기심: 계속 배우려는 태도

AI는 주어진 일을 빠르게 처리합니다. 하지만 어떤 일을 해야 하는지, 왜 해야 하는지 결정하는 건 여전히 사람의 몫이에요. 그 결정력을 가진 사람이 AI 시대의 주인공이 됩니다.

클로징 — 오늘의 한 문장

오프닝에서 던졌던 질문 기억하시나요?

"AI가 제 일자리를 뺏을까요?"

오늘 1시간 동안 우리는 그 질문에 답하기 위한 여정을 함께 했습니다.

1부에서 용어 12개를 배웠고, 2부에서 작동 원리를 봤고, 3부에서 5대 AI의 차이를 알았고, 4부에서 일자리의 미래를 함께 그렸습니다.

오늘 강의의 모든 이야기를 한 문장으로 요약하면 이렇습니다.

"AI 시대에 살아남는 건 AI를 두려워하지 않는 사람이 아니라, AI를 도구로 쓸 줄 아는 사람입니다."

여러분 손에는 이미 어마어마한 도구가 쥐어져 있습니다. 인류 역사상 가장 강력한 도구 중 하나일지도 몰라요. 그 도구를 쥐고 있는 사실조차 모르는 사람과, 그 도구를 매일 갈고닦는 사람의 5년 후는 완전히 다른 인생이 될 겁니다.

오늘 강의가 그 도구의 첫 사용설명서가 되었길 바랍니다.

오늘부터 할 일 3가지

• ✅ 무료 AI 1개 오늘 가입 (ChatGPT, Claude 중 택 1)

• ✅ 내 분야에 AI 1번 써보기 (어떤 거든 좋습니다)

• ✅ 1부 용어 12개 중 5개라도 친구에게 설명해보기

긴 시간 함께해주셔서 감사합니다. 질문 받겠습니다.

📚 추가 학습 자료

• Anthropic 공식 가이드: docs.claude.com

• OpenAI 공식 가이드: platform.openai.com/docs

• AI 윤리 자료: ai.gov (미국 정부 AI 정책)

• 한국 AI 정책: aihub.or.kr (한국지능정보사회진흥원)

이 글은 1시간 분량의 AI 입문 강의 대본이자 블로그 글입니다. 강의 현장에서 청중과 함께 호흡하며 만들어진 내용이며, AI에 막막함을 느끼는 20대를 위해 작성되었습니다.