AI 덕분에 일이 줄었다고 생각하신다면, 한 번쯤 다시 짚어볼 필요가 있습니다. 저도 처음엔 그렇게 믿었습니다. AI 툴을 쓰면 블로그 초안이 빨리 나오고, 자료 정리도 수월해지니 여유가 생길 거라 기대했죠. 그런데 실제로 써보니 상황은 정반대였습니다. 작업 속도가 빨라질수록 요구되는 산출물의 기준도 덩달아 올라갔고, 결국 같은 시간에 더 많이 해내야 한다는 압박이 생겨났습니다.
AI 툴 선택, 뭘 써야 하나
생성형 AI 툴을 처음 쓰기 시작했을 때 가장 헷갈렸던 부분이 바로 이겁니다. GPT, 클로드, 제미나이, 기록까지 이름도 비슷한 것들이 넘쳐나는데 대체 어떤 걸 써야 하는지 감이 오지 않았습니다.
제가 직접 써봤는데, 이 툴들은 각자 특성이 꽤 다릅니다. 각 모델이 무엇을 주로 학습했느냐에 따라 강점이 갈린다고 보면 이해하기 쉽습니다. GPT는 웹 전반에 걸친 방대한 데이터를 학습한 만큼 일반 상식 검색이나 정보 요약에서 빠르고 안정적인 답변을 내놓습니다. 반면 클로드는 텍스트 기반 학습량이 상대적으로 풍부해 문장 흐름이 자연스럽고, 긴 글의 구조를 잡거나 대본을 다듬을 때 체감 차이가 납니다. 저도 블로그 초안을 잡을 때는 클로드를 먼저 열게 되는 편입니다.
제미나이는 구글이 보유한 유튜브와 이미지 검색 데이터를 기반으로 학습해 영상 분석이나 이미지 생성 작업에서 두드러집니다. 글록은 X(구 트위터) 데이터를 학습한 영향으로 말투 자체가 직설적이고 논쟁적인 편인데, 처음 접했을 때 답변 스타일이 꽤 낯설었습니다.
어떤 AI 툴을 선택할지 기준을 간단히 정리하면 다음과 같습니다.
- 정보 검색·상식 질문: GPT 계열
- 글쓰기·대본 작성·문체 다듬기: 클로드
- 이미지 생성·영상 분석: 제미나이
- 고민 상담·심리적 위로용(진지하게): 없음을 권장합니다
혼자 유튜브 만드는 사람이 AI를 쓰면 생기는 일
1인 콘텐츠 제작자에게 AI는 솔직히 축복이자 함정입니다. 제가 콘텐츠 작업에 AI를 본격적으로 도입하면서 가장 먼저 달라진 건 작업 흐름이었습니다.
대본을 GPT에 맡기고, 목소리는 ElevenLabs 같은 TTS(텍스트 음성 변환) 툴로 복제하고, 영상 편집은 Adobe Premiere Pro에 XML 설계도를 불러오는 방식으로 자동화할 수 있습니다. 여기서 XML이란 영상 편집 프로그램이 읽을 수 있는 편집 설계도 파일로, AI가 어떤 영상 클립을 어느 타이밍에 배치할지 미리 계획해 이 파일 형태로 출력해 줍니다. 이 파일을 편집 프로그램에 불러오면 편집이 자동으로 완성되는 구조입니다.
처음 이 흐름을 직접 따라 해 봤을 때 솔직히 이건 예상 밖이었습니다. 영상 하나 만드는 데 반나절을 썼던 게 30분도 안 걸리게 되니, 처음엔 신기했습니다. 그런데 문제는 그다음이었습니다.
현재 숏폼 영상 플랫폼에서 쇼츠나 릴스에 쓰이는 목소리의 약 60%는 이미 AI가 생성한 것으로 추정됩니다. 이미 인간 목소리가 필수인 시대가 아닌 겁니다. 이 수치는 AI 음성 산업 성장과 함께 지속적으로 올라가는 추세입니다(출처: 글로벌 AI 보이스 마켓 리포트 - Grand View Research). 결국 남들도 똑같은 속도로, 비슷한 방식으로 콘텐츠를 찍어내기 시작하면, 내가 AI 없이 공들여 만든 영상 한 편은 그냥 뒤처진 결과물이 됩니다.
노동총량 AI가 일을 줄여준다는 착각
실리콘밸리에서 불면증 환자가 늘고 있다는 보도가 나왔을 때 저는 좀 씁쓸했습니다. 이유가 AI 때문이라는 게 더 그랬습니다. AI 덕분에 노동이 줄어야 하는데, 오히려 AI가 처리하는 속도에 맞춰 밤새 프롬프트를 입력하고 결과를 검토하는 사람들이 생겨나고 있다는 거죠.
여기서 프롬프트(Prompt)란 AI에게 작업을 지시하는 입력 명령어를 말합니다. 단순한 질문일 수도 있고, 수백 자짜리 세부 지침일 수도 있습니다. AI의 결과물 품질은 이 프롬프트의 완성도에 따라 크게 달라지기 때문에, 프롬프트를 잘 짜는 능력 자체가 하나의 기술이 됐습니다.
이 상황을 노동 경제학 관점에서 보면 한계 비용(Marginal Cost) 문제로 읽힙니다. 한계 비용이란 산출물 한 단위를 추가로 생산할 때 드는 비용을 뜻합니다. 소프트웨어는 복사 비용이 거의 제로에 수렴하지만, AI는 답변을 생성할 때마다 GPU 연산과 전력 비용이 실제로 발생합니다. 그래서 현재 주요 AI 기업들은 1달러 매출을 내기 위해 1.67달러 이상을 쓰는 구조로 운영되고 있다는 분석도 있습니다.
고용주 입장에서 보면 이야기는 더 직접적입니다. 직원 A가 하루에 영상 한 편을 만들다가 AI 도입 후 두 편을 만들게 됐다고 해도, 그게 직원 A가 두 배 더 열심히 일한 결과는 아닙니다. 계수기를 쓴 은행원이 손으로 셀 때보다 40배 많은 지폐를 세더라도 그 사람의 노동이 40배가 된 건 아닌 것처럼요. 문제는 고용주는 산출물만 봅니다. 제 경험상 이건 좀 다릅니다. 빨리 끝냈다고 보상이 오는 게 아니라, 다음 일이 더 빨리 들어옵니다. AI가 사람을 자르는 도구가 아니라 일을 더 많이 시키는 도구라는 말이 그래서 설득력 있게 들렸습니다.
미국 스탠퍼드대 인간중심 AI 연구소(HAI)에서 발간한 AI 인덱스 보고서에 따르면, AI 도입 이후 지식 노동자의 업무 강도와 디지털 과부하는 증가하는 경향이 나타나고 있습니다(출처: Stanford HAI - AI Index Report). 기술이 노동을 대체하기 전에, 노동의 총량을 늘리는 방향으로 먼저 작용한다는 겁니다.
하드웨어 승자가 결국 AI 시대를 먹는다
현재 AI 모델 경쟁을 보면 OpenAI, 앤트로픽, 구글이 서로 성능을 끌어올리는 데만 집중하고 있습니다. 그런데 이 경쟁의 구조 자체가 돈이 새는 구조입니다. 앞서 언급한 것처럼 AI는 원가가 있는 산업이고, 더 좋은 모델을 만들려면 더 많은 자원이 들어가는 원가 경쟁에서 쉽게 빠져나오기 어렵습니다.
여기서 온디바이스 AI(On-Device AI)라는 개념이 중요해집니다. 온디바이스 AI란 클라우드 서버를 거치지 않고 스마트폰이나 노트북 같은 개인 기기 안에서 직접 AI 연산을 처리하는 방식입니다. 서버 비용이 발생하지 않고, 전기세와 GPU 비용을 소비자가 이미 구매한 기기와 개인 전기 요금으로 분산시키는 구조입니다.
애플은 이 온디바이스 AI에 이미 5~6년 이상 투자해 왔습니다. 아이폰과 맥북에 들어가는 자체 칩인 Apple Silicon을 직접 설계하면서, 자사 기기에서 더 큰 AI 모델을 더 효율적으로 돌릴 수 있는 하드웨어 기반을 꾸준히 쌓아온 겁니다. 지금은 별로 눈에 띄지 않지만, AI 모델들이 상향 평준화되는 시점이 오면 이야기가 달라집니다.
사주 보거나 위로를 받는 수준의 AI 기능이 아이폰 안에서 서버 없이 돌아가는 순간, 구글이나 OpenAI가 클라우드 AI를 아이폰 사용자에게 제공하려면 애플의 허가를 받아야 하는 구조가 됩니다. 실제로 구글은 사파리의 기본 검색 엔진 자리를 유지하기 위해 매년 애플에 수십억 달러를 지불하고 있습니다. AI 시대에도 같은 구도가 반복될 가능성이 충분합니다. 기술이 아무리 좋아도, 사용자와 직접 닿는 디바이스를 쥔 쪽이 결국 협상의 주도권을 갖게 된다는 건 이미 검색 시장에서 증명된 방정식입니다.
저도 처음 이 분석을 들었을 때 반신반의했습니다. 하지만 생각해 보면 하드웨어를 통해 AI 원가를 소비자에게 전가하는 이 모델은 기업 입장에서 상당히 영리한 전략입니다. 물론 그 결과가 소비자에게 이익인지는 별개 문제입니다.
결국 AI 시대에 어떤 툴을 쓸지보다 중요한 건, 이 도구들이 저를 위해 일하는 건지 아닌지를 주기적으로 점검하는 태도 같습니다. 일의 총량이 늘어나는 걸 당연하게 받아들이기 시작하면, 기술이 인간을 위한 것이라는 전제가 슬그머니 뒤집힙니다. 생산성이 목적이 아니라 수단이 되도록, 지금 쓰고 있는 AI 툴이 정말 저에게 맞는 방식으로 쓰이고 있는지 한번 돌아보시길 권합니다.