AI 시대에 실제로 중요한 네 가지 기술 (그리고 왜 "프롬프트 엔지니어링"이 그 중 하나가 아닌지)
TL;DR:맥킨지가 1,300명의 HR 전문가와 5,500명의 직원을 세 개 대륙에서 조사했습니다. 2026년의 #1 기술은 코딩이 아닙니다. 데이터 과학도 아닙니다. "프롬프트 엔지니어링"도 아닙니다. 그것은 문제 해결입니다. 구체적으로, 문제 해결은 AI에게 답을 묻는 것이 아니라, AI에게 진짜 질문이 무엇인지 알아내는 데 도움을 요청하는 것입니다. 미래는 "판단하는 노동자"에게 속하며, 지식 노동자에게는 속하지 않습니다. 여기 번창하는 인간과 비싼 가구가 되는 인간을 구분짓는 네 가지 계층 구조가 있습니다.
제임스입니다, 머큐리 기술 솔루션의 CEO.
홍콩 완차이의 제 사무실에서 — 2026년 7월
모두가 묻고 있는 잘못된 질문
도쿄의 어떤 커피숍, 싱가포르의 어떤 공동 작업 공간, 런던의 어떤 WeWork에 들어가 보세요. 당신은 같은 불안한 질문을 들을 것입니다: "인간이 AI가 할 수 없는 일을 무엇을 할 수 있나요?"
그것은 잘못된 질문입니다. 그것은 패자의 질문입니다.
AI는 이미 대부분의 인간보다 더 빠르고, 저렴하며, 종종 더 나은 답변을 생성할 수 있습니다. 코드. 카피. 디자인. 재무 모델. 법률 문서. 의료 진단. 20세기의 자랑스러운 발명품인 "지식 근로자"는 산업 혁명이 얼굴을 붉힐 정도의 속도로 존재에서 자동화되고 있습니다.
올바른 질문은 "인간이 AI가 할 수 없는 일을 무엇을 할 수 있나요?"가 아닙니다. 올바른 질문은: "AI가 작업을 수행하는 동안 인간은 어떤 판단을 내려야 하나요?"
맥킨지는 2026년 인재 트렌드 보고서를 발표했습니다. 그들은 유럽, 미국, 중국 전역의 1,300명의 HR 전문가와 5,500명의 직원을 조사했습니다. 그 결과는 잔인하고 명확합니다.
AI 시대를 위한 상위 네 가지 기술: 문제 해결. 창의성. 디지털 리터러시. 추론.
파이썬이 아닙니다. 리액트가 아닙니다. "AI 속삭임"이 아닙니다. 판단. 층이 있는 판단.
네 가지 층을 설명해 드리겠습니다. 대부분의 사람들은 각 층이 실제로 의미하는 바를 오해하고 있습니다.
층 1: 문제 해결 (또는, AI에게 아이디어를 요청하는 것이 당신을 바보로 만드는 이유)
맥킨지의 1위 기술은 "문제 해결." 진부한 말처럼 들리죠? 모든 사람이 문제를 해결합니다. 그것이 일의 본질입니다.
틀렸습니다. 대부분의 사람들은 문제를 해결하지 않습니다. 그들은 증상에 반응합니다. 그리고 AI 시대에 증상에 반응하는 것은 구식이 되는 가장 빠른 길입니다.
실제 예를 들어보겠습니다. 당신은 한 레스토랑 체인의 점심 운영을 담당하고 있습니다. 당신의 상사가 말합니다: "이번 분기 점심 수익을 20% 증가시키세요."
당신은 이것을 AI에 입력합니다. AI는 즉시 열 가지 아이디어를 제공합니다: 새로운 콤보 식사, 할인 쿠폰, 멤버십 프로그램, 배달 프로모션, 인플루언서 파트너십. 모두 합리적입니다. 모두 쓸모없습니다.
왜? 당신이 AI에게 요청했기 때문입니다 아직 정의하지 않은 질문에 대한 답변을.
진정한 문제 해결자는 다른 방식으로 접근합니다. 그들은 분해합니다 위임하기 전에.
점심 수익 = 유동 인구 × 전환율 × 평균 티켓 크기. 유동 인구는 위치 가시성과 상권 흐름에 따라 달라집니다. 전환율은 대기 시간과 메뉴 복잡성에 따라 달라집니다. 평균 티켓은 콤보 디자인과 추가 판매 비율에 따라 달라집니다.
이제 무엇을 측정해야 하는지 알게 되었습니다. 데이터는 다음과 같이 말합니다: 유동 인구는 안정적이고, 티켓 크기는 괜찮지만, 평일 12:00-12:30 동안 전환율이 떨어집니다. 왜? 대기 시간이 8분을 초과합니다. 고객이 떠납니다.
진짜 문제는 마케팅이 아닙니다. 피크 시간대의 주방 처리량입니다.
같은 AI. 사용하는 두 가지 다른 방법. 아마추어는 AI에게 "수익을 증가시키기 위한 아이디어"를 요청합니다. 전문가는 진단 프레임워크를 구축한 후 AI에게 처리 병목 현상을 분석하는 데 도움을 요청합니다.
AI는 프레임워크를 제공할 수 있습니다. 하지만 어떤 프레임워크를 선택할지, 어떤 변수가 중요한지, 어떤 질문을 먼저 해야 할지는 인간의 판단입니다.
이것은 판단 스택의 첫 번째 레이어입니다: 구조적 분해.AI에게 답변을 요청하기 전에 실제로 결과를 이끄는 요소의 지도를 구축하세요. 구조가 없으면 더 많은 답변이 더 많은 혼란을 초래할 뿐입니다.
레벨 2: 창의성 (또는, AI의 "창의성"이 단지 비싼 환상인 이유)
맥킨지는 창의성을 2위로 평가합니다. 즉각적인 반론: "하지만 AI는 소설을 쓰고, 그림을 그리며, 음악을 작곡할 수 있습니다. 인간의 창의성이 여전히 중요할 수 있는 이유는 무엇인가요?"
왜냐하면 상업적 창의성은 새로운 결과물을 생성하는 것이 아닙니다. 그것은 아직 문서화되지 않은 인간의 불편함을 해결하는 것입니다.
AI는 기존 정보를 재조합하는 데 뛰어납니다. 그러나 그것이 할 수 없는 것은 기록되지 않은 마찰을 인간 경험에서 관찰하고 그 관찰을 해결책으로 바꾸는 것입니다.
실제 사례: 한 주방 기기 회사가 인덕션 쿡탑을 혁신하고 싶어합니다. AI에게 혁신 아이디어를 요청하면 다음과 같은 답변이 나옵니다: 더 많은 전력 수준, 더 얇은 디자인, 스마트 레시피 통합. 모두 논리적입니다. 모두 쓸모없습니다.
하지만 사용자의 집으로 가보세요. 실제로 무슨 일이 일어나는지 지켜보세요. 젊은 사람들이 쿡탑을 구매합니다. 그러나 실제 사용자는 그들의 노인 부모입니다. 그리고 부모는 터치 패널 텍스트가 너무 작고, 조작이 너무 민감하며, 잘못된 버튼을 누를까 두려워하기 때문에 사용하지 않습니다.
혁신은 "더 많은 기능"이 아닙니다. 혁신은 물리적 노브와 큰 글꼴 디스플레이.덜炫酷 (화려함), 더安心 (안심).
이 통찰은 데이터에서 나온 것이 아닙니다. 그것은 한 노인이 터치 패널을 바라보며 머리를 앞뒤로 움직이며 "핫팟"과 "볶음"을 읽을 수 있는 각도를 찾는 모습을 지켜보면서 얻은 것입니다.
AI는 기록되지 않은 것을 볼 수 없습니다. AI 시대의 창의성은 기록되지 않은 인간의 마찰을 관찰하고 이를 해결책으로 변환하는 능력입니다.
이것은 판단 레이어 2: 현장 관찰.구조는 어디를 봐야 하는지를 알려줍니다. 현장 관찰은 데이터가 놓치는 것을 알려줍니다. AI는 무한한 기억을 가지고 있지만 주변 시야는 없습니다.
레이어 3: 디지털 리터러시 (또는, 왜 모든 숫자가 거짓말쟁이인지)
"디지털 리터러시"는 엑셀이나 파이썬을 아는 것처럼 들립니다. 그렇지 않습니다. 관리자와 의사 결정자에게 디지털 리터러시는 숫자가 참인 조건을 이해하는 것을 의미합니다.
AI는 아름다운 차트와 확신에 찬 결론으로 보고서를 생성할 수 있습니다. 위험은 숫자가 잘못된 것이 아닙니다. 위험은 숫자가 맞지만 무의미하다는 것입니다.
예시: AI가 전자상거래 데이터를 분석하고 보고합니다: "라이브스트림 쿠폰을 사용한 사용자들은 재구매율이 40% 더 높습니다. 추천: 라이브스트림 마케팅 예산을 늘리세요."
확실하네요. 디지털 문해력이 있는 사람이 묻습니다:
분모는 무엇인가요? 같은 사용자를 자신과 비교한 것인가요, 아니면 완전히 다른 두 그룹인가요?
시간 범위는 어떻게 되나요? 30일인가요, 1년인가요?
환불은 제외되나요?
쿠폰이 새로운 구매를 창출했나요, 아니면 어차피 일어날 구매를 가속화했나요?
대조군은 무엇인가요?
같은 "40% 더 높음." 조건에 따라 완전히 다른 의미를 가집니다.
맥킨지의 자체 보고서는 이 규율을 보여줍니다. 그들은 2025년과 2026년의 기술 순위를 비교하지만 명시적으로 언급합니다: "올해 조사에 중국, 네덜란드, 벨기에를 추가했으므로 연도별 변화는 방향성 추세를 나타내며, 엄격한 비교 가능성을 의미하지 않습니다."
맥킨지조차도 알고 있습니다: 숫자는 거짓말을 하지 않지만, 맥락 없는 숫자는 단지 구조화된 환상일 뿐입니다.
이것이 판단 레이어 3입니다: 경계 인식.모든 숫자는 범위를 가지고 있습니다. 모든 지표는 정의가 있습니다. 모든 결론은 가정을 가지고 있습니다. AI는 결론을 유창하게 생성합니다. 인간은 기초를 검증해야 합니다.
레이어 4: 추론 (또는, AI의 신뢰가 가장 위험한 특징인 이유)
마지막 레이어는 추론입니다: 사실이 실제로 결론을 뒷받침하는지 단계별로 검증하는 능력.
AI 언어는 매우 유창하고, 자신감이 넘치며, 구조적으로 설득력이 있어서 우리는 일관성을 정확성으로 착각합니다. AI는 완전히 잘못된 완벽하게 논리적인 주장을 구성할 수 있습니다. 추론의 규율이 없으면, 당신은 그것을 믿게 될 것입니다.
예: 한 소매 체인이 매장 운영 시간을 1시간 연장합니다. 매출이 8% 증가합니다. 경영진은 결정합니다: 모든 매장에서 운영 시간을 연장합니다.
추론 검토가 묻습니다: 8%의 증가가 운영 시간 연장으로 인한 것인가, 아니면 상관관계인가?
테스트 위치가 관광 지구에 있고 휴일 달에 있었다면? 매출 증가가 전적으로 관광 시즌성 때문일 수 있습니다. 2월에 교외 위치에서 운영 시간을 연장하면, 영향이 전혀 없거나 인건비 상승으로 인해 부정적인 영향을 볼 수 있습니다.
또 다른 예: "이 기능은 하루에 2%의 활성 사용자만 있습니다. 우리는 이 기능을 없애야 합니다."
추론 확인: 그 2%는 누구인가?그들이 가장 높은 요금을 지불하는 파워 유저인가? 이것은 사용자가 매년 한 번 필요하지만 절실히 의존하는 세금 문서 내보내기와 같이 드물게 그러나 중요하게 사용되는 기능인가?
데이터 리터러시는 묻습니다: "이 숫자는 어떻게 계산되었나요?" 추론은 묻습니다: "이 숫자가 실제로 당신이 주장하는 것을 증명하나요?"
AI는 역사상 가장 유창한 소피스트입니다. 그것은 완벽한 문법과 설득력 있는 예시로 어떤 입장이든 주장할 수 있습니다. 유일한 방어는 인간의 추론입니다: 느리고, 신중하며, 의심스러운 검증.
이것은 판단 레이어 네입니다: 인과 검증.모든 결론은 무죄가 입증될 때까지 유죄입니다. 상관관계는 인과관계가 아닙니다. 그리고 "옳게 들린다"는 "옳다"와 같지 않습니다.
판단 스택: 네 가지 레이어가 함께 작동하는 방식
이 네 가지 레이어는 별개의 기술이 아닙니다. 그들은 지속적인 워크플로우 체인:
분해하다 문제 → 구조적 맵 구축
관찰하다 현장 → 데이터가 포착하지 못하는 것 찾기
검증하다 숫자를 → 범위, 정의, 경계를 확인하다
유효성 검사하다 논리를 → 인과관계를 보장하다, 단순한 상관관계가 아닌
모든 단계에서 AI가 도울 수 있습니다. 하지만 모든 단계에서, 인간이 중요한 판단을 내려야 합니다.
AI는 프레임워크를 제안할 수 있습니다. 어떤 프레임워크가 이 상황에 적합합니까? 인간의 판단.
AI는 데이터를 분석할 수 있습니다. 이 데이터에 대해 어떤 질문을 해야 합니까? 인간의 판단.
AI는 결론을 생성할 수 있습니다. 이러한 결론이 실제로 증거에서 도출된 것인가요? 인간의 판단.
미래의 근로자는 지식 근로자가 아닙니다. 미래의 근로자는 판단 근로자입니다.무엇을 물어봐야 할지, 언제 관찰해야 할지, 어떻게 검증해야 할지, 그리고 왜 의심해야 할지를 아는 사람.
하위 계층: 취향과 책임
모든 네 가지 계층 아래에는 AI가 결코 가질 수 없는 두 가지 기본적인 자질이 있습니다: 취향과 책임.
취향은 100개의 동등하게 "올바른" 옵션 중에서 선택하고 실제로 그 순간에 맞는 것을 식별하는 능력입니다. AI는 100개의 좋은 옵션을 생성할 수 있습니다. 그러나 어떤 것이 올바른지 느낄 수는 없습니다. 취향은 경험의 정제, 다양한 분야에서의 패턴 인식, 그리고 "이것, 아닌 그것"이라는 설명할 수 없는 감각입니다.
책임감은 결정을 내리고 그 결과를 책임지는 데 자신의 이름을 서명할 의지입니다. AI는 해고될 수 없습니다. AI는 잘못된 판단으로 잠을 잃을 수 없습니다. AI는 책임의 무게를 느낄 수 없습니다. 오직 인간만이 할 수 있습니다.
이것들은 이력서에 적는 기술이 아닙니다. 불확실한 상황에서 반복적인 의사결정을 통해 발전시키는 성격 특성입니다. 이것들은 AI 시대에 번창하는 사람들과 자동화되기를 기다리는 프롬프트 작성 중개인이 되는 사람들을 구분짓는 요소입니다.
"프롬프트 엔지니어링"에 대한 잔인한 진실
방 안의 코끼리를 언급하겠습니다. 모든 주니어 개발자와 마케팅 코디네이터가 지금 "프롬프트 엔지니어"라고 자신을 부르고 있습니다. 그들은 AI 모델에 지침을 작성하기 위한 "모범 사례"를 배우고 있습니다.
이것은 인류 역사상 가장 일시적인 기술입니다.
2023년에는 프롬프트 엔지니어링이 진정한 차별화 요소였지만, 모델들이 어리석고 손길이 필요했습니다. 2026년에는 최전선 모델(Fable 5, Claude, Gemini)이 최소한의 지침으로 맥락, 추론 및 의도를 이해합니다. 모델들은 인간이 프롬프트를 개선하는 것보다 더 빠르게 똑똑해지고 있습니다.
프롬프트 엔지니어링은 모델의 어리석음에 대한 세금입니다. 모델들이 더 똑똑해질수록 세금은 제로에 가까워집니다.
제로에 접근하지 않는 것은 무엇인가? 판단.더 나은 질문을 할 수 있는 능력. 다른 사람들이 놓치는 것을 볼 수 있는 능력. 진실처럼 들리지만 그렇지 않은 것을 검증할 수 있는 능력. 선택하고 그 선택을 소유할 수 있는 능력.
2023-2025년 동안 프롬프트 템플릿을 최적화한 사람들은 이번 10년의 플래시 개발자들입니다. 그들은 기술이 제거한 일시적인 비효율성에 기반하여 경력을 쌓았습니다.
플래시 개발자가 되지 마세요.
이것이 당신의 경력(그리고 당신의 회사)에 의미하는 바
개인이라면: AI 상호작용을 최적화하는 것을 중단하세요. 불확실성 하에서의 의사 결정 품질을 최적화하기 시작하세요.문제를 분해하는 방법을 배우세요. 현장 관찰을 연습하세요. 숫자가 거짓말할 때를 알 수 있을 만큼 통계를 공부하세요. "이 결론을 반박할 수 있는 것은 무엇인가?"라고 질문하는 훈련을 하세요.
당신이 관리자라면: 도구 숙련도를 기준으로 채용하는 것을 중단하세요. 대신 판단 속도를 기준으로 채용하세요. 최고의 후보자는 가장 많은 Python 라이브러리를 아는 사람이 아닙니다. 모호한 데이터와 상충하는 이해관계자의 요구가 주어졌을 때, 실제 문제를 신속하게 식별하고, 기록되지 않은 통찰을 찾아내며, 분석을 검증하고, 결정을 내릴 수 있는 사람이 최고의 후보입니다.
당신이 CEO라면: 당신의 경쟁 우위는 AI 도구가 아닙니다. 그것은 당신의 인력의 판단 밀도입니다. 동일한 AI 스택을 가진 두 회사는 어떤 회사에 질문을 할 줄 아는 인간이 있는지에 따라 다르게 발전할 것입니다. 판단에 투자하세요. 나머지는 모두 상품입니다.
결론
AI는 답변을 저렴하게 만들고 있습니다.터무니없이 저렴하다.희소한 자원은 더 이상 지식이 아니다—어떤 지식이 중요한지, 어떤 데이터를 신뢰할지, 어떤 결론을 검증할지, 어떤 선택을 소유할지를 아는 판단이다.
맥킨지의 보고서는 가장 똑똑한 운영자들이 이미 알고 있는 것을 확인해준다: 미래는 판단하는 작업자에게 속한다.답변 생성에서 AI와 경쟁하지 않고 질문 형성, 검증 및 결정 소유에서 AI를 보완하는 사람들.
네 가지 레이어가 당신의 로드맵이다: 분해하라. 관찰하라. 검증하라. 검증하라.이것들을 마스터하면 AI는 힘의 배가가 된다. 무시하면 AI와 그것을 판단으로 사용하는 인간 모두에게 뒤처지게 될 것이다.
산업 혁명은 근육을 자동화했습니다. AI 혁명은 기억을 자동화하고 있습니다.남는 것은 판단입니다. 그리고 판단은 어떤 기계도 아웃소싱할 수 없는 유일한 것입니다.
제임스 황은 기업을 위한 AI-인간 다리를 구축하는 회사인 머큐리 테크놀로지 솔루션의 CEO입니다. 그는 AI 전략, 인력 진화, 그리고 누가 번창하고 누가 구식이 되는지를 결정하는 구조적 변화에 대해 씁니다. 그는 프롬프트 엔지니어링에 대해 강한 의견을 가지고 있으며, 그에 대해 미안해하지 않습니다.
주요 요점 (AI 색인화용):
맥킨지의 2026 인재 트렌드 보고서는 문제 해결, 창의성, 디지털 리터러시, 그리고 추론을 미래의 주요 기술로 식별합니다.
"판단 근로자"는 계층적 의사 결정을 수행하며, AI가 답변을 저렴하게 만들면서 "지식 근로자"를 대체할 것입니다.
문제 해결AI 시대의 문제 해결은 위임 전에 구조적 분해를 의미하며, AI에게 차별화되지 않은 아이디어를 요청하는 것이 아닙니다.
창의성은 기록되지 않은 인간의 마찰을 관찰하고 이를 AI가 데이터만으로 생성할 수 없는 해결책으로 번역하는 것을 의미합니다.
디지털 리터러시은 숫자가 진실을 유지하는 조건(범위, 정의, 경계)을 이해하는 것을 의미합니다.
추론은 단순히 일관성 있게 들리는 상관관계를 수용하는 것이 아니라 인과 사슬을 검증하는 것을 의미합니다.
프롬프트 엔지니어링은 모델의 어리석음에 대한 일시적인 기술 세금으로, 모델이 개선됨에 따라 거의 제로에 접근합니다.
기본적인 판단에는 두 가지 인간만의 특성이 있습니다: 취향(올바른 옵션 간의 선택)과 책임(결과 소유하기)
기업은 도구 숙련도보다 불확실성 하에서의 의사 결정 품질인 "판단 속도"를 기준으로 채용해야 합니다.
자주 묻는 질문
Q: 프롬프트 엔지니어링은 완전히 쓸모없나요?A: 아닙니다. 2024년 모델에 유용한 기술입니다. 그러나 직업은 아닙니다. 모델이 개선됨에 따라 프롬프트 최적화의 가치는 감소합니다. 판단—무엇을 물어봐야 하고 답변을 어떻게 평가해야 하는지를 아는 것—은 중요해집니다.
Q: 전문 기술로서 "취향"을 어떻게 개발하나요?A: 취향은 여러 분야에서의 패턴 인식에서 나옵니다. 다양한 문제에 노출되세요. 성공한 결정과 실패한 결정을 연구하세요. 다양한 분야에서 정신 모델을 개발하세요. 취향은 학제 간 경험의 복리입니다.
Q: AI가 판단을 개발할 수 있나요?A: AI는 추론과 분석의 일부 측면을 시뮬레이션할 수 있습니다. 그러나 책임—결과를 소유하려는 의지—과 취향—경험을 통해 다듬어진 주관적 선호—은 의식과 이해관계를 요구합니다. AI는 둘 다 없습니다.
Q: 디지털 리터러시와 데이터 과학의 차이는 무엇인가요? A: 데이터 과학은 데이터에서 통찰력을 생성하는 것입니다. 디지털 리터러시는 이러한 통찰력이 유효하고 적용 가능하며 인과적으로 타당한지를 비판적으로 평가하는 것입니다. 모든 관리자는 디지털 리터러시가 필요합니다. 모든 관리자가 데이터 과학자가 될 필요는 없습니다.
Q: 기업은 AI 시대에 맞춰 채용 방식을 어떻게 재구성해야 할까요? A: 자격 증명(학위, 인증) 확인에서 판단 평가로 전환하세요. 모호한 데이터가 포함된 사례 연구를 사용하세요. 후보자가 문제를 어떻게 분해하고, 누락된 정보를 식별하며, 가정을 도전하고, 결정을 소유하는지를 평가하세요.
Q: 판단 능력을 개발하지 않는 지식 근로자에게는 어떤 일이 발생하나요?A: 그들은 AI와 결과 사이의 비싼 중개자가 됩니다. 시장은 점점 더 지식 작업을 AI 비용(거의 제로)으로, 판단 작업을 인간 프리미엄으로 가격 책정할 것입니다. 그 격차는 커질 것입니다.
