시니어의 무기는 검수력이다

AI에게 일 시키는 기술 · CREST 시리즈 · 21편 (PART 5 시작)

[ PART 5 시작 — 전환 편: 경험을 시스템으로, 나를 자산으로 ]

"AI가 일을 처리하는 시대에 가장 비싼 사람은 AI 결과물을 검수하는 사람입니다. 그리고 그 능력은 경험에서 나옵니다." — 이 시리즈 10편, 검증(T) 편에서

PART 1에서 일의 단위 변화를 진단했습니다. PART 2에서 CREST 다섯 부품을 해부했습니다. PART 3에서 실무 다섯 장면에 적용했습니다. PART 4에서 사람 문제를 다뤘습니다.

PART 5는 전환입니다. 지금까지 배운 것을 개인의 자산으로 바꾸는 이야기입니다. 검수력을 무기로 만들고, 프롬프트를 라이브러리로 축적하고, 나 혼자의 능력을 팀의 구조로 확장하는 것. 그리고 마지막으로, 이 모든 것이 커리어에서 무엇을 의미하는지를 다룹니다.

30초 만에 '이건 틀렸다'라고 말한 사람

회의실에 보고서가 올라왔습니다.

깔끔했습니다. 구조도 좋고, 수치도 있고, 논리도 매끄러웠습니다. 신입 직원이 AI로 작성한 것이었고, 팀원 대부분이 고개를 끄덕였습니다.

그런데 20년 차 부장이 한 페이지를 30초쯤 보다가 이렇게 말했습니다.

"이 숫자, 이상한데요."

근거를 물었습니다. 그는 잠시 말을 고르다가 답했습니다. '설명하기는 어려운데… 이 업종에서 이 수치가 이렇게 나올 수가 없어요.'

확인해 보니 맞았습니다. 집계 기준이 달라서 두 배 가까이 부풀려진 숫자였습니다. AI는 주어진 데이터로 정확하게 계산했습니다. 다만 그 데이터의 전제가 틀렸을 뿐입니다.

그 부장이 어떻게 알았을까요. 계산을 다시 해봤을까요. 아닙니다. 그는 그냥 '이상하다'라고 느꼈습니다.

이것이 검수력입니다. 그리고 이 능력은 AI가 가질 수 없습니다.

AI는 주어진 것 안에서 완벽합니다. 그러나 주어진 것 자체가 틀렸을 때는 알지 못합니다. 그것을 아는 것은 그 일을 오래 해본 사람뿐입니다.

1. 검수력이란 무엇인가 — 세 가지 층위

검수력은 하나의 능력이 아닙니다. 세 개의 층이 겹쳐 있습니다. 그리고 위로 갈수록 경험이 필요합니다.

1층과 2층은 AI가 빠르게 잠식하고 있습니다. 10편에서 다룬 검증 프롬프트들이 그것입니다. 그런데 3층은 다릅니다.

3층의 검수는 '이 수치가 나올 수 없다'는 판단입니다. 계산이 틀렸다는 것이 아니라, 현실에서 이런 일이 일어나지 않는다는 것을 아는 것입니다. 이 판단의 근거는 데이터가 아니라 축적된 사례입니다.

5편에서 경험은 맥락(Context) 자산이라고 했습니다. 검수력은 그 자산이 반대 방향으로 작동하는 것입니다. 맥락을 넣어주는 것이 아니라, 맥락에 맞지 않는 것을 걸러내는 것.

2. 경험자만 아는 '이상함'의 정체

'이상하다'는 느낌은 막연해 보이지만 실제로는 구조가 있습니다. 26년간 무엇을 보고 이상하다고 느꼈는지 되짚어 정리했습니다.

다섯 가지 모두 데이터로는 확인할 수 없는 것들입니다. '이 업종에서 이직률 3%는 이상하다'는 판단은 통계에 없습니다. 수백 개 회사의 숫자를 본 사람의 머릿속에만 있습니다.

그리고 이것이 AI 시대에 경력자가 가진 가장 큰 자산입니다. AI는 학습한 데이터 안에서 그럴듯한 것을 만듭니다. 그것이 현실에서 성립하는지는 판단하지 못합니다.

3. AI가 만드는 '그럴듯함'의 다섯 가지 얼굴

AI 산출물의 위험은 틀렸다는 것이 아닙니다. 틀렸는데 그럴듯하다는 것입니다. 그 그럴듯함에는 패턴이 있습니다.

첫 번째가 가장 자주 사람을 속입니다. AI 결과물은 대개 완벽한 구조를 가집니다.
빠진 항목이 없고, 순서가 논리적이고, 모든 측면을 다룹니다. 그런데 바로 그 완결성이 문제입니다.

현실의 좋은 보고서는 완벽하지 않습니다. 우리 조직에 중요한 것에 분량이 몰려 있고, 관계없는 것은 아예 없습니다. 균등하게 완벽한 문서는 대개 아무 데도 맞지 않는 문서입니다.

4. 검수력을 언어화하는 법

여기서 중요한 문제가 생깁니다. 검수력은 대개 말로 설명되지 않습니다. '이상하다'는 느낌으로 남습니다.

그런데 설명하지 못하면 세 가지 손해가 생깁니다. 회의에서 설득력이 없고, 후배에게 전수할 수 없고, 자신의 가치를 증명할 수 없습니다.

느낌을 근거로 바꾸는 4단계 절차입니다.

앞의 부장 사례를 이 절차로 다시 보면 이렇게 됩니다.

1. 위치: "3페이지 이직률 3% 수치" 2. 사례: "제가 본 이 업종 회사들은 12~18% 범위였습니다" 3. 차이: "계약직을 제외하고 집계했을 가능성이 있습니다" 4. 확인: "인사팀에 산정 기준을 확인해 보겠습니다"

같은 지적인데 완전히 다르게 들립니다. '이상한데요'는 개인 의견이지만, 위 네 문장은 검증 가능한 문제 제기입니다.

16편에서 평가를 인상에서 근거로 바꾸는 법을 다뤘습니다. 검수력도 같습니다. 근거로 바꿔야 힘을 갖습니다.

5. AI를 검수 파트너로 쓰는 법

역설적이지만, 검수력을 키우는 데도 AI가 유용합니다. 다만 방식이 다릅니다.

두 번째 활용이 특히 중요합니다. '이상하다'는 느낌이 들었을 때 AI에게 그 느낌을 설명해 달라고 하는 것입니다. 그러면 자신도 모르게 감지하던 것이 문장으로 나옵니다.

다만 네 번째는 주의가 필요합니다. AI에게 '이 업종 평균 이직률이 얼마인가'를 물으면 그럴듯한 숫자를 줍니다. 그런데 그것 자체가 검증 대상입니다. AI의 답을 내 감각의 확인 근거로 삼으면 안 됩니다. 반드시 원출처를 확인하십시오.

6. 즉시 복사해서 쓰는 검수력 프롬프트 3종

대괄호만 바꿔서 쓰십시오.

[ 프롬프트 1 ] 느낌을 근거로 바꾸기 (핵심)

"아래 문서를 보고 [특정 부분]이 이상하다고 느꼈습니다. 그런데 왜 그런지 명확히 설명하기 어렵습니다. 제 배경: [업종·경력·담당 업무] 다음을 도와주십시오. ① 이 부분에서 통상적인 경우와 다를 수 있는 지점 나열 ② 각 지점에 대해 '어떤 경우에 이런 결과가 나오는가' 설명 ③ 제가 확인해야 할 구체적 항목 3가지 ④ 이 문제를 회의에서 제기할 때 쓸 수 있는 문장 ④번은 상대를 공격하지 않으면서 검증 필요성만 전달하는 표현으로 작성해 주십시오. [문서 붙여 넣기]"

[ 프롬프트 2 ] 완결성 함정 점검

"아래 문서를 검토해 주십시오. 이 문서는 AI로 작성된 것으로 보입니다. 다음 관점에서 점검해 주십시오. ① 교과서적 완결성 — 모든 항목이 균등하게 다뤄져 오히려 우리 조직 특성이 반영되지 않은 부분 ② 숫자의 권위 — 출처나 집계 기준이 없는 수치 ③ 논리의 매끄러움 — 인과처럼 서술됐지만 상관일 뿐인 연결 ④ 균형의 함정 — 결론이 예상과 지나치게 일치하는 부분 ⑤ 용어의 표면성 — 전문 용어가 정확한 의미로 쓰였는지 각 항목별로 문제 문장을 지목하고 확인이 필요한 이유를 한 줄씩 적어 주십시오. [문서 붙여 넣기]"

[ 프롬프트 3 ] 검수 관점 확장

"저는 [업종·직무] 경력 [N]년입니다. 아래 문서를 제 관점에서 검토했고, 다음 문제를 발견했습니다. [내가 발견한 것] 제가 놓쳤을 가능성이 있는 관점을 알려 주십시오. 특히 다음 관점에서 봐주십시오. — 법무·컴플라이언스 관점 — 재무·비용 관점 — 현장 실행 관점 — 이해관계자 반응 관점 각 관점에서 이 문서의 잠재적 문제를 1가지씩만 짚어 주십시오. 없으면 없다고 해주십시오."

세 번째 프롬프트는 검수력의 한계를 보완합니다. 아무리 경험이 많아도 자기 전문 영역 밖은 보이지 않습니다. AI에게 다른 관점을 요청하면 사각지대가 줄어듭니다.

7. 검수력을 증명하는 법 — 보이지 않는 능력의 문제

검수력에는 구조적 문제가 하나 있습니다. 잘 작동하면 아무 일도 일어나지 않는다는 것입니다.

문제를 미리 잡으면 그 문제는 발생하지 않습니다. 그러면 사람들은 애초에 문제가 없었다고 생각합니다. 19편에서 다룬 제2종 오류의 반대편 문제입니다.

그래서 검수력은 의도적으로 기록해야 합니다.

두 번째 항목이 특히 유용합니다. '이 오류가 그대로 갔다면 재작업 3일, 대외 신뢰 손실 가능'처럼 적어두면, 검수가 비용이 아니라 방어 활동이라는 것이 드러납니다.

16편에서 평가는 1년 내내 만들어진다고 했습니다. 검수력의 기록도 마찬가지입니다. 평가 시즌에 '저는 검수를 잘합니다'라고 말할 수는 없습니다. 기록이 있어야 합니다.

8. 그 부장이 회사를 떠나던 날

앞에서 이야기한 20년 차 부장의 이야기를 마저 하겠습니다.

그는 몇 년 뒤 정년을 앞두고 퇴직했습니다. 마지막 근무일에 후배들이 물었습니다. '부장님, 그거 어떻게 아셨어요? 숫자만 보고 이상한 걸.'

그가 답했습니다. '20년 동안 틀린 걸 많이 봤거든요.'

그리고 이렇게 덧붙였습니다.

"처음에는 저도 몰랐습니다. 제가 만든 보고서가 회의에서 깨지고, 제가 놓친 게 나중에 사고로 돌아오고. 그런 걸 스무 번쯤 겪으면 다음부터는 보입니다."

그의 검수력은 재능이 아니었습니다. 실패의 누적이었습니다.

그는 퇴직 전 마지막 몇 달 동안 문서 하나를 만들었습니다. 자신이 보고서를 볼 때 확인하는 것들을 순서대로 적은 것이었습니다. 특별한 내용은 없었습니다. '수치는 출처부터 본다', '일정에 예비일이 있는지 본다', '실행 주체가 명시됐는지 본다' 같은 것들이었습니다.

A4 세 장이었습니다. 20년이 세 장에 담겼습니다.

그 문서는 지금도 그 팀에서 쓰입니다. 신입이 들어오면 그것부터 받습니다.

AI 시대에 경력자가 불안해하는 이유를 압니다. 젊은 직원들은 새 도구를 빨리 익히고, 결과물은 순식간에 나옵니다. 20년의 경험이 무슨 의미가 있나 싶은 순간이 옵니다.

그러나 AI가 만든 그럴듯한 문서 앞에서 '이건 이상한데요'라고 말할 수 있는 사람은 여전히 드뭅니다. 그리고 그런 사람이 없는 조직은 그럴듯한 오류를 그대로 실행합니다.

검수력은 사라지는 능력이 아닙니다. AI가 결과물을 대량으로 만들어낼수록, 그것이 맞는지 판단할 사람의 가치는 올라갑니다.

다만 조건이 하나 있습니다. 그 능력을 말로 설명할 수 있어야 합니다. 느낌으로만 남아 있으면 아무도 그 가치를 알지 못합니다. 그리고 당신이 떠나면 함께 사라집니다.

A4 세 장으로 남기십시오. 그것이 20년을 자산으로 만드는 방법입니다.

AI가 만들 수 없는 것은 정답이 아닙니다. '이건 아닌 것 같다'는 판단입니다. 그 판단은 수백 번 틀려본 사람에게만 있습니다.

"20년 동안 틀린 걸 많이 봤거든요. 그런 걸 스무 번쯤 겪으면 다음부터는 보입니다."

다음 편 예고

제22편 — 「나만의 프롬프트 라이브러리 만들기」

좋은 프롬프트를 만들었는데 다음 달에 찾지 못한 경험이 있으실 겁니다. 재사용 가능한 템플릿을 축적하는 구조, 대괄호 변수화 원칙, 분류 체계 설계, 그리고 개인 자산이 시간이 지날수록 강해지는 구조를 다룹니다.

제23편 — 「팀에 전파하는 법: 혼자 잘 쓰는 사람에서 구조를 나누는 사람으로」

혼자 AI를 잘 쓰면 개인의 능력이지만, 팀이 함께 쓰면 조직의 역량이 됩니다. 저항 없이 전파하는 법, 그리고 강요하지 않고 확산시키는 구조를 다룹니다.

참고 자료

1. 한국 IT산업뉴스 — 2026 채용시장: 시니어의 기회 (2026.05.23)

— 'AI가 처리할 수 없는 현장 맥락 이해와 장기 신뢰 구축은 고령 인력의 자산'

— '시니어 경험 = 조직 기억(organizational memory)'

2. SK AX — 2026년 기업이 준비해야 할 AI 전략 (2025.12)

— '2026년 AI 경쟁력은 얼마나 업무를 잘 아는 AI 인가로 재편'

3. 전자신문 — AI 기본법 시대: 결과 검증 넘어 설계의 바카라임성으로 (2026.01)

— Anthropic 연구: AI의 Sycophancy(아첨) 경향

— '답안지만 보고 학생 인성 평가 불가'

4. Jaykee 블로그 — AI 할루시네이션 제로는 불가능 (2026.06)

— '2025년 두 편의 독립 논문에서 수학적 불가능 증명, OpenAI 공식 인정'

— 사고 1건당 비용: 고객서비스 2,500만 원 / 의료 최대 32억 원

5. ProB AI 연구소 — AI 환각 줄이기: 검증 구조를 바꿔야 합니다 (2026)

— '근거 중심 구조로 뒤집으면 검증 지점이 답변 안에 드러난다'

6. gridge 블로그 — AI 결과물 바로 배포하면 위험한 7가지 이유 (2026.07)

— METR 연구 19% 생산성 저하, Stanford 2.7배 보안 취약점 증가

7. 윈스펙 커뮤니티 — 데이터 리터러시: 분석 툴이 아니라 해석 역량 (2026.06)

— 'AI 도입 78% vs 활용 31% 격차를 메우는 것은 해석 능력'

8. 샤플 — 인사평가 설계 가이드 (2026.07)

— '근거 자료가 흩어져 있으면 공정성을 지키기 어렵다'