AI 시대의 경쟁 상대는 AI가 아니다. AI 엔지니어, 즉 AI를 도구로 내재화한 옆자리 동료다. 기계가 사람을 대체하던 과거와 달리, 지금은 ‘AI를 쓰는 사람’이 ‘AI를 안 쓰는 사람’을 대체하는 구조로 판이 바뀌었다. 이 글에서는 지식의 3단계 구조로 AI와 엔지니어의 강점을 분해하고, AI 엔지니어가 현장에서 실제로 무엇이 다른지를 다룬다.
지식에는 3개의 층위가 있다 — Know-what, Know-how, Know-why
AI를 제대로 이해하려면 먼저 지식을 3단계로 나눠야 한다.
Know-what — 사실, 데이터, 정보다. “무엇인가”를 아는 것. 수치, 공식, 매뉴얼, 과거 사례가 여기에 속한다.
Know-how — 절차, 기술, 방법이다. “어떻게 하는가”를 아는 것. 코딩, 보고서 작성, 장비 점검 절차처럼 실행 가능한 기술이다.
Know-why — 인과관계, 맥락, 목적의식이다. “왜”를 이해하는 것. 단순히 답을 내놓는 것이 아니라, 그 배경을 이해하고 책임 있는 판단을 내리는 층위다.
이 3단계 구조로 보면, AI와 엔지니어가 각각 어디서 강하고 어디서 약한지가 선명하게 보인다.
AI vs 엔지니어 — 각 층위에서 누가 강한가
| 지식 층위 | AI의 강점 | 엔지니어의 강점 | AI 엔지니어 |
|---|---|---|---|
| Know-what | ⭐⭐⭐ 압도적 — 방대한 데이터 처리, 패턴 인식, 즉각 검색 | ⭐⭐ 경험 기반 사례 기억 | AI가 Know-what을 전담, 엔지니어는 해석에 집중 |
| Know-how | ⭐⭐ 코드 생성, 문서 작성, 분류·분석 절차 실행 | ⭐⭐⭐ 현장 암묵지, 손끝 감각, 절차 판단 | AI가 초안·분석을 내놓고, 엔지니어가 현장 맥락으로 조율 |
| Know-why | ⭐ 상관관계는 잡지만 인과 추론은 취약 | ⭐⭐⭐ 현장 맥락, 복합 원인 판단, 책임 의사결정 | 엔지니어가 Know-why를 독점, AI는 보조 |
핵심은 AI가 Know-what에서 압도적이라는 사실이다. 과거에는 경험 많은 엔지니어가 더 많은 사례를 기억하고 더 빠르게 정보를 꺼내는 것이 경쟁력이었다. 이제 그 영역은 AI가 가져갔다. 엔지니어가 집중해야 할 곳은 Know-how와 Know-why, 특히 AI가 따라오지 못하는 현장 맥락 판단이다.
AI 엔지니어란 무엇인가 — 도구를 쓰는 사람이 달라진다
‘AI 엔지니어’라고 하면 AI 모델을 개발하는 사람을 떠올리기 쉽다. 하지만 여기서 말하는 AI 엔지니어는 다르다. AI를 일상 업무의 도구로 자연스럽게 쓰는 엔지니어다. 계산기를 쓰듯, 검색을 하듯, AI를 업무 흐름 안에 녹여넣은 사람이다.
과거의 기술 혁명은 외부에서 왔다. 자동화 기계가 단순 반복 작업을 가져갔다. 하지만 AI 혁명의 위협은 방향이 다르다. 외부(기계)가 아니라 내부, 즉 같은 팀 안에서 온다. AI 엔지니어는 이미 옆에 있을 수 있다.
경험의 공식이 바뀌었다 — 연차 × AI 레버리지
AI 이전 시대의 경쟁력 공식은 단순했다.
경험 연수 × 기억한 사례 수 × 직관
시간이 곧 경쟁력이었다. 10년 차가 3년 차보다 잘하는 이유가 명확했고, 이 구조는 수십 년간 현장을 지배했다. Know-what을 더 많이 쌓은 사람이 이겼다.
AI 이후의 공식은 다르다.
(경험 + 판단력) × AI 레버리지
Know-what은 AI가 가져갔다. 이제 경쟁력은 Know-how와 Know-why를 얼마나 깊이 갖고 있느냐, 그리고 AI의 Know-what 능력을 얼마나 잘 활용하느냐의 곱으로 결정된다.
| 구분 | AI 이전 | AI 이후 |
|---|---|---|
| 경쟁력의 원천 | 경험 연수, 기억한 사례(Know-what) | 경험 × AI 레버리지 |
| 3년 차의 한계 | 정보·사례 부족 | AI로 Know-what 상당 부분 보완 가능 |
| 10년 차의 강점 | 경험 자체 | 경험 + AI = 비선형 격차 |
| 위협의 방향 | 기계(외부) | AI 쓰는 동료(내부) |
현장에서 AI 엔지니어가 실제로 다른 3가지
1. 정보 처리 속도 — Know-what을 AI에게 맡긴다
F1 레이스에서 이런 상황을 상상해보자.
피트월의 엔지니어 두 명이 같은 데이터를 받았다. 한 명은 과거 기억과 동료 문의로 유사 사례를 찾는다. 다른 한 명은 AI에게 데이터를 던지고 30초 만에 패턴을 추려낸다. 피트스톱 타이밍은 먼저 결론에 도달한 쪽으로 기운다.
현장도 같다.
| 상황 | AI 없는 엔지니어 | AI 엔지니어 |
|---|---|---|
| 유사 고장 사례 검색 | 과거 기억 + 동료 문의 | 대량 데이터에서 즉시 추출 |
| 매뉴얼 탐색 | 수십 페이지 직접 탐색 | 질문 하나로 해당 섹션 |
| 보고서 작성 | 2시간 소요 | 30분 초안 + 검토 |
| 유사 패턴 분석 | 경험에 의존 | 데이터 기반 즉시 대조 |
※ 이 시나리오는 개념 설명을 위한 가상의 상황입니다. 실제 F1 팀의 전략과 다를 수 있습니다.
속도는 단순히 빠른 것의 문제가 아니다. 더 빨리 판단에 도달하면, 더 많은 옵션을 검토할 수 있다.
2. 판단의 폭 — Know-why는 엔지니어가 쥔다
AI 엔지니어는 판단 전에 더 많은 가능성을 펼쳐볼 수 있다. AI는 편향 없이, 지치지 않고, 엔지니어가 놓치기 쉬운 패턴을 짚어준다. 하지만 인과관계 판단은 여전히 사람의 몫이다. 현장 맥락, 설비 이력, 그날의 상황을 아는 건 AI가 아니라 엔지니어다.
AI 엔지니어의 강점은 AI가 판단하는 게 아니라, AI 덕분에 더 나은 판단을 더 빨리 내린다는 데 있다. Know-what을 AI가 처리하는 동안, 엔지니어는 Know-why에 집중할 수 있다.
3. 커뮤니케이션 속도 — Know-how의 격차가 문서에서 드러난다
현장 엔지니어의 숨겨진 병목 중 하나는 문서다. 보고서, 품의서, 트러블슈팅 기록. 기술적 역량이 같다면, 전달력 있는 문서를 빠르게 만드는 사람이 조직에서 더 빠르게 인정받는다. AI 엔지니어는 이 병목을 극적으로 줄인다.
AI에게 판단을 넘기는 순간 생기는 위험
AI 엔지니어가 되는 것과 AI에 의존하는 것은 전혀 다른 이야기다. 두 가지 착각을 조심해야 한다.
착각 1 — “AI가 다 해주겠지”
AI를 쓰되 판단을 AI에게 넘기는 순간, 엔지니어로서의 핵심 가치가 사라진다. AI는 Know-what과 Know-how 일부를 처리하지만, Know-why는 흉내만 낼 뿐이다. AI는 틀릴 수 있고, 현장 맥락을 모른다. 할루시네이션 방지는 AI를 잘 쓰는 사람이 반드시 갖춰야 할 기술이다.
착각 2 — “나는 경험이 있으니 괜찮아”
경험은 여전히 중요하다. 하지만 경험만으로는 AI 레버리지를 가진 후배를 이길 수 없는 영역이 빠르게 늘어나고 있다. Know-what 영역에서는 특히 그렇다. 경험 + AI가 새로운 기본값이다.
지금 당장 AI 엔지니어가 되는 3단계
거창하게 시작할 필요 없다. 오늘 업무에서 한 가지만 바꾸면 된다.
1단계 — AI를 일상 도구로 내재화한다 (Know-what 위임)
특별한 일이 아니라 일상 업무에 자연스럽게 쓴다. 보고서 초안, 매뉴얼 검색, 유사 사례 정리. 쓰는 횟수가 늘수록 어디에 쓰면 좋은지 감이 생긴다. 프롬프트 엔지니어링을 조금만 익혀두면 결과물의 질이 달라진다.
2단계 — Know-why를 강화한다
AI가 대체 못하는 영역에 집중 투자한다. 인과 판단력, 현장 맥락 해석력, 책임 있는 의사결정. 도메인 지식이 AI 분석의 출발점이라는 사실을 기억한다. AI는 데이터를 분석하지만, 어떤 데이터를 측정할지는 현장 엔지니어가 결정한다.
3단계 — 암묵지를 언어화한다 (Know-how를 전달 가능하게)
본인이 가진 현장 경험을 문서화하고 언어로 만드는 연습을 한다. 머릿속에만 있는 감각을 글로 꺼내야 AI와 협업할 수 있고, 조직에서도 가치가 보인다. 말로 설명하지 못하는 기술은 AI에게도, 후배에게도 전달되지 않는다.
핵심 요약
- 지식은 Know-what / Know-how / Know-why 3단계로 나뉜다
- AI는 Know-what에서 압도적이다 — 정보 검색, 패턴 인식, 대량 처리
- 엔지니어는 Know-why에서 압도적이다 — 인과 판단, 현장 맥락, 책임 결정
- AI 엔지니어는 AI의 Know-what + 엔지니어의 Know-why를 결합한 존재다
- 경험의 공식이 바뀌었다 — (경험 + 판단력) × AI 레버리지
[링크 제안]
AI 엔지니어가 Know-why를 강화해야 하는 이유가 더 궁금하다면,
AI 시대에도 인간의 문제 해결 능력이 오히려 가치가 높아지는 이유를 다음 글에서 이어서 읽을 수 있다.
AI를 도구로 내재화하는 것이 개인 차원이라면, 조직 차원에서 AI를 업무에 녹이는 흐름은 AX(AI Transformation)다.
AI 역량의 현재 수준을 공식 데이터로 확인하고 싶다면 Stanford HAI AI Index에서 최신 보고서를 직접 열람할 수 있다.
