“당신이 그 알약을 먹었을 때 어땠습니까?” — 영화 리미트리스, 2011
들어가며 — 리미트리스를 다시 봤습니다
주말 밤 늦게 영화 한 편을 봤습니다. 브래들리 쿠퍼 주연의 2011년 작, 리미트리스(Limitless)입니다.
처음 봤을 때는 그냥 SF 스릴러였습니다. 이번에 다시 보면서는 계속 한 생각이 머릿속을 맴돌았습니다. 이거 지금 우리 얘기잖아.
줄거리를 모르시는 분을 위해 간략히 소개하겠습니다. 에디 모라(Eddie Morra)는 무능하고 게으른 작가입니다. 마감은 항상 넘기고, 여자친구도 떠나고, 통장은 거의 바닥입니다. 어느 날 우연히 NZT-48이라는 알약 하나를 손에 넣게 됩니다. 이걸 먹으면 뇌의 잠재된 능력 전체가 깨어납니다. 기억력이 폭발하고, 패턴 인식이 초인적이 되고, 언어를 며칠 만에 익히고, 주식 시장을 읽고, 몇 주 만에 완벽한 소설 원고를 완성합니다. 결국 대형 투자펀드 운용을 맡게 되고, 정치 세계에까지 발을 들입니다.
다시 보면서 든 생각은 이것이었습니다. “2022년 말, ChatGPT가 처음 나왔을 때 그걸 바로 쥔 사람들은 NZT-48을 먹은 거랑 거의 같았겠다.”
이 글은 그 생각에서 시작합니다.
1. NZT-48의 본질은 무엇이었나
영화 속 NZT-48의 효과를 하나씩 뜯어보면 흥미로운 점이 있습니다.
① 완벽한 기억 소환(Perfect Recall): 과거에 읽었던 모든 책, 들었던 대화, 스쳐 지나간 신문 헤드라인까지 필요한 순간에 정확하게 끌어올 수 있습니다.
② 초고속 패턴 인식: 방대한 데이터 안에서 남들이 못 보는 연결고리를 찾아냅니다. 주식 차트를 보고 다음 움직임을 예측하고, 사람을 보면 그 사람의 의도와 다음 행동을 읽습니다.
③ 급격한 학습 속도: 며칠 만에 피아노를 치고, 몇 주 만에 여러 언어를 익힙니다. 정보를 받아들이고 체화하는 속도가 일반인과 비교가 되지 않습니다.
④ 멀티태스킹과 집중력: 여러 복잡한 문제를 동시에 처리하면서도 집중력이 흐트러지지 않습니다.
⑤ 창의적 합성: 기존에 알고 있는 지식들을 연결해 완전히 새로운 무언가를 만들어냅니다.
이 다섯 가지를 나열해 놓고 보면 이상하게 익숙하게 느껴집니다. 좋은 프롬프트를 가진 사람이 생성형 AI와 함께 일하는 모습이랑 놀라울 만큼 비슷합니다.
2. 생성형 AI는 실제로 NZT-48인가 — 비교 분석
솔직하게 비교해보겠습니다. 완전히 같다는 것이 아닙니다. 어디가 같고 어디가 다른지를 제대로 보는 것이 중요합니다.
같은 점 — 충격적으로 유사한 부분들
기억의 외부화(External Memory)
NZT-48은 에디가 평생 흡수했던 정보를 전부 꺼내 쓸 수 있게 해줬습니다. 생성형 AI는 인류가 수백 년간 축적한 텍스트 지식을 압축해서 담고 있습니다. 내가 20년 공부할 분량의 지식에 질문 한 번으로 접근할 수 있게 된 것입니다.
패턴 인식과 합성
잘 알려지지 않은 사실인데, 에디가 주식 시장에서 돈을 번 방법이 복잡한 계산이 아니었습니다. 시장의 패턴을 읽고 의사결정을 빠르게 한 것입니다. 생성형 AI가 하는 가장 강력한 일 중 하나가 바로 이 패턴 인식입니다. 방대한 데이터 안에서 연결고리를 찾고, 유사 사례를 끌어오고, 예측 가능한 방향을 제시합니다.
속도의 비대칭
에디는 보통 사람이 한 달 걸릴 작업을 사흘 만에 해치웠습니다. 생성형 AI를 제대로 쓰는 사람은 보고서 하나 작성에 5시간 쓰던 것을 45분으로 줄입니다. 제안서 구조를 잡는 데 하루 걸리던 것이 2시간으로 줄어듭니다. 이 속도 격차는 선형이 아닙니다. 복리로 쌓입니다.
언어와 표현의 확장
에디는 영어밖에 못하다가 피아노도 치고 몇 개 국어를 익혔습니다. 생성형 AI는 내가 전달하려는 핵심 아이디어가 있을 때 그것을 최적의 언어와 구조로 표현해줍니다. 내 생각이 빈약해도 AI가 그 생각을 가장 설득력 있는 형태로 벼려줍니다. 이게 표현력의 비약적 확장입니다.
다른 점 — 여기서 생각이 갈립니다
NZT-48은 개인의 인지를 확장하지만, 생성형 AI는 도구입니다.
에디가 NZT를 끊으면 능력이 사라졌습니다. 생성형 AI는 내가 AI를 안 쓰는 순간 나의 능력이 도로 원래 수준으로 돌아옵니다. 즉, 생성형 AI는 나 자신을 업그레이드하는 것이 아니라, 나의 역량을 증폭하는 레버입니다. 레버가 없으면 원래 힘으로 돌아갑니다.
이 차이가 핵심입니다. 그리고 이것이 “AI를 어떻게 써야 하는가”의 답이기도 합니다.
NZT-48은 부작용이 치명적이었지만, 생성형 AI는 다른 종류의 리스크가 있습니다.
영화에서 NZT의 금단 증상은 사망이었습니다. 생성형 AI의 리스크는 다릅니다. 할루시네이션(Hallucination) — AI가 그럴듯하게 틀린 정보를 내놓는 현상입니다. 비판적 검토 없이 AI 출력을 그대로 사용하다가 오류가 쌓이는 것도 문제입니다. 그리고 에디의 전 처가 경고했던 것처럼, 과도한 의존이 자신의 원래 역량을 퇴화시킬 수 있다는 점도 주의해야 합니다.
3. 2022년 말 — NZT-48 알약이 처음 돌던 그 시절
2022년 11월 30일, OpenAI가 ChatGPT를 공개했습니다.
처음 몇 주 동안 이걸 써본 사람들의 반응이 어땠는지 기억하십니까? “이게 뭐야, 말이 돼?” “이게 진짜 이 수준이야?” 라는 말들이 쏟아졌습니다. 전문가들도 놀랐고, 비전문가들도 놀랐습니다. 왜냐하면 처음으로 ‘언어를 이해하고 맥락에 맞게 생성하는’ 능력이 임계점을 넘었기 때문입니다.
그 초기, 2022년 말에서 2023년 상반기 동안 이 도구를 업무에 진지하게 적용한 사람들에게 무슨 일이 일어났을까요.
콘텐츠 제작자: 하루에 블로그 포스트 1개 쓰던 사람이 5개를 썼습니다. 유튜브 스크립트를 하루에 3편 기획했습니다. 이 속도 차이는 6개월, 1년이 지나면서 검색 노출과 구독자 수에서 극명한 격차로 나타났습니다.
개발자: 코드 작성 속도가 30~40% 향상됐다는 연구 결과들이 쏟아졌습니다. 주니어 개발자가 시니어처럼 코드를 짜고, 시니어는 아키텍처 레벨의 사고에 더 집중할 수 있게 됐습니다.
컨설턴트/PM: 제안서, 보고서, 분석 자료 작성 시간이 절반 이하로 줄었습니다. 같은 시간에 두 배 이상의 클라이언트를 대응할 수 있게 됐습니다.
연구자: 논문 초안 작성, 문헌 정리, 가설 생성에 AI를 쓰기 시작한 연구자들과 그렇지 않은 연구자들 사이에 발표 속도 격차가 벌어지기 시작했습니다.
그 시절 이 도구를 먼저 집어 든 사람들은 영화 속 에디가 NZT-48을 처음 먹었을 때의 경험과 구조적으로 동일한 경험을 했습니다. 나만 접근 가능한 레버. 경쟁자는 아직 이게 뭔지 모르는 상태. 결과물의 질과 양이 폭발하는 경험.
그게 2022~2023년이었습니다.
4. 2026년 지금 — 알약이 모두에게 풀린 세상
자, 그런데 지금은 어떨까요.
국내 조직의 78%가 생성형 AI 도입 후 직원 생산성이 개선됐다고 답했습니다. 국내 기업의 55.7%가 이미 전사적(22.4%) 혹은 일부 부서(33.2%) 수준에서 생성형 AI를 활용 중이며, 향후 도입 예정 기업까지 포함하면 내년에는 85% 이상의 기업이 생성형 AI를 실제 업무에 도입할 것으로 전망됩니다.
이 숫자가 의미하는 것은 하나입니다. NZT-48이 더 이상 희귀 약이 아닙니다. 동네 약국에 풀렸습니다.
그러면 이제 끝인가요? 먼저 쓴 사람의 이점이 사라졌을까요?
절반만 맞는 말입니다.
영화에서 NZT가 대중화됐을 때 어떤 일이 벌어졌는지 생각해보십시오. 그때부터는 “먹느냐 안 먹느냐”가 아니라 “얼마나 잘 활용하느냐”가 경쟁의 기준이 됐습니다. 에디처럼 뇌의 전 영역을 활성화하면서도 그 힘을 어떤 목적에, 어떤 전략으로 쏟아붓느냐의 싸움이 된 것입니다.
지금이 딱 그 지점입니다.
생성형 AI를 쓰는 것 자체는 더 이상 경쟁력이 아닙니다. 어떻게 쓰느냐, 어떤 맥락에 쓰느냐, 어떤 전문성과 결합하느냐가 진짜 격차를 만드는 시대입니다.
5. 그럼 왜 쓰는 사람도 성과가 안 나올까 — AI ROI의 역설
IBM 비즈니스 가치 연구소의 설문조사에 따르면, 최근 몇 년간 AI 이니셔티브 중 25%만이 ROI 기대치를 충족한 것으로 나타났습니다. 전사적 적용에 성공한 AI 프로젝트의 비율도 16%에 그쳤습니다.
이 숫자가 이상하게 느껴지실 수 있습니다. 생산성이 올랐다는데 ROI는 왜 안 나올까요. 현장에서 보면 그 이유가 보입니다.
이유 1: “써봤다”와 “잘 쓴다”는 완전히 다릅니다
영화에서 NZT를 먹은 뒤 에디가 처음 한 일이 무엇이었을까요. 책상에 있던 책 무더기를 다 읽었습니다. 정보를 흡수하고, 연결하고, 실행에 옮겼습니다. 단순히 “나 이제 똑똑해졌어”를 느끼는 데서 끝나지 않았습니다.
기업에서 생성형 AI 도입이 실패하는 가장 흔한 패턴은 이것입니다. ChatGPT 기업용 버전을 구독하고, 직원들에게 “이제 쓰세요”하고 던집니다. 처음 몇 주는 다들 신기하게 써봅니다. 그러다 3개월이 지나면 절반 이상이 원래 방식으로 돌아갑니다. 왜냐하면 “AI로 내 업무에서 구체적으로 이 문제를 이렇게 해결한다”는 연결이 없었기 때문입니다.
임직원들이 생성형 AI를 알고는 있지만 ‘내 업무에 어떻게 적용할지 모르겠다’는 반응을 보이는 경우가 많습니다. 해결책은 각 개인이 실무에서 해결하고자 하는 문제를 명확히 정의하고, 정의한 문제를 생성형 AI를 활용하여 해결할 수 있도록 경험과 지식이 많은 멘토가 함께 도와야 한다는 것입니다.
이유 2: 프롬프트가 없으면 AI도 없습니다
에디가 NZT를 먹고 멍하니 천장만 바라봤다면 어떻게 됐을까요. 아무 일도 안 일어났을 것입니다. 그가 가진 도구가 강력해졌지만, 그 도구를 ‘무엇에 쓸지’를 결정하는 건 에디 자신이었습니다.
프롬프트 엔지니어링이 중요하다는 말을 많이 들으셨을 겁니다. 그런데 이것이 단순히 “질문을 잘 써야 한다”는 기술적 문제가 아닙니다. 핵심은 “내가 무엇을 원하는지, 왜 원하는지, 어떤 맥락에서 원하는지”를 명확히 하는 능력입니다. 이것은 AI 이전에 사람의 사고 역량입니다.
자신의 목표가 모호한 사람은 좋은 프롬프트를 쓰지 못합니다. AI가 뭘 돌려줘도 그것이 좋은 건지 나쁜 건지 판단을 못합니다. 결과적으로 AI가 있어도 생산성 향상이 없습니다.
이유 3: 도메인 전문성 없이는 AI의 출력을 검수할 수 없습니다
LLM에 대한 과도한 의존은 우리 자신의 독창적 사고를 약화시킬 수 있습니다. 비판적 사고가 없으면 AI가 생성한 잘못된 정보를 사실로 받아들이는 위험도 생깁니다.
생성형 AI는 틀릴 수 있습니다. 그리고 틀릴 때 아주 그럴듯하게 틀립니다. 금융 분석가가 AI가 뽑아준 재무 분석을 검토할 때, 그 분야 경험이 없으면 숫자가 맞는지 틀린지 판단을 못합니다. 법률 문서를 AI가 작성해줬을 때, 법 지식이 없으면 핵심 조항에 문제가 있어도 모릅니다.
AI는 여러분이 가진 전문성을 10배로 증폭합니다. 전문성이 없으면 0 × 10 = 0입니다.
이 공식이 AI 활용의 가장 냉정한 진실입니다.
6. 생성형 AI 활용 성숙도 모델 — 나는 지금 어디 있을까요
개인과 조직이 생성형 AI를 어떻게 활용하는지를 5단계로 나눠보면 현재 위치가 보입니다.
1단계: 탐색 (Explorer)
“써봤는데 신기하더라” 수준입니다. 가끔 ChatGPT에 질문하고, 답을 받아보는 경험 정도입니다. 업무에 통합되지 않고, 개인 호기심 수준에서 씁니다. 이 단계의 분들은 AI를 쓴다고 말하지만 실제로 생산성 향상은 거의 없습니다.
2단계: 보조 도구화 (Assistant)
특정 반복 작업에 AI를 씁니다. 이메일 초안 작성, 문서 요약, 번역 등입니다. 편하다고 느끼지만 업무의 주변부에서만 씁니다. 아직 “없어도 그냥 하던 대로 할 수 있다”는 수준입니다.
3단계: 워크플로 통합 (Integrator)
AI를 업무 프로세스의 핵심에 배치했습니다. 보고서를 쓸 때 AI가 구조를 잡고, 데이터 분석할 때 AI가 패턴을 찾아주고, 회의 준비를 AI와 함께 합니다. 이 단계부터 “AI 없이 돌아가던 때로 돌아가기 싫다”는 말이 나옵니다.
4단계: 멀티에이전트 활용 (Orchestrator)
AI 에이전트들을 연결해서 복잡한 워크플로를 자동화합니다. 여러 도구를 조합하고, AI들이 서로 결과를 주고받는 파이프라인을 설계합니다. 이 단계는 기술 이해도와 프로세스 설계 능력이 함께 필요합니다.
5단계: AI 네이티브 (Native)
AI 없는 업무 방식이 상상이 안 됩니다. 모든 의사결정 과정, 창작 과정, 분석 과정에 AI가 파트너로 내재화되어 있습니다. 새로운 문제를 만났을 때 “AI로 어떻게 풀 수 있을까”가 첫 번째 질문이 됩니다.
비교표: 단계별 현황
| 단계 | 특징 | AI 활용 시간 비중 | 생산성 변화 |
|---|---|---|---|
| 1단계 탐색 | 가끔 써봄 | 주 1~2시간 | 거의 없음 |
| 2단계 보조 | 반복작업 대체 | 주 3~5시간 | 10~20% 향상 |
| 3단계 통합 | 핵심 업무 내재화 | 하루 2~3시간 | 40~60% 향상 |
| 4단계 오케스트레이터 | 자동화 파이프라인 | 설계 후 상시 | 2~5배 |
| 5단계 네이티브 | AI가 업무 파트너 | 경계 없음 | 10배 이상 가능 |
솔직히 말씀드리면, 지금 국내 대부분의 직장인은 1~2단계에 머물러 있습니다. 기업 입장에서도 비슷합니다. 도입은 했는데 3단계 이상으로 올라가는 데서 막히는 조직이 태반입니다.
7. 영역별 실전 활용 — PM과 컨설턴트가 쓰는 방식
IT 프로젝트 관리와 컨설팅 관점에서 생성형 AI를 어떻게 쓰는지 구체적으로 풀어보겠습니다. 이론이 아니라 실제 적용 방식입니다.
프로젝트 계획 수립
과거에는 유사 프로젝트의 WBS(Work Breakdown Structure)를 참고하면서 손으로 짰습니다. 지금은 프로젝트 개요와 제약 조건을 AI에게 주면 초안 WBS를 5분 안에 뽑아줍니다. 거기서 경험으로 아는 “이 단계는 항상 두 배로 잡아야 한다”는 조정을 더합니다. AI가 초안, 사람이 검수와 조정. 이 구조가 현장에서 작동합니다.
이해관계자 커뮤니케이션 문서
기술팀에게 보내는 것과 경영진에게 보내는 것은 언어가 달라야 합니다. 같은 내용을 다른 레이어로 변환하는 작업이 AI와 함께하면 극적으로 빨라집니다. 초안을 한 번 쓰면 “이걸 임원 보고용 한 페이지로 요약해줘”, “이걸 기술 담당자용으로 상세화해줘”가 몇 분 만에 끝납니다.
리스크 식별
프로젝트 특성과 유사 사례를 넣으면 AI가 놓칠 수 있는 리스크를 추가로 제안합니다. 경험 많은 PM도 특정 산업이나 기술 영역의 리스크는 놓칠 수 있습니다. AI가 보조 리뷰어 역할을 합니다. 여기서도 마지막 판단은 사람이 합니다.
제안서 작성
RFP를 분석하고, 핵심 요구사항을 추출하고, 그에 맞는 제안 구조를 잡는 데 AI를 씁니다. 전략과 차별화 포인트는 사람이 결정하고, AI가 그 방향에 맞는 표현과 구성을 잡아줍니다. 제안서 한 편에 3~4일 걸리던 것이 1~1.5일로 줄었습니다.
블로그 및 콘텐츠
이 글도 그렇습니다. 핵심 아이디어는 제가 잡습니다. “리미트리스와 생성형 AI를 연결하면 어떨까”라는 아이디어는 사람에게서 나옵니다. AI는 그 아이디어를 뒷받침하는 구조, 데이터, 표현을 도와줍니다. 최종 검토와 현장 경험에서 나오는 사례는 사람이 채웁니다. 이 역할 분담이 핵심입니다.
8. NZT-48의 진짜 교훈 — 리미트리스가 놓친 질문
영화는 에디가 결국 NZT 없이도 능력을 유지하는 방법을 찾는 것으로 끝납니다(결말이 약간 모호하지만). 뇌 자체를 바꾼 것입니다. 알약에 의존하지 않는 상태를 만든 것입니다.
이것이 생성형 AI 활용의 최종 목표여야 한다고 생각합니다.
AI를 쓰면서 내 사고 방식이 바뀌는 것. AI와 함께 일하면서 더 좋은 질문을 하게 되는 것. AI의 출력을 검토하면서 판단력이 단련되는 것. AI 덕분에 더 많은 실험을 해보면서 도메인 지식이 깊어지는 것.
이것이 이상적인 방향입니다.
반대로 가장 위험한 패턴은 “생각은 AI가 하고 나는 복사·붙여넣기만 한다”가 되는 것입니다. 그렇게 되면 에디의 전 처처럼 — AI를 끊는 순간 원래의 자신보다 더 무능해져 있을 수 있습니다.
AI는 결국 인간의 일자리를 대체하는 것이 아니라 우리의 능력을 강화합니다. NZT-48이 에디를 더 나은 에디로 만들었던 것처럼. 진짜 힘은 도구 자체에 있는 것이 아니라, 우리가 그 도구를 어떻게 활용해서 잠재력을 끌어내느냐에 있습니다.
9. 비교 인사이트 — AI를 잘 쓰는 사람 vs 못 쓰는 사람의 차이
현장에서 직접 보면서 정리한 기준을 표로 정리했습니다.
개인 수준 비교
| 항목 | AI를 잘 쓰는 사람 | AI를 못 쓰는 사람 |
|---|---|---|
| 시작점 | 해결할 문제가 명확하다 | “AI로 뭔가 해볼까” |
| 프롬프트 | 구체적, 맥락 포함, 제약 명시 | “이거 써줘” |
| 출력 처리 | 검토 후 수정, 판단 주도 | 그대로 복붙 |
| 결과 학습 | “왜 이 결과가 나왔나” 분석 | 쓰고 끝 |
| 도메인 역량 | 전문성 + AI = 레버리지 | AI에 전문성 위탁 |
| 성장 방향 | AI와 함께 성장 | AI에 의존 심화 |
조직 수준 비교
| 항목 | AI 선도 조직 | AI 뒤처진 조직 |
|---|---|---|
| 도입 목적 | 특정 문제 해결 명확 | “남들 하니까” |
| 거버넌스 | AI 사용 가이드, 데이터 정책 | 규정 없음 |
| 교육 방식 | 직무별 실전 워크숍 | 일회성 강의 |
| 성과 측정 | KPI에 AI 효과 포함 | “개선됐다더라” |
| 확산 방식 | 성공 사례 내부 공유 | 탑다운 지시 |
AI 성숙도는 ROI와 직접적으로 연결됩니다. IT 부서가 주도하는 AI 이니셔티브는 가장 높은 성공률을 보인 반면, 부서 간 협업이 부족한 하향식 접근 방식은 신뢰도 저하 응답의 절반 이상을 차지했습니다.
전략 없이 위에서 내려오는 AI 프로젝트는 현업의 수용성과 실행력을 확보하기 어렵습니다. 이것이 수치로 증명된 셈입니다.
10. 2026년 지금, 우리는 NZT 다음 버전을 앞두고 있습니다
에이전틱 AI 시장은 2025년 2조 원에서 2030년 61조 원으로 연평균 175% 성장이 전망됩니다. 생성형 AI 대비 개발자 생산성이 200% 향상되는 사례도 보고되고 있습니다.
생성형 AI(Generative AI)가 NZT-48이었다면, 에이전틱 AI(Agentic AI)는 NZT-48을 매일 복용하면서 에디 스스로가 뇌를 재설계한 버전입니다. 질문에 답하는 것이 아니라, 목표를 주면 스스로 계획하고 실행하는 AI. 여러 AI 에이전트가 팀처럼 분업하면서 복잡한 업무를 처리하는 구조입니다.
2026년 지금 이 글을 읽고 계신 분들께 드리고 싶은 말씀은 하나입니다.
NZT-48이 처음 시장에 풀렸을 때 그걸 먼저 집어 든 사람들이 다음 3~5년을 지배했습니다. 에이전틱 AI는 지금 그 초기 단계입니다.
생성형 AI를 “써봤다” 수준에서 “잘 쓴다” 수준으로 올리는 것이 지금 당장의 과제입니다. 그리고 그 위에서 에이전틱 AI를 처음 집어 드는 준비를 하는 것이 3년 후를 결정짓습니다.
마무리 — 영화의 마지막 장면을 다시 보면서
리미트리스의 마지막 장면에서 에디는 경쟁자에게 이렇게 말합니다.
“나는 NZT를 끊었어요. 하지만 내 뇌는 이미 그 상태를 기억하고 있습니다.”
이것이 AI 시대에 살아남는 사람의 방식이어야 한다고 생각합니다. AI를 쓰면서 내 사고가 단련되고, AI의 레버리지를 통해 쌓은 경험과 통찰이 내 안에 내재화되는 것. 그렇게 AI 없이도 더 나은 사람이 되어가는 것입니다.
도구는 바뀝니다. NZT-48도 업그레이드됐고, ChatGPT도 GPT-5가 됐고, Claude도 계속 진화하고 있습니다. 도구의 버전에 의존하지 말고, 도구를 다루는 자신의 역량을 키우시기 바랍니다.
지금 여러분 손에 NZT-48이 있습니다. 이 알약을 쓰는 것은 여러분 자신입니다. 무엇에 쓸지, 어떻게 쓸지, 그 결과를 어떻게 검토할지 — 이 세 가지를 스스로 결정할 수 있는 사람이 생성형 AI 시대의 진짜 수혜자입니다.
이 글이 도움이 되셨다면 사업관리·프로젝트관리 블로그를 구독해주세요. IT 현장의 언어로 AI와 PM을 연결하는 인사이트를 꾸준히 올리고 있습니다.