1. 일이 끝나지 않는데도 끝났으면 좋겠다는 생각이 들지 않는다
보통 AI가 일을 빠르게 만들면 인간에게 여가가 늘어난다고 생각한다.
하지만 조사, 아이디어 정리, 사양 작성, 구현, 수정, 검증까지 연속으로 AI에게 맡길 수 있게 되면 반대 현상이 일어날 수 있다.
남는 시간이 휴식으로만 바뀌는 것이 아니라 “이것도 만들 수 있겠는데?”, “저것도 개선할 수 있겠는데?”, “둘을 연결하면 재미있겠다”라는 새로운 일의 발생원이 된다.
산책하다 떠올리고, 밖에서 놀다가 떠올리고, 스마트폰으로 AI와 벽타기를 하듯 대화한 뒤 기획을 사양으로 바꾸어 구현 에이전트에게 던진다. 집에 돌아왔을 때는 이미 무언가 진행되어 있다.
일이 삶을 침범한다기보다 현실 세계 전체가 아이디어를 채집하는 필드가 된 느낌에 가깝다.
그리고 보통 게임과 가장 다른 점은 엔드 콘텐츠 자체를 플레이어가 추가할 수 있다는 것이다.
평생 맛이 빠지지 않는 껌이다.
2. 5시간 제한조차 종료가 아니라 쿨다운처럼 느껴진다
Anthropic의 현재 안내에 따르면 유료 Claude 플랜에는 5시간마다 리셋되는 세션 기반 사용량 제한이 있고, 별도의 주간 사용량 제한도 존재한다. 주간 제한은 계정별로 정해진 고정 시간에 리셋된다.[1]
흥미로운 점은 제한에 도달하는 것이 반드시 “오늘 일 끝”을 뜻하지 않게 된다는 것이다.
작업을 잘 분해해 두면 한 세션이 멈춰도 독립적인 다른 작업을 진행할 수 있다. 제한이 풀리면 원래 라인을 다시 시작한다. 제약이 게임의 스태미나나 쿨다운처럼 보이기 시작한다.
물론 서비스 제한이나 약관을 우회하자는 뜻이 아니다. 허용된 범위에서 업무를 독립화하고, 대기 시간을 의존관계 정리나 다음 기획에 쓰자는 뜻이다.
인간의 머릿속 모델은 “AI가 멈췄다”에서 “이 작업자는 지금 쉬는 중이다. 다른 라인을 돌리자”로 바뀐다.
3. 파킨슨의 법칙이 ‘시간’에서 ‘아이디어 생성’으로 확장된다
Parkinson's Law는 흔히 “일은 주어진 시간을 채울 만큼 늘어난다”고 요약된다. 1955년 풍자 에세이에서 시작된 표현이며, 이후 개인 수준에서 관련 현상을 검증하려는 연구도 있었다.[2]
AI 시대에는 패턴이 조금 변형된다.
과거에는 8시간짜리 일이 8시간을 다 먹었다. AI가 실행을 1시간으로 줄인다고 해서 나머지 7시간이 그대로 비는 것은 아니다.
새 문제를 찾고, 기능을 추가하고, 다른 서비스를 연결하고, 품질 기준을 높이고, 비용 때문에 버렸던 아이디어를 되살릴 수 있다.
즉 기존 일이 시간을 채우는 것뿐 아니라 효율이 만든 빈 시간에서 새로운 일이 발아한다.
AI가 빨라질수록 인간의 “떠올리는 능력” 자체가 생산 설비가 된다.
4. 생산성이 오르면 일의 수요도 늘 수 있다 — 제번스식 리바운드
여기에는 Jevons paradox와 rebound effect를 비유로 가져올 수 있다.
원래는 에너지 경제학의 개념이다. 효율 향상으로 단위 이용 비용이 낮아지면 사용량이 늘어 예상 절감의 일부를 상쇄할 수 있다. 다만 강한 역효과가 언제나 발생한다는 보편 법칙은 아니며 크기는 상황에 따라 다르다.[3]
이걸 AI 노동에 과학 법칙처럼 그대로 적용하면 과장이다. 하지만 비유로는 강하다.
구현 하나에 3일이 걸리면 10개의 아이디어 중 9개는 버린다.
구현 하나가 30분의 지시와 리뷰로 끝난다면 그 9개가 살아난다.
생산성이 10배가 되었다고 일이 10분의 1로 줄어드는 것이 아니라, 전에는 경제성이 없던 일까지 하게 된다.
실행 비용이 내려갈수록 아이디어의 수요가 넓어진다.
AI는 일을 없애는 기계이면서 동시에 할 가치가 있는 일을 더 많이 만드는 기계가 될 수 있다.
5. 왜 이렇게 재미있는가 — 자율성, 유능감, 빠른 피드백
Self-Determination Theory는 자율성, 유능감, 관계성을 동기와 웰빙에 중요한 기본 심리 욕구로 본다. 또한 외부 통제보다 자율적인 동기가 더 높은 질의 참여와 연결된다고 설명한다.[4][5]
AI 기반 개인 프로젝트는 이 조건을 매우 강하게 자극한다.
누가 준 엑셀을 채우는 것이 아니다.
내가 재미있다고 생각한 문제를 고른다.
몇 분 만에 사양이 생긴다.
잠시 뒤 동작하는 결과물이 나온다.
망가지면 고친다.
공정을 고치면 다음부터 계속 이득을 본다.
자율성, 성장감, 명확한 피드백이 짧은 주기로 반복된다.
게임의 경험치 바는 숫자다.
AI 개발의 경험치 바는 “어제 없던 것이 오늘 자동으로 돌아간다”는 실물이다.
강할 수밖에 없다.
6. 게임보다 강한 이유 — 엔드 콘텐츠를 직접 만들 수 있다
아무리 거대한 게임도 개발자가 준비한 세계 안에 있다.
최종 보스를 잡고, 장비를 맞추고, 고난도 콘텐츠를 돌다 보면 언젠가 “할 게 없다”가 온다.
AI 개인 프로젝트는 그 순간 새 퀘스트를 직접 추가할 수 있다.
사이트를 만들었다. 다국어화한다. 다국어화했다. 배포한다. 배포했다. 반응을 측정한다. 측정했다. 반응으로 다음 기획을 자동 생성한다. 기획도 자동화했다. 음성, 영상, 다른 시장, 다른 제품으로 넓힌다.
콘텐츠를 클리어할 때마다 플레이어가 직접 DLC를 출시한다.
Minecraft나 Factorio 같은 시스템 게임과 닮았지만, 여기서는 결과가 실제 독자, 고객, 수익, 학습, 절약된 시간에 연결된다.
현실이 다시 피드백을 준다.
그래서 맛이 오래 간다.
7. 역할이 저절로 승진한다 — PM에서 PO, 그리고 경영자로
처음에는 Project Manager처럼 움직인다.
어떻게 끝낼까? 어디가 막혔나? 누가 무엇을 할까?
그다음 Product Manager / Product Owner처럼 변한다.
무엇을 만들까? 사용자에게 어떤 가치를 줄까? 무엇을 먼저 개선할까?
AI가 작업 분해, 담당 배정, 구현, 1차 검증까지 가져가면 인간의 질문은 또 위로 올라간다.
어느 제품에 자원을 줄까? 어느 시장을 키울까? 어느 사업을 접을까? 어떤 시스템을 연결할까? 다음 회사 기능은 무엇일까?
이쯤 되면 한 기능을 개선하는 것이 아니라 작은 회사를 설계하는 것에 가깝다.
| 단계 | 인간의 핵심 질문 |
|---|---|
| 구현자 | 어떻게 만들까? |
| PM | 어떻게 끝낼까? |
| PdM / PO | 무엇을 만들까? |
| 경영 | 어디에 자원을 배분할까? |
| 포트폴리오 운영 | 무엇을 키우고 무엇을 죽일까? |
AI 때문에 인간이 갑자기 높은 사람이 된 것은 아니다.
하위 레이어를 위임하면서 과거에는 사람과 자본이 필요했던 상위 레이어를 혼자 만질 수 있게 된 것이다.
그게 재미있다.
8. 혼자인데 조직도가 생긴다
더 이상한 단계는 인간이 모든 AI 작업자를 직접 관리하지 않아도 된다는 것이다.
예를 들어,
- 인간: 목적, 우선순위, 취향, 최종 결정
- 대화형 AI: 조사, 아이디어, 사양 초안
- 관리 AI: 작업 분해, 의존관계, 배정, 통합 계획
- 구현 AI: 코드, 테스트, 수정
- 감시 계층: 결과 확인, diff, 실패 탐지
라는 층을 만들 수 있다.
인간→AI 작업자가 아니다.
인간→AI 관리자→AI 작업자다.
이 구조가 돌아가면 인간은 마이크로매니지먼트에서 더 멀어지고 “다음에 회사가 무엇을 하게 할까”를 생각한다.
직원은 0명인데 조직도는 제법 멋지다.
미래의 1인 회사는 이상한 생물이다.
9. ‘병렬 수를 늘려라’보다 ‘서로 충돌하지 않게 배정하라’
AI 작업자를 늘리면 새로운 문제가 생긴다.
초고속 작업자 10명이 모두 같은 배선을 고치면 10배 빨라지지 않는다.
더 빨리 망가질 수도 있다.
2026년 GitHub AI 에이전트 PR 연구는 동시 작업이 흔하며, 표본에서 서로 다른 에이전트의 동시 PR 쌍이 같은 에이전트 내 동시 쌍보다 높은 텍스트 머지 충돌률을 보였다고 보고했다.[6]
또 다른 2026년 연구는 중앙 작업 위임, 비동기 실행, 격리 워크스페이스, 구조화된 통합을 결합한 CAID를 제안했고, 평가 과제에서 단일 에이전트 기준보다 높은 성능을 보였다.[7]
중요한 것은 에이전트 수만이 아니다.
- 같은 책임 영역을 동시에 수정하지 않기
- 경계를 자르기
- 의존관계를 먼저 보기
- 작업 공간을 격리하기
- 마지막에 통합하고 테스트하기
가 필요하다.
다음 병목은 컴퓨팅이 아니라 조직 설계다.
그리고 관리 AI가 그것까지 맡으면 인간은 정말로 사장 자리로 밀려난다.
10. 희소 자원이 코딩 시간에서 주의력, 취향, 방향성으로 이동한다
AI가 구현을 대량으로 처리하면 부족한 것이 바뀐다.
코드가 아니다.
아이디어도 어느 정도는 AI가 낼 수 있다.
마지막에 희소해지는 것은 판단이다.
무엇이 재미있는가? 무엇이 촌스러운가? 어디까지 할까? 지금 할 가치가 있는가? 무엇을 버릴까? 무엇을 의심하고 검증할까? 어떤 실패가 일회성이고 어떤 실패가 시스템 결함인가?
AI가 100개를 할 수 있으니 100개를 하는 것이 경영이 아니다.
100개가 가능한 세계에서 의미 있는 3개를 고르는 것이 경영이다.
병목은 실행에서 방향으로 이동한다.
11. 무한 엔드 콘텐츠의 유일한 함정 — 게임 오버 조건도 직접 설계해야 한다
끝이 없다는 것은 최고다.
하지만 끝이 없다는 사실 자체가 위험이 될 수도 있다.
AI가 24시간 움직인다고 인간도 24시간 움직일 필요는 없다.
재미있어서 잠을 줄이고, 가능하니까 범위를 끝없이 넓히고, 병렬화되니까 검증 전에 변경을 쏟아내고, 작업자가 많아져 누가 무엇을 건드렸는지 놓칠 수 있다.
그러면 자유를 위한 자동화가 고성능 개인 블랙기업이 된다.
대책도 게임 설계처럼 보면 된다.
- 파괴적 변경에는 게이트
- 같은 책임의 동시 편집 금지
- 결과 readback
- 중요한 경로 테스트
- 복구 경로 준비
- 인간의 수면과 생활을 의존관계로 취급
- “재미있지만 지금은 아님” 백로그 유지
목표는 일을 줄이는 것이 아니다.
재미있는 상태를 오래 유지하는 것이다.
12. 결론: 일이 재미있는 것이 아니라, 내가 세계를 확장할 수 있는 일이 재미있다
“원래 일이 재미있는 것 아닐까”라는 감각에서 재미있는 것은 노동 일반이 아닐 가능성이 크다.
남이 정한 일을 오래 하는 것이 아니다.
내가 문제를 찾고, 다음 목표를 정하고, AI에게 실행을 맡기고, 현실에 결과가 생기고, 그 결과를 보고 또 다음 것을 떠올리는 것.
이 순환이 재미있다.
PM으로 “어떻게 개선할까”를 고민하던 사람이 AI에게 분해와 구현을 맡기면 “무엇을 만드는 회사가 될까”를 고민하는 쪽으로 이동한다.
관리 AI가 AI 작업자를 배정하기 시작하면 또 한 층 올라간다.
마지막에 남는 질문은 단순하다.
다음엔 뭘 만들면 재미있을까?
보통 게임에서는 개발사가 답한다.
이 게임에서는 플레이어가 답한다.
그래서 끝나지 않는다.
그리고 그게 가장 재미있다.
- Anthropic Help Center, “What is the Max plan?” / “How do usage and length limits work?” — five-hour session resets and separate weekly usage limits. and https://support.claude.com/en/articles/11647753-how-do-usage-and-length-limits-work support.claude.com
- Brannon, L. A., Hershberger, P. J., & Brock, T. C. (1999). “Timeless demonstrations of Parkinson's first law.” Psychonomic Bulletin & Review, 6(1), 148–156 pubmed.ncbi.nlm.nih.gov
- Sorrell, S. (2009). “Jevons’ Paradox revisited: The evidence for backfire from improved energy efficiency.” Energy Policy, 37(4), 1456–1469; see also later reviews of rebound effects sciencedirect.com
- American Psychological Association, “Self-determination theory: A quarter century of human motivation research. apa.org
- Gagné, M., & Deci, E. L. (2005). “Self-determination theory and work motivation.” Journal of Organizational Behavior, 26(4), 331–362 selfdeterminationtheory.org
- Xu, G., Subramanian, A., & Karthik, N. (2026). “AI Agent Pull Requests on GitHub: Frequency, Structure, and Merge Conflict Rates.” arXiv:2607.04697 arxiv.org
- Geng, J., & Neubig, G. (2026). “Effective Strategies for Asynchronous Software Engineering Agents.” arXiv:2603.21489 arxiv.org
