들어가며: 5년 전의 나와의 대화

5년 전, 저는 데이터 팀에서 제너럴리스트(Generalist) 의 가치에 대해 글을 썼습니다. 당시 주장은 간단했습니다. "전문가(Specialist)는 명확히 정의된 복잡한 문제를 푸는 데 탁월하지만, 제너럴리스트는 문제 자체를 정의하는 데 더 가치가 있다. 문제를 정의한 후에야 필요한 전문가를 불러들이는 식이다."

최근 AI의 급격한 발전 속에서 이 생각이 여전히 유효한지 궁금해졌습니다. 그래서 예전 글을 다시 꺼내 읽어봤죠. 놀랍게도, 거의 모든 부분에 동의했습니다. 단, 한 가지 미묘하지만 중요한 변화가 있었어요.

변화의 핵심: AI가 새로운 '전문가'가 되었다

지난 5년간 AI는 우리가 전통적으로 전문가에게 의존했던 많은 작업을 처리할 수준으로 진화했습니다. 깊은 전문 지식, 명확한 요구사항, 잘 정의된 지시가 필요한 작업이 정확히 AI가 가장 잘하는 영역이 되었죠. 그리고 인간과 달리 더 빠르고, 피로 없이 해냅니다.

이 글은 단순한 회고가 아니라, AI라는 새로운 레이어가 더해진 환경에서 제너럴리스트의 역할이 어떻게 변화했는지에 대한 깊은 고찰입니다.

Data generalist analyzing complex business problem with multiple data sources on dashboard Algorithm Concept Visual

1. 우리는 여전히 'Wicked Learning Environment'에서 일한다

David Epstein이 말한 'Wicked Learning Environment' (악성 학습 환경)은 규칙이 불명확하고, 피드백이 지연되거나 오해를 불러일으키며, 패턴이 일관되게 반복되지 않는 환경을 말합니다. 이런 환경에서는 '옳은' 일을 해도 잘못된 결과를 얻거나, '틀린' 일을 해도 성공한 것처럼 보일 수 있습니다.

진짜 도전은 문제를 푸는 것이 아닙니다. 5년 전에도 그랬고, 지금도 마찬가지입니다. 도전은 어떤 문제를 풀 가치가 있는지, 그리고 우리를 안내하는 신호를 믿을 수 있는지 판단하는 것입니다.

AI는 이런 모호함을 없애주지 않습니다. 오히려 증폭시킵니다. 답이 더 빨리, 더 설득력 있게 나올수록, 잘못된 문제를 자신 있게 해결할 위험은 커집니다.

실무 꿀팁:

  • AI가 내린 분석 결과를 무조건 신뢰하지 마세요. 데이터의 출처, 수집 방식, 모델의 가정을 항상 의심하세요.
  • "이 문제가 정말 풀어야 할 문제인가?" 라는 질문을 먼저 던지는 습관을 들이세요.
  • 국내 SI/스타트업 환경에서는 '일단 만들어보고 고치자'는 문화가 강한데, AI의 빠른 프로토타이핑 능력이 오히려 잘못된 방향으로 가는 속도를 높일 수 있습니다. 😅

Abstract visual of generalist connecting specialist knowledge across different domains Software Concept Art

2. 초전문화(Hyper-specialisation)의 필요성은 줄어들고 있다 (하지만 사라지진 않았다)

예전에는 정보 접근성(Stack Overflow, 블로그, 문서)이 증가하면서 깊은 전문화의 필요성이 줄었다고 주장했습니다. 유능한 제너럴리스트라면 충분히 빠르게 파악하고 나아갈 수 있다는 거죠.

오늘날 이 상황은 극적으로 변했습니다.

정보는 이제 단순히 '이용 가능'한 수준을 넘어섰습니다. AI는 정보를 즉시 큐레이션, 종합, 비교, 제시합니다. 답을 찾는 것을 돕는 것을 넘어, 작동하는 답을 바로 제공합니다.

이것이 의미하는 바:

  • 초전문화의 필요성이 사라지는 것은 아니지만, '전문가의 개입이 필요한 지점'이 더 먼 곳으로 밀려나고 있습니다.
  • 제너럴리스트는 전문가의 도움 없이도 훨씬 더 깊은 곳까지 스스로 해결할 수 있게 되었습니다.
# 예시: AI가 제너럴리스트의 범위를 확장시키는 코드 (가상 시나리오)
# 전통적인 접근: 데이터 엔지니어에게 ETL 파이프라인 요청
# AI 시대 접근: 제너럴리스트가 AI Assistant에게 SQL + Python 스크립트 작성을 요청

# AI Assistant에게 요청 (프롬프트 예시)
prompt = """
너는 시니어 데이터 엔지니어야.
내가 가진 S3의 CSV 파일(orders_2024.csv)을 읽어서,
- 고객별 총 주문 금액
- 월별 주문 건수
를 계산하는 Python 스크립트를 작성해줘.
결과는 Parquet 형식으로 저장해줘.
"""

# AI가 생성한 코드 (가상)
# import pandas as pd
# df = pd.read_csv('s3://my-bucket/orders_2024.csv')
# result = df.groupby('customer_id')['amount'].sum().reset_index()
# result.to_parquet('s3://my-bucket/customer_totals.parquet')

한국 개발 생태계에서의 적용 맥락: 국내 스타트업이나 중견 기업에서는 데이터 전문 인력을 따로 두기 어려운 경우가 많습니다. AI를 활용하면 PM이나 백엔드 개발자도 데이터 분석 파이프라인을 직접 구축할 수 있어, 조직 전체의 데이터 활용도가 높아집니다. 하지만 보안과 데이터 거버넌스는 여전히 주의가 필요합니다. AI에게 민감한 데이터를 직접 넘기지 않도록 주의하세요.

AI assistant supporting a generalist data professional in decision making process Coding Session Visual

3. 조정 비용(Coordination Cost)은 여전히 진짜 문제다

제너럴리스트는 불필요한 관계를 제거하여 조정 비용을 줄입니다. 여러 영역을 넘나들며 의사 결정을 내릴 수 있는 권한이 주어져야 합니다.

Jeff Bezos의 '투 피자 팀(Two-Pizza Team)' 규칙은 유명합니다. 팀은 두 판의 피자로 먹일 수 있을 정도로 작아야 한다는 거죠. 오늘날 우리는 '원 피자 팀' 으로 가고 있다고 볼 수 있습니다. 작업이 더 단순해져서가 아니라, 제너럴리스트의 역량이 더 강력해지고 AI가 많은 전문가 역할을 대체하면서 필요한 핸드오프(handoff) 자체가 줄어들었기 때문입니다.

4. 비즈니스 문제는 변하지 않았다

핵심 질문은 여전히 동일합니다:

  • 수익을 어떻게 늘릴 것인가?
  • 고객을 어떻게 유지할 것인가?
  • 어떻게 더 효율적으로 운영할 것인가?

도구는 진화했고, 방법은 더 정교해졌습니다. 하지만 근본적인 문제는 그대로입니다. 비즈니스는 최첨단 에이전트 모델이 해결했는지, 아니면 잘 짜인 SQL 쿼리가 해결했는지 신경 쓰지 않습니다. 문제가 해결되었는지만 봅니다.

결론: 무엇이 바뀌었는가?

제너럴리스트의 중요성은 줄어들どころか, 오히려 증가했습니다. 핵심 변화는 이것입니다:

제너럴리스트는 더 이상 단순히 전문가를 연결하는 '커넥터'가 아닙니다.

그들은 문제가 불명확하고, 신호가 시끄럽고, 앞으로의 길이 명확하지 않은 환경을 탐색하는 사람들입니다. 사람뿐만 아니라 역량(Capabilities) 을 연결합니다. 언제 직관을 믿고, 언제 경험에 의존하며, 언제 (인간 또는 AI) 주문형 전문가를 불러들일지 결정합니다.

그들의 '범위(Range)'는 이제 증폭되었습니다. AI라는 항상 사용 가능한 전문가 레이어 덕분에 훨씬 더 깊은 작업을 스스로 실행할 수 있게 되었습니다. 세상이 더 단순해져서가 아니라, 여전히 복잡성 속에서 잘 작동하기 때문입니다.

다음 단계 학습 방향:

  • AI를 나의 '주니어 전문가'로 활용하는 법을 익히세요. (프롬프트 엔지니어링, RAG, Agent)
  • '도메인 지식'과 'AI 활용 능력'의 교차점에서 자신만의 차별화를 만드세요.
  • 데이터 제너럴리스트로서의 정체성을 유지하되, AI가 대체할 수 없는 '문제 정의 능력'과 '판단력'을 계속 연마하세요.

함께 보면 좋은 글:

근거자료: Towards Data Science 원문

본 콘텐츠는 신뢰할 수 있는 출처를 바탕으로 AI 도구를 활용하여 초안이 작성되었으며, 편집자의 검토를 거쳐 발행되었습니다. 전문가의 조언을 대체하지 않습니다.