AI 시대의 커리어 조언 - 문제를 푸는 능력보다 찾고 선택하는 능력

AI는 정답과 평가 기준을 명확히 정의할 수 있는 문제에서 빠르게 발전하므로, 앞으로의 가치는 훈련 과정 안에서 채점하기 어려운 문제를 발견하고 선택하는 능력에서 나옴 소프트웨어와 자본에 대한 접근은 쉬워졌지만 시간과 좋은 인간관계, 평판은 여전히 희소하므로, 단기적인 수입보다 의미 있는 일과 뛰어난 동료에 투자할 필요가 있음 에이전트가 잘 정의된 복잡한 작업을 해결할수록 사람은 어떤 문제에 시간과 토큰을 배분할지 결정하고, 환경을 이해해 해결할 가치가 있는 문제를 찾아야 함 누구나 기본적인 결과물을 만들 수 있게 되면서 평균적인 완성도의 가치는 낮아지고, 더 야심 찬 문제를 선택해 마지막 10%의 완성도와 차별성까지 밀어붙이는 역량이 중요해짐 좋은 기회를 접할 확률과 실제 성과로 바꾸는 효율을 함께 높여야 하며, 연구 역시 직함보다 호기심과 실험, 시스템 이해와 결과 설명을 반복하는 태도에서 시작할 수 있음 학교가 가르치는 문제와 AI가 잘하는 문제 AI 모델은 손실 함수와 평가 기준을 정의할 수 있는 작업에서 반복적인 학습을 통해 빠르게 좋아짐 학교 교육의 많은 부분도 정답이 알려진 문제를 풀고 그 답과 비교해 점수를 받는 구조 따라서 문제집과 시험에서 높은 성과를 내는 능력은 AI가 가장 빠르게 따라잡는 영역일 수 있음 앞으로 더 가치 있는 일은 모델 학습 기간 안에 정답을 만들고 채점하기 어려운 문제에 있음 무엇이 중요한 문제인지, 성공이 어떤 모습인지, 해결에 어느 정도 자원을 쓸 가치가 있는지를 정하는 일은 명확한 손실 함수로 표현하기 어려움 초기 경력자는 에이전트가 문제를 풀 수 있다는 사실에 낙담하기보다, 어떤 문제를 왜 풀어야 하는지 판단하는 능력을 길러야 함 돈보다 희소한 시간과 관계, 평판에 집중하기 Scale AI에 합류하기 전 더 많은 현금을 보장하는 퀀트 업계 제안도 받았지만, 다양한 제품과 뛰어난 사람을 접할 기회를 선택함 Scale에서 LLM 추론 업체와 여러 응용 사례를 경험한 것이 이후 DeepMind와 OpenAI의 기회로 이어짐 당시 함께 일한 동료들은 이후 창업자 커뮤니티를 형성했고, 이 네트워크와 학습 기회는 포기했던 단기 보상보다 더 큰 가치가 됨 AI 코딩과 자본 시장의 변화로 제품을 만들고 초기 자금을 구하는 일은 이전보다 쉬워짐 반면 실제 시간, 신뢰할 수 있는 인간관계와 관련 분야에서 입증된 평판은 여전히 복제하기 어려운 자원 학교와 프로젝트, 인턴십과 직장을 선...