AI는 지금 어디까지 왔고, 노동해방은 정말 가능할까?
— Codex에서 연구원 인턴, 자동화 연구원, 그리고 초지능까지
요즘 AI를 보면 상당히 이상한 느낌이 듭니다.
ChatGPT나 Codex 같은 AI의 성능은 몇 년 전과 비교하기 어려울 정도로 좋아졌습니다.
코딩을 해달라고 하면 실제 프로젝트 파일을 읽고 코드를 수정하고, 테스트를 돌리고, 오류가 나면 다시 고치기도 합니다.
자료를 조사하라고 하면 수많은 자료를 찾아서 비교하고 분석합니다.
그런데 이상합니다.
AI가 이렇게 좋아졌는데도 왜 우리는 아직 주4일제가 되지 않았을까요?
왜 주20시간 노동은 오지 않았을까요?
왜 오히려 직장에서는 해야 할 일이 더 많아졌다는 이야기가 나올까요?
그리고 더 이상한 현상도 있습니다.
기존 직원들은 그대로 일하고 있는데, 신입 채용부터 줄어들기 시작하고 있습니다.
저는 이것이 지금 우리가 AI 전환의 과도기에 들어왔다는 중요한 신호라고 생각합니다.
---
1. 지금 AI는 사람을 완전히 대체하지 못하지만, 신입 업무는 상당히 대신할 수 있다
현재 AI의 특징을 가장 단순하게 표현하면 이렇습니다.
“사람 한 명을 완전히 대신하기에는 부족하지만, 사람 한 명이 훨씬 많은 일을 하게 만들기에는 충분히 강하다.”
예를 들어 예전에는 숙련 개발자 한 명과 신입 개발자 여러 명이 같이 일했습니다.
신입 개발자들은 자료를 찾고, 간단한 코드를 작성하고, 테스트를 만들고, 버그를 재현하고, 문서를 정리했습니다.
그런데 지금은 숙련 개발자가 Codex에게 상당 부분을 직접 시킬 수 있습니다.
그러면 회사 입장에서는 이런 생각을 할 수 있습니다.
“숙련 개발자 한 명에 AI를 붙이면, 예전처럼 신입 세 명을 반드시 채용해야 하나?”
그래서 현재는 대량해고보다 먼저 신입 채용 감소가 나타날 수 있습니다.
그렇다고 기존 직원이 일찍 퇴근하는 것도 아닙니다.
AI 덕분에 8시간 걸리던 일을 6시간에 끝냈다고 해서 2시간 일찍 퇴근시키는 대신,
“그러면 남은 2시간 동안 이것도 해주세요.”
가 되기 때문입니다.
즉 지금 AI의 생산성 향상은 아직 주로
생산성 증가 → 노동시간 감소
가 아니라
생산성 증가 → 더 많은 업무
로 연결되고 있습니다.
그래서 지금은 AI가 노동을 없애는 시대라기보다,
노동시장의 구조를 먼저 흔들기 시작한 시대라고 보는 것이 맞습니다.
---
2. 현재의 Codex는 어디까지 왔을까?
여기서 OpenAI의 Codex를 보겠습니다.
지금 Codex는 단순히 코드를 추천하는 도구가 아닙니다.
GitHub 프로젝트를 읽고,
관련 파일을 찾아보고,
코드를 수정하고,
테스트를 실행하고,
문제가 생기면 다시 고치고,
필요하면 브랜치를 만들고,
커밋하고,
PR을 만드는 방식으로 실제 개발업무 상당 부분을 수행할 수 있습니다.
예를 하나 들어보겠습니다.
우리 GitHub 프로젝트에 이런 Issue가 있다고 합시다.
“로그인 후 refresh token이 간헐적으로 실패한다. 기존 API 호환성을 유지하면서 문제를 수정하고 테스트도 추가해라.”
그러면 Codex는 이런 식으로 움직일 수 있습니다.
저장소 분석.
관련 코드 검색.
오류 재현.
원인 추적.
코드 수정.
테스트 작성.
테스트 실행.
실패하면 다시 수정.
최종 테스트.
커밋.
PR 작성.
굉장히 강력합니다.
하지만 여기에는 중요한 특징이 있습니다.
무엇을 해야 하는지는 사람이 결정했습니다.
사람이 Issue를 만들어줬습니다.
사람이 버그를 발견했습니다.
사람이 “이 문제를 고쳐라”라고 목표를 줬습니다.
Codex는 그 목표를 어떻게 해결할지를 스스로 결정합니다.
그래서 현재 Codex를 한 문장으로 표현하면 이렇습니다.
“Task를 주면 일을 수행하는 AI 개발자.”
---
3. 그런데 2026년 9월 OpenAI가 목표로 하는 ‘연구원 인턴’은 다르다
OpenAI가 내부 목표로 제시한 다음 중요한 단계가 있습니다.
2026년 9월의 AI Research Intern, 연구원 인턴입니다.
여기서 먼저 오해하면 안 되는 것이 있습니다.
9월에 반드시 ChatGPT에 “연구원 인턴”이라는 새 버튼이 생긴다는 뜻은 아닙니다.
현재 알려진 것은 OpenAI가 이 시기를 내부적인 연구 자율성 목표로 잡고 있다는 것입니다.
그렇다면 Codex와 무엇이 다를까요?
Codex에게는 이렇게 말합니다.
“이 버그를 고쳐.”
연구원 인턴에게는 이렇게 말할 수 있습니다.
“우리 서비스가 최근 느려진 것 같은데 이유를 조사하고 개선방법을 찾아봐.”
차이가 느껴지시나요?
두 번째 명령에는 정답이 없습니다.
어디가 문제인지도 모릅니다.
DB 때문인지,
캐시 때문인지,
네트워크 때문인지,
프론트엔드 때문인지도 모릅니다.
연구원 인턴은 먼저 스스로 문제를 정의해야 합니다.
예를 들어 이런 식입니다.
현재 성능을 측정합니다.
최근 커밋과 PR을 분석합니다.
로그를 확인합니다.
그리고 가설을 만듭니다.
가설 1. DB 쿼리 문제.
가설 2. 캐시 적중률 문제.
가설 3. 검색 인덱스 문제.
가설 4. 프론트엔드 중복 요청 문제.
그다음 각각을 실험합니다.
DB 변경 버전 하나.
캐시 변경 버전 하나.
인덱스 변경 버전 하나.
프론트엔드 변경 버전 하나.
여러 브랜치를 만들고,
각각 테스트하고,
벤치마크하고,
결과가 나쁜 방법은 버립니다.
그리고 새로운 결과를 보고 다시 새로운 가설을 세웁니다.
마지막에는 사람에게 이런 보고를 할 수 있습니다.
“27개의 원인을 검토했고, 실제로 9개의 구현을 시험했습니다. 가장 효과적인 방법은 캐시 구조 변경과 인덱스 개선을 조합하는 것입니다. p95 latency가 1.4초에서 0.4초까지 감소했습니다. 최종 PR을 만들었습니다.”
이것이 Codex와 연구원 인턴의 결정적인 차이입니다.
Codex는
사람이 Task를 만든다 → AI가 수행한다.
연구원 인턴은
사람이 Problem을 준다 → AI가 Task를 만들어낸다.
입니다.
---
4. GitHub 프로젝트에서는 무슨 변화가 생길까?
현재 팀 프로젝트를 운영하면 사람이 상당히 많은 관리업무를 해야 합니다.
문제를 발견합니다.
Issue를 작성합니다.
우선순위를 결정합니다.
Codex에게 일을 나눠줍니다.
결과를 검토합니다.
PR을 확인합니다.
그다음 해야 할 일을 다시 생각합니다.
그런데 연구원 인턴이 충분히 발전하면 GitHub 프로젝트 안에 사실상 작은 AI 개발팀이 하나 생길 수 있습니다.
사람은 이렇게 말합니다.
“이번 주 목표는 서버 비용을 20% 줄이면서 성능을 유지하는 거야.”
그러면 AI 연구원 인턴이 저장소 전체를 조사합니다.
비용 데이터를 봅니다.
병목을 찾습니다.
여러 개선방법을 생각합니다.
그리고 하위 Codex 에이전트 여러 개에게 일을 배분합니다.
한 AI는 DB를 연구합니다.
한 AI는 캐시를 실험합니다.
한 AI는 API 구조를 개선합니다.
한 AI는 테스트를 작성합니다.
한 AI는 결과를 검증합니다.
각각 브랜치를 만들고,
커밋하고,
PR을 만들고,
CI를 돌립니다.
그중 효과가 없는 PR은 AI가 스스로 폐기합니다.
가장 좋은 결과만 사람이 확인합니다.
그러면 사람은 하루 종일 코딩하고 Issue를 관리하는 사람이 아니라,
중요한 방향을 결정하고 최종 PR을 승인하는 사람으로 변하기 시작합니다.
---
5. 그리고 2028년 3월 목표는 한 단계 더 다르다
OpenAI가 장기적으로 목표로 하는 것은 Automated AI Researcher, 자동화 연구원입니다.
2028년 3월까지 OpenAI 연구의 상당 부분을 인간 연구자와 AI 시스템이 함께 수행하는 상태를 목표로 하고 있습니다.
여기서 중요한 차이가 하나 더 생깁니다.
Codex에게는 Task를 줍니다.
연구원 인턴에게는 Problem을 줍니다.
그런데 자동화 연구원에게는 훨씬 더 큰 Goal, 즉 목표만 줄 수 있게 되는 것입니다.
예를 들어 연구원 인턴에게는 이렇게 말할 수 있습니다.
“장기기억 성능이 떨어지는 원인을 연구해.”
반면 자동화 연구원에게는 이렇게 말할 수 있습니다.
“우리 AI의 장기기억 능력을 크게 개선해.”
그러면 AI가 스스로 생각합니다.
현재 가장 중요한 병목이 무엇인지.
어떤 연구문제를 먼저 풀어야 하는지.
어떤 가설을 시험해야 하는지.
어떤 실험에 더 많은 GPU를 투입할지.
어떤 프로젝트는 중단해야 하는지.
어떤 새로운 architecture가 필요한지.
그리고 자신 아래에 여러 연구 에이전트를 배치합니다.
즉 사람은 연구자이고 AI는 도구였던 관계에서,
사람은 연구 책임자가 되고 AI가 실제 연구조직을 운영하는 관계로 이동하기 시작합니다.
---
6. 세 단계를 아주 간단하게 비교하면 이렇다
현재 Codex.
사람이 말합니다.
“이걸 구현해.”
AI가 구현합니다.
---
2026년 연구원 인턴.
사람이 말합니다.
“이 문제를 조사해.”
AI가 원인을 찾고,
가설을 만들고,
실험하고,
코드를 만들고,
결과를 비교해서,
가장 좋은 해결책을 찾아옵니다.
---
2028년 자동화 연구원.
사람이 말합니다.
“이 시스템을 더 좋게 만들어.”
그러면 AI가
어떤 문제를 풀어야 하는지부터 정하고,
연구계획을 만들고,
여러 AI에게 일을 배분하고,
실험하고,
새로운 결과를 발견하고,
다음 연구까지 결정합니다.
정리하면 이렇게 됩니다.
Codex = Task 자동화.
Research Intern = 문제해결 자동화.
Automated Researcher = 연구 의사결정 자동화.
---
7. OpenAI가 이야기했던 AGI 5단계와 연결하면?
OpenAI가 설명한 5단계 구분은 대략 이렇습니다.
1단계 Chatbots.
대화하는 AI.
2단계 Reasoners.
복잡한 문제를 인간 수준으로 추론하는 AI.
3단계 Agents.
사람 대신 실제 행동을 수행하는 AI.
4단계 Innovators.
새로운 아이디어와 지식을 만들어내는 AI.
5단계 Organizations.
조직 전체의 일을 수행할 수 있는 AI.
이 기준에 적용해보면,
현재 Codex는 가장 전형적인 3단계 Agent에 가깝습니다.
2026년 연구원 인턴이 실제로 새로운 가설을 만들고 새로운 결과까지 찾아낸다면 4단계 Innovator 진입에 가깝습니다.
2028년 자동화 연구원은 훨씬 강한 4단계이며,
여러 AI 연구자를 조직하고 연구 프로그램까지 운영할 수 있다면 5단계 Organizations의 경계에 가까워집니다.
그리고 완전한 5단계는 이런 것입니다.
사람이 말합니다.
“경쟁력 있는 새로운 소프트웨어 회사를 만들어.”
그러면 AI 조직이
시장조사,
제품기획,
연구,
개발,
QA,
보안,
재무,
운영,
마케팅,
고객지원
까지 모두 운영합니다.
그때는 더 이상 AI 직원 한 명이 아니라 AI 회사에 가까워집니다.
---
8. 그런데 2028년에 초지능이 올 수 있을까?
여기서 많은 사람들이 궁금해합니다.
“자동화 연구원이 2028년에 나온다면, 그때 초지능도 오는 것 아닐까?”
가능성은 있습니다.
하지만 두 개는 같은 말이 아닙니다.
자동화 연구원이 성공했다는 것은 AI가 연구를 상당 부분 수행할 수 있다는 뜻입니다.
초지능은 그보다 훨씬 강합니다.
대부분의 중요한 지적 영역에서 최고의 인간 전문가보다 훨씬 뛰어난 능력을 가져야 합니다.
다만 자동화 연구원이 중요한 이유는 AI가 AI를 연구하기 시작한다는 것입니다.
지금까지는 이런 구조였습니다.
인간 연구자.
더 좋은 AI를 만듭니다.
다시 인간 연구자가 연구합니다.
다음 AI를 만듭니다.
그런데 자동화 연구원이 등장하면 구조가 바뀔 수 있습니다.
AI 연구원이 더 좋은 AI를 연구합니다.
더 좋은 AI가 더 뛰어난 AI 연구원이 됩니다.
더 뛰어난 AI 연구원이 다시 더 좋은 AI를 만듭니다.
이것이 반복됩니다.
만약 이 루프가 강하게 작동하면 AI 발전 속도가 지금보다 크게 빨라질 가능성이 있습니다.
그래서 2028년의 진짜 중요성은
“2028년에 초지능이 반드시 나온다.”
가 아닙니다.
오히려
“2028년부터는 AI 발전속도를 지금처럼 예측할 수 없게 될 수도 있다.”
입니다.
---
9. 그러면 두 가지 미래가 생긴다
첫 번째 미래.
자동화 연구원은 성공하지만 자기개선 속도가 폭발적으로 빨라지지는 않습니다.
AI가 연구를 많이 자동화하지만,
GPU를 만들고,
데이터센터를 짓고,
실험을 돌리고,
안전을 검증하고,
현실세계에서 시험하는 데는 시간이 필요합니다.
그러면 발전은 계속 빠르지만 비교적 점진적으로 진행됩니다.
이 경우 노동시간도 단계적으로 줄어들 가능성이 있습니다.
주40시간.
주32시간.
주30시간.
주20시간.
이런 형태입니다.
---
두 번째 미래.
AI 연구원이 자기 자신보다 더 좋은 AI 연구원을 빠르게 만들어냅니다.
AI 연구 자동화가 다시 AI 연구 자동화를 가속합니다.
그러면 발전속도가 크게 상승할 수 있습니다.
2028년 AI와 2030년 AI의 차이가,
지금 우리가 생각하는 몇 년 차이보다 훨씬 커질 수도 있습니다.
이 경우에는 초지능이 2028년대 후반이나 그 이후 빠르게 나타나는 시나리오도 완전히 무시하기 어렵습니다.
하지만 이것은 아직 확인되지 않은 시나리오입니다.
---
10. 그리고 여기서 노동해방 이야기가 본격적으로 시작된다
2026년 연구원 인턴이 성공하면 가장 먼저 변화하는 곳은 디지털 노동입니다.
소프트웨어 개발.
QA.
데이터 분석.
보안.
연구.
기술문서.
일부 금융과 컨설팅.
이런 영역입니다.
사람 한 명이 AI 여러 개를 관리하면서 예전 팀 규모의 일을 할 수 있게 됩니다.
기술적으로는 주4일제나 주30시간 근무가 훨씬 쉬워집니다.
하지만 꼭 노동시간이 줄지는 않습니다.
회사가 같은 직원에게 일을 두 배로 줄 수도 있고,
생산량을 두 배로 늘릴 수도 있고,
직원을 절반 줄일 수도 있습니다.
---
11. 2028 자동화 연구원이 성공하면 상황은 더 강해진다
AI가 한 번의 Task가 아니라 프로젝트 전체를 맡기 시작합니다.
기존 회사가 사람 10명으로 하던 일을,
사람 3명과 AI 에이전트 수십 개가 할 수 있는 분야가 생길 수 있습니다.
특히 완전히 디지털인 직종에서는 주20~30시간 정도만 인간이 개입해도 기존 생산량을 유지할 수 있는 상황이 기술적으로 가능해질 수 있습니다.
인간은
직접 코딩하고,
직접 자료를 조사하고,
직접 테스트하는 사람에서,
목표,
승인,
책임,
예외상황,
사람과의 관계
를 관리하는 사람으로 이동합니다.
---
12. 초지능까지 간다면 지식노동의 의미가 완전히 바뀐다
초지능이 충분히 저렴하게 복제될 수 있다고 합시다.
그러면 개발자 한 명,
연구자 한 명,
분석가 한 명을 새로 만들기 위해 몇 년 동안 사람을 교육할 필요가 없습니다.
컴퓨팅 자원을 할당하면 새로운 AI 노동자를 만들 수 있습니다.
그 순간 인지 노동 자체가 희소한 자원이 아니게 됩니다.
지금은 좋은 연구자 한 명을 확보하는 것이 엄청나게 어렵습니다.
미래에는 AI 연구원 1,000개를 병렬로 실행하는 것이 가능할 수도 있습니다.
그렇게 되면 디지털 노동에서는 주20시간을 넘어서,
주10시간,
주5시간,
혹은 인간이 원할 때만 직접 작업하는 사회도 기술적으로는 가능해집니다.
---
13. 하지만 여기까지 와도 완전한 노동해방은 아니다
왜냐하면 현실에는 몸이 필요하기 때문입니다.
누군가는 집을 지어야 합니다.
누군가는 배관을 고쳐야 합니다.
누군가는 물건을 운반해야 합니다.
누군가는 농작물을 수확해야 합니다.
누군가는 환자를 들어 옮겨야 합니다.
그래서 진짜 노동해방에는 AI뿐 아니라 로봇이 필요합니다.
그리고 이것이 OpenAI가 현재 월드모델, 시뮬레이션, 로봇, 촉각 센서, actuator, 실제 로봇 데이터 같은 분야에도 투자하고 있는 이유를 이해할 수 있는 부분입니다.
AI가 생각합니다.
월드모델로 행동 결과를 예측합니다.
로봇이 현실에서 행동합니다.
센서로 결과를 확인합니다.
AI가 다시 계획합니다.
이 루프가 안정적으로 작동하면,
AI가 컴퓨터 안에서만 일하는 것이 아니라 현실세계에서도 일하기 시작합니다.
---
14. 결국 노동해방의 진짜 순서는 이렇게 될 가능성이 있다
첫 번째.
AI가 사람의 업무를 보조한다.
지금입니다.
두 번째.
AI가 사람에게 주어진 Task를 대신한다.
Codex입니다.
세 번째.
AI가 문제를 받고 스스로 Task를 만든다.
Research Intern입니다.
네 번째.
AI가 목표를 받고 연구와 프로젝트 자체를 운영한다.
Automated Researcher입니다.
다섯 번째.
AI가 조직 전체를 운영한다.
AGI Level 5에 가까운 상태입니다.
여섯 번째.
초지능이 인간보다 훨씬 뛰어난 연구와 발명을 한다.
일곱 번째.
그 지능이 범용 로봇에 연결된다.
그때부터 지식노동과 육체노동을 동시에 자동화할 수 있습니다.
---
15. 그런데 마지막에 정말 중요한 문제가 하나 남는다
AI가 노동의 95%를 자동화했다고 합시다.
그러면 자동으로 노동해방이 올까요?
아닙니다.
두 가지 사회가 모두 가능합니다.
첫 번째 사회.
AI와 로봇을 소수 기업이 소유합니다.
생산성은 엄청나게 올라갑니다.
그런데 많은 사람은 일자리를 잃고 소득도 잃습니다.
이것은 노동해방이 아니라 실업사회입니다.
두 번째 사회.
AI가 만든 생산성 증가를
근로시간 단축,
사회배당,
기본소득,
공공서비스,
AI와 로봇 자본의 광범위한 소유
같은 방식으로 나눕니다.
그러면
AI가 더 많이 생산할수록,
인간은 덜 일해도 됩니다.
이것이 우리가 말하는 노동해방입니다.
---
16. 그래서 기술적으로 노동해방은 언제부터 가능할까?
대략 이렇게 생각할 수 있습니다.
2026년 Research Intern.
일부 디지털 직종에서 주4일제와 주30시간 정도가 기술적으로 훨씬 쉬워질 수 있습니다.
2028년 Automated Researcher.
많은 지식노동에서 주20~30시간이 기술적으로 가능한 영역이 생길 수 있습니다.
강한 AI 연구 자기가속.
인지 노동 대부분이 자동화되기 시작할 수 있습니다.
초지능.
디지털 노동 자체가 필수가 아닐 가능성이 생깁니다.
초지능과 범용 로봇.
육체노동까지 포함해 인간 노동의 필요성이 크게 감소할 수 있습니다.
그리고 마지막으로,
분배와 제도 변화.
여기까지 와야 실제 노동해방입니다.
---
17. 결국 우리가 지금 보고 있는 것은 무엇일까?
저는 지금을 이런 시대로 봅니다.
AI가 아직 사람을 완전히 대체하지는 못합니다.
하지만 인간 노동시장을 흔들기에는 충분히 강합니다.
그래서 신입 채용부터 줄어듭니다.
기존 직원은 AI 덕분에 더 많은 일을 합니다.
노동시간은 그대로입니다.
생산성은 올라갑니다.
이것은 어쩌면 가장 불편한 과도기일 수 있습니다.
하지만 AI의 자율성이
몇 분,
몇 시간,
하루,
일주일,
한 달
순서로 늘어나면 이야기가 달라집니다.
지금까지는 사람이 AI 옆에 붙어 있어야 했습니다.
앞으로는 AI가 일하고 사람이 결과만 확인할 수 있게 됩니다.
그 순간부터 AI는 단순한 도구가 아니라 노동력이 됩니다.
---
18. 그래서 앞으로 봐야 할 가장 중요한 지표
GPT-6라는 이름이 나왔는지,
벤치마크 점수가 몇 점 올랐는지만 볼 필요는 없습니다.
오히려 이것을 봐야 합니다.
AI에게 한 번 지시하고 얼마나 오래 내버려둘 수 있는가.
AI가 스스로 다음 업무를 만들 수 있는가.
실패했을 때 사람을 부르지 않고 새로운 방법을 찾는가.
자기가 한 일을 다른 AI와 함께 검증할 수 있는가.
여러 AI를 팀처럼 관리할 수 있는가.
실제로 새로운 지식을 만들어내는가.
그리고 현실세계에서는,
로봇이 얼마나 오래 사람 없이 안전하게 일할 수 있는가.
이 숫자가
30분에서 3시간,
3시간에서 하루,
하루에서 일주일,
일주일에서 한 달
로 올라가는 것이 진짜 중요한 변화입니다.
---
마무리
그래서 2026년 9월 Research Intern과 2028년 Automated Researcher가 중요한 이유는 단순히 새로운 ChatGPT 버전이 나오기 때문이 아닙니다.
2026년은
“AI에게 문제를 맡길 수 있는가?”
를 시험하는 시점입니다.
2028년은
“AI에게 연구 자체를 맡길 수 있는가?”
를 시험하는 시점입니다.
그리고 그 다음에는
“AI가 자기 자신보다 더 좋은 AI를 만들 수 있는가?”
라는 질문이 기다리고 있습니다.
그 질문의 답이 ‘아니오’라면,
우리는 비교적 점진적인 자동화 사회로 갈 가능성이 큽니다.
주4일제,
주30시간,
주20시간으로 천천히 이동할 수 있습니다.
하지만 답이 ‘예’라면,
2028년 이후의 변화는 지금까지 우리가 경험했던 AI 발전보다 훨씬 빠를 수도 있습니다.
그리고 언젠가 초지능과 범용 로봇이 함께 등장한다면,
인류 역사상 처음으로
“사람은 반드시 일을 해야 살아갈 수 있는가?”
라는 질문 자체를 다시 생각해야 할지도 모릅니다.
하지만 기술이 그 가능성을 만든다고 해서 노동해방이 저절로 오는 것은 아닙니다.
AI가 만든 생산성과 부를 어떻게 나눌 것인가.
누가 AI와 로봇을 소유할 것인가.
생산성 증가를 더 많은 생산으로 사용할 것인가,
아니면 인간의 더 많은 자유시간으로 사용할 것인가.
결국 노동해방의 마지막 문제는 AI의 지능만이 아니라,
우리가 그 지능으로 어떤 사회를 만들 것인가
가 될 것입니다.
