원고 제공 | 강동민 이노핏파트너스 파트너교수
편집 | 이노핏파트너스 사업개발팀
📜Contents
만드는 능력보다, 무엇을 만들어야 하는지 정의하기
인간을 위해 설계된 업무를 다시 의심하기
AI가 스스로 일할 수 있는 조건 설계하기
판단의 경계를 계속 다시 그리기
맺으며
→ [이전 호 보기: 113호 (AI 투자, '딸깍'으로 가능할까요?)]
우리는 이제 자신이 충분히 이해하지 못하는 것까지 만들어낼 수 있는 시대에 살고 있습니다.
AI는 보고서를 작성하고, 데이터를 분석하고, 프로그램을 개발합니다. 과거에는 상당한 지식과 시간이 필요했던 일들이 이제 몇 번의 요청만으로 가능해졌습니다. 생산 비용은 낮아졌고, 결과물의 양은 폭발적으로 늘어났습니다.
그러나 생산의 속도가 빨라졌다고 해서 이해의 깊이까지 함께 깊어진 것은 아닙니다. 분석의 근거를 설명하지 못하는 보고서, 내부 구조를 이해하지 못한 채 배포되는 프로그램, 출처가 불분명한 정보들이 그럴듯한 완성도를 갖추고 유통됩니다. 검증되지 않은 정보가 다시 인용되고 재생산되면서 오류는 점차 발견하기 어려워집니다.
이런 현상은 조사에서도 확인됩니다. BetterUp Labs와 스탠퍼드 소셜미디어랩은 2025년 8~9월 미국 사무직 1,150명을 조사했습니다. 연구진은 그럴듯해 보이지만 업무를 실제로 진전시킬 내용이 부족한 AI 결과물을 워크슬롭(workslop)이라고 불렀습니다.
최근 한 달 안에 워크슬롭을 받았다는 응답은 40%였고, 응답자의 53%는 자신도 워크슬롭을 보낸 적이 있다고 답했습니다. 연구진은 이로 인한 비용을 영향을 받은 직원 1인당 월 186달러로 추산했습니다(설문에 기반한 추정치입니다). 결과물을 받은 사람뿐 아니라 보낸 사람도 내용을 충분히 확인하지 않은 채 넘기는 일이 적지 않음을 시사합니다.(BetterUp Labs × Stanford Social Media Lab, The hidden cost of workslop / HBR, "AI-Generated 'Workslop' Is Destroying Productivity", 2025.9.22)
문제는 AI가 틀릴 수 있다는 사실만이 아닙니다.
AI가 만들어낸 결과물을 인간이 충분히 이해하지 못한 채
사용하고 있다는 사실입니다.
이 문제는 개인의 AI 활용 역량만으로 해결할 수 없습니다. AI가 조직의 업무에 깊이 들어올수록, 무엇을 맡기고 어디에서 사람이 판단할 것인지에 대한 새로운 설계가 필요합니다.
🧭1) 만드는 능력보다, 무엇을 만들어야 하는지 정의하기
AI 이전에는 실행 자체가 경쟁력이었습니다. 보고서 한 편을 작성하거나 서비스를 구현하려면 전문 지식과 숙련된 인력, 상당한 시간이 필요했습니다.
하지만 AI가 실행의 장벽을 낮추면서 경쟁력의 중심도 이동하고 있습니다. 이제 중요한 것은 얼마나 빠르게 만들어내느냐보다 무엇을 왜 만들어야 하는지, 어떤 수준의 결과가 필요한지를 정의하는 능력입니다.
AI에게 시장 분석 보고서를 요청하면 몇 분 만에 그럴듯한 문서를 얻을 수 있습니다. 그러나 그 보고서가 어떤 의사결정을 지원해야 하는지, 어떤 가설을 검증해야 하는지, 무엇을 근거로 결론을 평가할 것인지가 정해져 있지 않다면 결과는 일반적인 정보의 나열에 머물기 쉽습니다.
하버드비즈니스리뷰(HBR) 2026년 4월 기고(Bain & Company와 OpenAI 경제연구팀 연구진)도 같은 문제를 짚었습니다. 많은 기업이 AI에 크게 투자하면서도 개별 업무의 생산성 향상을 의미 있는 사업 성과로 바꾸지 못하고 있으며, 연구진은 이를 '마이크로 생산성 함정(micro-productivity trap)'이라고 불렀습니다. 작업 하나가 빨라져도 그 작업이 어떤 성과를 위한 것인지 정해져 있지 않으면 성과로 이어지기 어렵다는 뜻입니다.(HBR, "How to Move from AI Experimentation to AI Transformation", 2026.4.30)
AI가 실행의 비용을 낮출수록, 문제를 정의하고 결과의 기준을 세우는 일의 가치는 높아집니다.
이것이 리더가 AI 도입을 논의할 때 기술보다 먼저 업무의 목적을 질문해야 하는 이유입니다.
🔍2) 인간을 위해 설계된 업무를 다시 의심하기
우리는 AI를 도입할 때 기존 업무를 어떻게 자동화할 것인지부터 고민합니다. 사람이 작성하던 보고서를 AI가 작성하게 하고, 사람이 분류하던 자료를 AI가 분류하도록 만듭니다.
그러나 이 접근에는 한 가지 전제가 숨어 있습니다. 지금의 업무 방식이 최선이라는 가정입니다.
보고 체계와 결재 단계, 업무 분장과 정보 전달 방식과 같은 조직의 업무 방식은 인간의 기억력과 처리 속도, 근무 시간과 협업 방식을 전제로 발전해 왔습니다.
인간이 수행하기 위해 만들어진 업무 절차를 AI에게 그대로 따라 하도록 하는 것이 최선일까요?
알파고의 등장은 바둑계에 중요한 질문을 던졌습니다. 인간이 오랫동안 축적해 온 정석이 과연 유일한 최선인가 하는 질문입니다. 2016년 알파고와 이세돌 9단의 제2국, 알파고(흑)의 37수. 바둑에서 꺼리던 5선에서 우변 백돌의 어깨를 짚은 이 수를 일부 해설진은 실수로 봤지만, 이 돌은 이후 큰 집의 기둥이 됐습니다. AI는 기존의 전략을 더 빠르게 실행하는 데 그치지 않고, 당연하게 여겼던 방식 자체를 다시 검토하게 했습니다. (Google DeepMind, AlphaGo, WIRED, "In Two Moves, AlphaGo and Lee Sedol Redefined the Future")
AI로 보고서 작성 시간을 줄일 수도 있습니다. 하지만 필요한 정보를 실시간으로 제공하고 중요한 변화가 발생할 때만 판단을 요청하는 방식으로 업무 자체를 바꿀 수도 있습니다.
[전통적 순차 보고 프로세스]
정기 데이터 수집 → 수작업 가공 → 보고서 작성 → 팀장 검토 → 임원 결재
[판단 지점 중심의 프로세스 예시]
시스템 상시 모니터링 → 이상 징후 탐지 → 근거·불확실성 정리 → 사전 정의된 판단 지점에서 담당자 결정 → 기록 및 반영
AX(AI Transformation, AI를 활용한 업무 방식의 전환)는 인간의 일을 AI에게 그대로 넘기는 것이 아니라, AI라는 새로운 가능성 앞에서 일의 본질과 방식을 다시 설계하는 과정입니다.
🚦3) AI가 스스로 일할 수 있는 조건 설계하기
업무의 목적을 다시 정의했다면 다음 질문은 분명해집니다. AI가 어디까지 스스로 일하도록 할 것인가?
이때 리더의 역할은 AI에게 개별 작업을 일일이 지시하는 것이 아닙니다. AI가 어떤 목표를 향해, 어떤 기준에 따라, 어느 범위까지 자율적으로 행동할 수 있는지를 정하는 것입니다.
예를 들어 고객 문의를 처리하는 업무를 생각해 보겠습니다.
문의 내용을 분류하고, 관련 규정을 찾아 답변을 작성하는 일은 AI가 수행할 수 있습니다. 충분히 검증된 반복적인 문의라면 정해진 범위에서 자동 응답하도록 설계할 수도 있습니다.
하지만 규정에 없는 예외가 발생하거나, 고객의 권리와 회사의 책임에 중대한 영향을 미치는 상황이라면 인간의 판단이 필요합니다.
여기서 중요한 것은 막연히 '중요한 일은 사람이 검토한다'는 원칙을 세우는 데 그치지 않는 것입니다.
어떤 상황을 예외로 볼 것인지,
AI는 언제 작업을 멈춰야 하는지,
사람에게 어떤 근거와 정보를 전달해야 하는지,
최종 결정은 누가 내릴 것인지까지 정해야 합니다.
이것이 바로 '판단 지점'을 설계하는 일입니다.
판단 지점은 AI가 안전하게 자율성을 발휘할 수 있도록 만드는 경계입니다. 이 경계가 명확할수록 사람은 모든 작업을 확인하는 대신, 자신의 판단이 필요한 순간에 집중할 수 있습니다.
미국 국립표준기술연구소(NIST)의 AI 위험관리 프레임워크도 같은 원칙을 제시합니다. 사람과 AI가 함께 일하는 구성에서 역할과 책임을 구분하는 정책과 절차를 갖추고, 사람의 감독 절차를 정의하고 평가하고 문서화하라는 것입니다. (NIST, AI Risk Management Framework 1.0 — AI RMF Core)
사람에게 넘길 때는 승인 요청과 함께 근거 넘기기
AI에게 실행을 위임할 수는 있지만 결과에 대한 책임까지 위임할 수는 없습니다. 그렇다고 AI가 처리한 수백 건을 사람이 전부 읽으면 자동화로 얻은 효율이 검토 단계에서 사라집니다. 내용을 이해하지 못한 채 승인만 하는 절차라면 사람의 개입은 안전장치 역할을 하지 못합니다.
사람에게 넘기는 문서에는 아래 세 가지가 함께 있어야 합니다.
✅ AI가 근거로 삼은 자료와 출처 (예: 보고서의 인용마다 원문 링크)
✅ AI가 확신하지 못한 부분
✅ 선택 가능한 대안
이 정보가 있어야 사람이 내용을 이해하고 책임 있게 판단할 수 있습니다.
NIST 프레임워크는 문서화가 투명성을 높이고 사람의 검토 과정을 개선하며 책임성을 강화할 수 있다고 설명합니다. 경제협력개발기구(OECD)의 AI 원칙도 AI를 개발하고 운영하는 조직이 책임을 지고, 데이터와 절차, 결정을 추적할 수 있도록 해 시스템의 출력에 대한 분석과 문의에 대응해야 한다고 밝힙니다.(OECD.AI, Accountability (Principle 1.5))
중요한 것은 사람이 검토 과정에 포함되어 있는지가 아니라,
사람이 책임 있게 판단할 수 있는 조건이 마련되어 있는가입니다.
🌊4) 판단의 경계를 계속 다시 그리기
AI와 인간의 역할을 구분하는 기준은 한 번 정하면 끝나는 규칙이 아닙니다.
오늘은 사람이 판단해야 했던 업무도 기술의 발전과 충분한 검증을 거쳐 내일은 자동화될 수 있습니다. 반대로 기술적으로 가능하더라도 위험과 책임의 크기에 따라 인간의 개입을 유지해야 하는 업무도 있습니다.
따라서 리더에게 필요한 것은 AI의 현재 능력을 아는 것만이 아닙니다. 기술의 변화에 따라 업무 구조와 판단의 경계를 지속적으로 재검토하는 능력입니다.
리더가 모든 AI 기술을 직접 다룰 줄 알아야 하는 것은 아닙니다.
기술 전문가는 AI가 무엇을 할 수 있는지 설명할 수 있습니다. 하지만 그 능력을 조직의 어떤 목적에 사용할 것인지, 어디까지 권한을 부여할 것인지, 어떤 위험을 감수할 것인지는 업무 전체를 책임지는 리더가 결정해야 합니다.
AI가 할 수 있는 일을 아는 것과, AI에게 맡겨도 되는 일을 결정하는 것은 다릅니다.
그 차이를 이해하는 것이 AX 리더십의 출발점입니다.
🏁 맺으며: 속도보다 먼저 결정해야 할 것
AI는 앞으로 더 많은 일을, 더 빠르고 저렴하게 수행할 것입니다. 그러나 실행의 비용이 낮아진다고 해서 올바른 판단의 가치까지 낮아지는 것은 아닙니다.
오히려 누구나 결과물을 만들어낼 수 있는 시대일수록 무엇이 중요한지, 무엇을 신뢰할 수 있는지, 무엇을 위해 일해야 하는지를 결정하는 능력은 더욱 중요해집니다.
이제 부서장은 '우리 업무에서 AI로 무엇을 자동화할 수 있을까?'라는 질문에 머물러서는 안 됩니다.
우리는 왜 이 일을 하고 있는가?
AI가 있다면 이 일을 처음부터 어떻게 설계할 것인가?
어디까지 AI에게 자율성을 부여하고, 어떤 순간에 사람이 판단해야 하는가?
이 질문에 답하는 것이 새로운 리더십의 역할입니다.
미래의 리더는 모든 일을 직접 지시하고 확인하는 사람이 아니라, AI가 스스로 일할 수 있는 환경을 만들고 그 결과를 조직이 책임질 수 있도록 판단의 구조를 설계하는 사람입니다.
AI 도입 이후 리더가 먼저 정해야 할 것은 속도가 아닙니다. 무엇을 위해 일할 것인지, 그리고 어디에서 판단할 것인지입니다.
🤝 우리 부서의 판단 지점, 함께 설계해 보세요
이노핏파트너스의 'AX 리더십 : Human-AI Workflow Design 과정'은
임원과 부서장을 대상으로, 업무 하나가 AI로 바뀌는 과정을 보며
AI 투입 지점과 사람의 판단 지점을 직접 정해 봅니다.
- ✅ 개인 생산성을 넘어 부서 업무 흐름 단위로 AI를 연결하는 설계 방식
- ✅ 업무 하나가 AI로 전환되는 Before/After 시연
- ✅ 리더가 AI 투입 지점과 판단 지점을 정하는 기준