AI에게 “이 문장을 200자로 요약해 줘”라고 요청한다.
물론 편리하다. 하지만 AI를 거기까지만 쓰는 것은 지게차를 사서 휴지 상자 하나만 옮기는 것과 비슷하다.
더 흥미로운 변화는 한 번의 좋은 답을 받는 것이 아니다. 조사, 기획, 구현, 검증, 수정, 번역, 배포, 모니터링을 하나의 운영 루프로 연결하는 것이다.
개인은 단순 작업자가 아니라 목표와 규칙을 정하는 사람이 된다. AI는 조사자, 편집자, 개발자, QA, 번역자, 운영자처럼 역할을 바꾸며 웹, 코드 저장소, 클라우드, 분석 도구를 사용하고 실제로 일이 끝났는지 증거로 확인한다.
1. 단위를 ‘답변’이 아니라 ‘완료된 일’로 바꾼다
일반적인 채팅형 AI 사용은 질문하고 답을 받는 것이다.
운영형 AI는 다른 단위를 본다.
개인 미디어를 예로 들면 하나의 일은 다음까지 포함할 수 있다.
- 대화에서 주제를 뽑는다
- 웹에서 근거를 확인한다
- 초안을 작성한다
- 개인정보와 사실 오류를 검사한다
- 여러 언어로 전개한다
- 저장소에 소스를 저장한다
- 실제 서비스에 배포한다
- 공개 페이지를 다시 읽어 확인한다
- 검색과 회유 데이터를 다음 개선에 반영한다
중요한 것은 “AI가 글을 썼다”가 아니라 미리 정의한 완료 조건에 도달했는가다.
AI가 완료했다고 말해도 실제 페이지가 404라면 끝난 것이 아니다. 12개 언어 파일이 있어도 제목만 있다면 끝난 것이 아니다. 여기서부터 AI 활용은 프롬프트 기술이 아니라 운영 설계가 된다.
2. 연구에서도 ‘개인+AI’가 일부 팀 기능에 가까워지고 있다
P&G 전문직 776명을 대상으로 한 사전등록 현장실험에서 AI를 사용한 개인은 AI를 사용하지 않은 2인 팀과 비슷한 성과를 냈다.[1] 연구진은 AI가 인간 협업의 일부 이점을 재현할 수 있다고 본다.
고객지원 직원 5,179명을 분석한 연구에서는 생성형 AI 지원이 평균 생산성을 약 14% 높였고, 초보자와 낮은 숙련 집단에서는 34% 향상이 나타났다.[2] 숙련자의 좋은 방법을 더 넓게 퍼뜨리는 효과도 시사됐다.
따라서 AI의 가치는 타이핑을 조금 빠르게 만드는 데만 있지 않다. 원래 다른 사람에게서 받아야 했던 지식과 기능을 같은 작업자 가까이 가져올 수 있다.
3. 하지만 ‘AI를 넣으면 빨라진다’는 명제는 틀릴 수 있다
758명의 컨설턴트를 대상으로 한 실험에서는 AI 능력 범위 안의 과제에서 작업 속도가 25% 이상 빨라지고 인간 평가 품질이 40% 이상 높아졌다.[3] 그러나 핵심은 AI 능력의 경계가 매끄럽지 않고 ‘들쭉날쭉하다’는 것이다.
METR의 2025년 무작위 연구에서는 숙련 오픈소스 개발자 16명이 실제 246개 과제를 수행했는데, 당시 AI 도구를 사용할 수 있는 조건에서 완료 시간이 오히려 19% 늘었다.[4] 개발자들은 스스로는 빨라졌다고 느꼈다.
2026년 후속 연구에서는 AI 없이 일하기 싫어하는 참가자가 늘어 선택 편향이 커졌고, 현재의 속도 향상 효과를 신뢰성 있게 추정하기 어려워졌다고 METR는 설명했다. 다만 2026년 초 AI가 이전보다 더 도움이 되었을 가능성은 있다고 보지만 정확한 크기는 불확실하다.[5]
결론은 간단하다.
AI가 똑똑한지가 아니라 어떤 일을 어떤 조건에서 어떤 검증과 함께 넘겼는지가 중요하다.
4. ‘회사를 압축한다’는 것은 사람을 0명으로 만든다는 뜻이 아니다
조직은 전문성을 위해 일을 나눈다.
하지만 인수인계마다 설명, 회의, 티켓, 대기, 재설명이 생긴다.
도구와 연결된 AI는 이 번역 계층의 일부를 줄일 수 있다. 한 사람이 원하는 상태를 정의하고, AI가 같은 문맥을 유지한 채 조사자, 설계자, 구현자, 테스트 담당, 번역자, 운영자 역할을 오갈 수 있다.
압축되는 것은 인간 자체가 아니라 역할 사이를 이동할 때 반복되는 설명과 전달 비용이다.
5. 진짜 자산은 결과물보다 ‘결과물을 안정적으로 만드는 시스템’일 수 있다
좋은 기사 한 편은 가치가 있다.
하지만 좋은 생산 시스템은 무엇을 조사하고, 어떤 출처를 우선하고, 무엇을 개인정보로 보고, 어떤 품질 기준에서 멈추고, 어떤 언어로 확장하고, 실패 시 어디로 되돌릴지까지 보유한다.
좋은 기사는 상품이고, 좋은 파이프라인은 생산능력이다.
콘텐츠의 가치가 사라지는 것은 아니다. 신뢰, 검색 유입, 인용, 독자 경험은 콘텐츠 자체에 있다. 다만 AI 시대에는 같은 품질을 반복할 수 있는 공정도 독립적인 자산이 된다.
6. 혼자 ‘회사 같은 운영’을 하려면 5개 층으로 나눈다
① 의사결정층
사람이 목표, 금지사항, 예산, 우선순위, 공개 조건, 중단 조건을 정한다.
② 역할층
AI의 역할을 조사, 편집, 개발, QA, 번역, 운영, 분석으로 나눈다.
③ 도구층
검색, 저장소, 클라우드, 데이터베이스, 분석, 메일 등 실제 상태를 바꾸거나 증거를 얻는 도구를 연결한다.
④ 상태·증거층
문서 ID, 언어, 버전, 로그, 테스트 결과, 공개 URL, 시각, 해시를 남긴다.
‘아마 했을 것’을 없애는 층이다.
⑤ 게이트·피드백층
품질, 개인정보, 안전, 출처, 실제 배포 결과를 확인하고 실패하면 이전 단계로 돌린다. 공개 후 검색, 클릭, 오류 데이터도 개선에 사용한다.
7. 12개 언어 운영의 본질은 번역보다 ‘언어별 섬’을 줄이는 데 있다
확장 가능한 다국어 시스템은 하나의 의미상 정본을 유지하고 그 정본에서 각 언어의 완성본을 만든다.
각 언어에는 제목, 본문, 내부 링크, 검색 메타데이터, 언어 전환, 업데이트 규칙이 필요하다.
이를 통해 영어권에만 있던 논의를 다른 언어로 옮기거나, 일본어 등 지역 지식을 해외로 전달하기 쉬워진다.
하지만 번역과 현지화는 다르다.
법률, 의료, 세금, 가격, 제도, 제품, 문화적 전제는 국가별로 다르다. 잘못된 제도 설명을 11개 언어로 복제하는 것은 국제화가 아니라 국제적 오류 배포다.
8. 인간의 역할은 ‘모든 것을 아는 전문가’에서 ‘정상을 정의하는 책임자’로 이동한다
모든 내부 구현을 이해할 필요는 없다.
대신 무엇을 정상으로 볼지, 어떤 증거가 완료를 증명하는지, 어디까지 AI가 결정해도 되는지, 무엇이 생기면 멈출지, 어떤 실패가 되돌릴 수 있는지 정해야 한다.
공장주가 모든 모터를 직접 감을 필요는 없다. 하지만 불량률이 급등하는데 컨베이어가 움직인다는 이유만으로 정상이라고 할 수는 없다.
문제 정의, 작업 분해, 합격 조건, 이상 감지, 증거 읽기, 롤백 설계가 핵심 역량이 된다.
9. 가장 위험한 것은 ‘쓰레기를 산업 규모로 생산할 수 있는 것’이다
AI 자동화는 실패도 빠르게 만든다.
잘못된 사실 하나가 정본이 되고 자동으로 12개 언어로 번역되고 관련 문서를 만들고 검색 인덱스와 추천까지 들어가면 오류가 생산능력을 얻는다.
따라서 자동화가 강해질수록 다음이 필요하다.
- 고위험 영역의 인간 검토
- 주장과 출처의 연결
- 자기보고가 아닌 실제 공개 readback
- 가능한 한 되돌릴 수 있는 쓰기
- 대량 처리 전 소규모 샘플 검증
- 중단 스위치와 재시도 조건
자동화된 쓰레기도 자동화다.
10. 시작할 때는 AI 직원 10명을 만들지 말고 ‘한 공정’을 닫는다
반복되는 한 가지 업무를 고른다.
입력, 출력, 합격 조건을 정의하고 AI가 처리하게 한다. 결과와 증거를 저장하고 실패 패턴을 모은다. 안정된 뒤 다음 공정을 연결한다.
측정해야 할 것은 AI 사용 횟수가 아니다.
추가 인간 개입 없이 몇 건이 끝났는가. 실패했을 때 어디서 망가졌는지 알 수 있었는가. 같은 품질을 다시 낼 수 있는가.
결론: 새로운 것은 ‘멋진 프롬프트’가 아니라 AI를 조직처럼 운영하는 것이다
높은 레버리지의 AI 사용은 의외로 평범하다.
목표를 정하고, 일을 나누고, 도구를 주고, 상태를 남기고, 증거로 검수하고, 실패를 되돌린다.
이 루프가 안정되면 한 사람이 이전에는 여러 직무가 필요했던 업무의 일부를 하나의 운영으로 보유할 수 있다.
연구도 AI가 항상 빠르다고 말하지 않는다. 어떤 구조로 인간과 AI를 결합했는지가 중요하다고 말한다.[1][3][4]
간단한 식으로 표현하면,
AI 레버리지 ≈ 작업 분해 × 문맥 유지 × 도구 연결 × 검증 × 반복 가능성
이다.
다음 단계는 회사를 AI에게 통째로 넘기는 것이 아니다.
인간이 의사결정권을 유지한 채 회사의 실행 계층을 압축하는 것이다.
- The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise papers.ssrn.com
- Brynjolfsson, Li, Raymond, Generative AI at Work nber.org
- Harvard Business School AI Institute, Navigating the Jagged Technological Frontier aiinstitute.hbs.edu
- METR, Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity metr.org
- METR, We are Changing our Developer Productivity Experiment Design metr.org
- Harvard Business School AI Institute, Back to the Beginnings of AI at Work aiinstitute.hbs.edu
