AX에 대한 오해와 진실

오늘날 수많은 기업이 인공지능 전환(AX)을 추진하고 있다. AI로 업무를 자동화하고, 데이터를 분석하며, 사람의 일을 줄여 생산성을 높이겠다는 기대도 커지고 있다. 하지만 지금의 많은 AX 논의에는 중요한 관점이 빠져 있다. 바로 그 기술을 사용할 인간에 대한 고려다. 

현재 AX 논의는 주로 어떤 LLM 서비스를 도입할지, 화면 어디에 챗봇을 붙일지, 어떤 데이터를 학습시킬지, 어떤 업무를 자동화할지에 집중된다. 결국 현재 AX는 대체로 “AI가 인간을 얼마나 대신할 수 있는가”라는 기술 도입 관점에서 출발하는 것이다. 

그러나 업무 시스템은 결국 인간의 책임 아래 운영된다. AI가 보고서를 요약하더라도 그 숫자의 의미를 설명하고 의사결정에 사용하는 것은 사람이다. AI가 제조, 금융, 의료 현장에서 활용되더라도 그 결과를 최종적으로 책임지는 것은 사람과 조직이다. 

따라서 AX는 단순히 사람의 일을 AI로 대체하는 프로젝트가 아니다. AI가 업무에 들어온 이후 사람의 일이 어떻게 바뀌는지, 사람은 무엇을 계속 판단해야 하는지, 언제 개입해야 하는지, 어떤 책임을 질 수 있도록 시스템이 도와야 하는지를 다시 설계하는 일이다. 

인간 중심 AX=업무 시스템 설계

(자료=클립아트코리아)

그동안 기술은 언제나 인간의 작업 방식에 맞게 조정되어 왔다. 자동차의 조향 장치는 운전자의 신체와 인지 능력에 맞게 발전했고, 항공기 조종석은 파일럿이 복잡한 상황을 파악하고 통제할 수 있도록 설계됐다. 업무 시스템도 마찬가지다. 기술이 아무리 뛰어나도 사람이 이해하고, 통제하며, 책임질 수 없다면 현장에서 제대로 작동하기 어렵다. 

AI는 이 점에서 더욱 신중하게 다뤄야 한다. AI는 단순한 도구처럼 보이지만 실제 업무 안에서는 예측하고, 추천하며, 요약하고, 우선순위를 바꾸면서 사람의 판단에 직접 영향을 준다. 그렇기에 AX는 사람과 AI가 어떻게 역할을 나눌 것인지에 주목해야 한다. 

‘인간 중심 AX’는 AI를 거부하자는 말이 아니다. 인간이 AI 보다 우월하다고 주장하는 말도 아니다. AI가 실제 업무에서 작동하려면 인간의 판단, 개입, 책임 구조 안에서 설계돼야 한다는 뜻이다. AI가 사람을 밀어내는 것이 아니라, 사람이 더 잘 판단하고 더 안전하게 책임질 수 있도록 업무 시스템을 다시 설계하는 일이다. 

AI를 도입했는데 왜 직원의 일은 더 복잡해지는가? AI가 일을 대신한다는데 왜 사람의 확인 업무는 줄어들지 않는가? 더 많은 정보를 제공하는데 왜 최종 판단은 더 어려워지는가? 이 질문에 답하지 못하는 AX는 수많은 신기술 도입 프로젝트 중 하나로 끝날 가능성이 크다. 

AI를 붙였지만 업무는 그대로?

(자료=클립아트코리아)

많은 기업이 AI를 도입하면 업무 생산성이 자연스럽게 올라갈 것이라고 기대한다. 화면 한쪽에 똑똑한 챗봇을 붙이고, AI가 데이터를 빠르게 분석해 이상 징후를 예측하고, 긴 문서를 요약하고, 보고서 초안을 자동으로 만들어주면 직원의 업무가 훨씬 쉬워질 것이라고 생각한다. 

실제로 AI의 도입 속도는 매우 빠르다. 보스턴컨설팅그룹(BCG)의 2025년 보고서 도 AI 사용이 전 산업으로 확산되고 있음을 보여준다. 다만 이 보고서에서 중요한 지점은 따로 있는데, AI의 진짜 가치는 단순 도입이 아니라, 업무 흐름을 끝에서 끝까지 다시 설계할 때 발생한다는 점이다. 

문제는 많은 AX 프로젝트가 이 지점에서 멈춘다는 것이다. AI 기능은 붙였지만, 업무는 다시 설계하지 않는다. 그 뒤 현장에선 이상한 일이 벌어진다. AI 시스템의 가동률은 올라가고, 데이터 처리량은 늘어나고, 자동 생성되는 결과물도 많아지는데, 정작 직원이 체감하는 생산성은 기대만큼 좋아지지 않는다. 어떤 경우에는 오히려 일이 더 복잡해진다. 

AI가 요약한 내용을 직원이 다시 확인하고, AI가 작성한 보고서를 다시 고치며, AI가 추천한 답을 다른 시스템에서 다시 검증한다. AI가 탐지한 이상 징후도 곧바로 조치로 이어지지 않는다. 담당자는 그 알림이 실제로 중요한지, 지금 조치해야 하는지, 다른 문제보다 우선해야 하는지를 다시 판단해야 한다. 

AI가 일을 줄여줄 것이라고 기대했지만, 실제로는 AI가 만든 결과물을 검토하는 일이 새로 생긴다. 업무가 사라진 것이 아니라 업무의 형태가 바뀐 것이다. 이것이 많은 AX 프로젝트가 겪는 첫 번째 문제다. AI를 도입했는데 직원의 일이 줄지 않는다. 오히려 더 복잡해진다. 

AI가 일하면 사람의 일은 사라질까

(자료=클립아트코리아)

많은 기업이 AX를 추진할 때 흔히 하는 착각이 있다. AI가 어떤 기능을 수행하면 그 업무가 자동으로 줄어들 것이라고 생각하는 것이다. AI가 고객 문의를 요약하면 상담 직원의 일이 줄어들고, AI가 회의록을 작성하면 회의 후 정리 업무가 사라지며, AI가 생산 현장의 이상 징후를 탐지하면 엔지니어의 판단 부담이 줄어들 것이라고 기대한다. 기존 업무 시스템에 챗봇을 붙여두면 직원들이 필요한 정보를 알아서 쉽게 찾아 쓸 것이라고 기대하기도 한다. 

물론 일부 업무는 줄어든다. 그러나 동시에 새로운 업무가 생긴다. AI가 제대로 이해했는지 확인해야 하고, 중요한 내용이 빠지지 않았는지 봐야 하며, 틀린 정보가 들어가지 않았는지 검토해야 한다. 결과를 그대로 써도 되는지 판단해야 하고, 문제가 생겼을 때 누가 책임질 것인지도 정해야 한다. 

챗봇도 마찬가지다. 기존 시스템 화면에 “무엇이든 물어보세요”라는 대화창을 붙였다고 해서 업무가 끝나는 것은 아니다. 실제 업무는 질문과 답변만으로 이루어지지 않는다. 직원은 여러 시스템에서 정보를 확인하고, 업무 맥락을 비교하고, 데이터를 수정하고, 결재를 올리고, 예외 상황을 조율하고, 다른 부서와 협업한다. 업무는 하나의 질문에 대한 답변이 아니라 여러 단계의 판단과 실행이 연결된 흐름이다. 

AI가 개별 기능으로만 존재하면 사용자는 결국 다시 기존 시스템으로 돌아간다. 챗봇에 물어본 뒤 ERP를 열고, MES를 확인하고, 엑셀을 비교하고, 이메일과 메신저로 다시 확인한다. 이 경우 AI는 업무를 줄이지 못한다. 오히려 대화라는 또 하나의 작업을 추가한다. 

워크슬롭, 그럴듯하지만 다시 손봐야 하는 일

(자료=클립아트코리아)

하버드 비즈니스 리뷰(HBR)에 실린 2025년 글 「AI-Generated ‘Workslop’ Is Destroying Productivity」는 이 문제를 ‘워크슬롭(Workslop)’이라는 개념으로 설명한다. 워크슬롭은 겉보기에는 그럴듯하고 정돈되어 보이지만, 실제 업무에 바로 쓰기에는 품질이 낮아서 동료나 후속 작업자에게 검토, 수정, 재작업의 부담을 떠넘기는 AI 산출물을 뜻한다. 

이 개념이 중요한 이유는 AI 생산성 논의의 방향을 바꾸기 때문이다. AI가 문서를 빨리 만들었다고 해서 생산성이 올라간 것은 아니다. AI가 보고서를 자동 생성했다고 해서 업무가 끝난 것도 아니다. AI가 대시보드와 요약문을 만들어냈다고 해서 조직의 판단이 좋아진 것도 아니다. 

그 결과물을 누군가 다시 읽고, 확인하고, 수정하고, 책임져야 한다면 생산성은 다른 곳에서 소모된다. 앞 단계의 작업 속도가 빨라졌을 뿐, 뒤 단계의 검토 부담이 커졌다면 조직 전체의 생산성이 좋아졌다고 말하기 어렵다.

AI는 결과를 만든다. 하지만 그 결과를 업무에 사용해도 되는지 판단하는 일은 여전히 사람에게 남는다. 그래서 AX에서 중요한 질문은 “AI가 무엇을 할 수 있는가”가 아니다. 더 중요한 질문은 이것이다.

AI가 한 일 이후에, 사람은 무엇을 해야 하는가?

이 질문에 답하지 못하면 AI는 업무를 줄이는 도구가 아니라, 직원이 검토해야 할 또 하나의 업무가 된다. 

정보가 많아질수록 판단은 쉬워질까

(자료=클립아트코리아)

많은 AX 프로젝트는 AI를 ‘정보를 더 빨리, 더 많이 주는 도구’로 이해한다. 데이터를 수집하고, 요약하고, 이상 징후를 탐지하고, 알림을 보내면 사람이 더 쉽게 판단할 수 있을 것이라고 생각한다. 

하지만 정보가 많아진다고 판단이 쉬워지는 것은 아니다. 업무 현장에서 필요한 것은 정보의 양이 아니라 판단 가능한 정보다. 지금 무엇이 중요한지, 왜 중요한지, 어떤 조치를 해야 하는지, 얼마나 믿을 수 있는지, 다른 업무와 비교했을 때 무엇이 우선인지가 함께 제공되어야 한다. 이것이 빠지면 AI는 판단을 돕는 것이 아니라 판단해야 할 대상을 늘린다. 

제조 현장의 이상 탐지나 예지보전 시스템을 생각해보자. AI가 수많은 센서 데이터를 분석해 이상 가능성을 알려주더라도, 오경보가 반복되면 현장 엔지니어는 매번 그 알람이 진짜인지 다시 확인해야 한다. 알람은 많아졌지만 판단은 더 쉬워지지 않는다. 

이것이 산업 안전 영역에서 말하는 ‘알람 피로(Alarm Fatigue)’와 ‘정보 과다(Information Overload)’다. 반복되는 오경보는 사용자의 주의력과 신뢰를 떨어뜨리고, 결국 중요한 신호까지 놓치게 만든다. AI가 더 많은 정보를 제공한다고 해서 생산성이 높아지는 것은 아니다. 판단할 수 있게 구조화되지 않은 정보는 오히려 사람의 일을 늘린다. 

정보가 부족해서 실패하는 시대만 있는 것이 아니다. 정보가 너무 많고, 그 정보가 판단 가능하게 구조화되어 있지 않아서 실패하는 시대가 왔다. AX에서도 같은 일이 반복될 수 있다. AI가 더 많은 알림, 더 많은 예측, 더 많은 요약, 더 많은 추천을 만든다고 해서 현장의 판단이 좋아지는 것은 아니다. 판단할 수 있게 설계되지 않은 정보는 생산성을 높이지 않는다. 오히려 사람의 인지적 부담을 늘린다. 

AI 도입만으로는 생산성이 오르지 않는다 

이 글에서 말하려는 핵심은 단순하다. AI를 도입한다고 해서 생산성이 자동으로 높아지지는 않는다. AI 기능을 기존 업무 위에 얹는 것 만으로는 충분하지 않다. 기존 업무 흐름은 그대로 둔 채 AI 요약, AI 추천, AI 챗봇, AI 알림을 추가하면 직원은 더 많은 것을 봐야 한다. 

기존 시스템도 확인하고, AI 결과도 확인해야 한다. 기존 보고서도 작성하고, AI가 만든 결과도 고쳐야 한다. 기존 절차도 따라야 하고, AI가 제안한 내용도 검토해야 한다. 이런 방식의 AX는 생산성을 높이기 어렵다. 

AI를 도입했는데 직원의 일이 더 복잡해졌다면, 그것은 직원이 AI를 잘 못 써서가 아닐 수 있다. AI 성능이 부족해서만도 아닐 수 있다. 문제는 AI가 들어온 뒤의 업무가 아직 설계되지 않았기 때문일 수 있다. AX를 추진하고 있다면 지금 물어야 한다. 우리 회사의 AI는 직원의 일을 줄이고 있는가. 아니면 직원이 검토해야 할 일을 새로 만들고 있는가. 

그리고 한 가지를 더 물어야 한다. “우리는 AI를 도입하고 있는가, 아니면 AI 도입으로 업무 생산성이 높일 준비를 하고 있는가?” 이 질문에서 다음 글이 시작된다. AI 도입만으로 생산성이 높아지지 않는다면, 무엇을 바꿔야 하는가. 답은 ‘업무 재설계’에 있다. 업무 재설계에 대한 이야기는 2편에서 이어진다.

출처 :  ( https://ditoday.com/news/ )  

원문기사링크 : https://ditoday.com/%ec%9d%b8%ea%b0%84-%ec%a4%91%ec%8b%ac-ax-%e2%91%a0-ax%eb%8a%94-%ec%97%85%eb%ac%b4-%ec%9e%ac%ec%84%a4%ea%b3%84%eb%8b%a4/