AI가 일을 한다고 사람 줄이면 회사가 느려진다: 사회적 동물만이 아는 맥락

사무실에 빈자리가 생기면 인건비는 줄지만, 회사는 그 사람이 알고 있던 업무 맥락을 함께 잃을 수 있다.

회사에서 AI 도구를 도입하면 꼭 나오는 말이 있다. “그럼 이제 몇 명 줄일 수 있죠?” 겉으로는 말이 되는 질문처럼 들린다. AI가 보고서도 쓰고, 회의록도 정리하고, 자료 조사도 하고, 코드도 짜고, 기획안도 만들어 주기 때문이다. 어떤 일은 정말 사람보다 빠르게 한다.

AI는 생각보다 많은 일을 해낸다. 바로 그 점이 문제를 어렵게 만든다. 회사 일은 산출물이 나와도 끝나지 않는다. 그 결과를 실제로 써도 되는지, 누가 책임질 수 있는지, 조직의 정치적·실무적 맥락에 맞는지 확인해야 한다. 이 단계를 보지 않고 사람부터 줄이면 회사는 빨라지지 않는다. 오히려 느려진다.

AI가 일을 해도, 책임과 맥락은 남는다

AI가 어떤 직무의 산출물을 상당 부분 대신 만들 수는 있다. 보고서도 쓰고, 분석도 하고, 발표 자료도 만들고, 코드도 짠다. 앞으로는 더 많은 일을 할 것이다. 그런데 회사는 산출물을 만들 수 있는지만 보지 않는다.

이 보고서를 이 타이밍에 올려도 되는가. 이 숫자를 이렇게 해석해도 되는가. 이 문장을 고객이 보면 어떻게 받아들일까. 이 표현을 쓰면 다른 부서가 반발하지 않을까. 법무팀이 문제 삼을 부분은 없을까. 윗사람이 실제로 원하는 방향과 맞을까.

이런 질문은 글을 잘 쓰는지만 봐서는 답할 수 없다. 현실 조직 안에서 결과물이 통과될 수 있는지까지 따져야 한다. AI는 산출물을 만들 수 있다. 하지만 그 산출물이 회사 안에서 실제로 통과될 수 있는지는 사람이 봐야 한다.

초안은 빨라졌는데 일이 줄지 않는 이유

“초안은 AI가 쓰면 되잖아.” 이 말은 맞다. 단순 초안, 요약, 형식 정리, 반복 문서화 같은 일은 실제로 줄어든다. 이 부분을 부정할 필요는 없다. 그래도 초안이 빨리 나오는 데서 일은 끝나지 않는다. 누군가는 그 초안을 읽어야 한다. 틀린 숫자를 확인해야 한다. 빠진 조건을 넣어야 한다. 회사 내부 표현으로 고쳐야 한다. 고객에게 보내도 되는지 확인해야 한다. 보안이나 법무 문제가 없는지도 봐야 한다. 마지막에는 맥락을 봐야 한다.

AI가 만든 문장이 그 자체로는 맞아도, 지금 조직 상황에서는 틀린 말일 수 있다. 맞는 주장이어도 지금 꺼내면 안 되는 말이 있을 수 있다. 숫자는 맞아도 해석이 위험할 수 있다. 좋은 제안이어도 예산, 권한, 일정, 이해관계 때문에 실행이 안 될 수 있다.

AI가 만든 문서는 검수를 마치기 전까지 초안에 가깝다. 현실에 넣기 전에 사람이 확인해야 한다.

회사 일은 정답인지보다 조직의 맥락이 중요할 때가 많다

회사에서는 정답만으로 일이 굴러가지 않는다. 논리적으로 맞는 말이어도 회의에서 떨어질 수 있다. 숫자가 맞아도 보고 순서가 틀리면 반려될 수 있다. 고객에게 이로운 제안이어도 내부 부서의 책임 문제가 정리되지 않으면 멈춘다. 요즘 AI는 대놓고 없는 사실을 지어내는 할루시네이션은 많이 줄었다. 하지만 회사에서는 그보다 더 애매하고 위험한 문제가 자주 생긴다.

문서만 보면 논리는 완벽하다. 숫자도 맞고, 문장도 자연스럽고, 결론도 그럴듯하다. 그런데 실제 회사 프로세스와는 어긋난다. 보고 순서가 다르거나, 승인권자가 빠져 있거나, 이미 예전에 실패한 방식이거나, 특정 부서가 절대 받아들이지 않을 전제를 깔고 있을 수 있다.

이런 오류는 단순 사실 오류보다 잡기 어렵다. AI가 현실을 충분히 모른 채 맞는 말처럼 보이는 문서를 만들기 때문이다. 그래서 검수는 오탈자나 할루시네이션을 잡는 데서 끝나지 않는다. 이 문서가 실제 조직 안에서 굴러갈 수 있는지 확인해야 한다.

그래서 회사 일에는 정치적·실무적 맥락이 붙는다. 누가 이 안을 싫어할지, 누가 책임을 져야 하는지, 어디까지 말해야 하는지, 지금 말하면 안 되는 내용은 뭔지, 어떤 표현을 쓰면 상대가 방어적으로 나올지. 이런 것들은 문서에 전부 적혀 있지 않다. AI는 주어진 정보 안에서는 매우 잘한다. 하지만 현실 조직의 눈치, 책임 구조, 암묵적 금기, 권한 관계를 자동으로 다 알 수는 없다.

결국 사람이 봐야 한다. 이 결과물이 맞는지, 지금 여기서 써도 되는지 함께 확인해야 한다.

사람을 줄이면 검수할 사람이 사라진다

AI 도입 후 가장 위험한 착각은 이것이다. “AI가 만들었으니 사람은 덜 필요하다.” 정확히는 반대일 때가 많다. AI가 많이 만들수록 검수할 사람은 더 중요해진다. 산출물이 늘면 확인해야 할 것도 늘기 때문이다.

문제는 회사가 보통 반대로 움직인다는 점이다. AI를 도입한 뒤 사람을 줄이고, 남은 사람에게 더 많은 AI 산출물을 검토하라고 한다. 그러면 남은 사람은 자기 일 대신 AI 결과물을 뒤처리한다. 전략을 봐야 할 시니어는 초안 교정자가 되고, 조직 맥락을 아는 중간 실무자는 온갖 문서의 위험 문장을 걷어내는 사람이 된다. 겉으로는 문서가 많아진다. 회의 자료도 빨리 나온다. 그런데 안쪽에서는 책임질 사람이 줄어든다.

이 간격이 커질수록 품질 사고가 난다.

조직의 과부하는 보이지 않는 곳으로 밀린다

AI를 잘못 도입한 회사는 한동안 좋아 보인다. 문서가 빨리 나온다. 요약도 많아진다. 회의록도 자동으로 쌓인다. 비용도 줄어든 것처럼 보인다. 그래서 윗선은 “AI 전환이 성공했다”고 느낀다. 하지만 실제 일은 안 보이는 곳으로 밀렸을 수 있다.

누군가 밤에 다시 읽고 있다. 누군가 틀린 숫자를 고치고 있다. 누군가 AI가 만든 그럴듯한 헛소리를 걷어내고 있다. 누군가 책임질 수 없는 문장을 책임질 수 있는 문장으로 바꾸고 있다. 누군가 “이 말은 맞지만 지금 하면 안 된다”는 판단을 하고 있다.

이런 일은 표에 잘 안 잡힌다. 토큰 비용은 보이지만, 사람이 다시 읽는 시간은 보이지 않는다. 산출물 개수는 보이지만, 검수 부담은 잘 안 보인다. 그래서 회사는 비용이 줄었다고 착각한다. 하지만 숨겨진 부하는 없어지지 않는다. 언젠가 품질 사고, 일정 지연, 직원 번아웃으로 다시 돌아온다.

감원은 피드백을 망가뜨리는 결정이다

감원의 무서운 점은 피드백이 제대로 올라오지 않는다는 데 있다. 새 도구가 불편하면 직원은 불편하다고 말할 수 있다. 새 절차가 비효율적이면 어느 정도 문제 제기를 할 수 있다. 하지만 사람을 줄인 결정이 잘못됐다고 말하는 건 훨씬 어렵다. “사람이 부족합니다”라는 말은 사장에게 쉽게 “그럼 네가 일을 못 버티는 건가”로 들릴 수 있다. 남은 직원은 본인이 다음 감원 대상이 될까 봐 조심한다. 그래서 실제로는 일이 무너지고 있어도, 위로 올라가는 말은 순해진다.

겉으로는 일이 굴러간다. 문서는 나오고, 회의는 열리고, 고객 응대도 이어진다. 그래서 사장은 잘되고 있다고 느낀다. 하지만 안에서는 검수 시간이 밤으로 밀리고, 책임이 특정 사람에게 몰리고, 작은 오류가 쌓이고, 직원들이 말없이 지쳐 간다. 감원은 그래서 맨 앞에서 던질 질문이 아니다. 먼저 시범사업을 돌리고, 업무가 실제로 어떻게 바뀌는지 확인하고, AI를 쓰는 새 업무 구조가 개념적으로 완성된 뒤에야 마지막으로 물어야 한다.

“이제 정말 사람을 줄여도 되는가?” 감원은 출발점이 아니라 최후의 질문이어야 한다.

직원을 줄인 뒤에야 필요한 지식이 드러나면, 회사는 그 지식을 다시 만드는 비용을 치른다.

중간급을 줄이면 회사의 기억이 사라진다

사람을 줄일 때 회사가 자주 먼저 줄이려 하는 직군이 있다. 중간급 실무자다. 주니어는 아직 덜 익었다고 줄이고, 시니어는 비싸다고 줄인다. 남은 사람에게는 “AI 쓰면 되잖아”라고 말한다. 그런데 조직의 진짜 기억은 이 중간급에 많이 있다.

어디서 숫자가 자주 틀리는지, 어떤 부서는 어떤 표현에 예민한지, 어떤 고객은 어떤 말을 싫어하는지, 과거에 어떤 결정 때문에 문제가 생겼는지. 이런 것들은 문서에 완벽하게 남아 있지 않다. AI는 정리된 문서는 잘 읽는다. 하지만 회사 안에서 사람들 사이에 쌓인 암묵지는 쉽게 모른다. 누군가 그 맥락을 알고 있어야 AI 결과물도 현실에 맞게 고쳐진다. 중간급을 줄이면 그 기억이 같이 사라진다. 그러면 AI가 만든 결과물은 더 자주 빗나가고, 남은 사람은 더 많은 시간을 들여 고쳐야 한다.

사람을 줄여서 비용을 줄였다고 생각했는데, 사실은 회사의 기억을 내다 버린 셈이 된다.

감원은 모든 검증을 마친 뒤에 계산한다

AI를 도입하고 사람을 줄이고 싶다면 순서를 바꿔야 한다. 감원은 모든 검증을 마친 뒤 마지막으로 계산해야 한다. 먼저 일을 쪼개야 한다. 한 사람의 직무를 통째로 보지 말고, 그 안에 어떤 작업이 있는지 나눠야 한다. 그다음 물어야 한다.

이 작업은 AI가 만들 수 있는가. AI가 만든 결과를 누가 검수하는가. 이 결과에 누가 책임지는가.

조직 안에서 통과시키려면 어떤 맥락 판단이 필요한가. AI 때문에 새로 생긴 검수와 조정 업무는 누가 맡는가. 그리고 실제로 돌려 봐야 한다. 2주든 4주든 작게 시험해야 한다. 처리 시간이 얼마나 줄었는지, 오류는 얼마나 생기는지, 검수 시간은 얼마나 늘었는지 숫자로 봐야 한다.

그다음에야 판단할 수 있다. “정말 일이 줄었는가?” “아니면 만드는 시간만 줄고 검수와 책임이 다른 사람에게 옮겨 갔는가?”

이 질문에 답하지 못한 감원은 비용 절감이 아니라 도박이다.

AI 전환을 잘하는 리더는 사람 수부터 묻지 않는다

좋은 리더는 “몇 명 줄일 수 있냐”부터 묻지 않는다. 먼저 묻는다. “어떤 작업이 줄었나?” “어떤 검수가 늘었나?” “어디서 오류가 생기나?” “누가 책임질 수 있나?” “조직 맥락을 읽는 사람은 충분히 남아 있나?” “남은 사람의 일이 정말 가벼워졌나?” 이 질문을 해야 AI 도입이 제대로 굴러간다.

AI는 비용 절감 도구이기 전에 업무 구조를 바꾸는 도구다. 구조를 바꾸지 않고 사람만 줄이면, 남은 구조에 부하가 몰린다. 더 많은 병목이 생기고 회사는 느려진다.

직장인은 변화의 효과를 숫자로 재야 한다

직장인 입장에서도 대응 방향을 분명히 해야 한다. “AI 그거 안 됩니다”라고만 말하면 위험하다. 맞는 말이어도 변화에 반대하는 사람처럼 보일 수 있다. 대신 이렇게 말하는 사람이 강하다.

“AI가 만들 수 있는 작업과 사람이 검수해야 하는 작업을 나눠 보겠습니다. 2주만 시험해서 처리 시간, 오류율, 검수 부담, 책임 소재를 재 보겠습니다. 그다음 안전하게 줄일 수 있는 범위를 계산하겠습니다.” 이런 사람이 AI 전환을 이끈다. AI를 무조건 찬양하거나 막는 사람보다, 어디까지 AI에 맡겨도 되는지와 어디부터 사람이 책임져야 하는지를 구분하는 사람이 중요하다.

진짜 일은 사라지지 않고, 검수와 책임으로 이동한다

AI가 없애는 일은 있다. 단순 초안, 요약, 형식 정리, 반복 문서화 같은 일은 분명 줄어든다. 그래서 AI 도입은 의미가 있다. 하지만 그걸 곧바로 “사람을 줄여도 된다”라는 뜻으로 받아들이면 안된다. 만드는 시간은 줄어도, 검수는 사람이 해야 한다. 초안 만드는 시간은 줄어도, 책임은 여전히 사람이 져야 한다. 자료 찾는 시간은 줄어도, 조직 맥락도 사람이 맞춰야 한다.

진짜 일은 검수와 책임 쪽으로 옮겨 간다. 그 이동을 보지 못하고 사람부터 줄이면, 회사는 빨라지지 않는다. 더 느려진다. 산출물은 늘지만 검수는 밀리고, 문서는 많아지지만 결정은 늦어지고, 비용은 줄어든 듯 보이지만 사고의 가능성은 커진다. AI 도입의 목적은 사람이 하던 일을 다시 설계하는 데 있다.

도구를 사는 건 쉽다. 사람을 줄이는 것도 쉽다. 어려운 건 누가 무엇을 검수하고 책임질지 업무표에 다시 적는 일이다.