AI 요약
파킨슨의 법칙(업무는 가용 시간에 맞춰 늘어남)이 AI와 결합하며, 생성형 AI가 만들어낼 수 있는 무한한 분량의 작업물이 실제 업무 효율을 가리는 현상이 나타나고 있습니다. 저자는 약 1년 3개월 전 동료가 Claude를 사용하여 특유의 문장 구조와 em dash(—) 구두점을 남발하며 답변하는 것을 보고 AI 오남용의 문제를 처음 인지했습니다. 현재 직장 내 AI 활용은 두 가지 실패 양상을 보이는데, 숙련도가 낮은 직원이 시니어의 결과물을 흉내 내는 것과 아예 훈련받지 않은 타 분야의 결과물을 생성하는 것입니다. 특히 후자인 '교차 도메인 생성'은 실제 원리를 이해하지 못한 채 그럴싸한 결과물만 내놓아 조직의 리스크를 키웁니다. 실제로 올해 초 한 비엔지니어 직원이 2개월간 AI로 데이터 아키텍처를 설계했으나, 스키마와 목적 자체가 근본적으로 잘못되어 전문가와 VP(부사장)급 경영진 사이에서 갈등이 발생한 사례가 있었습니다. 결합된 도구의 활용 능력은 뛰어나 보일지라도, 기초적인 전문 지식 부재를 가리는 AI의 특성이 조직의 진정한 발전을 저해하고 있습니다.
핵심 인사이트
- AI 식별 징후: 약 1년 3개월 전(a year and a quarter ago), 저자는 동료의 답변에서 사람이 거의 사용하지 않는 'em dash' 사용과 기계적인 문장 리듬을 통해 Claude 사용 사실을 포착함.
- 교차 도메인 리스크: 코딩이나 데이터 설계를 교육받지 않은 직원이 AI를 이용해 시스템을 구축하는 행위가 늘고 있으며, 이는 내부적으로는 성과처럼 보이나 실질적으로는 심각한 결함을 내포함.
- 2개월간의 낭비: 올해 초(earlier this year), 비엔지니어 직원이 2개월 동안 AI로 생성한 대량의 코드와 문서는 데이터 아키텍처의 기본인 스키마(Schema)부터 잘못되어 실사용이 불가능했음.
- 조직 내 갈등 심화: 전문가들이 2년 차 경력자도 알 수 있는 기초적인 오류를 지적했음에도 불구하고, AI 도구로 무장한 제작자는 VP(부사장) 앞에서도 자신의 작업물이 옳다고 반박함.
주요 디테일
- 생산성의 도구화: 파킨슨의 법칙을 인용하여, AI가 업무 시간을 채우기 위해 무한한 양의 결과물을 생성해내는 현상을 경고함.
- 전문성 모방의 한계: AI는 특정 분야의 노비스(Novice)가 시니어의 스타일을 빠르게 흉내 내게 해주지만, 실제 판단력과 전문적 통찰까지 제공하지는 못함.
- 블랙박스 작업물: AI로 대량의 결과물을 낸 직원은 정작 본인이 만든 시스템이 어떻게 작동하는지 설명해달라는 질문에 제대로 답변하지 못함.
- 가시성의 오류: AI를 잘 활용하는 것처럼 보이는 지표(코드 양, 문서 양)가 실제 프로젝트의 진척도(Progress)와 비례하지 않음을 시사함.
- 에이전트 도구의 희소성: 현재의 에이전틱(Agentic) 도구를 복잡한 업무에 적절히 사용하는 숙련된 사용자는 주로 코드 생성 분야에 국한되어 있으며 그 수가 매우 적음.
향후 전망
- 조직 내에서 AI를 활용한 성과 측정 시, 결과물의 양이 아닌 '설명 가능성'과 '근본 아키텍처의 타당성'을 검증하는 프로세스가 필수적으로 도입될 것임.
- 비전문가의 무분별한 AI 도구 활용으로 인해 유지보수가 불가능한 '기술 부채'가 급증하며, 이를 해결하기 위한 전문 인력의 재검토 작업이 늘어날 것으로 예상됨.