AI가 일을 빨리 끝낼수록, 회사는 왜 더
바빠질까요?

이미 옮겨간 병목

초안은 빨리 나오는데,
검토는 왜 밀릴까요?

AI 에이전트는 답을 써주는 데서 멈추지 않고, 주어진 목표에 따라 자료를 찾고 도구를 사용하며 여러 단계의 일을 수행합니다. AX는 이 능력을 회사의 업무에 넣으면서 직원의 역할, 판단 권한, 고객에게 결과를 전달하는 방식까지 바꾸는 일입니다.

변화가 먼저 드러난 소프트웨어 조직을 보겠습니다. Bain이 2026년 4월 기술 분야 고위 리더 293명에게 물은 조사에서, 완료 과제는 약 21% 늘었지만 리뷰 시간은 약 91% 늘었습니다. 동시에 진행하는 작업도 47% 증가했습니다.

Bain Tech and Engineering Survey, 2026년 4월, n=293. 경영진 자기보고 결과이며 사무직 전체의 실측 평균이나 인과 실험이 아닙니다. Bain 원문

이 결과를 영업팀이나 인사팀에 그대로 적용할 수는 없습니다. 대신 우리 회사의 업무를 돌아볼 수는 있겠죠. 제안서를 두 배로 만들면 고객에게 보낼 수 있는 제안서도 두 배가 되나요? 회의록을 바로 받게 된 뒤, 결정과 후속 조치도 빨라졌나요?

작성 시간을 줄이는 동안 검토할 양을 더 늘렸다면, 절약한 시간은 다른 사람의 받은편지함으로 옮겨갔을 수 있습니다. 그래서 AI 도입 뒤에는 개인의 사용 시간보다 일이 시작되어 고객에게 도착하기까지를 살펴봐야 합니다.

개인이 빨라졌다고 회사의 이익도 늘어날까요?

McKinsey의 2026년 조사에서는 응답자의 80%가 자신의 생산성이 좋아졌다고 답했습니다. 그러나 AI가 회사 영업이익에 조금이라도 기여했다고 답한 비율은 37%였습니다. AI가 영업이익의 5% 이상에 기여하고 그 효과도 유의미하다고 평가한 고성과 집단은 약 6%였습니다.

서로 다른 질문에 대한 응답 비율입니다. 세 숫자를 도입→성공의 전환율로 읽으면 안 됩니다. McKinsey · 2026.08.25

어떤 AI 모델을 썼는지만으로 이 차이를 설명하기는 어렵죠. 좋은 초안의 기준이 없으면 검토자가 처음부터 다시 읽어야 합니다. 원본 자료가 빠져 있으면 사실을 확인하는 데도 시간이 들겠죠. 승인할 사람과 기준이 정해지지 않았다면 초안이 빨리 나와도 기다리는 시간은 그대로 남습니다. 우리 회사에서도 어느 단계에서 일이 늦어지는지 확인해볼 필요가 있습니다.

같은 질문, 다른 대답

빅테크 리더들의 발언을
함께 살펴보겠습니다.

빅테크 리더들은 회사의 변화를 어떻게 보고 있을까요? 일자리 변화의 속도를 걱정하는 사람도 있고, 사람의 판단이나 업무 방식의 변화를 강조하는 사람도 있습니다. 각 발언이 어떤 상황을 설명하는지 나눠서 읽어보겠습니다.

발표를 넘어 운영으로

AI가 처리할 일과
사람이 맡을 일을 나누고 있습니다.

실제로 운영하는 기업의 사례도 살펴보죠. 고객지원과 인사 문의에서는 비슷한 요청이 반복됩니다. AI가 어떤 질문을 처리하고, 어떤 경우에 담당자가 확인하는지를 비교해볼 수 있습니다.

세 회사의 비율을 순위표로 놓으면 오해가 생깁니다. 일반 질문, 특정 에이전트에 들어온 질문, 고객 채팅은 서로 다른 분모입니다. 우리 회사에서는 어디까지 AI가 처리하고, 어떤 상황에서 사람이 맡을지를 먼저 정해보세요.

직원 수보다 먼저 바뀌는 것

신입이 배우던 일이 줄면,
다음 담당자는 어떻게 성장할까요?

신입은 자료를 정리하고 초안을 쓴 뒤, 선배가 고치는 과정을 보며 일의 기준을 배워왔습니다. AI가 초안을 맡으면 이런 경험은 어디에서 쌓을 수 있을까요? 숙련자에게 검토와 판단을 맡기는 동안, 다음 담당자를 어떻게 교육할지도 함께 생각해야 합니다.

Stanford의 2026년 8월 개정 연구는 미국 급여자료를 분석해, AI 노출 직종의 22~25세 고용이 저노출 동년배와 같은 경로를 따랐을 경우보다 19% 낮다고 보고했습니다. 이는 청년 실업률이 19%라는 뜻도, AI의 인과효과가 입증됐다는 뜻도 아닙니다. Stanford 연구와 한계

다른 자료와 지표를 사용한 Anthropic의 2026년 3월 연구에서는 AI 노출이 높은 근로자의 실업률이 체계적으로 증가했다는 증거를 찾지 못했습니다. 다만 젊은 근로자의 채용 둔화 가능성을 제시했습니다. 연구마다 자료와 관찰 시기가 다르므로 ‘모든 일자리가 사라진다’와 ‘아무 변화가 없다’ 중 하나만 고를 수는 없습니다. Anthropic 노동시장 연구

우리 회사에서는 신입에게 AI가 만든 답을 가져오게 하는 데서 한 걸음 더 나아가 보면 어떨까요? 초안에서 잘못된 가정이나 빠진 근거를 찾아 설명하게 해보세요. 선배도 문장을 고친 이유를 함께 알려주면 좋겠죠. 처음에는 시간이 더 들더라도, 직원이 다음에 스스로 판단할 기준을 배우는 데 도움이 될 수 있습니다.

Goldman Sachs도 대체와 보완을 나누어 봅니다. 2026년 4월 분석은 미국에서 AI가 지난 1년간 월간 고용 증가를 약 1만6천 개 낮췄다고 추정하면서, 사람을 보완하는 직무에서는 고용이 늘어나는 효과도 관찰했습니다. 이 추정에는 데이터센터 건설 등 일부 상쇄 효과가 충분히 반영되지 않았습니다. ‘AI 때문에 매달 1만6천 명이 해고됐다’와는 다른 이야기입니다. Goldman Sachs 분석

2029년과 2031년

3년 뒤의 업무와 5년 뒤의 회사를
그려보겠습니다.

여기부터는 지금 확인한 변화에 근거한 조건부 시나리오입니다. 기준일인 2026년 10월 31일에서 3년 뒤는 2029년, 5년 뒤는 2031년입니다. 특정 연도에 반드시 실현된다는 예측이 아닙니다.

2029년: 문서를 넘기던 팀에서,
예외를 해결하는 팀으로.

고객 문의가 들어오면 에이전트가 주문 내역과 규정을 읽고, 정해진 범위의 답변을 준비합니다. 담당자는 모든 문의를 처음부터 읽는 대신, 규정이 충돌하거나 고객 상황이 특별한 건을 맡습니다. 영업·재무·지원 담당자가 여러 번 전달하던 일이 한 흐름 안에서 끝날 수 있습니다.

이 시나리오가 성립하려면 자료 접근 권한, 신뢰할 수 있는 근거, 자동 처리의 경계가 먼저 갖춰져야 합니다. 조직도에서 한 칸을 지우는 것으로는 되지 않습니다. 누가 결과에 책임지는지와 언제 사람에게 돌아오는지가 구체적이어야 합니다.

BCG의 2026년 조사에서 에이전트가 AI 가치에서 차지하는 비중은 22%, 2030년 기대치는 39%였습니다. 이는 경영진의 기대이며, 사무직의 39%가 사라진다는 뜻이 아닙니다. 도구의 보급보다 업무를 다시 설계하는 능력이 중요해질 수 있다는 방향을 읽을 수 있습니다. BCG · 2026.09.30

2031년: 같은 규모의 일이
같은 규모의 회사를 필요로 하지 않을 수 있다.

변화의 조짐은 이미 있습니다. McKinsey의 2026년 조사에서는 응답자의 32%가 에이전트 코딩 도구로 내부 제작이 가능해져 소프트웨어 제품이나 기능의 구매를 포기한 적이 있다고 답했습니다. 외부에서 사던 기능을 내부에서 만드는 선택이 실제로 나타난 것입니다. McKinsey 조사

더 큰 변화는 회사 안에서 끝나지 않을 수 있습니다. 작은 팀이 AI로 조사와 제작을 병행하고, 필요한 전문가의 판단만 결합한다면 기존에는 여러 부서가 있어야 맡을 수 있던 일을 수주할 수 있습니다. 고객도 투입 인원이나 제작한 문서 수보다, 해결한 문제와 걸린 시간에 비용을 지불하려 할 수 있습니다.

이것은 모든 기업이 작아진다는 선언이 아닙니다. 수요가 커지면 고용도 늘 수 있습니다. 그러나 일의 규모와 필요한 인원 사이의 관계가 흔들리면, 채용 계획·외주 계약·가격 책정이 함께 바뀝니다. 기존 회사에는 내부 효율 개선뿐 아니라 새로운 경쟁자의 비용 구조까지 살펴볼 이유가 생깁니다.

Bain은 2035년까지 4.7조 달러 규모의 기업 이익이 AI로 인한 변화와 경쟁의 대상이 될 것으로 분석했습니다. 이는 새로 생기는 순이익이나 2031년까지의 확정 성과가 아닙니다. 효율 향상뿐 아니라 이익을 가져가는 기업 자체가 달라질 수 있다는 전망입니다. Bain 산업 전망 · 2026.09.08

그런데 변화가 예상보다 늦어진다면 어떨까요?

검토 비용이 절약한 시간을 넘어설 때, 근거 자료가 틀렸을 때, 자동 처리 결과를 고객이 받아들이지 않을 때, 업무당 AI 비용이 높을 때입니다. 모델의 성능이 올라가도 이런 조건이 해결되지 않으면 확산은 느려집니다. 3년과 5년의 계획을 세우더라도, 실제 업무에서 드는 비용과 오류를 확인하며 조정할 수 있어야겠죠.

Anthropic의 2030년 경제 시나리오도 능력·보급·자동화·새 업무의 생성에 따라 매우 다른 결과를 보여줍니다. 그 모형의 연도를 임의로 2031년으로 옮기거나 특정 시나리오를 합의된 전망으로 제시하지 않았습니다. 경제 시나리오의 가정 보기

우리 회사에서 확인할 차례

우리 회사의 업무 한 건을
끝까지 살펴보겠습니다.

우리 회사에서는 무엇부터 확인하면 좋을까요? 고객에게 영향을 주지 않는 과거 업무나 검토용 자료로 작은 비교를 해보세요. 아래는 Blackbold의 적용 제안입니다. 난이도가 비슷한 업무를 나눠 비교하되, 이 절차 자체가 이미 확인된 성과를 뜻하지는 않습니다.

1. 첫 2일, 한 가지 결과를 고릅니다.

   예를 들어 ‘고객이 승인할 수 있는 제안서 한 건’입니다. 초안 완성, 사실 확인, 내부 승인, 고객 전달 중 어디까지를 완료로 셀지 정합니다. AI가 만든 파일 수는 완료 기준으로 삼지 않습니다.

2. 다음 3일, 시간을 따로 기록합니다.

   작성 시간, 검토 시간, 승인 대기 시간, 수정 횟수를 나눕니다. 도구를 쓰는 사람의 시간뿐 아니라 검토하는 동료의 시간도 포함합니다. 더 빨라진 대신 오류가 늘지 않았는지 같은 기준으로 봅니다.

3. 다음 3일, 전달 방식을 한 번 바꿉니다.

   초안에 원본 근거와 미확인 항목을 함께 붙이고, 정형 확인과 사람의 판단을 구분합니다. 누구에게 넘겨야 하는지 모르는 건을 따로 셉니다. 도구 변경과 절차 변경을 동시에 여러 개 적용하지 않습니다.

4. 마지막 2일, 팀 전체의 결과를 비교합니다.

   절약한 시간이 늘어난 검토 시간과 비용보다 큰지 확인합니다. 고객이 받아들인 결과 수, 재작업, 놓친 오류까지 보고 확대 여부를 정합니다. 작은 표본의 차이는 확정 효과가 아니라 다음 실험의 신호입니다.

초안을 많이 만드는 것만으로 일이 끝나지는 않죠. 무엇을 만들지 정하고, 잘못된 내용을 확인하고, 다음 담당자가 배운 내용을 활용할 수 있게 남기는 과정도 필요합니다. AI를 얼마나 썼는지와 함께 실제로 업무를 끝내는 데 도움이 됐는지 살펴보세요.

AI가 빨라진 다음,
우리 회사는 무엇부터 바꿔야 할까요?