AI로 일이 빨라졌는데, 왜 더 바빠졌을까요?

2026년 1월 공개한 AI 전망을 글로 정리했습니다. 당시의 문제의식과 전망이며, 이후의 성과를 측정한 보고서는 아닙니다.

AI로 이메일을 쓰고, 받은 사람은 AI로 요약합니다. 답장도 AI로 쓰고, 그 답장을 다시 AI에 읽힙니다. 문서는 빠르게 오가는데 정작 결정하거나 해결한 일은 잘 보이지 않습니다.

저도 여러 AI를 많이 쓰고 있었습니다. 대본을 쓰고, 자료를 찾고, 사실을 확인하는 과정에서 도구마다 도움을 받았습니다. 그런데 어느 순간 이런 생각이 들었습니다. AI를 쓰는데 왜 저는 더 바빠졌을까요?

완성돼 보이는 자료가 다음 사람의 일이 될 때

영상에서 이야기한 Workslop은 겉보기에는 그럴듯하지만 일을 진전시키지 못하는 AI 산출물의 문제입니다. BetterUp과 Stanford Social Media Lab의 연구를 소개한 글도 유용하지 않거나 맥락에 맞지 않는 AI 문서·이메일·코드가 받는 사람의 부담이 될 수 있다고 설명합니다. BetterUp의 Workslop 연구 소개

제가 걱정한 것은 단순히 자료의 양이 아니었습니다. 만드는 사람은 편해졌는데, 받는 사람은 더 오래 읽고 해석하고 수정해야 하는 상황이었습니다. 결국 그 사람도 다시 AI로 요약하기 시작합니다.

이 과정이 반복되면 보고서는 늘어도 전략은 비슷해지고, 회의가 많아져도 책임이 흐려질 수 있습니다. 개인이 문서를 빨리 만들었다는 사실만으로 조직 전체의 일이 줄었다고 보기 어려운 이유입니다.

40%라는 예측은 무엇을 말했을까요?

영상에서는 Gartner의 에이전트 프로젝트 취소 전망을 소개했습니다. 원발표는 2025년 6월 25일에 나왔습니다. 2027년 말까지 에이전틱 AI 프로젝트의 40% 이상이 취소될 것이라는 예측이었습니다. 비용 증가, 불분명한 사업 가치, 부족한 위험 통제를 이유로 들었습니다. Gartner의 원발표

이미 프로젝트 40%가 실패했다는 조사 결과가 아닙니다. 취소의 원인이 전부 Workslop이라는 뜻도 아닙니다. 영상에서 두 문제를 가까이 연결했지만, 예측의 범위와 제가 덧붙인 해석은 구분해야 합니다.

제가 여기서 가져온 질문은 도입 자체가 성과가 되고 있지는 않은가였습니다. 우리 팀도 AI를 도입했다는 말보다, 어떤 일이 실제로 나아졌는지 설명할 수 있어야 한다고 생각했습니다.

자동화 앞에 남아 있는 결정들

누가 결정할 것인지, 누가 승인할 것인지, 결과물의 품질은 누가 책임질 것인지. 또 어디까지 자동화할 것인지.

이 질문에 답하지 않은 채 도구부터 붙이면 결과물을 처리하는 일이 새로 생깁니다. 에이전트를 활용한다는 것은 사람과 AI, 기존 시스템의 역할을 다시 살펴보는 일에 가깝다고 봤습니다.

비용도 같은 관점에서 생각했습니다. 영상에서는 생성할 때마다 사용량이나 크레딧을 계산하는 서비스가 늘어나는 모습을 언급했습니다. 월 이용료만 보고 끝낼 수 있는지, 수정과 반복까지 포함하면 어떤 부담이 생기는지 궁금했습니다.

모든 SaaS가 같은 과금 방식으로 바뀐다는 예측은 아닙니다. AI가 기능 하나를 더하는 동시에 관리해야 할 비용과 절차도 더할 수 있다는 문제의식입니다.

첫 번째, 무엇을 할지 결정하는 능력

2026년에 더 중요해질 역량으로 세 가지를 이야기했습니다. 첫 번째는 의사결정입니다.

AI가 정보를 정리해준 다음에도 이 결과를 어떻게 판단하고 어디에 쓸지 결정해야 합니다. 거짓말을 찾아내는 검증은 필요합니다. 그 위에 우리 팀의 목적에 맞는 선택을 하는 과정이 더해져야 한다고 생각했습니다.

정보를 찾는 일이 쓸모없어졌다는 뜻은 아닙니다. 찾고 정리한 결과가 실제 결정으로 이어지는가에 더 관심을 두자는 이야기였습니다.

두 번째, 경험과 선택으로 쌓는 취향

AI 결과물이 좋아질수록 비슷한 결과를 쉽게 얻는 사람도 늘 수 있습니다. 저는 이때 다른 입력을 만들어내는 취향이 중요해질 것이라고 봤습니다.

취향을 타고난 센스로만 생각하지 않았습니다. 경험하고 선택한 것이 계속 쌓이면서 생기는 기준에 가깝습니다. 영상에서는 전시장이나 매장, 책과 잡지, 여행 중 만나는 장면처럼 일상에서 직접 접하는 경험을 이야기했습니다.

AI가 세상의 모든 현장에 접근할 수 없다는 절대적인 구분보다는, 내가 직접 보고 사람을 만나며 얻는 맥락을 더 가까이 두자는 제안이었습니다. 실패했던 경험도 다음 입력의 일부가 될 수 있습니다.

세 번째, 의미 있는 결과까지 가져가는 능력

마지막은 문제 해결입니다. AI를 쓰거나 다른 사람과 협업해서라도 해결해야 할 문제를 실제로 움직이는 태도입니다.

가설을 세우고, 해보고, 확인하고, 필요하면 방향을 바꾸는 과정이 떠올랐습니다. 계획한 일을 모두 체크하는 것과 의미 있는 결과를 만드는 것은 다를 수 있습니다.

AI가 많아질수록 산출물도 더 많아질 것입니다. 그래서 저는 2026년을 시작하며 도구의 수보다 결정의 질, 입력의 취향, 결과에 대한 책임을 더 가까이 보자고 이야기했습니다. 빠르게 만든 문서가 다음 사람의 숙제로 남지 않게 하는 일이 그 출발점이라고 생각했습니다.