|
생성형 AI의 확산으로 보고서, 기획안, 회의자료, 분석 초안까지 이전보다 훨씬 빠르게 만들 수 있게 됐다. AI가 업무 시간과 노력을 줄이고 생산성을 높일 수 있다는 기대가 커지면서, AI가 도입된 초기에는 주로 효율성과 생산성 향상에 집중했다. 그러나 최근에는 AI의 급속한 발전이 가져올 수 있는 오류와 편향, 허위 정보, 개인정보 침해, 인간의 판단력 약화 등에 대한 우려도 함께 커지고 있다.
이러한 위험은 조직의 일상적인 업무에서도 이미 나타나고 있다. AI로 만든 내용을 충분히 검토하지 않은 채 동료나 상사에게 넘기면, 전달받은 사람이 사실관계를 다시 확인하고 문장을 수정하며 빠진 맥락을 보완해야 한다. 개인의 작업시간은 줄었지만, 조직 전체의 작업시간은 오히려 늘어나는 역설이 발생한다. 이러한 현상을 '워크슬롭Workslop'이라고 부른다. 워크슬롭은 AI 활용의 성과를 개인의 생산성이 아닌 조직 전체의 생산성 관점에서 판단해야 한다는 점을 보여준다. 한 사람이 AI를 활용해 30분 만에 끝낸 일이 다른 구성원의 한두 시간을 빼앗는다면, 이는 효율화라기보다 업무의 전가에 가깝다.  그럴듯한 AI 초안이 워크슬롭을 부른다 AI가 만든 초안이 워크슬롭으로 이어지는 데는 결과물 자체의 문제뿐 아니라, 이를 검토하고 활용하는 업무 방식과 조직의 품질 기준도 영향을 미친다. AI가 만든 결과물은 지나치게 그럴듯해 보일 때가 많다. 문장과 형식이 매끄러우면 내용까지 정확하다고 생각하기 쉽지만, 실제로는 중요한 맥락이 빠져 있거나 사실과 숫자, 사례가 잘못 생성됐을 수 있다. 결과물이 자연스러울수록 오류를 알아차리기 어려워 검토가 소홀해질 위험도 커진다. 초안 생성을 업무의 완료로 여기는 관행도 문제다. AI가 초안을 만든 후에는 업무 목적에 맞는지, 사실관계가 정확한지, 조직의 상황과 기준에 부합하는지, 상대방이 바로 활용할 수 있는 수준인지 확인해야 한다. 이러한 검토를 생략하면 결과물의 부족한 부분을 확인하고 수정하는 부담이 다음 사람에게 넘어간다. 조직 차원의 품질 기준이 부족한 점도 워크슬롭을 키운다. 이 때문에 구성원마다 결과물의 완성도를 판단하는 기준이 달라지고, 충분히 검토되지 않은 결과물이 공유되면서 재작업이 반복된다. AI 결과물의 '완료 기준'을 정해야 한다 이제 조직에는 AI 활용 가이드뿐 아니라 결과물의 품질을 관리하는 기준도 필요하다. 중요한 것은 AI를 사용했는지가 아니라 결과물이 실제 업무에 활용할 수 있는 수준에 도달했는지 판단하는 것이다. 이를 판단하려면 결과의 정확성과 업무 맥락에 대한 적합성을 함께 살펴야 한다. 핵심 사실과 수치, 인용, 근거가 정확한지 사람이 확인하고, 일반적인 AI 답변을 조직의 상황과 고객의 특성, 업무 목적에 맞게 수정했는지 점검해야 한다. 결과물을 전달받은 사람이 기본 자료를 다시 찾거나 전체 구조를 처음부터 다시 짜지 않고활용할 수 있는지도 중요하다. 아울러 최종 검토자가 누구인지, 결과에 대한 책임은 누가 지는지도 명확히 할 필요가 있다. 그렇다고 모든 AI 결과물을 사람이 처음부터 끝까지 다시 검토해야 한다는 뜻은 아니다. 업무의 위험도와 결과가 미치는 영향에 따라 검토 수준을 달리할 필요가 있다. 내부 아이디어 메모처럼 오류의 영향이 크지 않은 업무는 간단한 자기 검토로 충분할 수 있지만, 경영진 보고자료나 채용, 평가 등 인사 의사결정에 활용되는 자료, 고객에게 전달하는 자료는 사실관계와 수치뿐 아니라 논리와 표현까지 엄격하게 검증해야 한다. 특히 'AI가 작성한 참고용 자료'라는 표현이 부실한 결과물을 넘기는 면책 문구로 쓰여서는 안 된다. AI가 초안을 만들 수는 있지만, 결과물의 완성도를 판단하고 업무에 활용하기로 결정하며 그 결과에 책임지는 주체는 결국 사람이다. AI 활용의 생산성을 높이는 HR의 과제 워크슬롭을 줄이는 일은 IT 부서만의 과제가 아니다. AI가 실제 일하는 방식과 협업, 평가에 영향을 미치는 만큼 HR도 AI 활용이 조직의 생산성 향상으로 이어지는지 살펴야 한다. 이를 위해서는 AI 사용률만으로 성과를 판단해서는 안 된다. AI를 얼마나 많이 사용하는지보다 AI 결과물로 인해 추가적인 확인과 수정이 얼마나 발생하는지 살펴야 한다. 개인의 생산성 향상이 동료의 업무 부담 증가로 이어진다면 조직 전체의 생산성이 높아졌다고 보기 어렵기 때문이다. 직무와 과업에 맞는 품질 기준을 마련하는 일도 중요하다. 모든 업무에 동일한 검토 절차를 적용하기보다는 결과의 위험도와 영향에 따라 인간의 검토 수준과 승인 절차를 구분해야 한다. 이러한 기준이 있어야 구성원도 어디까지 직접 검토하고 어떤 경우에 추가 확인이나 승인이 필요한지 판단할 수 있다. AI 교육 역시 프롬프트를 잘 작성하는 방법을 익히는 데 그쳐서는 안 된다. AI가 생성한 결과의 오류를 발견하고 부족한 맥락을 보완하며, 업무 목적에 맞는 품질을 갖췄는지 판단하는 능력까지 길러야 한다. 결국 AI를 활용하는 데 필요한 역량은 'AI에게 일을 시키는 능력'뿐 아니라 'AI가 한 일을 평가하는 능력'까지 포함한다. 이 과정에서 리더의 역할도 빼놓을 수 없다. 속도만 강조하고 품질과 책임을 묻지 않으면 구성원은 AI를 활용해 결과물을 빨리 제출하는 데 집중하게 된다. 반대로 리더가 "AI를 얼마나 활용했는가?"보다 "이 결과물을 다른 사람이 추가 작업 없이 바로 활용할 수 있는가?"를 묻는다면 구성원이 AI를 사용하는 방식과 결과물을 검토하는 태도도 달라질 수 있다. AI 시대의 생산성은 더 빨리 만드는 것만으로 완성되지 않는다. AI를 통해 자신의 시간을 줄이면서도 다른 사람의 시간을 빼앗지 않아야 비로소 조직 전체의 생산성이 높아진다. HR은 AI 활용을 독려하는 데서 나아가 좋은 결과물이 무엇인지 정의하고, 그 품질과 책임의 기준을 조직 안에 정착시켜야 한다. AI가 더 많은 일을 대신할수록 업무가 어디까지 완성돼야 하는지 판단하는 기준은 더욱 정교해져야 한다. * 송영선 교수는 중앙대학교에서 평생교육 전공으로 교육학 박사학위를 받았으며, 현재는 건국대학교 글로컬캠퍼스에서 평생교육과 인적자원개발을 바탕으로 리더십, 조직학습, 교수설계 및 인재개발을 연구하고 있다. 특히 AI 전환에 따른 일과 역량의 변화, 인간과 AI의 협업, 이에 따른 리더십과 HRD의 역할 변화에 관심을 두고 있으며, HR Insight 편집자문위원으로도 활동하고 있다.
|
|
|
