AI 생산성 40% 손실: 그림자 노동의 위험?

AI 기술의 혁신적인 발전은 전례 없는 속도로 비즈니스 환경을 변화시키고 있습니다.

많은 기업들이 생산성 향상과 효율성 증대를 위해 인공지능 도구 도입에 열을 올리고 있으며, 초기 단계에서는 눈부신 성과가 보고되기도 합니다.

그러나 이러한 장밋빛 전망 뒤편에는 간과할 수 없는 그림자가 드리워져 있습니다.

최근 Workday의 조사에 따르면, AI를 통한 생산성 이점 중 무려 40%가 AI가 생성한 오류를 수정하는 ‘재작업(rework)’에 소요되는 시간으로 상쇄되고 있다는 충격적인 결과가 발표되었습니다.

이는 AI 도입이 가져올 무조건적인 효율 증대라는 기대가 현실에서는 ‘숨겨진 노동’이라는 예상치 못한 장벽에 부딪히고 있음을 시사합니다.

AI, 생산성 향상의 ‘빛’과 ‘그림자’

인공지능 도구가 업무 처리 속도를 가속화하는 것은 분명한 사실입니다.

복잡한 데이터를 분석하고, 보고서를 요약하며, 콘텐츠 초안을 생성하는 등 AI의 활용 범위는 점차 넓어지고 있습니다.

하지만 이러한 ‘빛’ 이면에 ‘그림자’가 존재한다는 사실을 인지하는 기업은 드뭅니다.

CIO.com 기사는 이를 ‘AI workslop’이라는 신조어로 표현하며, AI가 생성한 ‘엉성한 작업물’로 인해 발생하는 추가적인 업무 부담을 지적합니다.

Workday의 최근 설문조사에 따르면, 기업들이 AI 도구를 통해 얻는 10시간의 효율성 중 약 4시간이 AI 산출물의 오류를 수정하는 데 소비됩니다.

이는 AI 도입의 순수 생산성 향상률이 기대치보다 훨씬 낮을 수 있음을 의미합니다.

iTech AG의 총괄 부사장 Laura Stash는 이 현상에 대해 중요한 통찰을 제공합니다.

그녀는 AI가 단순한 회의록 요약과 같은 저부가가치 작업에서는 탁월한 성능을 발휘하지만, 복잡한 정책 보고서나 심층 분석 보고서와 같은 고부가가치 작업에서는 전문가들이 직접 작성하는 것보다 더 많은 시간을 수정에 할애하게 되는 경우가 빈번하다고 말합니다.

문제는 AI가 진정으로 가치를 더하는 지점과 오히려 재작업을 유발하는 지점을 명확하게 구분하는 데 있습니다.

이러한 분석 없이 모든 업무에 AI를 무분별하게 적용할 경우, 기대했던 생산성 증대는커녕 오히려 총체적인 효율 저하를 초래할 수 있습니다.

단순 효율 넘어 ‘순수 가치’를 측정하라

많은 리더들은 AI 도입 후 ‘총체적 효율(gross efficiency)’ 지표에만 집중하는 경향이 있습니다.

예를 들어, AI 덕분에 특정 작업의 처리 속도가 얼마나 빨라졌는지, 또는 더 많은 산출물을 생성했는지 등 양적인 지표에만 매몰되는 것입니다.

그러나 Workday는 이러한 접근 방식이 AI의 ‘순수 가치(net value)’를 놓치는 맹점이 될 수 있다고 경고합니다.

속도와 양의 증가는 일시적인 성공으로 보일 수 있지만, 품질이나 최종 결과가 향상되지 않거나 심지어 저하된다면 진정한 가치 창출로 이어지기 어렵습니다.

Dice의 사장 Paul Farnsworth는 리더들이 한발 물러서서 AI가 실제로 가치를 더하는 지점을 냉철하게 평가해야 한다고 강조합니다.

특히 AI가 생성한 작업의 대부분을 처리하는 팀과 직접 소통하며 특정 워크플로우에서 지속적으로 재작업이 발생하는 패턴을 찾아야 합니다.

AI는 단순히 산출물을 가속화하는 것을 넘어, 궁극적으로 업무의 마찰을 줄여야 합니다.

만약 AI가 그 반대의 역할을 하고 있다면, 리더는 즉시 개입하여 조직 내 AI 활용 방식을 조정해야 합니다.

Robert Half의 기술 인재 솔루션 부문 부사장 Kareem Osman 또한 “속도는 빨라졌지만, AI로 인한 실수, 수정 요구, 그리고 업무에 대한 좌절감이 함께 증가한다면 AI가 가치 대신 마찰을 더하고 있다는 신호일 수 있다”고 지적합니다.

이는 기업이 AI의 단순한 도입을 넘어, AI가 조직의 전반적인 업무 품질과 직원 경험에 미치는 영향을 심층적으로 분석해야 함을 의미합니다.

역설적인 AI 부메랑: 열정적인 직원의 소진

CIO.com 기사의 가장 주목할 만한 발견 중 하나는 AI 관련 재작업의 부담이 가장 적극적으로 AI를 채택하려는 직원들에게 집중되고 있다는 점입니다.

Workday의 조사 결과에 따르면, 매일 AI를 사용하는 직원 중 77%가 AI 작업에 대해 인간의 작업과 동일하거나 더 엄격한 수준으로 감사한다고 답했습니다.

이는 AI 산출물에 대한 신뢰도가 아직 낮으며, 결과적으로 숙련된 직원들이 AI의 실수를 ‘잡아내는 안전망’ 역할을 수행하고 있음을 보여줍니다.

이러한 추가 노동은 고도로 몰입하는 직원 한 명당 연간 1.5주에 달하는 시간을 AI 산출물 수정에 ‘낭비’하게 만듭니다.

Paul Farnsworth는 기업의 가장 뛰어난 직원들이 종종 이러한 ‘안전망’이 되어 실수와 문제점을 포착하고, 중요한 업무가 누락되지 않도록 하는 역할을 한다고 설명합니다.

하지만 시간이 지남에 따라 이러한 역할은 고부가가치 작업이라기보다는 끊임없는 ‘청소(cleanup)’ 작업처럼 느껴질 수 있으며, 장기적으로 지속 불가능하다고 경고합니다.

Laura Stash 역시 직원들이 AI 도구에 대한 충분한 훈련 없이 복잡한 작업을 생성하는 데 AI를 사용할 때 품질 및 ‘청소 작업’ 관련 문제가 가장 크게 발생한다고 지적합니다.

그녀는 AI가 저부가가치, 반복적인 작업에 적합한 반면, 적절한 훈련이나 검증 과정 없이 고도의 전문성이 필요한 작업에 동일한 접근 방식을 적용하는 것은 더 많은 문제를 야기한다고 강조합니다.

산출물을 개선하거나 신뢰할 수 없다면 생산성 향상은 사라지고, 심지어 장기적으로는 직원의 전문성 자체를 저해할 위험까지 있습니다.

AI 성공의 열쇠: 적절한 교육과 명확한 가이드라인

AI 도입의 효과를 극대화하고 재작업 손실을 최소화하기 위한 가장 중요한 요소는 바로 ‘사람’에 대한 투자입니다.

Workday 보고서에 따르면, 리더의 66%가 AI 기술 교육을 최우선 투자 과제로 꼽았음에도 불구하고, 매일 AI를 사용하는 직원 중 교육 접근성이 증가했다고 보고한 비율은 단 37%에 불과했습니다.

이러한 괴리는 많은 조직에서 적절한 훈련이나 기술 없이 AI를 통해 고품질의 작업을 생성해야 한다는 압력만 존재하고 있음을 보여줍니다.

이는 직원들의 좌절감을 증폭시키고, 결국 AI의 잠재력을 충분히 발휘하지 못하게 만드는 근본적인 원인이 됩니다.

Dice의 Farnsworth는 리더들이 AI에 대한 기대를 교육 및 역량 강화 노력과 일치시켜야 한다고 주장합니다.

이는 단순히 AI 사용법을 가르치는 것을 넘어, ‘AI를 효과적으로 잘 활용하는 방법’을 교육하는 것을 의미합니다.

신뢰할 수 있고 비즈니스 목표에 부합하는 산출물을 생성할 수 있도록 명확한 가드레일을 설정하고, 단순히 빨라지는 것이 항상 더 좋은 것을 의미하지 않는다는 전제하에 AI의 영향을 지속적으로 재평가해야 합니다.

또한, 조직은 AI 시대에 맞춰 직무 역할을 재정의하고, 직원들이 새로운 역할에 필요한 기술을 업데이트하도록 지원하며, AI를 언제 어떻게 사용해야 하는지에 대한 명확한 지침을 제공해야 합니다.

Workday 보고서에 따르면 AI 기술로 어려움을 겪는 사용자 중 54%는 필요한 기술이 업데이트되지 않아 AI 학습의 시작점조차 모른다고 답했습니다.

Robert Half의 Osman은 “직원들에게 AI 사용 시기, 산출물 검증 방법, 그리고 성공의 실제 모습에 대한 명확한 가이드라인이 필요하다”며, “AI를 교육, 품질 표준, 책임감과 결합할 때 비로소 사람들이 더 많은 작업을 더 빠르게 하는 것이 아니라 더 나은 작업을 수행하도록 돕는다”고 강조합니다.

AI 재작업 손실 줄이기 위한 실천 체크리스트

AI 도입의 맹목적인 추구 대신, 실질적인 가치를 창출하고 재작업 손실을 최소화하기 위한 전략적인 접근이 필요합니다.

다음은 기업이 고려해야 할 핵심적인 실천 체크리스트입니다.

AI 활용 목표와 기대치 재정립: AI를 통해 어떤 특정 문제를 해결하고 어떤 가치를 창출할 것인지 명확히 정의합니다. 모든 작업에 AI를 적용하기보다, 저부가가치 반복 업무와 고부가가치 전문 업무를 구분하여 AI의 적용 우선순위를 설정합니다.
AI 도입 전후 작업 흐름 및 재작업 패턴 분석: AI 도입 전후의 작업 흐름을 면밀히 분석하고, 특정 AI 산출물에서 반복적으로 발생하는 오류 유형과 재작업 시간을 식별합니다. 숙련된 직원들이 AI 수정에 얼마나 많은 시간을 할애하는지 정량적으로 측정하고 이를 개선 지표로 활용합니다.
직원 대상 AI 교육 프로그램 강화: 단순히 AI 도구 사용법을 넘어, AI의 한계, 편향성, 그리고 산출물 검증 및 비판적 사고 훈련을 포함하는 심화 교육을 제공합니다. 특히 고부가가치 업무에 AI를 활용하는 직원들에게는 더욱 심층적인 전문 교육이 필요합니다.
AI 산출물 검증 및 품질 관리 프로세스 확립: AI가 생성한 콘텐츠에 대한 명확한 품질 기준과 검증 절차를 마련합니다. 예를 들어, ‘2인 검토 원칙’ 또는 ‘전문가 최종 승인’과 같은 체계적인 검증 단계를 구축하여 오류가 최종 단계로 넘어가는 것을 방지합니다.
피드백 채널 구축 및 지속적인 개선: AI 사용자들이 경험하는 어려움, 재작업 사례, 그리고 개선 아이디어에 대한 피드백을 정기적으로 수집하고 이를 AI 시스템 및 활용 가이드라인 개선에 반영합니다. 이는 AI 활용 문화의 지속적인 발전을 가능하게 합니다.
핵심 인재의 ‘AI 안전망’ 역할 경계 및 역할 재조정: 숙련된 직원들이 AI의 실수를 수정하는 데 과도한 시간을 할애하지 않도록, 이들의 전문성을 AI 모델 훈련, 프롬프트 엔지니어링, 최종 품질 보증 등 더 고부가가치 작업으로 전환하도록 지원합니다.