AI 도입보다 어려운 것은, 일을 다시 짜는 일이다

제일 먼저 든 생각

이 보고서는 “AI를 더 많이 써야 한다”는 이야기가 아니었다. 처음부터 더 불편한 질문을 던진다. 지능이 업무 곳곳에 들어오고, 실행을 사람 밖으로 점점 위임할 수 있다면, 일 자체는 어떻게 다시 설계되어야 하는가.

AI 도입을 검색하는 사람에게 이 글의 핵심은 “어떤 도구를 살 것인가”가 아니라 “일의 배치와 책임을 어떻게 다시 짤 것인가”다. 에이전트가 들어오는 순간 조직은 도구 목록보다 운영모델을 먼저 점검해야 한다.

보고서의 부제는 Agents, human agency, and the opportunity for every organization이다. 여기서 흥미로운 단어는 agent보다 agency다. AI 에이전트가 실행을 가져갈수록 인간의 agency, 그러니까 의도하고 판단하고 책임지는 힘이 줄어드는 것이 아니라 오히려 더 또렷하게 설계되어야 한다는 뜻으로 읽힌다.

보고서의 Foreword는 이 변화를 단순한 소프트웨어 도입이 아니라 **새로운 운영모델(operating model)**의 등장으로 설명한다. 비즈니스 모델이 어떻게 가치를 만들고 포착할지를 말한다면, 운영모델은 그 가치가 실제로 전달되는 방식을 말한다. 워크플로, 역할, 의사결정권, 거버넌스, 실행 구조가 모두 여기에 들어간다.

그래서 이 문서는 AI 도구 목록보다 먼저 읽어야 할 질문지를 제공한다.

• 어떤 일을 AI에게 맡길 것인가?
• 사람이 끝까지 붙잡아야 할 판단은 무엇인가?
• AI가 만든 결과는 누가, 어떤 기준으로 검토할 것인가?
• 개인의 좋은 실험을 어떻게 조직의 기본값으로 바꿀 것인가?

이 질문 없이 AI를 도입하면 도구는 늘지만 일의 구조는 그대로 남는다. 이번 보고서에서 가장 선명하게 남은 문장은 그래서 “AI를 도입하자”가 아니라 “일을 다시 짜자”에 가깝다.

도구가 아니라 운영모델의 문제

Foreword에서 Karim Lakhani는 산업화 시대의 질문은 생산을 어떻게 확장할 것인가였고, 정보화 시대의 질문은 기업을 어떻게 디지털화하고 조율할 것인가였다고 쓴다. 그리고 AI 시대의 질문은 더 근본적이라고 말한다. 지능을 업무에 심고, 분산시키고, 위임할 수 있다면 일은 어떻게 설계되어야 하는가.

“AI가 고립된 과업을 보조하는 수준에서 여러 기능과 시스템의 워크플로에 참여하는 단계로 이동하면서, 리더는 기업의 근본 설계를 다시 생각해야 한다.”
“As AI moves from assisting with isolated tasks to participating in workflows across functions and systems, leaders must rethink the fundamental design of the enterprise.”

여기서 중요한 것은 AI가 “사람을 대체하는가”라는 익숙한 질문이 아니다. 보고서는 그보다 더 운영적인 질문으로 들어간다. 실행이 확장 가능해지면 사람의 가치는 어디로 이동하는가. 전문성이 더 쉽게 호출될 때 조직은 무엇을 더 잘해야 하는가. 실험이 쉬워질수록 조직은 어떻게 더 빨리 배워야 하는가.

이 관점은 현장에서 꽤 중요하다. 많은 AI 도입 논의가 여전히 “어떤 툴을 쓸 것인가”, “누가 프롬프트를 잘 쓰는가”, “자동화로 몇 시간을 줄일 수 있는가”에 머문다. 그런데 보고서는 그 정도로는 부족하다고 말한다. AI가 실행에 참여하기 시작하면 병목은 도구 사용 능력이 아니라 일의 배분, 승인, 평가, 학습의 구조로 이동한다.

그러니까 AI 도입의 첫 산출물은 툴킷이 아니라 업무 재배치도여야 한다. 사람이 하던 일을 AI가 가져가는 도표가 아니라, 사람·AI·시스템 사이에서 의도, 실행, 검토, 책임, 학습이 어떻게 흐르는지 보여주는 지도여야 한다.

개인의 가능성은 올라가지만, 더 중요한 것은 판단이다

Employees 섹션은 긍정적인 신호에서 출발한다. AI 사용자들은 더 높은 가치의 일에 시간을 쓰게 되었고, 1년 전에는 만들 수 없던 일을 만들어내고 있다고 답한다. 특히 보고서가 말하는 Frontier Professionals는 AI를 단순한 속도 도구가 아니라 일의 폭을 넓히는 장치로 사용한다.

하지만 이 대목을 “AI를 쓰면 개인 생산성이 올라간다”로만 읽으면 약하다. 보고서가 더 흥미롭게 보여주는 것은 좋은 AI 사용자의 기준이다. 성숙한 AI 사용자는 더 많은 일을 더 빨리 처리하는 사람이 아니라, 무엇을 맡기고 무엇을 남길지 구분하는 사람에 가깝다.

보고서는 효과적인 AI 사용자가 사람만이 할 수 있는 가치, 즉 의도 설정, 맥락 부여, 기준 설계, 결과 검토 쪽으로 자신의 가치를 다시 정의하게 된다고 본다. 이건 교육 설계 관점에서도 중요한 전환이다. AI 교육을 “도구 사용법”으로만 만들면 가장 중요한 부분이 빠진다. 실제로 필요한 것은 다음과 같은 판단 훈련이다.

이 차이가 작지 않다. AI가 초안을 만들 수 있을수록 사람의 일은 “초안을 직접 쓰는 것”에서 “좋은 초안의 조건을 정하고, 틀린 초안을 걸러내고, 다음 시도에서 더 나은 기준을 남기는 것”으로 이동한다. 그러면 개인 역량의 핵심도 바뀐다. 빠른 손보다 중요한 것은 좋은 판단의 구조다.

Deciflow 쪽으로 가져오면, 개인 교육은 “AI로 보고서 빨리 쓰기”가 아니라 “AI와 함께 일할 때 내가 남겨야 할 판단 목록 만들기”가 되어야 한다. 업무별로 사람이 반드시 잡아야 할 기준을 적고, AI가 맡아도 되는 실행 단위를 분리하고, 결과물을 검토하는 체크포인트를 설계하는 훈련이 필요하다.

리더의 일은 AI 배포가 아니라 일을 다시 짜는 것이다

Leaders 섹션에서 보고서는 Transformation Paradox를 말한다. 직원들은 이미 AI로 새로운 방식의 일을 시도하고 있는데, 조직은 그 속도를 따라가지 못한다는 역설이다. 개인의 능력과 조직의 준비도가 동시에 높아지는 곳은 일부이고, 상당수는 능숙한 개인이 낡은 조직 구조 안에서 막히는 상태에 놓인다.

이 대목은 AI 도입에서 리더의 역할을 다시 정의하게 만든다. 리더의 일은 라이선스를 배포하고 사용률을 올리는 것이 아니다. AI가 들어온 뒤 업무가 어떻게 바뀌어야 하는지, 누가 어떤 판단권을 갖는지, 어떤 결과를 인정할지, 실패한 실험을 어떻게 다룰지를 다시 짜는 일이다.

보고서는 시스템 문제는 저절로 고쳐지지 않는다고 말한다. 시스템은 다시 설계되어야 한다. 이 문장은 조직 안에서 AI가 왜 자주 “개인기”로 남는지를 설명한다. 어떤 직원은 AI를 잘 써서 속도를 높이지만, 그 결과가 팀의 승인 구조나 평가 기준이나 문서 양식과 연결되지 않으면 조직은 별로 달라지지 않는다. 잘하는 개인은 생기지만, 잘 배우는 조직은 생기지 않는다.

리더가 해야 할 질문은 그래서 조금 더 구체적이어야 한다.

• AI가 만든 결과물을 기존 결재선은 어떻게 다룰 것인가?
• 사람이 직접 한 일과 AI를 활용한 일을 평가에서 어떻게 구분할 것인가?
• 빠른 산출보다 좋은 검증을 보상할 수 있는가?
• 직원이 AI로 업무 방식을 바꿨을 때, 그 방식을 팀의 표준으로 옮기는 절차가 있는가?

이 질문들이 없으면 조직은 “AI를 쓰라”고 말하면서도 실제 운영은 AI 이전의 리듬으로 남는다. 직원은 새 방식으로 일하고, 조직은 옛 방식으로 승인한다. 그 사이에서 생산성 향상은 개인의 피로로 바뀔 수 있다.

앞서가는 조직은 AI를 많이 쓰는 곳이 아니라 더 빨리 배우는 곳이다

Organizations 섹션의 핵심 표현은 Every firm is a Learning System이다. 이 표현이 마음에 남았다. 보고서는 AI 성과의 가장 큰 변수가 개인이 아니라 조직이라고 말한다. 문화, 관리자 지원, 인재 관행 같은 조직 요인이 개인의 마음가짐이나 행동보다 더 큰 설명력을 갖는다는 식으로 논지를 세운다.

여기서 “학습 시스템”은 교육 부서가 교육 과정을 많이 만든다는 뜻이 아니다. 조직이 AI 사용에서 나온 작은 실험을 흡수하고, 실패와 성공을 분류하고, 다음 업무 방식으로 바꾸는 능력에 가깝다. 한 사람이 좋은 프롬프트를 만들었다는 사실보다 중요한 것은 그 프롬프트가 어떤 업무 기준을 바꿨는지, 그 기준이 팀 안에서 재사용되는지, 다음 프로젝트에서는 더 나은 기본값이 되는지다.

보고서 후반의 evaluation infrastructure도 이 흐름 안에서 읽어야 자연스럽다. 에이전트가 업무 실행에 참여하면, 결과물은 더 많이 만들어진다. 문제는 그 결과를 어떻게 평가하고, 누가 책임지고, 무엇을 학습 자산으로 남길 것인가다. AI가 만든 산출물이 많아질수록 조직은 더 많은 검토 기준, 더 선명한 승인 체계, 더 빠른 피드백 루프를 필요로 한다.

이 부분은 Deciflow의 업무 설계와 바로 연결된다. 에이전트 시대의 평가는 “AI가 맞았나 틀렸나”를 사후에 보는 수준으로는 부족하다. 최소한 네 가지 층이 필요하다.

이런 평가 인프라가 없으면 AI는 조직을 똑똑하게 만들기보다 산출물만 늘린다. 문서는 많아지고, 초안은 빨라지고, 회의 자료는 풍성해지지만, 조직이 무엇을 배웠는지는 흐려진다. 반대로 평가와 학습 루프가 있으면 AI는 단순 자동화 도구가 아니라 조직 기억을 갱신하는 장치가 될 수 있다.

이 숫자를 너무 곧이곧대로 읽지 않기

Methodology는 별도 글로 떼어낼 만큼 독자적인 메시지가 강하지는 않지만, 이 보고서를 읽을 때 중요한 안전장치다. 보고서는 Microsoft 365의 집계·익명화된 생산성 신호와 10개 시장의 AI 사용 지식노동자 설문을 함께 사용한다. 또 AI impact는 객관적 성과 측정이라기보다 “AI가 더 높은 품질의 일을 만들게 했는가, 협업을 더 효과적으로 만들었는가” 같은 자기보고 기반 영향 평가에 가깝다.

그래서 이 보고서를 읽을 때는 조심해야 한다. 여기 있는 숫자는 “AI가 조직 성과를 이렇게 올린다는 확정적 증명”이라기보다, 이미 AI를 업무에 쓰는 사람들과 조직에서 어떤 신호가 나타나는지를 보여주는 자료다. Microsoft가 발행한 보고서라는 점도 함께 봐야 한다. AI 도입을 촉진하는 이해관계가 있는 발행자의 전망형 보고서다.

그렇다고 이 보고서를 가볍게 볼 필요는 없다. 오히려 숫자를 절대적 증거가 아니라 조직 설계 신호로 읽으면 쓸모가 커진다. “몇 퍼센트가 이렇게 답했다”보다 중요한 것은, 어떤 조건에서 사람들이 AI를 더 의미 있게 쓰고 있다고 느끼는가다. 그 조건이 조직문화, 관리자 지원, 인재 관행, 평가 구조와 연결된다면, 우리가 봐야 할 곳도 도구 목록이 아니라 조직의 운영방식이다.

Deciflow 쪽으로 가져오면

이 보고서를 우리 일에 붙이면, 질문은 꽤 실무적으로 내려온다.

첫째, AI 도입 과제는 “도구 확산률”이 아니라 “업무 단위 재설계”로 잡아야 한다. 어떤 업무가 입력, 판단, 실행, 검토, 학습으로 이루어져 있는지 나눠보고, 그중 AI가 맡을 수 있는 실행과 사람이 남겨야 할 판단을 분리해야 한다.

둘째, 교육은 사용법보다 기준 설계로 이동해야 한다. 프롬프트 예시를 많이 주는 것도 필요하지만, 더 중요한 것은 좋은 결과의 조건을 말로 적고, 틀린 결과를 발견하는 기준을 만들고, 반복 가능한 검토 루프를 세우는 일이다.

셋째, 리더십은 AI 사용을 허락하는 수준을 넘어 운영모델을 바꿔야 한다. 결재선, 책임, 평가, 보상, 문서 양식, 회의 방식이 그대로인데 AI만 추가되면 변화는 개인기에서 멈춘다. 직원이 바꾼 방식을 조직이 흡수하는 절차가 있어야 한다.

넷째, 조직은 AI 실험의 결과를 기록하는 법을 배워야 한다. 성공한 프롬프트보다 더 중요한 것은 어떤 업무 기준이 바뀌었는지, 어떤 검토 포인트가 생겼는지, 어떤 실패를 다음 기본값에 반영했는지다. 이것이 쌓일 때 조직은 Learning System이 된다.

이 네 가지를 한 문장으로 줄이면 이렇다.

AI가 실행을 가져갈수록, 인간과 조직은 판단·책임·학습을 더 선명하게 설계해야 한다.

이 보고서를 읽고 남는 것은 화려한 미래 전망보다 이 문장에 가깝다. AI를 도입하는 일은 생각보다 쉽다. 계정을 만들고, 툴을 열고, 몇 개의 업무에 붙이면 된다. 어려운 것은 그 다음이다. AI가 만든 결과를 어떤 기준으로 받아들일지, 사람이 어디서 멈춰 세울지, 실패를 어떻게 학습으로 바꿀지, 개인의 좋은 시도를 어떻게 조직의 운영모델로 옮길지 정하는 일이다.

그래서 제목을 이렇게 붙이고 싶다. AI 도입보다 어려운 것은, 일을 다시 짜는 일이다.

오늘 남는 질문

내 업무에서 AI에게 가장 먼저 넘길 수 있는 일은 무엇일까. 그리고 그 일을 넘긴 뒤에도 내가 끝까지 붙잡아야 할 판단은 무엇일까.

이 두 질문을 같이 적어야 한다. 앞의 질문만 적으면 자동화 계획이 되고, 뒤의 질문만 적으면 불안한 방어가 된다. 둘을 함께 적을 때 비로소 업무 설계가 시작된다.

원문 보고서

• 제목: 2026 Work Trend Index Annual Report: Agents, human agency, and the opportunity for every organization
• 발행: Microsoft WorkLab
• 발행 시점: 2026년 5월
• 이 글은 기존 7편 분할 노트를 하나의 대표 장문 노트로 다시 정리한 Deciflow 작업 메모입니다.

함께 읽을 노트

• AI 도입은 도구 전환이 아니라 신뢰 전환이다
• AI 도입의 다음 질문은 ‘썼는가’가 아니라 ‘성과가 났는가’다
• AI가 답을 빨리 만들수록, 컨설턴트는 문제를 더 오래 붙잡아야 한다

원문 보고서: 2026 Work Trend Index Annual Report: Agents, human agency, and the opportunity for every organization · Microsoft WorkLab