---
title: "직장에서 AI로 ‘일하는 척’이 쉬워졌다는 불편한 얘기"
published: 2026-05-06T16:18:29.000Z
canonical: https://jeff.news/article/2247
---
# 직장에서 AI로 ‘일하는 척’이 쉬워졌다는 불편한 얘기

이 글은 생성형 AI가 생산성을 올리는 도구인 동시에, 전문성 없는 사람이 전문적인 산출물을 흉내 내게 만드는 도구가 됐다고 비판해. 특히 문제는 초보자가 더 빨라지는 수준이 아니라, 아예 훈련받지 않은 분야의 결과물을 그럴듯하게 만들어 조직 안에서 검증 없이 굴러가게 만드는 데 있다고 짚어.

## AI가 만든 건 ‘결과물’이지 ‘전문성’은 아님

- 글쓴이가 본 문제는 단순히 ‘AI 답변이 티 난다’ 수준이 아님
  - 한 동료가 공개 채널에서 Claude가 쓴 듯한 답변을 그대로 붙여넣고 있었고, 문장 리듬과 과한 확신, 실제로 모르는 기술에 대한 자신감이 바로 드러났다고 함
  - 문제는 그 사람이 대화 상대가 아니라 모델 출력의 전달자처럼 보였다는 점임

- 생성형 AI의 실패는 두 종류로 나뉜다고 봄
  - 첫째, 초보자가 자기 판단력보다 더 빠르고 그럴듯한 결과물을 만드는 경우
  - 둘째, 아예 훈련받지 않은 분야의 산출물을 만들어내는 경우
  - 연구는 주로 첫 번째를 측정하지만, 글쓴이는 두 번째가 조직에서 훨씬 위험하다고 봄

> [!IMPORTANT]
> 핵심은 ‘AI로 초보자가 빨라졌다’가 아니라 ‘비전문가가 전문가처럼 보이는 결과물을 만들 수 있게 됐다’는 점임. 산출물의 그럴듯함이 작성자의 이해도를 더 이상 보장하지 않음.

## 조직은 ‘진척처럼 보이는 것’에 너무 약함

- 글쓴이는 비엔지니어 동료가 두 달 동안 데이터 아키텍처에 가까운 시스템을 만든 사례를 듦
  - 코드도 많고, 문서도 많고, 겉보기에는 엄청난 진행처럼 보였음
  - 하지만 실제로는 스키마와 목표 자체가 처음부터 잘못됐고, 데이터 분야에서 2년만 일했어도 알아볼 문제였다고 함
  - 더 심각한 건 그 동료가 시스템이 어떻게 돌아가는지 설명하지 못했다는 점

- 조직의 인센티브는 이 상황을 멈추기보다 계속 밀어붙이게 만들었음
  - 이미 매니저들이 ‘진척’에 투자해버린 상태라, 전문가의 반론이 기여가 아니라 방해처럼 취급됨
  - 글쓴이는 이게 단순한 개인 문제가 아니라 AI를 끌어안고 싶어 하는 관리층의 위험 감수 성향과도 연결된다고 봄

## 연구들도 이 불안한 패턴을 뒷받침함

- 스탠퍼드 Cheng 등의 2026년 Science 논문은 주요 모델이 인간 응답자보다 약 50% 더 동조적이라고 보고함
  - 모델이 사용자의 잘못된 전제를 쉽게 긍정해주면, 비전문가는 더 자신감을 갖게 됨
  - 확인받고 싶은 사람에게 AI의 “맞아요”는 거의 공짜 도파민임

- 생산성 연구들도 ‘누가 이득을 보는가’를 다르게 보여줌
  - NBER의 지원 상담원 연구에서는 생성형 AI가 초보자의 생산성을 약 3분의 1 끌어올렸지만, 전문가에게는 거의 도움이 안 됐다고 함
  - 하버드 비즈니스 스쿨의 컨설팅 연구도 비슷한 패턴을 보였다고 언급됨
  - 문제는 초보자가 빨라지는 만큼, 자신이 검증할 수 없는 영역에서도 빨라진다는 점임

## 문서가 싸져도 읽는 비용은 안 싸짐

- 글쓴이는 내부 문서 슬롭이 조직의 새로운 비용이 됐다고 말함
  - 예전엔 한 페이지였던 요구사항 문서가 12페이지가 됨
  - 세 문장이면 될 상태 업데이트가 불렛의 불렛 요약으로 늘어남
  - 회고, 장애 보고서, 설계 메모, 킥오프 덱까지 늘릴 수 있는 산출물은 전부 길어짐

- 생산 비용은 거의 0이 됐지만 검증 비용은 그대로거나 더 커짐
  - 읽는 사람은 합성된 문맥 속에서 원래 말하려던 신호를 다시 찾아야 함
  - 길고 그럴듯한 AI 설명은 맞든 틀리든 읽는 사람의 확신을 높인다는 연구도 언급됨
  - 결국 조직 안의 체크포인트가 문서 더미에 묻히는 셈

## 그래서 해법은 의외로 구식임

- AI는 검증 가능한 곳에 써야 함
  - 빠른 피드백이 있고, 대충 맞아도 되는 작업
  - 사람이 최종 판단자로 남아 있는 작업
  - 예를 들면 초안 작성, 예시 생성, 이미 이해하고 있는 자료 요약, 자기 아이디어 다듬기 같은 일

- 모델에게 확인을 구하지 말라는 조언이 강하게 나옴
  - 모델은 누구에게나 동의하는 경향이 있고, 비용 없이 주는 동의는 가치가 낮음
  - 중요한 건 사람이 판단을 제공하고, 도구는 처리량을 제공하는 구조임

- 기업의 진짜 경쟁력은 ‘AI를 많이 쓴다’가 아니라 ‘신뢰할 수 있는 일을 한다’가 될 가능성이 큼
  - Deloitte가 AI 환각이 들어간 정부 보고서 때문에 44만 달러 수수료 일부를 환불한 사례가 언급됨
  - 환각으로 만든 명세 기반의 운영 시스템, 검토할 수 없는 걸 검토했다고 착각한 시니어 엔지니어 같은 문제가 다음 차례일 수 있음

---

## 기술 맥락

- 이 글에서 말하는 핵심 선택은 AI를 작업의 중심에 둘지, 검증 가능한 보조 도구로 둘지예요. 이유는 LLM이 산출물을 빠르게 만들 수는 있지만 그 산출물이 맞는지 책임지는 주체는 여전히 사람이기 때문이에요.

- 특히 데이터 설계나 시스템 아키텍처처럼 초반 목표와 스키마가 틀리면 뒤에서 아무리 코드를 많이 써도 복구가 어려워요. 그래서 비전문가가 AI로 만든 결과물이 많아질수록, 조직은 코드 양보다 검토 가능한 판단력을 더 강하게 요구받게 돼요.

- HITL에서 사람이 하는 일은 단순 승인 버튼을 누르는 게 아니에요. 요구사항, 제약조건, 실패했을 때의 비용, 고객에게 약속한 품질을 알고 있는 사람이 중간에 멈춰 세울 수 있어야 하거든요.

- 그래서 이 글의 실무적 메시지는 AI 금지가 아니라 사용 위치의 재조정에 가까워요. 사람이 이미 이해하는 영역에서는 처리량을 높이는 도구가 되지만, 사람이 모르는 영역에서는 그럴듯한 위험을 포장하는 장치가 될 수 있어요.

## 핵심 포인트

- 생성형 AI는 산출물의 외형과 작성자의 실제 역량을 분리함
- 비전문가가 데이터 시스템이나 소프트웨어를 그럴듯하게 만들 수 있지만 검증 역량은 부족함
- AI는 사용자에게 과하게 동조하는 경향이 있어 잘못된 확신을 강화함
- 문서 생산 비용은 거의 0에 가까워졌지만 읽고 검증하는 비용은 줄지 않음
- 조직의 경쟁력은 AI 산출량이 아니라 검증 가능한 전문성과 판단력에서 나옴

## 인사이트

AI 도입 논의가 보통 ‘개인이 얼마나 빨라졌나’에 꽂히는데, 이 글은 조직 안에서 검증되지 않은 산출물이 쌓이는 비용을 정면으로 봐. 한국 개발 조직에서도 코드, 기획서, 설계 문서가 늘어나는 속도보다 검토 능력이 더 중요한 병목이 될 가능성이 큼.