KEY TAKEAWAYS

도입보다 먼저 바뀌어야 할 네 가지

인력 감소 국면에서 채용만으로는 속도를 만들 수 없다

Forward 2026 발표에서는 한국 근로자를 약 2,900만 명 규모로 보고, 생산가능인구가 2044년까지 약 25% 줄어들 수 있다는 전망을 제시했다. 수치의 세부 추계는 출처와 기준연도에 따라 달라질 수 있지만, 노동 공급이 넉넉하다는 전제는 이미 약해지고 있다. 기업 입장에서는 필요한 일을 사람 수 증가로만 해결하기 어려운 환경이다.

이때 흔히 나오는 해법은 자동화 도입과 신규 인재 채용이다. 둘 다 필요하지만, 둘만으로는 부족한다. 채용 시장에서 AI 역량자를 확보하는 속도보다 기존 구성원이 새 도구를 자기 업무에 연결하는 속도가 더 중요해지는 구간이기 때문이다. 외부에서 데려온 몇 명의 전문가가 조직 전체의 일하는 방식을 바꾸지는 못한다.

그래서 학습 민첩성은 교육 담당 부서의 지표로 남기 어렵다. 어떤 팀이 새 업무 방식을 학습하고, 실험하고, 폐기하고, 표준으로 정하는 데 걸리는 시간이 곧 경쟁 속도가 된다.

기술 민첩성과 인재 민첩성은 서로 대체되지 않는다

행사에서는 두 종류의 민첩성이 구분됐다. 기술 민첩성은 기술을 발굴하고 도입하며 제품화하는 능력이다. 비용을 낮추고 품질을 높이는 엔지니어링의 영역이다. 반면 인재 민첩성은 위협과 기회에 대응하고, 지속적으로 배우며, 시스템과 프로세스를 활용해 역할을 업데이트하는 능력이다.

많은 조직은 전자에 예산을 집중한다. 모델을 비교하고, 보안 검토를 하고, 파일럿 환경을 구축한다. 그러나 후자가 약하면 도입은 데모에서 멈춘다. 현업은 무엇을 맡겨도 되는지 모르고, 중간관리자는 책임 경계를 정하지 못하며, 데이터 담당자는 요청의 맥락을 받지 못한다. 기술은 준비됐는데 업무가 준비되지 않은 상태이다.

1전원에게 필요한 것은 AI 리터러시다

전 구성원이 모델을 구축할 필요는 없다. 다만 결과를 읽고, 근거를 확인하고, 입력 품질이 결과를 좌우한다는 사실을 이해해야 한다. 이것이 없으면 현업은 과신하거나 방치하는 두 극단으로 간다.

2전문가에게 필요한 것은 운영 역량이다

기술 직무에는 구축뿐 아니라 배포, 관찰, 보안, 평가가 필요한다. 모델을 연결한 뒤 누가 품질 저하를 감지하고, 어떤 기준으로 중단하며, 민감 데이터가 섞였을 때 어떻게 대응할지까지 포함된다.

MIT Sloan이 에이전트 기반 조직 변화에서 강조하는 것도 단순한 도구 사용보다 관리 구조의 재정의이다. 업무가 에이전트에게 넘어갈수록 관리자는 작업을 배분하는 사람이 아니라 목표·예외·검증 구조를 만드는 사람이 된다.

기업교육의 단위는 콘텐츠가 아니라 업무 변화여야 한다

Udemy 발표 사례로는 130만 명 이상 학습자와 100개 이상 기업 고객, 모바일 학습 비중 36%가 언급됐다. 이 수치는 학습 접근성이 넓어졌다는 신호이지만, 접근성 자체가 성과를 보장하지는 않는다. 콘텐츠가 많아질수록 오히려 무엇을 배워야 하는지 결정하는 비용도 커진다.

효과적인 기업교육은 직무와 분리된 강의 묶음이 아니라, 현재 업무의 실패 지점을 바꾸는 루프여야 한다. 필요한 역량을 탐색하고, 개인별 경로를 추천하고, 실제 과제로 손을 움직여 검증하고, 결과를 성과와 연결하는 구조다. 행사에서 제시된 ‘Skill → Validation → Performance’는 이 순서를 압축한다.

여기서 검증은 시험 점수보다 현업 산출물에 가깝다. 보고서 초안 시간이 줄었는지, 상담 기록의 누락이 줄었는지, 검토자가 보는 화면이 더 명확해졌는지처럼 업무의 실제 마찰을 기준으로 삼아야 한다.

작은 성공은 PoC가 아니라 운영 모델의 원형이다

신한EZ손해보험 사례에서 눈에 띄는 대목은 규제와 인프라 불확실성이 남은 상황에서도 직접 경험을 먼저 만들었다는 점이다. 로컬 LLM인 Qwen3-14B를 활용하고, 반복이 많고 오류가 잦은 단일 업무부터 시작했다는 흐름이 소개됐다. 모든 문제를 한 번에 풀려 하지 않았다.

프로세스도 단순했다. 공통언어를 맞추고, 실습하고, 현업 문제를 고르고, 작은 성공을 만들고, 이를 운영 모델로 확산하는 방식이다. 이 순서는 기술 검증보다 조직 신뢰를 먼저 다룬다. 현업이 체감할 수 있는 결과가 있어야 보안·예산·프로세스 논의도 구체화된다.

3첫 과제는 반복성과 책임 경계로 고른다

첫 과제를 고를 때는 ‘가장 화려한 업무’보다 입력이 비교적 정형화되고, 결과 검토자가 분명하며, 오류를 되돌릴 수 있는 업무가 적합한다. 문서 분류, 내부 지식 탐색, 초안 생성, 누락 점검처럼 인간 검토를 남길 수 있는 영역이 여기에 속한다.

반대로 책임자가 불명확한 전사 전략 과제나 데이터 정의가 엉킨 업무를 첫 사례로 삼으면, 실패 원인을 모델 탓으로 오해하기 쉽다. 초기 성공의 목적은 전사 홍보가 아니라 다음 업무에서 재현할 수 있는 실행 규칙을 얻는 데 있다.

현장에 들어가지 않는 AI 프로젝트는 업무의 마찰을 모른다

행사에서 언급된 팔란티어 FDE의 이미지는 회의실의 발표자가 아니라 현장에 들어가 막힌 업무, 데이터의 위치, 의사결정 책임자를 묻는 사람이다. 이 접근이 중요한 이유는 많은 AI 프로젝트의 병목이 모델 성능이 아니기 때문이다. 실제 병목은 데이터 접근 권한, 예외 처리, 승인 단계, 부서 간 책임 전가에 숨어 있다.

현장 배치는 단순 컨설팅 방문과 다르다. 업무 담당자가 쓰는 화면을 보고, 실패한 입력을 수집하고, 결과가 의사결정에 들어가는 마지막 지점을 확인해야 한다. 그 과정에서 “무엇을 자동화할까”라는 질문은 “어떤 판단을 더 빨리, 더 일관되게 만들까”로 바뀐다.

성공 지표도 달라진다. 정확도 벤치마크만으로는 부족한다. 담당자가 이전보다 빨리 예외를 발견했는지, 고객 응답이 줄었는지, 결재자가 더 적은 왕복으로 판단했는지처럼 의사결정 흐름의 변화가 함께 확인돼야 한다.

프롬프트와 온톨로지는 개인의 요령이 아니라 조직 자본이다

행사에서는 Prompt Sharing Bulletin Board, AI Data Curator, User Ontology 같은 내부 시스템의 필요성이 제시됐다. 이름은 달라도 핵심은 같다. 각자가 잘 작동하는 요청 방식을 숨기지 않고, 데이터의 의미와 업무의 문맥을 조직적으로 관리하자는 제안이다.

프롬프트 공유 게시판은 문장 모음집으로 끝나면 금방 낡다. 어떤 업무에 썼는지, 어떤 입력이 필요한지, 어떤 결과는 실패했는지, 최종 검토자는 누구인지가 함께 기록돼야 한다. 그래야 다음 사용자가 문구를 복사하는 대신 업무 조건을 이해할 수 있다.

4온톨로지는 AI의 사전이 아니라 조직의 합의다

고객, 계약, 리스크, 완료, 우선순위 같은 단어가 부서마다 다르게 쓰이면 AI는 그 혼란을 그대로 증폭한다. 사용자 온톨로지는 도구를 위한 데이터 모델이면서 동시에 조직이 어떤 대상을 어떻게 판단하는지 합의하는 장치이다.

더밀크 세션에서 언급된 Human Capital × Token Capital이라는 관점도 여기에 연결된다. 토큰 비용만 관리하는 조직은 사용량을 줄일 수는 있어도 복리 효과를 만들기 어렵다. 사람의 판단 규칙과 맥락이 재사용 가능한 형태로 축적될 때, 토큰은 단순 비용이 아니라 조직 지식을 증폭하는 투입물이 된다.

리더는 관리자 모드에서 지휘 설계 모드로 이동한다

서울대 김홍기 교수 세션에서 제시된 리더 역량은 Problem Framing, Critical Validation, Collaboration & Communication으로 정리된다. 세 항목은 AI 시대에 새로 생긴 덕목이라기보다, 이전에는 개인의 역량으로 남아 있던 일을 시스템 수준으로 끌어올리는 능력이다.

문제 정의가 약하면 팀은 답하기 쉬운 질문만 AI에 던진다. 비판적 검증이 약하면 그럴듯한 결과가 의사결정으로 흘러간다. 협업과 소통이 약하면 한 팀의 작은 개선이 다른 팀의 혼란이 된다. 리더가 직접 모든 답을 검토할 수 없게 되는 환경일수록 이 세 가지는 더 중요해진다.

Manager Mode에서 Founder Mode, 그리고 AI 에이전트를 지휘하는 Dorsey Mode로의 변화라는 표현은 다소 도발적이지만 방향은 분명한다. 업무를 잘게 나눠 배정하는 관리만으로는 부족한다. 목표를 설계하고, 에이전트가 처리할 범위를 정하고, 인간이 개입할 예외를 만들고, 학습 결과를 다음 설계에 반영해야 한다.

Anthropic이 인간-에이전트 팀을 다루며 강조한 것처럼, 좋은 협업은 역할을 모호하게 섞는 데서 나오지 않다. 누가 목표를 정하고, 누가 실행하며, 누가 결과를 검증하고, 언제 사람에게 되돌릴지를 명확히 하는 데서 나온다.

AI 도입의 질문을 모델에서 의사결정 구조로 옮겨야 한다

AI를 도입한 뒤 의사결정 속도, 조직 구조, 매출 구조가 달라지지 않는다면 프로젝트는 도구 배포에 머물 가능성이 크다. 이 진단은 불편하지만 유용하다. 도입 여부보다 도입 뒤 무엇이 바뀌어야 하는지를 먼저 정의하게 만들기 때문이다.

조직이 지금 확인할 질문은 많지 않다. 가장 오래 걸리는 판단은 무엇인가. 그 판단에 필요한 데이터는 어디에 있고 누가 소유하는가. 오류가 났을 때 멈출 권한은 누구에게 있는가. 검증된 업무 방식은 개인에게 남는가, 다음 팀으로 이전되는가. 이 질문에 답하지 못하면 모델을 바꿔도 같은 지점에서 멈춘다.

AI 조직 운영체제는 거대한 플랫폼 이름이 아니다. 학습을 업무에 연결하고, 현장에서 검증하고, 사람의 판단과 토큰의 사용을 함께 축적하며, 리더가 그 흐름을 설계하는 반복 구조다. 기술 구매는 시작일 수 있지만 AI 조직 운영체제의 증거는 아니다.

조직이 바꿔야 하는 것은 AI 사용량이 아니라 일하는 방식이다

Forward 2026의 공통 메시지는 간결했다. AI 시대의 경쟁력은 AI 자체가 아니라 AI를 활용해 학습하고 실행하는 조직에 있다. 이는 사람 중심의 낭만적 구호가 아니다. 인력 구조가 변하고 기술의 교체 주기가 짧아지는 환경에서, 조직이 가진 가장 현실적인 방어력은 기존 인력이 새 문제를 해결하는 속도이기 때문이다.

다음 분기의 AI 계획은 모델 목록으로 시작할 필요가 없다. 현장에서 가장 자주 멈추는 업무 하나, 그 업무의 책임자 하나, 검증 가능한 성공 기준 하나면 충분한다. 그 작은 루프를 반복하며 학습을 성과로, 성과를 조직 자산으로 바꾸는 곳이 결국 더 적은 시행착오로 앞으로 간다.

모델은 빌릴 수 있다. 그러나 실행하는 조직의 언어와 판단 구조는 빌릴 수 없다.