같은 과업을 자동화해도 남는 직무는 같지 않을 수 있습니다. 한 조직은 자동화된 구간을 기준으로 일을 나누고, 다른 조직은 그 구간 앞뒤를 한 사람이 맡게 합니다. 도구의 기능이 같아도 결과물을 넘기는 조건과 업무 맥락을 이해해야 하는 정도가 다르기 때문입니다. 기업교육은 어떤 과업이 AI로 바뀌는지만 확인해서는 부족합니다. 그 변화 뒤에 누가 어떤 일을 묶어 맡게 되는지를 보아야 합니다.
AI 과업 재배치는 AI 도입 이후 남아 있거나 새로 생긴 과업을 역할 사이에 다시 배분하는 일입니다. 한 과업을 AI가 수행하게 하는 자동화와 구분합니다. 자동화되지 않은 과업도 담당자가 달라질 수 있고, 과업 목록이 같아도 여러 일을 함께 수행해야 하는 사람이 달라질 수 있습니다. 따라서 교육 수요를 파악할 때는 ‘사라지는 과업’과 ‘이동하는 과업’을 별도 항목으로 기록하는 것이 유용합니다.
이 구분이 중요한 이유는 교육의 대상이 달라지기 때문입니다. 자동화 도구를 직접 쓰지 않는 직원에게 새 판단이 넘어갈 수도 있습니다. 기존에 독립적으로 일하던 전문가는 새로 맡은 앞단 과업의 맥락을 배워야 할 수 있습니다. 도구 사용자 명단만으로 교육 대상을 정하면 변화의 일부만 보게 됩니다. 아래에서는 과업을 분리하는 모델과 한 역할에 묶는 모델을 비교하고, 그 차이를 학습 요구로 바꾸는 방법을 제안합니다.
과업 하나의 자동화는 직무 하나의 축소와 같지 않다
직무명은 같아도 그 안에 들어 있는 일은 달라질 수 있습니다. 월간 분석 보고서를 만드는 업무라면 자료 취합, 수치 대조, 이상 원인 탐색, 해석, 조치 제안, 관계자 설명을 나누어 볼 수 있습니다. 자료 취합을 AI가 돕는다고 해서 나머지 일의 담당자가 자동으로 정해지는 것은 아닙니다. 취합 결과의 적합성을 누가 판단하는지, 이상 원인을 누가 찾는지에 따라 역할의 범위가 달라집니다.
과업 목록만 전후로 비교하면 이런 변화를 놓치기 쉽습니다. 한 역할에서 과업이 사라진 이유가 완전한 자동화 때문일 수도 있고, 다른 역할로 넘어갔기 때문일 수도 있습니다. 반대로 새 과업이 들어왔다고 해서 조직에 없던 일이 생긴 것은 아닐 수 있습니다. 다른 사람이 하던 일을 받아온 것이라면 이전 담당자의 지식과 인계 조건이 교육 설계의 중요한 자료가 됩니다.
Joshua S. Gans의 Endogenous Task Bundling, Skills and Automation은 이 차이를 살펴볼 이론적 틀을 제공합니다. 2026년 8월 개정본의 Figure 2는 표준화된 연결 조건에서 과업을 분리하는 자동화와, 업무 맥락에 의존해 한 역할 안에 자동화 구간을 포함하는 경우를 구분합니다. 기업 대상 교육 실험이 아니라 가정을 둔 이론모형이며, 어느 방식이 모든 조직에서 우월하다는 실증 결과는 아닙니다. 원문
Gans, Endogenous Task Bundling, Skills and Automation, PDF 17쪽·인쇄 16쪽 Figure 2. 자동화된 구간의 연결 조건에 따라 직무 경계가 달라지는 이론 도식입니다. 실제 기업의 변화 비율이나 교육 효과를 보여주는 그림이 아닙니다.
이 틀을 기업교육에 적용하면 질문이 달라집니다. ‘AI로 대체할 수 있는 기능을 배웠는가’에 더해 ‘바뀐 역할을 수행하는 데 어떤 맥락과 판단이 필요한가’를 묻게 됩니다. 이 글의 적용 기준은 이론과 최근 조사에서 도출한 편집자의 운영 제안입니다. 인력 감축 효과나 직무별 임금 변화를 예측하는 계산법으로 사용하지 않습니다.
연결 조건이 분명하면 과업을 분리하는 모델을 검토한다
첫 번째 모델은 과업 사이의 연결 조건을 명확히 정하고 담당 범위를 나누는 방식입니다. 예를 들어 입력 자료의 형식, 결과 검증 기준, 예외 표시가 안정적으로 정의되어 있다면 앞단의 처리와 뒷단의 판단을 다른 역할이 맡을 여지가 생깁니다. 다만 파일 형식이 같다는 것만으로 연결 조건이 표준화되었다고 볼 수는 없습니다. 받는 사람이 결과를 이해하고 판단하는 데 필요한 정보까지 전달되어야 합니다.
가령 판매 데이터를 정리하는 과업과 수요 변화를 해석하는 과업을 나누려 한다면, 숫자뿐 아니라 집계 범위와 누락 기준을 함께 넘겨야 합니다. 특정 거래를 제외한 이유, 환불 처리의 기준일, 바뀐 상품 분류처럼 판단에 영향을 주는 조건이 빠져 있으면 다음 담당자는 앞단의 일을 다시 확인하게 됩니다. 도구가 산출물을 만들었다는 사실과 인계가 가능하다는 사실은 다릅니다.
이 모델에서 교육의 중심은 과업을 넘길 때 필요한 정보를 정의하고 전달하는 역량입니다. 앞단 담당자는 무엇을 확인해 넘겨야 하는지 배웁니다. 뒷단 담당자는 어떤 조건이면 결과를 사용할 수 있고, 어떤 경우에는 재확인을 요청해야 하는지 연습합니다. 두 사람 모두 전체 과정을 똑같이 배울 필요는 없지만, 자신이 맡은 구간의 입력과 출력 조건을 이해해야 합니다.
실습 과제로는 조건을 충족한 결과와 겉보기만 완성된 결과를 비교하게 할 수 있습니다. 동일한 표라도 집계 기준이 빠진 경우, 설명은 충분하지만 근거 자료에 접근할 수 없는 경우, 예외가 따로 표시된 경우를 나누어 제시합니다. 학습자는 어느 결과를 인수할 수 있는지와 보완을 요청할 이유를 설명합니다. 판단이 다르면 더 빨리 승인한 사람을 칭찬하기보다 어떤 기준을 다르게 해석했는지 확인합니다.
분리의 이점만 보고 결정해서는 안 됩니다. 같은 내용에 대한 확인이 중복되거나 예외가 발생할 때 책임자가 사라질 수 있습니다. 과업을 나누기 전에 연결 조건이 실제 업무의 예외까지 담을 수 있는지 시험합니다. 모든 예외를 문서로 정리할 수 없다는 이유로 분리를 포기할 필요도 없습니다. 어떤 예외에 다른 담당자의 판단이 필요한지 명시하면 됩니다. 교육은 이런 경계를 적용하는 연습을 제공하고, 조직은 예외를 처리할 책임자를 정해야 합니다.
맥락이 끊기면 판단이 어려운 일은 함께 묶어 본다
두 번째 모델은 앞뒤 과업의 맥락을 한 역할이 이어서 다루도록 하는 방식입니다. 고객과 나눈 대화, 협의 과정의 제약, 이전에 포기한 대안이 최종 판단에 중요하다면 완성된 문서만 넘겨서는 충분하지 않을 수 있습니다. 자동화가 중간 작업을 줄여주더라도 이 맥락을 해석할 사람이 필요합니다. 이때 교육은 기능 사용법보다 여러 과업을 연결해 판단하는 능력을 다루어야 합니다.
예를 들어 고객 요청을 요약하고 해결 방안을 제안하는 업무를 생각해볼 수 있습니다. 요약문이 정확해도 고객이 받아들일 수 없는 조건이나 이전 협의에서 제외한 대안을 모르면 적절한 제안을 하기 어렵습니다. 요약과 제안을 무조건 다른 역할로 나누기보다, 필요한 맥락을 유지한 담당자가 자동화 도구를 쓰면서 연속적으로 처리하는 방식을 검토할 수 있습니다. 이는 특정 기업에서 효과가 입증된 사례가 아니라 비교를 위한 가정입니다.
한 역할에 과업을 묶으면 배워야 할 범위도 넓어질 수 있습니다. 앞단의 정보 수집뿐 아니라 결과 해석, 대안 비교, 예외 판단까지 담당하게 되면 기존 교육만으로 충분하지 않을 수 있습니다. 역할을 넓히는 결정과 학습 지원의 결정이 따로 이루어져서는 안 됩니다. 필요한 지식에 접근할 수 있는지, 전문 검토를 받을 수 있는지, 연습할 과업이 있는지 함께 확인해야 합니다.
이 모델의 실습은 맥락을 제거한 짧은 문제만으로 구성하면 부족합니다. 같은 요청 문장이라도 이전 대화와 제약이 다르면 답이 달라지는 사례를 제시합니다. 학습자가 어느 맥락 때문에 판단을 바꾸었는지 설명하도록 하고, 결론만 맞힌 경우와 근거를 이해한 경우를 구분합니다. 도구가 제시한 답을 고르는 것보다 어떤 추가 정보를 확인해야 할지 말할 수 있는지가 중요합니다.
과업을 묶는다고 모든 판단을 한 사람에게 맡기는 것은 아닙니다. 전문 자격, 승인 권한, 고객 위험에 따라 독립적으로 맡길 수 없는 결정이 있습니다. 역할의 연속성을 유지하면서도 특정 결정에는 별도 검토를 둘 수 있습니다. 교육에서는 혼자 계속할 구간과 멈춰서 전문 판단을 요청할 구간을 함께 연습합니다. 더 넓게 일한다는 표현이 책임의 무제한 확대를 뜻하지 않도록 해야 합니다.
과업 범위의 확대를 전문성의 확보로 착각하지 않는다
AI를 통해 다룰 수 있는 문제의 범위가 넓어질 가능성은 있습니다. 2026년 9월 AI in Science: Early Insights의 미국·영국 연구자 637명 설문에서 65%는 자신이 속한 분야의 연구 의제 범위가 AI로 넓어졌다고 응답했습니다. Figure 14에는 범위 확대와 함께 품질·노력에 대한 우려도 나타납니다. 연구자의 인식을 조사한 결과이며 개인의 실제 역량이나 일반 기업의 업무 권한 확대를 검증한 것은 아닙니다. 원문 PDF
Codreanu 외, AI in Science: Early Insights, PDF 27쪽 Figure 14. 실제 역량검사가 아닌 질문별 인식 변화입니다. 일부 항목은 유리한 방향을 파란색으로 맞추기 위해 표현 방향을 바꾸었으므로 주석과 함께 읽어야 합니다.
교육 담당자는 도구 덕분에 시도할 수 있게 된 과업과, 도움 없이 책임 있게 수행할 수 있는 과업을 구분해야 합니다. 새로운 분석을 실행해 결과를 볼 수 있어도 입력의 한계와 해석의 조건을 모르면 업무 판단으로 쓰기 어렵습니다. 과업 범위가 넓어졌다는 사실을 곧바로 숙련의 증거로 처리하면 필요한 검토와 연습이 생략됩니다.
새 역할에 과업을 배치할 때는 수행 조건을 단계적으로 정할 수 있습니다. 처음에는 초안을 만들고 판단 근거를 설명하게 한 뒤, 전문 검토자의 피드백을 받습니다. 다음에는 정해진 범위의 과업을 맡기고 예외 처리 여부를 확인합니다. 어느 단계에서 독립 수행을 허용할지는 업무의 위험과 규정에 따라 정합니다. 모든 역할에 같은 횟수나 기간을 적용하는 기준을 이 글에서 제시하지 않는 이유입니다.
성공한 산출물만 보는 평가도 경계해야 합니다. 새로운 역할을 맡은 직원이 어떤 사례는 피하고, 어떤 사례에서 도움을 요청했는지 확인합니다. 어려운 일을 전문 검토자에게 넘기는 행동이 적절한 판단일 수 있습니다. 반대로 겉으로는 모든 일을 처리했지만 확인하지 않은 조건을 숨겼다면 수행 범위를 넓힐 근거가 약합니다. 평가에는 처리 결과와 함께 자신의 한계를 구분한 증거가 들어가야 합니다.
직무 재설계는 두 모델의 학습 비용까지 비교해야 한다
분리와 묶음 중 어느 쪽이 더 낫다는 일반적인 답은 없습니다. 연결 조건이 얼마나 안정적인지, 맥락이 판단에 얼마나 중요한지, 담당자가 새 과업을 배울 여력이 있는지에 따라 선택이 달라집니다. 업무의 일부는 분리하고 다른 일부는 묶는 조합도 가능합니다. 조직도 전체를 한 번에 바꾸기보다 실제 과업 단위를 정해 비교하는 편이 판단 근거를 얻기 쉽습니다.
| 비교할 조건 | 과업을 분리하는 모델 | 한 역할에 묶는 모델 |
|---|---|---|
| 전달할 정보 | 인수 조건과 예외 정보를 명확히 정의 | 앞뒤 판단에 필요한 맥락을 유지 |
| 주요 학습 요구 | 입력·출력 검증, 경계의 예외 판단 | 여러 과업의 연결, 맥락에 따른 판단 |
| 흔한 부담 | 재확인·인계 오류·책임 공백 | 학습 범위 확대·판단 과부하 |
| 실습의 초점 | 인수 가능한 결과와 반려 사유 구분 | 맥락이 달라질 때 판단이 바뀌는 이유 설명 |
| 운영상 확인 | 예외가 생겼을 때 돌아갈 담당자 | 독립 수행 범위와 전문 검토 경로 |
교육 비용은 수강료와 수강시간만으로 비교하지 않습니다. 새 과업의 지도 시간, 피드백 대기, 실습 자료 준비, 기존 업무 조정까지 포함해야 합니다. 과업을 나누어 도구 교육은 쉬워졌지만 인계 연습이 늘 수도 있습니다. 반대로 묶어서 인계는 줄었지만 한 사람이 배울 전문 내용이 많아질 수도 있습니다. 어느 부담이 줄고 어느 부담이 늘었는지를 함께 보여주어야 현업이 운영 모델을 선택할 수 있습니다.
소규모 시험에서는 동일한 결과를 목표로 하되 과업 배치만 다르게 설계해볼 수 있습니다. 다만 실제 현업에서는 담당자의 경험과 과제 난도를 완전히 같게 맞추기 어렵습니다. 따라서 짧은 비교의 결과를 인과 효과의 확정값으로 발표하기보다, 어느 조건에서 어떤 오류와 학습 요구가 생기는지 관찰하는 데 사용합니다. 팀이나 직원의 우열을 매기는 실험으로 만들면 문제를 숨기는 행동이 생길 수 있습니다.
시험 후에는 총 소요시간뿐 아니라 기준을 충족하지 못한 사례를 살펴야 합니다. 분리한 모델에서 맥락 누락이 반복되는지, 묶은 모델에서 전문 판단의 한계를 넘는지 확인합니다. 실습에서는 없던 예외가 실제 업무에서 나타났다면 교육 설계와 과업 배치 중 무엇을 수정할지 구분합니다. 추가 강의를 넣는 것이 항상 첫 조치는 아닙니다. 한 사람에게 배치한 판단을 다시 나누거나 인계 조건을 손보는 조치가 더 적절할 수 있습니다.
교육 대상은 도구 사용자보다 바뀐 과업의 담당자에서 찾는다
AI 전환 교육의 수요 조사에는 도구 사용자 명단과 별도로 과업 이동표가 필요합니다. 과업별 기존 담당자, 새 담당자, 남는 판단, 필요한 지원을 적습니다. 담당자가 달라지지 않은 과업도 확인해야 합니다. 앞단의 결과가 바뀌어 새로운 오류를 판단해야 한다면 그 사람의 학습 요구도 달라질 수 있습니다. 변화의 영향은 자동화 버튼을 누른 사람에게만 머물지 않습니다.
이 표를 교육 과정 목록으로 곧바로 바꾸지 않는 것이 좋습니다. 먼저 기존 경험으로 수행할 수 있는 부분, 감독을 받으며 연습할 부분, 새 지식이 필요한 부분, 권한이나 자료 접근이 먼저 필요한 부분을 나눕니다. 학습과 운영 조치를 섞지 않아야 불필요한 과정이 늘지 않습니다. 교육 담당자는 해결할 수 없는 제약까지 교육 약속으로 떠안지 말고 해당 책임자에게 전달해야 합니다.
과업 이동을 확인할 때는 이전 담당자의 설명을 충분히 활용합니다. 결과물의 형식은 쉽게 전달할 수 있어도 예외를 발견하는 단서나 잘못된 가정을 알아차리는 방법은 문서에 남지 않았을 수 있습니다. 이전 담당자와 새 담당자가 같은 사례를 함께 검토하고 판단 이유를 비교하게 합니다. 이는 기존 담당자의 지식을 무조건 표준화하려는 절차가 아니라 새 역할에서 보존해야 할 판단을 찾는 과정입니다.
교육 후에는 과업 배치가 실제로 이행되었는지 확인합니다. 명목상으로는 새 담당자가 맡았지만 어려운 건은 모두 이전 담당자에게 돌아간다면 전환이 끝났다고 보기 어렵습니다. 그 이유가 숙련 부족인지, 승인 권한의 부재인지, 과업을 나눈 방식의 문제인지 따로 살펴야 합니다. 아직 남아 있는 의존 관계를 실패로 낙인찍기보다 어떤 지원과 재설계가 필요한지 결정하는 근거로 사용합니다.
AI 과업 재배치의 핵심은 자동화한 시간만큼 일을 더 얹는 데 있지 않습니다. 과업 사이의 연결 조건과 판단에 필요한 맥락을 보고, 누가 무엇을 함께 맡을 때 업무를 책임 있게 끝낼 수 있는지 정하는 데 있습니다. 기업교육 담당자는 결정이 끝난 뒤 과정만 제공하는 데 그치지 않고, 각 배치에 필요한 학습과 검토의 조건을 설명해야 합니다. 사라진 일보다 남은 일의 연결을 보아야 다음 역량 투자가 분명해집니다.