전사 AI 교육을 두세 차례 돌렸고, 프롬프트 가이드도 뿌렸고, 부서마다 챔피언까지 뽑은 조직이 많습니다. 그런데 팀에서 올라오는 결과물의 편차는 좁혀지기는커녕 되레 벌어졌습니다. 요즘 많은 리더들이 이 대목에서 힘에 부칩니다ㅜㅜ 오늘부터 두 편에 걸쳐, AI 활용 격차를 두고 우리가 흔히 잘못 알고 있는 여섯 가지를 짚어보려 합니다. 같이 보시죠!
지난주 @HBR에 올라온 연구 한 편이 이 국면의 전제를 정면으로 건드립니다. 텍사스대 오스틴 맥콤스경영대와 KPMG 연구진이 실제 조직에서 주니어들의 AI 활용을 추적한 Research: Why Some Junior Employees Work Well with AI—and Others Don't입니다. 결과가 꽤 불편합니다.
오해 ① AI 교육을 하면 할수록 활용 격차는 좁혀진다
교육 시간을 늘리고 리터러시를 올리면 잘 쓰는 쪽으로 수렴한다. 예산이 곧 해법이다.
연구진은 초기 경력 전문가 523명에게 각자 업무 영역 전용 AI 에이전트를 붙여 실제 업무 과제를 수행하게 했습니다. 결과는 세 갈래로 갈렸습니다. AI 단독 결과물보다 나은 성과를 낸 증폭자(AI Amplifiers)가 50.1%, AI 혼자 낸 것과 별 차이 없는 위임자(AI Delegators)가 25.8%, AI 기준선에도 못 미친 견습생(AI Apprentices)이 24.1%였습니다(McCombs, Shaping Early-Career Success in the Age of AI).
여기까진 예상 범위죠. 놀라운 건 그다음입니다. 전통적인 역량 지표로는 이 갈림이 설명되지 않았습니다. 비판적 사고력도, 직무 지식도, AI 리터러시도 누가 어느 집단에 속할지 갈라주지 못했습니다. 서류상으로는 거의 같은 사람들이었던 거죠. 연구를 이끈 Ashish Agarwal 교수는 이렇게 말합니다.
"우리는 단순히 AI 사용법을 아는 사람을 찾은 게 아닙니다. AI가 혼자 낼 수 있는 것 이상의 가치를 꾸준히 만들어내는 사람이 필요합니다."
물론 기초 교육이 쓸모없다는 뜻은 아닙니다. 다만 그건 입장권이지 성적표가 아닙니다. 입장권을 두 장 세 장 쥐여준다고 성적이 오르지는 않습니다.
오해 ② 비판적으로 따지는 사람이 AI를 잘 쓴다
AI가 틀릴 수 있으니 의심하고 검증하는 태도가 성패를 가른다. 그러니 비판을 반드시 해야 한다.
가장 뼈아픈 대목이 여기입니다. 성과가 가장 낮았던 견습생 집단은 기초 역량 점수에서 증폭자와 같았고, 오히려 위임자보다 높았습니다. 그런데도 AI 단독 결과물보다 못한 산출을 냈습니다. 이들이 AI를 곧이곧대로 받아들여서가 아닙니다. 이들도 비판을 했습니다. 다만 비판이 결과를 거의 개선하지 못했고, 왕왕 엉뚱한 대목을 좇았습니다.
(예) 한 제조사 기획팀의 C 사원 이야기가 딱 이 결입니다. AI가 뽑아준 사업계획 초안을 받아 20분 동안 문장 어투를 고치고 표 서식을 맞췄습니다. 그런데 정작 매출 추정의 밑돌인 연 성장률 가정 12%는 손도 대지 않았습니다. 그 숫자 하나가 결론 전체를 좌우하는데 말이죠. 비판을 안 한 게 아니라, 아무 데나 겨눈 겁니다.
핵심을 짚자면 비판의 유무가 아니라 비판의 조준점입니다. 증폭자들은 결과물을 받으면 어디가 틀리면 제일 크게 틀리는지부터 살폈습니다. 팀원들에게 이 한 줄을 먼저 적게 해보시길 권해드립니다. 이 결과물에서 가장 위험한 가정은 무엇인가.
오해 ③ 직무 지식이 쌓이면 AI 결과를 걸러낼 수 있다
경험이 붙으면 AI의 헛소리는 자연히 걸러진다. 그러니 연차가 해결해준다.
아는 것과 실제 판단에 쓰는 것은 다른 얘기입니다. 이 간극을 정면으로 뜯어본 연구가 있습니다. Anthony(2021)가 Administrative Science Quarterly에 발표한 2년간의 문화기술지 연구인데요. 투자은행의 네 개 집단이 분석 도구를 쓰는 방식을 추적했습니다.
발견은 이렇습니다. 분석 결과를 신뢰할 만한지 확인하는 검증이 직급별로 어떻게 진행되는지 살펴봤습니다. 주니어나 시니어나 도구 내부의 계산 방식과 알고리즘을 충분히 이해하지 못한 채 결과를 사용하는 블랙박싱(black boxing)이 나타났습니다. 개인의 생산성이 조직의 생산성으로 이어지지 않는 이유를 짚었던 AI 쓰는데 조직 생산성은 그대로? 편의 문제의식과도 이어지는 대목입니다.
여기까지가 사람 쪽 오해입니다. 교육을 더 태워도, 비판을 더 시켜도, 연차가 쌓여도 격차는 알아서 메워지지 않습니다. 다음 편에서는 도구와 세대, 그리고 평가에 얽힌 나머지 세 가지를 다루겠습니다. 모델이 좋아지면 다 같이 잘하게 된다는 믿음이 왜 그대로 실현되지 않은지 그 얘기부터 시작하려 합니다. ^^ | 
