10 levers for shaping generative AI that truly improves worker performance

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

MIT 연구진은 생성형 AI가 업무 속도뿐 아니라 근로자의 성과와 일자리의 질을 높이려면 증거에 따른 도입, 적절한 신뢰, 학습과 전문성 보존 등을 아우르는 10가지 지렛대가 필요하다고 제시했다.

📌 핵심 요약

• 연구진은 2023~2025년 20개가 넘는 기업의 경영진·관리자·직원을 인터뷰하고, 도입 단계별 조사 결과를 2023년 대규모 근로자 설문 및 공개 AI 사용 설문 자료와 교차 검토했다.
• 생성형 AI의 실패 유형을 가치 있는 자동화를 하지 않는 미사용, 부실한 결과를 내는 오용, 자동화가 작동하지만 새로운 문제를 만드는 과잉 사용으로 구분했다.
• 세 가지 운영 원칙은 대안보다 우수하다는 증거를 확보한 뒤 확대하고, 근로자별 활용 차이를 인정하며, 어떤 AI 결과를 신뢰할지 판단하도록 돕는 것이다.
• 일곱 가지 목표는 반복 업무 축소, 학습 촉진, 팀워크 보존, 인터페이스 개선, 분야 전문성 투자 지속, 책임성 유지, 새로운 업무 창출이다.
• 연구진은 시간 절감만으로 효과를 판단하지 말고 품질·재작업·팀 기여도를 살피며, AI 의존에 따른 지식 습득 약화와 협업 감소, 초급 직무 수요 감소의 장기적 영향을 고려해야 한다고 강조했다.

🧩 주요 포인트

1. 시간 절감과 성과 개선은 다를 수 있음 → 확대 여부는 품질·재작업·팀 기여도를 포함한 증거로 판단.
2. 근로자마다 활용 방식과 결과에 대한 신뢰가 다름 → 획일적 사용보다 선택권과 신뢰 판단을 지원하는 운영이 중요.
3. 자동화는 학습·협업·전문성 축적에 영향을 줌 → 반복 업무 축소와 함께 책임성 유지 및 새로운 업무 창출을 설계.

🧠 상세 정리

1. 연구 배경과 세 가지 실패 유형

근로자는 직접 절차를 수행하던 역할에서 생성형 AI가 수행한 일을 감독하고 분석하는 역할로 점차 이동하고 있으며, 이 변화가 일자리의 질을 높일지는 고용주의 선택에 달려 있다. MIT 연구진은 2023~2025년 20개가 넘는 기업에서 경영진·관리자·직원을 인터뷰해 초기 실험부터 효과 측정과 성공 사례 확대까지 살폈다. 조사 결과는 2023년 대규모 근로자 인식 설문과 추가 공개 AI 사용 설문 자료로 교차 검토했다. 연구진은 가치 있는 자동화를 놓치는 미사용, 부실한 결과를 만드는 오용, 자동화 자체는 작동하지만 새로운 문제를 낳는 과잉 사용을 구분하고, 이를 피하기 위한 세 가지 운영 원칙과 일곱 가지 목표를 제시했다.

2. 확대에 앞선 증거 확보와 활용 차이 인정

효과적인 AI 프로젝트는 해결할 사업 문제에서 출발해 성공 기준을 명확히 정하고, 생성형 AI가 대안보다 우수하다는 증거를 확보한 뒤 적용 범위를 넓혔다. 반면 성과가 낮은 기업들은 개별 작업의 시간 절감에 주목하면서 결과의 품질, 재작업, 새로 발생한 업무, 팀 전체의 기여도 변화를 충분히 따지지 않았다. 연구진은 같은 역할을 맡은 근로자도 AI를 매우 다르게 활용하므로 모두에게 동일한 사용 방식을 기대해서는 안 된다고 설명했다. 근로자가 필요할 때 도구를 사용하고 결과를 신뢰하지 못할 때 사용하지 않을 수 있는 유연성은 일자리의 질을 높이며, 누구에게 어떤 상황에서 AI가 효과적인지에 관한 더 풍부한 증거도 제공한다.

3. 신뢰 판단 지원과 반복 업무 축소

AI를 잘 활용하려면 전반적으로 더 믿거나 덜 믿는 것보다 개별 결과 가운데 무엇을 신뢰하고 무엇을 의심해야 하는지 구분할 수 있어야 한다. 그러나 생성형 AI는 상당 부분 내부 작동을 알기 어려우며, 추가적인 공학적 조치 없이 현재 도구를 완전히 투명하게 만들 수 있는지에도 이견이 있다. 연구진은 기술의 불투명성이 지속된다면 고용주가 근로자의 신뢰 판단을 돕는 관행과 시스템을 마련할 책임을 져야 한다고 주장했다. 동시에 AI는 근로자가 흥미를 느끼는 일보다 지루하고 반복적인 일을 줄여 문제 해결과 창의적 활동에 집중하도록 할 때 효과적이라고 설명했다. 반복 업무에 가장 가까운 근로자가 제거할 작업을 찾아내고, 고용주는 이를 처리할 적절한 기술을 결정할 수 있다.

4. 학습과 팀워크를 지키는 활용 방식

연구진은 근로자가 AI에 작업을 맡긴 뒤 그 바탕이 되는 지식을 습득하지 못하는 인지적 외주화를 경고했다. 직장에서의 학습은 근로자에게 더 나은 경력 기회를 열고 고용주에게는 생산성 향상을 가져올 수 있으므로, 기업은 단순한 지름길보다 학습을 유도하는 장치를 통해 AI가 지식의 공백을 발견하고 메우도록 활용할 수 있다. AI는 이전에 다른 전문성을 가진 동료의 도움이 필요했던 작업을 개인이 독립적으로 끝낼 수 있게 하기도 한다. 그러나 이러한 자립성이 멘토링, 공동 학습, 동료 사이의 신뢰 형성을 약화할 수 있어 개인 작업으로 전환하기 전에 그 대가를 고려해야 한다. 반복 업무를 줄이는 효과와 함께 근로자가 지식을 익히고 동료와 협력할 기회가 어떻게 달라지는지도 살펴야 한다.

5. 인터페이스 개선과 분야 전문성 투자

기업은 기반 AI 기술을 직접 개발하기보다 구매하는 경우가 늘고 있지만, 근로자가 접하는 인터페이스를 설계하거나 맞춤화해 사용 경험에 영향을 줄 수 있다. 좋은 인터페이스는 무엇이 왜 일어나는지 이해하는 상황 인식을 돕고 정신적 부담을 감당 가능한 수준으로 유지하며, 연구진은 서로 다른 설계가 정보 기억과 정신적 부담에 미치는 영향을 시험할 것을 권했다. 한편 의학이나 컴퓨터과학처럼 AI 잠재력이 큰 분야에서는 단기적으로 초급 직무 수요가 줄어들 수 있다. 하지만 장기적인 혁신에는 AI 결과를 해석하고 검증하며 인간의 판단과 신뢰가 필요한 규제·행정 절차를 다룰 숙련자가 여전히 필요하다. 이에 연구진은 교육·훈련 기관이 생성형 AI의 영향력이 클 분야의 전문가 양성에 더 투자해야 한다고 주장했다.

6. 결과에 대한 책임과 새로운 업무 창출

AI는 설득력 있어 보이지만 오류나 이해 부족을 숨긴 결과물을 만들 수 있으며, 분석자와 의사결정자 사이의 신뢰에 의존하는 조직에서는 문제가 발견되거나 작성자에게 추적되지 않을 수 있다. 연구진은 사람이 AI 결과에 책임을 지도록 하면 내용을 실제로 학습할 유인이 생기고 오류의 대가도 커진다고 설명하며, 주의력을 유지하고 자동화 결과의 정확성과 완전성을 확인하는 공항 보안의 무작위 추가 검사를 사례로 들었다. 또한 AI로 업무를 줄이거나 없애는 데만 집중하면 새로운 기술이 새로운 역할을 만들어내는 기회를 놓칠 수 있다고 지적했다. AI로 확보한 시간은 사업상 필요와 근로자가 개발하고 싶은 역량을 함께 반영해 직무를 재설계할 기회가 된다. 고용주가 자신의 성장에 투자한다고 느끼는 근로자는 기술을 효과적으로 활용하고 경력에 긍정적인 힘으로 받아들일 가능성이 더 크다.

🧾 핵심 주장 / 시사점

• 개별 작업의 속도 향상이 재작업이나 새로운 업무로 상쇄될 수 있으므로, 생성형 AI의 가치는 팀 전체의 성과 변화까지 살펴야 드러난다.
• 근로자별 활용 차이는 효과 측정을 어렵게 하지만, 어떤 사람과 상황에 AI가 유용한지 파악하는 증거의 원천이기도 하다.
• AI로 업무를 독립적으로 수행하는 능력이 커져도 공동 학습과 전문성 축적은 약해질 수 있어, 단기 효율과 장기 역량을 함께 고려해야 한다.

✅ 액션 아이템

• 생성형 AI 확대 전 품질·재작업·팀 기여도를 포함해 대안 대비 성과 증거 확인.
• 근로자별 활용 차이를 반영하고 AI 결과에 대한 신뢰 판단을 지원하는 운영 방식 검토.
• 반복 업무 축소와 함께 학습·협업·전문성 축적의 영향, 책임성 유지 및 새로운 업무 창출 가능성 검토.

❓ 열린 질문

• 생성형 AI의 시간 절감은 품질·재작업·팀 기여도를 함께 고려해도 성과 개선으로 이어지는가?
• 근로자별 활용 차이를 인정하면서 어떤 AI 결과를 신뢰할지 판단하도록 어떻게 지원할 것인가?
• 반복 업무 축소와 새로운 업무 창출 과정에서 학습·협업·전문성 축적과 책임성 유지를 어떻게 함께 반영할 것인가?