리더는 지휘자가 아니라 청소부가 돼야 한다" (정도희 전 SKT 부사장)

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

AI 시대의 리더는 모든 일을 지휘하기보다 구성원의 사고를 넓히고 제도적 걸림돌을 치우는 청소부가 돼야 한다.

📌 핵심 요점

1. AI 도입의 성과는 조직·리더·개인이 함께 바뀔 때 나온다. 개인의 작업 속도가 빨라져도 보고·회의·평가 체계가 그대로면 조직 전체의 변화는 제한된다.
2. 자동화에 앞서 가치 없는 일을 없애야 한다. 아무도 읽지 않는 보고서에 AI를 적용하면 불필요한 산출물만 늘어날 수 있다.
3. 데이터 공유는 기술과 평가 제도의 문제다. 데이터를 정제하고 제공한 팀의 기여를 인정하지 않으면 부서 간 단절이 에이전트 협업에도 이어질 수 있다.
4. 사람은 맥락 해석과 사고 확장의 주도권을 유지해야 한다. 동료와의 대화와 리더의 질문은 AI와 혼자 일할 때 좁아지기 쉬운 시야를 넓히는 역할을 한다.
5. 리더십·성과 관리·교육을 일하는 방식에 맞춰 바꿔야 한다. 리더는 장애물을 제거하고, 탐색 단계에는 기존 KPI를 구분해 적용하며, 교육은 실제 업무 안에서 제공해야 한다.

🧩 배경과 문제 정의

김지현이 『AI 워크아웃』의 저자 정도희와 AI 시대의 조직 운영을 논의하는 인터뷰다. 제목은 정도희를 전 SKT 부사장으로 소개한다. 대화는 AI 도구의 사용법보다 기술을 성과로 연결하는 조직문화·리더십·업무 방식에 초점을 맞춘다.

핵심 문제는 개인의 생산성 향상이 조직 전체의 가치 창출로 자동 연결되지 않는다는 점이다. 기존 보고 체계와 평가 제도, 데이터 독점, 형식적인 교육이 유지되면 AI는 불필요한 일을 늘리거나 기존의 단절을 재현할 수 있다. 영상은 이를 풀기 위해 업무 제거, 사람의 사고 주도권, 질문형 리더십, 현장 중심 학습을 연결한다.

🕒 시간순 섹션별 상세정리

1. 에이전트 시대 홍보와 인터뷰 핵심 예고

• 도입부는 2027년 AI 에이전트 확산을 내세운 강좌 홍보로 시작하며, 기업이 에이전트와 함께 일하는 방식에 관한 질문을 던진다. [00:23]
• 이어 불필요한 보고서 제거, 잡담을 통한 창발, 미래 사무실, 청소부 리더십을 인터뷰의 주요 논점으로 예고한다. [01:10]

2. 기술 활용서보다 조직 변화에 주목한 책

• 김지현은 『AI 워크아웃』 저자를 초대하고, 일반적인 AI 사용법·기술 동향 중심 책과 다른 문제의식을 보여준다. [01:48]
• 저자는 기술과 사업을 연결해 온 경험에서 기술에 맞는 조직문화·리더십·일하는 방식의 변화가 중요하다고 보여준다. 진행자는 이를 빠른 자동차에 맞춰 도로와 교통 체계를 바꾸는 일에 비유한다. [02:45]

3. 조직·리더·개인이 함께 바뀌어야 하는 이유

• AI로 보고서 작성 시간을 줄여도 기존의 단계별 보고와 회의가 유지되면 전체 소요 시간은 크게 달라지지 않을 수 있다. [03:32]
• 리더가 실패를 허용한다고 말해도 평가 제도가 실패한 도전을 낮게 평가하면 구성원은 이전 방식으로 돌아간다. 제도만 바꾸는 공모전 역시 충분하지 않아 세 요소가 맞물려 움직여야 한다. [04:08]

4. 기존 경영 제도를 조직의 운영체제로 보기

• 저자는 연간 사업계획·평가·예산 배분·KPI를 조직의 운영체제에 비유한다. 예측 가능한 환경에 맞춘 체계가 AI를 활용한 새로운 시도에는 맞지 않을 수 있다는 설명이다. [04:41]
• 따라서 새로운 도구를 기존 업무에 추가하기에 앞서 당연하게 여겼던 일하는 방식을 제로베이스에서 검토하자고 제안한다. [04:49]

5. 데이터 가치 창출을 막는 공유 유인 부족

• 데이터는 분석 대상에 머물지 않고 가공을 통해 새로운 가치를 만들거나 에이전트가 활용하는 자원이 될 수 있다고 보여준다. [05:31]
• 암묵지의 문서화와 데이터 정제에는 노력이 들지만 평가에서 인정받기 어렵다. 다른 팀의 성과를 도운 데이터 제공 팀이 상대평가에서 오히려 불리해질 수 있다는 문제도 지적한다. [06:14]
• 데이터 공유의 어려움은 평가와 문화에 연결돼 있으며, 공유가 막히면 팀별 에이전트의 협업도 원활하기 어렵다고 본다. [06:38]

6. 에이전트 협업과 분산된 데이터 접근

• 진행자는 기존 부서의 단절이 유지되면 에이전트를 도입한 뒤에도 새로운 사일로가 생길 수 있다고 정리한다. [06:56]
• 저자는 중앙 데이터 레이크 방식과 함께 팀별 인터페이스나 MCP 서버를 통해 데이터를 한곳에 모으지 않고 접근하는 방식도 가능하다고 제안한다. 접근 이력을 파악하는 사례도 든다. [07:32]
• 진행자는 반도체 설계 등 보안상 중앙 집적이 어려운 데이터를 예로 들며, 데이터를 모으는 문제와 AI가 참고할 수 있게 하는 문제를 구분한다. [07:51]

7. 자동화 전에 가짜 노동부터 없애기

• 저자는 열심히 만들지만 아무도 읽지 않는 정기 보고서를 가짜 노동의 사례로 든다. 이런 업무에 AI를 적용하면 불필요한 보고서가 더 많이 생길 수 있다. [08:28]
• AI 적용법부터 찾기보다 관성적으로 해 온 일 중 없앨 것을 먼저 찾고, 그다음 필요한 과정에 AI를 쓰자고 제안한다. [09:01]
• 두 사람은 AI 사용 자체가 목표나 KPI가 되는 역전을 비판한다. 가치 있는 일을 정하고, 방해하거나 불필요한 일을 제거한 뒤 도구를 선택해야 한다는 논의다. [09:55]

8. 전달하는 글과 생각을 확장하는 글의 차이

• 저자는 글쓰기를 전달 목적과 사고 확장 목적으로 나눈다. 회의록·공지·이메일과 달리 자신의 생각을 바꾸고 넓히는 글쓰기는 직접 수행할 이유가 있다고 본다. [10:43]
• 스스로 쓰다가 사고가 막히면 AI에 비판이나 다른 관점을 요청하고 다시 직접 쓰는 방식으로 주도권을 유지할 수 있다고 보여준다. [11:05]
• 진행자는 사실 정리와 맥락 해석을 구분하며, 정보에 의미를 부여하고 인사이트를 도출하는 사람의 역할을 강조한다. [11:25]

9. 사람에게 남는 맥락 해석과 대화의 창발

• 같은 정보라도 회사의 상황에 따라 실행 여부와 보고 방식이 달라진다. 저자는 이런 맥락을 읽는 일과 방향을 찾기 위한 사람 간 대화를 중요한 역할로 본다. [11:58]
• 문서 정리·코딩·조사가 AI로 이동할수록 사람은 잡담에서 새로운 시각과 아이디어를 발견하고, AI에 조사와 실험을 맡겨 발전시키는 방식으로 일할 수 있다고 보여준다. [12:36]
• AI와의 대화에서도 창발은 가능하지만, 저자는 복도나 차 한잔 자리에서 동료와 이상 징후를 느끼고 질문을 만드는 선행 단계에 더 주목한다. [13:21]

10. 미래 사무실과 혼자 AI로 일할 때의 편향

• 저자는 카페처럼 열린 대화 공간과 화이트보드, 혼자 깊이 생각할 공간이 함께 있는 사무실을 상상한다. 대화와 집중을 모두 지원해야 한다는 구상이다. [13:53]
• 진행자는 AI와 혼자 일하면서 속도와 품질은 좋아졌지만 확증편향이 심해지는 느낌을 경험했다고 드러낸다. 여러 AI를 사용해도 동료와 토론할 때 얻던 관점의 흔들림이 줄었다는 회고다. [15:09]

11. 정답을 알려주기보다 시야를 넓히는 리더

• 저자는 리더가 더 많이 안다는 전제로 모든 보고와 지시를 독점하는 방식에 의문을 제기한다. AI와 일하는 구성원이 세부 업무를 더 잘 알 수 있다는 것이다. [15:38]
• 구성원이 한 방향으로 깊이 들어갈 때 상황 변화에 관한 질문을 던져 다른 가능성을 보게 하는 역할을 강조한다. 다른 사람과의 대화로 시선을 점검하고 넓히는 관계도 중요해진다고 본다. [16:32]
• 리더가 쌓아 온 경험은 맥락과 타이밍을 읽는 데 활용할 수 있으며, 구성원이 다양한 관점을 검토할 여유를 만드는 데 기여할 수 있다고 보여준다. [17:12]

12. 질문형 리더십으로 사고의 외주화 경계하기

• 같은 상황에서도 지시 대신 질문을 던지면 구성원이 스스로 대안을 생각하게 된다며 코칭형·질문형 리더십을 제안한다. [17:54]
• 진행자는 글쓰기와 요약을 넘어 사고 자체를 AI에 맡기면 사람의 역할이 약해질 수 있다고 우려한다. 저자는 질문을 통해 사고를 유지하게 하는 리더십이 AI 시대에 필수라고 답한다. [18:54]

13. 모든 것을 아는 리더에서 장애물을 치우는 리더로

• 리더도 AI를 직접 써 보고 성질을 이해할 필요는 있지만, 모든 세부 사항을 실무자보다 잘 알아야 한다는 전제에는 저자가 반대한다. [19:53]
• 리더가 자신의 이해 범위 안에서만 일을 허용하면 구성원의 역량을 제한할 수 있다. 대신 생각을 확장하고, 제도의 장애물을 미리 치우며, 필요한 부서를 연결하는 역할을 강조한다. [21:01]
• 저자는 섬김형 리더십을 청소부 리더십으로 풀어 보여준다. 불편과 어려움을 치우고 구성원의 실행을 돕는 일이 미래 리더의 중요한 역할이라는 뜻이다. [21:31]

14. 탐색과 정규 운영을 구분하는 KPI

• 진행자는 목표와 평가가 필요한 기업에서 KPI를 어떻게 설정할지 묻는다. 저자는 연간 계획과 KPI를 없애자는 것이 아니라 적용 대상을 분리하자는 입장이다. [22:24]
• 결과를 예측하기 어려운 새로운 시도에 확정적인 성과 수치를 요구하는 것은 들어가 보지 않은 동굴에서 캘 금의 양을 미리 보고하라는 것과 같다고 비유한다. [22:49]
• 시도가 정리돼 정규 운영 단계로 넘어가면 담당·일정·예산·KPI를 갖추되, 탐색 초기에 같은 체계를 앞세우는 순서는 바꿔야 한다고 보여준다. [23:16]

15. 강의실 교육에서 현장 속 학습으로

• 진행자는 AI 변화에 대응하는 HR과 인재 육성의 역할을 묻는다. 저자는 교육 내용뿐 아니라 학습이 업무의 어느 지점에서 발생하는지가 중요하다고 답한다. [24:06]
• 업무와 떨어진 필수 강의보다 실제 워크플로 안에서 학습이 발생해 교육과 일의 경계가 모호한 상태를 이상적으로 본다. [24:35]
• HR은 현장 회의와 업무에 참여해 역량 수요와 성공·실패를 파악하고, 다른 부서가 같은 실패를 반복하지 않도록 경험을 전파해야 한다고 제안한다. [25:23]

16. 필요한 순간의 학습과 HRD의 가치 전달

• 저자는 필요한 역량을 그때그때 제공하고, 수요를 발견한 시점부터 학습이 실제 업무에 적용되기까지 걸리는 시간을 지표로 볼 수 있다고 제안한다. [25:46]
• HRD를 중앙 관리 기능에 머물게 하기보다 현장에 가치를 전달하는 역할로 재정의하자고 드러낸다. 진행자는 동료들이 정보와 지식을 나누며 함께 성장하는 소셜 러닝으로 이를 해석한다. [26:42]
• 저자는 HR 담당자가 현장 업무를 깊이 이해해 자신의 역할 경계를 헷갈릴 정도로 가까워지는 모습이 바람직하다고 보여준다. [27:00]

17. 인력의 새로운 기여와 인터뷰 마무리

• 진행자는 AI와 에이전트로 기존 업무에 필요한 인원이 줄어들 경우, 구성원이 현장 대화와 새로운 아이디어 제안 등 다른 기여를 할 수 있도록 조직을 바꿔야 한다고 정리한다. 인원 감소 수치는 설명을 위한 예시로 제시한다. [27:28]
• 『AI 워크아웃』을 소개하며 AI와 함께 기업이 변화하고 성장하기를 바란다는 말로 대화를 마무리하고, 감사 인사와 채널 문구로 끝난다. [27:44]

🧾 결론

• 청소부 리더십은 구성원이 일하기 전에 제도의 불편함을 치우고, 필요한 부서를 연결하며, 실행을 돕는 역할이다.
• AI 활용의 출발점은 도구 사용량이 아니라 어떤 가치를 만들고 어떤 일을 없앨지 정하는 데 있다.
• 사람의 사고를 유지하려면 지시 중심의 관리에서 질문과 코칭 중심의 관계로 이동해야 한다.
• 새로운 시도를 탐색하는 단계와 성과를 반복적으로 관리하는 단계를 구분해야 계획과 평가가 혁신을 막지 않는다.

📈 투자·시사 포인트

• 기업의 AI 실행력을 볼 때 도구 도입 여부와 함께 보고 단계, 평가 방식, 데이터 공유 유인이 실제로 바뀌는지 살펴볼 수 있다.
• AI 도입 성과를 판단할 때 보고서 생산량이나 사용 횟수보다 불필요한 업무의 감소와 가치 있는 업무로의 전환을 확인필요가 있다.
• 데이터 제공 부서의 기여를 인정하는 구조는 부서 간 에이전트 협업을 뒷받침하는 조직적 조건으로 제시된다.
• HRD의 역할은 교육과정 운영을 넘어 현장의 역량 수요를 발견하고 필요한 학습을 업무에 연결하는 방향으로 확장된다.

⚠️ 불확실하거나 확인이 필요한 부분

• 도입부의 2027년 에이전트 전망은 강좌 홍보에 포함된 주장이다. 영상 안에서는 그 시점이나 확산 범위를 검증할 근거를 제시하지 않는다.
• 보고서 작성이 한 달에서 하루로 줄어드는 사례, 10명의 일을 두세 명이 수행한다는 언급은 설명을 위한 예시·견해다. 실제 기업의 측정 결과로 일반화하기 어렵다.
• AI에 사실 파악과 정리를 전적으로 맡겨도 된다는 진행자의 표현은 정확성을 검증한 결과가 아니다. 업무별 사실 확인 책임과 검토 범위는 별도로 정해야 한다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 반복 보고서와 회의를 목록으로 만들고, 실제 의사결정이나 가치 창출에 쓰이지 않는 업무부터 중단 후보로 정한다.
• AI로 줄인 작업 시간이 보고·승인·회의 과정에서도 줄어드는지 확인하고 병목을 찾는다.
• 데이터 정제·문서화·공유에 기여한 팀이 평가에서 인정받는지 점검한다.
• 업무를 전달·정리 중심 작업과 사고·맥락 해석 중심 작업으로 나누고, 사람이 주도권을 유지할 지점을 정한다.

❓ 열린 질문

• 데이터 제공 팀의 기여를 인정하면서 상대평가로 인한 공유 기피를 줄이려면 평가 제도를 어떻게 바꿔야 할까?
• 탐색 단계의 과제가 정규 운영 단계로 넘어갔다고 판단하는 기준은 무엇이어야 할까?
• 창발을 위한 잡담과 집중 시간을 함께 확보하면서 불필요한 회의를 늘리지 않으려면 어떻게 해야 할까?