잘할 마음 없는 직원이 ''AI 슬롭'' 쏟아낸다 (원티드랩 윤명훈 사업 총괄)
Quick Summary
잘할 마음 없는 직원이 ‘AI 슬롭’ 쏟아낸다 (원티드랩 윤명훈 사업 총괄)를 중심으로, AI는 질문과 답의 존재 여부에 따라 현황 정리, 예측과 분석, 암묵지의 형식지화, 미지의 문제 탐색까지 의사결정의 범위를 넓힌다를 핵심 판단 포인트로 압축 정리한다.
영상 보기
클릭 전까지는 가벼운 미리보기만 먼저 불러옵니다.
🖼️ 인포그래픽
🖼️ 4컷 인포그래픽
💡 한 줄 결론
잘할 마음 없는 직원이 ‘AI 슬롭’ 쏟아낸다 (원티드랩 윤명훈 사업 총괄)를 중심으로, AI는 질문과 답의 존재 여부에 따라 현황 정리, 예측과 분석, 암묵지의 형식지화, 미지의 문제 탐색까지 의사결정의 범위를 넓힌다를 핵심 판단 포인트로 압축 정리한다.
📌 핵심 요점
- AI는 질문과 답의 존재 여부에 따라 현황 정리, 예측과 분석, 암묵지의 형식지화, 미지의 문제 탐색까지 의사결정의 범위를 넓힌다.
- 개인의 실행 속도가 빨라질수록 조직 관리가 단순해지는 것이 아니라 우선순위 충돌과 중복 작업을 조정하는 오케스트레이션 부담이 커진다.
- 동기가 낮은 구성원이 만든 그럴듯한 AI 결과물은 작성 시간을 줄이는 대신 다른 사람에게 사실 확인과 품질 검증을 떠넘기는 핸드오프 비용을 발생시킨다.
- AI 시대의 핵심 인재는 정답을 잘 따르는 사람보다 자율성, 책임감, 빌더 마인드셋을 바탕으로 모호한 문제를 정의하고 빠르게 실행하는 사람이다.
- 성공적인 AX는 거대한 에이전트 시스템보다 명확한 전략, 현업의 직접 사용, 기존 워크플로우와 데이터의 연결, 반복적인 갱신에서 출발한다.
🧩 배경과 문제 정의
AI는 보고서 작성과 분석을 빠르게 만들지만, 구성원의 동기와 책임까지 대신하지는 않는다. 오히려 낮은 동기로 만든 그럴듯한 결과물이 검토자에게 검증 부담을 넘기고, 개인별 실행 속도의 증가가 조직 전체의 복잡성을 키울 수 있다. 대화는 이 문제를 출발점으로 의사결정, 암묵지, 성과 관리, AI ROI, 자율성, 워크플로우 통합, 미래 리더십을 연결해 살펴본다.
🕒 시간순 섹션별 상세정리
1. AI 슬롭과 의사결정의 출발점
- 동기가 낮은 사람이 AI로 대충 만든 자료를 전달하면 검토자가 그럴듯한 결과의 진위를 다시 확인해야 한다는 문제를 제기한다. [00:30]
- AI가 조직의 동료로 들어오는 상황에서 의사결정이 어떻게 바뀌는지를 원티드랩 윤명훈 사업 총괄과 논의한다. [00:50]
2. 질문과 답으로 나눈 네 가지 의사결정
- 질문과 답을 모두 아는 현황 정리와 질문은 있지만 답을 모르는 예측·전략 분석은 AI로 더 빠르게 수행할 수 있다. [01:44]
- 답은 있지만 질문이 없는 암묵지와 질문도 답도 모르는 미지의 영역에서도 AI가 지식 정리와 탐색을 지원한다. [02:41]
3. 암묵지를 조직의 공유 기억으로 전환하기
- 현업 노하우가 AI에 학습되지 않으면 즉각적인 도입 효과를 얻기 어렵기 때문에 회의 기록, STT, 위키 등을 활용한 형식지화가 필요하다. [03:31]
- 기술적 기록만으로는 부족하며 리더가 구성원과 대화하고 실제 업무를 관찰해야 암묵지를 회사의 자산과 에이전트로 연결할 수 있다. [04:24]
4. 빨라진 개인과 복잡해진 조직
- AI를 활용하는 구성원은 짧은 시간에도 새로운 일을 빠르게 시작하므로 리더가 경주마 여러 마리를 동시에 관리하는 것처럼 느낄 만큼 복잡성이 커진다. [04:59]
- 리더의 역할은 모든 채널을 관찰하면서 흩어진 일을 합치고 더 큰 가치로 만드는 조직 오케스트레이션으로 이동한다. [05:17]
5. 새로운 일을 더할 때 버릴 일도 정하기
- 리더가 AI 아이디어를 계속 추가하면 조직의 복잡성이 오히려 커지므로 현재 업무와 제한된 자원을 먼저 파악해야 한다. [05:54]
- 새 과제를 시작할 때 어떤 일이 뒤로 밀리고 무엇의 우선순위를 낮출지 구성원 및 팀과 함께 결정해야 한다. [06:11]
6. AI ROI를 복리와 선행 지표로 보기
- AI의 가치는 암묵지와 활용 경험이 누적되는 복리 효과에 가까워 단기 재무 수익만 요구하면 충분한 성과를 내기 어렵다고 보여준다. [07:11]
- 결과 지표보다 가치가 축적되는 과정을 보여 주는 선행 지표와 미래 실적의 추세를 관리해야 한다고 주장한다. [08:34]
- 채용 사업에서는 가입자, 핵심 인재, 지원, 합격이 매출에 앞서 움직이는 드라이버이므로 재무 지표와 함께 봐야 한다. [09:23]
7. 낮은 동기가 만드는 검증 비용
- 대충 만든 AI 보고서는 작성 시간을 줄이지만 작성자와 검토자가 다를 때 진위 확인을 위한 핸드오프 비용을 키운다. [09:53]
- 잘하고 싶은 마음 없이 빠르게 그럴듯한 결과를 만들 수 있다는 점이 태만한 직원의 AI 슬롭 문제로 이어진다고 진단한다. [10:07]
- 높은 동기의 사람을 채용하는 것과 함께 업무 완결 기회, 행정 부담 축소, 의사결정 단계 축소로 기존 동기를 훼손하지 않아야 한다. [10:35]
8. 자율성과 빌더 마인드셋
- AI 전환기에는 자율성이 없으면 높은 성취가 어렵고, 직접 무언가를 만들려는 빌더 마인드셋이 중요하다고 드러낸다. [11:12]
- 정해진 답을 찾도록 교육받은 사람은 모호한 문제를 꺼릴 수 있지만, 잘 정의된 문제는 오히려 AI가 더 잘 풀 수 있다는 역설이 제기된다. [12:27]
- 리더는 목적과 목표를 분명히 하고 방법에 관한 자율성을 구성원에게 제공해야 한다. [13:47]
9. 모호한 문제와 공정성의 충돌
- AI와 프롬프트로 정성적 사례 문제를 풀게 한 시험에서 평가 기준을 공개했음에도 공정성 평가가 낮아진 경험을 보여준다. [14:59]
- 명확한 정답을 선호하는 경향은 현업의 신입 구성원 관리 문제와 닮았으며, 리더도 답을 모르는 난제를 함께 푸는 방식이 대안으로 드러난다. [15:49]
- AX는 전문가와 리더 모두 답을 모르는 탐색의 시대이므로 서로 틀릴 수 있음을 인정하면서 목적과 과제를 합의해야 한다. [16:36]
10. 리더의 권위에서 책임으로
- 리더가 모든 것을 알 필요는 없지만 질문과 답의 해상도를 구성원과 함께 높여야 한다. [16:55]
- 구성원은 의견을 제시하고 반박할 수 있으나 최종 판단과 그 결과의 책임은 리더가 져야 한다. [17:23]
11. 발견을 포함하는 성과 관리
- 이미 아는 문제를 효율적으로 푸는 것만으로는 부족하며 매달 또는 매 분기 새로운 발견과 다음 작전의 소재가 생겼는지를 봐야 한다. [18:10]
- 하나의 지표에 보상을 집중하면 쥐꼬리 보상 사례처럼 의도하지 않은 행동을 만들 수 있으므로 실적과 발견을 함께 보는 복합 지표가 필요하다. [19:00]
- 결과를 분석해 행동하지 않을 이유를 찾기보다 먼저 실행해 새로운 데이터를 얻는 액션 중심 접근을 강조한다. [19:41]
12. 데모와 현장 성과의 간극
- 초기 데이터로 만든 AI 데모는 좋아 보여도 실제 현장에서는 데이터 수정과 지속적인 갱신이 필요해 성능이 쉽게 무너질 수 있다. [20:07]
- 보기 좋은 인터페이스보다 사용자 데이터에 유용한 결과를 내는 과정과 치명적인 예외 20%를 처리하는 설계가 중요하다. [20:46]
- 기존 업무 흐름과 분리된 AI 채팅창은 범용 챗봇과 차별화되지 않아 사용자의 호응을 얻기 어렵다. [21:20]
13. 만드는 사람과 쓰는 사람의 간극 줄이기
- 전통적인 IT 구축처럼 요구사항을 모아 외부에서 시스템을 만드는 방식은 실제 사용 후 워크플로우가 바뀌는 AI 프로젝트에 잘 맞지 않는다. [22:24]
- 구성원이 직접 AI를 사용하고 수정해야 하며, 수집된 요구사항 중 상당수는 에이전트보다 의사결정 품질 개선이 필요한 문제일 수 있다. [23:07]
14. 연결된 데이터와 현실적인 자동화
- 구글의 업무 도구처럼 이메일·캘린더 등 기존 데이터와 연결된 단순 자동화는 거대한 에이전트 시스템보다 환각과 오작동 가능성을 낮출 수 있다. [23:54]
- 비기술 기업과 대기업은 기대 수준을 낮추고 일상 업무 자동화와 ERP의 MCP 연결 같은 기반 인프라부터 구축해야 한다. [24:24]
- 구성원이 직접 써 봐야 자동화할 수 있는 과업과 그렇지 않은 과업을 구분하고 실제 워크플로우를 설계할 수 있다. [25:26]
15. 전략, 동기, 인지적 체력과 미래 리더십
- AX 실패 기업은 전문 인력 부족을 말하지만 성공 기업은 AI로 무엇을 할지에 관한 명확한 전략을 더 중요한 요인으로 꼽는다고 보여준다. [26:02]
- AI가 실행 격차를 증폭하는 시대에는 태도와 책임이 좋은 인재의 동기를 지키고, 리더 자신의 건강과 동기도 관리해야 한다. [27:23]
- 이해는 위임할 수 없으므로 학습할 인지적 공간을 유지해야 하며, 더 강력해진 개인들을 조율하고 다른 관점을 포용하는 리더에게 기회가 열린다는 결론으로 마무리한다. [29:07]
🧾 결론
- AI의 성과 격차는 도구 접근성보다 사용자의 동기와 태도에서 더 크게 벌어질 수 있다.
- 리더는 목적과 목표를 명확히 제시하되 실행 방법은 구성원이 탐색하도록 자율성을 보장해야 한다.
- AI 결과물의 외형적 완성도와 실제 업무 가치를 구분하고, 작성자가 검증 책임까지 지는 구조를 만들어야 한다.
- 리더십의 권위는 모든 답을 아는 데서 나오지 않으며, 불확실한 상황에서 더 나은 판단을 내리고 최종 결정에 책임지는 데서 나온다.
📈 투자·시사 포인트
- 기업의 AI 경쟁력을 평가할 때 단기 매출뿐 아니라 핵심 사용자 증가, 실험 횟수, 새로운 발견, 업무 적용률 같은 선행 지표를 함께 봐야 한다.
- 기존 이메일·캘린더·ERP 등 실제 데이터와 워크플로우에 자연스럽게 연결되는 AI 제품이 독립형 채팅 기능보다 채택 가능성이 높다.
- 전문 인력 부족만 강조하는 기업보다 AI로 해결할 문제와 우선순위가 명확한 기업이 제한된 인력으로도 AX 성과를 낼 가능성이 크다.
- 구성원의 자율성과 실행 속도가 커질수록 이를 조율하고 품질을 통제하는 리더십·거버넌스 역량의 가치도 함께 높아진다.
⚠️ 불확실하거나 확인이 필요한 부분
- 태만한 직원이 AI 슬롭을 계속 생성한다는 연구와 AI 기능을 배포한 회사의 절반가량이 기능을 외면한다는 통계는 연구명, 표본, 조사 시점이 제시되지 않아 별도 확인이 필요하다.
- AI ROI를 단기 재무 성과보다 복리 효과와 선행 지표로 평가해야 한다는 주장은 설득력이 있지만, 산업별로 어떤 지표가 실제 미래 매출과 연결되는지는 검증이 필요하다.
- 자율성과 빌더 마인드셋이 높은 성취의 핵심이라는 관점은 조직 규모, 직무 특성, 규제 수준에 따라 적용 범위가 달라질 수 있다.
- 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
- AI 산출물을 전달할 때 작성자가 출처, 사실 여부, 예외 사례를 확인하도록 완료 기준과 책임자를 명시한다.
- 새로운 AI 과제를 추가하기 전에 뒤로 미룰 업무와 중단할 업무를 구성원과 함께 결정한다.
- 매출 외에 핵심 사용자, 실험, 발견, 실제 사용률, 사이클 타임을 포함한 복합 성과 지표를 설계한다.
- 이메일·회의·캘린더·ERP처럼 반복적이고 데이터 연결이 쉬운 업무부터 자동화한다.
❓ 열린 질문
- 높은 동기와 빌더 마인드셋을 채용 단계에서 일관되게 판별하려면 어떤 행동 증거와 과제를 사용해야 하는가?
- AI 슬롭의 작성 비용과 검토자에게 전가되는 핸드오프 비용을 조직 차원에서 어떻게 측정할 수 있는가?
- 자율성을 높이면서도 잘못된 AI 판단의 위험과 책임 소재를 통제할 수 있는 최소한의 거버넌스는 무엇인가?
