기업마다 AX를 외친다. 회의는 AI가 정리하고, 고객 문의는 챗봇이 답하며, 보고서와 제안서도 AI가 초안을 작성한다. 과거 공장에 컨베이어벨트와 로봇이 들어왔듯 이제 사무실의 업무도 빠르게 자동화되고 있다. 그러나 자동화할 수 있다는 사실이 꼭 자동화를 해야 한다는 뜻은 아니다. 복잡하고 비효율적인 업무에 AI를 연결하면 일이 효율적으로 바뀌는 것이 아니라, 기존의 비효율이 더 빠르게 반복될 수 있다. 산업혁명 이후 자동화의 역사를 보면 성공과 실패를 가른 차이는 분명하다. 성공적인 자동화는 인간과 기계가 각자 잘하는 일을 나누고 협력하도록 설계했다. 반대로 실패한 자동화는 기술이 인간을 완전히 대체할 수 있다는 믿음에서 출발했다. 성공한 자동화가 인간과 기계의 협동이었다면, 실패한 자동화는 인간을 배제한 기술 만능주의였다.

우리는 지금 일을 자동화하려는 것인가
아니면 비효율을 자동화하려는 것인가

포드는 기계보다 공정을 먼저 설계했다

헨리 포드의 T형 자동차 생산 라인 (1913년)

1913년 포드는 이동식 조립라인을 도입했다. 자동차가 한 장소에 멈춰 있고 작업자가 주변을 이동하던 방식에서 벗어나, 자동차가 컨베이어를 따라 작업자 앞으로 이동하는 방식이었다. 성공의 핵심은 컨베이어벨트 자체가 아니었다. 자동차 생산을 작은 작업 단위로 나누고, 일정한 순서에 따라 반복할 수 있도록 만든 공정 설계가 먼저였다.

컨베이어벨트, 작업자는 멈춰있고 자동차가 이동하는 생산라인

어떤 작업자가 어떤 부품을 어떤 순서로 조립해야 하는지 정리되지 않았다면 컨베이어는 생산성을 높이지 못했을 것이다. 혼란만 더 빠르게 다음 공정으로 전달했을 가능성이 크다. 포드가 자동화한 것은 생산 전체가 아니라, 이미 반복할 수 있도록 정리된 작업의 흐름이었다.

여기서 AX의 첫 번째 원칙이 나온다.

반복할 수 없는 일은 자동화할 수도 없다.

담당자마다 보고서 형식이 다르고, 부서마다 고객을 분류하는 기준이 다르며, 결재자에 따라 판단이 달라진다면 AI를 도입해도 일관된 결과를 얻기 어렵다. AI가 부족해서가 아니라 AI가 따라야 할 공정이 없기 때문이다.

좋은 자동화는 역할을 다시 나눈다

모든 것을 자동화하겠다는 판타지

자동화라고 하면 사람이 하던 일을 기계가 대신하는 장면을 떠올리기 쉽다. 그러나 성공한 자동화는 인간을 제거하기보다 인간과 기계의 역할을 다시 설계했다. 기계는 반복, 속도, 정밀도, 대량 처리에 강하다. 사람은 맥락을 이해하고, 예상하지 못한 상황에 대응하며, 여러 조건 사이에서 우선순위를 판단하는 데 강하다. 좋은 자동화는 이 차이를 인정한다. 기계에는 반복 가능한 작업을 맡기고, 사람에게는 예외 처리와 판단을 맡긴다. 자동화 시스템은 사람을 몰아내는 장치가 아니라, 사람이 더 중요한 판단에 집중하도록 돕는 장치가 된다.

생성형 AI도 마찬가지다. AI는 문서를 요약하고, 형식을 변환하고, 자료를 분류하며, 초안을 만드는 데 유용하다. 그러나 어떤 문제가 중요한지 결정하고, 결과가 상황에 적절한지 판단하며, 오류에 책임지는 일은 사람의 몫이다. 좋은 AX는 사람을 AI로 바꾸는 프로젝트가 아니다. 사람과 AI가 하나의 업무 흐름 안에서 서로의 약점을 보완하도록 만드는 프로젝트다.

테슬라는 인간의 유연성을 과소평가했다

모델 3의 '생산 지옥' (2018년)

테슬라는 모델 3 생산 초기 높은 수준의 자동화를 추진했다. 사람의 개입을 최소화한 미래형 공장을 만들겠다는 구상이었다. 그러나 사람에게는 간단한 조립 작업이 로봇에게는 예상보다 복잡했다. 자동화 설비가 생산 흐름의 병목이 되기도 했다. 결국 일론 머스크는 과도한 자동화가 자신의 실수였으며 인간의 능력을 과소평가했다고 인정했다.

제조 지옥의 시작, 주당 5,000대 생산 목표였지만, 1,000대도 생산하지 못했다.

사람은 부품의 위치가 조금 달라지거나 예상하지 못한 문제가 생겨도 상황을 보고 대응한다. 반면 자동화 시스템은 정해진 조건에서 벗어나는 순간 멈추거나 오류를 일으킨다. 테슬라의 문제는 단순히 로봇의 성능이 부족했다는 데 있지 않았다. 인간이 수행하던 유연한 판단과 적응 능력을 고려하지 않은 채, 기술이 사람을 대체할 수 있다고 믿은 데 있었다. 실패한 자동화는 대개 이런 기술 만능주의에서 출발한다. 사람을 비효율의 원인으로 보고, 공정에서 제거할수록 시스템이 더 정확하고 빠르게 작동할 것이라고 믿는다.

그러나 현실의 업무는 예외 상황에서 더 많은 문제를 일으킨다. 사람을 배제한 시스템은 예외를 처리하지 못하고 멈추거나, 잘못된 결과를 그대로 다음 단계로 전달한다. 생성형 AI도 비슷하다. 문제는 AI가 아무것도 만들지 못하는 데 있지 않다. 오히려 AI는 거의 언제나 무언가를 만들어낸다. 틀린 답도 빠르게 만들고, 필요 없는 보고서도 대량으로 생산하며, 잘못 설계된 의사결정 구조도 성실하게 반복한다. 불필요한 보고서를 AI로 더 많이 만들게 됐다면 그것은 혁신이 아니라 낭비의 생산능력을 확대한 것이다.

토요타는 인간의 개입을 설계했다

"인간의 손길이 가미된 지능적 자동화" 지도카(Jidoka) (20세기 후반)

토요타 생산방식의 핵심 개념인 ‘지도카’는 흔히 ‘사람의 지혜가 포함된 자동화’로 번역된다. 기계가 이상을 감지하면 스스로 멈추고, 작업자도 품질 문제가 생겼을 때 생산라인을 중단할 수 있도록 하는 방식이다. 중요한 것은 기계가 스스로 작동한다는 점이 아니다. 문제가 생겼을 때 사람이 개입할 수 있도록 자동화가 설계돼 있다는 점이다.

‘인간을 제거한 자동화가 아니라 인간과 기계가 협력하는 자동화’

기계는 이상을 감지하고 공정을 멈춘다. 사람은 원인을 찾고, 같은 문제가 반복되지 않도록 공정을 개선한다. 기계가 반복과 감지를 맡고, 인간이 판단과 개선을 맡는 구조다. 토요타는 인간을 생산 시스템에서 제거하지 않았다. 오히려 인간의 판단을 시스템 안에 포함시켰다. 좋은 자동화는 인간이 개입하지 못하게 만드는 것이 아니다. 인간이 언제, 어디에, 어떤 방식으로 개입해야 하는지를 명확히 만드는 것이다.
 

AX도 마찬가지다. AI가 고객 문의에 답하더라도 민감한 불만이나 예외적인 문제는 상담원에게 연결해야 한다. AI가 계약서를 검토하더라도 법적 판단과 최종 책임은 전문가에게 남겨야 한다. AI가 디자인 시안을 만들더라도 브랜드 방향과 최종 선택은 사람이 결정해야 한다. 자동화의 완성도는 사람의 개입이 없는 상태가 아니라, 사람의 개입이 가장 효과적인 지점에 배치된 상태에서 높아진다.

AI 자동화 전에 제거하고, 단순화하고, 표준화하는 것이 먼저다

자동화 전에 먼저 공정을 정리해야 한다. 그 업무가 정말 필요한지 묻고, 불필요한 단계와 중복된 승인, 사용되지 않는 문서를 없애야 한다. 그다음 입력 정보와 판단 기준, 결과물의 형식을 표준화하고, 반복되는 부분만 AI에 맡겨야 한다. 순서는 다음과 같아야 한다. 제거하고, 단순화하고, 표준화한 뒤 자동화한다.

불필요한 보고서를 AI로 빠르게 만드는 것보다 보고서 자체를 없애는 편이 낫다. 다섯 단계의 승인을 자동화하는 것보다 승인 단계를 두 단계로 줄이는 편이 더 큰 혁신일 수 있다. 여러 부서가 같은 데이터를 반복해서 입력하고 있다면, 입력 업무를 AI로 대체하기 전에 데이터가 한 번만 입력되도록 구조를 바꿔야 한다. AI는 복잡한 공정을 빠르게 실행할 수 있지만, 그 공정이 필요한지까지 판단해주지는 않는다.

AI는 공정을 고쳐주지 않는다

많은 기업이 AX를 기술 도입 프로젝트로 시작한다. 어떤 AI를 사용할지, 어떤 솔루션을 계약할지, 몇 개의 업무를 자동화할지가 먼저 논의된다. 그러나 더 중요한 질문은 따로 있다.

• 이 업무는 왜 존재하는가.
• 누가 이 결과물을 사용하는가.
• 없애도 되는 단계는 무엇인가.
• 사람이 판단해야 하는 예외는 어디에 있는가.
• AI가 틀렸을 때 누가 발견하고 책임지는가.

이 질문에 답하지 않은 채 AI를 연결하면 조직은 새로운 일을 얻게 된다. AI가 작성한 문장을 검토하고, 잘못된 정보를 확인하고, 여러 결과 중 하나를 선택하며, 시스템 오류를 다시 사람이 처리해야 한다. 작업시간은 줄었지만 검토시간이 늘어난다. 작성자는 줄었지만 승인자는 더 바빠진다. 자동화가 노동을 없애는 대신 새로운 관리 노동을 만드는 것이다.

따라서 AX의 성과를 자동화 건수나 생성 속도로 평가해서는 안 된다. 보고서를 몇 분 만에 만들었는지가 아니라 의사결정이 빨라졌는지를 봐야 한다. 챗봇이 몇 건의 문의에 답했는지가 아니라 고객의 문제가 실제로 해결됐는지를 확인해야 한다. 자동화의 목표는 일을 더 많이 만드는 것이 아니라, 필요한 일을 더 적은 과정으로 끝내는 것이기 때문이다.

AX는 기술이 아니라 업무 재설계다

모든 공정을 완벽하게 정리한 뒤에야 AI를 도입해야 하는 것은 아니다. 작은 업무에 먼저 적용하고, 어디에서 오류와 예외가 발생하는지 관찰할 수 있다. 중요한 것은 대규모 자동화부터 시작하지 않는 것이다. 작은 범위에서 시험하고, 실무자가 오류를 기록하며, 반복되는 문제를 바탕으로 공정과 자동화 범위를 다시 조정해야 한다. 단순화하고, 자동화하고, 사람이 검증하고, 다시 단순화하는 것. 이 반복이 AX의 실제 과정에 가깝다.

산업 자동화의 역사가 보여주는 것은 분명하다. 포드는 반복 가능한 공정을 먼저 만들었고, 토요타는 인간과 기계가 협력하도록 개입 지점을 설계했다. 반대로 테슬라는 인간의 유연성을 과소평가하며 과도한 자동화의 병목을 경험했다. 성공한 자동화는 인간과 기계의 차이를 인정했다. 실패한 자동화는 그 차이를 기술이 곧 없앨 수 있다고 믿었다.

성공적인 AX 역시 AI가 잘하는 반복과 변환, 분류와 생성을 맡기고, 사람은 목표를 설정하고 예외를 판단하며 결과에 책임지는 구조를 만들어야 한다. 결국 AX는 AI를 얼마나 많이 사용하는가의 문제가 아니다. 조직의 일을 얼마나 명확하게 정의하고, 불필요한 과정을 얼마나 과감하게 없애며, 사람과 AI의 역할을 얼마나 정확하게 나누는가의 문제다.

공장이 어지러운 상태에서 더 빠른 컨베이어벨트를 설치하면 혼란도 더 빠르게 이동한다. 인간을 배제한 채 AI에 모든 판단을 맡기면 오류 역시 더 빠르고 넓게 확산된다. AI를 도입하기 전에 먼저 물어야 한다. 우리는 지금 일을 자동화하려는 것인가. 아니면 비효율을 자동화하려는 것인가.