AI 시대의 생산성은 생성량이 아니라 판단 통과율로 보아야 한다

구조로 키우는 프로덕트 조직 시리즈에서는, 프로덕트 조직을 「사람의 모임」이 아니라, 관측·판단·실행·회고가 흐르는 구조로 바라보았습니다.

지난 회차까지의 보충 설명에서는, 생성형 AI (Generative AI)에 의해 업무가 단순히 없어지는 것이 아니라, 업무 속에 포함되어 있던 작업·판단·책임·학습 경로가 분해된다는 이야기를 했습니다.

또한, 주니어(Junior)나 입문 직군에 대해서는, AI에 의해 주니어의 일이 사라진다기보다, 저위험 작업 속에 묻혀 있던 판단을 배우는 계단이 사라진다는 이야기를 했습니다.

이번에는 그 다음 이야기입니다.

테마는 AI 시대의 생산성입니다.

흔히 말하는 방식으로는,

AI로 생산성이 올라간다.

라는 이야기입니다.

이것은 상당 부분 맞다고 생각합니다.

AI를 통해 코드를 더 빠르게 작성할 수 있습니다.

자료도 빠르게 만들 수 있습니다.

회의록도 정리할 수 있습니다.

리뷰 코멘트(Review comment)도 늘릴 수 있습니다.

조사도 빨라집니다.

테스트 안도 낼 수 있습니다.

개선안도 대량으로 만들 수 있습니다.

하지만 여기서 주의할 점이 있습니다.

AI로 결과물이 늘어나는 것과 조직의 생산성이 올라가는 것은 같지 않습니다.

왜냐하면, 프로덕트 조직의 생산성은 단순히 결과물의 양으로 결정되지 않기 때문입니다.

중요한 것은, 그 결과물이 판단(Judgment)에 연결되었는가.

판단이 책임(Responsibility)에 연결되었는가.

책임이 기록으로 남았는가.

기록이 다음 학습에 사용되었는가.

재작업(Rework)이 줄었는가.

리뷰 부하가 낮아졌는가.

의사결정(Decision making)이 앞으로 나아갔는가.

여기까지 확인하지 않는다면, AI로 생산성이 올라갔다고 말할 수 없습니다.

이 기사에서는 AI 시대에 흔히 발생하는 「생성량」과 「생산성」의 혼동을 분석합니다.

AI로 결과물은 늘어난다

먼저, AI에 의해 결과물이 늘어나는 것 자체는 부정하지 않습니다.

오히려 늘어납니다.

코드.

설계안.

사양안.

회의록.

조사 메모.

문의 답변.

리뷰 코멘트.

테스트 케이스.

개선 제안.

릴리스 노트(Release note).

사용자 대상 문구.

사내용 설명 자료.

이것들은 AI를 통해 상당히 빠르게 만들 수 있게 됩니다.

이것은 편리합니다.

사용할 수 있다면 사용하는 편이 좋은 상황도 많을 것입니다.

지금까지 인간이 시간을 들여 했던 초안 작성, 정형화, 요약, 비교, 바꿔 쓰기, 후보 도출의 상당 부분은 AI로 압축할 수 있습니다.

따라서 AI 도입 후에 「결과물의 수」가 늘어나는 것은 자연스럽습니다.

PR(Pull Request)이 늘어난다.

자료가 늘어난다.

리뷰 코멘트가 늘어난다.

개선안이 늘어난다.

지식(Knowledge) 아티클이 늘어난다.

Slack으로의 요약 게시가 늘어난다.

티켓(Ticket)의 설명이 정돈된다.

회의 후 액션 아이템(Action item)이 깔끔하게 나온다.

언뜻 보기에는 조직이 빨라진 것처럼 보입니다.

하지만 여기서 한 번 멈춰야 합니다.

AI로 늘어나는 것은 정확히 말하면 성과가 아닙니다.

유입량입니다.

조직으로 들어오는 안, 문서, 코드, 논점, 지적, 후보, 제안이 늘어납니다.

그 자체로는 가치가 있습니다.

하지만 유입량만 늘어났다고 해서 생산성이 올라갔다고 단정할 수는 없습니다.

생성량은 생산성이 아니다

생성량이 늘어난 것과 생산성이 올라간 것은 다릅니다.

코드가 늘었다.

자료가 늘었다.

회의록이 늘었다.

리뷰 코멘트가 늘었다.

개선안이 늘었다.

그것만으로는 아직 아무것도 알 수 없습니다.

그 코드는 채택되었는가.

그 자료로 의사결정이 진행되었는가.

그 회의록은 다음 행동에 사용되었는가.

그 리뷰 코멘트는 중요한 리스크를 막았는가.

그 개선안은 실행되었는가.

그 결과물은 재작업을 줄였는가.

이 부분을 보아야 합니다.

생성물은 판단되어야 비로소 조직의 전진으로 이어집니다.

판단되지 않는 생성물은 정체됩니다.

채택되지 않는 생성물은 노이즈가 됩니다.

리뷰되지 않는 생성물은 리스크가 됩니다.

책임 경계가 없는 생성물은 사고의 입구가 됩니다.

기록되지 않는 판단은 학습이 되지 않습니다.

즉, AI 시대의 생산성을 볼 때 중요한 것은 생성량이 아닙니다.

생성물이 얼마나 판단을 통과했는가입니다.

여기서는 가칭으로 이를 「판단 통과율」이라고 부르겠습니다.

정식 지표명일 필요는 없습니다.

사고방식으로서 중요한 것은,

얼마나 만들었느냐가 아니라, 얼마나 판단에 연결되어 채택·기각·보류·학습으로 전환되었는가

를 보는 것입니다.

판단 대기만 늘어난 것이라면, 그것은 부하의 전이이다

AI 도입으로 흔히 발생할 수 있는 상황은, 만드는 쪽의 부하는 줄어들고 보는 쪽의 부하가 늘어나는 것입니다.

엔지니어가 AI로 코드를 빠르게 내놓는다.

하지만 리뷰하는 사람이 병목(Bottleneck)이 된다.

PdM(Product Manager)이 AI로 여러 가지 사양(Specification) 안을 내놓는다.

하지만 어떤 것을 채택할지 결정하는 회의가 늘어난다.

디자이너가 AI로 다량의 화면 안을 내놓는다.

하지만 사용자 경험(UX)으로서 무엇을 선택할지에 대한 판단이 무거워진다.

CS(Customer Success)가 AI로 개선 요청 사항을 정리한다.

하지만 어떤 것을 프로덕트에 반영할지에 대한 우선순위 지정이 막힌다.

경영진이나 매니저가 AI로 분석 자료를 늘린다.

하지만 결국 어떤 의사결정을 내릴지는 모호한 채로 남는다.

이 경우, AI에 의해 생산성이 올라갔다고 말할 수 있을까요?

경우에 따라 다릅니다.

만약 생성량이 늘어남으로써 판단이 앞으로 나아가고, 재작업(Rework)이 줄어들며, 학습이 진행되었다면, 확실히 생산성은 올라가고 있습니다.

하지만 생성물이 늘어났을 뿐, 판단 대기 시간이 늘어나고, 리뷰 대기 시간이 늘어나고, 확인 회의가 늘어나고, 책임자의 부하가 늘어났다면, 그것은 생산성 향상이 아닙니다.

부하의 이전입니다.

만드는 사람으로부터, 보는 사람에게로.

초안을 작성하는 사람으로부터, 판단하는 사람에게로.

구현하는 사람으로부터, 리뷰하는 사람에게로.

안을 내는 사람으로부터, 책임을 지는 사람에게로.

AI로 성과물이 늘어나도, 판단 대기가 늘어났을 뿐이라면, 그것은 생산성 향상이 아니라 판단 계통으로의 부하 이전입니다.

이 부분을 보지 않는 조직은, AI로 인해 바빠지기만 할 것입니다.

"AI를 쓰고 있는데, 왜인지 회의가 줄지 않는다"

"AI를 쓰고 있는데, 리뷰가 막힌다"

"AI를 쓰고 있는데, 의사결정이 느리다"

"AI를 쓰고 있는데, 재작업이 많다"

이것은 이상한 일이 아닙니다.

AI로 늘어난 유입량을 판단으로 전환하는 구조가 없기 때문입니다.

지식(Knowledge)이 늘어나도, 조직이 학습했다고 단정할 수 없다

AI 시대에는 지식 관리(Knowledge Management)도 강화됩니다.

Notion에 정리한다.

Confluence를 정비한다.

Slack 로그를 검색한다.

Issue를 요약한다.

PR(Pull Request) 이력을 읽는다.

과거의 의사결정을 AI가 참조하게 한다.

사내 문서를 AI에 연결한다.

이것은 유용합니다.

하지만, 여기에도 혼동이 있습니다.

지식이 늘어나는 것과, 조직이 학습하는 것은 다릅니다.

지식이란, 저장된 정보입니다.

조직 학습이란, 다음번의 판단이 바뀌는 것입니다.

이 두 가지는 비슷하지만, 같지는 않습니다.

사내에 정보가 늘어나도, 다음 의사결정이 바뀌지 않는다면, 조직은 학습하고 있지 않습니다.

실패 기록이 남아있어도, 같은 실패를 반복한다면, 조직은 학습하고 있지 않습니다.

과거의 의의록을 검색할 수 있어도, 판단 기준이 갱신되지 않는다면, 조직은 학습하고 있지 않습니다.

AI가 사내 지식을 읽을 수 있어도, 그 지식의 신선도, 적용 범위, 예외 조건, 현재 운용과의 괴리를 다룰 수 없다면, 그것은 학습이 아닙니다.

지식이 늘어났을 뿐인 조직은, 학습한 조직이 아닙니다.

검색 가능한 과거가 늘어났을 뿐입니다.

조직 학습이란, 예를 들어 다음과 같은 것입니다.

실패로부터 리뷰 관점이 바뀐다.

과거의 판단으로부터 릴리스 게이트(Release Gate)가 바뀐다.

사고로부터 권한 설계가 바뀐다.

재작업으로부터 사양 확인 순서가 바뀐다.

채용 실수로부터 면접 기준이 바뀐다.

AI 출력의 오류로부터 검증 조건이 바뀐다.

오래된 규칙이 폐지된다.

사용해서는 안 되는 판단 기준이 명시된다.

여기까지 가야, 비로소 조직이 학습하고 있다고 말할 수 있습니다.

AI로 지식을 늘릴 수는 있습니다.

하지만, 지식을 판단 기준의 갱신으로 전환할 수 없다면, 조직은 똑똑해지지 않습니다.

AI 리뷰로 지적 사항이 늘어나도, 리뷰 능력이 올라갔다고는 할 수 없다

AI 리뷰도 편리합니다.

코드의 문제를 지적한다.

테스트 누락을 지적한다.

네이밍(Naming)을 고친다.

문서 부족을 나타낸다.

보안상의 주의 사항을 내놓는다.

설계상의 우려 사항을 열거한다.

문장의 모호함을 지적한다.

이것은 상당히 도움이 되는 장면이 있습니다.

하지만, AI 리뷰로 지적 사항이 늘어난 것과, 리뷰 능력이 올라간 것은 다릅니다.

리뷰의 목적은, 지적 수를 늘리는 것이 아닙니다.

중요한 리스크를 막는 것.

재작업을 줄이는 것.

설계 판단을 좋게 하는 것.

후속 작업자가 판단할 수 있게 하는 것.

같은 문제를 반복하지 않도록 하는 것.

이것이 리뷰의 가치입니다.

AI가 대량의 지적을 내놓아도, 어떤 것이 본질적인지 모른다면, 리뷰 부하는 늘어납니다.

별로 중요하지 않은 지적이 늘어나면, 중요한 지적이 묻히게 됩니다.

지적받은 사람이 무엇을 배워야 할지 모른다면, 육성이 되지 않습니다.

같은 지적이 몇 번이고 나온다면, 조직의 판단 기준은 갱신되지 않고 있습니다.

AI 리뷰로 지적 사항이 늘어나도, 판단 기준이 성장하지 않는다면, 리뷰 품질이 올라간 것이 아니라 노이즈 처리 작업이 늘어난 것뿐입니다.

봐야 할 것은, 지적 수가 아닙니다.

• 중요한 리스크를 막았는가
• 재작업 (rework)이 줄었는가
• 동일한 지적이 재발하지 않게 되었는가
• 리뷰 관점이 명시되었는가
• 주니어 (junior)가 다음에 스스로 판단할 수 있게 되었는가
• AI 지적 중 채택, 기각, 보류의 이유가 남았는가

입니다.

AI 리뷰는 리뷰 능력의 보조 수단은 됩니다.

하지만, 리뷰 능력 그 자체는 아닙니다.

숙련도 의존 (属人化, Siloization)을 AI로 옮겨도, 숙련도 의존 해소가 아니다

AI 활용에서는 숙련도 의존 (属人化) 해소도 자주 언급됩니다.

베테랑의 지식을 AI에 넣는다.

과거의 대응 이력을 AI에게 읽힌다.

사내 지식 (knowledge)을 AI가 검색하게 한다.

암묵지 (tacit knowledge)를 AI로 공유한다.

이것도 유용합니다.

하지만, 여기에도 혼동이 있습니다.

숙련도 의존 (属人化)의 본체는 정보의 소재만이 아닙니다.

숙련도 의존 (属人化)의 본체는 판단 기준, 예외 처리, 책임 경계, 우선순위, 상담 타이밍이 특정 개인에게 닫혀 있다는 것입니다.

'저 사람이라면 위험한 안건을 간파할 수 있다.'

'저 사람이라면 고객의 예외 상황을 판단할 수 있다.'

'저 사람이라면 사양 변경의 영향 범위를 안다.'

'저 사람이라면 어디서 멈춰야 할지 안다.'

'저 사람이라면 과거의 경위를 바탕으로 판단할 수 있다.'

이 상태가 숙련도 의존 (属人化)입니다.

그 사람의 발언이나 이력을 AI에게 읽게 해도, 판단 기준이 명시되어 있지 않다면 숙련도 의존 (属人化)은 사라지지 않습니다.

애초에 발언이나 이력을 AI에게 읽게 한다고 해서, AI가 그 사람과 동일한 판단을 할 수 있다고 단정할 수 없습니다. 판단 기준이 명시되어 있지 않다면, 인간의 블랙박스를 AI와 연결된 또 다른 블랙박스로 교체했을 뿐입니다.

정말로 숙련도 의존 (属人化)을 해소하려면, 필요한 것은 지식의 이식만이 아닙니다.

• 무엇을 위험하다고 보는가
• 어떤 예외를 허용하는가
• 어떤 조건에서는 멈추는가
• 누구에게 보고하는가
• 어떤 과거의 판단은 지금도 유효한가
• 어떤 판단 기준은 이제 폐지되었는가
• 실패 시 누가 책임을 지는가

를 명시해야 합니다.

AI는 숙련도 의존 (属人化) 해소의 보조 수단은 됩니다.

하지만, 숙련도 의존 (属人化)되어 있던 판단 구조를 명시하지 않은 채 AI에 연결해도, 그것은 숙련도 의존 (属人化)의 해소가 아닙니다.

숙련도 의존 (属人化)의 위치를 바꾼 것뿐입니다.

직능 초월은 작업 면에서는 진전되지만, 책임 면에서는 별개의 문제이다

AI에 의해 직능의 경계는 확실히 흔들립니다.

엔지니어가 디자인 안을 만든다.

PdM이 SQL을 작성한다.

디자이너가 간단한 구현을 확인한다.

CS가 개선안을 정리한다.

비즈니스 (Biz) 측에서 프로토타입을 만든다.

누구나 그럴듯한 문장을 쓸 수 있다.

누구나 그럴듯한 자료를 만들 수 있다.

이것은 좋은 점이기도 합니다.

직능 간의 벽이 낮아져 시제품 제작이나 커뮤니케이션이 빨라집니다.

하지만, 여기서도 작업과 책임을 구분할 필요가 있습니다.

AI로 직능의 작업 면은 초월하기 쉬워집니다.

하지만, 직능의 책임까지 초월할 수 있다고는 할 수 없습니다.

화면 안을 만들 수 있는 것과, 사용자 경험 (UX)의 책임을 질 수 있는 것은 다릅니다.

SQL을 작성할 수 있는 것과, 데이터 해석의 책임을 질 수 있는 것은 다릅니다.

코드를 작성할 수 있는 것과, 유지보수성이나 장애 발생 시의 책임을 질 수 있는 것은 다릅니다.

사양 안을 작성할 수 있는 것과, 사업 판단·사용자 영향·개발 부하의 트레이드오프 (trade-off)를 감당하는 것은 다릅니다.

직능이란 작업의 집합이 아닙니다.

판단 책임의 묶음이기도 합니다.

AI에 의해 작업만이 초월하면 편리해집니다.

하지만 책임 면까지 모호하게 초월하면 사고가 발생합니다.

누가 최종 판단했는가.

누가 품질을 담보했는가.

누가 사용자 영향을 고려했는가.

누가 기술 부채를 떠안았는가.

누가 운영 책임을 갖는가.

이 부분이 모호해지기 때문입니다.

AI 시대의 직능 초월은 작업 초월로서는 환영할 만합니다.

다만, 책임 초월은 설계가 필요합니다.

매니저 불필요론은 매니지먼트를 진척 파악으로 축소하고 있다

AI 시대에는 매니저 불필요론도 나옵니다.

AI가 진척을 확인하면 된다.

AI가 1on1을 요약하면 된다.

AI가 태스크 (task)를 할당하면 된다.

AI가 리스크를 나열하면 된다.

AI가 멤버의 상태를 분석하면 된다.

이것도 일부는 맞습니다.

AI는 매니지먼트 업무의 일부를 보조할 수 있습니다.

진척 요약.

회의록 정리.

태스크 (task) 도출.

리스크 나열.

목표 문구 조정.

평가 메모 초안 작성.

1on1 메모 정리.

이것들은 AI로 상당히 편해집니다.

하지만, 그것을 근거로 매니저가 불필요하다고 생각한다면, 매니지먼트를 매우 좁게 보고 있는 것입니다.

매니지먼트는 진척 파악만이 아닙니다.

우선순위를 결정한다.

마찰을 다룬다.

사람을 보호한다.

권한을 위임한다.

육성 기회를 설계한다.

평가의 납득성을 만든다.

책임 경계를 명확히 한다.

조직의 모호함을 줄인다.

상위 판단으로 올려야 할 논점을 분리한다.

단기 성과와 장기 육성의 균형을 맞춘다.

이것들은 단순한 정보 정리가 아닙니다.

매니저의 업무를 진척 파악이라고 생각하는 조직일수록, AI로 매니저를 대체할 수 있다고 생각합니다.

하지만 실제로 필요한 것은, 매니저의 정보 정리 업무를 AI로 가볍게 만들고, 그만큼 판단·육성·권한 위임·마찰 처리(Friction handling)에 시간을 쓰는 것입니다.

AI로 매니저가 불필요해지는 것이 아닙니다.

AI에 의해, 매니저가 본래 해야 할 판단 구조의 설계가 드러나는 것이라고 생각합니다.

AI 시대의 자주성(Self-driving ability)은 마음대로 진행하는 능력이 아니다

AI 시대에는 '자주적으로 움직일 수 있는 사람'이 더욱 중요하다고 말합니다.

이는 상당히 옳은 말이라고 생각합니다.

AI를 사용할 줄 아는 사람은 스스로 조사하고, 스스로 초안을 작성하고, 스스로 시제품을 만들고, 스스로 비교안을 만들 수 있게 됩니다.

이를 통해 개인의 전진력은 올라갑니다.

하지만 여기서도 주의가 필요합니다.

자주성이란 마음대로 진행하는 것이 아닙니다.

AI를 사용하면 혼자서 진행하는 능력은 상당히 올라갑니다.

혼자서 사양안을 만든다.

혼자서 코드를 작성한다.

혼자서 자료를 만든다.

혼자서 개선안을 낸다.

혼자서 고객용 문구를 만든다.

혼자서 분석한다.

하지만 그것이 항상 좋은 것은 아닙니다.

정말로 필요한 자주성이란,

• 스스로 진행해도 되는 범위를 안다
• 멈춰야 할 경계를 안다
• 사람에게 보고해야 할 리스크를 안다
• AI 안을 기각할 수 있다
• 판단 이유를 남길 수 있다
• 상담 타이밍을 틀리지 않는다
• 책임자의 판단이 필요한 지점을 꿰뚫어 본다

것입니다.

AI 시대의 자주성이란, AI를 사용하여 혼자서 진행하는 능력이 아닙니다.

어디서부터 스스로 진행해서는 안 되는지를 판단할 수 있는 능력입니다.

이 구분은 상당히 중요합니다.

자주성을 '스스로 계속 진행하는 능력'으로만 본다면, AI 시대에는 위험한 사람이 늘어납니다.

자신감을 가지고, 빠르게, 그럴듯하게, 잘못된 방향으로 나아가는 사람입니다.

정말로 강한 사람은 빠르게 진행할 뿐만 아니라, 멈춰야 할 곳에서 멈출 수 있습니다.

AI 시대에 바라봐야 할 생산성 지표

그렇다면 AI 시대의 생산성은 무엇으로 보아야 할까요?

물론 단일한 만능 지표는 없습니다.

하지만 생성량(Generation volume)만 보는 것은 위험합니다.

봐야 할 것은, 생성물이 판단·책임·학습으로 연결되었는가입니다.

예를 들어, 다음과 같은 관점이 있습니다.

• AI 생성물의 채택률
• AI 생성물의 기각 이유 기록률
• 리뷰 대기 시간
• 판단 대기 시간
• 재작업률 (Rework rate)
• 릴리스 후 반려율
• 동일한 리뷰 지적의 재발률
• AI 리뷰 지적의 채택률
• 지식(Knowledge) 업데이트율
• 오래된 규칙의 폐지율
• 사고 후의 판단 기준 업데이트 수
• 에스컬레이션(Escalation)의 질
• 상위 판단으로 올려야 할 논점의 누락
• AI 출력으로 인한 확인 부하의 증감
• 주니어(Junior)가 획득한 판단 기준의 기록

중요한 것은 지표를 늘리는 것이 아닙니다.

무엇을 보면 생성량이 아니라 판단의 전진을 측정할 수 있을지를 생각하는 것입니다.

예를 들어, PR(Pull Request) 수만 보면 AI로 생산성이 올라간 것처럼 보일지도 모릅니다.

하지만 리뷰 대기가 늘어나고, 재작업이 늘어나며, 릴리스 후 반려가 늘어나고 있다면 그것은 생산성 향상이 아닙니다.

자료 작성 시간만 보면 AI로 효율화된 것처럼 보일지도 모릅니다.

하지만 의사결정 회의가 늘어나고, 판단 대기가 늘어나며, 책임자의 확인 부하가 늘어나고 있다면 그것은 생산성 향상이 아닙니다.

지식(Knowledge) 아티클 수만 보면 조직 학습이 진행된 것처럼 보일지도 모릅니다.

하지만 오래된 규칙이 폐지되지 않고, 같은 실수가 반복되며, 판단 기준이 업데이트되지 않고 있다면 그것은 학습이 아닙니다.

AI 시대의 생산성은 생성량이 아니라, 판단 통과율로 본다.

이 정도의 감각이 필요해집니다.

이 기사에서 얻어갈 수 있는 것

AI 시대의 생산성을 생각한다면 다음 질문들을 살펴보는 것이 좋습니다.

• AI로 늘어난 결과물은 누가 판단하고 있는가
• 생성량이 아니라 채택률이나 기각 이유를 보고 있는가
• AI 도입 후, 리뷰 부하는 낮아졌는가, 높아졌는가
• 판단 대기 시간은 줄었는가
• 재작업은 줄었는가
• 동일한 리뷰 지적은 줄었는가
• 지식(Knowledge)은 늘어나기만 했는가, 판단 기준이 업데이트되었는가
• 개인화(Silo/Individualization)는 해소되었는가, AI에 이식되었을 뿐인가
• 직능 초월(Cross-functional)은 책임 경계를 포함하여 설계되어 있는가
• 매니지먼트를 진척 파악으로 축소하고 있지는 않은가
• 자주성을 마음대로 진행하는 능력으로 오해하고 있지는 않은가
• AI 도입으로 조직이 정말로 학습하게 되었는가

중요한 것은 AI로 무엇이 늘었느냐가 아닙니다.

AI로 늘어난 것이 무엇을 앞으로 나아가게 했느냐입니다.

요약

AI에 의해 결과물은 늘어납니다.

코드.

자료.

회의록.

리뷰 코멘트 (Review comment).

개선안.

조사 메모.

지식 아티클 (Knowledge article).

테스트 안.

문의 답변.

이것들은 확실히 늘어납니다.

하지만, 결과물이 늘어난 것과 생산성이 올라간 것은 같지 않습니다.

생성물이 판단 (Judgment)에 연결되지 않으면, 정체됩니다.

판단되지 않으면, 노이즈 (Noise)가 됩니다.

책임 경계 (Responsibility boundary)가 없으면, 사고의 입구가 됩니다.

기록되지 않으면, 학습 (Learning)이 되지 않습니다.

재작업 (Rework)이 늘어나면, 부채 (Debt)가 됩니다.

리뷰 부하 (Review load)가 늘어나면, 판단 계통이 막힙니다.

AI 시대에 보아야 할 것은 생성량이 아닙니다.

생성물이 판단에 연결되었는가.

판단이 책임에 연결되었는가.

책임이 기록에 남았는가.

기록이 다음 학습에 사용되었는가.

그 결과, 재작업이 줄었는가.

리뷰 부하가 낮아졌는가.

의사결정이 앞으로 나아갔는가.

거기까지 확인한 후에야 비로소 생산성을 논해야 합니다.

AI 시대에 강한 조직은, 많이 생성할 수 있는 조직이 아닙니다.

생성물을 판단으로 바꾸고, 판단을 책임에 연결하며, 책임을 기록에 남기고, 기록을 다음 학습으로 바꿀 수 있는 조직입니다.

즉, AI 시대의 생산성이란 만드는 속도만이 아닙니다.

판단이 앞으로 나아가는 속도입니다.

Discussion