「이것 좀 요약해 줘」, 「이걸 이메일 문구로 만들어 줘」. 익숙해지면 부탁하는 범위도 넓어집니다. 「임원 보고용으로 1장으로 정리해 줘」, 「이 슬라이드로 발표 원고를 만들어 줘」.

하지만 나열해 보면 모두 같은 형태를 띠고 있습니다. 무엇을 할지 결정하고, 재료를 모으고, 태스크(Task)까지 나눈 뒤의——**마무리(仕上げ)**를 부탁하고 있는 것입니다. 저는 줄곧 이랬고, 확실히 작업은 빨라졌지만 퇴근 시간은 1분도 변하지 않았습니다.

혹시 겪어본 적 없으신가요?

• AI가 제대로 일을 하게 만들기 위해 배경·경위·목적·방향성을 프롬프트(Prompt)에 정성스럽게 적어 넣는 시간이 점점 늘어났다
• 부하 직원의 설계서를 「리뷰해 줘」라고 던졌더니, 무난한 지적만 돌아와서 결국 내가 전부 다시 읽었다
• AI로 30분을 아낀 날도, 그 30분은 어느샌가 다른 안건의 상황 확인에 사라져 있었다

전부 조금 전의 제 모습입니다. 그리고 당시에는 「내가 사용법이 서툰 거겠지」라고 생각했습니다.

이 기사는 원인이 사용법의 숙련도가 아니라 업무 구조에 있었다는 것을 깨닫기까지의 이야기와, 업무를 5가지로 나누어 하나씩 고쳤을 때 어떤 일이 일어났는지에 대한 실측 기록입니다.

작성자: SIer에서 약 50개 안건을 병행해 온 현직 관리직입니다. AI를 채팅 상대가 아니라 「업무의 시스템」으로 편입시키는 실험을 계속하고 있으며, 그 실측 기록을 쓰고 있습니다.

이 기사의 대상: ChatGPT를 업무에 사용하고는 있지만, 바쁨이 변하지 않는 SE·PM·관리직 분들. 툴의 기본 조작이나 도입 절차에 대해서는 다루지 않습니다.

먼저, 이것이 당신 개인의 문제가 아니라는 것을 숫자로 확인하겠습니다.

퍼솔 종합연구소의 조사 (2026년 3월 공개)에 따르면, 생성 AI(Generative AI)로 업무 시간을 단축하고 있는 이용자는 25.4%에 그칩니다. 게다가 단축에 성공한 사람조차 아낀 시간의 61.2%는 결국 업무에 재투입되며, 그중 75.4%는 일상 업무로 사라집니다. 「AI로 시간이 남는다 → 남은 만큼 다른 일이 들어온다」가 전국 평균의 모습입니다.

이와 별개로, 퍼솔 그룹 산하의 조사 (ITmedia 보도, 전국 정규직 종사자 3,000명)에서는 생성 AI의 이용 빈도가 높을수록 잔업 시간이 길다는 역전 현상이 나타나고 있습니다 (주 4일 이상 사용하는 헤비 유저는 잔업이 주 8.34시간, 비이용자는 주 4.99시간). 많이 사용할수록 더 바쁩니다.

기업 단위도 마찬가지입니다. MIT 연구팀이 2025년에 발표한 조사 (MIT NANDA 『The GenAI Divide: State of AI in Business 2025』)에서는, 생성 AI 도입 파일럿(Pilot)의 95%가 손익에 측정 가능한 효과를 내지 못하고 있다고 보고되었습니다 (300건 이상의 도입 사례 분석·52건의 인터뷰·153건의 경영진 서베이 기반).

도구는 이만큼 보급되었는데 시간은 줄어들지 않았습니다. 이는 「더 잘 다루면 편해질 것이다」라는 방향의 노력으로는 이 문제를 해결할 수 없다는 뜻이 됩니다.

어느 날, 자신의 일주일간 시간 사용법을 업무 단위로 써 보았습니다. 나열된 항목은 다음과 같았습니다.

• 「그 안건, 어떻게 되어가고 있어?」를 매일 몇 건씩 물어보러 다님
• 수집한 보고를 읽고, 부족한 정보를 다시 물으러 감
• 올라온 자료를 읽고, 보고용으로 다시 정리함

시간이 녹아내리고 있었던 것은 무언가를 판단하는 시간이 아니라, 판단의 재료를 모으고 처리하는 시간이었습니다. 반면, 본래 해야 할 「결정하는」 업무——어느 안건에 인력을 투입할지, 어떤 리스크에 먼저 손을 쓸지, 이 견적으로 수주해도 될지——에 쓸 수 있었던 시간은 아주 적었습니다. 의사결정이 업무여야 하는데, 정보 수집이 업무가 되어 있었던 것입니다.

여기서 서두의 공감 사례를 되돌아보면, 같은 구조를 하고 있다는 것을 깨닫게 됩니다.

• 「태스크까지 나눈 뒤에 던진다」— 무엇을 할지 결정하고 나누는 것까지가 업무의 무거운 부분인데, 그 부분은 AI에게 넘기지 않았다
• 「배경·경위·목적을 프롬프트에 정성스럽게 적어 넣는다」— 그 설명의 내용이야말로 상류(Upstream)의 상황 정리 그 자체. 게다가 형식이 없기 때문에, AI를 작동시킬 때마다 가장 무거운 부분을 매번 처음부터 손으로 쓰고 있다

즉, 시간을 잡아먹는 상류 (모으기·읽기·정리하기·결정하기)는 인력 그대로 둔 채, AI에게는 하류 (마무리)만 넘기고 있었던 것입니다. 작업이 빨라져도 바쁨이 변하지 않는 것은 당연했습니다.

상류에 AI를 도입한다고 해도 업무 전체를 한 번에 바꿀 수는 없습니다. 업무마다 상류의 형태가 다르기 때문입니다. 저는 제 업무를 5가지로 나누었습니다.

• 안건·태스크 상황 파악
• 결과물 품질 리뷰 (Review)
• 정보의 홍수 대응 (메일·채팅·문서)
• 자료·문서 작성
• 팀 평가·육성

나누어 보니, AI 활용 정도는 업무마다 제각각이었습니다. 자료 작성은 AI를 사용하고 있는데, 안건 파악은 완전히 수작업으로 이루어지는 일이 흔히 발생합니다.

그리고 또 하나 중요한 점은, 모든 업무에는 "매번 AI에게 부탁하기"와 "시스템이 자동으로 돌아가기" 사이에 벽이 있다는 것입니다. 매번 부탁하는 방식은, 부탁할 때마다 상황을 설명하는 비용 (= 상류 (Upstream) 작업)을 자신이 계속 지불해야 합니다. 시스템화는 그 상류 작업 자체를 AI에게 넘깁니다. 바쁨의 정도가 변하기 시작한 것은 이 벽을 넘은 업무부터였습니다.

이 "현재 수작업인가, 매번 부탁하는 단계인가, 시스템화까지 이루어졌는가"라는 업무별 위치를, 이 기사에서는 **활용 페이즈 (活用フェーズ)**라고 부릅니다.

당신의 업무도 5가지로 나누면, 업무별 활용 페이즈가 보입니다. 이를 진단할 수 있는 무료 셀프 체크를 만들었습니다: AI 활용 페이즈 진단 (15문항·약 5분. 이메일 주소만으로 받아볼 수 있습니다)

두 가지 모두 실험의 전체 기록을 별도 기사로 작성해 두었습니다 (링크는 이 기사를 다 읽은 후에 확인하셔도 괜찮습니다).

결과물 리뷰 (Review). 부하 직원의 설계서를 "리뷰해줘"라고 일괄적으로 AI에게 부탁했을 때, 중대한 결함의 검출률은 0%였습니다. 동일한 결함을 심어놓은 설계서를 대상으로, 관점을 3가지 역할로 나누어 순차적으로 확인하게 하는 방식으로 부탁을 바꿨더니 86%가 되었습니다. 모델도 설계서도 동일하며, 바꾼 것은 부탁하는 방식 (리뷰의 틀)뿐입니다. 틀을 만든 후부터 제 업무는 "전부 읽기"에서 "AI의 지적 사항을 채택할지 여부를 판단하기"로 바뀌었습니다.

→ 실험 전체 기록: "이 설계서, 리뷰해줘"라고 부탁했을 때 검출률이 0%였던 이유

안건 상황 파악. 약 50개의 안건을 동시에 맡고 있었던 시기, 주간 업무 시간의 70%가 진척 확인 계열의 작업이었습니다. 부족 정보 감지 → 담당자에게 자동 확인 → 관리 시트에 반영하는 것까지 시스템화했더니 30%까지 떨어졌고, "그 안건 어떻게 됐어?"라고 직접 물어보러 다니는 일이 거의 사라졌습니다.

→ 전체 기록: 50개 안건의 독촉을 Claude에게 맡겼더니 "진척이 어떻게 돼?"가 거의 사라졌다

둘 다, 지금까지 자신의 눈과 발로 직접 했던 상류 작업 (읽기·물어보러 다니기)을 AI에게 넘긴 사례입니다. 마무리 작업만을 넘겼을 당시에는 일어나지 않았던 변화였습니다.

5가지 업무를 한꺼번에 시스템화할 필요는 없습니다. 오히려 한꺼번에 하려고 하면 모든 것이 어중간해집니다.

해야 할 일은 딱 두 가지뿐입니다.

• 가장 시간이 많이 소요되는 업무를 1개 선택한다
• 그 업무의 상류 작업 (수집하기·읽기·정리하기) 중 어느 한 곳에 AI를 투입한다

어떤 업무가 가장 심각한지 판단하기 위해서는, 5가지 업무 각각의 현재 페이즈와 다음 단계(Next Step)를 알려주는 셀프 체크를 활용할 수 있습니다.

AI 활용 페이즈 진단 받기 (15문항·약 5분)

ChatGPT는 사용하고 있다. 그런데도 바쁨은 변하지 않는다——그 상태는 사용법이 서툰 것이 아니라, AI가 아직 업무의 상류 단계에 들어오지 않았다는 신호입니다. 저의 경우, 변화가 시작된 것은 첫 번째 업무부터였습니다.