생성형 AI를 업무에 붙인 뒤 기업이 맞닥뜨린 새 문제는 결과물을 얼마나 빨리 만들었느냐가 아니다. 겉보기에는 보고서나 메일처럼 완성돼 있지만 맥락과 근거가 빠져 동료가 다시 읽고 고치는 ‘AI 워크슬롭’이 늘고 있다는 점이다. 줄여야 할 것은 AI 사용량 자체가 아니라 AI가 만든 초안이 다음 사람의 추가 업무로 넘어가는 방식이다.
‘일을 끝낸 듯한 초안’이 문제다
AI 워크슬롭은 낮은 노력으로 만든 AI 결과물이 업무를 처리한 것처럼 보이지만 실제로는 과제를 진전시키지 못하는 경우를 가리킨다. 문장이 매끄럽고 슬라이드가 정돈돼 있어도 핵심 판단, 조직 내부 맥락, 검증 가능한 근거가 빠져 있다면 여기에 해당할 수 있다.
BetterUp Labs와 스탠퍼드 소셜미디어랩이 2025년 9월 미국 사무직 근로자 1,150명을 대상으로 실시한 조사에서는 40%가 지난 한 달 동안 워크슬롭을 받은 적이 있다고 답했다. 응답자들은 한 건을 처리하는 데 평균 약 2시간이 걸린다고 답했고 조사기관은 이를 바탕으로 1만 명 규모 조직의 연간 손실을 900만 달러로 추산했다. 미국 직장인을 대상으로 한 조사라는 한계는 있지만 부담이 수신자에게 이동한다는 문제를 보여주는 자료다. BetterUp Labs 조사
왜 지금 더 많이 생기나
생성형 AI는 문서와 이메일을 빠르게 만들고 사람이 처음부터 작성했다는 신호도 감춘다. 과거의 부실한 문서는 대체로 작성자의 노력 부족이 드러났지만 AI 결과물은 겉모양과 실제 품질이 쉽게 분리된다. 여기에 조직이 AI 사용을 일괄적으로 요구하고 처리량까지 늘리면 사용자는 검토보다 제출을 우선하게 된다.
따라서 워크슬롭을 개인의 게으름으로만 설명하기 어렵다. 연구진은 AI를 반드시 쓰라는 모호한 지시와 AI가 생겼으니 더 많은 일을 할 수 있다는 기대가 함께 작동할 때 문제가 커진다고 지적했다. Harvard Business Review 분석
AI에게 맡길 일과 사람이 해야 할 일
실무에서 가장 먼저 할 일은 프롬프트를 길게 쓰는 것이 아니다. 작업을 시작하기 전에 목적, 독자, 사용 가능한 자료, 완료 기준을 짧게 정하는 것이다. 예를 들어 ‘시장 동향을 정리해 달라’ 대신 ‘국내 중견 제조기업의 구매담당자가 다음 분기 투자 우선순위를 판단할 수 있도록 제공한 자료 안에서 변화와 근거를 구분해 정리하라’고 요청하는 식이다.
AI에는 초안, 대안, 누락 항목, 반대 논리 탐색을 맡길 수 있다. 대신 사실 확인이 필요한 문장에는 출처를 붙이고 추정과 확인된 사실을 나누며 판단이 필요한 부분은 질문으로 남기도록 요구해야 한다. 최종 문서의 목적과 조직 내 이해관계를 아는 사람은 여전히 결과를 읽고 고칠 책임이 있다.
회의록을 예로 들면 AI가 발언을 요약하는 것만으로는 부족하다. 결정된 사항, 보류된 쟁점, 담당자와 기한을 별도로 추출하게 한 뒤 실제 회의 참석자가 확인해야 한다. 회의 내용을 길게 옮기는 데 성공해도 결정사항이 빠졌다면 업무에는 도움이 되지 않는다.
기존 자동화와 다른 점
전통적인 자동화는 입력과 출력이 비교적 분명하고 규칙에 따라 결과를 검사할 수 있는 업무에 강하다. 반면 생성형 AI는 열린 질문에 자연스러운 답을 만들지만 무엇이 중요한지 또는 조직의 암묵적 규칙이 무엇인지는 스스로 확정하지 못한다.
이 차이는 책임의 위치를 바꾼다. 자동화 시스템에서는 오류가 나면 규칙이나 코드를 고치는 방향으로 접근하지만 생성형 AI 문서에서는 수신자가 맥락을 복원하고 사실을 검증하는 일이 추가된다. 워크슬롭을 줄이는 검토는 마지막 맞춤법 검사가 아니라 결과물이 실제 과제를 진전시키는지 확인하는 업무 단계여야 한다.
사용자·개발자·기업의 역할
사용자는 AI 결과물을 제출하기 전에 세 가지를 확인할 수 있다. 이 문서가 누구의 어떤 결정을 돕는지 핵심 주장마다 근거가 있는지 받는 사람이 다시 해야 할 일이 무엇인지다. 마지막 질문에 답하지 못한다면 아직 초안이지 전달 가능한 결과물이 아니다.
개발자는 모델의 성능만 높이는 데 그치지 않고 출처 표시, 입력 자료의 범위, 불확실한 부분, 수정 이력을 사용자가 확인할 수 있게 해야 한다. 결과를 한 번에 완성본처럼 보여주기보다 초안과 검토 지점을 구분하는 인터페이스가 워크슬롭을 줄이는 데 더 직접적일 수 있다.
기업은 ‘모든 업무에 AI 사용’ 같은 포괄적 지시 대신 위험도와 목적에 따라 허용 범위를 정해야 한다. 반복적인 요약처럼 검토가 쉬운 업무와 고객·법무·인사 판단처럼 오류 비용이 큰 업무는 같은 기준으로 다룰 수 없다. 또한 생성량보다 재작업, 반려, 사실 오류, 의사결정 지연 같은 지표를 함께 봐야 한다. Harvard Business Review의 후속 제안
한계와 주의할 점
검토 절차를 만든다고 모든 문제가 사라지는 것은 아니다. 사람도 AI가 만든 문장을 빠르게 훑다가 그럴듯한 오류를 놓칠 수 있고 바쁜 조직에서는 검토 담당자에게 다시 부담이 몰릴 수 있다. 확인이 필요한 항목을 업무 유형별로 좁히고 고위험 결과에는 해당 분야의 담당자가 직접 승인하도록 해야 한다.
개인정보, 영업기밀, 고객 자료를 승인되지 않은 도구에 입력하는 일도 피해야 한다. 의료·법률·금융처럼 오류의 비용이 큰 영역에서는 AI를 초안이나 탐색 보조로 제한하고 최종 판단은 자격과 권한을 가진 사람이 맡아야 한다. AI 사용 사실을 표시하는 것만으로 품질과 책임 문제가 해결되지는 않는다.
자주 묻는 질문
AI 워크슬롭이란 무엇인가?
AI가 만든 결과물이 겉보기에는 완성된 것처럼 보이지만 실제 업무에 필요한 맥락·근거·판단이 부족해 받는 사람이 다시 손봐야 하는 상태다. 문서, 이메일, 프레젠테이션, 회의록, 코드 등 형식과 관계없이 발생할 수 있다.
AI 워크슬롭과 AI 환각은 어떻게 다른가?
AI 환각은 존재하지 않는 사실이나 출처를 만들어내는 오류를 뜻한다. 워크슬롭은 환각을 포함할 수 있지만 사실이 틀리지 않더라도 질문과 맞지 않거나 핵심 정보가 빠져 수신자에게 일을 떠넘기면 워크슬롭이 될 수 있다.
개인이 가장 쉽게 줄일 수 있는 방법은 무엇인가?
AI에 요청하기 전에 목적과 독자, 반드시 포함할 근거, 완료 기준을 먼저 적는다. 결과를 받은 뒤에는 문장 표현보다 핵심 주장과 누락된 맥락을 먼저 확인하고 그대로 전달하지 말고 자신의 판단을 덧붙여야 한다.
회사가 AI 사용을 금지하면 문제가 해결되나?
일부 위험은 줄일 수 있지만 구성원이 비공식 도구를 몰래 사용하거나 반복 업무의 비효율이 그대로 남을 수 있다. 업무별 허용 범위와 검토 기준을 공개하고 안전한 실험 결과를 팀 단위로 공유하게 하는 편이 지속 가능한 대응에 가깝다.
한눈에 정리
AI 워크슬롭은 AI가 틀린 답을 내놓는 문제만이 아니다. 그럴듯한 결과물을 빠르게 넘기면서 검토와 판단의 부담을 동료에게 이전하는 문제다. 해법은 더 많은 생성이 아니라 작업 목적을 분명히 하고 근거와 불확실성을 드러내며 최종 책임자를 정하는 데 있다.
독자는 다음 AI 작업부터 요청 전에 완료 기준을 한 줄로 쓰고 결과물의 핵심 주장과 누락 항목을 확인해 볼 수 있다. 기업과 개발자는 사용량보다 재작업과 반려가 줄었는지 측정해야 한다. AI가 일을 끝냈는지가 아니라 팀의 다음 사람이 일을 이어갈 수 있게 했는지가 기준이 돼야 한다.