사무실 책상마다 GitHub Copilot(코드 자동 완성 도구) 라이선스가 할당되고, 팀별로 Claude(Anthropic의 대화형 AI)나 Gemini(Google의 대화형 AI)를 사용하는 모습이 일상이 되었다. 관리자는 매달 지불하는 수백만 유로의 비용 대비 성과를 확인하려 하지만, 정작 실무 현장에서는 공식적인 교육 자료를 훨씬 앞서 나가는 개별적인 활용 사례들이 산발적으로 나타난다. 이러한 현상은 기업이 AI 도입의 초기 단계를 지나, 무엇이 어떻게 돌아가는지 파악하기 어려운 중간 지대에 진입했음을 의미한다.

AI 도입의 중간 단계와 조직적 파편화

기업의 AI 도입은 크게 두 단계로 나뉜다. 첫 번째 단계는 라이선스 구매, 사용 가이드라인 설정, 교육 세션 운영 등 기존의 소프트웨어 도입 방식과 유사하게 진행된다. 그러나 두 번째 단계는 훨씬 복잡하다. 한 팀은 Copilot을 단순한 자동 완성 도구로 쓰지만, 다른 팀은 Claude Code(AI가 코드를 작성하고 테스트까지 수행하는 도구)를 활용해 루프를 돌리며 제품을 프로토타이핑한다. 어떤 엔지니어는 에이전트(AI가 스스로 판단해 작업을 수행하는 시스템)에게 근본 원인 분석을 맡겨 2주 걸릴 일을 1시간 만에 끝내지만, 주니어 개발자는 AI가 생성한 코드의 구조적 결함을 인지하지 못한 채 시스템에 통합한다. 이처럼 조직 전체가 아닌 개별 업무 루프 단위로 AI 활용 방식이 파편화되면서, 기업은 기술을 도입하고도 정작 조직적인 학습은 이루어지지 않는 상태에 머물게 된다.

기존 관리 체계와 에이전트 기반 업무의 충돌

예전에는 인간의 반복 작업이 비용이 많이 들었기에 스프린트 계획, 티켓 관리, 업무 인수인계와 같은 조정 절차가 필수적이었다. 그러나 에이전트 기반의 엔지니어링은 이러한 경제성을 완전히 뒤바꿨다. 이제는 의도(Intent)를 설정하고, AI가 루프를 돌며 결과물을 내놓으면, 인간은 이를 검증하고 판단하는 역할로 이동한다. 문제는 기업들이 지난 20년간 구축해 온 애자일(Agile, 유연하고 신속한 소프트웨어 개발 방법론) 프로세스가 여전히 2주 단위의 스프린트 확약이나 불필요한 문서 작업을 요구한다는 점이다. AI는 실질적인 민첩성을 가능하게 하지만, 조직의 시스템은 여전히 반복 작업이 희소했던 과거의 제약 조건에 묶여 있다.

학습의 이동과 실질적 변화의 조건

조직이 AI를 통해 학습하려면 단순히 사용량을 측정하는 것에서 벗어나야 한다. 중요한 학습은 커뮤니티 미팅이나 대시보드에서 일어나지 않는다. 코드 리뷰, 제품 프로토타입, 생산 사고 대응 과정에서 발생하는 마찰, 즉 테스트 실패나 API의 이상 동작을 해결하는 과정에서 진짜 지식이 생성된다. 기업이 해야 할 일은 이러한 학습이 조직 내에서 어떻게 이동하고 공유될지 설계하는 것이다. AI 협업은 단순히 도구를 쓰는 문제가 아니라, 팀이 어떤 루프 크기를 선택하고, 어떤 저항이 필요하며, 어떤 결과물을 조직의 자산으로 남길지 결정하는 판단의 영역이다. 결국 AI 도입의 성패는 도구의 수나 토큰 사용량이 아니라, 조직이 얼마나 빠르게 실무의 루프를 검증하고 그 결과를 시스템에 반영할 수 있는지에 달려 있다.