발표에서 확인된 핵심 사실

AI로 초안을 잡으면 업무가 끝날 줄 알았지만, 정작 수정하고 다듬는 데 더 많은 시간이 흐른다. 화이트칼라 노동자들은 매주 평균 6.4시간을 AI의 오류를 수정하고 관리하는 봇시팅(botsitting)에 소비한다. Glean's Work AI Institute(글린 워크 AI 연구소)가 노트르담, 스탠퍼드, UC 버클리 대학 연구진과 함께 발표한 보고서에 따르면, 노동자들은 AI에 필요한 컨텍스트를 제공하고 출력물을 일일이 확인하며 오류를 디버깅하고 수정하는 작업에 상당한 시간을 쓴다. 단순히 AI가 답을 내놓는 시간이 줄어든 것이 아니라, 그 답을 검증하는 새로운 노동이 추가된 셈이다.

봇시팅의 고충은 시스템 간의 단절과 의미 있는 업무의 자동화에서 발생한다. 노동자들은 서로 연결되지 않은 AI 시스템들 사이에서 정보를 직접 옮기거나, 도구가 이미 갖추고 있어야 할 맥락을 사람이 다시 입력하는 비효율을 겪는다. 특히 고객 서비스 직원처럼 타인과 관계를 구축하며 즐거움을 느끼는 업무 영역까지 자동화되면서, 노동자는 정작 AI 에이전트를 감독하는 관리 업무에 투입된다. 관계 맺기와 같은 인간적인 상호작용 대신 기계의 오류를 잡아내는 작업이 주 업무가 되며 직무 만족도가 하락하는 결과로 이어진다.

AI 도입의 성과를 측정할 때 단순히 개인의 생산성이 높아졌다는 지표만으로는 실체를 파악하기 어렵다. 봇시팅과 같이 겉으로 드러나지 않는 숨은 관리 비용이 조직 내에 얼마나 발생하고 있는지 구체적으로 확인해야 한다. 이제는 개인의 작업 속도가 아니라 조직 전체의 성과와 AI를 유지하기 위해 투입되는 실제 관리 리소스를 기준으로 기술의 효용성을 판단해야 한다.

개별 노동자의 생산성 향상 체감과 조직 전체의 성과 향상

AI가 쓴 초안을 읽다 보면 문장은 매끄럽지만 알맹이가 없어 결국 처음부터 다시 쓰는 일이 잦다. 도구가 빨라졌다고 느끼지만 정작 마감 시간은 줄어들지 않는 경험이다. Glean의 보고서에 따르면 업무에 AI를 활용하는 노동자는 87%에 달하며, 이들 중 75%가 실제로 생산성이 향상되었다고 답했다. 하지만 정작 조직의 성과가 상당히 개선되었다고 응답한 비율은 13%에 불과했다. 개별 노동자가 느끼는 효율의 상승분이 조직의 실질적인 성과 지표로 연결되지 않는 심각한 괴리가 확인된 지점이다.

2025년 12월부터 2026년 1월 사이 미국, 영국, 호주의 풀타임 노동자 6,000명을 대상으로 조사가 이루어졌다. 컴퓨터나 디지털 도구를 주로 사용하는 업무 환경의 노동자들을 표본으로 삼아 AI 활용 현황을 분석한 결과다. 75%라는 높은 생산성 체감 수치에도 불구하고 조직 성과 개선 응답이 13%에 그친 사실은 AI 도입의 성과 측정 방식에 의문을 던진다. 개별 실무자가 느끼는 속도의 증가가 조직 전체의 결과물 품질이나 효율로 전이되지 않고 있음을 수치로 증명한다.

개별 노동자의 주관적 만족도가 조직의 실질적 이익으로 치환되지 않는 현상은 AI 도입의 성패를 가르는 기준이 바뀌어야 함을 보여준다. 이제는 개인의 생산성 향상이라는 단편적인 체감이 아니라, 조직 전체의 성과와 그 과정에서 발생하는 숨은 관리 비용을 기준으로 AI의 효용성을 판단해야 한다.

확인해야 할 핵심 지점

AI가 작성한 초안을 보고 안도했다가, 결국 세부 내용을 하나하나 수정하며 처음부터 쓰는 것보다 더 많은 시간을 소비하는 경험이 반복된다. Glean Work AI Institute(글린 워크 AI 연구소)가 실무자 6,000명을 대상으로 조사한 결과, AI 결과물을 수정하고 맥락을 다시 입력하는 봇시팅(Botsitting)에 과도한 시간을 쓰는 노동자는 이직 가능성이 73% 더 높았다. 이들은 보상이나 공식적인 인정 없이 AI가 만든 오류를 바로잡는 뒷처리를 전담하며 깊은 피로감과 분노를 느낀다. 결국 AI가 줄여준 시간만큼의 여유가 생기는 대신, 보이지 않는 관리 노동이 늘어나며 이력서를 수정하는 결과로 이어진다.

AI 도입의 성공은 단순히 최신 도구를 전사에 배포하는 속도에 달려 있지 않다. 실제 성과를 내는 기업들은 AI 사용 시간 자체를 무작정 늘리기보다 AI를 둘러싼 주변 작업의 최적화에 더 많은 자원을 투입한다. 직원들이 적절한 컨텍스트(Context, 맥락)에 접근할 수 있도록 돕고, 기술을 효과적으로 사용하는 방법을 교육하며, AI가 보조한 작업의 '좋은 결과물'에 대한 명확한 표준을 세우는 작업에 집중한다. 특히 어떤 업무를 AI에 맡기고 어떤 업무를 사람이 끝까지 책임져야 하는지 결정하는 판단력을 구축하는 데 시간을 쓴다. AI 도입 성과를 측정할 때 개인의 단순 생산성이 아니라 조직 전체의 성과와 숨은 관리 비용을 기준으로 판단해야 한다.

AI로 초안을 잡았지만 결국 사람이 다시 검토하고 수정하느라 더 많은 시간이 흐르는 경험이 반복된다. Glean Work AI Institute가 실무자 6,000명을 조사한 결과, 화이트칼라 노동자는 매주 평균 6.4시간을 AI 결과물을 수정하고 맥락을 입력하는 봇시팅에 소비하고 있다.

이제 AI 도입의 성과는 개인의 단순 생산성이 아니라 조직 전체의 성과와 숨은 관리 비용을 기준으로 측정해야 한다. 기술의 효용성은 도구의 속도가 아니라 이를 관리하는 인간의 리소스 비용이 결정한다.