15~20%의 신경다양인과 '도구 무덤'의 굴레

많은 직장인이 노션이나 아사나 같은 생산성 도구를 도입했다가 결국 방치하는 '도구 무덤'을 경험한다. 이번 사례의 주인공은 Amazon Quick과 MCP 서버를 통해 이메일, 캘린더, 작업 보드를 연결하는 자동화 시스템을 구축해 이 굴레를 벗어났다.

런던 대학교 버크벡의 연구에 따르면 영국 성인 인구의 약 15~20%가 신경다양인(Neurodivergent)에 해당한다. 특히 자폐 스펙트럼과 ADHD가 공존하는 AuDHD 상태는 구조와 루틴을 갈망하는 자폐 성향과, 새로운 자극을 쫓으며 루틴을 거부하는 ADHD 성향이 충돌한다. 완벽한 정리 시스템을 설계해도 유지 과정의 지루함을 견디지 못해 시스템이 방치되고, 다시 혼란이 찾아오면 극심한 스트레스를 느끼는 악순환이 반복된다.

이러한 특성 때문에 기존의 생산성 도구들은 실패로 끝났다. 도구의 기능 문제가 아니라, 매일 데이터를 업데이트하고 유지해야 하는 '실행 기능'의 공백을 메울 수 없었기 때문이다. 특히 50개의 읽지 않은 메일을 마주했을 때 처리 순서를 결정하는 단계에서 이미 정신적 에너지가 고갈되어, 정작 중요한 기술적 업무를 시작하지 못하는 상태가 된다.

결국 해결책은 사용자가 관리하는 도구가 아니라 스스로 유지되는 시스템을 구축하는 것이다. AI가 외부 툴의 상태를 실시간으로 읽고, 정의된 규칙에 따라 분류를 마친 뒤 사용자에게 실행 가능한 결과만 보고하는 구조를 통해 뇌의 인지적 한계를 보완하는 외부 시스템을 설계했다.

Amazon Quick과 MCP 서버 기반의 인지 보조 아키텍처

이 시스템의 중심에는 AI 기반 데스크톱 및 웹 어시스턴트인 Amazon Quick이 있다. Quick은 대화 메모리를 유지하고 여러 도구를 조율하는 오케스트레이션 계층 역할을 하며, 하위 추론 엔진으로는 Amazon Bedrock을 활용한다. 이를 통해 모델 버전이 업데이트되어도 사용자는 기존 워크플로 수정 없이 성능 향상을 누릴 수 있다.

AI가 실제 업무 데이터에 접근하기 위해 모델 컨텍스트 프로토콜(MCP, AI 모델이 외부 데이터 및 도구와 상호작용하도록 돕는 표준) 서버를 구축했다. 서버 개발에는 AWS의 AI 기반 통합 개발 환경인 Kiro를 사용했다. 이 MCP 서버는 Quick을 Outlook 편지함, 캘린더, Asana 작업 보드와 실시간으로 연결해 AI가 업무 툴의 상태를 읽고 분류하는 물리적 구조를 완성한다.

시스템의 판단 기준은 마크다운(.md) 파일 형태로 외부화했다. 분류 규칙, 우선순위 로직, 커뮤니케이션 패턴을 설정 파일에 저장하여 AI가 세션마다 이를 새로 읽도록 설계했다. 예를 들어 '누군가 나를 기다리고 있는가'와 같은 우선순위 로직을 마크다운 파일에 명시하면, 사용자가 텍스트를 수정하는 즉시 시스템의 행동이 변경된다.

반복되는 정형 업무는 Quick skills framework를 통해 처리한다. 이메일 서식 지정, 컨텍스트 로깅, 일일 요약 같은 워크플로를 미리 정의된 패턴으로 실행하여 AI의 무작위성을 제거했다. 사용자가 매번 복잡한 프롬프트를 입력할 필요 없이 특정 트리거가 작동하면 정해진 순서대로 동작하여 인지 부하를 낮췄다.

20분의 결정 마비를 없앤 'Do First' 자동화 시스템

이 시스템은 50개의 읽지 않은 이메일을 정해진 규칙에 따라 스캔하여 '오늘 반드시 처리할 3가지'와 '타인의 회신을 기다리는 2가지'라는 요약 브리핑으로 전환한다. 무시해도 좋은 소음성 메일은 따로 분류해 가린다. 이를 통해 무엇을 먼저 처리할지 고민하며 낭비하던 20분의 결정 마비 시간을 제거하고, 리스트 상단의 작업부터 즉시 수행한다.

우선순위 결정은 세 가지 명시적 규칙을 적용했다. '누군가 나를 기다리고 있는가', '지금 즉시 실행 가능한가', '시간 제한이 있는가'라는 조건을 모두 만족할 때만 `Do First` 태그를 붙여 상단에 배치한다. 또한 모든 작업의 경과 시간을 실시간으로 추적해 일주일 이내에 후속 조치를 수행하도록 설계하여 마감 기한을 놓쳐 발생하는 심리적 불안감을 차단했다.

작업 간 전환에서 발생하는 컨텍스트 복구 비용도 최소화했다. AI가 이전 논의 내용과 현재 진행 상황을 요약해 제공하므로, 중단했던 복잡한 작업의 배경지식을 찾는 시간이 단축된다. 또한 사용자의 소통 스타일을 학습시킨 뒤 이를 전문적인 비즈니스 톤으로 보정하여 초안을 생성함으로써, 소통 과정에서 발생하는 사회적 에너지 소모를 줄이는 완충 장치를 마련했다.

'글쓰기 AI'에서 '인지 인프라 AI'로의 관점 전환

대부분의 AI 활용법이 단순히 글을 대신 써주는 프롬프팅 수준에 머물러 있는 것과 달리, 이번 사례의 핵심은 AI를 '관찰-분류-행동-보고'가 자동으로 연결되는 파이프라인으로 설계했다는 점에 있다. 사용자가 매번 요청하는 수동적 방식에서 벗어나, AI가 시스템적으로 상황을 인지하고 처리하는 자동화 구조를 구축한 것이다.

실무 관점에서 주목할 지점은 인지 비용 제로 설계다. 사용자가 세션을 시작하는 순간 AI가 모든 판단을 처리하고, 사용자는 정제된 리스트를 보고 실행만 한다. 특히 개인화된 규칙을 모델 내부 프롬프트가 아니라 외부 마크다운 파일로 관리함으로써, 재배포 없이 텍스트 수정만으로 AI의 행동을 즉시 변경하는 유연함을 확보했다.

한국의 AI 실무자들은 이제 AI 도입의 목적을 결과물의 품질 향상에서 과정의 인지 부하 제거로 전환해야 한다. AI를 단순한 글쓰기 도구가 아니라, 계획 수립과 우선순위 결정 같은 실행 기능(Executive Function)의 결핍을 메우는 인지 인프라로 설계하는 것이 중요하다. 결정 마비의 시간을 제거하는 인프라를 구축할 때 AI는 비로소 실질적인 생산성 도구로 작동한다.

노션이나 아사나 같은 생산성 도구를 도입하고도 결국 방치했던 경험은 도구의 성능 문제가 아니라 실행 기능의 부재에서 기인한다. Amazon Quick과 MCP 서버를 통해 외부 데이터를 연결하고 마크다운 파일로 우선순위를 제어하는 구조는 AI의 역할을 단순한 비서에서 인지 인프라로 확장한다.

AI를 글쓰기 도구가 아닌 인지적 결핍을 메우는 시스템으로 정의하는 관점이 도구 무덤에서 벗어나는 실질적인 기준이 된다. 본문에서 제시한 MCP 서버 설정과 마크다운 규칙 정의를 통해 결정 마비를 제거하는 환경을 직접 구축하며 실행 기능을 외주화하는 경험을 시작해보길 권한다.