개인의 속도가 조직의 성과로 연결되지 않는 이유

포춘 1000대 기업 경영진 200명과 전 세계 지식 노동자 12,000명을 대상으로 조사한 '팀 상태 보고서(State of Teams Report)' 결과는 예상과 달랐다. 응답 경영진의 89%가 AI 도입 이후 직원 개개인의 작업 속도가 빨라졌다고 답했지만, 정작 그 결과가 구체적인 투자 대비 효과(ROI)로 이어졌다고 확신한 비율은 6%에 불과했다.

실제로 AI 사용을 실질적인 가치로 전환한 팀은 전체의 약 14% 수준이었다. 이는 한 조직 내에서도 일부 고성과 팀만이 AI의 혜택을 누리고, 나머지 팀들은 도구를 사용하고 있음에도 아무런 성과를 내지 못하는 극심한 편차가 존재함을 의미한다. 아틀라시안의 팀워크 랩(Teamwork Lab) 책임자인 몰리 샌즈(Molly Sands) 박사는 이러한 괴리가 발생하는 원인으로 '개인 최적화'에만 매몰된 AI 도입 방식을 꼽았다.

단편적 작업 가속화가 만드는 '충돌'의 위험

성과를 낸 14%의 팀들이 집중한 지점은 개별 작업의 속도가 아니라 팀 전체의 '컨텍스트(맥락)'였다. 이들은 개인의 기억에 의존하던 목표, 결정 사항, 조직 지식을 지라(Jira)나 컨플루언스(Confluence) 같은 공유 디지털 기록으로 캡처해 '컨텍스트 그래프(Context Graph)'를 구축했다. AI가 조직의 맥락을 정확히 파악할 수 있도록 데이터 연결망을 먼저 만든 뒤 도구를 활용한 것이다.

워크플로우를 다루는 방식에서도 차이가 나타났다. 하위 성과 팀들이 단순히 개별 작업의 처리 속도를 높이는 데 집중했다면, 고성과 팀들은 엔드-투-엔드(End-to-End) 프로세스 전체를 재설계했다. 샌즈 박사는 방향성이 서로 다른 개인들의 속도만 높일 경우, 결국 팀원들이 더 빠르게 서로 충돌하게 되는 결과만 초래한다고 분석했다.

문화적 측면에서는 실험과 제약을 의도적으로 활용하는 경향이 뚜렷했다. 성과가 높은 팀의 리더들은 실패 가능성을 전제로 학습과 실험을 장려했다. 예를 들어 모든 작업을 최소 단위(단일 스토리 포인트)로 쪼개거나, 일주일 동안 코드를 직접 한 줄도 쓰지 않고 AI로만 구현해보는 식의 극단적인 제약을 설정해 학습 속도를 극대화했다.

'그림자 AI'를 막는 AI 협업 합의서의 실효성

현장 실무자들이 직면한 가장 큰 장애물은 기술 자체가 아니라, 각자가 서로 다른 방식으로 AI를 익히는 '개별적 학습' 구조에 있다. 직원들이 각자 자신만의 프롬프트와 에이전트, 가정을 만들어 사용하면서 팀 내에 보이지 않는 지식의 층위가 생겨나고, 이것이 조직 전체의 성과로 전이되지 않는 현상이 발생한다.

이를 해결하기 위해 아틀라시안이 제안하는 대안은 프로젝트 시작 단계에서 'AI 협업 합의서(AI Working Agreements)'를 작성하는 것이다. 단순히 어떤 도구를 쓸 것인가를 정하는 것이 아니라, 다음의 세 가지 기준을 명문화하는 작업이다.

첫째, AI를 어디에 사용할 것인지와 동시에 '의도적으로 사용하지 않을 영역'을 정의한다. 둘째, 팀 내에서 공유할 AI 에이전트를 지정한다. 셋째, 모두가 동일한 맥락에서 작업하기 위해 유지해야 할 공통 기술 역량을 설정한다. 이러한 합의를 거친 팀들은 AI 사용 빈도가 높아졌을 뿐 아니라 의사결정 속도와 최종 결과물의 품질이 모두 향상되는 결과를 보였다.

결국 AI는 새로운 관리 문제를 만드는 것이 아니라, 기존에 숨겨져 있던 조직의 고질적인 문제—불투명한 가정과 서로 다른 업무 모델—를 수면 위로 끌어올리는 거울 역할을 한다. 한국의 AI 도입 기업과 실무자들은 이제 '어떤 프롬프트를 쓸 것인가'라는 개인의 기술적 고민에서 벗어나, '우리 팀의 맥락을 어떻게 디지털화하고 공유할 것인가'라는 운영 체계의 설계로 관점을 옮겨야 한다.