지난 글에서 GPT 출시 후 2년의 역사를 살펴보았습니다.
이제 우리는 조금식 현업 업무에 AI를 활용하기 시작했고,
앞으로 점점 더 많은 변화를 겪게 되겠죠.
이번 글에서는 AI로 인해서
우리의 업무가 어떻게 달라질지, 어떻게 달라져야 하는지 생각해봅니다.
Human vs AI 각자의 장점 이해하기
1) 인사이트 vs 대량 데이터 처리
인간은 인사이트에 강하죠.
흩어져 있는 정보 속에서도, 많은 정보 속에서도
통찰을 발휘해서 핵심을 파악하고 연관성을 파악합니다.
하지만 대량 처리에는 약하죠.
글을 읽으려면 시간이 필요하고 데이터를 분석하려 해도 시간이 많이 걸립니다.
더 많은 데이터는 더 많은 시간 소모를 의미하고,
그래서 우리는 적당한 양의 데이터에 만족해야만 하죠.
경쟁사 동향 분석을 위해 5천 개의 뉴스 기사를 읽을 수는 없겠죠.
그건 꼬박 1주일이 걸리는 일이니까요.
우리는 항상 바쁘고 말이죠.
그래서 경쟁사 뉴스도 딱 2백 개만 읽습니다. 그게 현실적이죠.
시간이 부족하면 2백 개, 시간이 많은 사람은 3백 개,
야근까지 했다면 5백 개, 주말 특근까지 열심히 한다면 1천 개를 읽을 수 있겠죠.
하지만 AI가 파이썬 코딩을 해서 뉴스 크롤링으로 데이터를 수집해주고
GPT API를 연동해서 뉴스 기사의 핵심만 요약하고 필요 정보만 추출한다면 어떻게 될까요?
사람은 칼퇴근을 했지만 수천 개 수만 개의 뉴스를 분석하고 정리하는 것도 가능하겠죠.
그렇게 추출되고 요약된 정보를
사람이 읽어보고 거기서 인사이트를 발휘하는 건 어떨까요?
우리가 직접 자료를 찾고 읽을 때,
대충 일하는 사람과 열심히 일하는 사람의 업무량과 속도 차이는 고작 몇 배 정도 나겠지요.
하지만 AI을 툴을 쓰느냐 마느냐의 차이로 인해
인간의 업무 속도는 이제 열 배, 백 배 차이가 날 수도 있는 세상이 되어가고 있습니다.
그리고 지금은 어차피 다들 AI 입문자이고 초보자인 세상이지만
앞으로 몇년간 AI를 얼마나 연습하냐에 따라서
나중에는 AI를 쓰는 사람들 사이에서도 업무 속도는 열 배, 백 배 차이가 나게 될겁니다.
2) 데이터의 핵심 vs 다다익선 모든 데이터
더 많은 데이터는 더 많은 처리 시간과 분석 시간을 의미하기에
우리 인간은 너무 많은 데이터를 좋아하지 않아요. 감당이 안 되니까요.
그래서 항상 결론만, 핵심만 정리하려고 하죠.
그래야 나의 처리 시간, 분석 시간은 아낄 수 있으니까요.
그래서 우리는 대시보드를 좋아합니다.
담당자 한명만 열심히 고생해서 데이터의 결론만 예쁘게 정리해서 그걸 공유하죠.
그럼 공유 받은 수십 명, 수백 명은 자기의 시간을 아낄 수 있으니까요.
하지만 이 대시보드는 정말로 충분한 데이터인걸까요?
raw data에서 뽑아낼 수 있는 최선의 결론이고 최고의 의미였을까요?
이 대시보드를 보고 나서 추가로 궁금한 게 생기면 어쩌죠?
제품별 영업 이익은?
지역별로 잘 팔리는 제품의 차이는?
유통채널별 매출액이 아니라 영업이익은?
지역별로 유통채널에 차이점이 혹시 있었는지?
아마도 raw data를 가지고 있는 “담당자”에게 문의를 해야겠죠.
그럼 추가 분석해보고 며칠 뒤에 답변을 주겠다고 하겠죠.
나는 지금 당장 궁금하지만, 뭐 어쩔 수 없이 기다려야죠.
그 담당자 분이 고생해서 다음 주에 추가 분석 데이터를 제공해주면 나는 행복할까요?
아마 나는 또 다른 일로 바쁘겠죠. 그래서 추가 데이터는 내 이메일이나 PC 어딘가에서 잠자고 있겠죠.
기업에서 조직에서 분업, 역할분담, R&R은 당연한 일이지만
그로 인해 발생하는 소통의 과정, 불연속성, 비-실시간성, 순차적 업무, 대기와 지연
이건 어쩔 수 없는 일이고,
분업이 세분화 될 수록, 더 큰 조직일수록 이 비효율은 점점 더 커지죠.
그래서 그 옛날부터 내려오는 관료제에 대한 비판이
사람이 3배로 늘었음에도 불구하고 전체 업무처리량은 고작 몇 십% 정도밖에 늘지 않는다는거죠.
그런게 바로 이런 분업과 소통의 비효율성 또한 함께 증가하기 때문인 것 같아요.
이걸 극복해보고자 우리는 많은 데이터 분석 툴을 활용합니다.
태블로 같은 데이터 시각화 툴을 사용해서 이렇게 멋진 대시보드를 만들죠.
파워BI 같은 툴을 써서 시각화도 하고,
클릭 몇번이면 대시보드가 실시간으로 휘리릭 변하며 다른 데이터도 보여주도록 합니다.
물론 태블로 배우고, 파워BI 배우느라 많은 시간을 공부해야 합니다.
한 명의 리더가 예쁜 시각화와 실시간 대시보드를 보기 위해서
여러 명의 실무자가 이 업무 툴을 배우고 숙달해야 합니다.
거의 모든 LLM 모델은 코딩을 잘하고,
일부 LLM은 코디 실행 환경도 제공하죠. GPT는 데이터 분석을 위한 파이썬 실행 환경을 제공하고요.
그리고 구글 코랩에서는 파이썬 실행이 무료이고,
코드를 구글 코랩에 보관해두면 다음 번엔 클릭 한번으로 자동화도 가능하죠.
파이썬은 물론 누구에게나 무료인 오픈소스이고, 언제든지 내 PC에 실행환경을 구축할 수 있고요.
즉,
누구나, 언제든지, 실시간으로, 즉시
GPT를 이용해서 나만의 대시보드를 만들 수 있다는거죠.
raw data만 있다면 그저 AI에게 자연어로 몇마디 하면 끝이니까요.
•
매출액을 지역별로 내림차순으로 정리해줘
•
유통채널별로 제품별 판매량을 파이 챠트로 그려줘
•
유통채널별로 특정 제품의 영익이익율을 시각화해줘
이건 회의록 같은 비정형 데이터도 마찬가지에요.
굳이 누군가가 회의록을 작성할 필요가 있을까요?
그냥 회의 내용 full script를 공유하면 어떨까요?
그리고 각자 자기 부서의 회의록은 AI를 활용해서 각자가 작성하는거죠.
모두를 위한 두루뭉술한 회의록이 아니라,
우리 팀과 관련된 내용을 중심으로, 우리 팀 입장에서 작성된 회의록을 만드는거죠.
신입 사원 온보딩으로, 또는 내부 전문가의 역량을 전수하기 위해
OJT, 직무 교육 등등이 많이 진행됩니다.
아주 많은 우리 직원들이 아주 여러 번 교육을 진행하죠.
교육 참가자의 머리 속에 마음 속에 얼마나 이해가 되고 기억이 될까요.
그 비율은 낮지만 그래도 꾸준히 교육은 진행하죠. 더 좋은 방법이 없으니까요.
만약 교육 내용 full script가 공유되면 어떨까요?
교육도 듣고 이해도 암기도 열심히 하겠지만,
교육생이 만약 full script를 갖게 된다면요?
그래서 한 달 뒤에도, 일 년 뒤에도 언제든지 다시 들을 수 있고,
text로 변환된 강의 내용을 보면서 관련된 부분을 편하게 찾을 수 있고,
전체 내용을 요약시키는 것도 되고,
내 기억이 가물가물한 특정 주제와 관련된 질문을 하면 AI가 찾아서 관련 내용으로 답변을 해주고,
게다가 유사한 주제로 강의를 했던 여러 강사들의 강의 스크립트를 모두 가지고 있다면요?
분명 교육 내용의 단순 리마인드부터, 필요 내용 탐색, 추출, 요약, 응용, 재활용까지
교육의 효과가 훨씬 극대화 되지 않을까요?
그래서 상상해 보는 우리의 미래
1) 데이터 확보
AI 툴에서 활용할 수 있는 형태로 우리의 업무 데이터를 쌓아야 합니다.
아래는 저의 ChatGPT 강의자료 중 일부 장표입니다.
각 페이지의 결론, 핵심, 키워드 중심으로 만들어져 있죠.
자세한 설명은 강의 때 말로 다 합니다.
우리의 교재와 발표자료는 항상 이런 식이었죠.
이런 자료 아무리 많이 모아도 AI는 이해 못 합니다.
이런 자료가 회사 PMS(과제관리시스템)에 기가, 테라 단위로 있겠지만,
그거 다 AI에 줘도 AI가 할 수 있는 게 별로 없습니다.
흩어져 있는 단어들로는 무슨 말인지 이해를 못하니까요.
그렇다고 그걸 다 풀어써서 전처리를 어떻게 다 합니까. 너무 비효율적이죠.
지금부터라도 AI understandable한 형태로 모으는 것이 좋겠습니다.
보고서 하나를 작성하더라도
GPT 활용해서 문장으로 작성하면서 자연어로 된 설명식의 보고서를 먼저 만들어죠.
그리고 최종적으로 ppt 형태로 재구성을 시키면서 ‘인간 중심의’ 보고서를 만들어요.
하지만 설명식의 AI understandable한 보고서는 꼭 보관하세요.
그래야 이걸로 다음 보고서 작성할 때 few shot 용으로도 넣고,
이 보고서와 저 보고서 통합해서 새로운 의견도 도출하고,
A 보고서의 관점에서 B 보고서에 대한 반박 의견도 만들어보고,
지난 5년간의 보고서들 다 모아서 우리 회사의 전략 트렌드도 리뷰해보고,
AI understandable한 데이터가 쌓여야 나중에 그런 것들을 할 수 있게 됩니다.
회의 내용도 많이 녹음하시고 text로 변환해두세요.
한 두번의 회의록을 편하게 만드는 정도가 중요한 것이 아닙니다.
여러 팀의 에이스들이 보여서 의견 주고받고 차이를 설명하고
의견을 조율해서 절충안을 만들고
정보를 통합해서 새로운 시사점을 도출하는 과정에서
엄청나게 고급진 경험과 지식들이 오고 갑니다.
지금은 그 중 극히 일부만 우리의 기억 속에 저장되고 있죠.
이런 것들을 text로 잘 보관하신다면,
그런 데이터가 쌓인다면,
공정의 특정 불량의 발생 원인에 대해서 5년치 회의 내용을 기반으로 원인 분석하기,
우리 팀에서 새로 작성한 사업기획안에 대해서 다른 팀의 의견이 어떨지 미리 들어보기,
생산팀과 기술팀 사이에서 R&R 문제로 충돌이 자주 발생하는 이유 찾기,
유사한 프로세스 문제를 해결하기 위해 우리 회사가 지금까지 시도했었던 방법들 정리하기,
뭐 이런 것들이 너무나 손쉽게 가능해지겠죠.
단순히 녹음을 많이 해뒀다는 그 작은 차이로 인해서 말이죠.
2) 데이터 공유
지금보다 더 많은 사람과 데이터를 공유해야 합니다.
AI가 없던 지금까지는 데이터를 공유하는 것이 절대 미덕이 아닙니다.
내가 가진 데이터도 다 분석해볼 시간이 없는데,
옆 팀 데이터는 받아서 뭐하겠습니까.
보내주는 사람만 이상해 보일 뿐이죠.
그런데 이제 누구나, 언제든지, 어떤 데이터든 손쉽게 분석을 할 수 있으니
데이터를 공유해주는 것이 미덕이 됩니다.
영업팀 데이터만 가지고도 안 나오는 인사이트,
CS팀 데이터만으로 절대 못 찾는 인사이트가,
영업팀, CS팀, 생산팀, 회계팀 데이터 다 모으면 얼마든지 더 많은 인사이트가 나올 수 있습니다.
지금까지는 상대를 배려하기 위해 raw data는 담당자인 내가 처리하고 분석하고,
그 분석 결론에 해당하는 대시보드만 타 팀에 공유를 해드렸죠.
앞으로는 이렇게 바꾸는 것이 낫겠습니다.
raw data 그대로 더 넓은 범위로 공유하는거죠.
분석은 누가 해요?
각자 알아서 해요.
느낌으로 통찰로 연결시켜 보고 싶은 데이터는 마음껏 연결시켜봐요.
어차피 GPT한테 몇 마디만 하면 뚝딱 해서 인사이트 정도는 보여주니까요.
3) 데이터 관리
이렇게 말만 하니 엄청 쉬워 보이네요.
하지만 모든 변화에는 혼란이 따르고 이를 극복하는 노력이 필요하죠.
이제 이런 거 신경 써야 합니다.
데이터가 생성되는 시점을 관리해야 해요.
어떤 프로세스에서, 어떤 공정에서, 어떤 데이터가 만들어지는가,
그 데이터는 어떤 형식과 템플릿에 담아야 하는가,
어떤 주기로 언제 생성되서 어디에 저장되는가,
잘 생성되고 업로드 되고 있는지는 누가 관리해야 하는가,
이런 고민이 필요합니다.
특정 공정의 데이터를 특정 팀에서, 특정 담당자만 보던 방식에서는
어차피 맨날 내가 다운받아서 처리하고 분석해서 대시보드만 공유하니까
뭐 어떻게 생겨먹어도 상관없어요.
맨날 처리하던 나는 딱 보면 아니까요.
그런데 이제 특정 공정에서 생성된 데이터도 전사에 여기저기 공유할 거잖아요.
그럼 누가 봐도 한눈에 알아볼 수 있게,
다른 공정에서 나온 데이터와 쉽게 통합해서 연결시킬 수 있게,
공통의 규격, 포맷, 형식, 템플릿, 고유 식별자,
이런 것들이 중요해집니다.
이런 게 없으면 데이터가 제멋대로 다 따로 노는 회사가 되는거고,
경영진에서, IT 팀에서 이런거 교통정리 잘 해주면
직원 개인들도 누구나 데이터 대통합이 가능한 그런 회사가 되는거죠.
이렇게 데이터가 넘치는 세상에서 살다보면,
완전한 데이터는 맞는지, 이게 최신 데이터가 맞는지,
서로 불일치하는 여러 버전이 보이면 어떤 것이 정답인건지
그런 혼란이 생기죠.
발생된 데이터의 소스와 변경 이력과 버전을 관리하는 시스템도 중요해지겠어요.
혼란은 언제나 비효율과 낭비를 초래하니까요.
4) 조직 문화
※ 이 부분은 저의 주관적인 상상력이 많이 들어갑니다.
이야기가 그럴 듯 한지 그냥 재미로 봐주세요.
AI 툴은 그 기능의 범위가 아주 넓습니다.
문서 작성, 자료 수집, 데이터 분석, 업무 자동화 등 아주 여러 가지가 가능하죠.
그래서 AI를 잘 다루는 사람은 사실 혼자서 해낼 수 있는 일의 범위가 넓어집니다.
일반적인 조직에서는 큰 조직 단위로 업무 기능이 나누어지고,
중간 조직 단위로 또 나누어지고, 작은 조직 단위로 또 나누어지죠.
그리고 우리 팀 사람들끼리 서로 비슷한 업무를 또 세부적으로 나누어서 합니다.
하나의 범위에 포함되는 일을 나누어서 하는거라 누가 잘 했는지 못 했는지 애매합니다.
서로 약간 다른 일을 맡아서 하니까요.
서로의 업무처리 속도나 퀄리티를 비교하기도 어렵죠.
AI 툴을 잘 쓰는 사람들은
기획, 실행, 셀프 피드백, 보고서 작성까지 자주완결 할 수 있습니다.
그래서 진정한 1인 1프로젝트가 더 일반화 될겁니다.
그럼 이제 누가 얼마나 일을 했는지, 누가 더 빠른지, 누가 더 성과를 냈는지
이전보다는 꽤 명확하게 차이가 보이게 될겁니다.
우리 조직에서는 어느 팀이 에이스다 라는 이미지는 조금 더 약해지고
각 팀별로 저 분이 에이스다 라는 이미지가 생겨날 것입니다.
평가에서는 MBO가 더 중요한 툴로 활용되겠어요.
MBO가 정말 널리 쓰이고 있지만,
사실 얼마나 객관적인 평가가 가능한가 라는 한계점도 있지요.
그 원인 중 하나가 서로 업무가 다르기 때문이라고 생각합니다.
그런데 모두가 자주완결형 프로젝트를 하는 환경이라면
스스로 목표를 설정하고 그에 따라 평가를 받는 MBO는
지금의 한계를 어느 정도 극복할 수 있을 듯 해요.
5) 직급 체계
※ 마찬가지로 제 주관이 많이 들어간 의견입니다.
조직 문화의 일부분이라고도 할 수 있지만,
직급 체계는 아주 중요한 제도 중 하나죠.
진급은 직장인의 영원한 화두 아니겠습니까.
많은 기업들이 수평적 조직문화를 위해 직급 체계를 단순화 하고 있습니다.
사원-대리-과장-차장-부장 5단계를 축소해서 사원-책임 2단계로만 한다든가,
직책간부 외에는 모두를 프로 또는 ~님으로 호칭을 통일한다거나 하고 있죠.
제도적으로 바꿔도 실제로 수평적으로 일하는 데는 몇년은 걸립니다.
실제로는 누가 입사년도가 언제인지, 몇기인지,
호칭 통일하기 전에 과장이었는지 차장이었는지 여전히 신경쓰이죠.
AI의 시대에는 이게 다 사라질 것 같아요.
직급이 경력이 중요했던 이유는 그게 곧 업무 속도, 실력, 스킬의 가장 대표적인 지표였기 때문이죠.
경력 긴 사람이 경험이 많고 지식이 많고 타 팀에 지인이 많아서 일을 잘 하니까요.
AI 시대에는 모두의, 모두에 의한, 모두를 위한 데이터의 시대입니다.
경험이 많은지, 지식이 많은지, 아는 사람이 많은지가 점점 의미가 퇴색되고,
얼마나 더 많은 데이터, 더 좋은 데이터를 잘 모으는지,
다양하게 분석하고, 의미를 잘 찾아내는지,
그 과정에서 AI 툴을 얼마나 잘 다루는지
그것이 점점 의미를 강화해갑니다.
그럼 자연스럽게도 당연하게도 경력과 직급이 의미가 없어집니다.
자주완결형 업무환경에서는
그저 올 한해 동안 내가 얼마나 많은 일을 얼마나 잘 했느냐가 성과로서 티가 납니다.
그리고 그 성과는 툴 활용 능력에서 상당 부분 결정이 되지요.
SK SUNI 글 연재를 마치며…
2024년의 마지막 글입니다.
2025년은 또 모를 일이지만, 어쩌면 SK SUNI에서의 제 마지막 글이 될 수도 있고요.
그래서 좀 조심스러운 마음이긴 하나,
제가 생각하는 미래 전망을 허심탄회하게 써 보았습니다.
너무 단정적으로 쓰지 않으려고 신경 썼지만,
그렇다고 아주 완곡하게 표현하려고 말을 빙빙 돌리지도 않았습니다.
그저 담백한 개인 의견으로 생각해주시고,
누군가와 그저 생각을 나눈다는 마음으로 읽어봐주세요.
다른 분들의 의견도 환영합니다.
댓글은 항상 지켜보고 있고, 대댓으로 생각을 나누고 있습니다.
그 동안 함께 해 주신 모든 분들께 감사합니다.
저는 유튜브에서,
그리고 네이버 프리미엄 콘텐츠에서,
계속 활동합니다.
가끔은 글과 영상 보러 놀러오세요 ^^
새해 복 많이 받으세요.
대한민국 최고의 R&D 컨설팅펌 (주)알앤비디파트너스 대표로서,
20년째 공부하며 강의하며 컨설팅하며,
세상의 변화에 온 몸을 맡긴 채 즐겁게 떠다니고 있는
안현수 올립니다.