AI 시대의 조직과 리더십의 재정의

2025년, 실리콘밸리의 세 CEO는 같은 AI 기술 앞에서 서로 다른 길을 선택하고 있다. Airbnb의 브라이언 체스키, Shopify의 토비 뤼트케, Klarna의 세바스티안 시미아트코프스키. 세 회사 모두 AI를 적극적으로 도입하고 있지만, 3년 후 모습을 상상해보면 이들 조직은 서로 전혀 닮지 않을 것이다. 각 CEO가 AI를 바라보는 관점과 그 관점을 조직 변화에 어떻게 반영하는지가 극명하게 다르기 때문이다.

체스키는 AI를 "도구"로 본다. 2024년 ABC News와의 인터뷰에서 그는 "AI는 마법이 아닙니다. 리더십은 여전히 중요합니다"라고 말했다. 2020년 팬데믹 당시 Airbnb가 전체 직원의 약 25%, 1,900명을 감원했던 사실은 잘 알려져 있다. 그러나 체스키는 감원에서 멈추지 않았다. 팬데믹 이후 여러 차례 조직 구조를 재정비하며, 역할과 업무 방식을 "AI 이전과 이후" 기준으로 다시 설계했다. 체스키에게 중요한 것은 기술 자체가 아니라, 기술을 활용해 인간의 판단과 창의성을 어떻게 확장할 수 있느냐였다. 그의 조직은 AI를 활용하면서도 인간 중심의 감각을 잃지 않는 방향으로 움직였다.

뤼트케는 AI 시대의 핵심 역량을 "Context Engineering"이라고 명명한다. 이는 AI에게 정확한 맥락을 제공해 더 나은 판단과 실행을 끌어내는 능력을 의미한다. Shopify 역시 2022년 전체 인력의 약 10%를 감원했지만, 진짜 변화는 그 이후에 시작됐다. 뤼트케는 내부 메모를 통해 "AI 도구의 활용은 이제 모든 직원의 기본 기대치"라고 선언했다. 자동화할 수 있는 업무에는 더 이상 인력을 충원하지 않고, 남은 직원들의 역할을 AI와 협업하는 방향으로 재편했다. Shopify는 감원을 끝이 아니라 시작점으로 삼아 전체적인 업무 흐름을 '사람이 직접 하는 일'에서 'AI와 함께 설계하고 관리하는 일'로 전환하고 있었다.

반대로 시미아트코프스키는 효율화에 집중했다. Klarna가 공개한 자료에 따르면 AI는 고객 상담 업무의 약 3분의 2를 처리하고 있다. 이 변화만으로 평균 상담 해결 시간은 11분에서 2분으로 단축되었고, 고객 응대 품질 역시 더 안정적인 흐름을 보였다. 여기에 이미지 생성과 카피라이팅 같은 마케팅 업무까지 자동화되면서 연간 약 4,000만 달러에 달하는 비용이 절감되었다. 이러한 급격한 효율 개선에 월스트리트는 즉각 반응했다. 분석가들은 Klarna를 AI 기반 효율화 전략의 대표적 성공 사례로 평가하며, 기존 자동화를 넘어선 새로운 운영 모델이라고 언급했다. 시미아트코프스키의 전략은 효율 극대화라는 목적에 가장 충실한 접근이었다.

이 세 CEO는 모두 감원을 선택했다. 그러나 결정적인 차이는 그다음이다. 체스키는 인간 중심의 감각을 잃지 않으며 조직을 재정비했고, 뤼트케는 AI와의 협업을 통한 역할 재편을 추진했다. 시미아트코프스키는 효율화에 초점을 맞추어 비용 구조를 혁신했다. 각각은 확장형, 재편형, 효율형이라는 서로 다른 AI 시대 리더십 모델을 보여준다.

AI 시대에 인력 감축은 피할 수 없는 선택일지 모른다. 하지만 감축에서 멈추느냐, 그 이후에 조직의 일하는 방식을 다시 설계하느냐가 기업의 미래를 결정한다. 지금 이 순간, 각 CEO의 선택은 단순한 기술 도입이 아니라 회사의 정체성을 새롭게 재구성하는 일이다.

그리고 이것이 바로 이 장에서 우리가 다루려는 핵심 질문이다. "감축에서 멈출 것인가, 재편까지 갈 것인가?"

2023년, Microsoft는 엔지니어링 조직의 40% 이상을 감원했다. 언론은 이를 "대규모 해고"라고 보도했지만, 내부에서 실제로 일어난 변화는 그보다 훨씬 근본적이었다. 남은 개발자들은 더 이상 직접 코드를 작성하지 않았다. 그들의 역할은 AI가 생성한 코드를 관리하고, 방향을 제시하고, 설계와 판단을 담당하는 쪽으로 완전히 바뀌었다.

2022년에는 개발자 100명이 매달 하나의 앱을 만들던 조직이었다. 2024년에는 개발자 60명이 AI 에이전트들을 조율하며 한 달에 열 개의 앱을 만들어냈다. 1인당 산출 기준으로 보면 무려 17배의 생산성 증가다. 인력 감축이 원인이 아니라 결과였고, 진짜 변화는 AI와 협업하는 방식의 전면적인 재설계에서 일어났다.

Microsoft는 감원을 한 것이 아니라 역할을 전환한 것이다. "사람이 직접 만드는 조직"에서 "사람이 AI를 통해 만드는 조직"으로 넘어간 대표적 사례다.

개발자는 기술을 구현하고, 기획자는 제품을 설계하고, 마케터는 고객을 찾는다. 그러나 리더만 할 수 있는 일이 있다. 조직의 미션을 AI 시대에 맞게 재정의하고, 그 미션과 AI를 연결하는 것. 연결이 없으면 AI는 비용 절감 도구로 전락한다. 연결이 있으면 AI는 경쟁력을 바꾸는 엔진이 된다.

미션과 AI의 연결

"AI 도입해봐"라고 기술팀에 지시하는 건 리더십이 아니다. 왜 도입하는지, 무엇을 위해 도입하는지가 없다. 목적 없는 AI 도입은 혼란만 낳는다. 부서마다 제각각 AI를 도입하고, 서로 다른 방향으로 달리다가, 결국 아무것도 성과를 내지 못한다. AI 도입의 방향을 회사의 미션과 연결하는 것, 그래서 모든 구성원이 같은 목적을 향해 움직이게 만드는 것. 이것이 리더만 할 수 있는 일이다.

AI의 비즈니스 본질 이해

리더가 코드를 작성할 필요는 없다. 하지만 AI가 비즈니스에 어떤 구조적 변화를 만드는지는 반드시 이해해야 한다. 가장 흔한 오해는 "AI = 비용 절감"이라는 사고다. 비용 절감은 AI가 가져오는 변화 중 가장 얕은 층이다. AI가 진짜 바꾸는 것은 실험의 속도다. 같은 인원이 10배 더 많은 시도를 하고, 실패 비용이 급격히 낮아지고, 시도 자체가 무한히 가능해진다. 이 구조는 제품 개발, 마케팅, 운영, 전략 전반을 재정의한다. 비용을 줄이는 회사와 가능성을 확장하는 회사 사이의 격차는 시간이 갈수록 기하급수적으로 커진다. AI 시대의 핵심 경쟁력은 알고리즘이 아니라 데이터다. 테슬라가 자율주행 분야에서 앞서는 이유 역시 더 뛰어난 모델이 아니라, 현실 도로 위에서 실시간으로 수집되는 방대한 주행 데이터 때문이다.

리더는 스스로에게 질문해야 한다. "우리 조직만이 확보할 수 있는 데이터는 무엇인가?" "그 데이터는 AI를 통해 어떻게 경쟁 우위가 되는가?" 이 질문에 답하지 못하면 AI 전략은 한 발자국도 나아갈 수 없다.

AI 리스크의 경계 설정

AI가 조직에서 점점 더 많은 일을 대신하게 되면서, 어떤 결정까지 AI에게 맡길 수 있는가 하는 질문은 피할 수 없는 주제가 되었다. 중요한 점은 'AI가 사람보다 더 잘한다'가 아니라, 'AI가 잘못 판단할 경우 누가 책임을 지는가'다. 모든 의사결정을 AI에게 위임할 수는 없다. 어떤 결정은 인간이 최종 책임을 져야 한다.

특히 고객의 생명과 직결되거나, 법적 책임이 따르거나, 회사의 평판에 직접 연결되는 영역에서는 명확한 경계선이 필요하다. 이 기준을 세우는 것은 기술팀이 아니라 리더다. 기술팀은 "무엇이 가능한가"에 주로 관심을 가진다. 그러나 리더가 내려야 하는 결정은 다르다. "무엇을 해서는 안 되는가", "어떤 책임까지 AI에게 위임해도 안전한가"라는 질문에 답하는 것이다.

이 경계 설정의 중요성은 실제 사례에서 드러난다. Amazon은 2014년부터 AI 기반의 채용 자동화 시스템을 개발해 이력서를 평가하고 지원자를 자동 선별하려 했다. 그러나 내부 테스트에서 이 시스템이 여성 지원자에게 일관되게 낮은 점수를 부여하는 편향이 드러났다. 더 큰 문제는 기술적인 오류가 아니라, AI가 과거의 남성 중심 데이터를 그대로 학습해 조직의 무의식적 편향을 강화하고 있었다는 점이었다. Amazon은 결국 이 시스템을 공식 폐기했다.

이 사건이 보여주는 핵심은 단순하다. 기술적으로 구현이 가능하다고 해서 그 결정을 AI에게 맡겨도 된다는 뜻은 아니다. AI가 잘못된 판단을 내릴 경우, 단순히 효율이 떨어지는 것을 넘어 법적·윤리적 책임이 기업 전체에 돌아올 수 있다. 기술의 정확성과 모델의 성능을 검증하는 것은 기술팀의 역할일 수 있다. 하지만 어떤 책임을 기계에 위임할 것인지, 어디까지 인간이 직접 판단해야 하는지를 결정하는 것은 오직 리더만이 할 수 있다.

AI 시대에 필요한 리더십은 단순히 기술을 이해하는 능력이 아니다. 기술이 잘못 쓰였을 때 어떤 책임이 발생하는지, 그리고 그 책임을 어떻게 관리할 것인지를 예측하고 통제하는 능력이다. 경계를 설정하지 않고 도입된 AI는 언제든 조직을 위험으로 끌고 갈 수 있다. 반대로 경계가 명확한 AI는 조직의 경쟁력을 극대화하는 도구가 된다.

시장의 압력은 이미 시작됐다

1인 창업자가 AI를 활용해 10명 규모의 회사와 동등한 결과물을 내는 시대다. 이런 회사들이 가격을 낮추면, 기존 기업들은 비용을 줄이든 생산성을 높이든 선택해야 한다. 안 하면 도태된다. "멸종하거나 적응하거나"가 자본주의의 본질이다.

나는 태재미래전략연구원에서 4명의 연구팀과 새로운 방식의 협업을 직접 시도했다. 기존 방식은 명확했다. 연구원들이 업무를 할당받고, AI를 활용해 수행한다. 그러나 문제가 드러났다. 내가 하루에 AI를 통해 처리하는 양을 연구원들이 따라오지 못하는 것이다. "내가 너한테 일을 주는 것보다 AI한테 일을 주는 게 더 빠르다"는 현실 앞에서, 기존의 업무 분배 구조 자체가 무의미해졌다.

해법은 역할의 재정의였다. 연구원에게 개별 업무를 할당하는 대신, 프로젝트 전체를 함께 끌고 가는 파트너십 구조로 전환했다. AI가 연구를 주도하고, 인간은 AI와 함께 학습하며 방향을 조율하는 방식이다. 모든 연구원이 이 전환을 받아들인 것은 아니다. "AI에게 내 업무를 맡길 수 없다"며 떠난 이들도 있었다. 그러나 남은 팀원들은 완전히 다른 속도로 성과를 내기 시작했다.

투자 우선순위를 정하는 질문

AI 투자를 ROI로만 평가하면 대부분 실패한다. AI는 단기 ROI보다 전략적 학습 속도를 극대화하는 것이 핵심이기 때문이다.

리더가 던져야 할 질문은 세 가지다. 첫째, 우리의 핵심 전략과 연결되는가? 둘째, 경쟁사가 쉽게 따라 할 수 없는가? 셋째, 실패해도 조직이 배우는가?

쿠팡은 "가장 빠른 배송"이라는 전략에 맞춰 수요 예측, 경로 최적화, 반품 검수 등 모든 AI 프로젝트를 하나의 방향으로 정렬했다. 반대로 어떤 기업들은 자동화가 가능하다는 이유만으로 프로젝트를 남발했다. 전자는 전략이고 후자는 실험일 뿐이었다. AI 투자의 가치를 결정하는 것은 축적되는 역량이다. 데이터 파이프라인, 모델 검증 능력, AI와 사람의 협업 방식에 대한 학습이 쌓이면 그 자체로 이미 회수된 투자다.

전략적 재배치를 선택했다면, 다음 질문은 "어떻게"다. 4단계 프레임워크는 실제 기업의 성공 사례를 기반으로 정리한 실행 구조다.

1단계는 역할 매핑이다. 조직의 모든 역할을 AI 관점에서 재분류한다. "누가 하느냐"가 아니라 "무슨 일이 어떻게 수행되는가"를 본다. 반복적 규칙 기반 업무는 즉시 자동화 대상이다. 창의적·분석적 업무 중 일부는 AI 보조로 분류된다. 전략, 관계, 리더십 업무는 인간 고유 영역으로 남는다. AI와 협업 시 성과가 극대화되는 업무는 AI 증강 영역이다.

2단계는 재배치 설계다. 직원 개개인을 미래 역할 기준으로 재정렬한다. 단순 이동이 아니라 강점을 극대화할 수 있는 자리로 매칭한다. 개인별 역량과 AI 협업 잠재력을 평가하고, 현재 역할에서 브리지 역할을 거쳐 목표 역할로 가는 경로를 설계한다. 전환 일정과 지원 계획도 함께 수립한다.

3단계는 스킬 전환이다. AI와 함께 일할 수 있는 "증강형 인재"를 만든다. 이 단계가 성패를 좌우한다. 역할 설계가 좋아도 사람이 준비되지 않으면 원래 방식으로 돌아간다. ChatGPT, Claude 같은 AI 도구 활용 능력, 프롬프트 전략과 품질 검증 같은 AI 협업 방법론, 새 역할이 요구하는 도메인 지식을 갖춰야 한다.

4단계는 성과 측정이다. 새 조직이 실제로 작동하는지 숫자와 체감으로 확인한다. 재편은 한 번으로 끝나지 않는다. 측정하고, 문제를 발견하고, 다시 조정한다. AI 협업을 통한 업무 효율성, 결과물의 질적 향상, 새로운 아이디어 창출 빈도, 역할 전환에 대한 직원 만족도를 지표로 삼는다.

이 4단계는 일회성이 아니라 순환 구조다. 1단계부터 4단계까지 완료한 후 다시 1단계로 돌아가 역할을 재평가한다. AI 기술이 계속 발전하기 때문이다. 6개월 전에 "AI 보조"였던 업무가 지금은 "즉시 자동화"가 될 수 있다.

리더가 먼저 보여줘라

직원들은 리더의 말이 아니라 행동을 본다. 리더가 여전히 비서에게 이메일 타이핑을 시키면서 "AI 활용하라"고 하면 설득력이 없다. 한 스타트업 대표는 매주 월요일 전체 회의에서 "내가 지난주에 AI로 해결한 문제"를 공유한다. 전략 기획서 초안, 투자자 이메일, 채용 공고 작성 등. 실패 사례도 솔직하게 얘기한다. "이렇게 했더니 엉뚱한 답이 나와서 다시 했어." 이런 솔직함이 직원들에게 "시도해도 안전하다"는 신호를 준다.

작은 성공으로 시작하라

변화 관리에서 가장 효과적인 전략은 빠른 작은 성공이다. 첫 주에 AI 회의록 도구로 정리 시간을 70% 줄인다. 둘째 주에 이메일 초안을 AI가 작성해 하루 1시간을 아낀다. 이런 작은 성공들이 "AI가 나를 대체하는 게 아니라 돕는다"는 걸 체험하게 한다. 처음부터 큰 변화를 요구하면 실패한다. 역설적으로, 빠르게 변화하려면 작게 나눠 천천히 가야 한다.

성공을 공개적으로 인정하라

한 마케팅 에이전시는 월례 전체 회의에서 "AI 활용 우수 사례"를 공유하는 시간을 만들었다. 그달에 AI를 창의적으로 활용한 팀원 한 명을 선정해서 5분 동안 발표하게 했다. 어느 달에는 신입사원이 선정됐다. Claude로 고객 데이터를 분석해서 기존에 3일 걸리던 리포트를 2시간 만에 완성한 사례였다. 전체 회의에서 발표하자 박수갈채를 받았고, 다른 팀원들도 "나도 해봐야지"라는 동기부여를 받았다.

정체성 전환을 도와라

조직 재편에서 가장 과소평가되는 장벽은 기술이 아니라 정체성이다. 20년간 "나는 코드를 짜는 사람"이라고 정의해온 개발자에게 "이제 당신은 AI를 관리하는 사람입니다"라고 말하는 건 자아의 일부를 버리라는 것이다. 체스키가 AI를 "대체"가 아니라 "인지 증폭"으로 정의한 이유다. "당신은 더 이상 코드를 짜는 사람이 아닙니다"가 아니라 "당신은 이제 코드를 설계하고 AI와 함께 구현하는 사람입니다." 과거 정체성을 부정하는 게 아니라 확장하는 것이다.

첫 한 달: 체험 기간

매일 30분씩 ChatGPT, Claude, Gemini 중 하나를 업무에 써본다. 이메일 초안, 보고서 요약, 회의 준비. 단순한 작업부터 시작한다. 2주차부터는 의사결정이 필요한 상황에서 AI에게 옵션을 요청한다. "이 M&A 건의 리스크 요소를 정리해줘", "이 시장 진출의 장단점을 분석해줘." AI가 어디까지 도움이 되고 어디서 한계를 보이는지 직접 느껴야 한다.

둘째 달: 연결 기간

회사 미션을 다시 읽는다. AI 시대에 이 미션이 어떻게 재해석되는지 정리한다. 미션이 "고객에게 최고의 서비스를 제공한다"라면, AI 시대의 "최고의 서비스"는 무엇인가. 24시간 즉각 응답? 개인화된 추천? 예측적 문제 해결? 임원진과 1:1로 만나 AI가 각 부서에서 어떤 역할을 할 수 있을지 대화한다. 한 페이지짜리 "AI와 우리 회사의 미션" 문서를 작성한다.

셋째 달: 결정 기간

진행 중이거나 검토 중인 AI 프로젝트를 모두 나열한다. 세 가지 질문으로 평가한다. 전략과 연결되는가. 차별화 우위를 만드는가. 실패해도 학습이 되는가. 이 평가로 우선순위를 재배열하고, 상위 3개에 자원을 집중한다. 동시에 역할 재편이 필요한 포지션을 파악하고 재배치 로드맵 초안을 작성한다.

AI 시대의 조직과 리더십은 복잡해 보인다. 프레임워크도 많고, 고려할 변수도 많다. 그러나 리더가 내려야 할 결정은 결국 하나다. 비용 절감에서 멈출 것인가, 조직 재편까지 갈 것인가.

200년 전 산업혁명 때도 같은 선택지가 있었다. 기계를 도입해 인력만 줄인 공장은 일시적으로 비용을 아꼈다. 기계에 맞춰 공정과 역할을 재설계한 공장은 산업을 지배했다. 역사는 이미 답을 보여줬다. AI 혁명도 다르지 않다.

이 장에서 다룬 내용을 요약하면 세 가지다. 첫째, 리더가 직접 AI를 써봐야 한다. 둘째, 회사 미션과 AI를 연결하는 서사를 만들어야 한다. 셋째, 역할 재편을 이끌고 변화를 관리해야 한다. 기술의 디테일은 계속 바뀐다. 그러나 이 세 가지는 어떤 기술이 나오든 리더만 할 수 있는 일이다.

지금 이 순간, 당신의 조직은 어느 쪽을 향해 가고 있는가?