보고서는 몇 초 만에 나오고, 선택지는 열 개씩 올라옵니다. 그런데 일은 그만큼 빨리 끝나지 않습니다. 안을 만드는 값은 내려갔지만 그 안으로 일을 움직이는 부담은 그대로입니다. 제목에서 '귀해졌다'고 한 것은 이 부담을 두고 한 말입니다.

『예측 기계』를 쓴 아그라왈, 간스, 골드파브는 AI로 예측이 싸지면 판단의 가치가 오른다고 했습니다. 비 올 확률 70%는 AI가 알려 줍니다. 그래도 우산을 들고 나갈지는 사람이 정합니다. 비를 맞으면 얼마나 곤란한지, 우산이 얼마나 거추장스러운지를 따져 보는 일입니다. 그 책에서 판단은 이 일을 말합니다.

조직에서는 질문이 하나 더 붙습니다. 따져 본 다음에 "이 정도 확인했으면 됐다, 남는 위험은 우리가 안고 가자, 이제 하자"고 끝내 주는 사람이 누구냐는 것입니다. 여기서는 이렇게 부르겠습니다. 여럿 중에 고르는 일은 결정, 이미 만든 안을 진행해도 좋다고 허락하는 일은 승인, 방금 말한 끝내는 일은 판단입니다. 『예측 기계』의 판단과는 다른 뜻입니다. 선택은 빨라졌습니다. 끝내는 일은 빨라지지 않았습니다.

허락할 권한이 있다고 끝낼 수 있는 것은 아닙니다. 승인 도장은 분명히 찍혔는데 실행하는 사람이 계속 다시 묻는 일이 있습니다. 서명은 있는데 끝난 것 같지 않은 일, 한 번쯤 보셨을 겁니다. 새로 알게 된 사실은 없습니다. 어디까지 내가 마무리해도 되는지, 남은 위험을 누가 지는지가 정해져 있지 않을 뿐입니다. 반대로 깔끔한 보고서에 눌려서 확인도 없이 도장부터 찍는 경우도 있습니다. 어느 쪽이든 충분히 봤다고 말할 근거 없이 일이 넘어가거나 멈춥니다.

리더가 용기가 없어서 생기는 일로만 보면 곤란합니다. 인재 서비스 업체 Lever Talent가 2026년 8~9월에 미국과 캐나다 기업(직원 100~999명) 디렉터급 이상 리더 484명에게 물었더니, 45%가 사람과 AI의 협업을 총괄하는 책임자가 따로 없다고 답했습니다. 이 숫자가 판단이 늦어지는 이유를 증명하지는 않습니다. 업체가 한 조사이고, 같이 나타난 사실을 보여 줄 뿐입니다. 그래도 사람과 AI가 함께 하는 일을 누가 책임지는지는 물어볼 만한 질문입니다.

먼저 정해 둘 것이 세 가지 있습니다. 담당자가 자기 이름으로 어디까지 끝낼 수 있는지, 그 밖의 일은 누가 어떤 경우에 끝내는지, 잠시 멈춘 일은 무엇이 확인되면 다시 시작하는지입니다. 리더의 일은 답을 대신 주는 것보다 이 길이 막히지 않게 지키는 쪽에 가까워집니다. 리더가 자리에 없을 때 일이 어떻게 움직이는지가 리더십의 결과입니다.

예전에는 결과를 만드는 동안 전화 한 통, 옆자리에 던진 질문 같은 작은 조율이 저절로 이뤄졌습니다. AI가 결과부터 내놓으면 그 과정이 빠지고 조율도 같이 사라집니다. 이제는 그것을 누군가의 기억에 맡기지 말고 일의 규칙과 기록에 담아야 합니다. 결론 옆에 무엇을 확인했고 무엇은 못 했는지, 어떤 위험을 안았는지, 어떤 일이 생기면 다시 볼지를 적어 두는 식입니다. 그러면 다음 사람이 같은 검토를 처음부터 되풀이하지 않고, 지난 결론과 달라진 점을 함께 볼 수 있습니다.

신입이 판단을 연습할 길도 챙겨야 합니다. 스탠퍼드 연구진은 AI 영향이 큰 직종에서 젊은 근로자의 고용이 상대적으로 부진한 흐름을 짚었습니다. 연구진도 AI 때문이라고 단정하지 않았고, 신입이 판단 경험을 덜 쌓는다는 증거도 아닙니다. 다만 신입이 하던 일이 줄면 일을 배우던 길도 같이 바뀌는지는 살펴봐야 합니다. 반복 업무를 일부러 남기자는 말은 아닙니다. 처리는 AI에게 맡기더라도 원자료를 직접 보고, 먼저 자기 생각을 써 보고, AI가 낸 결과와 견주는 일은 남겨 두자는 것입니다.

AI는 선택지를 만드는 비용을 낮추고 있습니다. 앞으로 귀해지는 것은 그 선택지를 실제 행동으로 넘겨 주는 구조와, 그 구조 안에서 일을 끝내 본 사람입니다.


참고문헌

[1] Agrawal, A., Gans, J., & Goldfarb, A. (2018). Prediction Machines: The Simple Economics of Artificial Intelligence. Harvard Business Review Press.

[2] Agrawal, A., Gans, J., & Goldfarb, A. (2018). Prediction, Judgment and Complexity: A Theory of Decision-Making and Artificial Intelligence. NBER Working Paper No. 24243. 이 논문은 판단을 결과의 보상(payoff)을 정하는 과정으로 정의합니다. https://www.nber.org/papers/w24243

[3] Lever Talent (2026). Co-Intelligent Workforce Report: 2026 Baseline. 보도자료, PR Newswire, 2026.10.22. 미국·캐나다 직원 100~999명 기업의 디렉터급 이상 리더 484명 대상, 조사 기간 2026.8.17~9.14. 보고서는 결과를 원인이 아닌 연관성으로 해석한다고 밝힙니다. [보도자료 링크]

[4] Brynjolfsson, E., Chandar, B., & Chen, R. Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab. 2025년 8월 초판, 2026년 8월 12일 개정판 기준. 개정 내용은 Stanford Digital Economy Lab 공지에서 볼 수 있고, 논문 페이지는 여기입니다.