Samsung SDS

기존의 조직 운영 방식은 얼마나 유효할까요?

기업은 오랫동안 사람에게 업무를 배분하고, 관리 계층을 통해 진행 상황을 확인하며, 부서별로 성과를 평가하는 방식으로 조직을 운영해 왔습니다. 그러나 AI가 업무의 실행과 조정까지 담당하게 된다면, 기존의 조직 운영 방식은 얼마나 유효할까요? AI가 보고서를 작성하고 업무 진행 상황을 확인한다면 관리자는 무엇을 관리해야 할까요? 여러 부서의 업무를 연결하고 정해진 조건에 따라 후속 작업까지 수행한다면 기존의 승인 절차와 의사결정 권한은 어떻게 달라져야 할까요? 소수의 핵심 인력이 AI를 활용해 더 넓은 범위의 사업을 수행할 수 있다면 조직의 규모와 책임은 어떤 기준으로 결정해야 할까요?

AI가 단순한 업무 지원에서 직접 실행으로 역할을 넓히면서 기존 조직의 운영 방식도 재검토 대상이 되고 있습니다. 영업팀이 AI를 활용해 고객 요구를 분석하고 견적서를 작성하는 상황을 생각해 보겠습니다. 과거에는 담당자가 필요한 정보를 조사하고 관련 부서의 확인을 거쳐 고객에게 제안서를 전달했습니다. 이제 AI는 고객의 계약 조건과 재고, 납기 등을 확인하고, 허용된 범위 안에서 시스템을 갱신하거나 후속 업무를 실행할 수도 있습니다. 그러나 고객이 요청한 납기를 맞추기 위해 생산 일정을 변경해야 하거나, 수주 확대를 위한 할인 조건이 수익성 목표와 충돌한다면 누군가는 우선순위를 정해야 합니다. AI가 개별 업무를 빠르게 처리하더라도 기업 전체의 성과가 자동으로 높아지는 것은 아닙니다.

AI의 실행 범위가 확대되는데 조직의 권한과 책임 구조가 그대로라면, 개별 업무에서 확보한 생산성이 기업 전체의 성과로 이어지는 데 한계가 생길 수 있습니다. 부서별로 나뉜 목표와 업무 방식, 기존 관리 구조가 AI 활용의 효과를 제한할 수 있기 때문입니다.^[1] 기업은 이제 AI를 어떤 업무에 적용할 것인지, 사람과 AI가 업무를 수행하는 방식, 의사결정 권한, 성과 책임을 어떻게 설계할 것인지 검토해야 합니다. AI 전략을 사업 목표와 연결하고, 부서 간 협업과 인재 육성도 추진해야 하는 이유입니다.^[2]

[그림 1]은 AI 확산에 따른 조직의 변화 가능성을 제시합니다. 짙은 영역은 사람의 조직 형태를, 연한 영역은 AI 에이전트가 맡는 영역을 나타냅니다. AI가 기초 실무를 담당하는 영역에서는 결과를 검증하고 활용하는 숙련자의 판단이 더 중요해집니다(Diamond). 숙련자는 별도의 직책이 아니라 경험과 전문성의 수준을 뜻합니다. 여러 기능의 실행과 조정을 담당하는 영역에서는 반복적인 보고와 전달을 중심으로 운영되던 관리 계층의 역할과 사업 책임자의 권한을 재편할 수 있습니다(Kite). 나아가 AI가 폭넓은 사업 실행을 지원할 수 있다면 핵심 인력과 공통 AI 역량을 결합해 새로운 사업을 추진하는 조직 형태도 가능해집니다(Spear).

[그림 1] AI 확산에 따른 조직의 변화 방향 (출처: Andreas Welsch, 2026)^[3]

WHERE ARE YOUR NEXT MID-LEVEL LEADERS? 세로축 : Organizaitonal Depth 가로축 : Time PYRAMID : Human Workforce DIAMOND : Agentic Workforce KITE : Agentic Workforce SPEAR : Agentic Workforce

AI 실행 범위에 따른 조직 변화를 초기, 중기, 장기의 세 가지 관점으로 구분할 수 있습니다. 초기에는 투자와 변화에 대한 조직의 지지를 얻기 위해 성과를 가시화해야 합니다. 중기에는 그 성과가 특정 개인이나 부서에 머물지 않도록 조직을 연결해야 합니다. 장기에는 축적된 역량을 새로운 사업과 환경 변화에 맞춰 재구성할 수 있어야 합니다. 여기서 초기, 중기, 장기는 AI 도입 후 경과한 시간이나 모든 기업이 반드시 거쳐야 하는 발전 단계를 뜻하지 않습니다. AI에 위임하는 실행 범위와 조직이 감당할 수 있는 책임에 따른 설계 관점입니다. 같은 기업에서도 사업 특성과 AI의 신뢰성, 감독 역량에 따라 서로 다른 형태가 공존할 수 있습니다.

초기: 조직의 무게중심이 숙련자의 판단으로 옮겨갑니다

AI가 문서 작성과 분석, 정보 정리 등 제한된 업무를 수행하는 단계에서는 기존의 부서와 보고 체계가 그대로 유지될 수 있습니다. 그러나 같은 조직 안에서도 성과를 만드는 사람의 역할은 달라집니다. 과거에는 여러 현업 담당자가 자료를 조사하고 분석 결과를 정리하며 문서를 작성하는 데 상당한 시간을 사용했습니다. 자료 조사와 문서 작성의 일부를 AI가 담당하게 되면 사람은 결과의 타당성을 검토하고, 실제 업무에 적용할 수 있는지 판단하는 역할에 더 집중할 수 있습니다. 특히 숙련된 현업 담당자의 경험과 판단은 AI가 수행하는 업무의 방향과 품질을 결정하는 기준이 됩니다.

예를 들어 영업 부서에서 사람과 AI가 함께 고객 제안을 준비하는 상황을 가정해 보겠습니다. AI는 고객 정보를 분석하고 제안서 초안을 작성합니다. 현업 담당자는 분석의 근거와 제안서에서 빠진 내용을 확인합니다. 이 가운데 고객과 업무에 대한 경험이 풍부한 담당자는 합의된 권한 안에서 제안의 방향과 품질을 판단하고, 부서장은 승인 범위를 벗어나는 주요 사안을 결정합니다. AI에 고객 관리 시스템(CRM)이나 문서 관리 시스템(DMS)에 대한 제한된 실행 권한이 부여된다면, 승인된 정보를 등록하거나 후속 작업을 생성하는 업무까지 맡길 수 있습니다. 고객에게 전달할 최종 제안과 중요한 거래 조건은 정해진 승인 기준에 따라 처리합니다. 숙련자의 전문성이 여러 구성원과 AI가 따르는 실행 기준으로 활용되면, 그 영향력은 자신이 직접 처리하는 업무를 넘어 팀 전체의 성과로 확장됩니다. 조직의 무게중심이 업무를 직접 수행하고 배분하는 역할에서 실행의 방향과 품질을 결정하는 전문성으로 이동하는 것입니다.

업무 수행 방식의 변화가 실제 성과로 이어지는지는 별도로 검증해야 합니다. AI가 제안서 초안을 작성하는 시간을 크게 줄였더라도 검토와 수정에 더 많은 시간이 필요하거나 승인 과정에서 동일한 지연이 발생한다면 기대한 효과는 제한적일 수 있습니다. 성과를 측정할 때는 개별 작업의 처리 시간뿐 아니라 검토와 재작업, 결과의 품질, 운영 비용, 업무 전체의 처리 시간까지 평가해야 합니다. AI 과제의 투자와 확장 여부 역시 기술적 성능만으로 판단하기 어렵습니다. 실제 업무에서 얻은 효과와 필요한 비용을 확인하고, 추가 투자에 필요한 근거를 확보해야 합니다.^[4]

금융 현장에서도 AI의 실행과 전문가의 판단을 구분하는 사례가 등장했습니다. 2024년 공개된 AI @ Morgan Stanley Debrief는 고객의 동의를 받아 금융 자문역과 고객의 회의 내용을 기록하고, 주요 논의와 후속 조치를 정리하며, 고객에게 보낼 이메일 초안을 작성합니다. 회의 내용을 CRM에 기록하는 기능도 제공하지만, 고객에게 전달할 이메일의 수정과 발송 여부는 담당 자문역이 결정합니다.^[5] AI가 기록과 정리, 일부 시스템 처리 업무를 수행하는 동안 자문역은 고객과의 관계와 전문적인 판단에 집중할 수 있습니다. 자동화할 수 있는 실행 업무와 사람이 책임져야 할 결정을 구분한 사례입니다.

숙련자가 판단에 책임을 지려면 그에 상응하는 권한과 자원도 확보해야 합니다. 경영진은 해결할 사업 문제와 예산, 위험 허용 범위를 정하고, 부서장은 합의된 기준에 따라 AI의 적용 범위를 선택하거나 변경할 수 있어야 합니다. 현업 담당자는 부여된 권한 안에서 AI 결과의 적용 여부를 판단하고, 범위를 벗어나는 사안은 지정된 승인권자에게 판단을 요청합니다. 결과가 품질과 위험 기준에 미치지 못하면 누가 실행을 중단할지도 미리 정해야 합니다. 사람의 감독이 형식적인 승인 절차로 남지 않으려면 담당자가 판단에 필요한 정보를 확보하고 오류나 문제를 자유롭게 제기할 수 있어야 합니다.^[6] AI 실행 과정에서 확인한 오류와 실패 원인은 후속 투자 및 개선을 판단하는 근거로 활용할 수 있습니다.

한편 숙련자의 판단이 새로운 병목으로 작용할 위험도 점검해야 합니다. AI가 만들어내는 산출물이 빠르게 늘어나는데 이를 검토하는 사람이 한정되어 있다면 팀 전체의 성과가 그 사람의 판단 여력에 좌우될 수 있습니다. 높은 전문성과 경험이 필요한 판단과 현업 담당자가 공통 기준에 따라 처리할 수 있는 업무를 구분해야 합니다. 현업 담당자가 AI의 결과를 평가하면서 고객 맥락과 판단 근거를 배우도록 역할을 배분하면 현재의 성과를 확보하면서 다음 숙련자를 육성할 수 있습니다.

초기에는 숙련자의 판단을 실행 기준으로 전환하고, 그 기준이 품질과 성과를 반복적으로 개선하는지 확인해야 합니다. 이렇게 검증한 결과가 추가 투자와 조직 변화에 대한 지지를 확보하는 근거가 됩니다. 실행 범위를 여러 부서로 넓히려 한다면, 각 부서의 전문성을 연결하고 서로 다른 목표와 승인 기준을 조정하는 조직 설계가 필요해집니다.

중기: 관리 계층의 역할을 재편하고 사업 성과 책임에 맞춰 권한을 배분합니다

AI가 여러 업무의 실행과 조정을 담당하기 시작하면 하나의 업무가 여러 부서에 걸쳐 진행되면서 부서별 권한과 책임만으로는 업무 전체를 관리하기 어려워질 수 있습니다. 영업, 재무, 공급망, 기술 등 각 부서가 AI를 활용해 업무를 빠르게 처리하더라도 기업 전체의 의사결정이 같은 속도로 빨라지는 것은 아닙니다. 고객에게 최종 결과를 전달하기까지 여러 조직의 검토와 승인이 필요하다면 부서 간 연결과 조정 방식이 성과를 제한할 수 있습니다. 앞서 제시한 제안서 업무에서 영업 AI가 견적서를 작성하고, 공급망 AI가 재고와 납기를 확인하며, 재무 AI가 수익성과 거래 위험을 검토하더라도 가격 예외와 납기 변경, 신용 조건이 충돌하면 최종 제안은 지연될 수 있습니다.

과제는 각 부서에 더 많은 AI를 배치하는 데 있지 않습니다. 고객의 요청부터 제안과 계약까지 이어지는 업무 전체를 기준으로 실행과 의사결정 구조를 재설계해야 합니다. 기존 부서의 기능별 전문성은 유지하면서 여러 부서에 걸친 업무 전체의 성과를 책임지는 조직으로 운영할 수 있습니다.^[7] 기능별 조직은 전문성과 품질, 공통 업무 기준을 관리하고, 사업 책임자는 여러 기능의 결과를 연결해 고객에게 전달할 최종 성과를 책임지는 방식입니다.

조직 구조를 실제로 바꾸려는 시도도 나타나고 있습니다. 2026년 5월 GitLab은 일부 기능의 관리 계층을 최대 세 단계 축소하고, 연구개발 조직을 업무 전체의 결과를 책임지는 약 60개의 소규모 팀으로 재편하겠다고 발표했습니다. 또한 검토와 승인, 조직 간 업무 인계 등 반복적인 내부 절차를 AI 에이전트로 자동화하겠다는 방향도 제시했습니다.^[8] 이 계획은 보고와 조정 중심의 관리 기능을 줄이고 제품 개발팀의 의사결정 자율성과 개발 결과에 대한 책임을 강화하려는 설계 방향을 보여줍니다.

업무 재설계가 조직에 정착하려면 기존 관리 계층이 맡아 온 보고와 조정, 의사결정의 역할을 구분하고 권한을 다시 배분해야 합니다. 과거에는 여러 부서의 정보를 취합하고 진행 상황을 확인하며 보고하는 과정에 관리자의 업무가 집중되기도 했습니다. AI가 보고와 진행 관리 등 반복 업무를 안정적으로 수행한다면 일부 관리 기능은 자동화하거나 통합할 수 있습니다. 반면 서로 다른 사업 목표의 우선순위를 정하고, 조직 간 이해관계를 조정하며, 고객과 기업에 영향을 미치는 위험을 판단하는 역할은 더욱 중요해집니다.

예를 들어 영업, 기술, 프로젝트 수행 분야의 현업 담당자로 특정 고객군을 담당하는 사업팀을 구성했다고 가정해 보겠습니다. 현업 담당자는 각자의 분야에서 업무를 수행하고 AI 결과를 검증합니다. AI 에이전트는 진행 정보를 종합하고 정해진 조건에 따라 업무를 실행합니다. 부서장은 각 분야의 업무 기준과 품질, 인재 육성을 담당하고, 사업 책임자는 여러 분야의 업무를 연결해 최종 성과를 책임집니다. 사업 책임자가 이러한 책임을 다하려면 현업 담당자의 업무 우선순위와 투입 시간을 조정하고, 합의된 범위에서 예산을 배분할 권한이 필요합니다. 모든 사안마다 현업 담당자가 소속된 부서의 보고 체계를 따라 승인을 받아야 한다면, 사업 책임자를 지정하더라도 조직 운영은 크게 달라지지 않습니다. 사업 성과에 대한 책임과 함께, 그 성과를 만드는 데 필요한 인력과 예산을 조정할 권한도 부여해야 합니다.

다만 사업 책임자에게 모든 권한을 집중하는 방식은 적절하지 않습니다. 기능별 전문성에 기반한 통제와 규제 준수, 보안, 재무 위험 관리는 유지되어야 합니다. 사업 책임자는 합의된 범위에서 자원을 조정하고 예외를 판단하되, 법적 책임이나 필수 내부통제에 해당하는 결정은 해당 권한을 가진 조직의 검토와 결정을 거쳐야 합니다. <표 2>에서는 사업 책임자와 부서장을 각각 사업 단위의 성과와 소관 부서의 전문성을 책임지는 역할로 구분합니다. 조직에 따라 한 사람이 두 역할을 동시에 수행할 수도 있습니다.

실행 권한도 업무의 특성에 따라 구분해야 합니다. 예를 들어 견적 업무에서 AI는 승인된 가격 정책과 할인 한도 안에서 견적서를 생성하고, 정해진 조건을 충족하면 관련 시스템에 후속 작업을 등록할 수 있습니다. 그러나 할인 한도를 초과하거나 납기 변경이 다른 고객의 계약에 영향을 미친다면 지정된 승인권자에게 판단을 요청해야 합니다. 예외 판단의 책임자와 근거 정보의 확인 경로, 문제 발생 시 실행 중단 권한까지 사전에 정해 두어야 합니다. 전략적 판단과 운영 조정, 업무 실행을 구분하는 접근을 실제 업무의 권한과 승인 기준에 반영하는 것입니다.^[9]

권한과 승인 기준을 실행에 연결한 사례로는 Microsoft의 클라우드 공급망을 들 수 있습니다. 2026년 9월 공개된 자료에 따르면, Microsoft는 공급망의 업무 흐름을 먼저 단순화하고 여러 AI 에이전트가 일관된 데이터를 참조하도록 기반을 정비한 뒤 업무 전반에 AI를 적용했습니다.^[10] 수요 계획과 조달, 물류 등에 100개 이상의 AI 에이전트를 활용하면서 일부 공급망 프로세스의 처리 시간이 최대 75% 감소했다고 합니다. 조직 설계 관점에서는 AI가 정보를 분석하는 수준에서 발전해, 정해진 권한과 승인 기준 안에서 구매 주문의 변경이나 취소를 지원한다는 점에 주목할 수 있습니다. 실행 속도와 함께 사람이 검토하거나 개입할 범위도 설계한 것입니다.

권한의 재배분이 제대로 작동하려면 판단에 필요한 정보와 업무 맥락도 연결되어야 합니다. 서로 다른 부서와 AI가 동일한 고객을 다루더라도 참고하는 정보나 과거 의사결정에 대한 이해가 다르면 실행 결과가 일관되지 않을 수 있습니다. 기업의 지식과 경험, 주요 의사결정의 배경을 공통 맥락으로 기록하고 여러 부서와 AI가 활용할 수 있도록 하는 기반이 필요한 이유입니다.^[11] 공통 맥락의 신뢰성을 확보하려면 정보의 접근 권한과 출처, 최신성, 실행 기록까지 관리해야 합니다. AI가 많아질수록 누가 업무 규칙을 관리하고, 어떤 기준에 따라 실행을 허용하며, 결과를 어떻게 추적할 것인지 명확해져야 합니다.

조직의 성과 평가 역시 개별 부서의 처리량에서 업무 전체의 결과로 확대해야 합니다. 고객 요청부터 업무 완료까지의 처리 시간, 승인 대기와 예외 처리 시간, 재작업률, 고객 요구의 충족까지 평가해야 합니다. 공동 성과를 요구하면서 평가와 보상은 부서별 실적에만 연동한다면 새로운 협업 구조는 제대로 작동하기 어렵습니다.

중기 조직의 과제는 단순한 부서 간 협업 강화가 아닙니다. 업무 전체의 성과를 책임지는 주체를 정하고, 그 책임에 필요한 자원과 결정권을 재배분하며, 사람과 AI의 실행을 하나의 운영체계로 연결하는 과정입니다. 업무와 권한을 연결하는 체계가 갖춰지면 기업은 기존 조직 안에서 업무를 개선하는 방식 외에 새로운 사업에 활용하는 선택지도 검토할 수 있습니다.

장기: 핵심 인력과 전문성을 재구성해 사업 수행 역량을 확장합니다

AI가 사람이 정한 목표와 허용 범위 안에서 폭넓은 사업 실행을 지원할 수 있다면, 기업이 새로운 사업을 추진하는 방식도 달라질 수 있습니다. 기존에는 사업을 확대하려면 필요한 업무와 인원을 산정하고, 기능별 전문가를 확보하며, 이를 관리할 조직을 구축하는 방식이 일반적이었습니다. 그러나 여러 업무에 걸친 AI 실행 역량을 공통으로 활용할 수 있다면, 사업을 담당하는 핵심 인력과 필요한 전문성을 중심으로 팀을 구성하는 선택지가 생깁니다.

AI와 협업하는 소규모 팀의 수행 범위 확대는 제품 개발 사례에서 살펴볼 수 있습니다. Microsoft가 2026년 공개한 Copilot Cowork 사례에서 엔지니어, 디자이너, 제품관리자 등 9명의 구성원은 AI 에이전트와 협업해 공식 프로젝트 착수 후 35일 만에 초기 제품을 출시했습니다.^[10] 구성원들은 기존 직무의 경계를 유연하게 넘나들며 업무를 수행하고, 다른 팀도 활용할 수 있도록 그 과정에서 얻은 경험을 기록했습니다. 이 사례의 의미는 단순히 적은 인원이 빠르게 제품을 만들었다는 데 있지 않습니다. 사람의 전문성과 AI의 실행 능력을 결합하면 핵심 인력이 수행할 수 있는 업무의 범위가 확대될 수 있다는 점입니다.

사람과 AI의 협업이 사업 운영 전반으로 확대된다면 기업은 새로운 사업을 시작할 때마다 모든 기능을 별도의 조직에 확보하는 대신, 사업의 목표와 성과를 책임지는 핵심 사업팀에 여러 사업에서 검증한 AI 실행 역량을 결합하는 방식을 검토할 수 있습니다. 새로운 산업을 대상으로 서비스를 출시하는 조직을 가정해 보겠습니다. 경영진은 사업 책임자와 해당 산업·고객·기술을 잘 아는 현업 담당자를 중심으로 사업팀을 구성합니다. 이 팀은 전사 AI 지원 조직이 운영하는 개발, 분석, 고객 대응, 운영 지원 역량 가운데 새 사업에 적합한 것을 선택해 활용합니다. 기존 사업에서 검증한 역량이라도 새로운 고객과 운영 조건에 맞는지 확인해야 합니다. 사업 책임자는 시장 반응과 사업 성과에 따라 팀의 인력과 AI 실행 범위를 조정하고, 전사 AI 지원 조직은 여러 사업이 안정적으로 활용할 수 있도록 공통 기반을 개선합니다. 기존에는 새로운 사업을 추진하기 위해 기능별 조직과 인력을 확대하는 방식이 중심이었다면, 검증된 실행 역량을 재사용하고 필요한 전문 인력만 선택적으로 보강하는 방식으로 사업을 추진할 수 있습니다. 새 사업마다 모든 기능을 별도로 확보하는 부담을 줄이면서, 해당 사업에 필요한 전문성에 자원을 집중하는 설계입니다.

개별 사업팀의 규모가 작아진다고 해서 기업 전체의 운영 부담까지 같은 비율로 줄어드는 것은 아닙니다. 여러 사업팀이 공통으로 활용하는 AI 실행 역량을 안정적으로 운영하려면 기술 기반과 전문 인력이 필요합니다. AI 운영, 성능과 품질 평가, 거버넌스, 에이전트 관리 등은 실행 규모가 커질수록 중요한 전문 기능으로 발전할 수 있습니다.^[12] 조직을 설계할 때는 핵심 사업팀과 이를 지원하는 전사 공통 역량을 구분할 필요가 있습니다. 사업팀은 고객 요구를 반영한 사업 목표를 정하고, 전문적 판단과 최종 결과에 대한 책임을 맡고, 전사 AI 지원 조직은 공통 AI 역량의 안정성과 품질, 보안, 운영 기준을 관리하는 방식입니다.

자원 배분의 기준도 달라져야 합니다. 경영진은 사업별 인원과 인건비뿐 아니라 AI 운영에 필요한 인프라와 비용, 품질 검증과 예외 판단을 맡을 인력까지 배분합니다. 각 팀에 필요한 데이터와 시스템 접근 권한도 정합니다. 사업 책임자는 사람과 AI가 수행하는 전체 결과를 책임지고, 전사 AI 지원 조직은 여러 사업에서 공유하는 AI 실행 역량을 관리합니다. 사업의 우선순위가 바뀌면 인력뿐 아니라 AI 자원과 운영 역량도 재배치할 수 있어야 합니다.

사업에 맞춘 역량 재구성을 반복하려면 조직이 축적한 지식과 경험을 새로운 업무에도 활용할 수 있어야 합니다. 기업의 고객 관계와 업무 지식, 주요 의사결정, 예외 처리 경험을 공통 자산으로 관리하면 새로운 사업팀도 이전의 경험을 바탕으로 업무를 시작할 수 있습니다.^[11] 다만 과거의 판단 기준이 새로운 고객과 사업 환경에도 적합한지는 다시 검토해야 합니다. 이 과정에서 사람의 역할은 더욱 분명해집니다. AI가 실행을 담당하는 범위가 확대되더라도 사업의 목표와 우선순위를 정하고, 새로운 상황에서 판단하며, 결과를 책임지는 역할은 경영진과 사업 책임자가 맡아야 합니다.

전문가가 검토하고 의사결정할 수 있는 업무량이 사업 확장을 제한할 수도 있습니다. 여러 사업에서 동일한 핵심 전문가를 필요로 하거나 중요한 예외 판단이 소수의 리더에게 집중된다면 AI의 실행 능력이 충분해도 사업을 더 확대하기 어려울 수 있습니다. 핵심 전문가에게 집중된 판단 업무를 나누고, 부재 시 대신 판단할 담당자를 정하며, 새로운 책임자를 육성해야 하는 이유입니다. AI 운영 규모의 확대에 맞춰 감독 역량과 공통 지원 기능도 확보해야 합니다.

장기 조직의 성과는 기존 업무의 생산성 개선만으로 평가하기 어렵습니다. 새로운 사업에 필요한 역량을 확보하는 기간, 공통 AI 역량의 재사용 수준, 신규 사업의 초기 운영 비용, 사람의 감독 부담, 사업 수익성까지 종합적으로 평가해야 합니다. 장기 조직의 경쟁력은 단순히 적은 인원으로 더 많은 업무를 처리하는 데 있지 않습니다. 검증된 AI 실행 역량과 사람의 전문성을 사업 기회에 맞게 재구성하고, 그 결과를 책임질 수 있는 능력에 있습니다. 기업은 조직의 크기만으로 사업 역량을 평가하던 관점에서 벗어나, 어떤 실행 역량을 보유하고 있으며 이를 새로운 사업에 얼마나 빠르고 안정적으로 연결할 수 있는지도 판단해야 합니다.

조직의 핵심 역할을 맡을 다음 세대 인재는 어디에서 성장할까요?

AI의 역할 확대는 기존 조직의 업무와 권한을 바꾸며 인재 육성에도 새로운 과제를 남깁니다. AI가 초급 실무를 일부 담당할수록 숙련자의 전문성과 판단이 중요해질 수 있습니다. 전문적 판단을 지속적인 경쟁력으로 만들려면 다음 세대 전문가의 성장 경로도 마련해야 합니다. 지금까지 많은 구성원은 자료 조사와 문서 작성, 데이터 정리, 업무 지원 등 비교적 기초적인 과정을 경험하며 업무의 구조와 고객의 요구를 배웠습니다. 기초 실무가 자동화되면 구성원은 더 빠르게 결과를 만들 수 있지만, 판단에 필요한 경험을 충분히 축적하지 못할 가능성도 생깁니다. 오늘의 숙련자를 활용해 성과를 높이는 선택이 내일의 숙련자를 확보하는 데 불리하게 작용하지 않도록 설계해야 합니다.

IBM은 2026년 3월 공개한 발표에서 미국 내 초기 경력자 채용을 전년 대비 세 배 수준으로 확대할 계획을 밝혔습니다. 초기 경력자의 역할도 단순한 업무 수행에서 분석과 문제 해결, AI 결과의 검증, 고객과의 협업을 포함하는 방향으로 재설계하고 있다고 설명했습니다.^[13] 초급 업무가 자동화된다고 해서 반드시 초기 경력자의 채용과 육성을 축소해야 하는 것은 아닙니다. 기업이 미래에 필요한 전문성과 리더십을 확보하려면 변화한 업무 환경에 맞는 성장 경험을 설계해야 합니다.

경력 단계별 육성 방향도 AI의 실행 범위에 따라 사람에게 요구되는 역할과 연결되어야 합니다. 초기 경력자는 AI가 만든 결과의 근거와 품질을 검증하고, 실제 업무의 요구와 비교하며 판단의 이유를 배우는 경험이 필요합니다. 숙련자는 자신의 전문성을 사람과 AI가 활용할 수 있는 실행 기준으로 전환하고, 여러 기능의 업무와 목표를 연결하는 경험을 쌓아야 합니다. 리더 후보자는 사업의 우선순위를 정하고 사람과 AI에 자원을 배분하며, 위임할 권한과 책임의 범위를 결정하는 역량을 발전시켜야 합니다.

전문성을 깊게 발전시키는 경력 경로와 더 넓은 사업 성과를 책임지는 경력 경로를 모두 마련할 필요도 있습니다. 기능별 전문성이 높은 관리자는 여러 팀의 품질과 전문 역량을 지원하는 역할로 성장할 수 있습니다. 여러 기능의 목표와 자원을 통합적으로 판단할 수 있는 관리자는 더 넓은 사업의 성과 책임을 맡을 수 있습니다. AI 운영과 평가, 거버넌스 등 새로운 전문성을 확보한 인력은 전사 공통 AI 역량을 지원하는 역할을 담당할 수 있습니다. 리더에게 요구되는 역량도 달라집니다. 조직 전체의 관계와 영향을 이해하는 시스템적 사고, 윤리적 판단, 환경 변화에 대한 적응력, 구성원의 성장을 지원하는 코칭 역량 등이 더욱 중요해질 수 있습니다.^[14]

인재 육성의 변화는 평가와 보상 기준에도 반영되어야 합니다. AI를 얼마나 자주 사용했는지, 얼마나 많은 업무를 처리했는지만으로 기여를 판단하기는 어렵습니다. 결과의 품질과 사업적 효과, 협업을 통한 문제 해결, 다른 구성원이 활용할 수 있는 지식과 기준을 마련한 성과까지 평가할 필요가 있습니다. AI가 수행한 업무의 결과를 검증하고 오류를 발견하는 행동 역시 중요한 기여로 인정되어야 합니다. 오류나 위험을 보고하는 구성원이 불이익을 받는다면 AI의 실행 범위가 확대될수록 조직의 감독 체계는 취약해질 수 있습니다.

AI에 더 넓은 실행 범위를 위임할지 판단할 때는 기술적 성과뿐 아니라 이를 감당할 조직의 역량도 점검해야 합니다. AI의 역할을 개별 업무 실행에서 여러 부서의 업무 실행과 조정으로 넓히려면 성과가 반복적으로 확인되어야 하며, 필요한 데이터와 운영 비용, 사람이 검토해야 할 업무량을 파악할 수 있어야 합니다. 특정 담당자가 바뀌더라도 동일한 기준으로 업무를 수행할 수 있는지도 중요합니다. 여러 기능의 실행을 연결하고 사업 전반에 AI를 활용하려면 업무 전체의 성과 책임과 예외 판단 권한이 작동하는지, 공통 AI 역량과 조직 지식을 안정적으로 운영할 수 있는지 확인해야 합니다. 새로운 사업에 활용할 수 있는 전문성과 미래의 핵심 역할을 맡을 인재도 확보해야 합니다.

실행 범위를 확대할 준비가 되었는지는 AI 도입 기간이나 사용량만으로 판단할 수 없습니다. 개별 과제의 투자 여부를 판단하는 AI 밸류 게이트^[4]와 더불어 사업 책임자에게 필요한 권한과 감독 역량이 있는지, 축적된 지식과 판단 기준을 다른 팀에서도 활용할 수 있는지, 미래 인재의 성장 경로가 마련되어 있는지까지 점검할 필요가 있습니다. 조직의 변화가 지속되려면 현재의 성과를 높이는 과정에서 다음 역할을 맡을 인재가 성장할 수 있어야 합니다. AI가 실행하는 업무의 범위가 넓어질수록 기업은 사람의 판단 역량을 어떻게 확보하고 발전시킬 것인지 더욱 체계적으로 설계해야 합니다.

결론

AI가 실행하는 업무가 늘어나면 기업은 기존의 조직 구조와 인력 운영 방식을 재검토해야 합니다. 그러나 모든 기업이 동일한 조직 형태로 변화하거나 반드시 특정한 순서를 거쳐야 하는 것은 아닙니다. AI가 제한된 업무를 실행하는 영역에서는 숙련자의 전문성과 판단이 팀의 성과에 더 큰 영향을 미칠 수 있습니다. 여러 기능의 실행과 조정을 담당하는 영역에서는 관리 계층의 역할을 재편하고 사업 성과를 책임지는 리더에게 필요한 권한을 부여해야 합니다. 폭넓은 실행을 안정적으로 위임할 수 있는 영역에서는 핵심 인력과 공통 AI 역량을 결합해 새로운 사업을 추진하는 방식도 가능해집니다.

조직 재설계를 단순한 인원 감축이나 조직도 간소화로 이해해서는 안 됩니다. 어떤 업무를 AI에 맡길 것인지에 따라 사람의 판단이 필요한 영역과 책임의 범위가 달라지기 때문입니다. 초기에는 숙련자의 전문성이 AI 활용 성과로 이어짐을 입증하고, 중기에는 그 성과가 개인과 부서의 경계를 넘어 확산되도록 권한과 자원을 연결하며, 장기에는 축적된 역량을 새로운 사업과 환경 변화에 맞춰 재구성해야 합니다. 경영진은 어떤 성과를 만들 것인지, 사람과 AI에 어떤 실행 권한을 부여할 것인지, 그 결과를 누가 책임질 것인지, 그리고 다음 변화에 필요한 인재와 역량을 어떻게 확보할 것인지 결정해야 합니다.

AI가 실행하는 시대에 기업의 경쟁력은 AI가 얼마나 많은 업무를 수행할 수 있는지만으로 결정되지 않습니다. 사람과 AI의 역량을 어떤 목표 아래 연결하고, 누구에게 권한과 책임을 부여하며, 그 실행 능력을 새로운 사업에 얼마나 효과적으로 활용하는가에 달려 있습니다. 기업은 이제 사람에게 업무를 배분하고 실행을 관리하는 기존의 방식에서, 사람과 AI의 실행을 설계하고 그 결과를 책임지는 조직으로 변화해야 합니다. AI의 실행 능력이 기업의 경쟁력으로 이어질 수 있는가는 결국 조직을 어떻게 설계하느냐에 달려 있습니다.

References

• ARC Group. (2026). Heavy AI Spending, Slow Returns: Why Organizational Redesign Comes First. https://arc-group.com/ai-organizational-redesign
• Stackpole, B. (2024). Leading the AI-Driven Organization. MIT Sloan. https://mitsloan.mit.edu/ideas-made-to-matter/leading-ai-driven-organization
• Andreas Welsch. (2026). AI’s Impact On Your Workforce Strategy. The AI MEMO. https://intelligencebriefing.substack.com/p/ai-impact-on-workforce-strategy
• 최성철. (2026). 기업 AI 성과 전략: 도입과 확장을 판단하는 AI 밸류 게이트 – AI로 일은 빨라졌는데, 성과는 왜 그대로일까? 삼성SDS 인사이트리포트. https://www.samsungsds.com/kr/insights/enterprise-ai-performance-strategy-on-ai-value-gates.html
• Morgan Stanley. (2024). Morgan Stanley Wealth Management Announces Latest Game-Changing Addition to Suite of GenAI Tools. https://www.morganstanley.com/press-releases/ai-at-morgan-stanley-debrief-launch
• Stanton Chase. (2026). Governance, Leadership, and Culture in the AI Era: Insights from the C-Suite. https://www.stantonchase.com/insights/blog/governance-leadership-and-culture-in-the-ai-era-insights-from-the-c-suite
• Mozaic. (2025). The Organisation of the Future: Reshaping Organisations & People for the AI Age. https://mozaic.net/insights/the-organisation-of-the-future-reshaping-organisations-people-for-the-ai-age
• GitLab. (2026). GitLab Act 2. https://about.gitlab.com/blog/gitlab-act-2
• Functionly. Blueprint for the Future: Org Design in an AI-First World. https://www.functionly.com/orginometry/the-ai-revolution/blueprint-for-the-future-org-design-in-an-ai-first-world
• Hogan, K. (2026). What We've Learned from Microsoft's Own AI Transformation. The Official Microsoft Blog. https://blogs.microsoft.com/blog/2026/09/17/what-weve-learned-from-microsofts-own-ai-transformation
• 최성철. (2026). Multi-AI로 충분한가? – Company Brain으로 연결하는 Enterprise AI. 삼성SDS 인사이트리포트. https://www.samsungsds.com/kr/insights/enterprise-ai-connecting-based-on-company-brain.html
• Lovell, A. (2026). The Future AI Team: What Enterprise AI Organizations May Look Like by 2030. AI Accelerator Institute. https://www.aiacceleratorinstitute.com/the-future-ai-team-what-enterprise-ai-organizations-may-look-like-by-2030
• McConnon, A. (2026). The Bottom Rung Returns as AI Reshapes Entry-Level Jobs. IBM Think. https://www.ibm.com/think/news/entry-level-roles-get-reset-ai
• Institute of Organization Development. (2026). Designing Future-Ready Organizations for the Age of AI. https://instituteod.com/designing-future-ready-organizations-for-the-age-of-ai

FAQ