커니코리아

 

1. Agentic AI 시대, 무엇이 벌어지고 있는가

 

AI로 재정의되는 조직 운영 방식

AI는 기술의 진화가 아닌, 조직 구조와 운영 방식 전반을 재설계하는 근본적인 변화
AI는 단순히 답변을 생성하는 도구를 넘어, 실제 업무를 수행하고 결과를 실행하는 주체로 진화하고 있다. 이에 따라 조직의 업무 구조와 일하는 방식 전반이 AI 위에서 다시 설계되는 전환점을 맞고 있다. AI가 일하는 모습을 변화시키고 있는 지금, 다음 4가지 질문에 답해보자.

 

AX 2.0인 에이전틱 AI+Something 시대 도래

AI는 답변 생성 도구에서 자율적으로 실행하는 에이전트로 전환
CES 2025와 CES 2026을 통해 AI 진화 곡선이 명확해졌다. 작년 CES에서, 엔비디아(Nvidia) 창업주 젠슨 황은 생성형 AI, 에이전틱 AI를 넘어 피지컬 AI로의 진화 곡선을 보여주었다. 올해 CES에서는 아래와 같은 AX 2.0 시대로의 전환을 보여주고 있다. 

 

 Agentic AI goes mainstream 
AI가 답하는 것에서 그치지 않고 실제 업무 수행 단위로 확장되고 있다.
 

 Physical AI moves into real operations 
로보틱스와 자율 시스템의 현장 적용(운영) 논의가 확대되고 있다.
 

 On-device & edge intelligence rises 
클라우드만이 아니라 디바이스·엣지로 AI가 내려오며 활용 접점이 확대되고 있다.
 

 Trust & governance become product features 
확산의 병목이 성능이 아니라 권한·감사·안전(신뢰) 설계로 이동하고 있다.

 

Human-in-the-prompt
사람의 역할은 ‘수행’에서 ‘방향 정의와 통제’로 전환
HITP(Human-in-the-Prompt)는 생겨난 지 얼마 되지 않은 개념이다. 기존의 Human-in-the-loop 시대에서는 AI를 통해 업무 보조를 받되, 실제 업무 수행의 중심은 사람이었다. 이제 AI 에이전트 시대로 넘어오면서 사람이 방향을 정의하면 AI가 실행하는 구조로 전환되고 있다. 사람은 업무 목표와 제약, 기준을 정의하고, 이를 프롬프트를 통해 AI 에이전트에게 전달한다. AI들은 서로 반복작업을 거쳐 사람에게 다시 전달한다. 이러한 HITP로의 전환이 조직 구조와 책임 구조의 변화로 직결된다.

Agent-to-Agent: AI끼리 일하는 시대
AI는 업무 수행 도구를 넘어, 서로 협업하며 일을 수행하는 주체로 진화
여러 AI 에이전트가 역할을 나눠 하나의 업무를 끝까지 수행하는 구조, 즉 멀티 에이전트(Multi-Agent) 협업이 현실화되고 있다. Planner → Execute → Verify → Supervisor의 역할 분담 구조에서 에이전트 간 결과를 전달하며 작업을 연결하고, 기준 충족 시까지 자동으로 반복 실행(Loop)한다. 그리고 사람은 예외 상황에서만 개입한다.

 

기술의 변화가 아닌, 일하는 방식의 변화
에이전틱 AI는 단순 자동화를 넘어, 업무 수행 구조 자체를 다시 설계
실시간 진화가 이뤄지는 기술에 대한 부작용을 선제적으로 해결한 후에 AI 도입을 추진하면 속도가 늦을 수 밖에 없다. 기술 도입과 동시에 이슈 보완이 이루어져야 한다. 사람의 역할은 ‘질문‘에서 ‘지시‘로, 그리고 ‘목표 정의’로 전환되고 있다. 현재 어떤 기업에서는 AI는 답변만 할 뿐, 사람이 주체적으로 업무를 수행하고, 또 다른 기업에서는 Human-in-the-loop 방식으로 AI가 업무를 수행하나 사람이 반복적인 지시를 통해 결과를 개선한다. 하지만 궁극적으로 사람은 목표만 정의하고 AI가 업무 수행의 주체가 될 것이다. 사람이 목표와 기준을 AI에게 전달하면, 여러 AI가 역할을 나눠 협업하여 결과물을 도출한다. 앞으로 사람은 모든 일을 직접 수행하기보다, 일이 되도록 설계하고 통제하는 역할로 전환될 것이다.

 

 

2. AI 시대의 일하는 방식, 어떻게 바뀌는가

일하는 방식 진화의 4단계
AI 도입은 조직 운영 모델 자체를 재설계하는 여정
AI 도입은 생산성을 개선하는 것을 넘어, 조직 운영 모델 자체를 다시 설계하는 여정이다. Kearney는 이 여정을 총 4단계로 구분한다.
 

 ① Efficiency Enabler (효율화) 

지식, 작성, 탐색 업무를 가속해 개인·팀 생산성 향상

• AI를 업무 보조 도구로 활용해 개인·팀 생산성을 빠르게 향상
• 콘텐츠·지식 작업 중심으로 활용되며 초기 성과 창출
• 채택·사용성·품질 편차 관리 및 사용 가이드 필요

 ② Outcome Accelerators (태스크 실행) 

AI가 단위 업무를 직접 수행해 KPI에 직접 영향

• 처리형 업무에서 AI가 성과를 직접 만들어내는 구조로 전환
• 사람은 목표·검증·예외 처리, AI는 처리·산출 수행
• 성과 측정, 책임 구조(HITL), 승인·에스컬레이션 설계 필요

 ③ Workflow Orchestration (워크플로우 오케스트레이션) 

여러 에이전트와 도구가 역할을 나눠 프로세스를 연결하고 운영

• 단일 업무 자동화를 넘어 E2E 워크플로우 자동화로 확장
• 여러 에이전트가 역할을 나눠 작업을 연결하고 현업 수행
• 자동화된 작업을 다시 연결하는 ‘자동화의 자동화’ 구조
• 권한·감사로그·가드레일 기반 통제 및 표준 워크플로우 필요

 ④ Operating Model Backbone (운영모델 내재화) 

AI 도입은 사용하는 것에 끝나는 것이 아닌, 운영체계로 구축

• ‘AI 프로젝트’가 아닌, 운영체계(Operating Model)로 제도화
• 역할·역량·성과관리·리스크 관리 (모델·데이터·규제) 내재화
• AI를 프로젝트가 아닌, 표준·품질·리스크를 관리하는 운영체계로 전환
• 사람+AI 기반으로 인력 구조를 재설계 (Headcount → Capacity)
• 역할·역량·평가 체계를 함께 전환하며 조직 내재화

1단계: 효율화
월마트(Walmart): 개인·팀 생산성 향상 도구로 생성형 AI 활용

• 생성형 AI를 통해 '초안 작성·문서 요약·지식 탐색' 마찰을 줄이며 개인·팀 생산성 중심의 보조 도구로 활용한 사례이다. 당시 월마트는 문서 작성, 정리, 정보 탐색 시간의 누적, 업무 착수 속도의 저하, 커뮤니케이션 품질 편차라는 문제 상황이 존재했으며, 직원들의 가장 큰 니즈는 빠른 초안 작성과 문서 요약이었다. 이에 월마트는 직원용 생성형 AI 도구를 Me@Campus 앱 내에 도입함으로써, 초기 아이디어 생성, 이메일·보고서 초안 작성(Draft), 긴 문서 요약(Summarize), 발표 구조화(Structure)에 주로 활용하도록 지원했다. 이는 온보딩, 복리후생 안내 등 사내 서비스로도 확장 가능하다.
• 주요 성과로는 US 비점포 직원 5만 여명에게 배포하고, 다국어 서비스를 통해 11개 국가로 확장하였으며, 8억 5천 건 정도의 상품 데이터 생성과 개선을 기록했다. 이를 실제 사람이 수행한다고 하면, 현재 인력의 100배 이상이 필요하다. 월마트와 같이 초기 AI 활용 단계에서는 교육·가이드·사용률 관리가 핵심이다.

 

2단계: 태스크 실행
클라르나(Klarna): AI의 단위 업무 수행을 통해, KPI에 직접 영향

• 스웨덴 핀테크 기업, 클라르나는 문의량 증가로 인해 CS 리드타임과 비용 부담이 늘고 있었다. 특히 반복되는 문의로 생산성이 떨어지고 있었으며 24시간 다국어 응대 수요가 증가하는 상황이었다. 이에, AI 챗을 도입해 표준 케이스를 처리하고, 결과에 따라 AI가 자동 해결하거나 인간의 개입을 요청한다. 그 결과, 도입 첫 달에 AI가 CS 업무의 2/3 가량 처리했으며 FTE 700명 상당의 업무를 대체하는 데 성공했다. 또한 해결 시간은 기존 11분에서 2분으로 단축시켰고, 재문의율은 25% 감소했다. 

 

단일 업무 자동화의 한계

• AI가 단위 업무를 수행하지만 사람의 지시가 있어야만 수행하고, 업무 간 연결은 여전히 사람에 의존하는 구조다. 예를 들어, 사람이 고객 응대를 요청해야 AI가 문의를 처리하고, 사람이 리서치를 요청해야 AI가 인사이트를 도출한다. 또한 사람이 문서 작성을 요청해야 AI가 초안을 생성한다. 이러한 AI의 결과물을 종합적으로 모아서 판단하는 것도 사람이다. 이처럼 워크플로우가 단절되어 있다면, 핸드오프(Handoff)·조정·검증하는 과정이 반복되고 조직 단위 성과 혁신이 제한될 수 밖에 없다.

 

3단계: 워크플로우 오케스트레이션 

AI가 End-to-End(E2E)로 업무를 연결하여 조직 성과에 기여

• 3단계에서는 AI가 각 업무를 연결해 자동으로 워크플로우를 운영하는 구조다. 여러 에이전트가 역할을 나눠 협업하며, 오케스트레이터가 흐름과 핸드오프를 관리한다. 기준 충족 시까지 자동 반복을 실행하고, 사람은 예외·승인·리스크 판단할 때만 개입한다. 궁극적으로 업무 자동화를 넘어, 업무 전체 흐름을 자동으로 운영하는 E2E 구조다.

 

Human → AI 에이전트 → AI 루프

• 사람(Owner)은 ‘무엇을 할지 정의’하는 역할을 수행한다. 업무의 목표와 제약 조건을 정의하고, 업무의 성공 기준을 설정하며, 이를 기반으로 에이전트에게 지시를 내리고 최종 판단을 담당한다.
• 에이전트(Orchestrator/Team)는 ‘업무 흐름을 설계하고 연결‘하는 역할을 수행한다. 작업 단계 분해(Planner), 에이전트 역할 구성, 흐름과 핸드오프 관리, 기준 미달 시 재작업 트리거를 수행한다.
• AI/툴(Execution Loop)은 ‘작업을 끝까지 수행’하는 실행 주체이다. 실제 작업 수행(작성, 분석, 실행)부터 도구 호출(API, DB, Code 등)을 수행하고, 기준 충족 시까지 자동 반복한다. 이러한 결과를 사람에게 전달하며, 필요 시 사람 승인을 요청한다.
• 사람은 직접 업무를 수행하지 않고, 에이전트를 구성해 AI가 수행하도록 업무를 설계하고 결과를 통제한다. 따라서 경쟁력은 ‘사람’ 그 자체가 아니라, ‘얼마나 잘 돌아가게 설계했는가'로 결정된다.

 

지멘스(Siemens): 단일 자동화를 넘어, Multi-agent 기반 E2E 자동화 구현

• 당시 지멘스는 분절된 작업 구조로 E2E 리드타임을 개선하는 데 한계가 있었고, 단일 자동화하는 것으로도 역부족이었다. 또한 표준화, 재사용, 확장성 확보도 어려운 상황이었다. 이에 지멘스는 제조 생산 과정에서 멀티-에이전트 협업 구조를 설계했다. 각 에이전트가 역할을 분담해 업무를 연결하고 작업을 수행하며 결과를 전달한다. 예를 들어 Planner 에이전트는 요구사항 입력, Builder 에이전트는 구성·코드 생성, Validator 에이전트는 검증·테스트와 문서화·배포까지 연결하여 수행한다. 그 결과, 지멘스는 생산성을 최대 50% 높였다. 자동화의 경쟁력은 기능이 아니라, ‘얼마나 E2E로 연결했는가’로 결정될 것이다.

 

4단계: 운영모델 내재화
AI를 단순 도입하는 조직이 아닌, AI로 운영되는 조직으로의 전환

• 현재 마케팅, 세일즈, CS 등 각 부서가 개별적으로 AI를 도입(POC 중심)하는 방식으로는 표준을 만들 수 없을 뿐더러, 운영과 리스크를 통제하기도 어렵다. AI를 일회성 프로젝트로 접근하기보다, 조직 전반에서 지속적으로 작동하는 운영 체계로 전환해야 한다. 이를 위한 구조가 Hub & Spokes다. 중앙의 AI Hub/CoE가 표준, 플랫폼, 거버넌스를 만들고, 사람과 AI 에이전트(Digital worker)의 역할을 정의한다. 각 실행 조직(Business Unit)은 이 기반 위에서 AI를 적용하고 확장한다. 중앙에서 표준을 만들고, 현업에서 실행하는 구조다. 이 구조가 제대로 작동하면 AI 기반의 운영과 의사결정 체계가 구축이 되고, 성공 사례와 자산을 재사용하며 확장할 수 있다. 결국 사람과 AI가 함께 일하는 방식이 조직 전반에 자연스럽게 녹아 드는 것이 목표다. 한 가지 중요한 것은 이러한 변화는 기술 문제가 아니라는 점이다. 조직을 어떻게 운영할 것인가의 문제이고, 그래서 HR의 역할 변화와 직결된다.

 

마이크로소프트(MS)의 코파일럿 기반 조직 내재화

• MS는 AI를 업무 보조 도구로 활용하는 것을 넘어, 업무 환경 자체를 AI로 전환하고 있다. 기존에는 문서, 이메일, 협업 등 지식 작업에서 비효율이 지속 발생했고, 데이터가 조직 내에서 제대로 흐르지 않아 생산성 편차도 발생했다. 이를 해결하기 위해 MS는 워드, 엑셀, 팀즈 등 전사 업무 환경에 AI 코파일럿을 내재화했다. 개인과 팀의 업무를 데이터 기반으로 통합 지원하는 구조다. 그 결과, 개인의 생산성을 조직의 생산성으로 확장했고 반복 작업이 줄었으며 의사결정도 빨라졌다. AI가 선택 사항이 아니라, 업무의 기본 레이어로 정착한 것이다.

 

아마존(Amazon)의 AI 기반 운영 자동화

• 아마존에서 AI는 특정 기능을 돕는 도구가 아니라, 운영 자체를 구동하는 엔진이다. 물류, 재고, 추천 등 운영의 복잡도가 높아지면서 수작업 기반의 의사결정 한계가 드러났고, 이를 근본적으로 바꾸는 것이 주요 과제였다. 아마존은 수요 예측, 재고 관리, 물류 최적화를 AI로 자동화하고, 실시간 데이터를 기반으로 운영 의사결정이 이루어지는 체계를 구축했다. AI 중심으로 프로세스를 재설계한 것이다. 결과적으로 운영 효율과 처리 속도를 대폭 향상시켰고, 비용을 줄이고 정확도를 높였다. 현재도 AI 기반으로 운영 모델을 지속적으로 최적화하고 있다.

 

AI 운영 모델의 구성 요소

• AI 운영 모델은 조직이 어떻게 일하고 의사결정 하는지를 재설계하는 단계로서, 아래 4가지 요소가 정립되어야 한다.

 ① AI CoE / Product Ops: 표준화+재사용+운영 
AI를 프로젝트가 아닌 제품 단위로 운영한다. 공통 플랫폼, 모델, 데이터, 워크플로우를 표준화하고 재사용 가능한 템플릿과 에이전트 구조를 설계한다. 품질, 성능, 비용을 지속적으로 관리하고 최적화한다.

 ② Workforce Planning: 인력=사람 수가 아닌, 인력=처리 능력 
사람과 AI를 함께 고려해 역할과 인력 구조를 재설계한다. 인력을 인원 수로 세는 방식(Headcount)에서 벗어나 처리 능력(Capacity) 기반으로 전환하는 것이다. 어떤 일을 자동화하고, 어떤 역할을 채용할 것이며, 누구를 재배치할지를 함께 판단하는 의사결정 체계가 필요하다. 사람의 역할도 바뀐다. 직접 수행하는 역할이 아닌, 설계하고 통제하는 역할이 더욱 중요해진다.

 ③ Change/Skilling: 사람 역할 전환+조직 적응 
직원은 업무를 처리하는 수행자에서 AI 활용자 및 설계자로 전환한다. 관리자 역시 운영자에서 AI 기반의 의사결정 리더로 변화해야 한다. 조직 내 AI 도입과 활용 수준을 꾸준히 관리하고, 이에 맞춰 새로운 KPI 및 평가 방식도 내재화한다.

 ④ Governance: 통제 가능한 AI 운영 
권한, 승인, 감사 로그를 기반으로 통제 체계를 구축한다. 모델 리스크, 데이터 품질, 규제 이슈를 관리한다. 
AI 의사결정의 근거를 확보하고, 예외 상황이 발생했을 때 대응 체계와 책임 구조를 설계한다.

 

미래 조직의 모습: 사람과 AI가 함께 운영하는 구조로 재편

• 전통적인 조직(Traditional Organization)에서는 사람이 업무 흐름을 직접 연결하고 실행한다. 영업팀이 고객 유입을, 마케팅팀이 마케팅 실행을, IT팀이 고객 전환을, CS팀이 고객서비스를 각각 맡는 식이다. 부서 간 핸드오프로 업무가 이어지다 보니, 조직 간 커뮤니케이션 비용이 발생하고 의사결정과 실행이 단계마다 지연되는 문제가 발생한다.
• 반면 AI 기반 조직(AI-driven Organization)에서는 이 모든 흐름을 직접 연결하고 실행한다. AI Orchestration Layer가 고객 유입부터 마케팅 실행, 고객 전환, 고객 서비스까지 워크플로우를 유기적으로 이어준다. 앞서 살펴봤듯이 MS는 코파일럿으로 업무 흐름을 연결하고, 아마존은 물류, 재고, 배송 워크플로우를 AI 기반으로 최적화했다. 지멘스는 엔지니어링 프로세스를 AI로 자동화했으며, 깃허브는 개발 워크플로우 자체를 AI 중심으로 재구성했다.
• 이처럼 완전히 새로운 조직이 등장하는 것이 아니라, 기존 조직이 흐름 중심으로 서서히 재편될 것이다. 그 안에서 HR은 피플 거버넌스(People Governance) 역할을 수행해야 한다.

 

 

3. AI 운영 모델 전환에서의 HR 역할 3가지

 

HR 역할의 재정의
AX 전환의 People Governance 설계
HR은 조직 내 AX를 지원하는 것과 동시에, 사람과 AI 에이전트가 함께 일하는 구조가 지속 가능하게 작동하도록 ‘피플 거버넌스’를 설계하는 역할을 수행해야 한다. 

 

 Work Governance 
업무 변화가 직무와 역할에 미치는 영향 관리
현업과 AX 조직이 워크플로우를 재설계할 때, HR은 사람과 에이전트의 역할 기준을 정립해야 한다. Job, Role, Task가 바뀌면 직무 체계와 책임 구조도 함께 바뀌기 때문이다. 어떤 영향이 생기는지 미리 검토하고, 지금까지 직접 수행하던 역할을 설계, 검증, 예외 판단 중심의 역할로 전환하는 기준을 만들어야 한다.

 

 Workforce Capacity & Transition 
사람과 에이전트 능력 기반의 인력 전환 시나리오 설계
인력을 머릿수로 세는 방식이 아닌, 사람과 에이전트를 합친 총 능력으로 인력을 다시 정의한다. 이때, 자동화·채용·재배치·육성·자연감소·감축 옵션을 통합적으로 검토해야 하고, 업무량이 줄어드는 역할과 새로 생겨나는 역할을 동시에 반영한 인력 전환 시나리오를 함께 설계해야 한다.

 

 HR Practice Redesign 
사람과 AI 협업 구조에 맞춘 HR 제도 재설계
성과(Performance), 책임(Accountability), 보상(Reward), 인재(Talent) 기준을 사람과 AI 협업 구조에 맞게 재설계한다. AI 수행 결과에 대한 승인, 예외 처리, 책임 기준을 평가와 보상 체계와 연계해야 한다. 또한 역할이 바뀌는 과정에서 생기는 직원 수용성 문제, 규제와 노무 리스크도 HR 제도에 반영한다.

 

AX 추진체계
AX CoE, 현업, HR 모두가 유기적으로 협업해야
AX 전환은 세 주체가 역할을 나눠 움직여야 성공할 것이다. AX CoE가 실행 체계를 만들고, 현업이 워크플로우 전환을 책임지며, HR은 사람·직무·인력·제도에 미치는 영향을 관리한다. 

 

 AX CoE (Build & Enable) 
AX CoE는 AI 기술과 운영 체계를 제공하는 조직이다. AI 플랫폼, 에이전트 표준, 공통 도구, 보안 기준을 만들고 현업에 제공한다. 어떤 영역에 에이전트를 적용할 수 있는지, 자동화를 어떻게 설계할지 방법론도 함께 지원한다. 모델 성능, 데이터, 권한, 감사 로그, 가드레일을 운영하며, 현업에서 나온 활용 사례들(Use Case)이 확산될 수 있도록 재사용 가능한 템플릿을 관리한다.

 

 Business/Function (Own & execute) 
각 사업 부서와 팀은 업무 오너 조직이다. 어떤 워크플로우를 바꿀지, 목표 성과는 무엇인지를 직접 정의한다. 병목 지점, 반복 작업, 자동화할 수 있는 업무를 찾아내고, 사람과 에이전트의 역할을 어떻게 나눌지, 예외 상황은 어떻게 처리할지 기준을 세운다. 워크플로우 성과와 실행 결과에 대한 최종 책임은 현업에 있다.

 

 HR (Govern People Impact) 
HR은 사람, 직무, 제도 영향을 관리하는 조직이다. 워크플로우가 바뀌면 Job, Role, Skill이 어떻게 달라지는지 검토한다. 사람과 에이전트를 합친 능력 기준으로 인력 영향을 분석하고, 채용·재배치·육성·자연감소·감축 등 가능한 옵션을 함께 살펴본다. 또한 성과·책임·보상·인재 기준을 HR 제도에 반영한다.

 

 

4. HR의 첫 번째 역할: Work Governance

 

Job은 어떻게 재편되는가

‘누가 어떤 업무를 수행하느냐’에서 ‘업무가 어떻게 흐르고, 어디에 사람이 개입하느냐’로 전환

• 기존 직무 구조는 업무를 Task 단위로 쪼개고, 그 묶음을 Job으로 정의하는 방식이었다. 개인의 경험과 스킬이 생산성을 결정했고, 부서 간 핸드오프로 업무가 이어졌다. 핵심 질문은 ‘누가 어떤 업무를 수행하느냐’였다. AI 시대에 이 질문은 ‘업무가 어떻게 흐르고, 어디에 사람이 개입하느냐’로 바뀐다. 업무를 E2E 흐름으로 정의하고, Task별로 사람이 할 것과 에이전트가 할 것으로 수행 주체를 나눈다. 사람은 목표를 정의하고, 예외를 판단하고, 결과를 검증하는 역할로 전환된다. 에이전트와 시스템이 핸드오프와 실행 흐름을 자동으로 연결한다.
• 실제로 직무별 변화를 보면 방향이 뚜렷하다. 소프트웨어 엔지니어는 코드를 직접 작성하고 디버깅하던 역할에서, 에이전트가 생성한 코드를 검증하고 아키텍처를 설계하며 품질·보안 기준을 통제하는 역할로 바뀐다. 고객 서비스 담당자는 문의를 직접 대응하던 역할에서 AI의 1차 대응을 모니터링하고 예외와 클레임을 판단하는 역할로 전환된다. 마케터는 콘텐츠를 직접 만들고 캠페인을 실행하던 역할에서 AI가 생성한 콘텐츠를 검수하고 메시지·타겟 전략을 설계하는 역할로 이동한다.
• Job이 사라지는 것이 아니다. 사람과 에이전트의 역할 경계가 변화한 것이다. HR Work Governance의 역할은 변화한 워크플로우를 직무·역할·역량·책임 기준으로 번역하고 검증해서 제도로 만드는 것이다.

 

AI 시대, 일을 재설계하는 방법
일의 재설계(Work Redesign)는 현업과 AX 조직이 주도하되, HR은 사람·에이전트 역할과 직무·역량·성과 영향을 검증

• 일을 재설계하는 것은 HR 단독으로 수행할 수 없으며, 반드시 AX CoE 조직과 현업과의 협업을 통해서 이뤄져야 한다.

 

 

5. HR의 두 번째 역할: Workforce Capacity & Transition 

 

적정 인력 산정 방식의 변화

인력은 머릿수(Headcount)가 아니라, 인간과 에이전트의 총 수행 능력(Capacity)으로 정의

• 기존에는 업무량을 FTE로 환산하는 방식으로 인력을 계획했다. (1) 매출, 영업이익 대비 인건비 비중으로 적정 인원을 산정하는 재무 기반 방식, (2)  전략적 투자 영역에 인력을 배분하는 전략 기반 방식, (3) 업무별 Time Study를 통해 필요 인원을 계산하는 업무 기반의 인력 산정 방식, (4) RPU 기반 Staffing Driver로 규모를 예측하는 생산성 기반 방식이었다. 
• AI 시대에는 접근 방식이 달라진다. 먼저 업무별로 사람이 할 일과 에이전트가 할 일을 나눈다. 예를 들어 캠페인 기획, 이미지 검토, 고객 클레임 대응, 성과 모니터링처럼 판단과 맥락이 필요한 일은 사람이 맡고, 카피 작성, 이미지 생성, FAQ 응답처럼 반복적이고 처리 중심인 일은 에이전트가 맡는다. 이처럼 인간과 에이전트의 능력을 합쳐 총 수행능력을 산정하는 것이 AI 시대의 인력 계획이다.

 

사람+에이전트 기반 인력 설계
HR은 ‘사람+에이전트 역량 모델링’을 통해 채용, 재배치, 육성, 에이전트 증설, 자연감소 및 감축 옵션을 통합적으로 판단

• 첫 번째 단계는 수요 정량화(Demand Quantification)이다. 두 번째는 태스크 분해(Task Decomposition)이다. 워크플로우를 측정 가능한 태스크 단위로 쪼개고, 반복 업무·규칙 기반 업무·판단이 필요한 업무·예외 처리 업무로 유형을 구분한다. 태스크별로 난이도, 리스크, 자동화 가능성도 함께 정의한다.
• 세 번째는 사람-에이전트 역할 배분(Human-Agent Role Allocation)이다. 태스크별로 사람이 할지, 에이전트가 할지, 둘이 함께할지 수행 주체를 정한다. 규칙 기반의 반복 업무는 에이전트 우선으로 검토하고, 판단·예외·승인·통제가 필요한 업무는 사람이 개입하는 기준을 명확히 정의한다.
• 네 번째는 역량 모델링 및 의사결정(Capacity Modeling & Decision)이다. 태스크별 처리량을 기준으로 사람과 에이전트의 능력을 각각 산정한다. 사람의 처리 능력은 FTE × 생산성 × 가용시간으로, 에이전트의 처리 능력은 처리량 × 성공률 × 가동시간으로 계산한다. 이렇게 나온 능력의 차이(Capacity Gap/Surplus)를 기준으로 HR이 취할 액션을 도출한다.
• 고객 문의를 예로 들어보자. 기존에 20명이 처리하던 월 10,000건의 고객 문의 워크플로우를 이 방식으로 모델링하면 다음과 같다. FAQ·표준 문의(70%)는 에이전트 2개가 1차 처리하고, 클레임·복합 문의(25%)는 사람 6명이 판단하되 에이전트가 지원하며, 예외·승인이 필요한 문의(5%)는 사람이 직접 승인하고 책임진다. 이 외, 남은 사람들의 능력은 재배치·재교육·자연감소·역할 전환 등의 옵션을 검토한다.

 

AI 도입에 따른 인력 전환 실행 원칙
글로벌 패턴: AI 투자 확대와 인력 구성(Workforce Mix) 재조정

• 해외 주요 기업들의 움직임은 뚜렷하다. AI 인프라·모델·에이전트 역량에 대규모 투자를 먼저 집중하고, 동시에 기존 역할을 감축하거나 신규 채용을 줄이고 공개 채용을 취소한다. 줄어든 자리는 그냥 없애는 게 아니라, 기존 인력을 AI 제품·운영·검증·인프라 역할로 재배치하는 방식으로 채운다. 줄어드는 역할과 새로 필요한 역할을 동시에 관리하는 것이다.
• 실제로 2026년 5월, 메타는 약 8천 명을 감축하고 6천 여개의 채용 포지션을 취소하는 한편, 약 7천 명을 AI 관련 역할로 재배치했다. 같은 시기 CAPEX 가이던스는 1,250억~1,450억 달러로 상향 조정됐다. 

 

한국의 현실: 감축보다 전환 옵션과 절차 설계가 먼저

• 한국에서는 접근 방식이 달라야 한다. AI 도입 자체는 인력 감축의 사유가 되지 않는다. 업무량 감소, 역할 변화, 처리 능력 과잉에 대한 객관적인 근거가 있어야 한다. 그 전에 해고를 피하기 위한 노력이 선행되어야 한다. 채용 동결, 전환 배치, 재교육, 희망퇴직, 근로시간 조정 등 가능한 옵션을 먼저 검토해야 한다. 감축 대상을 정할 때도 자동화 영향도·직무 전환 가능성·스킬 갭 등 기준을 사전에 명확히 정의해야 합리성과 공정성을 확보할 수 있다. 근로자 대표와의 협의도 빠질 수 없다. 변화의 필요성, 대상, 일정, 지원책을 충분히 설명하고 협의하는 과정을 관리해야 한다. 한국 근로기준법 제24조는 경영상 이유에 의한 해고에 대해 긴박한 경영상 필요, 해고 회피 노력, 합리적이고 공정한 대상자 기준, 근로자 대표 협의를 요건으로 규정하고 있다. 한국에서 AI 전환의 실행 속도를 결정하는 것은 AI 도입 속도가 아니다. 전환 옵션과 절차를 얼마나 선제적으로 설계했는지가 실행 속도를 결정한다.

HR 실행 원칙 : Capacity 증거 기반으로 전환 시나리오 설계

• 근거 기반(Evidence-based)으로 움직여야 한다. 업무량, 처리량, 자동화율, 에이전트 성공률, 잔여 업무를 데이터화 해야 한다. 느낌이 아니라 숫자로 말해야 한다.
• 전환 우선(Transition-first) 원칙을 지켜야 한다. 감축보다 재배치·재교육·역할 전환·자연감소 옵션을 먼저 설계한다. 감축은 마지막 선택지다.
• 공정하고 설명할 수 있도록(Fair & Explainable) 관리해야 한다. 대상 직무와 인력 영향 기준을 사전에 정의하고, 왜 그 기준인지 설명할 수 있어야 한다.
• 제도와 연결(Practice-linked)해야 한다. 전환 결과를 직무·스킬·성과·보상·인재 제도에 실제로 반영해야 한다. 별도로 움직이는 전환 프로젝트가 아니라, HR 제도 안에 녹아 들어야 한다.

 

 

6. HR의 세 번째 역할: Practice Redesign 

 

사람·AI 협업 구조에 맞춘 제도 재설계
HR 제도는 개인 수행량 중심에서 워크플로우 성과, 책임 구조, 시스템 기여, AI 협업 역량 중심으로 재설계 필요
업무(Work), 인력(Workforce)의 변화는 성과, 책임, 보상, 인재 기준이 함께 바뀔 때 조직에 내재화된다.

 

① 성과
개인 KPI에서 워크플로우 성과로 전환
AI가 업무에 참여하면 성과평가 방식도 바뀌어야 한다. 개인이 얼마나 많이 처리했는지가 아니라, 워크플로우가 만들어낸 성과, 사람이 설계하고 검증한 기여, 에이전트가 수행한 품질을 함께 측정해야 한다. 이에 HR이 성과관리를 설계할 때, 워크플로우 KPI 정의서, 사람 기여도 평가 기준, 에이전트 성과 모니터링 대시보드, 성과관리 운영 기준을 마련해야 한다.

 

 워크플로우 성과 
개인의 산출량이 아니라, E2E 워크플로우가 만든 성과를 측정
E2E 처리 리드 타임, SLA 준수율, 처리 속도를 측정하고, 오류율, 재작업률, 품질 안정성을 함께 반영한다. 고객과 직원의 경험, 비용 효율, 자동화율, 예외 처리율, 병목 구간도 성과관리 지표로 반영한다. 주요 지표로는 처리 리드타임, SLA 준수율, 자동화율, 오류·재작업률, 고객 만족도, 건당 처리 비용(Cost Per Transaction) 등이 있다.

 

 사람의 기여 
사람이 직접 처리한 양보다, AI가 올바르게 일하도록 만든 기여를 평가
목표·제약 조건·성공 기준을 얼마나 잘 정의했는지, 에이전트 지시와 프롬프트를 얼마나 잘 설계했는지를 평가한다. AI 결과 검증·예외 판단·최종 승인 품질, 리스크 탐지·개선 제안·워크플로우 최적화 기여도 평가의 대상이다. 주요 지표로는 문제 정의 품질, 에이전트 지시 품질, 결과 검증 정확도, 예외 판단 품질, 리스크·컴플라이언스 탐지, 워크플로우 개선 기여 등이 있다.

 

 에이전트 성과 
에이전트 처리량 뿐 아니라, 정확성·안정성·통제가능성 함께 관리
에이전트 처리 성공률과 정확도, 사람에게 넘어오는 비율(Human Escalation Rate)과 재작업률을 관리해야 한다. 또한 처리 속도·비용·가동률 등 운영 효율, 감사로그·판단 근거·승인 이력 완결성을 측정한다. 주요 지표로는 처리 성공률, 정확도·오류율, 사람 전환율, 재작업률, 처리 비용, 감사로그 완결성 등이 있다.

 

② 책임
AI 수행 결과에 대한 책임 구조 설계
AI가 실행하더라도 책임은 사라지지 않는다. HR은 업무 리스크별 사람의 개입 수준과 역할별 책임 경계를 사전에 제도화해야 한다. AI가 실행하면 ‘누가 수행했는지’보다 ‘누가 목표·기준·승인·운영을 책임지는지’가 더 중요하다. 그렇지 않으면 에이전트 수행 결과에 대한 책임 공백이 발생할 것이고, 승인·예외·리스크 판단 기준이 없다면 현업에서의 혼란이 커질 것이다. 또한 업무 유형별 사람의 통제 포인트와 책임 경계에 대해 사전에 정의하는 것도 필요하다.

 

③ 보상
AI 성과 배분과 보상 수단 설계
AI로 창출된 성과는 개인에게 자동 귀속되는 것이 아니라, 조직·워크플로우·개인 기여 수준에 따라 적절한 보상 수단으로 연결되어야 한다. 

 

▶ 보상 전환(Reward Shift)

개인 수행량 중심 보상에서 워크플로우 성과와 AI 협업 기여 보상으로 전환

 

▶ AI 성과 배분 구조
조직 성과 → 워크플로우 공동 성과 → 개인 기여로 구분하여 배분

 

 

④ 인재
AI Impact 기반 역할·스킬 포트폴리오 재설계
AI 시대의 인재 관리는 AI 영향도와 미래 중요도에 따라 역할을 분류하고, 필요한 역할·스킬·인재 활동(Talent action)을 차등 설계해야 한다. 역할 포트폴리오 매트릭스(Role Portfolio Matrix)는 다음의 네 가지 유형으로 구분할 수 있다.

 

▶ 역할 포트폴리오 매트릭스
직무 영향도와 미래 중요도에 따라 역할 전환 유형 구분

 

▶ AI 시대, 핵심 역할과 스킬 정의
수행 역량보다 문제 정의, 에이전트 활용·검증·통제 역량 핵심

 

▶ Reward Vehicle & Design 요소

 

 

7. HR의 과제: 사람과 에이전트가 함께 일하는 운영 모델을 제도화해야
 

AI가 일을 대신하는 시대가 아니라, AI가 일을 수행하는 시대다. 이 거대한 흐름 속에서 지금 필요한 것은 AI 도입을 도입할지 말지를 고민하는 것이 아니다. AI가 이미 도입된다는 전제 하에 전체 운영 모델을 다시 설계해야 한다. 또한 HR은 사람을 관리하는 기능에 머물러서는 안된다. 사람과 에이전트가 함께 일하는 구조가 조직 내에서 제대로 작동하도록 ‘피플 거버넌스’를 설계하고 ‘운영 모델’을 제도화하는 것이 HR이 해야 할 일이다.