AI가 써준 초안은 빨랐습니다.
그런데 일은 끝나지 않았습니다.

보고서의 첫 문단을 쓰는 시간은 줄었습니다. 회의록도 정리되고, 고객 메일의 초안도 금방 나옵니다. 그런데 퇴근 시간은 크게 달라지지 않았다는 분들이 많습니다. AI가 만든 결과를 읽고, 숫자를 확인하고, 말투를 고치고, 상사나 고객이 무엇을 원하는지 다시 맞추는 시간이 남기 때문입니다.

이 문제를 ‘AI가 별로라서’라고만 보기는 어렵습니다. AI가 없앴던 일의 일부가 다른 형태의 일로 옮겨갔다는 쪽에 가깝습니다. 문장을 생산하는 시간은 줄어도, 그 문장이 맞는지 판단하고 조직의 맥락에 맞춰 책임지는 시간은 여전히 사람에게 남습니다.

관련 근거 · Microsoft Research·카네기멜런대 — 생성형 AI 사용 중 검토·감독 활동이 실제로 보고된 연구

‘수정 피로’는 어디에서 생길까요

첫째는 확인입니다. 그럴듯한 문장일수록 더 조심해야 합니다. 이름, 날짜, 가격, 출처, 계약 조건처럼 틀리면 바로 문제가 되는 정보는 결국 다시 찾아봐야 합니다. 한 번의 확인은 짧지만, 보고서 전체에 흩어져 있으면 누적됩니다.

둘째는 맥락을 맞추는 일입니다. AI는 ‘정답처럼 보이는 초안’을 만들 수는 있어도, 우리 팀장님의 표현 취향, 거래처와의 관계, 회사에서 피해야 할 말까지 자동으로 알지는 못합니다. 그래서 결과물이 나왔는데도 ‘여기부터는 내가 다시 써야겠다’는 구간이 생깁니다.

셋째는 기대치입니다. “AI로 하면 금방 되지 않나요?”라는 말이 생기면, 절약된 시간을 여유가 아니라 더 많은 산출물로 바꾸게 됩니다. 초안이 빨라진 만큼 보고서 버전은 늘고, 선택지와 검토 요청도 늘어납니다.

마지막은 책임입니다. 외부로 나가는 메일, 의사결정이 담긴 회의록, 금액이나 일정이 들어간 문서는 AI가 작성했더라도 사람 이름으로 나갑니다. 최종 확인을 대충 넘기기 어려운 이유입니다.

관련 근거 · Microsoft Research — 재확인·편집·대화 방향 수정이 필요한 실제 사용 사례 분석

AI 슬롭의 비용은 '엉성함'이 아니라 남에게 넘어간 검토입니다

요즘에는 검토되지 않은 저품질 AI 생성물을 ‘AI 슬롭(AI slop)’이라고 부르기도 합니다. '슬롭'은 원래 음식 찌꺼기나 오물을 뜻하는 영어 단어입니다. 직장 안에서는 조금 더 구체적으로 볼 필요가 있습니다. 겉으로는 그럴듯한데 맥락이 빠졌거나, 핵심 판단이 없거나, 사실 확인이 되지 않아 받는 사람이 다시 생각하고 고쳐야 하는 결과물입니다.

이 현상을 업무 맥락에서 ‘워크슬롭(workslop)’이라고 부르기도 합니다. 핵심은 결과물이 못생겼다는 데 있지 않습니다. 보내는 사람은 ‘초안을 만들었다’고 느끼지만, 받는 사람은 의도를 해석하고 출처를 확인하고 다시 쓰는 일을 떠안게 됩니다. AI가 줄였다고 생각한 시간이 팀 안에서 다른 사람의 수정 시간으로 옮겨가는 셈입니다.

BetterUp Labs와 Stanford Social Media Lab이 2025년 9월 미국 정규직 사무직 1,150명을 대상으로 진행한 온라인 설문에서는, 응답자의 40%가 최근 한 달 안에 이런 워크슬롭을 받았다고 답했습니다. 다만 이 수치는 특정 국가·직군의 자기보고식 설문이며, 일반적인 직장인의 평균으로 단정할 수는 없습니다. 여기서 가져갈 만한 신호는 유행어 자체보다, AI 결과의 품질 기준과 최종 책임이 합의되지 않으면 수정 부담이 동료에게 전가될 수 있다는 점입니다.

BetterUp Labs — 기업에 AI 코칭·리더십 교육 소프트웨어를 파는 미국 회사 BetterUp의 사내 연구 조직입니다.
https://www.betterup.com/betterup-labs

Stanford Social Media Lab — 스탠퍼드대 연구소로, 소셜미디어와 AI를 매개로 한 사람 사이의 소통을 심리학·커뮤니케이션 관점에서 연구합니다. https://sml.stanford.edu/

관련 근거 · BetterUp Labs · Stanford Social Media Lab — Workslop 연구 · 원문 기사 (Harvard Business Review, 2025년 9월)

연구가 보여주는 것도 ‘생산’보다 ‘감독’의 부담입니다

마이크로소프트와 카네기멜런대 연구진이 지식노동자 319명에게서 수집한 실제 생성형 AI 사용 사례 936건을 분석한 연구에서는, 사례의 약 60%에서 비판적 사고를 실제로 수행했다는 응답이 나왔습니다. 틀린 답을 다시 확인하거나, 결과물을 편집하고, 대화의 방향을 바로잡는 일이 대표적이었습니다. 특히 평가와 검토 단계의 부담이 두드러졌습니다. 다만 이 수치는 참여자 본인이 보고한 내용을 집계한 것입니다. 실제로 잰 시간이 아니라 체감에 가깝다는 뜻입니다.

그렇다고 AI가 일을 줄이지 못한다는 뜻은 아닙니다. 글의 첫 초안, 반복 답변의 뼈대, 긴 자료의 분류처럼 기준이 분명하고 빨리 확인할 수 있는 업무에서는 실제로 속도와 품질이 좋아질 수 있습니다. 문제는 그 이득이 모든 업무에 같은 방식으로 적용된다고 기대할 때입니다.

개발 업무에서도 비슷한 경고가 나왔습니다. 미국의 비영리 연구기관 METR이 2025년에 한 실험은 이렇습니다. 숙련 개발자들에게 실제 과제를 나눠주고, 절반은 AI 도구를 쓰게 하고 절반은 쓰지 못하게 한 뒤 걸린 시간을 비교했습니다(무작위 대조 연구). 익숙한 오픈소스 프로젝트를 다루던 숙련 개발자들이 AI 도구를 쓴 실제 과제에서 오히려 시간이 더 걸렸습니다. 개발자 16명, 과제 246건 규모의 연구입니다. 다만 METR은 이후 후속 실험에서 참가자 모집과 과제 선택에 편향이 커졌다며 실험 설계를 다시 짜고 있다고 밝혔습니다. 이 연구는 결론이라기보다, '도구를 썼으니 당연히 빨라진다'는 가정을 한 번 점검하라는 신호에 가깝습니다.

※ 숫자와 사례의 맥락은 서로 다릅니다. 한 연구의 결과를 모든 직무의 평균 효과로 일반화하지 않는 것이 좋습니다. 이 글의 요지는 AI의 효과가 없다는 주장이 아니라, 검토 비용까지 함께 계산해야 한다는 것입니다.

출처 · Microsoft Research 연구 원문 · METR 개발자 생산성 연구 · METR 후속 설계 변경 공지

직장인에게 필요한 것은 ‘더 잘 시키기’보다 ‘어디까지 맡길지’입니다

AI에게 일을 맡길 때는 업무 이름보다 다음 질문이 더 유용합니다. 틀렸을 때 비용이 큰가요? 5분 안에 검증할 수 있나요? 되돌릴 수 있나요? 민감한 정보가 들어가나요? 내가 결과가 좋은지 판단할 수 있나요?

• 초안·분류·선택지는 적극적으로 맡겨도 좋습니다. 대신 결과를 그대로 제출하지 않습니다.

• 숫자·날짜·담당자·출처·대외 약속은 별도의 확인 항목으로 둡니다.

• 검토 시간이 직접 쓰는 시간의 절반을 넘기기 시작하면, 재생성을 반복하기보다 직접 정리하는 편이 낫습니다.

• 한 번에 완성본을 달라고 하기보다 ‘구조 → 핵심 주장 → 문장 다듬기’처럼 작은 단위로 나누면 고치는 범위도 작아집니다.

팀 차원에서는 ‘AI를 얼마나 쓰느냐’보다 ‘사람 손을 더 들이지 않고 쓸 수 있는 결과가 얼마나 되느냐’를 보는 편이 낫습니다. 사용 횟수만 늘면 수정 피로도 함께 늘 수 있기 때문입니다.

실무 원칙 참고 · OpenAI — Evaluation best practices · Anthropic — Building Effective AI Agents

AI는 초안을 만들고, 우리는 일을 끝냅니다

AI가 만든 첫 문장을 고치는 일이 꼭 낭비는 아닙니다. 다만 그 검토가 보이지 않는 추가 업무가 되면 피로가 커집니다. 초안의 속도만 세지 말고, 확인·조율·책임까지 포함한 전체 시간을 봐야 합니다.

좋은 AI 활용은 더 많은 결과물을 만드는 데서 끝나지 않습니다. 사람이 마지막 판단에 써야 하는 에너지를 줄이는 데까지 가야 합니다. 그래야 보고서가 빨라지고, 퇴근도 조금은 빨라질 수 있습니다.

출처 및 참고
• Microsoft Research · 카네기멜런대, The Impact of Generative AI on Critical Thinking (CHI 2025). 지식노동자 319명의 실사용 사례 936건에 대한 자기보고 설문
• BetterUp Labs, Workslop: The Hidden Cost of AI-Generated Busywork (Stanford Social Media Lab과의 2025년 9월 미국 정규직 사무직 1,150명 온라인 설문. 자체 리서치이므로 해석에 유의)
• METR, Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity (특정 개발 환경 연구) 및 2026년 2월 실험 설계 변경 공지