AI는 암묵지를 이식하지 않는다

사람의 머릿속을 복제하는 대신, 암묵지가 필요했던 업무 구조를 바꿔야 합니다.

2026년 봄, 메타가 직원들의 마우스 움직임과 클릭, 키 입력, 그리고 일부 화면 스냅샷을 AI 에이전트 학습 데이터로 수집하겠다고 내부에 공지했다는 보도가 나왔습니다. 비슷한 시기에는 AI 중심 조직 재편과 대규모 감원 보도도 이어졌습니다.

겉으로 보면 이건 암묵지를 데이터화하는 가장 빠른 방법처럼 보입니다. 사람이 실제로 어떻게 일하는지 — 어떤 화면에서 멈추고, 어떤 버튼을 누르고, 어떤 단축키를 쓰는지 — 를 통째로 캡처하면, 그 노하우가 모델로 옮겨가지 않을까요.

그런데 여기에 함정이 있습니다.

화면은 행동을 보여주지만, 판단을 보여주지는 않습니다. 클릭은 남지만 왜 그 선택을 했는지는 남지 않습니다. 멈춘 시간은 남지만 어떤 리스크를 검토했는지는 남지 않습니다. 캡처되는 것은 일의 표면이고, 정작 필요한 것은 판단의 구조입니다.

이 차이가, 지금 "암묵지 이식"이라는 말 전체가 헷갈리는 지점입니다.

"암묵지"라고 부르던 것의 정체

요즘 어디서나 "우리 조직의 암묵지를 AI에 이식해야 한다"는 말이 들립니다. 매력적입니다. 기존 인력도, 기존 방식도 건드리지 않고 AI만 옆에 붙이면 된다고 하니까요. 그래서 잘 팔립니다.

그런데 조직에서 암묵지라고 부르는 것의 상당수는, 정말 말로 설명할 수 없는 감각이 아닙니다. 문서화되지 않은 기준이고, 회의에서만 공유된 맥락이고, 담당자만 기억하는 예외 처리이며, 시스템에는 남아 있지 않은 판단 이력입니다.

즉, 많은 경우 암묵지는 "말할 수 없는 지식"이라기보다 "아직 구조화되지 않은 업무"에 가깝습니다.

예를 들면 이런 것들입니다.

• 이 고객은 겉으로는 빠른 납기를 원하지만, 실제로는 검증 자료를 더 중요하게 봅니다.

• 이 표현은 법적으로 틀린 말은 아니지만, 고객에게는 과장으로 읽힐 수 있습니다.

• 이 업무는 자동화해도 되지만, 마지막 제출 전에는 반드시 사람이 봐야 합니다.

• 이 숫자는 맞아 보여도 출처가 불명확하면 쓰면 안 됩니다.

숙련자에게는 너무 당연해서 굳이 말로 남기지 않는 것들입니다. 하지만 AI에게는 전혀 당연하지 않습니다.

그래서 질문이 바뀝니다. "어떻게 사람의 머릿속을 AI에 복사할 것인가"가 아니라, "왜 이 업무가 사람의 머릿속에만 있었는가"로.

약한 고리가 더 중요해집니다

스탠퍼드 경제학자 채드 존스의 "약한 고리(weak link)" 관점이 여기에 닿습니다.

하나의 직업 안에는 수십 개, 많게는 수백 개의 작은 작업이 들어 있습니다. AI가 그중 일부를 아무리 빠르게 자동화하더라도, 끝까지 자동화되지 않는 약한 고리가 전체 생산성을 결정합니다.

그 약한 고리는 대개 이런 것들입니다. 무엇을 검증해야 하는가. 어떤 예외를 위험으로 봐야 하는가. 고객에게 어디까지 말해도 되는가. 어떤 판단은 사람이 승인해야 하는가. 실패했을 때 무엇을 기록해야 다음 사람이 이어받을 수 있는가.

이것이 조직에서 암묵지라고 불리던 것의 실제 모습입니다. 숙련자의 감각처럼 보였지만, 사실은 판단 기준과 검증 절차와 권한 구조와 기억 방식이 한 사람에게 묶여 있었던 것입니다.

그래서 AI가 빠른 일을 가져갈수록, 남은 약한 고리의 가치는 오히려 더 커집니다.

그래서 이식이 아니라 해체입니다

AI-native 전환은 사람의 머릿속을 모델에 넣는 일이 아닙니다. 사람이 혼자 붙잡고 있던 업무 구조를 밖으로 꺼내는 일입니다.

이걸 가장 구체적으로 설명할 수 있는 방식이 GitHub 리포지토리입니다.

개발 업무만 GitHub에 올리는 것이 아닙니다. 제안서, 리서치, 고객 미팅, 제품 기획, 운영 설계도 하나의 업무 단위로 쪼개 리포지토리나 폴더 구조에 올릴 수 있습니다. 중요한 것은 "파일을 저장한다"가 아니라, 업무가 다시 열릴 수 있는 구조로 남는다는 점입니다.

예를 들어 하나의 고객 프로젝트를 리포지토리 단위로 나눕니다. 그 안에는 회의록, 고객 요구사항, 결정 로그, 리스크 목록, 참고 자료, 실행 명세, 진행 상태가 들어갑니다. 누가 왜 이 결정을 했는지, 어떤 근거를 봤는지, 아직 확인되지 않은 것은 무엇인지가 파일과 이력으로 남습니다.

그 다음 Codex나 Claude Code가 이 리포지토리를 읽습니다. 사람의 기억을 묻는 것이 아니라, 이미 밖으로 꺼내둔 업무 맥락을 읽는 것입니다. AI는 그 위에서 초안을 쓰고, 빠진 근거를 찾고, 리스크를 표시하고, 다음 실행 단위를 제안합니다.

작업이 끝나면 다시 커밋합니다. 커밋 메시지에는 무엇이 바뀌었는지 남고, 팀원은 변경 이력을 보며 같은 맥락으로 들어올 수 있습니다. 필요하면 Pull Request나 리뷰 코멘트로 승인과 검토도 남깁니다.

이렇게 되면 업무는 "담당자가 기억하는 것"에서 "팀과 AI가 함께 읽을 수 있는 객체"로 바뀝니다. 저도 일주일 넘게 손을 뗐던 프로젝트를 리포지토리만 다시 열어 몇 분 만에 맥락을 되찾곤 합니다. 처음부터 설명을 다시 듣지 않아도 되는 건, 리포지토리와 변경 이력이 현재 상태를 대신 말해주기 때문입니다.

밖으로 꺼낸 것의 일부는 문서가 되고, 일부는 체크리스트가 되고, 일부는 데이터 구조가 되고, 일부는 검증 규칙이 되고, 일부는 승인 권한으로 남습니다. 그리고 일부는 끝까지 사람의 판단으로 남겨야 합니다.

실무에서는 업무를 다섯 가지로 분해해보면 충분합니다. 맥락은 리포지토리와 메모리로, 판단은 결정 로그로, 검증은 체크리스트로, 권한은 리뷰와 승인 구조로, 경험은 커밋과 실행 로그로. 이 다섯 가지가 잡히면 AI는 훨씬 잘 일합니다. 반대로 없으면, AI는 그럴듯하게 말하지만 조직은 여전히 사람 한 명의 기억에 의존하게 됩니다.

사람은 어디에 남는가

여기서 가장 중요한 오해 하나를 끊어야 합니다. 구조 해체는 "사람을 빼는 것"이 아닙니다.

좋은 AI 시스템은 "무엇이든 자동화할 수 있다"고 말하지 않습니다. 무엇을 자동화하고, 무엇을 보조하고, 무엇을 보류하고, 무엇을 제외할지를 구분합니다. 신뢰는 AI가 할 수 있는 일을 말하는 데서 생기지 않습니다. AI가 해서는 안 되는 일을 분명히 말하는 데서 생깁니다.

규제 산업에서는 이것이 더 분명해집니다. AI 답변이 원문 조항과 버전으로 역추적되는가. 최종 승인자가 사람으로 남는가. 이것이 빠지면 그건 시스템이 아니라 사고입니다.

암묵지는 사라지지 않습니다, 위치가 바뀝니다

암묵지는 AI 때문에 사라지지 않습니다. 다만 위치가 바뀝니다.

예전에는 숙련자의 몸과 기억 안에 있었습니다. 이제는 업무 시스템의 여러 층으로 나뉘어야 합니다. 앞서 말한 다섯 가지 그대로입니다. 맥락은 리포지토리와 메모리로, 판단은 결정 로그로, 검증은 체크리스트로, 권한은 리뷰와 승인 구조로, 경험은 커밋과 실행 로그로.

요즘 저는 이 관점이 한 사람의 주장이 아니라 현장에서 검증되기 시작하는 것을 느낍니다. 같은 결론에 다른 길로 도착한 빌더들을 부쩍 만나고, 저도 비슷한 문제의식으로 작은 연구를 진행하면서 "AI가 답을 내는 것"보다 "근거와 판단이 추적되는 구조"가 더 중요하다는 점을 다시 확인했습니다. 메타가 직원의 화면을 들여다보려는 것조차, 결국 같은 허기 — 사람이 어떻게 판단하는지를 어떻게든 시스템에 담고 싶다는 — 의 거친 버전입니다. 다만 화면을 캡처하는 방식으로는 그게 담기지 않습니다.

AI는 암묵지를 이식하지 않습니다. AI는 암묵지가 숨어 있던 업무 구조를 드러냅니다.

그리고 기업이 해야 할 일은, 그 구조를 다시 설계하는 것입니다.