모두가 팀장: AI 시대, 책임지는 업무 방식의 변화

무임승차의 시대는 끝났다

AI와 나눠 하는 일, 내가 책임지는 결과. 사람과 AI의 역할을 전체 업무 흐름에서 정리합니다.

맡은 문제의 처음부터 끝까지 살피는 사람이 됩니다.

출처: Greg Isenberg · What does it actually mean to be AI native? (2026-06-09) · Lenny Rachitsky · My biggest takeaways from Molly Graham (2026-09-29)

관련 논의를 바탕으로 USLab이 정리한 개념도입니다. 업무시간이나 인력 비중을 나타내지 않습니다.

조별과제의 마지막 밤을 기억하시나요

일을 나누는 것과 완성하는 것은 다릅니다. 조각을 맡은 사람과 결과 전체를 책임지는 사람의 역할 차이.

조별과제에서 팀장이 맡던 조율이 AI 업무에서도 생깁니다.

출처: Elena Verna · You don’t have to be a manager. (2024-08-15) · Lenny Rachitsky · My biggest takeaways from Molly Graham (2026-09-29)

조별과제를 빌린 설명용 비교도입니다. 모든 팀의 실제 업무 분담을 묘사한 통계는 아닙니다.

대학 시절 조별과제를 해봤다면 익숙한 장면이 있을 겁니다. 역할을 나누고, 자료를 모으고, 발표를 준비합니다. 하지만 마감이 가까워지면 과제를 붙잡고 있는 사람은 대체로 정해져 있습니다. 빠진 내용을 채우고, 제각각인 문서를 다듬고, 연락이 안 되는 조원에게 다시 메시지를 보내는 팀장입니다.

모두의 이름이 올라가는 과제인데, 마지막까지 책임지는 사람은 따로 있습니다. 다음에는 팀장을 맡지 않겠다고 다짐했던 분도 있을 겁니다.

직장에 들어가면 이런 조율은 관리자의 업무가 됩니다. 일을 나누고, 진행 상황을 확인하고, 여러 사람의 결과를 모아 성과를 만들어야 합니다. 승진하면서 사람을 관리하는 역할을 맡는 조직도 많습니다. 하지만 누구나 그 일을 원하는 것은 아닙니다. 자신이 잘하는 일을 직접 하면서 성장하고 싶은 사람도 있습니다.

AI와 일하다 보면 이 선택이 조금 복잡해집니다. 자료를 조사하고, 초안을 쓰고, 결과를 분석하는 조원이 내 책상에 생기기 때문입니다. 누가 어떤 일을 할지 정하고, 결과를 확인하는 역할은 내게 남습니다. 팀장에 지원한 기억은 없는데, 어느새 제출 버튼 앞에 서 있습니다.

출처: Elena Verna · You don’t have to be a manager. (2024-08-15) · Lenny Rachitsky · My biggest takeaways from Molly Graham (2026-09-29)

조별과제 장면은 설명을 위한 비유입니다. 관리직 선택과 AI 감독 역할에 관한 논의 참고.

내 책상에 AI 조원이 생겼습니다

작은 행사 준비, 어디까지 맡길까요?. AI가 도울 수 있는 작업과 사람이 확인할 항목을 나란히 봅니다.

작업을 맡기기 전에, 무엇을 확인할지도 정합니다.

출처: Greg Isenberg · What does it actually mean to be AI native? (2026-06-09)

USLab이 만든 행사 준비 예시입니다. AI의 정확성이나 자동화 수준을 보장하는 표가 아닙니다.

예를 들어 작은 행사를 준비한다고 생각해보겠습니다. 비슷한 행사의 사례를 찾고, 예산을 계산하고, 안내문을 쓰고, 신청 페이지를 만들어야 합니다. 혼자 하려면 엄두가 나지 않던 일도 AI를 활용하면 각 작업의 초안부터 시작해볼 수 있습니다.

이때 필요한 것은 단순한 요청 한 줄보다 구체적입니다. 행사의 목적과 참석자, 쓸 수 있는 예산, 반드시 지켜야 할 조건을 알려줘야 합니다. 결과가 나오면 우리 행사에 맞는지 살피고, 부족한 부분을 다시 고쳐야 합니다.

Greg Isenberg는 이런 변화를 두고 ‘Everyone is a manager now’라고 표현했습니다. AI가 실행을 맡을수록 사람에게는 무엇을 할지 정하고 결과가 충분히 좋은지 판단하는 역할이 커진다는 주장입니다.

내가 가진 AI 조원이 일을 많이 했다는 사실만으로 프로젝트가 잘되지는 않습니다. 엉뚱한 사람을 위한 안내문을 만들거나 잘못된 예산을 계산했다면, 그 결과를 확인하고 방향을 바꿀 사람이 필요합니다.

출처: Greg Isenberg · What does it actually mean to be AI native? (2026-06-09)

Greg의 주장을 요약했습니다. 행사 준비 장면은 필자의 예시입니다.

승진하지 않아도 맡을 수 있는 일은 커집니다

AI를 쓴 개인, 2인 팀과 비슷한 품질. P&G의 제품 아이디어 실험에서 보고한 결과 품질 차이. P&G 직원 776명. 품질 차이(표준편차): AI 없는 개인 0.00, AI 없는 2인 팀 +0.24, AI 사용 개인 +0.37, AI 사용 2인 팀 +0.39.

이 실험은 AI가 협업의 일부 이점을 개인에게 제공할 가능성을 보여줍니다.

출처: Fabrizio Dell’Acqua 외 · The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise (2025-03-21) · HBS AI Institute · The Cybernetic Teammate: How AI is Reshaping Collaboration and Expertise in the Workplace (2025-04-02)

2025년 연구 자료. 표준편차는 품질 차이를 같은 눈금으로 바꾼 단위로, +0.37은 37% 향상이 아닙니다. 막대는 보고된 추정값이며 조건 간 차이의 확실성을 표시하지 않습니다. 특정 기업·과제의 결과로 모든 업무에 일반화할 수 없습니다.

이 변화는 기회이기도 합니다. 다른 사람의 일정이 비거나 새로운 인력이 들어올 때까지 기다리던 일을 직접 시도할 수 있기 때문입니다. 하고 싶은 일이 있는데 팀이 없어서 시작하지 못했던 사람에게는 반가운 변화입니다.

Elena Verna는 이를 ‘High-impact IC’라는 말로 설명합니다. IC는 사람을 관리하지 않고 직접 일하는 실무자를 뜻합니다. 여기서 말하는 실무자는 맡은 조각 하나를 처리하는 데서 그치지 않고, 사업에 필요한 프로젝트를 처음부터 끝까지 추진하는 사람입니다.

그녀는 Lovable에서 성장 조직을 이끌다가 실무자 역할로 돌아온 경험을 소개합니다. 기업용 가격 페이지를 직접 만들어 배포했는데, 이전 조직에서는 PM과 디자이너, 개발자가 함께 움직여야 했던 일이었다고 합니다.

이 사례가 모든 회사와 업무에 그대로 적용되는 것은 아닙니다. 다만 개인이 성과를 키우는 길이 넓어질 수 있다는 점은 보여줍니다. 직접 만드는 일을 계속하면서도 더 큰 문제를 맡을 가능성이 생긴 것입니다.

출처: Elena Verna · IC work is the new career flex (2026-05-14) · Fabrizio Dell’Acqua 외 · The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise (2025-03-21) · HBS AI Institute · The Cybernetic Teammate: How AI is Reshaping Collaboration and Expertise in the Workplace (2025-04-02)

저자가 소개한 본인의 경험이며, 모든 직무에 대한 일반적인 성과 검증은 아닙니다. 도표는 별도 P&G 실험의 결과로, Elena 개인 사례의 성과를 측정한 것이 아닙니다.

일을 맡겼는데 왜 더 피곤할까요

AI에 넘긴 작업 뒤에도 일이 남습니다. 초안 작성 다음에 이어지는 사람의 검토·수정·최종 선택.

초안 생성 속도와 전체 업무 부담은 함께 확인해야 합니다.

출처: Lenny Rachitsky · My biggest takeaways from Molly Graham (2026-09-29)

감독과 결과 책임에 관한 논의를 정리한 흐름도입니다. 각 단계의 길이는 시간 비율을 뜻하지 않습니다.

조원이 늘면 팀장의 일이 줄어들 것 같습니다. 그런데 각자 가져온 자료의 기준이 다르고, 내용이 겹치고, 틀린 숫자가 섞여 있다면 어떨까요. 일을 나눈 뒤에 확인하고 맞추는 시간이 더 필요합니다.

Lenny Rachitsky가 정리한 Molly Graham 인터뷰에서도 이 문제가 나옵니다. AI에 작업을 넘겨도 감독과 최종 결과의 책임은 사람에게 남는다는 것입니다. 일을 맡겼다고 머릿속 부담까지 함께 넘어가지는 않습니다.

초안이 빨리 나오는 만큼 읽고 판단해야 할 것도 많아질 수 있습니다. 어느 답이 맞는지, 어떤 버전을 쓸지, 어디까지 다시 시킬지 계속 결정해야 합니다. 직접 만드는 일을 좋아해서 관리직을 선택하지 않았던 사람에게도 이런 역할이 생깁니다.

Lenny의 요약에서 Molly는 변화가 주는 상실감과 피로에도 주목합니다. 잘하던 일을 손에서 놓고 다른 방식으로 일해야 할 때, 생산성과 별개로 만족감이 줄어들 수 있습니다. 이 변화에 적응할 시간과 도움도 필요합니다.

출처: Lenny Rachitsky · My biggest takeaways from Molly Graham (2026-09-29) · Lenny Rachitsky · Molly Graham · The grief, loneliness, and burnout sweeping through the tech industry right now (2026-09-27)

인터뷰 전문 대신 진행자 Lenny의 공개 요약을 근거로 정리했습니다.

무임승차의 시대는 끝났다

제출물의 양에서, 기여의 내용으로. AI 결과물을 제출할 때 확인할 기여의 기준.

결과물만으로는 그 사람이 한 판단을 알기 어렵습니다.

출처: Greg Isenberg · What does it actually mean to be AI native? (2026-06-09) · Lenny Rachitsky · My biggest takeaways from Molly Graham (2026-09-29)

USLab의 평가 기준 제안입니다. AI가 실제 무임승차를 줄였다는 통계나 연구 결과를 의미하지 않습니다.

조별과제의 무임승차는 다른 사람이 빈자리를 메워주기를 기다리는 데서 시작됩니다. 역할은 받았지만 결과는 내놓지 않고, 완성된 과제에 이름을 올립니다. AI 조원을 활용할 수 있다면, 자기 몫의 일을 시작하고 진행할 방법도 늘어납니다.

그렇다고 AI가 무임승차를 저절로 없애주는 것은 아닙니다. AI가 만든 자료를 잔뜩 가져와 제출하는 새로운 방식도 가능합니다. 내용을 이해하지 못하고, 출처를 확인하지 않고, 질문을 받으면 설명하지 못하는데 결과물은 그럴듯합니다.

이제는 무엇을 기여로 인정할지 더 구체적으로 물어야 합니다. 어떤 문제를 맡았는지, 어떤 근거를 확인했는지, 무엇을 고쳤는지, 최종 결과가 쓸 만한지 살펴야 합니다. 길고 매끈한 문서만으로는 그 사람의 판단을 알기 어렵습니다.

이 글의 부제는 그런 기준을 세우자는 뜻입니다. AI가 무임승차를 없앴다는 선언으로 읽기에는 아직 이릅니다. 우리가 끝내야 할 것은 결과를 이해하고 확인하는 일까지 남에게 맡겨두고 성과만 가져가는 방식입니다.

출처: Greg Isenberg · What does it actually mean to be AI native? (2026-06-09) · Lenny Rachitsky · My biggest takeaways from Molly Graham (2026-09-29)

AI 감독과 결과 책임에 관한 논의를 바탕으로 한 필자의 해석입니다. 무임승차 감소를 입증한 연구 결과가 아닙니다.

좋은 팀장은 조원의 답을 확인합니다

결과물마다 확인하는 방법도 달라집니다. 보고서·안내문·웹페이지를 확인하는 구체적인 질문.

확인 → 오류 발견 → 수정 → 다시 확인

출처: François Chollet · Delegate coding. Never delegate understanding. (2026-09-22)

이해를 유지하라는 논의를 바탕으로 USLab이 제안한 확인 방법입니다. 모든 상황을 다룬 검증 목록은 아닙니다.

AI 조원에게 일을 맡기는 능력은 좋은 결과를 알아보는 능력과 연결됩니다. 틀린 숫자를 찾고, 고객이 이해하기 어려운 문장을 고르고, 우리 상황에 맞지 않는 제안을 걸러낼 수 있어야 합니다.

François Chollet는 코딩을 위임하더라도 이해까지 위임하지 말라고 강조했습니다. 코드가 어떻게 동작하는지 이해하던 방식을 AI에 맡겼다면, 그 이해를 유지할 새로운 문서와 작업 방식이 필요하다는 이야기입니다.

다른 업무에도 적용해볼 수 있습니다. 보고서를 맡겼다면 핵심 숫자의 원자료를 확인하고, 안내문을 맡겼다면 실제 고객의 입장에서 읽어봅니다. 웹페이지를 만들었다면 신청부터 완료까지 직접 사용해봅니다. 결과가 무엇을 해야 하는지 먼저 정하면 확인할 항목도 분명해집니다.

이 판단력은 직접 해보는 경험에서도 자랍니다. 처음 배우는 사람에게 AI 결과를 검토하라고만 요구해서는 충분하지 않습니다. 스스로 만들어보고, 결과를 비교하고, 실수를 고쳐볼 기회가 있어야 합니다. 좋은 팀장이 되는 법을 배우려면 자기 손으로 해보는 시간도 필요합니다.

출처: François Chollet · Delegate coding. Never delegate understanding. (2026-09-22) · Lenny Rachitsky · My biggest takeaways from Molly Graham (2026-09-29)

Chollet의 코딩 관련 주장과 Lenny의 판단·품질 관련 요약을 참고했습니다. 업무 확인 방법과 학습 제안은 필자의 의견입니다.

팀장에게는 권한과 보상도 필요합니다

책임을 맡기려면, 일할 조건도 줘야 합니다. 담당자의 책임과 조직이 제공해야 할 지원을 연결합니다.

책임의 확대는 정보·권한·지원의 확대와 함께 가야 합니다.

출처: Elena Verna · Your AI strategy has a trust problem, not a tooling problem (2026-06-05) · Elena Verna · IC work is the new career flex (2026-05-14)

정보 접근·자율성·실무자 경로에 관한 논의와 USLab의 제안을 함께 정리했습니다.

그런데 필요한 정보도 없고 결정할 권한도 없다면 결과를 어떻게 책임질 수 있을까요. 예산은 알려주지 않으면서 행사를 성공시키라고 하거나, 작은 수정도 매번 승인받아야 한다면 AI 조원이 많아도 일이 막힙니다.

Elena Verna는 AI 도구를 도입해도 조직의 정보 접근과 자율성이 바뀌지 않으면 개인의 실행력이 막힌다고 지적합니다. 직원이 상황을 이해하고 직접 결정할 수 있어야 도구의 도움도 성과로 이어진다는 것입니다.

맡길 수 있는 범위를 먼저 정하고, 그 안에서 판단할 정보와 권한을 제공해야 합니다. 결과를 확인할 시간도 필요합니다. 역할이 커졌다면 평가와 보상에도 그 기여가 반영되어야 합니다.

Elena가 제안한 실무자 경로도 여기에 닿아 있습니다. 사람을 몇 명 관리하는지와 별개로 실제로 만들어낸 사업 성과를 인정하자는 것입니다. 책임만 늘리고 나머지는 그대로 두면, 모두를 팀장이라고 부르는 것은 이름뿐인 승진에 그칩니다.

출처: Elena Verna · Your AI strategy has a trust problem, not a tooling problem (2026-06-05) · Elena Verna · IC work is the new career flex (2026-05-14)

정보·자율성·책임과 실무자의 영향력에 관한 저자의 제안을 참고했습니다.

내 이름으로 제출하는 일

내 이름으로 제출하기 전, 네 가지 질문. 자신이 맡은 결과를 이해하고 설명할 수 있는지 돌아봅니다.

AI와 함께 만들고, 내 판단으로 확인하고 제출합니다.

출처: Greg Isenberg · What does it actually mean to be AI native? (2026-06-09) · François Chollet · Delegate coding. Never delegate understanding. (2026-09-22)

본문 결론을 바탕으로 USLab이 정리한 제출 전 점검입니다.

AI를 활용하면 한 사람이 문제를 찾고, 해결 방법을 정하고, 실행하고, 결과를 확인하는 전 과정을 맡을 가능성이 커집니다. 예전에는 여러 사람의 도움이 필요했던 일도 직접 시도할 수 있습니다.

이때 ‘모든 업무를 책임진다’는 것은 회사의 모든 일을 혼자 떠안는다는 뜻으로 받아들일 필요는 없습니다. 자신이 맡은 문제를 처음부터 결과까지 살피는 것입니다. 도움이 필요한 부분은 전문가와 함께 풀고, 잘못된 결과는 고치고, 실제로 쓸 수 있는 상태까지 가져가는 것입니다.

모두가 팀장이 되는 세상에서도 함께 일하는 능력은 필요합니다. 달라지는 것은 각자에게 기대하는 기여의 범위입니다. 무엇을 시도했고, 어떤 판단을 했고, 어떤 결과를 만들었는지 자기 몫을 설명할 수 있어야 합니다.

이제 우리는 AI와 함께, 자신이 맡은 문제의 처음부터 끝까지 책임지는 법을 배워야 합니다. 결과물에 내 이름을 올린다는 것은, 그 결과를 이해하고 설명하고 책임지는 일까지 맡는다는 뜻입니다.

출처: Greg Isenberg · What does it actually mean to be AI native? (2026-06-09) · Elena Verna · IC work is the new career flex (2026-05-14) · Elena Verna · Your AI strategy has a trust problem, not a tooling problem (2026-06-05)

앞선 논의를 연결한 필자의 결론입니다. ‘모두가 팀장’은 모든 직무가 이미 바뀌었다는 통계적 진술이 아닙니다.