AI가 작성한 업무 이메일은 시간을 절약하지만, 신뢰에는 대가가 따른다

Google News는 직장 내에서 직설적인 질문을 던진 ABC 보도를 노출했다. 직원들이 자신의 이름으로 보내는 이메일을 인공지능이 작성해도 될까?

우려의 핵심은 단지 소프트웨어가 이제 정중한 답장을 초안으로 만들 수 있다는 데 있지 않다. 직원들은 수년 동안 템플릿, 맞춤법 검사기, 자동 서명을 사용해 왔다. 갈등은 AI가 메시지의 실질적 내용을 생성하는데도 수신자는 사람이 이를 작성했다고 여길 때 시작된다.

작성 주체와 겉으로 드러나는 모습 사이의 간극은 보도의 표현을 빌리면 이 관행을 “거의 디스토피아적”으로 느끼게 한다. 또한 Google, Microsoft, 고용주, 직원 모두에게 어디까지가 보조이고 어디부터가 대체인지 정의해야 한다는 압박을 만든다.

생산성 논리는 현실적이다. 생성형 AI는 흩어진 메모를 구조화된 메시지로 바꾸고, 어조를 조정하며, 빈 작성 창을 바라보며 보내는 시간을 줄일 수 있다. 통제된 연구에서는 생성형 AI를 전문적인 글쓰기 업무에 활용할 때 측정 가능한 성과 향상이 나타났다.

하지만 이메일은 올바른 문장으로 이루어진 블록 그 이상이다. 이메일은 결정을 기록하고, 공감을 전달하며, 책임을 배정하거나, 특정 시점에 누군가가 무엇을 이해했는지 확립할 수 있다. 이 업무를 위임하면 메시지를 의미 있게 만든 판단이 사라질 수 있다.

따라서 핵심 대립은 인간 대 기계가 아니다. 보이는 보조와 보이지 않는 대체의 문제다. 전자는 사람에게 책임을 남긴 채 기계적 노력을 줄일 수 있다. 후자는 겉보기 작성자가 모든 주장을 검토했다는 증거 없이도 설득력 있는 커뮤니케이션을 만들어낼 수 있다.

Google News가 AI 업무 이메일을 다시 주목한 이유

AI가 작성한 이메일은 선택적 실험에서 주요 업무 플랫폼의 기본 인터페이스로 옮겨가고 있기에, 이 뉴스의 계기는 중요하다.

ABC News 보도는 인공지능 전용 피드를 통해 전해졌다. 제목은 제품 발표가 자주 해결하지 못한 더 광범위한 불안을 포착했다.

이제 글쓰기 보조 기능은 익숙한 작성 창 안에 직접 자리한다. 직원은 더 이상 별도의 챗봇을 열고, 기밀 자료를 복사해 넣은 뒤, 답변을 다시 옮길 필요가 없다. 이 기능은 초안 옆에 나타날 수 있으며, 마찰과 숙고의 순간을 모두 줄인다.

이 인터페이스 변화는 중요하다. 별도의 애플리케이션은 외부 협업자처럼 느껴진다. 반면 이메일에 내장된 버튼은 기본 모델이 여러 단락을 생성하더라도 타이핑의 일부처럼 느껴진다.

이 차이는 도입에도 영향을 미친다. 스스로를 AI 사용자라고 표현하지 않을 사람도 제안 문장을 받아들이고, 더 친근한 어조를 요청하거나, 몇 개의 글머리표를 확장할 수 있다. 각각의 행동은 사소해 보이지만, 함께 모이면 글쓰기 과정의 상당 부분을 모델에 넘길 수 있다.

여기서 Google News는 사건의 중심 행위자가 아니라 발견 채널일 뿐이다. 그럼에도 Gmail과 Workspace가 일상적인 비즈니스 커뮤니케이션 안에 생성형 글쓰기 도구를 배치한다는 점에서 Google은 이 이야기의 한 부분이다.

Microsoft도 Outlook과 Microsoft 365 Copilot을 통해 같은 방향을 따른다. 두 회사 모두 AI를 스레드 요약, 답장 초안 작성, 커뮤니케이션 과부하 관리 수단으로 제시한다. 이들 제품은 이미 많은 고용주가 제공하는 소프트웨어를 통해 기계가 작성한 언어를 일상화한다.

따라서 당장의 변화는 자동화된 문장의 발명이 아니라 배포다. AI 이메일 작성은 더 쉽게 접근할 수 있고, 더 알아차리기 어려우며, 일상 업무에 더 긴밀히 통합됐다.

이 변화는 이 글의 긴장을 만든다. 생산성 기능은 수신자가 이메일이 무엇을 의미한다고 믿는지를 조용히 바꿀 수 있다. 수신자는 정제된 메시지를 발신자의 관심, 지식, 정서적 노력의 증거로 읽을 수 있지만, 실제로는 그 상당 부분을 모델이 제공했을 수 있다.

그렇다고 생성된 모든 문장이 기만적인 것은 아니다. 다만 직장 내 규범이 아직 인터페이스의 변화 속도를 따라가지 못했다는 뜻이다.

AI 이메일 작성은 현실적인 생산성 문제를 해결한다

이메일은 항상 독창적인 문장을 요구하지 않으면서도 시간을 소모하기 때문에, AI 초안 작성은 직장에서 도입된다.

많은 업무 메시지에는 반복되는 패턴이 있다. 직원들은 회의를 잡고, 수신을 확인하고, 다음 단계를 요약하며, 요청을 거절하고, 누락된 정보를 요청한다. 이런 구조를 매일 다시 작성하는 일은 창의적 가치가 거의 없다.

생성형 AI는 기계적인 층위를 도울 수 있다. 거친 메모를 정리하고, 반복을 제거하며, 초안을 번역하거나, 더 명확한 제목을 제안할 수 있다. 제2언어로 글을 쓰는 직원에게 이러한 보조는 불안을 줄이고 피할 수 있는 오해를 막아줄 수 있다.

일부 효율성 주장은 근거로 뒷받침된다. Science에 게재된 통제 연구에서 ChatGPT를 사용한 참가자들은 전문적인 글쓰기 과제를 40% 더 빠르게 완료했다. 독립 평가자들은 결과물의 품질도 18% 더 높게 평가했다.

전문 글쓰기 연구는 보도자료, 보고서, 분석 계획, 민감한 이메일 같은 과제를 다뤘다. 연구자 Nicholas Noy와 Whitney Zhang은 이 도구에 접근할 수 있었던 참가자들 사이에서 성과 격차가 줄어들었다고 밝혔다.

이러한 결과는 전면적인 거부가 효과를 내기 어려운 이유를 설명한다. 도구가 시간을 절약하고 약한 초안을 개선한다면, 직원들은 계속해서 이를 사용할 방법을 찾을 것이다. 업무량 문제를 해결하지 않은 채 사용을 금지하는 고용주는 단지 승인되지 않은 계정으로 사용을 몰아갈 수 있다.

가장 강력한 활용 사례는 발명보다 변환이다. 직원이 검증된 사실, 명확한 결정, 의도한 어조를 제공한다. 그러면 모델은 그 입력을 읽기 쉬운 초안으로 바꾼다.

회의를 마무리하는 프로젝트 관리자를 생각해 보자. 관리자는 결정 사항, 각 담당자, 모든 마감일을 알고 있다. AI에게 이 사실을 간결한 후속 메시지 형식으로 정리해 달라고 요청하면, 결정의 책임을 넘기지 않으면서도 사무적 업무를 줄일 수 있다.

위험은 관리자가 불완전한 기록을 바탕으로 무슨 일이 있었는지 모델에 추론해 달라고 요청할 때 달라진다. 이름, 약속, 날짜를 확인하지 않고 결과를 보낸다면 위험은 한층 더 커진다.

그래서 “AI가 이메일을 작성해야 하는가”라는 질문은 정책 질문으로서 지나치게 광범위하다. 실질적인 답은 시스템이 무엇을 제공하고 사람이 여전히 무엇을 통제하는지에 달려 있다.

다음과 같은 저위험 사용은 인간의 작성 주체성을 보존한다:

• 새로운 주장을 추가하지 않고 문장 순서 바꾸기

• 완성된 초안의 문법 교정

• 의미를 유지하며 메시지 줄이기

• 발신자가 이미 검증한 텍스트 번역

• 확인된 실행 항목을 표준 형식으로 전환

더 높은 위험의 사용은 시스템에 판단을 맡긴다:

• 이력을 검토하지 않고 불만에 응답하기

• 고용이나 보상에 영향을 주는 정책 설명하기

• 법률, 금융, 의료 또는 보안 지침 제공하기

• 팀이나 조직을 구속하는 약속하기

• 개인적이거나 민감한 대화에서 공감을 흉내 내기

이 범주는 기술적으로 고정된 것이 아니다. 오류의 결과와 수신자가 합리적으로 기대하는 바를 반영한다.

일반적인 일정 조율 답장은 정서적 무게가 제한적이다. 반면 성과 평가, 사과, 해고 메시지는 훨씬 더 큰 무게를 지닌다. 둘에 같은 자동화 규칙을 적용하는 것은 조직 내에서 커뮤니케이션이 수행하는 역할을 무시하는 일이다.

생산성 논리는 AI가 서식 작업을 제거할 때 가장 강력하다. 시스템이 관심, 책임성, 배려를 대체할 때는 그 설득력이 약해진다.

진짜 대립은 보조와 보이지 않는 대체의 문제다

정제된 언어가 인간의 판단 부재를 감출 때, AI 업무 이메일은 문제가 된다.

이메일은 사회적 기록을 만든다. 관리자가 “귀하의 제안을 검토했습니다”라고 쓸 때, 그 문장은 하나의 행동을 보고한다. 관리자가 제안을 읽기도 전에 모델이 이 문장을 생성했다면 문제는 문체가 아니다. 그 메시지는 거짓이다.

더 모호한 경우는 어렵다. 관리자는 제안을 읽고, AI에 답변을 요청한 뒤, 결과를 훑어보고 보낼 수 있다. 사실적 주장은 여전히 방어 가능하지만, 수신자는 관리자가 얼마나 깊이 관여했는지를 과대평가할 수 있다.

이것이 논쟁의 핵심 상대다. 보이는 보조 대 보이지 않는 대체. 공개는 그 간극을 좁힐 수 있지만, 수정된 모든 문장에 의무 라벨을 붙이는 일은 무의미해질 것이다.

실행 가능한 규범은 실질적 작성 주체성에 초점을 맞춰야 한다. 시스템이 단지 언어를 다듬었는가, 아니면 메시지의 주장, 논리, 정서적 태도까지 선택했는가?

이 질문이 중요한 이유는 유창한 결과물이 확실성의 환상을 만들기 때문이다. 대규모 언어 모델은 모든 진술을 독립적으로 검증하는 대신, 개연성 있는 단어 순서를 생성한다. 정제된 단락에도 지어낸 세부 사항, 뒷받침되지 않는 결론, 또는 누구도 승인하지 않은 확언이 담길 수 있다.

이메일은 메시지가 빠르게 전파되고 지속되기 때문에 위험을 키운다. 잘못된 마감일은 프로젝트 전체로 퍼질 수 있다. 부정확한 정책 설명은 직원의 결정에 영향을 줄 수 있다. 조작된 약속은 나중에 감사나 분쟁에서 나타날 수 있다.

발신자는 책임을 모델에 넘길 수 없다. 동료, 고객, 규제기관은 여전히 명시된 작성자와 그 조직에 책임을 물을 것이다.

보이지 않는 대체는 대인 관계의 신호도 바꾼다. 사려 깊은 메시지를 작성하는 데는 시간이 들며, 수신자는 종종 그 노력을 존중의 증거로 해석한다. 자동화는 그 결과를 모방하면서도 노력의 상당 부분을 없앨 수 있다.

그렇다고 노력이 항상 보존돼야 한다는 뜻은 아니다. 누구도 비밀번호 재설정 알림을 개인적으로 작성하리라고 기대하지 않는다. 직장 내 커뮤니케이션에는 이미 템플릿, 매크로, 예약 발송 메시지가 존재한다.

문제는 관계가 진정한 관심을 요구할 때 나타난다. AI가 생성한 애도, 사과, 성과 평가는 적절하게 들릴 수 있지만, 그 출처가 알려지면 공허하게 느껴질 수 있다.

이 반응은 기술에 대한 비이성적 저항이 아니다. 메시지와 그 메시지를 보낸 행위가 암시하는 행동 사이의 불일치를 반영한다. 문구는 개인적인 고려를 시사하지만, 제작 과정에는 실제로 그런 고려가 거의 없을 수 있다.

따라서 조직에는 표현 방식에 기반한 기준이 필요하다. 메시지가 발신자가 판단을 내렸거나, 상황을 이해했거나, 약속을 선택했다는 인상을 준다면, 그 사람은 발송 전에 해당 행동을 수행해야 한다.

AI는 여전히 그 결과를 표현하는 데 도움을 줄 수 있다. 그러나 인간 서명 뒤에 그 사실을 숨긴 채, 근본적인 결정을 만들어내서는 안 된다.

생산성 수치가 보여주지 않는 것

더 빠른 초안 작성이 실제 조직 전반에서 자동으로 더 나은 커뮤니케이션을 만들어내지는 않는다.

실험실 연구는 완료 시간과 외부 평가를 측정할 수 있다. 기존 관계 안에서 생성된 텍스트를 발송했을 때 발생하는 모든 결과를 포착할 수는 없다.

평가자는 더 명확하다는 이유로 AI가 다듬은 메모를 선호할 수 있다. 오랜 동료는 개인적인 답장이 모델에서 나왔음을 알아챈 뒤 다르게 반응할 수 있다. 두 반응 모두 서로 다른 특성을 측정한다는 점에서 타당할 수 있다.

표준화된 유창성은 덜 눈에 띄는 비용도 만든다. 많은 직원이 유사한 모델과 프롬프트를 사용하면 메시지는 같은 중립적 리듬으로 수렴할 수 있다. 고유한 전문성, 불확실성, 유머, 개인적 목소리가 사라질 수 있다.

그 평준화는 조직의 메시지를 일관되게 들리게 할 수 있다. 하지만 유용한 신호까지 감출 수도 있다. 망설이는 문장은 누군가가 결정에 확신이 없다는 점을 드러낼 수 있다. 유난히 직설적인 메모는 어떤 사안에 긴급한 주의가 필요하다는 신호일 수 있다.

모든 메시지를 매끄럽게 만드는 데 훈련된 모델은 이런 단서를 지워버릴 수 있다. 수신자는 더 깔끔한 문장을 받지만, 발신자의 실제 심리 상태에 관한 정보는 더 적게 받는다.

또 다른 문제는 자동화 편향이다. 이는 컴퓨터가 생성한 제안이 완성되어 보이거나 권위 있어 보인다는 이유로 받아들이는 경향을 말한다. 특히 시스템이 바쁜 직장인이 원하던 바로 그 어조를 만들어낼 때, 유창한 초안을 검토하려면 적극적인 회의적 태도가 필요하다.

발신자는 문법을 확인하면서도 바뀐 약속을 놓칠 수 있다. 이름은 검증하지만 근거 없는 이유는 간과할 수 있다. 업무는 작성에서 편집으로 옮겨가지만, 조직은 이런 새로운 책임에 대해 교육을 제공하지 않는 경우가 많다.

개인정보 보호는 또 다른 층위를 더한다. 직원들은 고객 기록, 계약 조건, 인사 세부 사항 또는 미공개 계획을 프롬프트에 입력할 수 있다. 그것이 허용되는지는 고용주의 승인 도구, 계약상 보호 조치, 보존 설정 및 데이터 통제에 따라 달라진다.

NIST의 AI risk framework는 이러한 질문을 다루는 데 유용한 모델을 제시한다. AI를 하나의 단일 범주로 취급하기보다 위험을 거버넌스하고, 매핑하고, 측정하고, 관리하는 데 중점을 둔다.

이메일에서 “매핑”은 어떤 메시지가 법적, 재정적, 보안상 또는 인적 결과를 수반하는지 식별하는 것을 뜻한다. “관리”는 그러한 결과가 클 때 데이터 노출을 제한하고 실질적인 검토를 요구하는 것을 의미한다.

일괄 승인 정책은 이런 차이를 놓친다. 일괄 금지 역시 마찬가지다.

지식의 문제도 있다. 글쓰기는 종종 사고의 빈틈을 드러낸다. 어떤 사람이 결정을 설명하려다 근거가 불완전하거나 다음 단계에 담당자가 없다는 사실을 발견할 수 있다.

즉각적인 초안 작성은 그 빈틈을 가릴 수 있다. 발신자가 설명을 형성하기도 전에 모델이 일관된 설명을 제공한다. 이메일은 완성된 것처럼 보이므로 사고 과정은 일찍 끝난다.

이는 서면 커뮤니케이션을 조직의 기억으로 활용하는 팀에 중요하다. 미래의 독자는 명확한 이메일이 명확한 의사결정 과정을 반영한다고 가정할 수 있다. 실제로는 모델이 모순을 매끄럽게 다듬는 능력을 반영한 것일 수 있다.

검색 가능한 AI knowledge base는 맥락을 보존할 수 있지만, 저장만으로 작성 주체를 확립할 수는 없다. 팀은 여전히 어떤 진술이 검증되었고 누가 이를 승인했는지 알아야 한다.

따라서 AI 업무 이메일에는 교정 이상의 것이 필요하다. 출처 확인, 의도 확인, 결과 확인이 필요하다.

회의적인 결론은 분명하다. 연구는 생성형 AI가 통제된 조건에서 일부 글쓰기 작업을 개선할 수 있음을 보여준다. 그러나 공개되지 않고 가볍게 검토된 AI 커뮤니케이션이 신뢰나 조직의 판단을 향상한다는 사실까지 입증하지는 않는다.

고용주에게는 결과를 따르는 규칙이 필요하다

좋은 직장 정책은 모델이 공급한 단어 수를 세는 것이 아니라 메시지의 위험을 규제해야 한다.

작성 비율에 기반한 규칙은 정밀해 보이지만 실제로는 작동하지 않는다. 편집 시스템은 신뢰할 수 있는 비율을 제공하지 않으며, 생성된 문장 하나가 가장 중요한 약속을 담고 있을 수 있다.

고용주는 대신 결과에 따라 커뮤니케이션을 분류해야 한다.

낮은 결과 수준의 메시지에는 일상적인 확인, 일정 메모, 표준화된 알림이 포함된다. 직원은 결과물을 검증하고 제한된 데이터를 피하는 경우 이러한 업무에 승인된 AI 도구를 사용할 수 있다.

중간 결과 수준의 메시지에는 프로젝트 요약, 고객 업데이트, 내부 권고안이 포함된다. 오류가 업무, 기대 또는 구매 결정을 바꿀 수 있으므로 출처 확인이 필요하다.

높은 결과 수준의 메시지에는 성과 결정, 징계 통지, 법적 입장, 재정 지시, 보안 사고 및 건강 관련 안내가 포함된다. 책임 있는 사람이 결정과 최종 문구 모두를 통제해야 한다.

개인적 커뮤니케이션도 별도로 고려할 필요가 있다. 애도, 사과, 갈등 해결, 민감한 피드백은 진정성에 대한 인식에 크게 좌우된다. AI는 발신자가 존중하는 표현을 찾는 데 도움을 줄 수 있지만, 메시지 전체를 외주화하면 신뢰 위험이 생긴다.

공개 역시 결과를 따라야 한다. 모든 문법 수정에 “AI로 작성됨”을 추가하면 표시 피로가 생긴다. 수신자는 그 문구를 더 이상 알아차리지 않게 된다.

시스템이 분석, 권고 또는 개인적 표현을 실질적으로 형성했을 때 공개는 더 가치가 있다. 수신자가 AI 관여 여부를 직접 묻는 경우에도 중요하다.

기업에는 명확한 데이터 경계가 필요하다. 직원은 어떤 도구가 승인되었는지, 어떤 정보가 프롬프트에 들어가서는 안 되는지, 생성된 콘텐츠가 어떻게 보존되는지, 그리고 누가 상호작용 로그에 접근할 수 있는지 알아야 한다.

또한 “보내기 전에 읽어보라”를 넘어서는 검토 기준이 필요하다. 시간 압박을 받는 직원에게 그 지침은 지나치게 모호하다.

실용적인 검토는 다섯 가지 질문을 던진다:

1. 모든 사실 주장, 이름, 날짜, 숫자를 검증했는가?

2. 이 메시지는 내가 승인할 권한이 있는 약속을 담고 있는가?

3. 내가 수행하지 않은 행동을 수행했다고 주장하는가?

4. 이 어조는 나의 실제 판단과 관계를 반영하는가?

5. 작성 과정이 공개된다면 이 메시지를 옹호할 수 있는가?

이 검사는 책임을 발신자에게 남긴다. 또한 모든 AI 사용이 동일한 위험을 수반하는 척하지 않는다.

관리자도 같은 행동을 본보기로 보여야 한다. 임원들이 실질적인 검토 없이 생성된 칭찬, 피드백, 전략 메모를 보내면서 끊임없는 생산성을 요구한다면 정책은 실패할 것이다.

교육에는 실패 사례가 포함되어야 한다. 직원들은 그럴듯한 초안이 마감일을 바꾸거나, 이유를 지어내거나, 기밀 정보를 드러내거나, 지나치게 확신에 찬 어조를 통해 의견 충돌을 악화시키는 방식을 보아야 한다.

Google과 Microsoft 역시 제품 설계 측면의 압박에 직면해 있다. 이들의 인터페이스는 출처 맥락을 표시하고, 생성된 주장을 강조하며, 프롬프트 기록을 보존하고, 요약과 원본 메시지를 구분함으로써 검토를 더 쉽게 만들 수 있다.

Google의 Gemini privacy guidance는 민감한 정보를 공유하기 전에 사용자가 데이터 처리 방식을 이해해야 하는 이유를 보여준다. 소비자 계정과 업무용 계정은 서로 다른 보호 조치 아래 운영될 수 있으므로, 직원은 조직의 통제를 따라야 한다.

제품 기본 설정은 정책 문서보다 행동을 더 효과적으로 형성한다. 눈에 띄는 검토 단계는 부주의한 전송을 늦출 수 있다. 즉각적인 “삽입” 버튼은 생성된 문구가 사전 승인된 것처럼 느끼게 할 수 있다.

목표는 수동 타이핑을 미덕으로 보존하는 것이 아니다. 말이 결과를 만들어내는 지점에서 책임을 보존하는 것이다.

Google News 논쟁 이후 주목할 점

다음 단계는 초안 작성 속도만이 아니라 직장 내 행동, 제품 기본 설정, 신뢰에 관한 증거에 의해 결정될 것이다.

첫 번째 신호는 주요 이메일 플랫폼이 실질적인 작성 주체 통제 기능을 추가하는지 여부다. 단순한 AI 라벨로 모든 질문에 답할 수는 없지만, 더 명확한 표시기는 시스템이 요약을 생성했는지, 결정을 제안했는지, 또는 메시지 전체를 다시 썼는지를 보여줄 수 있다.

Google이나 Microsoft가 더 강력한 검토 및 출처 추적 기능을 도입한다면, 보이지 않는 대체가 실질적인 제품 위험이라는 견해를 뒷받침하게 될 것이다. 인터페이스가 계속해서 그 구분을 최소화한다면 고용주가 거버넌스 부담을 더 많이 떠안게 될 것이다.

두 번째 신호는 조직이 허용 가능한 사용과 제한된 사용을 어떻게 나누는지다. 유용한 정책은 메시지 범주, 승인된 시스템, 데이터 경계 및 책임 있는 검토자를 명시할 것이다.

결과 기반 정책이 급증한다면 AI 이메일 작성이 기만적이지 않은 방식으로 일상화될 수 있다는 주장이 강화될 것이다. 광범위한 금지나 모호한 “책임 있게 사용하라”는 문구는 거버넌스가 여전히 미성숙하다는 점을 보여줄 것이다.

세 번째 신호는 신뢰에 관한 독립 연구다. 생산성 연구 결과는 이미 영향력이 크지만, 고용주에게는 공개 여부, 관계 유형, 메시지 민감도, 편집 깊이가 수신자에게 어떤 영향을 미치는지 측정하는 연구가 필요하다.

공개된 지원이 유사한 수준의 신뢰와 더 나은 명확성을 낳는다면 도입은 더 강력한 기반을 얻게 될 것이다. 사람들이 기계가 작성한 개인적 커뮤니케이션을 일관되게 부정적으로 평가한다면, 플랫폼과 고용주는 더 명확한 경계를 마련해야 할 것이다.

독자는 자신의 행동도 살펴봐야 한다. 이메일이 세련됐지만 어딘가 지나치게 일반적으로 들릴 때, 여전히 발신자가 사안을 이해했다는 증거로 받아들이는가? 스스로 AI를 사용할 때, 메시지를 검증하는가, 아니면 의도한 어조가 구현되었다는 사실만 알아차리는가?

ABC 헤드라인이 Google News에 오른 이유는 “거의 디스토피아적”이라는 표현이 불편한 가능성을 포착하기 때문이다. 직장은 주의를 기울이고, 정보를 갖추고, 개인적인 것처럼 보이는 메시지로 가득 찰 수 있지만, 그 뒤에 필요한 주의를 실제로 기울이는 사람은 더 적어질 수 있다.

그 결과가 불가피한 것은 아니다. 생성형 AI는 작성 주체를 지우지 않으면서 반복적인 글쓰기 업무를 줄일 수 있다. 경계는 사람들이 모델을 결정을 표현하기 위해 사용하는지, 아니면 결정을 내리지 않기 위해 사용하는지에 달려 있다.

다음 AI 지원 메시지를 보내기 전에 마지막 질문 하나를 던져보자. 이 초안은 당신의 판단을 전달하는가, 아니면 당신의 판단이 어떤 모습이어야 하는지만 흉내 내는가?