Rick Manelius AI 생산성: 더 많은 산출보다 집중이 우선

Rick Manelius는 진행 중인 실험 목록이 약 40개로 늘어난 뒤인 2026년 7월 26일, 직설적인 AI 생산성 경고를 발표했다. AI는 업무를 시작하는 일을 극적으로 쉽게 만들었다. 그러나 시작한 모든 일을 끝낼 수 있는 그의 역량을 늘려주지는 않았다.

이 구분은 중요하다. 대부분의 AI 생산성 주장은 정해진 작업 안에서의 속도를 측정한다. 절약된 시간이 야심 찬 작업자에게 돌아온 뒤 무슨 일이 일어나는지는 좀처럼 측정하지 않는다. 그 시간은 휴식이나 더 깊은 업무, 혹은 또 다른 열두 개의 약속이 될 수 있다.

Rick Manelius 에세이는 희소 자원이 바뀌었다고 주장한다. 이제 초안, 프로토타입, 분석 또는 애플리케이션을 만드는 데 드는 노력은 줄었다. 무엇이 관심을 받을 가치가 있는지 선택하고, 열린 과제를 마무리하며, 가치 있는 일을 최종 단계까지 완수하는 일은 더 어려워졌다.

Rick Manelius의 이 AI 생산성 주장은 가장 흔한 직장 내 AI 서사에 이의를 제기한다. Microsoft, OpenAI, Anthropic, Google 및 수많은 스타트업은 확장된 역량의 형태를 판매한다. Manelius는 사람들이 그 역량을 즉시 채워 버릴 때 어떤 일이 일어나는지 묻는다.

그의 답은 불편하다. 더 빠른 생산은 일을 줄이기보다 더 많은 일을 만들 수 있다. 따라서 가장 가치 있는 인간 역량은 더 많은 AI 보조 활동을 시작하는 능력이 아니라 집중력과 끝까지 해내는 능력일 수 있다.

Rick Manelius AI 생산성 주장이 바꾸는 것

이 사건은 새로운 모델 출시가 아니다. AI 보조 업무를 평가하는 데 쓰이는 지표에 대한 시의적절한 문제 제기다.

Manelius는 익숙한 과정을 설명한다. 생성형 AI 이전에도 그는 관심을 기다리는 100개 이상의 기사 아이디어와 약 50개의 संभाव성 있는 프로젝트를 갖고 있었다. 시간은 그러한 야망을 제한했다.

AI는 그 제약을 약화시켰다. 그는 회의 사이에, 때로는 5분짜리 빈 시간에도 프롬프트를 보내기 시작했고, 모델은 백그라운드에서 계속 작업했다. 초기 실험은 고무적인 결과를 냈고, 이는 추가 실험도 합리적으로 느껴지게 했다.

그 확장은 약 40개의 개념 검증이 동시에 진행되는 수준까지 이어졌다. 각 프로젝트는 시작 비용만 놓고 보면 저렴해 보였다. 그러나 모두 합쳐지면서 미완성 의무의 거대한 포트폴리오가 만들어졌다.

이 경험을 통해 Manelius는 수평적 생산성과 수직적 진전을 구분하게 됐다. 수평적 생산성이란 한 번에 더 많은 일을 하는 것이다. 수직적 진전이란 더 적은 수의 중요한 일을 더 멀리까지 가져가는 것이다.

차이는 단순하게 들리지만, 직장용 소프트웨어는 대체로 첫 번째 범주를 보상한다. 활동은 생성된 문서, 작업 업데이트, 풀 리퀘스트, 프로토타입, 메시지, 회의 요약에 드러난다. 끝까지 해내는 일은 더 느리고 눈에 덜 띈다.

완성된 프로젝트는 AI가 없애지 못하는 형태의 업무도 요구한다. 누군가는 결과물이 정확하고, 관련성이 있으며, 완전하고, 안전하고, 유용한지 판단해야 한다. 누군가는 피드백을 통합하고 결과에 대한 책임을 져야 한다.

Manelius는 미완성 에세이로 이 문제를 설명한다. 그는 출판에 거의 근접했음에도 초기 버전이 충분히 좋지 않다고 판단했다. 그는 서둘러 공개하는 대신 여러 차례 더 수정하기로 했다.

그 결정은 핵심적인 역전을 보여준다. AI는 그럴듯한 첫 버전에 도달하는 비용을 낮춘다. 그럴듯함과 탁월함 사이에 남은 격차는 여전히 대부분의 판단, 편집, 헌신을 요구할 수 있다.

이 때문에 이 에세이는 단순한 개인 생산성 조언 이상의 의미를 가진다. 이는 AI 보조 지식 노동 전반에서 나타나는 충돌을 포착한다. 조직은 더 많은 의사결정, 고객 가치 또는 완료된 결과를 만들지 않고도 더 많은 산출물을 생성할 수 있다.

이 이야기는 또한 특정한 시점에 등장했다. 이제 AI 에이전트는 작업자가 회의에 참석하거나 다른 결과물을 검토하는 동안 여러 작업을 실행할 수 있다. 병렬 실행은 기계 처리량을 높이지만, 인간의 검토 대기열도 늘린다.

기술은 사람들이 평가할 수 있는 속도보다 더 빠르게 선택지를 만든다. 이로 인해 선택, 순서 결정, 완료가 경제적으로 중요해진다. 집중은 더 이상 생활 방식의 선호가 아니라 생산의 제약 조건이 된다.

더 빨라진 작업이 더 긴 근무일을 만들고 있다

작업 가속화는 더 짧은 근무일을 보장하지 않는다. 절약된 시간은 흔히 추가 업무를 위한 새로운 역량이 되기 때문이다.

통제된 연구는 생성형 AI가 범위가 제한된 과제에서 성과를 높일 수 있음을 보여줬다. 2023년 대졸 전문직 종사자 453명을 대상으로 한 실험에서는 ChatGPT가 글쓰기 과제의 평균 완료 시간을 40% 줄였다. 품질은 18% 높아졌다.

글쓰기 실험은 명확한 과제, 정의된 종료점, 비교 가능한 산출물을 측정했다. 이러한 조건은 연구자들이 생산성 효과를 분리하는 데 도움이 된다.

또 다른 연구는 AI 보조 도구를 사용하는 수천 명의 고객 지원 상담원을 조사했다. 연구진은 접근 권한이 시간당 해결 건수를 평균 14% 늘렸다고 밝혔다. 경험이 적은 작업자들이 가장 큰 혜택을 봤다.

이 결과는 AI 생산성 주장을 뒷받침한다. 그러나 모든 작업자가 그에 상응하는 자유 시간을 받는다는 점까지 입증하지는 않는다. 더 빠른 작업은 곧바로 더 큰 업무량으로 이어질 수 있다.

UC Berkeley Haas가 2026년 2월 발표한 연구는 이러한 업무 강도 증가를 설명한다. 연구자 Aruna Ranganathan과 Xingqi Maggie Ye는 200명 규모의 기술 기업에서 8개월간 민족지학 연구를 수행했다.

작업자들은 업무를 더 빨리 완료하고 역할의 범위를 넓혔으며, 업무가 하루의 더 많은 부분으로 들어오도록 허용했다. 또한 AI 프로세스가 백그라운드에서 실행되는 동안 여러 업무 흐름을 활성 상태로 유지했다.

Berkeley 연구 결과는 세 가지 패턴을 확인한다. 작업자들은 한때 다른 부서에 속했던 업무를 맡았고, 자연스러운 휴식 시간을 프롬프트 작성에 썼으며, 여러 개의 스레드를 동시에 유지했다.

이 설명은 Manelius의 기록과 밀접하게 맞닿아 있다. 회의 전에 프롬프트를 보내는 데는 몇 초밖에 걸리지 않기 때문에 사람들이 그렇게 한다. 하지만 응답은 읽고, 판단하고, 수정하고, 전달하거나 거부해야 하는 미래의 의무를 만든다.

프롬프트는 시간을 거의 소모하지 않는다. 그 산출물은 이후의 주의력을 요구한다.

이 메커니즘은 AI가 작업당 노력을 줄이면서도 총 인지 부하를 높일 수 있는 이유를 설명한다. 인지 부하란 정보를 유지하고, 처리하고, 조정하는 데 필요한 정신적 노력이다. 진행 중인 각 프로젝트는 의존성과 미해결 결정을 더한다.

직장 데이터는 이미 더 많은 파편화를 수용할 여지가 제한적임을 보여준다. Microsoft는 2025년 직원들이 핵심 업무 시간에 회의, 이메일 또는 채팅으로 2분마다 방해받았다고 보고했다.

글로벌 설문조사에서는 작업자의 80%가 업무를 수행할 충분한 시간이나 에너지가 없다고 답했다. 동시에 리더의 53%는 생산성이 높아져야 한다고 말했다.

무한 근무일 보고서는 활동이 이른 아침과 저녁까지 확산되고 있음을 발견했다. Microsoft는 AI와 재설계된 업무 흐름을 해결책의 일부로 제시했다.

Manelius는 그 제안에 필수 조건을 더한다. 모든 효율성 향상이 또 다른 약속을 정당화한다면 AI는 주의력을 보호할 수 없다. 제한이 없다면 자동화는 같은 과부하 시스템을 가속할 뿐이다.

따라서 지식 노동자는 역량의 역설에 직면한다. 더 많은 업무 단위를 생산할 수 있지만, 완료에서는 더 멀어졌다고 느낀다. 산출은 늘지만 통제감은 떨어진다.

이는 AI에 가치가 없다는 증거가 아니다. 이는 조직에 더 폭넓은 생산성 지표가 필요한 이유를 보여준다. 속도도 중요하지만, 근무일의 길이, 미완성 업무 재고, 수정 부담, 의사결정 품질, 직원 회복도 중요하다.

더 많은 산출이 완성된 업무와 경쟁하고 있다

핵심 경쟁은 인간 대 AI가 아니다. 눈에 보이는 산출과 검토를 통과해 사용 가능한 결과를 만드는 업무 사이의 경쟁이다.

생성형 AI는 그럴듯한 중간 산출물을 만드는 데 뛰어나다. 전략을 초안으로 작성하고, 인터뷰를 요약하며, 코드를 스케치하고, 캠페인을 제안하거나, 메모를 프레젠테이션으로 바꿀 수 있다. 각각의 산출물은 진전처럼 보일 수 있다.

그러나 산출물이 곧 결과는 아니다. 전략에는 선택과 자원 투입이 필요하다. 연구 요약에는 추적 가능한 근거가 필요하다. 코드에는 테스트, 유지보수, 보안 검토, 명확한 책임자가 필요하다.

AI 산출물은 종종 세련된 구조로 도착하기 때문에 이 구분을 보기가 더 어려워진다. 좋은 형식은 미완성 생각을 이미 정리된 것처럼 보이게 할 수 있다. 유창한 언어는 빠진 맥락이나 뒷받침되지 않은 가정을 감출 수 있다.

BetterUp Labs와 Stanford Social Media Lab은 이 문제의 한 형태를 “workslop”이라고 부른다. 이 용어는 수신자의 업무를 진전시키기에 충분한 실질이나 맥락이 없는, 매끄럽게 다듬어진 AI 생성 자료를 설명한다.

이들의 2025년 9월 설문조사는 미국의 전일제 사무직 근로자 1,150명을 대상으로 했다. 40%는 지난 한 달 동안 workslop을 받은 적이 있다고 답했다. 응답자들은 각 사례를 해결하는 데 평균 두 시간을 쓴다고 보고했다.

workslop 연구는 모든 직장을 보편적으로 측정한 결과가 아니라 설문 근거다. 그럼에도 이는 중요한 노동 이전을 부각한다.

발신자는 문서를 빠르게 생성해 시간을 절약할 수 있다. 그러면 수신자는 그 목적을 재구성하고, 주장 내용을 검증하며, 다음에 무엇을 해야 할지 결정하는 데 시간을 쓴다. 국지적 효율성은 하류 업무를 만든다.

Manelius의 주장은 한 사람 안에서 일어나는 유사한 이전을 다룬다. AI 프로젝트를 시작하는 일은 초기 생성이 저렴하기 때문에 값싸게 느껴진다. 그러나 나중에 같은 사람이 검토, 조정, 완료 비용을 떠안게 된다.

이는 개인 프로젝트 포트폴리오의 경제성을 바꾼다. AI 이전에는 프로젝트를 시작하는 데 필요한 노력이 일부 약한 아이디어를 막았다. 그 마찰은 불완전하지만 필터 역할을 했다.

AI는 그 필터의 상당 부분을 제거한다. 이제 작업자는 문제에 관심을 기울일 가치가 있는지 완전히 결정하기 전에 프로토타입을 만들 수 있다. 팀은 제약 조건에 합의하기 전에 여러 전략적 선택지를 생성할 수 있다.

탐색에는 실제 가치가 있다. 저렴한 실험은 기업이 더 큰 약속을 하기 전에 잘못된 가정을 드러낼 수 있다. 문제는 명시적인 중단 규칙 없이 실험이 쌓이기 시작할 때 발생한다.

모든 개념 검증에는 결정이 필요하다. 다음 단계로 진행하거나, 다른 노력과 통합하거나, 보류하거나, 종료해야 한다. 그 결정을 피한다고 해서 실험이 공짜로 유지되지는 않는다.

프로젝트는 계속해서 대시보드, 대화, 기억, 저장 공간을 차지한다. 동료들이 이에 의존할 수 있다. 이해관계자들은 그것이 존재한다는 사실을 약속으로 해석할 수 있다.

이 지점에서 끝까지 해내는 능력은 끈기와 달라진다. 끈기는 어려움에도 계속하는 것이다. 끝까지 해내는 능력은 올바른 결론이 취소일 때까지 포함해 약속을 해결하는 것이다.

따라서 Rick Manelius의 AI 생산성 논지는 현대 업무의 중심에 책임을 둔다. AI는 선택지를 제시할 수 있지만, 사람이나 팀은 종착점을 책임져야 한다. 책임이 없으면 더 빠른 생성은 더 넓은 모호성의 영역을 만든다.

조직은 이 변화로 누가 압박받는지 주목해야 한다. 개인 기여자는 검증해야 할 자료를 더 많이 받는다. 관리자는 우선순위를 정해야 할 제안을 더 많이 받는다. 고객은 관심을 두고 경쟁하는 더 많은 기능, 메시지, 문서를 접한다.

이 압박은 고위 리더에게도 닿는다. 이들은 운영상 처리량과 전략적 진전을 구분해야 한다. 기업은 더 많은 변경 사항을 출시하면서도 제품 전반의 일관성을 약화시킬 수 있다.

집중은 일관성을 보호한다. 끝까지 해내는 능력은 선택된 가능성을 신뢰할 수 있는 결과로 바꾼다. 이 둘은 AI가 만들어낸 역량이 가치가 될지, 잡음이 될지를 결정한다.

AI는 시작을 싸게 만들고 마무리를 비싸게 만든다

AI는 초안을 빠르게 압축하지만, 마지막 단계에는 여전히 판단력, 책임, 그리고 어려운 트레이드오프가 집중된다.

Manelius는 완료 직전의 상태를 부분 일식과 개기일식의 차이에 비유한다. 수치상 차이는 작아 보여도 마지막 1퍼센트포인트가 전체 경험을 바꿀 수 있다.

이 비유가 유용한 이유는 완료가 균등하게 진행되지 않기 때문이다. 초안은 빠르게 수용 가능한 수준의 유창성에 도달할 수 있다. 그러나 사실적 신뢰도와 전략적 정밀도를 높이려면 여러 차례의 인간 검토가 필요할 수 있다.

소프트웨어도 비슷한 곡선을 따른다. AI는 특히 익숙한 패턴에서 작동하는 코드를 빠르게 만들어낼 수 있다. 하지만 실제 운영 환경에 투입하려면 예외적 조건을 테스트하고, 데이터를 보호하며, 의사결정을 문서화하고, 출시 후 시스템을 유지해야 한다.

마지막 단계에서는 처음의 방향 자체가 틀렸다는 사실이 드러날 수도 있다. 이는 이전 결과물을 무효화하기 때문에 비효율적으로 느껴진다. 그러나 실제로는 잘못된 방향을 알아차리는 일이 더 큰 낭비를 막는다.

AI는 매몰비용이 더 커 보이게 만들어 이 단계를 복잡하게 한다. 팀은 몇 시간 만에 방대한 코드, 카피, 분석 자료를 생성했을 수 있다. 생성 비용은 낮았더라도, 그 양 때문에 포기하기가 감정적으로 어려워진다.

이는 새로운 형태의 집착을 만든다. 사람들은 프로젝트가 이미 상당한 규모로 보인다는 이유로 이를 옹호한다. 생성된 분량을 실제로 획득한 가치와 혼동하는 것이다.

잘 마무리하려면 정반대의 대응이 필요하다. 팀은 이미 만들어진 콘텐츠의 양이 아니라 현재의 목표를 기준으로 프로젝트를 평가해야 한다. 그럴듯한 결과물이라도 삭제할 의지를 유지해야 한다.

품질 문제는 환각을 넘어선다. 환각이란 사실적 근거 없이 자신감 있게 제시되는 AI 출력이다. 사실적으로 정확한 콘텐츠도 지역적 맥락, 이해관계자의 요구, 조직적 제약을 무시하면 실패할 수 있다.

그래서 맥락에 접근할 수 있는지가 중요하다. 지식 노동자는 검토하는 시점 가까이에서 관련 의사결정, 문서, 대화, 증거를 확인할 수 있어야 한다. 검색 가능한 개인 지식 베이스는 이 맥락을 다시 구축하는 데 드는 시간을 줄일 수 있다.

그러나 검색이 최종 결정을 대신하지는 않는다. 더 나은 맥락은 판단을 뒷받침하지만, 목표를 선택해 주지는 않는다. 어떤 증거가 중요한지, 조직이 어떤 트레이드오프를 받아들일지는 여전히 노동자가 결정한다.

마무리에는 사회적 작업도 포함된다. 누군가는 합의를 이끌어내고, 결과를 설명하며, 이의 제기에 대응하고, 실행을 조율해야 한다. 신뢰는 필요할 때 즉시 만들어낼 수 없기 때문에, 이러한 작업은 대개 인간의 속도로 진행된다.

같은 한계는 창의적 작업에서도 나타난다. AI는 몇 분 안에 캠페인 아이디어 20개를 제시할 수 있다. 하지만 팀에는 여전히 대상 고객, 제품, 타이밍, 평판에 맞는 하나의 메시지가 필요하다.

하나의 아이디어를 선택한다는 것은 나머지 19개를 거절한다는 뜻이다. AI는 확장을 부추기지만, 전략에는 배제가 필요하다.

따라서 대안을 생성하는 능력은 명확한 완료 정의의 가치를 높인다. 완료 정의란 약속이 종료되기 전에 결과물이 충족해야 할 조건을 명시한 것이다. 여기에는 품질, 책임 주체, 납품 요건이 포함되어야 한다.

그 정의가 없으면 AI 지원 프로젝트는 영구적으로 개선 가능해진다. 모델은 언제나 또 다른 변형안, 추가 조사, 또는 다시 쓴 버전을 제공할 수 있다. 반복은 회피 메커니즘이 된다.

Manelius가 더 적은 수의 글을 더 깊이 수정하기로 한 결정은 하나의 대응을 보여준다. 그는 기술이 제거한 희소성을 다시 부과하고 있다. 이 제약은 생산 비용이 아니라 편집적 판단에서 나온다.

기업에도 이에 상응하는 변화가 필요하다. 진행 중인 업무를 제한하고, 명확한 책임자를 배정하며, 새로운 이니셔티브를 시작하기 전에 근거를 요구할 수 있다. 이런 선택은 운영적인 것으로 들리지만, AI의 전략적 가치를 보호한다.

집중은 성격 특성이 아니라 운영 체계다

조직이 AI 활동을 장려하면서 직원들에게 무제한 업무 수용을 보상한다면, 집중은 유지될 수 없다.

Manelius의 경험을 개인적 자기관리 문제로 보는 것은 유혹적이다. 그는 너무 많은 미결 과제를 열었고, 부담을 인식한 뒤 약속을 줄였다. 더 나은 할 일 목록이면 충분해 보일 수도 있다.

그러나 그런 해석은 AI를 둘러싼 직장 내 인센티브를 놓친다. 리더들은 종종 역량을 늘리기 위해 이런 도구를 도입한다. 직원들은 절약된 시간이 더 많은 결과물로 이어져야 한다고 합리적으로 생각한다.

Microsoft의 2025 Work Trend Index에 따르면, 리더의 82퍼센트는 향후 12~18개월 내 디지털 노동을 활용해 인력 역량을 확장할 것으로 예상했다. 디지털 노동은 조직 업무의 일부를 수행하는 AI 시스템을 뜻한다.

확장은 제약된 팀에 도움이 될 수 있다. 하지만 모든 노동자가 더 많은 동시 활동을 감독해야 한다는 기대를 만들 수도 있다. 업무는 과제를 완료하는 일에서 기계가 생성한 결과물의 늘어나는 대기열을 관리하는 일로 바뀐다.

노동자는 집중만으로 이 설계 문제를 해결할 수 없다. 업무를 거절하고, 실험을 종료하며, 방해받지 않는 검토 시간을 지킬 권한이 필요하다. 그렇지 않으면 집중은 성과 기대와 충돌한다.

실용적인 운영 모델은 더 적은 수의 활성 결과에서 시작한다. 결과란 고객 문제 해결이나 신뢰할 수 있는 기능 출시처럼 의미 있는 변화를 말한다. 단순히 생성된 산출물이 아니다.

그다음 팀은 진행 중인 업무를 제한할 수 있다. 진행 중 업무 제한은 새 작업을 시작하기 전에 동시에 활성화할 수 있는 항목 수에 상한을 둔다. 이 방식은 소프트웨어와 제조업에 오래전부터 존재했지만, AI는 이를 지식 노동 전반에서 중요하게 만든다.

이 제한에는 인간에게 배정된 업무뿐 아니라 AI 프로세스도 포함되어야 한다. 에이전트가 열 가지 주제를 조사하면 열 가지 검토 의무가 생긴다. 에이전트가 감독 없이 실행되는 동안에도 그 의무는 계산되어야 한다.

조직은 완료도 측정해야 한다. 유용한 신호에는 완료된 프로젝트, 해결된 의사결정, 제거된 고객 문제, 종료된 오래된 약속이 포함된다. 생성된 문서만으로는 성공을 판단해서는 안 된다.

검토 역량에는 별도의 예산이 필요하다. AI 워크플로를 시작하기 전에 팀은 누가 결과물을 검토할지, 그리고 그 검토에 얼마나 많은 시간이 필요한지 파악해야 한다. 책임자가 없는 검토는 숨겨진 부채다.

같은 원칙은 회의와 메시지에도 적용된다. AI 요약은 참석 또는 기억에 드는 비용을 줄일 수 있다. 하지만 문서화가 자동으로 된다는 이유로 더 많은 회의를 부추길 수도 있다.

요약이 상충하는 우선순위를 해결해 주지는 않는다. 모든 회의에서 다섯 개의 실행 항목이 나온다면, 자동화는 시스템에 들어오는 약속의 수를 늘릴 수 있다.

따라서 관리자는 멈추는 지점을 지켜야 한다. 점심시간, 저녁, 회의 사이의 시간은 한때 자연스럽게 업무를 제한했다. 항상 이용 가능한 모델은 팀이 의도적으로 경계를 복원하지 않는 한 그 경계를 해체할 수 있다.

이는 야망을 거부하라는 뜻이 아니다. 야망을 깊이로 향하게 하라는 뜻이다. 노동자는 AI를 활용해 여러 접근법을 빠르게 시험한 뒤 하나에 전념하고 나머지는 종료할 수 있다.

AI는 증거를 비교하고, 모순을 찾아내며, 프로젝트 맥락을 보존함으로써 이 과정을 지원할 수 있다. ask remio 같은 도구는 새로운 조사 루프를 열지 않고도 노동자가 이전 자료를 찾아볼 수 있게 돕는다.

우선순위 설정의 책임은 여전히 노동자에게 있다. 조직이 목표와 한계를 명확히 표현하지 않는 한, 어떤 모델도 새로운 약속이 지닌 전체 기회비용을 알 수 없다.

Rick Manelius의 AI 생산성 논의는 이 지점에서 실행 가능해진다. 새로운 역량은 단순히 프롬프트를 더 잘 작성하는 것이 아니다. 값싼 시작이 값비싼 마무리를 압도하지 못하도록 업무 체계를 설계하는 일이다.

집중 논제가 아직 입증하지 못하는 것

Manelius는 강력한 진단을 제시하지만, 그의 개인적 경험만으로 AI가 보편적으로 번아웃을 높이거나 더 적은 프로젝트가 항상 더 나은 결과를 낸다고 입증할 수는 없다.

원문 에세이에는 2배에서 100배 더 빨라졌다는 인상적인 생산성 추정치가 포함되어 있다. 이 수치는 Manelius의 경험과 관점을 설명한다. 직업 전반에 걸친 통제된 측정값으로 받아들여서는 안 된다.

검증된 연구는 대체로 특정 조건에서 더 제한적인 효과를 발견한다. 전문 글쓰기 실험에서는 완료 시간이 40퍼센트 줄었다. 고객 지원 연구에서는 평균 생산성이 14퍼센트 증가했다.

결과는 과제와 노동자에 따라 달라진다. 고객 지원 연구에서는 경험이 적은 직원이 더 큰 혜택을 받았다. 숙련된 직원에게서는 효과가 더 작았다.

다른 실험들은 들쭉날쭉한 역량 경계를 발견했다. AI는 겉보기에 어려운 일부 과제에서는 뛰어난 성과를 내지만, 강점 범위를 벗어난 유사한 과제에서는 실패한다. 사용자는 잘못된 영역에서 모델을 신뢰할 경우 정확도가 떨어질 수 있다.

이 차이는 집중이 모든 기술적 한계를 바로잡을 수 없다는 점에서 중요하다. 깊이 전념한 노동자도 부정확한 모델 출력을 따를 수 있다. 집중은 검증을 대체하지 않는다.

또한 모든 미결 프로젝트를 해로운 것으로 분류해서는 안 된다. 탐색적 작업은 특히 불확실성이 높을 때 학습을 만든다. 여러 개의 빠른 프로토타입은 어떤 경로가 진지한 투자를 받을 가치가 있는지 보여줄 수 있다.

핵심 구분은 실험이 의사결정을 만들어내는지 여부다. 각 실험에 질문, 책임자, 시간 제한, 종료 조건이 있다면 여러 시도의 포트폴리오도 규율 있게 운영될 수 있다.

Manelius는 프로젝트 확장과 번아웃의 조짐도 연결한다. 번아웃은 탈진, 업무와의 거리감, 직업적 효능감 저하와 관련된 업무 관련 증후군이다. 여기에는 여러 조직적·개인적 원인이 있다.

그의 설명만으로 AI가 원인이라고 분리해낼 수는 없다. 육아, 창업, 직장 요구, 재정적 압박, 건강, 조직 문화는 모두 탈진에 영향을 줄 수 있다.

Berkeley의 연구 결과도 비슷한 주의가 필요하다. 2026년 2월에 논의된 이 연구는 한 기술 기업 내부에서 8개월간 진행된 연구에 기반했다. 이는 풍부한 행동적 증거를 제공하지만, 전체 노동력을 대표하는 추정치는 아니다.

Microsoft의 텔레메트리에도 한계가 있다. 이는 Microsoft 365 환경 내 활동을 반영하며 일부 집단은 제외한다. 메시지 양이 심리적 부담과 동일한 것은 아니다.

그럼에도 이 출처들은 그럴듯한 메커니즘으로 수렴한다. AI는 인지적 작업을 시작할 때의 마찰을 줄인다. 사람들은 이에 반응해 범위를 확장하고, 더 많은 병렬 흐름을 유지하며, 한때 휴식으로 쓰이던 시간을 활용한다.

이 메커니즘은 산업 전반에서 검증되어야 한다. 연구자들은 AI 도입과 근로 시간, 미완료 업무, 품질, 자율성, 웰빙을 연결하는 종단적 증거가 필요하다.

고용주는 자발적 탐색과 강요된 업무 강도 상승도 구분해야 한다. 추가 실험을 선택하는 창업자는 AI 도입 후 성과 목표가 올라간 직원과 다른 위치에 있다.

통제권은 경험을 바꾼다. 절약된 시간을 어떻게 쓸지 결정하는 노동자는 더 큰 자율성을 경험할 수 있다. 더 높은 할당량을 부여받는 노동자는 같은 기술을 감시나 압박으로 경험할 수 있다.

분배의 문제도 있다. AI는 한 직원의 고된 일을 줄이는 동시에 다른 직원에게 검증 업무를 이전할 수 있다. 조직 전체의 생산성은 개인 생산성과 다르게 보일 수 있다.

공정한 평가는 업무 인계 전반을 따라가야 한다. 누가 시간을 절약하는지, 누가 검토를 떠안는지, 결과물이 실패했을 때 누가 책임을 지는지를 파악해야 한다.

집중 논제가 가치 있는 이유는 바로 그런 질문을 던지기 때문이다. 그 약점은 보편적 답을 제시하지 못한다는 데 있지 않다. 기업이 “더 집중하라”를 과부하에 시달리는 노동자에게 또 하나의 요구로 바꿀 때에만 그 약점이 드러날 것이다.

집중에는 덜어냄이 필요하다. 리더가 모든 목표, 회의, 이니셔티브, 응답 기대를 유지한다면, 새로운 집중 정책은 공허한 말이 된다. 무언가는 시스템에서 빠져야 한다.

실행력이 승리하는지 보여줄 세 가지 신호

직장 내 AI의 다음 단계는 조직이 인간의 업무를 끝없이 늘리지 않고도 더 빠른 과제 수행을 더 나은 결과로 전환하는지에 따라 평가될 것이다.

첫 번째 신호는 생산성 측정 방식의 변화다. 기업은 생성된 결과물, 프롬프트 또는 AI 도입 수를 세는 데서 벗어나야 한다. 완료된 성과, 재작업, 의사결정 시간, 미완료 업무 재고를 측정해야 한다.

이러한 지표가 보편화된다면, 집중에 관한 논지는 더욱 설득력을 얻을 것이다. 이는 조직이 기계의 처리량과 비즈니스 진전 사이에 차이가 있음을 인식한다는 뜻이기 때문이다.

기업이 후속 업무를 측정하지 않은 채 사용량만 계속 축하한다면, 이 논지는 운영상의 움직임으로서 약화된다. 집중은 제도적 기준이 아니라 개인의 대처 전략으로 남게 될 것이다.

두 번째 신호는 AI 제품이 진행 중인 업무를 위한 더 강력한 통제 기능을 개발하는지 여부다. 유용한 통제 기능은 실행 중인 모든 에이전트, 검토 대기 항목, 미해결 의사결정, 방치된 결과물을 한곳에서 보여줄 수 있다.

이러한 기능은 인간의 주의를 제한된 자원으로 다룰 것이다. 또한 새로운 프롬프트나 위임된 작업이 만들어내는 미래의 의무를 작업자가 이해하도록 도울 것이다.

공급업체가 더 많은 동시 실행 에이전트, 더 많은 생성, 더 많은 자동 메시지에 주로 최적화한다면 과부하는 계속 발생할 가능성이 높다. 인터페이스는 완료 비용을 감춘 채 확장을 부추길 것이다.

세 번째 신호는 업무 강도에 관한 종단적 증거다. 연구자들은 의미 있는 AI 도입 전후의 근무일 길이, 업무 범위, 회복 시간, 직원 자율성을 비교해야 한다.

품질이 안정적인 가운데 근무 시간이 줄어든다면, 이는 Manelius의 경고 가운데 가장 강한 형태에 도전하는 결과가 될 것이다. 이는 지원적인 조건 아래에서는 절약된 시간이 실제로 절약된 상태로 남을 수 있음을 보여줄 것이다.

근무 시간이 길어지거나 책임 범위가 넓어지거나 재작업이 늘어난다면, 그의 분석은 더욱 뒷받침될 것이다. 이는 국지적인 생산성 향상이 확대되는 기대치에 흡수되고 있음을 시사할 것이다.

지식 노동자는 이러한 결과가 나오기를 기다릴 필요 없이 자신의 시스템을 점검할 수 있다. 진행 중인 약속의 수를 세고, 검토를 기다리는 결과물을 파악하며, 더 이상 중요한 질문에 답하지 않는 실험을 종료할 수 있다.

목표는 인위적인 희소성이 아니다. 의도적인 배분이다. AI는 가치 있는 업무를 더 쉽게 완료하도록 해야지, 가능한 모든 프로젝트가 반드시 해야 할 일처럼 느껴지게 해서는 안 된다.

이것이 Rick Manelius AI productivity 이면에 있는 지속적인 통찰이다. 더 빠른 실행은 병목이 위치한 곳을 바꾼다. 생성이 풍부해질수록 판단과 헌신은 더 큰 가치를 지닌다.

완료했을 때 의미가 있을 프로젝트를 선택하라. 이를 확장하기 전에 완료의 의미를 정의하라. 그런 다음 AI를 활용해 더 깊이 파고들고, 맥락을 보존하고, 가정을 검증하며, 피할 수 있는 노동을 줄여라.

이제 열린 질문은 AI가 더 많은 일을 시작하도록 도울 수 있는지 여부가 아니다. 그것은 분명 가능하다. 질문은 새로 얻은 역량을 의무를 늘리는 데 쓸지, 아니면 감당할 가치가 있는 몇 가지 약속을 마무리하는 데 쓸지다.