Rick Manelius의 AI 생산성 논지: 모든 일을 하는 것보다 집중이 낫다

Rick Manelius는 진행 중인 개념 검증 프로젝트 목록이 약 40개에 이른 뒤인 7월 26일, AI 생산성에 대한 경고를 공개했다. AI 덕분에 개별 작업은 빨라졌지만, 업무는 더 파편화된 느낌이었다. 절약한 시간을 여유로 바꾸는 대신 더 많은 약속으로 전환한 셈이다.

Rick Manelius의 AI 생산성 논지는 생성형 AI를 둘러싼 가장 유혹적인 약속에 의문을 제기한다. 더 빠른 실행이 자동으로 집중력, 완성된 작업, 혹은 더 짧은 업무일을 만들어주지는 않는다. 그저 새로운 일을 시작하는 비용을 낮출 수 있을 뿐이다.

이 구분은 중요하다. 이제 AI 어시스턴트는 초안, 프로토타입, 조사, 실험을 유난히 쉽게 시작하게 해주기 때문이다. Claude, ChatGPT, Copilot, 코딩 에이전트는 몇 분 안에 눈에 보이는 진척을 만들어낼 수 있다. 더 어려운 인간의 일은 첫 결과물 이후 시작된다. 누군가는 선택하고, 검증하고, 수정하고, 조율하고, 마무리해야 한다.

Manelius는 가치 있는 대응이 수평적 확장이 아니라 수직적 심화라고 주장한다. 지식 노동자는 AI를 활용해 새롭게 감당 가능해진 모든 아이디어에 주의를 분산하기보다, 더 적은 수의 중요한 프로젝트를 더 깊이 파고들어야 한다. 그의 개인적 경험은 통제된 연구는 아니지만, 직장 데이터가 드러내기 시작한 생산성 문제를 짚어낸다.

한 창업자는 절약한 시간을 40개의 열린 프로젝트로 바꿨다

직접적인 변화는 새로운 모델이나 제품 출시가 아니었다. AI 효율성이 더 많은 미완성 작업을 낳는다는 공개적인 경험담이었다.

Manelius는 100개가 넘는 기사 제목과 개요를 갖고 있었다고 설명한 연쇄 창업자다. 시간만 나면 시작할 수 있는 잠재적 프로젝트도 약 50개였다. 생성형 AI는 그 아이디어들 상당수를 잠들게 했던 제약을 없애는 듯 보였다.

그는 회의 사이의 5분 공백에 Claude에게 작업을 맡기기 시작했다. 다음 통화로 이동하는 동안 어시스턴트가 계속 자료를 생산할 수 있었다. 초기 실험은 추가 확장을 부추길 만큼 잘 작동했다.

그 성공이 문제가 됐다. 더 빠른 초안과 프로토타입은 자신이 감당할 수 있는 프로젝트 수에 대한 기대치를 끌어올렸다. 결국 그는 추가적인 결정과 주의가 필요한 약 40개의 개념 검증 프로젝트를 책임지는 상황에 놓였다.

그의 원문에서 Manelius는 각각의 프로젝트를 또 하나의 열린 루프로 묘사한다. 열린 루프란 정신적 주의를 계속해서 놓고 경쟁하는, 해결되지 않은 약속이다. AI는 이 루프를 여는 데 필요한 노동은 줄였지만, 이를 닫는 데 드는 인간적 비용까지 없애지는 못했다.

이는 지식 노동자에게 의미 있는 구분이다. 생성형 AI는 흔히 브레인스토밍, 초안 작성, 요약, 프로토타입 조립 등 작업의 첫 단계를 압축한다. 하지만 이후의 모든 단계를 같은 비율로 압축하는 것은 아니다.

생성된 기사는 여전히 사실 검토, 구조적 판단, 편집, 발행이 필요하다. 소프트웨어 프로토타입도 테스트, 보안 검토, 유지보수, 사용자 지원이 필요하다. 조사 메모 역시 출처 평가와 책임 있는 누군가의 결정을 필요로 한다.

따라서 AI는 소유의 경제성을 바꾸기 전에 시작의 경제성을 바꾼다. 시작은 저렴해지지만, 끝까지 해내는 일은 여전히 비싸다. 시작의 수가 완료 역량보다 빠르게 늘어나면, 사용자는 자유 대신 의무를 축적하게 된다.

Manelius는 자신의 수정 방향을 ‘덜 하되 더 잘하기’로 요약했다. 그는 추가 수정이 여러 차례 더 필요하다고 판단해 다른 기사 하나를 미뤘다. 이 선택은 그의 글에 담긴 더 깊은 주장을 보여준다.

새로운 병목은 더 이상 그럴듯한 첫 버전을 만드는 일만이 아니다. 어떤 버전이 지속적인 관심을 받을 가치가 있는지 결정하는 일이다. 우선순위, 평판, 장기적 결과가 걸려 있다면 이 결정은 안전하게 위임할 수 없다.

이 이야기가 한 창업자의 과밀한 프로젝트 목록보다 더 큰 이유도 여기에 있다. 직원이 제안서 10개를 초안으로 만들거나, 관리자가 분석 5개를 시작하거나, 개발자가 여러 애플리케이션을 생성할 때도 같은 패턴이 나타날 수 있다. 각각의 산출물은 만드는 데 거의 노력이 들지 않았더라도 후속 작업을 만들어낸다.

AI 산출물은 완료된 가치와 다르다. 산출물이 검증을 통과하고, 의도한 사용자에게 도달하며, 유용한 결과를 낼 때 가치가 생긴다. 그럴듯한 초안이 쌓인 폴더는 진척이 아니라 재고를 뜻할 수 있다.

Manelius는 대안에 분명한 이름을 붙인다. 집중과 끝까지 해내기다. 집중은 어떤 약속이 시스템 안으로 들어오는지를 제한한다. 끝까지 해내기는 선택한 약속을 결승선까지 가져가는 데 필요한 판단과 지속적인 노력을 제공한다.

Rick Manelius의 AI 생산성 경고는 끝없는 업무일과 맞닿아 있다

AI는 이미 응답성, 가시적인 활동, 끊임없는 프로젝트 확장을 보상하는 직장에 들어왔다.

Microsoft의 직장 텔레메트리는 이 환경을 유용하게 보여준다. 분석에 따르면 메시지를 많이 받는 직원은 핵심 근무 시간에 2분마다 방해를 받을 수 있다. 가장 자주 방해받는 사용자에게는 하루 전체에 걸쳐 회의, 이메일, 채팅이 275건 발생한다는 계산이다.

같은 업무일 분석은 근무 시간 이후 채팅이 전년 대비 15% 증가했다고 밝혔다. 또한 표준 근무 시간 전후로 도착하는 메시지가 평균 58건이라고 보고했다. 오후 8시 이후 시작하는 회의는 16% 늘었다.

이 측정치가 AI가 파편화된 업무를 유발했다는 사실을 입증하는 것은 아니다. 이는 AI가 이미 압박을 받고 있던 주의력 시스템으로 들어가고 있음을 보여준다. 더 빠른 콘텐츠 생산은 그 시스템에 더 많은 메시지, 회의, 검토, 결정을 흘려보낼 수 있다.

조직의 유인도 단순하다. 작업에 필요한 시간이 줄어들면, 기업은 절약된 모든 시간을 보호된 여가로 취급하는 경우가 드물다. 관리자는 산출 기대치를 높일 수 있고, 직원은 더 많은 일을 자원할 수 있으며, 경쟁사는 더 빨리 제공할 수 있다.

2025년의 한 워킹페이퍼는 2023년까지의 시간 사용 기록을 조사해 관련된 결론에 도달했다. 직업에서 AI에 더 많이 노출될수록 더 긴 업무일과 줄어든 여가가 연관돼 있었다. 저자들은 AI가 인간 노동을 보완하는 경우가 많아 추가 근무 시간이 경제적으로 더 가치 있어진다고 주장했다.

그 연장된 업무일 연구는 현재의 모든 생성형 AI 사용자가 무엇을 경험할지 확정하지는 않는다. 그 시간 범위는 더 폭넓은 형태의 AI를 포함하며, 직장 관행도 계속 변화하고 있다. 그럼에도 노동 절감 기술이 절약한 시간을 자동으로 노동자에게 돌려준다는 가정에는 도전한다.

이 압박은 자연스러운 종료 지점이 없는 지식 노동자에게 특히 크게 작용한다. 창고 근무는 끝나지만 전략 문서에는 언제나 시나리오 하나를 더 추가할 수 있다. 제품에는 언제나 실험 하나를 더 적용할 수 있고, 받은편지함에서는 언제나 답변 하나를 더 꺼낼 수 있다.

생성형 AI는 이러한 선택 가능한 업무를 확장한다. 사람이 수작업으로 개발할 수 있는 것보다 더 많은 캠페인, 제품 아이디어, 분석, 인터뷰 질문, 디자인 변형을 제안할 수 있다. 각각의 선택지는 따로 보면 가치 있어 보일 수 있다.

과부하는 포트폴리오 수준에서 나타난다. 한 사람은 AI 지원 작업을 각각 더 빨리 완료하면서도, 동시에 지나치게 많은 작업을 진전시킬 수 있다. 국지적 효율성이 시스템 전체의 혼잡을 낳는 것이다.

이것이 Rick Manelius의 AI 생산성 논지에서 핵심적인 역전이다. AI는 무언가를 만드는 마찰을 없애지만, 과거에는 일부 마찰이 주의력을 보호했다. 어려운 시작은 사람들로 하여금 아이디어가 투자를 받을 만한지 결정하게 만들었다.

그 보호 장벽은 사라지고 있다. 누구나 아침 식사 전까지 제법 그럴듯한 프로젝트 브리프를 만들 수 있다. 개발자는 오후 한나절에 낯선 코드베이스를 만들어낼 수 있고, 마케터는 한 번의 세션에서 수주치 캠페인 변형을 생성할 수 있다.

그 산출물은 하류 수요를 만든다. 누군가는 가장 좋은 캠페인을 선택하고, 생성된 코드를 이해하며, 모순을 조정하고, 새 프로젝트가 실제 목표를 뒷받침하는지 판단해야 한다. 이러한 작업은 맥락과 책임성에 의존한다.

기업은 활동으로 AI 도입을 측정해 문제를 악화시킬 수 있다. 프롬프트 수, 생성된 문서, 배포된 어시스턴트는 추적하기 쉽다. 반면 완료된 우선순위 수 감소, 더 빠른 고객 성과, 향상된 의사결정 품질은 더 신중한 측정을 요구한다.

초안 20개를 생성한 직원은 강력한 아이디어 하나를 골라 완성한 사람보다 더 바빠 보일 수 있다. 후자가 더 많은 가치를 만들 수 있지만, 그 과정에서는 눈에 보이는 AI 활동이 더 적게 나온다.

그 결과 형성되는 문화는 절약된 모든 시간을 또 다른 요구로 바꿀 수 있다. 직원들은 AI를 자율성의 원천이 아니라 가속화 의무로 경험하게 된다. 기계는 더 빨라지지만, 인간은 모든 결과에 계속 책임을 진다.

일을 시작하는 비용은 낮아졌지만, 마무리에는 여전히 인간의 대가가 따른다

생성형 AI는 선택, 검증, 조율, 책임보다 생산 과정을 더 크게 압축했다.

연구자들은 경계가 분명한 작업에서 실제 생산성 향상을 기록했다. 영향력 있는 한 연구는 생성형 AI 어시스턴트를 사용하는 고객 지원 상담원 5,179명을 분석했다. 접근 권한은 시간당 해결 건수를 평균 14% 늘렸다.

향상 폭은 고르지 않았다. 초보자와 저숙련 노동자는 34% 개선됐지만, 숙련된 노동자는 이점이 미미했다. 지원 상담원 연구는 AI가 더 높은 성과를 내는 동료에게서 학습한 패턴을 확산할 수 있음을 시사한다.

이 결과는 AI 지원의 근거를 뒷받침한다. 동시에 작업 정의가 중요한 이유도 드러낸다. 고객 지원 업무는 측정 가능한 사례, 확립된 워크플로, 명확한 완료 조건을 제공한다.

많은 지식 프로젝트에는 이런 경계가 없다. 한 개념이 회사를 만들 만한 가치가 있는지 결정하는 창업자는 시간당 해결 건수에 맞춰 최적화할 수 없다. 하나의 주장이 준비됐는지 판단하는 편집자 역시 초안 작성 속도만으로 판단할 수 없다.

코딩 연구도 유사하지만 단서를 단 이야기를 들려준다. 소프트웨어 개발자 4,867명을 대상으로 한 세 건의 현장 실험에서 AI 코딩 어시스턴트를 사용한 노동자의 완료 작업 수가 26.08% 증가했다. 경험이 적은 개발자는 도입률과 향상 폭이 더 컸다.

그 경우에도 완료된 개발 작업이 통합 비용을 없애지는 않는다. 생성된 코드는 기존 아키텍처, 보안 요건, 유지보수 관행에 맞아야 한다. 기능을 더 빠르게 만드는 것은 조직의 다른 곳에서 검토 수요를 늘릴 수 있다.

AI 에이전트 역시 작업이 동시다발적이고 상호 연결될수록 어려움을 겪는다. Microsoft 연구진은 선도적인 컴퓨터 사용 에이전트가 단일 작업 환경에서 16.7%의 완료율을 기록했다고 보고했다. 다중 작업 부하에서는 이 비율이 8.7%로 떨어졌다.

연구팀의 에이전트 평가는 서로 다른 시간대에 걸친 상호의존적 작업을 시험하는 다중 지평 환경을 활용했다. 이 하락은 인간 프로젝트 책임자에게 익숙한 문제를 반영한다. 진척에는 고립된 행동을 완료하는 것 이상이 필요하다.

실제 업무에는 의존성이 따른다. 영업 제안서는 승인된 포지셔닝, 최신 고객 데이터, 법률 문구에 의존한다. 제품 출시는 테스트된 코드, 문서화, 지원 준비, 조율된 출시일에 의존한다.

AI는 그 사슬의 일부를 가속할 수 있다. 모든 의존성을 사라지게 만들 수는 없다. 한 사람이 조직이 뒷받침할 수 있는 것보다 더 많은 사슬을 시작하면, 개별 작업이 더 빨라져도 전체 흐름은 느려질 수 있다.

이것이 바로 집중력과 마무리 실행이 동등한 가치를 가져야 하는 이유다. 집중력은 중요한 연결고리를 선택한다. 마무리 실행은 결과가 실제 고객, 동료, 독자 또는 의사결정자에게 도달할 때까지 의존성을 관리한다.

마지막 단계에는 종종 불균형적으로 많은 노력이 든다. 90% 완성된 것처럼 보이는 초안에도 근거 없는 주장, 부자연스러운 전환, 불명확한 결정이 남아 있을 수 있다. 프로토타입 역시 작동하는 것처럼 보여도 프로덕션 환경에 필요한 신뢰성이 부족할 수 있다.

Manelius는 부분일식과 개기일식의 시각적 차이를 활용해 이 간극을 설명했다. 이 비유가 보편적인 품질 공식이 되어서는 안 된다. 어떤 작업은 실제로 철저한 다듬기보다 빠르고 충분한 답변이 더 필요하다.

그러나 신뢰와 일관성이 중요한 작업에는 이 비유가 들어맞는다. 거의 끝난 고객 마이그레이션도 실패할 수 있다. 대체로 정확한 경영진 메모도 잘못된 결정으로 이어질 수 있다. 거의 안전한 애플리케이션은 여전히 안전하지 않다.

AI는 눈에 보이는 완성도를 운영 준비 상태와 혼동하기 쉽게 만든다. 출처가 여전히 불확실해도 유창한 텍스트는 완성된 것처럼 보인다. 엣지 케이스가 테스트되지 않았어도 생성된 인터페이스는 작동하는 것처럼 보인다.

따라서 지식 노동자에게는 더 엄격한 완료 정의가 필요하다. 모델이 생성을 멈췄다고 해서 프로젝트가 끝난 것은 아니다. 누군가 결과를 검증하고, 핵심 의존성을 해결하며, 의도한 목적지에 전달했을 때 비로소 완료된다.

개인 지식 시스템은 맥락을 보존하고 반복적인 검색을 줄여 이 과정을 지원할 수 있다. 예를 들어 개인 지식 베이스는 결정, 출처, 프로젝트 이력을 연결해 둘 수 있다. 하지만 어떤 프로젝트가 우선순위를 가져야 하는지는 결정할 수 없다.

그 경계는 중요하다. 더 나은 검색은 조정 마찰을 줄일 수 있지만, 제한된 포트폴리오를 뒷받침해야 한다. 그렇지 않으면 개선된 정리는 단지 더 많은 미완료 약속을 유지하도록 도울 뿐이다.

집중력과 마무리 실행은 수평적 AI 생산성을 이긴다

희소한 자원은 생산 역량에서 주의를 지휘하고 유지하는 능력으로 이동하고 있다.

전통적인 생산성 시스템은 흔히 일이 외부에서 들어온다고 가정한다. 이러한 시스템은 사용자가 의무를 포착하고, 분류하고, 효율적으로 실행하도록 돕는다. 생성형 AI는 기존 작업을 완료하도록 돕는 만큼 빠르게 새 작업도 만들어낼 수 있기 때문에 이 모델을 바꾼다.

어시스턴트에게 성장 아이디어를 요청하면 수십 개를 제시할 수 있다. 기능 기회를 요청하면 로드맵을 만들 수 있다. 연구 방향을 물으면 팀의 시간을 채울 만큼 충분한 질문을 생성할 수 있다.

이제 사용자에게는 작업 수용 정책이 필요하다. AI가 새 프로젝트를 확장하도록 허용하기 전에, 모든 새 프로젝트는 제한된 주의를 두고 경쟁해야 한다. 그 관문이 없으면 아이디어 생성은 자동화된 범위 확장의 원천이 된다.

이것이 Rick Manelius AI 생산성 논지에 담긴 수직적 생산성 전략이다. 사용자는 의미 있는 결과를 소수 선택한 뒤, 그 경계 안에서 AI를 반복적으로 활용한다. 도구는 활성 포트폴리오를 넓히는 대신 실행을 심화한다.

제품 관리자라면 AI를 사용해 인터뷰를 종합하고, 가설을 검증하며, 명세를 작성하고, 의사결정을 준비할 수 있다. 이 네 가지 작업은 모두 하나의 제품 질문을 뒷받침한다.

수평적 대안은 이제 각각이 감당할 만해 보인다는 이유로 서로 관련 없는 여러 기능의 명세를 생성할 것이다. 이 접근은 더 많은 이해관계자 검토, 의존성, 지표, 유지보수 의무를 만든다.

작가에게 수직적 활용은 하나의 글을 중심으로 조사, 출처 비교, 구조적 비평, 편집을 결합할 수 있다. 수평적 활용은 동일한 출판 시간과 편집 에너지를 두고 경쟁하는 여러 개의 얕은 초안을 만들 수 있다.

엔지니어에게 수직적 활용은 하나의 명확히 정의된 릴리스를 위한 디버깅, 테스트 생성, 문서화, 코드 리뷰를 포함할 수 있다. 수평적 활용은 명확한 책임자나 종료 계획 없이 여러 실험적 서비스를 만들 수 있다.

집중력은 탐색을 거부한다는 뜻이 아니다. 탐색과 약속을 분리한다는 뜻이다. 저비용 실험은 정의된 질문에 답할 수 있지만, 그 결과는 계속, 보류 또는 중단을 위한 신중한 결정을 촉발해야 한다.

이 의사결정 지점은 프로토타입이 영구적인 배경 의무가 되는 것을 막는다. 또한 눈에 보이는 진전이 주는 심리적 끌림에도 대응한다. 생성된 결과물은 구체적인 무언가를 만들어내므로, 핵심 목표를 진전시키지 못해도 생산적으로 느껴진다.

마무리 실행에는 그 결정 이후 보호된 주의가 필요하다. AI는 작업 준비를 도울 수 있지만, 인간에게는 여전히 판단을 위한 방해받지 않는 시간이 필요하다. 프로젝트 사이를 끊임없이 오가면 미묘한 오류와 트레이드오프를 알아차리는 데 필요한 맥락이 약화된다.

Microsoft의 방해 관련 데이터는 이 요구사항을 어렵게 보이게 한다. 하지만 AI는 선택된 워크플로 안에서 일상적인 자료를 처리할 때 집중을 지키는 데 도움을 줄 수 있다. 더 많은 선택지를 만드는 동일한 기술이 업데이트를 요약하고, 이전 결정을 검색하거나, 제약된 브리프를 준비할 수 있다.

차이는 누가 대기열을 통제하느냐에 있다. 모든 메시지, 아이디어, 생성된 제안이 작업이 되면 AI는 파편화를 가속한다. 명확한 우선순위가 어시스턴트가 처리할 대상을 통제한다면, AI는 그 결과를 둘러싼 잡음을 줄일 수 있다.

여러 관련 출처의 정보를 결합하는 지식 블렌딩은 이러한 조건에서 유용하다. knowledge blending 같은 시스템은 흩어진 맥락을 하나의 답변으로 모을 수 있다. 그러나 사용자는 그 답변이 뒷받침해야 할 결정을 여전히 정의해야 한다.

조직도 더 큰 규모에서 같은 규율이 필요하다. 리더는 모든 부서에 에이전트를 배포하기 전에 어떤 워크플로가 가속할 가치가 있는지 식별해야 한다. 또한 절약된 시간이 어디에 쓰일지도 결정해야 한다.

회사가 절약된 모든 시간이 더 많은 산출물로 이어지기를 기대한다면, 직원들은 합리적으로 더 많은 일을 시작할 것이다. 일부 역량을 검토와 회복을 위해 보호한다면 AI의 이득은 품질과 지속 가능성을 모두 개선할 수 있다.

지표는 완료를 강화해야 한다. 팀은 진행 중인 작업의 기간, 활성 프로젝트 수, 완료된 고객 성과, 수정률, 중단된 프로토타입을 추적할 수 있다. 이러한 신호는 AI가 흐름을 개선하는지, 재고를 늘리는지를 보여준다.

프로젝트 수가 줄었다고 해서 반드시 야망이 줄었다는 뜻은 아니다. 완료가 중요한 곳에 팀이 자원을 집중했다는 의미일 수 있다. 실질적인 시험은 더 적은 약속이 더 강한 결과를 내는지 여부다.

번아웃 주장은 한 창업자의 경험만으로는 부족하다

Manelius는 신뢰할 만한 메커니즘을 제시하지만, 그의 설명이 AI 사용이 번아웃을 유발한다는 사실을 증명하지는 않는다.

세계보건기구는 번아웃을 성공적으로 관리되지 않은 만성적 직장 스트레스에서 비롯되는 직업적 현상으로 정의한다. 그 세 가지 차원에는 소진, 거리감 또는 냉소의 증가, 직업적 효능감 저하가 포함된다.

그 번아웃 정의는 구체적으로 업무에 적용된다. Manelius는 스타트업 활동과 개인 사이드 프로젝트를 모두 언급했다. 그의 경험은 번아웃과 유사할 수 있으나, 직업적 정의의 모든 요소와 일치하지는 않을 수 있다.

그의 효율성 추정치 역시 주의가 필요하다. 그는 AI가 일부 작업을 2배에서 100배까지 빠르게 만들 수 있다고 썼다. 이 수치는 그의 프로젝트 포트폴리오에서 측정된 결과라기보다 광범위한 범위를 설명한다.

신뢰할 수 있는 향상 폭은 작업, 작업자, 모델, 품질 기준에 따라 크게 달라진다. 첫 초안은 훨씬 더 빨리 나올 수 있지만, 검증 과정에서 그 절약분의 일부가 사라질 수 있다. 일부 복잡한 작업은 여전히 모델의 신뢰할 수 있는 역량 범위를 벗어난다.

증거는 AI가 일을 확장하기보다 줄일 수도 있음을 보여준다. 66개 기업과 7,137명의 지식 노동자를 대상으로 한 무작위 현장 실험은 이메일, 회의, 글쓰기에 통합된 AI 도구를 조사했다.

도구를 사용한 처치군 근로자 가운데 참가자들은 실험 후반기에 매주 이메일에 쓰는 시간을 두 시간 줄였다. 또한 정규 근무 시간 외 업무도 줄였다. 연구진은 작업량이나 작업 구성의 더 광범위한 변화를 발견하지 못했다.

이 결과는 생성형 AI가 필연적으로 과부하를 만든다는 주장을 약화한다. 기존 작업에 적용된 통합 도구는 시간을 되돌려줄 수 있음을 시사한다. 또한 개인의 도구 접근만으로 팀 수준의 업무 관행이 자동으로 재편되지는 않음을 보여준다.

중요한 변수는 시간이 절약된 뒤에 무엇이 일어나느냐일 수 있다. 어떤 근로자는 그 시간을 지킬 수 있지만, 다른 근로자는 새 프로젝트 세 개를 시작할 수 있다. 어떤 관리자는 행정 부담을 줄일 수 있지만, 다른 관리자는 산출 목표를 높일 수 있다.

개인적 주체성도 중요하지만 조직 권한도 중요하다. 직원은 절약된 시간이 회복, 심층 작업 또는 또 다른 업무 배정으로 이어질지를 통제하지 못할 수 있다. 경쟁 시장과 성과 시스템은 생산성 이득이 어떻게 배분되는지에 영향을 미친다.

프로젝트 유형도 위험을 바꾼다. 고객 지원은 종료 지점이 있는 반복적 업무를 제공한다. 창업, 글쓰기, 제품 개발에는 사실상 무제한의 선택 가능한 범위가 있다. AI는 이러한 개방형 분야에서 훨씬 더 많은 잠재 작업을 자극할 수 있다.

또 다른 반론도 있다. 불확실성이 높을 때 더 많은 실험을 출시하는 것은 합리적일 수 있다. 스타트업은 여러 아이디어를 시험하며 배우는 경우가 많고, AI는 그 증거를 수집하는 비용을 낮춘다.

문제는 실험의 수만이 아니다. 명시적인 중단 규칙의 부재가 문제다. 실험에는 질문, 제한된 예산, 결정 날짜가 있어야 한다. 이러한 통제가 없으면 탐색은 모호한 의무의 확장되는 포트폴리오가 된다.

완벽주의는 관련된 또 다른 위험을 제시한다. Manelius는 중요한 프로젝트에서 마지막 1%에 드는 비용을 지불해야 한다고 주장한다. 이 원칙은 중요한 작업의 품질을 개선할 수 있지만, 사용자가 더 이른 버전에서 혜택을 볼 수 있는 상황에서는 전달을 지연시킬 수도 있다.

집중력과 마무리 실행은 모든 것을 끝없이 다듬는다는 뜻이 아니다. 작업이 시작되기 전에 적절한 품질 기준을 선택한다는 뜻이다. 비공개 분석, 공개 에세이, 의료 워크플로, 재무 의사결정에는 서로 다른 수준의 보증이 필요하다.

따라서 이 주장의 가장 강한 형태는 조건부다. 사용자가 모든 효율성 이득을 추가 약속에 재투자할 때 AI는 과부하를 늘릴 수 있다. 진행 중인 작업을 제한하고 되돌아온 시간을 보호할 때 AI는 과부하를 줄일 수 있다.

이러한 틀은 한 경험을 보편적 증거로 취급하지 않으면서 Rick Manelius AI 생산성 경고를 유용하게 유지한다. 그의 이야기는 메커니즘을 제공한다. 직장 연구는 결과가 작업 경계, 관리 선택, 근로자 통제에 달려 있음을 보여준다.

AI가 더 나은 업무를 지원하는지 보여줄 세 가지 신호

AI 생산성의 다음 단계는 완료된 성과, 근무 시간, 실제 멀티태스킹 조건에서의 성과로 평가될 것이다.

첫 번째 신호는 조직이 생성된 산출물 대신 진행 중인 작업을 측정하기 시작하는지 여부다. 현재 도입 대시보드는 프롬프트, 어시스턴트 사용량, 생성된 문서를 쉽게 축하하게 만든다. 이러한 지표는 완료된 가치에 대해서는 거의 말해주지 않는다.

더 강력한 측정 시스템은 AI 사용을 사이클 타임, 고객 성과, 결함, 활성 프로젝트 수와 연결할 것이다. 진행 중인 작업이 통제된 상태에서 이러한 성과가 개선된다면 집중력 논지는 힘을 얻는다.

더 빠른 완료 없이 생성된 자료만 더 많이 보고된다면 경고는 더욱 강해진다. 그러면 AI는 유용한 처리량을 늘리기보다 조직의 재고를 확장하고 있는 셈이다.

두 번째 신호는 절약된 시간이 근무일을 단축하는지 여부다. 연구는 이미 상반된 방향을 가리킨다. 한 현장 실험은 이메일 시간과 퇴근 후 업무의 감소를 발견한 반면, 시간 사용 연구는 AI 노출을 더 긴 근무 시간과 연관지었다.

미래의 업무 텔레메트리는 어떤 패턴이 우세해지고 있는지 분명히 보여줄 수 있습니다. 근무 시간 이후의 메시지, 주말 활동, 회의량, 방해받지 않는 집중 시간은 자기보고식 속도만으로는 알 수 없는 더 나은 근거를 제공합니다.

근무 외 시간의 활동이 감소한다면, 조직이 직원들이 일부 효율성 향상을 유지하도록 허용하고 있음을 보여줄 것입니다. 반대로 계속 확대된다면, AI 역량이 높아지는 기대치에 흡수되고 있음을 시사할 것입니다.

세 번째 신호는 에이전트가 길고 서로 연결된 워크플로 전반에서 어떻게 수행하는지입니다. 단일 작업 시연은 자율성이 거의 완성된 것처럼 보이게 할 수 있습니다. 하지만 업무 현장에서의 가치는 에이전트가 맥락을 유지하고, 의존성을 관리하며, 오류에서 안전하게 복구하는 능력에 달려 있습니다.

멀티태스킹 부하에서 완료율이 16.7%에서 8.7%로 떨어졌다는 보고는 현재의 격차를 보여줍니다. 성능이 개선되면 AI는 단순히 더 많은 시작 자료를 만들어내는 데 그치지 않고, 더 많은 후속 실행까지 담당할 수 있게 됩니다.

그러한 개선이 인간의 판단을 없애지는 않을 것입니다. 대신 판단이 프로세스에 개입하는 지점을 바꾸게 됩니다. 에이전트가 정의된 업무 흐름 전반의 조정을 더 많이 처리하는 동안, 사람은 결과와 예외 사항을 감독할 수 있습니다.

그 신뢰성이 확보되기 전까지 지식 노동자는 AI가 생성한 모든 프로젝트를 미래에 집중력을 요구할 대상으로 여겨야 합니다. 첫 결과물은 초대장일 뿐, 완료된 결과가 아닙니다.

이제 실질적인 질문은 AI가 당신을 더 빠르게 만들 수 있는지 여부가 아닙니다. 많은 범위가 제한된 작업에서는 분명 그렇게 할 수 있습니다. 질문은 그 속도가 선택한 결과를 앞당기는지, 아니면 또 다른 미완의 과제를 만드는지입니다.

어시스턴트에게 새로운 일을 시작해 달라고 요청하기 전에, 그 일이 대체할 기존의 약속이 무엇인지 파악하세요. 완료의 기준, 검증 책임자, 그리고 작업을 언제 멈출지를 정의하세요. 그런 다음 AI를 활용해 선택한 프로젝트를 더 멀리 밀고 나가세요.

새로운 AI 초능력은 끝없는 생성이나 끊임없는 움직임이 아닙니다. 무엇이 관심을 받을 가치가 있는지 선택하고, 그 주변의 맥락을 보존하며, 세심하게 완수하는 능력입니다. 또 하나를 시작하기 전에, 어떤 미완의 프로젝트를 마무리하시겠습니까?