AI가 만든 유령 직무 — 이름 없는 ‘설명 노동’이 조직을 좀먹는 법

AI가 대출을 승인하고, 이력서를 걸러내고, 종자의 등급을 매기는 세상이 됐다. 그런데 한 가지 이상한 일이 벌어지고 있다. AI가 결정을 내리는 순간, 그 결정을 설명하는 일이 사람에게 떨어진다. 6년간 은행·채용·바이오 3개 산업을 추적한 현장 연구가 보여주는 풍경은, AI가 일자리를 빼앗는 디스토피아가 아니다. 그보다 훨씬 교묘한 변화다. AI가 의사결정을 자동화하면 ‘결정’은 사라지지 않고 ‘설명’으로 변환된다 — 이 설명 노동은 직무기술서에도, 성과지표에도, 보상체계에도 존재하지 않는 유령 직무다.

한 줄 요약: AI 도입이 만들어낸 ‘설명 노동’은 이름도 보상도 없는 유령 직무이며, 이를 인정하지 않는 조직 설계가 AI 실패의 진짜 원인이다.

은행원은 왜 거짓말을 시작했나

독일의 한 대형 은행에서 6년간 벌어진 일이다. AI 시스템이 대출 심사를 전면 자동화한 뒤, 대출 담당자의 업무가 바뀌었다. 심사가 아니라 심사 결과를 고객에게 납득시키는 것이 새 직무가 됐다. 문제는 AI의 논리가 은행원의 전문적 판단과 충돌하는 경우가 빈번했다는 점이다. 시스템이 “불안정한 재무 상태”를 거절 사유로 내놓았지만, 해당 고객은 미상환 대출이 전혀 없고 소득이 안정적이었다.

은행원들이 택한 전략은 마스킹이었다. AI가 내린 판단을 전통적인 은행 논리로 바꿔치기한 것이다. “신용 이력이 짧습니다”, “소득 대비 대출 한도가 엄격해졌습니다” — 실제로는 이미 폐기된 기준들을 끌어와 고객에게 설명했다. 솔직히 이들을 비난하기 어렵다. AI의 진짜 논리를 그대로 전달하면 고객이 “그게 무슨 말이냐”고 되물을 것이고, 담당자는 자신도 이해하지 못하는 로직을 방어해야 하는 처지에 놓이기 때문이다.

결과는 참담했다. 고객들은 후속 질문에서 설명의 모순을 감지했고, 신뢰는 오히려 떨어졌다. 일부는 경쟁 은행으로 이탈했다. 여기서 주목할 건 은행원의 도덕적 해이가 아니다. 이들은 자기 전문성을 지키기 위해 거짓말을 택한 것이고, 그 전문성을 위협한 건 AI가 아니라 “AI의 결정을 네가 설명해”라는 조직의 암묵적 요구였다.

전문성이 증발하는 구조

글로벌 소비재 기업의 채용팀에서는 정반대 전략이 나타났다. 이 회사의 채용담당자들은 오랫동안 채용 매니저에게 후보자 선정 근거를 설명하는 데 어려움을 겪고 있었다. AI 도입은 구원처럼 보였다. 성격 분석 점수, 성과 패턴 그래프, 역량 프로필 — 데이터 기반 근거를 무기로 들고 브리핑에 들어갈 수 있게 된 것이다.

채용담당자들은 AI를 적극 수용했다. 하지만 새로운 문제가 터졌다. 채용 매니저들이 AI 결과물을 이해하지 못한 것이다. “이 후보의 점수가 59인데, 그게 좋은 건가요 나쁜 건가요?” “어떤 기준으로 이 특성이 중요하다는 건가요?” 질문이 쏟아졌다.

채용담당자들의 다음 수는 흥미롭다. 직접 해석을 제공하면 AI의 “객관성”이 훼손될까 우려했고, 대신 설명 자체를 자동화하는 방향을 택했다. 벤치마크 그룹을 선별하고, 어떤 특성을 강조할지 큐레이션하고, 면접 질문을 AI 결과에 연동하고, 시각화를 재설계했다. 이 모든 작업이 채용담당자의 전문적 판단에 의존했다.

개인적으로는 이 사례가 세 가지 중 가장 씁쓸하다. 채용 매니저들은 개선된 AI 결과물에 만족했지만, 그 개선이 누구의 노동으로 이루어졌는지는 인지하지 못했다. 채용담당자의 전문성은 기술 안에 녹아들어 보이지 않게 됐다. 성과 리뷰에서 이 노동은 “AI 도구 활용”이라는 한 줄로 축소됐고, 승진 기준에는 아예 반영되지 않았다.

유일하게 작동한 모델 — 그런데 공짜가 아니었다

바이오테크 기업의 종자 분류 사례는 다른 결을 보인다. 이 회사에서 AI는 종자의 품질을 이미지로 판별하는 시스템이었고, 종자 전문가들은 AI와 함께 일하되 그 결정을 검토하고 피드백할 수 있는 구조를 갖고 있었다.

결정적 차이는 조직이 설명 노동을 공식화했다는 점이다. 분류 현장 바로 옆에 전용 영상 분석 랩을 만들었다. 전문가들에게 AI 분류 결과와 자신의 판단을 비교·검증할 시간과 도구를 제공했다. 주간 회의에서 개발자와 직접 모델 피드백을 교환했고, 공급망 관리자들과 매일 어떤 설명이 실제 운영 의사결정에 도움이 되는지를 조율했다. 공동 연구 프로젝트까지 운영했다.

이 모델이 성공한 건 분명하다. 하지만 여기서 빠뜨리면 안 되는 맥락이 있다. 영상 분석 랩 구축, 주간 회의 시간 확보, 공동 연구 예산 — 이 모든 게 조직의 추가 투자였다. AI가 결정을 자동화하면 인력이 줄어든다는 통념과 정반대다. 설명 노동을 제대로 하려면 오히려 더 많은 조직 자원이 들어간다. 이걸 투자할 의사가 없는 조직에서 AI 도입은 은행 사례처럼 마스킹으로 귀결되거나, 채용 사례처럼 전문가의 기여가 증발하는 결과로 이어진다.

‘재작업 세금’ — 유령 직무의 규모

이 세 가지 사례가 특정 산업의 예외적 현상일까. 숫자들은 그렇지 않다고 말한다. 국내 직장인의 31%가 AI 생성물을 수정하는 데 주당 1~2시간을 쓰고 있다. AI가 절약해 준 시간이 곧바로 AI 산출물을 교정·보완·재해석하는 데 재투입되는 현상을 “재작업 세금”이라 부른다.

더 심각한 건 이 노동의 귀속 문제다. 글로벌 기술 임원의 92%가 “우리 조직은 AI 기여분의 재무적 영향을 추적한다”고 답하지만, 그 기여분의 절반 이상이 실제 사업 성과로 기록되는 곳은 2%에 불과하다. 나머지 조직에서 AI가 만든 가치는 어디로 가는가? 87%의 조직이 AI 보조 산출물을 “때때로 또는 항상” 인간 직원의 성과로 귀속시킨다.

이 수치들을 겹쳐보면 기묘한 풍경이 완성된다. AI를 도입한 기업은 78%지만 제대로 활용하는 곳은 31%. 채용 공고의 64%가 AI 역량을 요구하지만, 정작 AI와 함께 일하면서 생기는 설명·교정·큐레이션 노동은 어디에도 기록되지 않는다. 기업은 AI가 만든 산출물의 가치를 인간의 성과로 기록하면서, 동시에 그 인간이 AI 산출물을 쓸 만하게 만드는 데 들이는 노력은 측정하지 않는다.

2015년 직무기술서와 2026년 기술의 충돌

워크데이의 분석이 이 상황을 정확히 포착한다. “직원들은 2015년 수준의 직무 구조 안에서 2026년 기술을 활용하고 있다.” 직무기술서에는 여전히 “데이터 분석”, “고객 상담”, “품질 관리”라고 적혀 있지만, 실제로 이 직무를 수행하는 사람들은 매일 AI가 내놓은 결과를 해석하고, 맥락에 맞게 재가공하고, 이해관계자에게 설명하는 일을 하고 있다.

한국 상황은 더 복잡하다. 직무급 전환을 추진하는 기업이 늘고 있지만, 직무 분석의 기준이 AI 이전 시대에 설계된 것이라 ‘설명 노동’이 포착되지 않는다. 성과평가도 마찬가지다. KPI는 “처리 건수”, “매출 기여”, “고객 만족도” 같은 결과 지표로 구성되어 있고, AI 결과물을 해석·보정·전달하는 과정 노동은 측정 대상이 아니다.

이건 단순한 인사 제도의 미비가 아니다. 맥킨지가 지적했듯 디지털 전환 성공의 80%는 기술이 아니라 조직의 학습·적응 시스템이 결정한다. AI 설명 노동을 인정하지 않는 조직은, AI를 도입해 놓고 그것이 작동하게 만드는 인간의 노동은 없는 것으로 치는 셈이다. 효율을 위해 도입한 기술이 보이지 않는 비효율을 양산하는 역설이 여기서 완성된다.

마스킹은 개인의 실패가 아니라 시스템의 증상이다

다시 은행 사례로 돌아가자. 은행원들이 AI의 논리를 바꿔치기한 건, 개인의 부정직함이 아니라 조직이 만든 불가능한 요구에 대한 합리적 반응이었다. “이 결정을 네가 설명해. 하지만 결정 과정에 개입할 수는 없어.” 이런 구조에서 마스킹은 예측 가능한 결과다.

채용 사례에서 전문가의 기여가 증발한 것도 마찬가지다. 조직이 설명 노동의 존재를 인정하지 않으니, 그 노동을 수행하는 사람의 전문성도 보이지 않게 됐다. 바이오테크 사례가 작동한 이유는 기술이 더 좋아서가 아니라, 조직이 설명 노동에 자원을 배정하고, 그 노동의 결과를 가시화하고, 수행자의 역할을 공식적으로 재정의했기 때문이다.

세 사례를 관통하는 패턴은 명확하다. AI가 자동화하는 건 ‘의사결정’이지만, 그 결정이 조직 안에서 작동하려면 누군가의 ‘통역’이 필요하다. 통역 없는 결정은 고객의 불신을, 통역의 존재를 무시한 조직은 전문가의 이탈을, 통역에 투자한 조직만이 AI의 실질적 가치를 확보한다.

설명 노동을 인정하면 무엇이 달라지는가

AI 도입 논의는 대개 “어떤 기술을 쓸 것인가”에서 시작하고 “몇 명을 줄일 수 있는가”로 끝난다. 이 프레임이 놓치는 것이 있다. AI가 만들어내는 새로운 직무 — 설명하고, 해석하고, 재맥락화하는 노동 — 를 조직이 어떻게 다루느냐가 AI 도입의 성패를 가른다는 사실이다.

바이오테크 사례의 종자 전문가들은 스스로의 역할을 “결정자”에서 “결정 해석자”로 재정의했다. 이 전환이 가능했던 건 조직이 해석이라는 행위를 정당한 직무로 인정했기 때문이다. “색상 차이가 있다”는 막연한 설명 대신 “이 패턴이 발아 불균일을 야기할 수 있다”는 구체적 운영 가이드를 제공할 수 있게 됐을 때, 전문가의 가치는 오히려 AI 이전보다 높아졌다.

한국의 HR이 여기서 가져갈 행동지침은 세 가지로 수렴한다.

💡 실무 시사점 — 설명 노동을 조직 설계에 반영하는 3가지 행동:

① 직무기술서에 AI 해석 업무를 명시한다. “AI 산출물 검증 및 이해관계자 커뮤니케이션”을 독립 직무 항목으로 추가한다. 이것이 채용·평가·보상의 출발점이다.

② 성과지표에 설명 노동을 반영한다. 처리 건수 같은 결과 KPI 외에, AI 결과물의 재해석·보정·전달 건수와 품질을 과정 KPI로 측정한다. 채용 사례처럼 전문성이 기술 안에 증발하는 것을 방지하는 최소한의 장치다.

③ AI 결정에 대한 질문 권한을 보장한다. 은행 사례가 보여주듯, 설명만 시키고 질문은 막는 구조는 마스킹을 유발한다. 바이오테크 모델처럼 모델 피드백 채널과 주간 리뷰를 공식화해야 한다.

#AI설명노동 #직무설계 #유령직무 #HR성과평가 #AI도입실패

AI 시대의 핵심 질문은 “AI가 무엇을 할 수 있는가”가 아니다. “AI가 하지 않는 나머지를 누가, 어떤 조건으로 맡고 있는가”다. 그 나머지가 이름을 얻는 순간, 유령 직무는 비로소 조직 안에서 존재하기 시작한다.

참고 링크

• Harvard Business Review, “When Employees Are Held Accountable for AI-Generated Decisions” (2026)
• 한국경제, “AI 썼더니 일 더 늘었다…직장인들 재작업 세금에 진땀” (2026)
• Forbes, “Your Company Is Already Run Partly By AI. Your Accounts Don’t Show It.” (2026)
• Microsoft, “2026 업무동향지표” (2026)

작성: 서재홍 | NODE