요즘 기업마다 AI 도입 ‘성공 사례’를 자랑한다. 온보딩 자동화, AI 채용 스크리닝, 에이전틱 업무 보조. 수치도 화려하다. 문제는 이 성공 지표가 보여주지 않는 것이 있다는 점이다. MIT 경제학자 세 명이 2026년 초 발표한 연구는 꽤 불편한 질문을 던진다. AI가 정확해질수록 사람들이 배우기를 멈추고, 조직 안에 공유되던 집단 지식이 소멸한다면? 개인적으로는, 이 논문을 처음 읽고 나서 그동안 목격해온 여러 기업 현장의 풍경이 한꺼번에 설명되는 느낌이었다. AI 도입의 진짜 위험은 실패가 아니라 성공이다. AI가 정확해질수록 직원은 스스로 배울 이유를 잃고, 조직의 집단 지식은 조용히 증발한다.
한 줄 요약: AI가 정확해질수록 직원의 학습 유인이 소멸하고, 조직의 집단 지식이 붕괴한다 — 인재 전략의 최대 리스크는 AI 실패가 아니라 AI 성공이다.
정확한 AI가 만드는 ‘배우지 않아도 되는 세계’
Acemoglu, Kong, Ozdaglar의 모델은 지식을 두 층위로 나눈다. 하나는 일반 지식(general knowledge) — 조직이나 공동체가 공유하는 집단적 이해. 다른 하나는 맥락 특수 지식(context-specific knowledge) — 특정 상황에서 개인이 가진 판단력이다. 성공적인 의사결정에는 이 두 가지가 보완재로서 함께 필요하다.
여기서 핵심적인 메커니즘이 작동한다. 개인이 비용을 들여 노력하면 두 가지 신호가 동시에 발생한다. 자신의 맥락에 대한 사적 신호, 그리고 집단 지식에 축적되는 공적 신호. 신입 직원이 업무를 직접 부딪히며 배우면, 그 과정에서 팀 전체의 암묵지도 함께 쌓이는 구조다. 선배에게 질문하고, 실수를 공유하고, 매뉴얼에 없는 노하우를 구전으로 전달하는 모든 과정이 이 ‘공적 신호’에 해당한다.
Agentic AI가 등장하면 이 구조가 뒤틀린다. AI는 맥락 특수 추천을 직접 제공해서 인간의 노력을 대체한다. 문제는 그 대체가 사적 신호만 없애는 게 아니라, 공적 신호의 생산도 같이 멈춘다는 것이다. 선배에게 물어볼 필요가 없으니 질문이 사라지고, 실수를 공유할 일이 없으니 노하우 전달이 끊긴다. AI가 정확할수록 이 효과는 강력해진다.
‘역U자형’ — 더 좋은 AI가 더 나쁜 결과를 만드는 구간
논문의 가장 불편한 발견은 이것이다. 사회 후생은 AI 정확도에 대해 비단조적(non-monotone)이다. 쉽게 말하면, AI가 더 정확해진다고 결과가 항상 나아지지 않는다.
역U자형
AI 정확도와 사회 후생의 관계 — 임계점 이후 정확도↑ = 후생↓
Acemoglu, Kong, Ozdaglar — NBER Working Paper 34910 (2026)
완전 소멸
Knowledge Collapse 정상상태에서 일반 지식의 최종 수준
동일 논문 — 학습 외부성 경로 차단 시
2가지
붕괴 필요조건: 충분히 탄력적 인간 노력 + AI 정확도 임계점 돌파
동일 논문 — 정상상태 분석
AI 정확도가 낮을 때는 상식적이다. 정확도가 올라가면 후생도 올라간다. 그런데 특정 임계점을 넘어서면 역전이 일어난다. AI가 너무 정확해지면, 사람들이 자체 학습을 완전히 포기하고, 공적 신호의 생산이 멈추고, 일반 지식이 말라붙고, 결국 AI가 의존하던 지식 기반 자체가 무너진다. 솔직히 이건 SF 시나리오가 아니다. 모델이 예측하는 정상상태다.
기업 현장에서 이미 벌어지고 있는 일
이 모델을 기업 단위로 좁혀서 보면, 학술적 경고가 아니라 현재 진행형 현상이 된다. 글로벌 컨설팅 기업들의 최근 조사 결과를 보자.
47%
경영진 중 AI 활용 확대에 맞춰 인재전략 재설계가 ROI를 낼 것이라고 응답
Mercer 2025 Executive Outlook
84%
HR 리더 중 HR 기능이 더 자동화·기술 기반으로 변할 것이라 예측
Mercer 2024 Voice of the CHRO
7개 계층
Agentic AI의 기술 스택: RPA → NLP → ML → LLM → 예측 → 생성 → 자율 의사결정
Mercer — Agentic AI HR 리포트 (2025)
84%의 HR 리더가 자동화를 기정사실로 받아들이고, 절반 가까운 경영진이 AI 기반 인재전략에서 ROI를 기대한다. 여기서 묘한 부조화가 드러난다. 이 경영진들이 기대하는 ROI는 대부분 효율화 — 채용 시간 단축, 온보딩 자동화, 반복 업무 제거 — 에서 나온다. 그런데 이 ‘효율화’의 실체는 정확히 Acemoglu 모델의 ‘인간 노력 대체’다. AI가 채용 스크리닝을 대신하면 HR 담당자가 후보자를 직접 평가하며 쌓던 판단력이 사라진다. AI가 온보딩을 자동화하면 신입과 선배 사이의 지식 전달 경로가 끊긴다.
이건 의도적인 무시가 아니다. 효율화 지표에는 ‘사라진 학습 기회’를 측정하는 항목이 없기 때문이다. 생산성 대시보드에 ‘이번 분기에 팀이 잃어버린 암묵지’라는 KPI는 존재하지 않는다.
멘토링이 사라진 자리에 AI가 앉으면
Acemoglu 모델에서 지식 붕괴의 핵심 경로는 학습 외부성(learning externality)의 소멸이다. 개인이 노력할 때 발생하는 공적 신호 — 즉, 타인의 학습에 기여하는 부산물 — 가 끊기면 집단 지식이 더 이상 재생산되지 않는다.
기업 현장에서 이 ‘학습 외부성’이 가장 집중적으로 작동하는 영역이 어디인가. 멘토링, 직무순환, OJT(현장직무교육), 팀 내 비공식 지식 공유다. 그리고 이것들은 AI 도입 시 가장 먼저 대체되거나 축소되는 영역이기도 하다.
사례 — Agentic HR 시스템 도입 현장 글로벌 HR 전문 기업의 최신 리포트는 Agentic AI의 5가지 에이전트 유형을 소개한다. ‘대화형’ 에이전트가 직원 셀프서비스를, ‘기능형’ 에이전트가 채용 스크리닝을, ‘감독형’ 에이전트가 실시간 인력 지표 평가를 수행한다. 직무를 과업 단위로 분해해 각 과업의 최적 수행 주체(인간 단독 / 기술 단독 / 협업)를 판별하라고 권고한다. 합리적으로 들린다. 그런데 이 프레임워크 어디에도 ‘이 과업을 AI가 대체하면 어떤 학습 경로가 사라지는가’라는 질문은 없다.
직무를 과업(task) 단위로 분해하는 접근법은 각 과업의 ‘산출물’만 본다. 채용 스크리닝의 산출물은 후보자 평가 결과이고, AI가 더 빠르고 일관되게 산출하면 대체가 정당화된다. 하지만 채용 스크리닝 과정에서 HR 담당자가 쌓는 ‘이 직무에 어떤 사람이 잘 맞는가’에 대한 감각, 면접관 간의 의견 교환에서 정제되는 조직 고유의 인재상 — 이것들은 과업의 산출물이 아니라 과업 수행의 부산물이다. Acemoglu의 용어로 말하면 ‘공적 신호’다. AI가 과업을 대체하면 산출물은 유지되지만 부산물은 증발한다.
논문이 말하지 않은 것: 붕괴는 국가가 아니라 팀에서 먼저 일어난다
Acemoglu와 공저자들은 지식 붕괴를 거시경제적 현상으로 모델링하고, 해법도 정부 차원의 ‘information-design 규제’를 제안한다. AI 정확도에 최적 내부 수준이 존재하므로, 정보 설계 차원에서 규제가 정당화된다는 논리다.
이건 좀 아쉽다. 지식 붕괴가 가장 먼저, 가장 빠르게 발생하는 단위는 국가 경제가 아니라 개별 팀이다. 5명짜리 팀에서 AI가 의사결정 보조를 시작하면, 주니어 직원이 시니어에게 질문하는 빈도가 줄고, 시니어가 자신의 판단 과정을 설명하는 기회가 사라지고, 팀 고유의 의사결정 문법이 단절되는 데 걸리는 시간은 분기 단위다. 국가 수준의 일반 지식 소멸보다 훨씬 빠르고 훨씬 직접적이다.
이 점을 인식하면, 해법의 방향도 달라진다. 정부 규제를 기다릴 필요 없이, 개별 기업의 HR 부서가 AI 도입 전략 안에 ‘학습 경로 보존’을 설계할 수 있다. 아니, 해야 한다. AI 도입 의사결정에 ‘이 자동화가 어떤 학습 외부성을 제거하는가’라는 질문을 추가하는 것만으로도 상당한 차이가 생긴다.
일반 지식 집적 역량 — 유일하게 안전한 투자
논문에서 가장 명확한 정책 함의는 이것이다. AI 정확도 향상은 역U자형이어서 ‘더 좋으면 더 나빠지는’ 구간이 있지만, 일반 지식의 집적 역량 강화는 무조건 후생을 높이고 지식 붕괴에 대한 회복력을 증가시킨다. Trade-off가 없다.
무조건 ↑
일반 지식 집적 역량 강화 → 후생 증가 (trade-off 없음)
Acemoglu et al. — 정책 제안 핵심 명제
역U자형
AI 정확도 향상 → 후생 비단조적 (임계점 이후 역효과)
동일 논문 — 주요 발견
기업 언어로 번역하면, AI 도구의 정확도를 올리는 데 투자하는 것은 위험할 수 있지만, 조직 내부의 지식 공유 인프라를 강화하는 데 투자하는 것은 언제나 안전하다. 사내 위키의 업데이트, 정기적인 교차 교육, 의도적인 직무순환, ‘실수를 공유하는’ 문화 — 이것들은 AI 시대에 구식이 되는 게 아니라 오히려 AI 시대에 유일하게 trade-off 없는 투자가 된다.
이건 직관과 충돌한다. AI에 투자하는 기업일수록 교육 훈련비를 AI 도구 구독료로 대체하는 경향이 있다. 멘토링 프로그램 대신 AI 챗봇, 워크숍 대신 이러닝 모듈, OJT 대신 AI 가이드. 효율의 관점에서는 합리적이지만, Acemoglu 모델의 관점에서는 유일하게 안전한 투자(지식 집적 역량)를 줄이고 위험한 투자(AI 정확도)를 늘리는 셈이다.
한국 기업이 특히 취약한 이유
한국 기업의 인재 관리 구조에는 지식 붕괴를 가속할 수 있는 몇 가지 특수한 조건이 있다. 첫째, 빠른 직무 순환과 짧은 재직 기간. 한국의 평균 근속연수는 OECD 평균을 밑돌며, 이는 이미 학습 외부성의 축적 기간이 짧다는 뜻이다. 여기에 AI 자동화가 더해지면 축적 기간은 더 줄어든다.
둘째, 수직적 위계 문화에서 질문 자체가 줄어드는 현상. Acemoglu 모델에서 공적 신호는 개인의 노력이 타인에게 관찰 가능할 때 발생한다. 수직적 조직에서는 애초에 공적 신호의 양이 수평적 조직보다 적은데, AI가 ‘질문 없이 답을 주는’ 채널이 되면 그나마 남아있던 수직적 질문-응답 경로도 사라진다.
경고 — 한국 맥락의 취약점 짧은 근속 → 학습 외부성 축적 기간 부족 → AI 대체 시 잔존 지식마저 빠르게 소실. 수직적 위계 → 공적 신호 자체가 적음 → AI가 ‘비공식 질문’ 경로를 대체하면 지식 전달 채널 완전 차단 가능성.
셋째, ‘빠른 실행’ 문화. 한국 기업은 AI 도입에서도 속도를 중시한다. ‘일단 넣고 최적화하자’는 접근법은 Acemoglu 모델의 관점에서 가장 위험한 전략이다. AI 정확도가 임계점을 넘는 순간 학습 유인이 급격히 사라지는데, 그 임계점이 어디인지 파악하지 않은 채 AI를 전면 배포하면 돌이키기 어려운 지식 손실이 발생할 수 있다.
그래서 무엇을 할 것인가
AI 도입의 진짜 위험이 성공에 있다는 사실을 받아들이면, HR의 역할이 근본적으로 재정의된다. HR은 AI를 ‘도입하는’ 부서가 아니라, AI가 파괴할 수 있는 학습 인프라를 ‘보호하는’ 부서가 되어야 한다. 이건 AI 도입 반대가 아니다. AI의 정확도가 올라가는 속도에 맞춰, 학습 외부성을 의도적으로 보존하는 장치를 함께 설계하라는 것이다.
💡 실무 시사점 — HR이 이번 분기에 점검할 3가지:
① AI 자동화 전 ‘학습 경로 영향 평가’를 추가하라. 직무를 과업으로 분해할 때, 각 과업의 산출물뿐 아니라 그 과업 수행 과정에서 발생하는 학습 외부성(팀 내 지식 전달, 판단력 축적, 비공식 노하우 공유)을 함께 기록하라. AI로 대체할 과업을 선택할 때 이 외부성의 크기를 기준에 포함시켜야 한다.
② 지식 집적 인프라에 대한 투자를 AI 도구 예산과 분리·보호하라. 사내 위키 업데이트, 교차 교육, 직무순환, 멘토링 프로그램은 AI 시대에 구식이 아니라 유일하게 trade-off 없는 투자다. AI 도구 구독료가 교육훈련 예산을 잠식하지 않도록 예산 구조를 설계해야 한다.
③ AI 도입 속도를 의도적으로 조절하라. 전사 일괄 배포보다 팀 단위 파일럿 → 학습 지표 모니터링 → 단계적 확대가 안전하다. 모니터링 항목에 ‘팀 내 질문 빈도’, ‘비공식 지식 공유 횟수’, ‘시니어-주니어 상호작용 빈도’를 포함하라. 이 지표가 급감하면 AI 정확도가 임계점을 넘었다는 신호다.
#AI도입전략#지식붕괴#학습외부성#HR인프라#에이전틱AI
참고 링크
- NBER, “AI, Human Cognition and Knowledge Collapse” (2026)
- Mercer, “Heads Up HR: Agentic AI Is Redefining Talent Strategy” (2025)
작성: 서재홍 | NODE