AI 확산으로 협업 비용의 중심이 조정 관리로 이동
개인 업무 범위 확대와 역할 분화로 팀 작업 속도 가속
속도 유지 속 사고 다양성 관리가 새로운 과제로 부상

본 기사는 스위스 인공지능연구소(SIAI)의 SIAI Research Memo 시리즈 기고문을 한국 시장 상황에 맞춰 재구성한 글입니다. 본 시리즈는 최신 기술·경제·정책 이슈에 대해 연구자의 시각을 담아, 일반 독자들에게도 이해하기 쉽게 전달하는 것을 목표로 합니다. 기사에 담긴 견해는 집필자의 개인적 의견이며, SIAI 또는 그 소속 기관의 공식 입장과 일치하지 않을 수 있습니다.

업무 현장에서 AI 활용이 빠르게 확산되고 있다. 특히 팀 단위 협업 과정에서 대형언어모델(LLM)이 개입하는 사례가 늘면서, 일하는 방식 전반에 변화가 나타나고 있다. 이러한 흐름은 개발 분야에서 먼저 확인된다. 깃허브(GitHub)에 따르면 2025년 한 해 동안 3,600만 명 이상이 새로 가입했으며, 이 가운데 약 80%는 가입 첫 주에 코파일럿(Copilot)을 사용했다. 정보 노동자의 약 75%가 이미 업무에서 AI를 활용하고 있다는 조사 결과를 함께 보면, LLM은 개별 업무를 보조하는 수준을 넘어 협업 환경의 한 요소로 자리 잡고 있다.

과거에는 코드나 문서의 세부 표현을 맞추는 과정에서 여러 차례의 확인과 조율이 필요했다. 지금은 이러한 작업이 비교적 짧은 시간 안에 정리된다. 작업 단위는 세분화됐고, 초안이 공유 가능한 결과물로 전환되는 과정도 단축됐다. 이 변화는 협업 속도뿐 아니라 참여 방식과 아이디어가 오가는 구조 전반에 영향을 미치고 있다.

개인 단위 업무의 재편

이러한 환경 변화는 개인이 맡는 업무의 범위와 처리 방식에도 영향을 주고 있다. 한 구성원이 결과물을 공유하면 AI가 테스트 코드 작성과 기본 검토를 지원하고, 다른 구성원은 이를 바탕으로 설명 자료나 시연 자료를 준비한다. 작성과 설명, 검토 준비가 하나의 흐름에서 이어지면서 협업 단계가 줄어들었다. 업무는 순차적으로 넘겨 처리하기보다, 각자가 일정 수준의 완성도를 갖춘 결과물을 제시하는 구조로 이동하고 있다.

이 같은 방식은 개발 업무에만 국한되지 않는다. 문서 작성과 발표 자료 준비, 데이터 정리 등 지식 노동 전반으로 확산되고 있다. 연구 현장에서도 변화는 뚜렷하다. 조교는 핵심 내용을 요약해 발표자 노트를 준비하고, 공동 문서의 인용 방식과 표현을 정리한다. 연구실에서는 논문 표기 기준을 통일하고, 방법론을 점검 목록으로 전환하며, 해외 연구자를 위한 초록 번역을 병행한다. 반복 작업에 소요되던 시간이 줄면서, 구성원은 내용 구성과 해석에 더 많은 자원을 투입할 수 있게 됐다.

교육 현장에서도 유사한 흐름이 나타난다. 학생은 과제물의 초안을 빠르게 작성한 뒤 이를 여러 차례 수정해 제출한다. 글쓰기 수업에서는 문서가 수정과 통합을 거치며 발전하고, AI는 문체와 형식을 정리하는 역할을 맡는다. 교사는 형식적 오류보다 논리 전개와 이해 수준을 중심으로 검토할 여지가 확대됐다.

설계와 구현의 역할 분화

협업 구조가 바뀌면서 역할 간 분담도 보다 뚜렷해지고 있다. 팀 작업에서는 문제를 어떻게 설명할지와 이를 어떻게 구현할지가 구분된다. LLM은 두 기능이 충돌하지 않도록 작업 흐름을 조정한다. 설계를 맡은 구성원은 AI를 활용해 초안을 정리하고, 방대한 검토 내용을 압축하며, 논리 전개의 빈틈을 점검한다. 같은 내용을 상황에 맞게 재구성한 뒤 적합한 표현을 선택할 수 있고, 수정 사항은 문서 전체에 즉시 반영된다. 개인의 표현 방식은 유지되면서 결과물의 일관성은 강화된다.

구현을 담당하는 구성원 역시 반복 작업 부담을 덜고 있다. 변수 명칭 정리와 설정 분리, 형식 통일이 하나의 흐름에서 이뤄진다. 표기 방식이 달라도 기존 구조를 유지한 채 변환이 가능하다. 데이터 작업에서는 설계안을 코드로 옮기고 검증 절차를 마련하며 처리 과정을 정리한다. 이 과정에서 반복적인 확인과 조율이 줄고 오류 가능성도 함께 낮아진다. 이처럼 설계와 구현은 각자의 역할을 유지한 채 하나의 과정 안에서 연결된다. 설계는 의미와 맥락을 정리하고, 구현은 안정성과 재현성을 확보한다. AI는 두 결과물이 어긋나지 않도록 조정하며, 하나의 결과물로 읽히고 작동하도록 만든다.

사고 다양성의 관리

한편 협업 속도가 빨라질수록 결과물의 형태가 유사해지는 경향도 나타난다. 동일한 AI를 사용할 경우 문체와 표현이 수렴하고, 예시와 구성 방식이 반복되며 코드 구조도 비슷해질 가능성이 있다. 일부 연구는 AI 활용이 결과를 평균적인 방향으로 모으는 효과를 낳는다고 지적한다. 설문조사에서도 사용자들은 AI를 일상적으로 활용하면서도 중요한 판단 단계에서는 신중한 태도를 유지하는 것으로 나타난다. 이러한 특성은 초안 단계에서는 효율로 작용하지만, 관리 없이 확산될 경우 다른 접근과 해석의 여지를 좁힐 수 있다. 교육 현장에서는 과제 결과물의 전개 방식이 유사해질 가능성이 있고, 연구 환경에서는 특정 코드 구조나 분석 방식이 반복되며 실험 설계의 폭이 제한될 수 있다.

이를 완화하기 위한 운영 방식도 제시되고 있다. 주요 결정 이전에 복수의 초안을 병행 검토하고, 그중 하나는 기존과 다른 자료나 접근을 활용하도록 하는 방식이다. 개발 환경에서는 실험적인 구현을 허용하는 별도 단계를 두고 검증 이후 통합한다. 변경 이력의 출처를 기록해 AI 제안 여부와 요청 맥락을 남기는 절차도 활용된다. 여러 AI 시스템을 병행 사용하는 방식 역시 결과의 편향을 줄이는 수단으로 언급된다.

캠퍼스와 조직의 운영 기준

AI 활용에 대한 기준도 정비되고 있다. 교육 현장에서는 이를 과제 설계와 평가 절차에 반영한다. 문서 정리와 문장 다듬기, 개념 설명에는 AI 활용을 허용하되 사용 여부를 명시하도록 하고, 평가는 결과물의 외형보다 사고 과정과 설명 능력을 중심으로 이뤄진다. 일부 수업에서는 제출물에 대한 구두 설명을 병행해 이해 수준을 확인한다. 과제 운영 방식 역시 변화하고 있다. 글쓰기 과제는 초안을 작성한 뒤 논리 전개를 재정리하게 하고, 코딩 과제는 주석을 통해 의도를 설명한 뒤 구조를 정리하도록 요구한다. 서로 다른 해결 경로를 비교하는 과제 설계도 확산되고 있다.

학교 차원의 지원도 병행된다. 승인된 도구를 제공해 개인정보 위험을 관리하고, 수업 자료와 참고 문헌을 정비해 검증된 자료가 우선 활용되도록 한다. AI 사용 범위와 절차는 강의계획서에 명시된다. 연구 조직에서는 재현성 확보가 핵심 과제로 다뤄진다. 실행 환경을 표준화하고 작업 과정을 문서화하며 코드 형식과 보안 점검을 자동화하는 방식이다. 조직에서도 적용 방식은 유사하다. AI 제안의 채택 비율과 요약 오류 발생 여부, 검토와 통합에 소요된 시간을 지표로 관리한다. 해외 협업에서는 번역과 논의 정리를 통해 작업 출발선을 맞추되, 보안과 법적 판단, 최종 결정은 사람이 담당한다.

이러한 변화로 협업의 참여 기준은 낮아졌다. 신규 구성원도 초기 단계부터 AI를 활용해 작업에 참여하고, 개인 단위 작업과 공동 작업은 하나의 흐름에서 이뤄지고 있다. 다만 운영 기준이 함께 마련될 필요가 있다. 복수의 초안 운영과 변경 이력 관리, 도구 병행 사용, 인간 검토가 결합될 때 협업의 속도와 결과의 폭이 함께 유지된다. 향후 경쟁력은 다양한 시도를 빠르게 축적하고 이를 체계적으로 결합할 수 있는 역량에서 결정된다.

본 연구 기사의 원문은 Getting Rid of Coordination Headaches: How LLMs are Changing How We Work Together을 참고해 주시기 바랍니다. 본 기사의 저작권은 스위스 인공지능연구소(SIAI)에 있습니다.