Threads digest · @edutrend_
일·연구의 변화AI가 혼자 더 똑똑해지면, 조직도 더 잘 일할까요?
AI가 개별 과제를 잘한다고 해서 조직 전체도 곧바로 잘 돌아갈까요? 서로 다른 강점을 모으는 모자이크 지능과 조율자의 역할을 통해, AI 시대에 기업과 일자리가 달라질 수 있는 조건을 생각합니다.

개인기의 발전과 조직의 변화 사이
AI가 평균적인 인간보다 똑똑해지더라도, 서로 다른 강점을 가진 사람들이 함께 일하는 조직은 여전히 경쟁력을 가질 수 있지 않을까요?
셰인 레그와 경제학자 알렉스 이마스, 앤드루 코는 이 질문을 조직의 관점에서 풀어봅니다. 코딩과 글쓰기 같은 개별 과제에서 AI가 발전하는 속도와, 기업과 경제가 달라지는 속도 사이에는 무엇이 놓여 있을까요?
이 논문은 상호보완과 조정이 그 간극을 설명할 수 있다는 이론적 틀을 제시합니다. 경제 변화가 더딘 원인을 실증적으로 확정한 연구나, 앞으로의 전환 시점을 예측한 연구는 아닙니다.
눈앞의 과제를 해내는 힘, 함께 일하는 힘
연구진은 일을 잘한다는 것을 두 가지로 나눕니다. 하나는 코딩이나 글쓰기처럼 눈앞의 과제를 수행하는 직무 역량(competence)입니다. 다른 하나는 동료와 맥락을 맞추고, 조직이 커져도 함께 일할 수 있게 하는 조정 역량(coordination)입니다.
개인의 시험 점수가 높아지는 것과 여러 사람의 일이 하나의 결과로 이어지는 것은 다른 문제입니다. 논문은 이 구분을 바탕으로 기업의 규모와 구성, 임금이 어떤 조건에서 달라지는지 살펴봅니다.
벤치마크의 숫자도 같은 조건으로 읽어야 합니다
RE-Bench 논문의 v2는 7개 머신러닝 연구·엔지니어링 과제에서 사람과 AI를 비교했습니다. 과제당 총 2시간의 예산에서는 최고 AI의 평균 점수가 인간 전문가의 약 4배였지만, 여러 시도에 배분한 총 32시간의 예산에서는 인간 점수가 최고 AI의 약 2배였습니다. 한 사람이 32~48시간 동안 연속으로 수행한 장기 프로젝트와 비교한 결과는 아닙니다.
여러 AI를 묶는다고 성과가 자동으로 좋아지는 것도 아닙니다. 별도의 연구에서 평가한 오픈소스 멀티에이전트 시스템 7개는 해당 벤치마크에서 41~86.7%의 실패율을 보였습니다. 또 다른 통제 벤치마크에서는 독립형 구성의 실행기록에서 오류 증폭이 17.2배, 중앙조정 구성에서는 4.4배로 보고됐습니다.
이 숫자들은 서로 다른 연구와 평가 조건에서 나온 결과입니다. 모든 AI 팀에 적용되는 실패율이나 오류 배수도 아니고, 앞선 시간 예산 비교만으로 조직 내 조정 능력을 직접 측정한 것도 아닙니다. 다만 개별 능력과 협업 구조를 따로 살펴야 한다는 질문을 던집니다.
서로 다른 조각이 모여 만드는 모자이크 지능
사람들은 서로 잘하는 일과 어려워하는 일이 다릅니다. 코딩에 강한 사람과 글쓰기에 강한 사람이 팀을 이루면, 혼자서는 채울 수 없던 부분을 서로 메울 수 있습니다. 연구진이 말하는 모자이크 지능입니다.
논문의 조건부 모형 예시에서는 각 전문 인력의 단독 직무 역량 지수 L이 1.8이지만, 코딩과 글쓰기 전문가를 같은 비율로 묶으면 팀의 직무 역량 지수는 5.0이 됩니다. 이는 실제 사람의 생산성을 실험해 세 배 높였다는 결과가 아니라, 상호보완을 가정한 수치 예시입니다.
같은 AI 모델을 복제하면 강점뿐 아니라 약점도 겹칠 수 있습니다. 그렇다고 상호보완이 인간만의 전유물인 것은 아닙니다. 서로 다른 전문성을 가진 AI나 인간-AI 팀에도 적용될 수 있는 조직 원리입니다.
시험 점수로는 보이지 않는 조율자의 가치
이번에는 코딩과 글쓰기 역량을 각각 1로 두되 조정 역량은 높은 사람을 모형에 넣어봅니다. 혼자 과제를 풀 때의 점수로는 낮게 평가되지만, 다른 사람들의 역량을 연결하는 역할은 다릅니다.
코딩 전문가 6명과 글쓰기 전문가 6명이 두 개의 6인 기업을 이룬 예시에서 총산출은 165.3입니다. 조율자 2명을 더해 두 개의 7인 기업을 구성하면 총산출은 182.0이 됩니다. 같은 인원에서 생산성이 늘었다는 비교가 아니라, 인원과 조직 구성이 함께 바뀐 모형의 총산출 비교입니다. 숫자는 실제 기업 매출이나 벤치마크 점수가 아닌 모형 안의 정규화된 단위입니다.
AI의 직무 역량은 높지만 조정에는 상대적 약점이 남아 있는 모형의 조건에서는 인간 조율자의 임금이 인간 실무 전문가를 앞설 수도 있습니다. 이것 역시 특정 가정 아래의 결과입니다. 모든 관리자의 임금이 오르거나, 조율자가 언제나 실무자보다 귀해진다는 예측으로 읽을 수는 없습니다.
조직이 바뀌면 고용의 변화도 달라집니다
그렇다면 일자리는 어떻게 달라질까요? 모형에서는 인간과 AI가 섞여 일하는 기업 안에서 인간 비중이 점차 줄어드는 경로가 나옵니다. 한편 AI의 조정 역량이 충분히 높아져 AI 중심 기업이 인간 중심 기업보다 비용 경쟁력을 갖추면, 기업 간 경쟁을 통해 고용이 급격히 달라지는 경로도 가능합니다.
이런 전환은 모형의 가정과 임계조건 아래에서 나오는 시나리오입니다. 현실에서 반드시 같은 순서로 일어나거나, 특정 시점에 인간 기업이 사라진다는 뜻은 아닙니다. 시장과 역량의 차이에 따라 인간 조직과 AI 조직이 공존할 가능성도 함께 생각하게 합니다.
노동시장의 징후와 앞으로의 질문
현실의 관찰 자료는 따로 구분해서 볼 필요가 있습니다. Kim과 Koning의 연구에서는 2020~2024년 와이콤비네이터 표본의 AI 네이티브 기업이 같은 업종·창업 시기의 비AI 스타트업보다 인력이 약 25% 적었습니다. 동일 기업이 예전보다 인원을 25% 줄였다는 뜻은 아닙니다. 더 넓은 PitchBook 표본의 차이는 약 12%였습니다.
2026년 6월까지의 미국 ADP 급여 자료를 분석한 연구에서는 AI 노출 직종의 22~25세 고용이, 저노출 또래와 같은 속도로 늘었다고 가정한 수준보다 19% 낮았습니다. 격차는 주로 채용 둔화에서 관찰됐지만, 채용률이 19% 줄었다는 수치도 AI의 인과 효과를 추정한 값도 아닙니다. 숙련 근로자에게 같은 격차가 관찰되지 않았다는 점 역시 시니어 일자리의 안전을 보장하지는 않습니다.
이 관찰들이 앞선 조직 모형을 입증하는 것은 아닙니다. 다만 혼자 정답을 빨리 내는 능력만으로 우리의 역할을 설명할 수 있는지 다시 묻게 합니다. 서로 다른 인간과 AI의 강점을 읽고, 맥락을 연결하고, 함께 일할 판을 짜는 힘을 어떻게 길러야 할까요?
본문의 비교 자료
RE-Bench v2: https://arxiv.org/abs/2411.15114v2
Why Do Multi-Agent LLM Systems Fail?: https://arxiv.org/abs/2503.13657
Towards a Science of Scaling Agent Systems: https://arxiv.org/abs/2512.08296
Kim·Koning의 AI-Native Firms 연구 소개: https://aiinstitute.hbs.edu/less-headcount-more-valuation-how-ai-native-firms-change-the-game/
Canaries in the Coal Mine? (2026년 8월판): https://digitaleconomy.stanford.edu/app/uploads/2026/08/Canaries_August2026.pdf
이 글에서 소개한 원문
Organizing Intelligence
Alex Imas, Andrew Koh, Shane Legg (2026)
arXiv 프리프린트 · v1 · 이론적 경제 모형 · arXiv:2611.05417
연구 원문 보기 ↗