지식 노동자를 위한 운동선수 마인드셋

게시일: 2025년 12월 16일 | 원문 작성일: 2025년 12월 12일 | 저자: Nate B Jones | 원문 보기

• • •

훈련하지 않는 전문가들

2019년에 경제학자 타일러 코웬이 흥미로운 관찰을 했어요. 운동선수는 훈련하고, 음악가도 훈련하고, 연기자도 훈련하는데… 지식 노동자는 그냥 일만 한다는 거예요. 출근해서 업무를 수행하지만, 다른 분야의 엘리트들이 하는 것 같은 체계적이고 의도적인 연습은 하지 않죠.

이게 왜 문제가 될까요? 세상이 바뀌고 있기 때문이에요. ‘직업 중심’에서 ‘역량 중심’으로 빠르게 이동하고 있어요. 예전에는 직함이 가치를 결정했다면, 이제는 실제로 무엇을 할 수 있는지, 어떤 결과물을 만들어내는지가 커리어 성장을 좌우해요.

문제의 핵심은 대부분의 지식 노동이 실전으로만 이루어진다는 거예요. 프로젝트 기획서, 클라이언트 이메일, 전략 문서 — 전부 다 고위험 상황이에요. 마치 매번 관객 앞에서 연주하는 것과 같죠. 이건 배우고 성장하기에 엄청나게 비효율적인 방법이에요.

엘리트 연주자들은 기술을 단계별로 쪼개요. 피아니스트는 손가락 움직임, 압력, 속도를 각각 따로 연습하죠. 그런데 지식 노동에는 이런 계층화된 접근법이 없었어요. 중요한 의사결정이나 핵심 커뮤니케이션을 저위험 환경에서 리허설할 방법이 없었던 거죠.

하지만 AI 시대가 그걸 바꿔놓았어요. 드디어 핵심 전문 역량을 체계적으로 연습할 방법이 생긴 거예요. 이전에는 불가능했던 피드백 루프를 만들 수 있게 된 거예요.

• • •

연습을 가로막는 구조적 장벽

지식 노동자들이 훈련하지 않는 건 게으르거나 의지가 부족해서가 아니에요. 업무 환경 자체가 연습을 가로막고 있어요. 이 문제를 진단하는 게 새로운 스킬 개발 시스템을 구축하는 첫걸음이에요.

1. 모호한 결과 (Fuzzy Outcomes)

스포츠에서는 피드백이 즉각적이고 명확해요. 농구공이 골대에 들어가거나 안 들어가거나. 그런데 지식 노동자에게 성공이란 복잡하고 다차원적인 개념이에요. 전략적 의사결정은 속도, 품질, 정치적 반응, 관계 형성 등 여러 기준으로 평가될 수 있어요. ‘성공’을 알려주는 명확한 신호가 없어요. 이런 모호함 때문에 뭐가 잘됐고 뭐가 안됐는지 분리하기가 너무 어려워요.

2. 지연되고 노이즈 낀 피드백 (Delayed and Noisy Feedback)

결과를 측정할 수 있다 해도, 피드백 루프가 길고 외부 요인에 의해 오염되어 있어요. 1분기에 내린 핵심 결정이 빨라야 3분기에 가서야 결과로 나타나요. 그 사이에 시장이 바뀌고, 경쟁사가 새 제품을 출시하고, 핵심 팀원이 떠날 수 있죠. 이런 외부 변수들이 노이즈를 만들어서, “그 스펙을 다르게 썼으면 저 결과를 피할 수 있었을 텐데”라고 확신 있게 말하기가 거의 불가능해요.

3. 낮은 반복 횟수 (Low Repetition)

엘리트 음악가는 일주일에 스케일을 수백 번 연주할 수 있어요. 그런데 전문가가 분기에 정말 중요한 의사결정 문서나 기술 아키텍처 메모를 몇 개나 작성할까요? 중요한 업무일수록 실제 돈과 사람이 걸려 있어서, 마음 편하게 연습할 공간이 없어요. 기본적으로 전문가로서 하는 ‘반복 연습’의 95% 이상이 본 게임이에요. 관객 앞에서 연습하는 게 아예 안 하는 것보다는 낫지만, 집중적이고 의도적인 훈련의 대체재는 될 수 없어요.

• • •

AI 시대의 5대 핵심 역량

훈련을 시작하려면 먼저 어떤 역량이 가장 가치 있고, 결정적으로 AI 시대에 ‘연습 가능한지’ 파악해야 해요. 다음 다섯 가지 역량은 커리어를 미래에 대비시키는 기초 도구 세트예요. 추상적인 개념이 아니라 관찰하고, 측정하고, 개선할 수 있는 행동이에요.

핵심 통찰은 이 역량들이 이력서에 나열하는 추상적인 형용사가 아니라는 것이에요. 자기가 만드는 산출물에서 관찰할 수 있는 패턴이에요. 이걸 받아들이면, 누가 ‘전략적’인지 추상적으로 논쟁하는 대신 사람들이 실제로 어떻게 쓰고, 행동하고, 결정하는지 분석하는 것으로 대화가 바뀌어요.

• • •

AI 연습 루프: 단계별 구현 가이드

이 역량들을 개발하는 핵심 비결은 AI를 개인 코치로 활용하는 것이에요. 다음 프레임워크는 지식 노동에서 늘 부족했던 구조화된 피드백과 높은 반복 기회를 제공해요. 추상적인 목표를 구체적이고 실행 가능한 훈련 프로그램으로 바꿔줘요.

1단계: 인간 중심 루브릭으로 ‘좋은 것’ 정의하기

중요한 건, 이 전체 과정이 인간의 통찰로 시작한다는 거예요. AI가 아니라요. AI를 개입시키기 전에, 먼저 사람의 언어로 성공이 어떤 모습인지 정의해야 해요.

본인 역할에서 중요한 단일 산출물을 선택하세요 — 예를 들어 의사결정 문서. 신뢰할 수 있는 전문가들 — 매니저나 동료 중 판단력을 존경하는 사람들 — 에게 상담하세요. 그 산출물을 ‘좋게’ 만드는 게 뭔지 구체적으로 물어보세요. 작고 구체적인 기준 목록을 뽑아내세요.

의사결정 문서의 예시 루브릭:

• 결정이 한 문장으로 명시되어 있는가?
• 최소 두 개의 실제적이고 실행 가능한 옵션이 제시되어 있는가?
• 이해관계와 성공 지표가 명시적인가?
• 명확한 권고안이 있는가?
• 리스크와 트레이드오프가 명확히 드러나 있는가?

2단계: 훈련 세트 만들기

선택한 산출물의 실제 예시를 3~5개 모으세요. 빨간펜을 들고 — 물리적으로든 디지털로든 — 루브릭에 대비해서 실제로 표시하세요. 각 문서에 표시하면서 어디가 강하고 어디가 약한지 찾아보세요. 예를 들어: “이건 명확성은 강하지만 리스크 정의가 약해.” 이 인간 주도의 분석 과정이 AI를 위한 필수 준비 작업이에요.

3단계: AI 코치 설정하기

기준을 정의하는 인간 중심 작업을 마친 후에야 AI를 확장 파트너로 투입할 수 있어요. 대형 언어 모델(LLM)에 인간 중심 루브릭과 주석이 달린 예시를 제공하세요. 그런 다음 AI에게 명확한 지시를 내리세요: “새 문서를 보내면, 이렇게 점수를 매기고, 반응하는 부분을 인용하고, 점수를 설명하고, 개선을 위한 편집을 제안해줘.” 이제 LLM은 당신이 정의한 ‘좋은 것’을 일관되고 확장 가능하게 적용할 수 있어요. 지치지 않는 코치처럼요.

4단계: 복기를 반복 훈련으로 바꾸기

이 시스템은 농구공이 골대에 들어가는 것처럼 명확한 ‘신호’를 만들어요. 막연한 피드백을 실행 가능한 데이터로 바꾸는 구조화된 비평을 제공해요. 이제 과거 작업을 수동적으로 복기하는 것에서 능동적이고 반복 가능한 훈련으로 이동할 수 있어요.

예를 들어, 판단력을 연습하기 위해 주간 드릴을 만들 수 있어요:

• 실제의 지저분한 상황을 가져와요 — 긴 Slack 스레드나 매니저의 모호한 요청
• 루브릭에 맞는 1페이지짜리 의사결정 문서를 작성해요
• AI 코치를 통해 점수와 피드백을 받아요
• 모델이 생성한 더 강한 버전과 비교해서 뭘 놓쳤는지 확인해요

특정 하위 역량에 대한 이런 집중적인 주간 연습은 운동선수가 드릴을 하는 것과 같은 지식 노동 버전이에요. 같은 원리가 다른 역량에도 적용돼요: 모호한 목표를 시간 제한이 있는 기술 스펙으로 바꾸면서 오케스트레이션을 연습하거나, 팀이 정의한 루브릭에 맞춰 경영진 업데이트 메모를 다듬으면서 조율을 연습할 수 있어요.

• • •

확장하기: 개인 성장에서 팀 탁월성으로

AI 연습 루프를 개인 습관에서 팀 전체 시스템으로 끌어올리면, 강력한 지속적 개선 문화를 팀 전체로 확장할 수 있어요. 팀 리더에게 이건 함께 더 나아지는 연습을 시스템으로 만드는 것을 의미해요.

과정은 여러 핵심 단계를 포함해요:

• 팀으로 핵심 산출물의 루브릭을 함께 정의하세요. 이렇게 하면 팀 전체가 ‘좋은 것’에 대해 같은 기준을 공유하게 돼요.
• 자동 리뷰어로 팀 LLM을 연결하세요. 엔지니어가 풀 리퀘스트에서 코드 린터를 사용하는 것처럼, 팀은 AI를 설정해서 합의된 루브릭에 맞춰 자동으로 문서를 리뷰하게 할 수 있어요.
• 팀 규범을 수립하세요. 예를 들어, 어떤 인간 리뷰 전에도 AI 비평이 먼저 문서를 검토해야 한다는 규칙. 이건 피드백을 표준화하고 귀중한 시니어 시간을 절약해요.
• 주간 10분 팀 연습 세션을 시행하세요. 팀 작업 전체에서 AI가 플래그한 공통 성장 영역에 집중해요. 목표를 공개적으로 표현하면 개인 발전과 팀 응집력 모두가 가속화돼요.

이 팀 기반 접근법의 목표는 성과 관리나 감시가 아니에요. 목표는 작고 꾸준한 습관으로 팀 산출물을 눈에 보이게 개선하는 것이에요. 분기 말에는 “우리 문서가 더 적은 반복으로 승인되고 있나? 핵심 결정이 더 빨리 이루어지고 있나?”라고 물을 수 있어야 해요.

• • •

채용과 개발의 일원화

대부분의 회사는 채용할 때 역량을 매우 간접적으로만 평가해요. 행동 질문을 하고, 후보자가 잘 준비해온 이야기에서 역량을 추론하려고 하죠. 내부 개발을 위한 역량 기반 시스템을 만들면, 외부 인재를 평가하는 더 실질적이고 효과적인 방법도 함께 만들게 돼요. 역량을 평가하고 개발하는 단일하고 일관된 시스템이 생기는 거죠.

현대적인 면접 과정은 이렇게 될 수 있어요:

이 접근법의 장점은 상당해요. 개발에 사용하는 것과 동일한 내부 루브릭을 채용에 사용해서 일관성을 보장해요. 그리고 업무에 필요한 역량을 직접 테스트해요.

가장 중요한 건, 후보자가 AI와 건강하고 생산적인 관계를 갖고 있는지 드러낸다는 거예요. 사전 과제를 AI로만 만든 후보자는 현장에서 새 제약이 주어지면 허둥대면서 감당을 못해요. 얕은 사고가 드러나죠. 반면에, AI를 진정한 파트너로 사용한 후보자는 여전히 트레이드오프를 설명하고 기본 원칙에서 추론할 수 있어요.

이 과정은 AI에 과도하게 의존하는지 드러내고, 후보자가 정말 자기 작업을 소유할 수 있는지 진단해줘요.

• • •

마음의 운동선수가 되기

지식 노동에 ‘운동선수 마인드셋’을 채택할 때가 왔어요. 단순히 업무를 수행하는 것을 넘어서, 의도적인 연습이라는 새로운 문화를 받아들여야 해요. AI와 함께라면, 드디어 역량을 분리하고, 타겟 피드백을 받고, 진정한 숙달에 필요한 높은 반복 드릴에 참여할 수 있는 강력하고 확장 가능한 훈련 파트너를 갖게 된 거예요.

이 접근법을 실행하면서 몇 가지 핵심 원칙을 염두에 두세요:

• 루브릭 점수를 성장을 위한 방향 신호로 취급하세요. 성과 리뷰나 승진을 위한 정밀한 지표로 쓰지 마세요.
• 과도한 프로그램이나 ‘감시’ 문화가 되지 않도록 주의하세요. 목표는 개선이지, 완벽이 아니에요.
• 작게 시작하세요. 프로그램을 확장하기 전에 하나의 산출물과 하나의 새 습관으로 모멘텀을 만드세요.

2019년에 타일러 코웬이 지식 노동자들의 훈련 부재를 처음 관찰했을 때, 그 문제를 대규모로 해결할 도구는 존재하지 않았어요. 코칭은 너무 비쌌고 피드백은 너무 일관성이 없었죠. 오늘날, 그게 바뀌었어요.

AI는 퍼즐의 빠진 조각을 제공해요. 모든 개인과 팀이 체계적으로 훈련하고, 성장하고, 자신의 기술에서 탁월해질 수 있게 만들어줘요. 마음의 운동선수가 될 기회가 이제 우리 모두에게 열렸어요.