AI가 가르쳐 주는 관리의 기술

게시일: 2026년 11월 3일 | 원문 작성일: 2026년 11월 2일 | 저자: Mike Taylor | 출처: Every — Also True for Humans | 원문 보기 (유료)

AI 에이전트를 믿고 맡길 수 있게 하는 기술과 사람 팀이 제대로 돌아가게 하는 기술은 똑같아요

• • •

Claude가 말귀를 못 알아들어서 프롬프트를 다시 쓸 때마다, 여러분은 더 나은 관리자가 되는 법을 배우고 있는 거예요.

제가 양쪽 입장을 다 겪어 봐서 알아요. AI와 일하는 법은 엔지니어링보다 직원 50명 규모의 마케팅 에이전시를 키운 경험에서 훨씬 많이 배웠거든요. AI 에이전트가 믿음직하게 일하게 하는 기법, 즉 명확한 방향과 충분한 맥락과 잘 정의된 과업은 사람 팀이 제대로 돌아가게 하는 기법과 똑같아요.

하지만 AI와는 뒤탈 없이 연습할 수 있어요. 에이전트는 같은 일을 열다섯 번 시켜도 짜증 내지 않아요. 지시가 모호했다고 앙심을 품지도 않고요. 여러분이 일을 얼마나 두서없이 하는지 뒤에서 수군대지도 않고, 일이 잘 안 풀렸다고 속상해하지도 않아요.

그래서 AI는 관리 능력을 기르기에 더없이 좋은 훈련장이에요.

좋은 관리가 경제적으로 이득이라는 건 숫자로도 확인돼요. 스탠퍼드와 런던정경대(LSE) 경제학자들이 10년에 걸쳐 진행한 연구 프로젝트인 세계 경영 조사 (World Management Survey)에 따르면, 미국은 생산성에서 유럽을 30퍼센트 앞서는데 그 격차의 약 4분의 1이 오로지 관리 역량 차이에서 나와요. 이제 AI 덕분에 그 이점이 누구에게나 열리고 있어요. AI와 일하는 사람은 본인이 깨닫든 못 깨닫든 관리 속성 과정을 밟고 있는 셈이에요.

저는 AI 엔지니어링과 관리 기법이 이렇게 하나로 수렴하는 현상을 “신테일러주의 (New Taylorism)”라고 불러요. 1880년대에 과학적 관리법을 개척한 기계공학자 프레더릭 윈즐로 테일러(Frederick Winslow Taylor)의 이름을 딴 거예요. 테일러는 스톱워치를 들고 공장 노동자 곁에 서서 동작 하나하나에 걸리는 시간을 쟀어요. 그러고는 노동자들의 일을 잘게 쪼개, 측정하고 표준화하고 최적화할 수 있는 작은 과업들로 다시 짰죠. 하지만 작업 흐름을 한층 더 효율적으로 다듬으려던 시도는 결국 실패했어요. 기계 부품 취급을 받고 싶은 사람이 어디 있겠어요? 노동자들은 파업에 들어갔어요. 반면 AI는 제대로 될 때까지 같은 일을 쉰 번 시켜도 원망하지 않아요.

이 글에서는 AI에게서 배울 수 있는 세 가지 관리 원칙을 보여 드릴게요. 명확하게 방향을 제시하는 법, 팀을 조율하는 법(에이전트 조율이라고도 하죠), 그리고 애초에 무엇을 만들 만한지 전략적으로 따져 보는 법이에요. 실수해도 너그럽게 넘어가 주는 AI를 상대로, 이제 더 나은 관리자가 되는 연습을 할 수 있어요.

• • •

프롬프트 작성은 경영대학원에서 가르쳐야 해요

AI와 일하는 기본 단위는 프롬프트예요. 경계가 분명하고 결과물을 평가할 수 있는 하나의 과업이죠. 직원에게 주는 업무 지시에 해당해요. 프롬프트 엔지니어로 일하면서 알게 된 건, 프롬프트가 더 나은 관리 기법에 빠져들게 하는 관문 약물이라는 거예요. AI에게 업무를 설명하는 방식을 다듬느라 몇 시간씩 공을 들이고, 아주 작은 변화가 결과를 얼마나 크게 바꾸는지 지켜보다 보면, 사람 동료에게도 똑같이 할 수 있겠다는 걸 깨닫게 돼요.

Google DeepMind의 시니어 리서치 엔지니어 정둥 왕(Zhengdong Wang)은 컨설턴트로 일하는 친구에게서 “어리바리한” 신입 인턴을 관리하는 법에 관해 이런 조언을 들었어요. “인턴은 Perplexity ProT2 봇이라고 생각하고 대해야 해.” 지시는 아주 명확하게 하고, 맥락을 안다고 가정하지 말고, 원하는 바를 정확히 짚어 말하고, 결과물은 꼼꼼히 확인하라는 뜻이에요. AI 챗봇에 통하는 기법을 이제 사람에게 쓰고 있는 셈이에요.

사실 저는 ChatGPT가 나오기 전인 2022년에 마케팅 에이전시를 운영한 경험을 바탕으로 이 원칙들을 만들었어요. 새 AI 모델이 나올 때마다 못 쓰게 되는 프롬프트 기법은 원치 않았어요. 그래서 생물학적 지능과 인공 지능 양쪽에 다 통하는 방법에 집중했죠.

프롬프트 작성은 컴퓨터과학과가 아니라 경영대학원에서 가르쳐야 할 관리 기술이에요. 그리고 점점 더 쉬워지고 있어요. 프롬프트 엔지니어링의 기술적인 부분은 자동화되고 있고, 최신 모델은 과업 성능을 높이도록 프롬프트를 스스로 고쳐 쓸 수 있어요. 사람은 어떤 과업을 할지 정하고, 그 과업을 어떻게 해야 하는지 정의하고, 잘 해낸 “좋은” 예시를 여럿 모으거나 라벨을 붙여 두기만 하면 돼요.

• • •

매니저들은 원래부터 바이브 코딩을 해 왔어요

하지만 사람이든 AI든, 일이 업무 지시 하나나 프롬프트 하나처럼 단순하게 끝나는 경우는 드물어요. 결국 여러 과업을 동시에 굴리고, 한 과업의 결과물을 다른 과업의 입력으로 넘기고, 무엇을 맡길지 정하게 되죠. 프롬프트를 쓰는 일에서 시스템을 조율하는 일로 넘어가는 거예요. 다시 말해 여러 과업의 진행을 두루 관리하는 단계예요.

AI가 관리를 가르쳐 주는 두 번째 방식이 바로 이거예요. 팀을 운영하는 법이죠.

조율 기술 역시 새로운 게 아니에요. 매니저들은 원래부터 바이브 코딩T3을 해 왔거든요. Django 프레임워크의 공동 창시자 사이먼 윌리슨(Simon Willison)은 이렇게 말했어요. “코딩 에이전트에게서 좋은 결과를 끌어내는 일은, 사람 협업자에게서 좋은 결과를 끌어내는 일과 불편할 만큼 닮았어요.”

테크 회사라면 어디서나 벌어지는 장면을 떠올려 보세요. 프로덕트 매니저가 새 기능 설명서를 써요. 엔지니어가 그 기능을 만들어요. 프로덕트 매니저는 코드를 한 줄 한 줄 읽지는 않지만, 버튼이 엉뚱한 곳에 있는지, 흐름이 매끄럽지 않은지, 그 기능이 고객의 문제를 해결하는지는 알아볼 수 있어요.

여러 AI 에이전트를 잘 지휘하는 데 필요한 기술은, 유능한 엔지니어링 매니저에게 예나 지금이나 필요한 기술과 같아요. 명확한 요구 사항, 좋은 안목, 그리고 언제 반대 의견을 내고 언제 구현 세부 사항을 팀의 판단에 맡길지 아는 감각이죠.

조율을 하다 보면 프로젝트를 운영하는 법을 배우게 돼요. 판 전체를 보고, 작업 순서를 정하고, 언제 개입하고 언제 그대로 굴러가게 둘지 아는 법이죠. Claude의 결과물을 다음 프롬프트에 넣을 때마다, 큰 과업을 잘게 쪼개 여러 에이전트에게 나눠 맡길 때마다, 여러분은 사람 팀을 이끌고 복잡한 결과물을 만들어 낼 때 필요한 바로 그 기술을 연습하고 있는 거예요.

• • •

‘아이디어맨’의 시대

시키는 건 거의 무엇이든 AI가 만들어 낼 수 있게 되면, 진짜 실력은 무엇을 만들지 정하는 데서 갈려요.

AI 때문에 기를 수밖에 없는 세 번째 관리 기술이 바로 이거예요. 전략이죠.

프로젝트의 성패를 가르는 게 무엇인지 생각해 보세요. 제대로 된 걸 만들고 있는지 확인하려면 시장 조사가 필요해요. 핵심 문제를 이해하려면 그 분야의 전문 지식이 있어야 하고요. 잠재 고객을 찾아내서 내 해법을 팔아야 하죠. 고객 인터뷰 몇 번, 실패한 실험 몇 개처럼 얼마 안 되는 데이터에서 미루어 판단할 줄도 알아야 해요. 몇 수 앞도 내다봐야 해요. 내가 하루 만에 바이브 코딩으로 만들 수 있다면 경쟁자도 그럴 수 있으니까요.

경영대학원이 수십 년 동안 가르쳐 온 전략 프레임워크는 오히려 더 중요해졌어요. AI가 코드를 짜 주는 지금, 차별화의 원천은 그것밖에 남지 않았거든요. 네트워크 효과 같은 요인으로 기업이 오래가는 우위를 쌓는 법을 설명하는 해밀턴 헬머(Hamilton Helmer)의 7 Powers, 산업 전반의 경쟁 압력을 지도처럼 그려 내는 마이클 포터(Michael Porter)의 다섯 가지 경쟁 요인 (Five Forces) 같은 것들 말이에요.

벤처캐피털 Andreessen Horowitz의 알렉스 댄코(Alex Danco)는 최근 글에서 이렇게 썼어요. AI 덕분에 일의 일부가 엄청나게 생산적으로 바뀌면 자동화할 수 없는 나머지가 병목이 되고, 그래서 바로 그 부분이 돈을 받는 이유가 된다고요. 판단을 내리는 일, 문제를 해결하는 일, 전략적으로 베팅하는 일에 웃돈이 붙는다는 거예요.

아이디어맨의 역습이라고 불러도 좋아요. 예전엔 이 호칭이 살짝 욕에 가까웠어요. 거창한 비전만 있고 끝까지 해내는 힘은 없는 사람이라는 뜻이었으니까요. 이제 AI 덕분에 실행이 쉬워지면서 비전의 값어치가 올라갔어요. 새로운 아이디어맨은 어떤 문제를 누구를 위해 풀어야 가치가 있는지 알아보고, 그걸 AI가 실행할 수 있는 지시로 옮길 줄 아는 사람이에요.

• • •

사람이 빛나는 곳: 어수선한 중간 지대

AI는 전략 선택지를 내놓는 데 꽤 쓸 만해요. 시장 조사, 경쟁사 분석, 고객 인터뷰 등 1,000쪽 분량의 맥락을 Claude에게 주면, 웬만한 컨설턴트보다 빠르게 그럴듯한 전략 방향을 뽑아내요. 정확하고 잘 정의된 지시를 기계처럼 믿음직하게 실행할 수도 있고요.

AI가 무너지는 건 그 사이, 전술적 사고에서예요. 군대 조직에서 빌려 온 말로, 저는 이걸 부사관 공백 (NCO gap)이라고 불러요. 장교는 사령부에서 전략을 세우고, 병사는 현장에서 명령을 수행해요. 그 사이를 잇는 중사들이 바로 부사관(NCO, non-commissioned officer)이에요. 부사관은 지휘관의 의도와 현장의 실상을 둘 다 이해하고, 불확실한 상황에서 전략을 행동으로 옮겨요.

Every의 댄 시퍼(Dan Shipper)T4는 AI가 실행을 점점 더 많이 맡으면서 사람의 역할이 만드는 사람에서 “모델 매니저”로 바뀌고 있다고 쓴 적이 있어요. 저는 여기서 한 걸음 더 나아가고 싶어요. 우리는 중간 관리자, 오늘날의 부사관이에요.

제가 복잡한 문제를 디버깅할 때, 그러니까 무엇이 고장 났는지 진단하고, 사업상 걸린 이해관계를 따져 보고, 빨리 땜질할지 제대로 고칠지 정할 때 AI는 번번이 실패해요. “뭔가 잘못됐다”와 “이렇게 대처하자” 사이의 간극을 메우지 못해요. “접근 방식을 바꾸면 이 문제를 아예 피할 수 있어”라고 말하는 건 더더욱 못하고요.

Claude Code는 앱이 왜 기어가듯 느려지는지 진단할 줄 알고, 일단 원인을 찾으면 고치는 법도 알아요. 하지만 그 코드베이스를 속속들이 아는 사람 엔지니어는 어디부터 봐야 할지를 알아요. ChatGPT는 팟캐스트 게스트를 조사하고 녹취록을 요약할 수 있지만, AI가 진행하는 인터뷰를 듣고 싶어 하는 사람은 없죠. Gemini는 고객 서비스 문서를 전부 읽고 특정 문의에 맞춰 정책을 적용할 수 있지만, 어떤 템플릿에도 안 맞을 수 있는 새로운 사기 수법을 잡아내는 건 사람 검토자예요.

AI는 위쪽(종합)과 아래쪽(실행)을 맡아요. 사람은 가운데(불확실한 상황에서 전략을 행동으로 옮기는 일)를 맡고요.

원문 보기

연구자들은 Claude에게 포켓몬스터를 플레이하게 했을 때T5 바로 이런 일을 목격했어요. Claude는 챔피언이 된다는 전체 목표를 이해했고, 개별 동작도 정확하게 실행할 수 있었어요. 하지만 게임의 첫 번째 동굴인 달맞이산 (Mt. Moon)에 갇혀 48시간 넘게 빠져나오지 못했어요. 아마 일곱 번쯤만 움직이면 풀리는 문제였을 거예요. 저는 열두 살 때 빠져나온 곳이죠. Claude는 어디로 가야 하는지 알았고 어떤 명령이든 완벽하게 실행할 수 있었지만, 막혔을 때 움직임을 전진으로 바꾸는 중간 수준의 전술을 찾아내지 못했어요.

사람은 이렇게 미루어 판단하는 데 뛰어나요. 어쩌면 현실 세계에서 살아남으려 애써 온 생물학적 지능만이 익힐 수 있는 요령인지도 몰라요. 현실에서는 정보를 결코 충분히 모을 수 없지만 그래도 결정을 내려야 하거든요. 우리는 불확실한 상황에서 결정을 잘 내리도록 진화했어요. 그래서 몇 안 되는 데이터에서 미루어 판단하고, 올바른 길로 들어설 만큼은 쓸 만한 짐작을 직감으로 떠올릴 수 있죠.

• • •

앞으로의 이야기

수년 동안 AI 시스템을 만들고, 그 전에는 사람들로 꾸린 회사를 키우면서 저는 두 기술이 같다는 걸 배웠어요. AI 기술이든 관리 기술이든 모두 리더십 기술이고, AI 덕분에 누구나 그 기술을 연습할 수 있게 됐어요.

이게 신테일러주의가 품은 진짜 가능성이에요. 노동자를 마침내 기계처럼 최적화할 수 있다는 게 아니에요. 그건 테일러의 꿈이자 실패였죠. 기계를 통해 더 잘 이끄는 법을 배우고, 그 기술을 좋은 리더십이 필요한 사람들에게 가져갈 수 있다는 거예요.

대부분은 자신이 미니 MBA 과정을 밟으며 더 나은 관리자가 되고 있다는 걸 알아채지 못할 거예요. 그저 AI를 더 잘 다루게 됐다고 생각하겠죠.

이 칼럼은 늘 AI를 관리하는 일과 사람을 관리하는 일이 겹치는 지점을 다뤄 왔고, 이제 저는 그 생각을 더 밀고 나가려 해요. 앞으로 이어질 글에서는 흔한 AI 실패 사례를 MBA 사례 연구처럼 다룰 거예요. 진짜 지렛대가 숨어 있는 어수선한 중간 지대를 깊이 파고들 거고요. 그리고 프롬프트를 하나하나 쌓아 가며 이 새로운 관리의 시대를 기록하고 탐구해 나갈 거예요.

역자 주

1. Moondream: 작고 가벼운 오픈 비전-언어 모델을 만드는 스타트업이에요. 트윗을 쓴 vik(@vikhyatk)은 이 회사의 공동 창업자이자 CTO인 Vik Korrapati예요. ↩

2. Perplexity Pro: Perplexity는 웹을 실시간으로 검색해 출처를 단 답을 내놓는 AI 검색 서비스이고, Pro는 그 유료 요금제예요. ↩

3. 바이브 코딩(vibe coding): 안드레이 카파시(Andrej Karpathy)가 2025년 2월 X에 올린 글에서 처음 쓴 말로, AI가 짠 코드를 꼼꼼히 들여다보지 않고 흐름에 맡긴 채 프로그램을 만드는 방식을 가리켜요. 매니저도 코드를 직접 읽지 않고 말로 지시해서 결과물을 받아 왔으니, 원래부터 바이브 코딩을 해 온 셈이라는 농담이에요. ↩

4. 댄 시퍼(Dan Shipper): 이 글이 실린 Every의 공동 창업자이자 CEO예요. Every에서 칼럼 「Chain of Thought」 를 쓰고 팟캐스트 《AI & I》 를 진행해요. ↩

5. Claude Plays Pokémon: Anthropic이 2025년 2월부터 Twitch로 생중계한 실험이에요. Claude 3.7 Sonnet이 《Pokémon Red》 를 직접 플레이했고, 화면 한쪽에는 Claude의 생각 과정을 띄워 보여 줬어요. ↩