AI 전환의 5단계와 ‘검증 세금’ — 정체기는 실패가 아니다

▲ 이미지: Unsplash (무료 저작권, 상업 이용 가능)

---

AI 전환은 5단계를 거친다 — 하용호의 진단

2026년 초, GeekNews를 통해 공유된 데이터오븐 하용호 님의 발표 자료 ‘AI시대, 나의 전문성을 재설계하는 법‘(165페이지, 구글 슬라이드)은 기업의 AX(AI 전환) 여정을 5단계로 정의한다.

그 다섯 단계는 환호 → 정체 → 신남 → 의구심 → 마지막 고비다. 첫 번째 단계인 ‘환호’는 ChatGPT 같은 도구를 처음 접하고 “이거면 다 된다”는 기대감이 폭발하는 시기다. 두 번째 ‘정체’는 실제 업무에 붙여봤더니 성과가 눈에 띄지 않는 시기로, 대부분의 조직이 이 지점에서 멈춘다. 세 번째 ‘신남’은 특정 파워유저가 실제 성과를 내기 시작하며 조직 내 활용이 점화되는 순간이다. 네 번째 ‘의구심’은 ‘AI가 짠 코드·문서가 정말 맞는 건가’ 하는 검증의 부담이 커지는 시기이고, 마지막 다섯 번째 ‘마지막 고비’는 조직 차원의 검증 체계와 역할 재편이 이뤄지느냐 여부가 갈리는 분기점이다.

핵심 개념은 ‘AI J-curve 함정’과 ‘Verification Tax(검증 세금)’이다. AI를 붙인다고 성과가 곧장 오르는 게 아니라, 도입 초기에는 AI 산출물을 검토·확인하는 데 드는 인지·시간 비용 때문에 생산성이 오히려 일시적으로 꺾인다는 것이다. 이 골짜기를 버텨야만 J자 곡선의 상승 구간에 진입할 수 있다.

---

검증 세금이란 무엇인가 — 3가지 부채 구조

하용호 님의 발표에서 ‘검증 세금’은 단순한 추가 업무가 아니다. 그것은 AI 산출물을 사람이 확인하는 과정 전체를 아우르는 조직적 비용이다. 발표는 이 비용이 세 가지 ‘부채(Debt)’ 형태로 누적된다고 본다.

• 기술 부채(Technical Debt): AI가 생성한 코드·문서는 맥락 없이 국소 최적화된 경우가 많다. 짧게는 5개월, 길게는 19개월 안에 중복과 우회로가 쌓여 개발·운영 속도가 되레 느려진다.
• 인지 부채(Cognitive Debt): AI 결과를 무비판적으로 수용하는 ‘인지적 항복(cognitive surrender)’ 상태가 지속되면, 오류를 발견하는 조직 내 역량 자체가 소멸한다.
• 의도 부채(Intent Debt): 업무 의도와 암묵지가 AI에게 전달되지 않은 채 작업이 진행되면, 산출물의 방향성이 원래 목적에서 이탈한다. 이를 교정하는 비용이 누적된다.

이 세 가지 부채의 합이 바로 ‘검증 세금’이다. 발표는 이를 극복하기 위한 검증 레이어로 Binary Checks(이진 점검) + Quantitative Metrics(수치 지표) + Qualitative Rubrics(정성 기준)의 3단계 구조를 제안한다. 단순히 “맞냐 틀리냐”를 넘어, 수치와 기준으로 AI 결과를 구조화해 평가해야 한다는 것이다.

---

J-curve는 AI만의 이야기가 아니다 — 학술 배경

하용호 님의 발표가 강력한 이유는, 그 직관이 경제학의 1차 자료로 뒷받침되기 때문이다. MIT·스탠퍼드의 에릭 브린욜프슨(Erik Brynjolfsson)과 다니엘 록(Daniel Rock), 채드 시버슨(Chad Syverson)은 2021년 American Economic Journal: Macroeconomics에 게재된 논문 ‘The Productivity J-Curve: How Intangibles Complement General Purpose Technologies’(NBER Working Paper 25148)에서 이 현상을 실증했다.

논문의 핵심 주장은 다음과 같다: “AI와 같은 범용 기술(GPT)은 새로운 프로세스, 제품, 비즈니스 모델, 인적 자본의 공동 발명(co-invention)을 포함하는 막대한 보완 투자를 가능하게 하고 또한 요구한다.”(Brynjolfsson et al., 2021) 즉, AI 도구 하나를 도입하는 것이 아니라 그에 걸맞은 조직·프로세스·인적 역량 전반을 재편해야만 생산성 상승이 실현된다는 것이다. 이 보완 투자 기간이 J-curve의 골짜기에 해당한다.

연구팀이 제시한 수치도 명확하다. 2004년 말 기준으로 무형 자산(intangibles)을 보정한 실질 총요소생산성(TFP)은 공식 통계보다 11.3% 높았고, 2017년 말에는 그 격차가 15.9%로 확대됐다. 이는 AI·소프트웨어 투자의 생산성 효과가 통계에 잡히기까지 수년의 시차가 존재한다는 뜻이다. 현재 ‘정체처럼 보이는 것’이 실은 측정되지 않는 생산성 축적의 기간일 수 있다.

---

생성형 AI 현장 실증 — “14% 향상”의 의미

브린욜프슨은 2023년 NBER 워킹페이퍼 ‘Generative AI at Work’(공저: Danielle Li, Lindsey R. Raymond)에서 생성형 AI의 현장 효과를 5,179명의 고객지원 상담사를 대상으로 실증했다. 결과는 예상보다 정교하다.

• 전체 평균 생산성: 14% 향상
• 경력이 짧거나 숙련도가 낮은 직원: 34% 향상
• 경력이 많고 숙련도가 높은 직원: 효과 미미

연구팀은 이 결과를 “AI 모델이 더 유능한 근로자들의 모범 사례를 보급하고 신입 직원들이 경험 곡선을 따라 빠르게 진행하도록 지원한다”고 해석했다. 다시 말해, AI는 조직 내 ‘암묵지 이전 도구’로 작동한다. 하용호 님이 말하는 ‘전문가의 재정의: 스킬 숙련자 → 운영 책임자’와 정확히 맞닿는 지점이다.

그러나 이 14%도 무조건적 상승이 아니다. AI를 처음 도입한 직후에는 확인 작업이 늘어나고 프로세스가 흔들리는 초기 적응 기간이 선행한다. 이는 브린욜프슨의 J-커브가 예측하는 초기 침체 구간과 정확히 일치한다. 4년 이상 지속한 기업들은 이후 25% 이상의 생산성 개선을 보고하지만, 현재 제조업 기준으로 상당수 기업이 파일럿 단계를 벗어나지 못하는 것으로 알려져 있다.

---

정체기를 버티는 법 — 전문성의 재설계

하용호 님의 발표는 J-curve 골짜기를 건너는 방법을 ‘전문성 재설계’에서 찾는다. 핵심 전제는 간단하다: AI 시대의 전문가는 스킬을 숙련하는 사람이 아니라 운영 책임자다. AI가 실행을 담당하는 만큼, 사람에게 남는 역할은 ‘무엇을 시킬 것인지’와 ‘결과가 옳은지’를 판단하는 것이다.

이를 가능하게 하는 역량으로 발표는 “애매한 상황에서 답을 찾아가는 능력”을 제시한다. 정답이 없는 상황, 완성도가 불분명한 상황에서 기준을 설정하고 검증을 설계하는 능력이다. 이것이 바로 검증 세금을 ‘비용’이 아닌 ‘역량 자산’으로 전환하는 경로다.

브린욜프슨의 표현을 빌리면: “기술이 할 수 있는 것과 이미 하고 있는 것 사이에 커지는 격차가 있다. 그것이 사회의 가장 큰 도전과 문제, 그리고 기회가 있는 곳이다.”(Erik Brynjolfsson) 이 격차를 채우는 조직이 J-curve 상승 구간에 도달한다.

---

중소기업 실행 체크리스트

다음은 J-curve 골짜기를 구조적으로 대비하기 위한 중소기업 실행 체크리스트다.

• 기대 관리 먼저: AI 도입 직후 정체기를 경영진과 팀원 모두에게 사전 공유. “처음 6개월은 검증 비용이 발생한다”고 선언한다.
• 검증 레이어 설계: AI 산출물에 대한 Binary Check(맞냐/틀리냐), Quantitative Metric(수치 기준), Qualitative Rubric(정성 기준)을 업무 유형별로 정의해 문서화한다.
• 파일럿 탈출 전략: 파일럿 범위를 명확히 한정하고, 검증 체계가 작동하는 영역부터 전사 확장 순서를 정한다. ‘다음 분기에 전부 바꾼다’는 계획은 검증 세금을 폭발적으로 키운다.
• 인지 부채 방지: AI 결과를 팀 차원에서 정기적으로 리뷰하는 루틴 설계. 무비판적 수용이 반복되면 검증 역량 자체가 소실된다.
• 보완 투자 선행: AI 라이선스 비용뿐 아니라 교육·프로세스·데이터 정비 등 보완 투자 예산을 함께 확보한다. 브린욜프슨 등은 범용기술(GPT)이 상당한 보완 투자와 공동 발명(co-invention)을 “필요로 한다”고 강조한다.
• 성과 측정 시점 조정: 도입 후 6개월을 ‘투자 기간’으로 분류하고, 생산성 KPI 평가는 12개월 이후부터 적용한다.

---