워크슬롭, 지금 사무실에서 벌어지고 있는 일

AI를 쓰면 일이 줄어들 것이라고 기대했는데, 오히려 확인하고 고치는 시간이 늘었다는 이야기를 종종 듣게 됩니다. 문서는 더 빨리 도착하는데, 그 문서를 받은 사람의 일은 왜 줄지 않을까요?

​

​

2025년 9월, 하버드비즈니스리뷰(HBR)에 이 현상을 설명하는 용어가 실렸습니다. 베터업 랩스(BetterUp Labs)와 스탠퍼드대 소셜미디어랩이 공동 연구를 통해 제시한 워크슬롭(workslop)입니다. 연구진은 이를 "겉보기에는 잘 만들어진 것처럼 보이지만, 실제로는 업무에 의미 있는 진전을 주지 못하는 AI 생성 산출물"로 정의했습니다.

핵심은 형식은 완벽한데 내용이 비어 있다는 점입니다. 문단은 매끄럽고 목차는 정연하며 요약도 붙어 있습니다. 그런데 정작 판단이 필요한 지점은 일반론으로 채워져 있고, 결론은 데이터와 이어지지 않습니다. 받은 사람은 그 문서를 읽는 게 아니라, 쓸 수 있는 자료인지 검증하는 일부터 시작해야 합니다.

​

연구진이 미국 정규직 근로자 1,150명을 조사한 결과, 최근 한 달 안에 워크슬롭을 받은 비율은 약 41%이며 워크슬롭 한 건을 처리하는 평균 시간은 1시간 56분으로 나타났습니다. 결과적으로 직원 1만 명 기업의 연간 추정 생산성 손실은 127억 원이라는 큰 금액의 손실이 나타난다는 결과를 알 수 있습니다. 전달 경로도 함께 조사했는데요. 동료 사이에서 주고받는 경우가 40%로 가장 많았고, 실무자가 상사에게 보내는 경우가 18%, 관리자가 팀원에게 보내는 경우가 16%였습니다. 업종으로는 전문 서비스업과 기술 산업에서 특히 빈번하게 나타났습니다.

워크슬롭이 조직에 미치는 5가지 영향

​

워크슬롭은 개인의 실수처럼 보이지만, 실제로는 조직 전체의 처리량과 신뢰에 영향을 미칩니다. 연구진이 설명하는 워크슬롭이 조직에 미치는 5가지 영향에 대해 소개합니다.

​

1. 업무 부담이 다음 사람에게 이동합니다.

연구진이 가장 강조한 부분은 바로 워크슬롭은 일의 총량을 줄이지 않는다는 점입니다. 작성자 입장에서는 30분 걸리던 작업이 5분으로 줄었지만, 수신자 입장에서는 없던 두 시간이 생겨납니다. 절약된 시간과 추가된 시간이 서로 다른 사람의 캘린더에 기록되기 때문에, 조직 안에서 이 비용을 계산하기 어려운 것입니다.

​

2. 신뢰와 협업 관계가 손상됩니다.

시간 손실보다 회복이 어려운 부분은 바로 신뢰입니다. 조사 결과에 따르면, 워크슬롭을 받은 사람들은 보낸 사람의 역량과 성실성을 낮게 평가했고, 이후에 함께 일하고 싶은 마음도 줄었다고 답했습니다. 한 번의 부실한 보고서가 결국 그 사람에 대한 평가로 이어집니다. 특히 실무자가 상사에게 보내는 경우(18%)라면, 성과 평가에까지 영향을 미칠 수 있습니다.

​

3. 조직의 지식 기반이 조금씩 낮아집니다.

2026년 6월 HBR에는 워크슬롭에 대한 후속 논의가 실렸습니다. 옥스퍼드대 Matthias Holweg, Thomas Davenport 교수는 검증되지 않은 AI 산출물이 축적되면서 조직의 지식 자체가 훼손된다고 지적했습니다. 오류가 섞인 문서가 다음 문서의 근거가 되고, 그 문서가 다시 인용되는 과정이 반복되면 조직이 무엇을 알고 있는지에 대한 신뢰가 떨어집니다.

이 흐름을 뒷받침하는 데이터도 있습니다. MIT NANDA 연구팀이 2025년 7월 발표한 보고서에 따르면, 공식적으로 AI 도구를 구매한 기업은 40%에 그쳤지만, 직원의 90%는 개인 계정으로 AI를 업무에 사용하고 있었습니다. 검증되지 않은 산출물이 공식 관리 범위 밖에 존재하며, 이는 지식 기반이 조용히 낮아지는 경로 임을 알수 있습니다.

​

4. 개인 지표와 조직 성과가 따로 움직입니다.

AI 도입 성과를 사용률이나 산출물 건수로 측정하는 조직이 많습니다. 이런 경우, 워크슬롭은 성과로 집계됩니다. 문서는 늘었고 사용률도 올라갔기 때문입니다. 결국 조직 단위의 처리 속도는 그대로이거나 나빠지는 상황이 발생합니다. MIT NANDA 보고서는 더 근본적인 지점도 짚습니다. GenAI에 300~400억 달러가 투자됐지만 95%의 기업이 측정 가능한 재무 성과를 얻지 못했다는 것입니다. 개인 단위 생산성 체감과 조직 단위 성과 사이의 간극이, 워크슬롭보다 훨씬 큰 스케일에서 이미 확인된 셈입니다.

국내 데이터에서도 같은 간극이 보입니다. 나우앤서베이의 'AI 시대 대한민국 직장인 리포트 2026'에서는 응답자의 75.8%가 업무 효율이 향상됐다고 답했고, 악화됐다는 응답은 0.8%에 그쳤습니다. 그런데 2026년 3월 워크데이(Workday)가 발표한 국내 직장인 대상 조사에서는 31%가 "품질이 낮은 AI 산출물을 명확히 하거나 다시 쓰는 데" 매주 1~2시간을 쓴다고 답했습니다. 절약한 시간(82%가 주당 1~7시간 절감했다고 응답)의 상당 부분이 재작업으로 다시 빠져나가는 구조입니다. 이용률과 만족도 지표는 좋아 보이지만, 그 이면에서 다른 사람의 시간이 늘고 있다는 뜻입니다.

​

5. 검증 부담이 관리자에게 몰립니다.

산출물이 늘어나면 검토해야 할 양도 늘어납니다. 팀원 다섯 명이 각자 AI로 문서를 두 배 만들어내면, 관리자의 검토 시간도 두 배가 됩니다. AI 도입 이후 관리자의 업무가 오히려 늘었다는 이야기가 나오는 것도 이런 이유입니다.

​

​

왜 워크슬롭을 만들게 되는걸까?

현재 많은 조직이 AI 활용을 목표로 새로운 팀을 꾸리거나 교육을 진행하고 있습니다. 그런데 무엇을 AI에 맡기고 무엇을 맡기지 않을지에 대한 기준은 함께 제공되지 않는 경우가 많습니다. AI 결과물에 대한 명확한 기준이 없으면 품질은 관리되지 않습니다.

앞서 언급한 워크데이 조사는 워크슬롭이 나타나는 근본적인 원인을 개인의 역량이 아니라 '구조적 지연'으로 설명합니다. 국내 직무 중 AI 활용 역량을 반영해 업데이트된 비중은 절반이 되지 않는다는 것입니다. 2026년의 기술을 2015년 수준에 머물러 있는 업무 프로세스 위에 얹어 쓰고 있는 상황이죠. 명확한 기준이 프로세스 안에 없으니, 그 판단은 결국 산출물을 받는 사람의 몫으로 넘어갑니다.

마이크로소프트가 2026년 5월 발표한 Work Trend Index도 비슷하게 상황을 설명하고 있습니다. AI 활용 성과를 좌우하는 요인 중 조직 요인(문화·매니저 지원·인재 정책)이 차지하는 비중은 67%, 개인의 마인드셋·행동은 32%에 그쳤습니다. 리더십이 AI 전략에 명확히 정렬되어 있다고 답한 직원은 26%뿐이었고, 업무를 다시 설계한 데 대해 보상받는다고 답한 비율은 13%에 불과했습니다. 기준을 정하고 그 기준에 따라 일하는 방식을 재설계하는 책임은 개인이 아니라 조직에 있음을 알 수 있습니다.

워크슬롭은 AI 도구 사용 방법을 몰라서 생기는 것이 아닙니다. 오히려 도구를 잘 쓰는 사람이, 판단 기준 없이 결과물을 생성하고, 전달하면서 발생합니다.

​

워크슬롭에 대응하는 HRD의 5가지 전략

도구 숙련도 부족 → 판단 기준 중심의 교육 설계

프롬프트 작성법이나 도구 사용법 교육은 이미 많은 기업들이 진행하고 있습니다. 이제 결과물을 검증하는 방법에 대한 교육이 필요합니다. 어떤 업무에 AI를 쓸 수 있고, 어떤 업무는 쓰기 어려운지, 산출물에서 무엇을 먼저 확인해야 하는지를 직무별 사례로 다루는 교육이 필요합니다.

ex. 직무별 AI 활용 가능 업무 구분 교육, 산출물 검증 및 사례 기반 오류 판별 실습

​

기준의 부재 → 조직 차원의 AI 활용 가이드라인 문서화

결과물에 대한 판단은 개개인의 기준에 따라 진행하는 것이 아닌, 명확한 기준을 세우고 가이드라인 문서로 정해두어야 합니다. 이러한 가이드라인이 있으면 교육 내용도 명확해집니다.

ex. AI 활용 가이드라인 제정, 문서 유형별 활용 등급 구분, 사내 공유 사례집 운영

​

책임 소재 불명확 → 검토 책임의 명시

AI 결과물에 대한 책임이 불명확한 상황에서는 검증 단계가 생략되기 쉽습니다. 작성자가 전달 전에 확인해야 할 최소 항목을 정하고, 그 확인이 작성자의 업무 범위에 포함된다는 점을 명확히 해야 합니다.

ex. AI 결과물 제출 전 자기 검토 항목 규정, 데이터·수치 출처 표기 원칙

​

지표 왜곡 → 평가 방식의 재설계

AI 도입 성과를 사용률과 산출물 수로 측정하면 워크슬롭이 성과로 잡힙니다. 측정해야 할 것은 산출물의 양이 아니라, 그 산출물이 다음 단계로 넘어갈 때 추가 작업을 얼마나 유발했는지입니다. 측정 방식에는 검증 시간, 수정 작업량, 산출물 품질, 팀 전체 효율성을 함께 살펴야 한다는 게 관련 해외 조사의 공통된 제안입니다.

ex. 재작업 발생률 측정, 협업 만족도 조사, 산출물 반려 사유 분류

​

관리 방식의 문제 → 리더 대상 교육 병행

워크슬롭의 상당 부분은 미흡한 관리에서 비롯됩니다. AI 활용을 요구하면서 기준은 주지 않는 상태가 계속되면 실무자 교육만으로는 해결할 수 없습니다. 리더가 무엇을 요구하고 무엇을 검토할지 정리하는 과정이 함께 필요합니다.

ex. 리더 대상 AI 활용 관리 교육, 팀 단위 활용 원칙 수립

​

AI가 만든 결과물의 품질을 확인하는 일은 결국 사람이 합니다. AI를 도입하여 반복적인 노동을 줄이려 하지만, 제대로 된 기준이 없는 상황에서는 오히려 더 많은 업무를 만들어내기도 합니다. 이러한 검증 과정을 완전히 없앨 수는 없지만, 어떤 기준으로 AI 결과물을 검증하고 판단할지 선택할 수 있습니다. 그 기준을 조직 안에서 공유하는 일이 지금 HRD가 다뤄야 할 과제입니다.