검증된 AI-Native 전문가와 같은 시간, 더 큰 성과를.

프리랜서 첫 고객은 왜 경력보다 ‘결과’를 물을까

“회사에서는 마케팅을 오래 하셨네요. 그런데 8주 뒤 저희가 확인할 수 있는 건 무엇인가요?” 이 질문에 업무 목록만 떠오른다면, 회사 경력을 '고객 문제 → 제공 결과 → 완료 기준 → 고객 제공 조건 → 책임 한계'로 바꿔 설명하세요. 첫 미팅 전에 다섯 항목을 문장으로 적으면 고객이 판단할 수 있는 제안이 됩니다. 첫 고객을 앞두면 보통 세 가지가 막힙니다. 내 경력 중 무엇을 꺼내야 할까? 어디까지 결과로 약속해야 할까? 고객과 무엇을 먼저 합의해야 할까? 답은 경력의 길이를 강조하는 데 있지 않습니다. 고객이 확인할 수 있는 결과와 그 결과를 만들 조건을 함께 보여주는 데 있습니다. 내가 해결할 수 있는 문제와 결과를 프로필에 보여주세요. 플렉스웍이 내 경험에 맞는 업무를 추천하고 기업이 업무를 제안합니다. 기업 제안 받을 프로필 만들기 프리랜서 첫 고객에게 무엇을 먼저 설명해야 하나요?고객 문제, 제공 결과, 완료 기준, 고객 제공 조건, 책임 한계를 먼저 설명하세요. 직무명이나 업무 목록은 그 다섯 가지를 뒷받침하는 근거로 사용하면 됩니다. 고객이 지금 겪는 문제를 확인합니다. 프로젝트가 끝난 뒤 남길 결과물을 적습니다. 누가 무엇을 검토하면 완료인지 정합니다. 고객이 제공할 자료·권한·결정 일정을 확인합니다. 전문가 혼자 통제할 수 없는 결과를 분리합니다. 회사에서는 조직이 우선순위와 권한, 검토 절차를 받쳐 줍니다. 외부 프로젝트에서는 이 구조가 자동으로 주어지지 않습니다. 같은 경력을 쓰더라도 전문가가 고객과 결과와 조건을 직접 합의해야 하는 이유입니다. “8주 뒤 무엇이 달라지나요?”에는 어떻게 답해야 하나요?활동이 아니라 고객이 직접 열어 보고 검토할 결과물로 답해야 합니다. 결과물의 포함 항목, 검토자, 필요한 고객 자료까지 말하면 답변이 제안으로 바뀝니다. 아래는 이해를 돕기 위한 합성 사례입니다. 인물·회사·상황은 실제 사례가 아니며 특정 수익이나 성과를 보장하지 않습니다. 9년 차 B2B 마케터 윤서진은 직원 45명인 B2B 서비스 기업과 주 20시간, 8주 프로젝트를 논의했습니다. 첫 미팅에서 서진은 “캠페인 점검, 데이터 정리, 회의 운영을 하겠습니다”라고 답했습니다. 고객은 다시 물었습니다. “그래서 8주 뒤 무엇을 확인할 수 있나요?” 서진은 답을 고쳤습니다. “현재 잠재고객 유입은 있지만 영업 전달 기준이 명확하지 않은 상태로 이해했습니다. 8주 동안 기존 데이터를 바탕으로 유입 분류표, 영업 전달 기준 문서, 주간 점검 템플릿을 만들겠습니다. 합의한 필드가 문서에 포함되고 승인권자의 검토가 끝나면 완료로 확인하겠습니다. 이를 위해 기존 데이터와 담당자 인터뷰 시간, 승인권자 피드백이 필요합니다. 최종 매출과 영업팀의 실행 속도는 제가 단독으로 통제할 수 없어 보장 범위에서 제외합니다.” 수정 뒤에 달라진 것은 성과가 아니라 대화의 기준입니다. 고객은 산출물, 완료 판단, 제공 자료, 제외 결과를 하나씩 확인할 수 있게 됐습니다. 이 네 가지를 합의하지 않은 채 “마케팅 성과를 높이겠다”고만 말하면 기대가 어긋나기 쉽습니다. 회사식 업무 설명과 고객식 결과 설명은 어떻게 다른가요?회사식 설명은 내가 한 활동을 보여주고, 고객식 설명은 프로젝트가 끝난 뒤 고객에게 무엇이 남는지 보여줍니다. 경력은 '직무명 → 문제 → 행동 → 증거' 순서로 풀어야 고객이 자신의 문제에 적용할 수 있는지 판단할 수 있습니다. 캠페인을 운영했습니다고객식 표현: 유입을 합의한 기준으로 분류하고 영업 전달 절차를 정리합니다.확인할 증거: 분류표, 전달 기준 문서 데이터를 정리합니다고객식 표현: 기존 데이터의 필드와 누락 기준을 정리해 검토 가능한 목록을 만듭니다.확인할 증거: 데이터 사전, 누락 목록 회의를 운영합니다고객식 표현: 주간 점검에서 결정할 항목·담당자·기한을 기록합니다.확인할 증거: 회의 템플릿, 결정 기록 마케팅 성과를 높입니다고객식 표현: 유입 분류 기준과 주간 점검 절차를 설계합니다.확인할 증거: 기준 문서, 점검 기록 마지막 두 문장은 비슷해 보이지만 책임 범위가 다릅니다. 매출과 같은 최종 성과는 고객의 실행, 시장 상황 등 여러 조건의 영향을 받습니다. 전문가는 자신이 통제할 수 있는 산출물과 절차를 제시하고, 그 밖의 결과는 고객과 조건을 확인해야 합니다. 첫 고객 제안 문장은 어떤 순서로 만들면 되나요?'문제 → 결과 → 완료 → 고객 조건 → 책임 한계' 순서로 한 문장씩 쓰세요. 각 문장은 고객이 질문하거나 확인할 수 있을 만큼 구체적이어야 합니다. 고객 문제: “성과가 낮다”보다 “유입은 있지만 영업 전달 기준이 없다”처럼 현재 상태를 씁니다. 제공 결과: “분석하겠습니다”보다 “유입 분류표와 전달 기준 문서를 만들겠습니다”라고 씁니다. 완료 기준: 문서 형식, 포함 항목, 검토자와 완료 시점을 적습니다. 고객 제공 조건: 데이터, 접근 권한, 인터뷰 시간, 승인권자 피드백을 적습니다. 책임 한계: 매출이나 고객사 실행 속도처럼 혼자 통제할 수 없는 결과를 분리합니다. 고객에게는 다음 문장을 그대로 바꿔 말할 수 있습니다. “현재 `[고객 문제]' 상태로 이해했습니다. 사실과 우선순위가 맞는지 먼저 확인하고 싶습니다.” “저는 `[제공 결과]`를 만들고, `[포함 항목·검토자]`가 확인되면 완료로 보겠습니다.” “진행에는 고객의 `[자료·권한·결정]`이 필요하며, `[통제 불가 결과]`는 단독으로 보장하지 않습니다.” “성과를 높여드립니다”, “매출을 보장합니다”, “AI로 정확하게 해결합니다”처럼 조건 없이 단정하지 마세요. 책임 한계를 적는 것은 책임을 피하는 일이 아닙니다. 제공 결과와 고객 조건을 분리해 서로의 판단 기준을 맞추는 일입니다. 실제 계약상 책임과 조건은 당사자 간 합의 및 필요한 공식 검토를 거쳐야 합니다. 첫 미팅 전에 무엇을 확인해야 하나요?아래 일곱 항목이 모두 문장으로 적혀 있으면 첫 제안의 뼈대가 갖춰집니다. 비어 있는 항목은 추측해서 채우지 말고 고객에게 확인할 질문으로 남기세요. [ ] 고객 문제를 한 문장으로 썼다. [ ] 활동 목록이 아니라 남는 결과물을 썼다. [ ] 완료 기준과 검토·승인 주체를 썼다. [ ] 고객이 제공할 자료·권한·결정 일정을 썼다. [ ] 내가 통제할 수 없는 결과를 분리했다. [ ] AI 사용 범위와 사람의 검증 책임을 구분했다. [ ] 합의되지 않은 추가 요청을 어떻게 다룰지 질문으로 남겼다. 마지막 항목은 일을 시작한 뒤의 범위 확장을 막기 위한 질문입니다. 추가 요청의 처리 방식은 다음 편에서 다룰 계약범위, 완료조건, 제외항목과 함께 문서로 확인해야 합니다. AI에는 무엇을 맡기고 무엇을 맡기면 안 되나요?AI에는 분류와 초안, 형식 정리만 보조하게 하세요. 인터뷰 메모 정리 AI가 보조할 수 있는 일: 인터뷰 메 모 분류 초안 AI에 맡기면 안 되는 결정: 고객 정보의 입력·외부 공유 가능 여부 사람이 검토할 일: 원문과 분류 결과 대조 보고서 초안 작성 AI가 보조할 수 있는 일: 보고서 구조와 문장 초안 AI에 맡기면 안 되는 결정: 수치·성과의 사실 판정 사람이 검토할 일: 수치, 맥락, 누락, 표현 검증 체크리스트 정리 AI가 보조할 수 있는 일: 체크리스트 형식 정리 AI에 맡기면 안 되는 결정: 보안정책·약관 준수 여부의 단독 판단 사람이 검토할 일: 고객사 정책과 승인 절차 확인 반복 문서 요약 AI가 보조할 수 있는 일: 반복 문서 요약 AI에 맡기면 안 되는 결정: 결과물의 최종 승인 사람이 검토할 일: 원문 대비 오류와 빠진 내용 확인 고객 자료를 AI 도구에 입력하기 전 고객사 보안정책과 사용 도구의 공식 약관, 개인정보·데이터 사용 문서를 확인하세요. 민감정보 입력 가능 여부와 보관 방식은 도구와 시점에 따라 달라질 수 있습니다. 필요하면 고객사 보안 담당자에게 확인하고, AI 결과는 원문과 대조한 뒤 사람이 승인해야 합니다. 확인 경로: 고객사 내부 정책·보안 담당자 사용 도구 공식 약관·개인정보·데이터 사용 문서 확인일: YYYY-MM-DD 오늘 10분 안에 무엇을 완성하면 되나요?다섯 칸을 채운 뒤 소리 내어 읽고, 첫 고객 미팅 자료에 붙이세요. 고객이 결과물과 완료 여부를 확인할 수 없다면 표현을 한 번 더 구체화합니다. 고객 문제: 현재 [ ] 상태입니다. 제공 결과: 저는 [ ]을/를 만들겠습니다. 완료 기준: [ ]이면 완료로 확인합니다. 고객 제공 조건: 진행에는 [ ]이/가 필요합니다. 책임 한계: [ ]은/는 제가 단독으로 보장하지 않습니다. 작성 순서는 세 단계입니다. 최근 회사 업무 하나를 골라 `문제 → 행동 → 증거`로 적습니다. 위 다섯 칸에 옮기고, 활동 표현을 고객이 확인할 결과물로 바꿉니다. 비어 있는 조건을 첫 미팅 질문으로 표시한 뒤 문서를 저장합니다. 완성 예시는 이렇습니다. 고객 문제: 현재 유입은 있지만 영업 전달 기준이 명확하지 않은 상태입니다. 제공 결과: 저는 유입 분류표와 영업 전달 기준 문서, 주간 점검 템플릿을 만들겠습니다. 완료 기준: 합의한 필드가 포함되고 승인권자의 검토가 끝나면 완료로 확인합니다. 고객 제공 조건: 진행에는 기존 데이터, 담당자 인터뷰 시간, 승인권자 피드백이 필요합니다. 책임 한계: 최종 매출과 영업팀의 실행 속도는 제가 단독으로 보장하지 않습니다. 첫 고객 제안에서 자주 묻는 질문은 무엇인가요?경력의 길이보다 고객이 확인할 수 있는 결과와 조건이 중요합니다. 아래 질문은 첫 미팅 전에 답을 준비해 두면 좋습니다. 경력이 길면 고객이 알아서 가치를 이해하지 않나요?고객은 경력만으로 자신의 문제가 어떻게 달라질지 알기 어렵습니다. 경력을 고객 문제, 내가 할 행동, 남길 증거로 번역해 보여주세요. 제공 결과와 완료 기준은 무엇이 다른가요?제공 결과는 프로젝트 뒤에 남는 산출물이고, 완료 기준은 그 산출물을 누가 어떤 조건으로 확인할지 정한 기준입니다. 매출처럼 중요한 결과를 책임 범위에서 빼도 되나요?중요한 결과라도 전문가 혼자 통제할 수 없다면 단독 보장하지 않는다고 밝히고, 대신 자신이 제공할 산출물과 조건을 구체적으로 합의해야 합니다. 고객 자료를 AI에 넣어도 되나요?일괄적으로 허용하거나 금지할 수 없습니다. 입력 전에 고객사 내부 정책·보안 담당자와 사용 도구의 공식 약관·개인정보·데이터 사용 문서를 확인하고 확인일을 남기세요. 내 경험을 업무 기회로 연결해보세요오늘 만든 다섯 문장에 전문 분야와 활동 가능 시간을 플렉스웍 프로필에 더해 두세요. 플렉스웍에서 프로젝트·시간제·커뮤니티·전문가 기회를 준비할 때, 직무명 대신 고객 문제·제공 결과·완료 기준·책임 한계를 설명하는 기본 자료로 활용할 수 있습니다. 프로필에 내가 해결할 수 있는 문제와 결과를 보여주면, 플렉스웍이 맞는 업무를 추천하고 기업과의 매칭을 돕습니다. 전문가 프로필 등록하기

AI 시대, 채용의 단위가 바뀝니다

더 많은 콘텐츠가 플렉스웍 뉴스레터로 배달됩니다. AI와 함께 일하는 조직들의 실제 워크플로우, HR·인재 이야기를 매주 구독해보세요. 플렉스웍 뉴스레터 구독하기 사람을 채용하기 전에, 업무부터 다시 나누기Flexwork x 기고만장 웨비나 2부 · 임태은 베러웍스(FlexWork) 대표 발표 정리 “AI가 일을 더 작은 단위로 쪼갤 수 있게 만들었다면, 사람을 활용하는 방식도 달라져야 하지 않을까요?” AI가 조직에 들어오면서 가장 눈에 띄는 변화는 업무 속도입니다. 리서치하고, 정리하고, 초안을 만들고, 반복적인 실행 업무를 처리하는 데 필요한 시간이 크게 줄어들고 있습니다. 하지만 임태은 대표가 이번 세션에서 이야기한 변화는 단순히 “AI를 쓰면 한 사람이 더 많은 일을 할 수 있다”는 데 그치지 않습니다. 업무 자체를 더 작은 단위로 나눌 수 있게 되면서, 그 업무를 수행할 사람을 찾는 방식도 달라지고 있다는 것입니다. 기존에는 새로운 문제가 생기면 먼저 사람을 채용했습니다. 하지만 앞으로는 먼저 무슨 업무를 해결해야 하는지 정의하고, AI가 할 수 있는 일과 내부 구성원이 해야 하는 일, 외부 전문가의 경험이 필요한 일을 구분한 뒤 필요한 역량을 연결하는 방식이 중요해지고 있습니다. 핵심 메시지AI 시대의 인재 전략은 ‘어떤 사람을 채용할 것인가’에서 ‘어떤 업무를 누구에게 맡길 것인가’로 이동하고 있습니다. 하나의 직무 안에는 사실 서로 다른 성격의 업무가 섞여 있습니다. 자료를 찾는 일, 정리하는 일, 결과물을 만드는 일, 이해관계자와 조율하는 일, 전문적인 판단을 내리는 일까지 모두 한 사람의 역할로 묶여 있었습니다. 그런데 AI가 일부 실행 업무를 맡기 시작하면 이 묶음을 다시 나눌 수 있습니다. AI가 맡을 수 있는 일은 AI에게 넘기고, 조직 내부에서 반드시 책임져야 하는 일은 내부 구성원이 맡고, 특정 경험이나 전문성이 필요한 순간에는 외부 전문가가 들어올 수도 있습니다. 한 사람을 채용해 모든 업무를 맡기는 방식에서, 업무마다 가장 적합한 자원을 조합하는 방식으로 조직 운영의 단위가 바뀌고 있는 것입니다. 이미 글로벌 기업은 ‘사내 긱워커’를 활용하고 있습니다이 변화는 아직 먼 미래의 이야기가 아닙니다. 이미 글로벌 기업에서는 정규직으로 채용한 인재조차 하나의 고정된 직무에만 묶어두지 않고, 필요한 프로젝트와 업무 단위로 다시 연결하고 있습니다. 대표적인 사례가 글로벌 에너지 관리 기업 Schneider Electric(슈나이더 일렉트릭)입니다. 슈나이더 일렉트릭은 직원들이 조직 안에서 새로운 기회를 더 쉽게 찾을 수 있도록 Open Talent Market이라는 내부 인재 마켓플레이스를 만들었습니다. 직원이 자신의 프로필과 스킬, 경험, 앞으로 쌓고 싶은 역량을 등록하면 AI가 이를 바탕으로 조직 안의 다양한 기회를 추천합니다. 여기서 연결되는 것은 단순히 다른 정규직 포지션만이 아닙니다. 다른 조직의 풀타임 역할 단기간 참여하는 프로젝트와 Gig 업무 기존 직무 밖에서 경험을 쌓는 Stretch Assignment 멘토 또는 멘티로 참여하는 기회 까지 하나의 플랫폼 안에서 연결됩니다. 예를 들어 베트남 법인에서 근무하던 한 인턴은 본래 담당 업무와 별개로 Open Talent Market을 통해 HR Analytics, 고객 설문 분석, 소프트웨어 개발 프로젝트 등에 참여했습니다. 인도, 싱가포르, 호주 등 다른 국가의 구성원들과 프로젝트 팀을 만들어 기존 소속이나 직무를 넘어 실제 업무를 함께 수행한 사례도 소개됐습니다. 즉 ‘이 사람은 어느 부서 소속인가’보다 ‘이 사람이 어떤 스킬을 가지고 있고, 지금 어떤 업무에 기여할 수 있는가’를 기준으로 조직 안의 인재를 다시 연결한 것입니다. 슈나이더 일렉트릭이 이런 시스템을 만든 배경에는 기존 인재 운영 방식에 대한 문제의식도 있었습니다. 당시 내부 분석에서는 회사를 떠나는 직원 상당수가 조직 안에서 앞으로 어떤 성장 기회가 있는지 충분히 보이지 않는다고 느끼고 있었습니다. 이에 회사는 새로운 사람을 외부에서 찾는 것뿐 아니라, 이미 조직 안에 있는 인재와 역량을 필요한 업무에 더 빠르게 연결하는 방식을 만들기 시작했습니다. Open Talent Market은 이후 내부 이동뿐 아니라 프로젝트, Gig, 멘토링을 연결하는 조직 내 일종의 ‘긱 이코노미’로 확장됐습니다. 사람을 하나의 직무에 고정하는 대신, 조직 안에서도 필요한 업무와 프로젝트에 따라 인재를 유연하게 연결하는 것입니다. 이 사례에서 중요한 것은 단순히 사내 프로젝트 게시판을 만들었다는 점이 아닙니다. ‘한 사람 = 하나의 직무’라는 전통적인 조직 운영 단위를 깨고, 사람의 스킬과 조직의 업무를 더 작은 단위에서 매칭하기 시작했다는 점입니다. 그리고 AI가 실행 업무를 더 작은 단위로 나누기 시작한 지금, 이러한 방식은 조직 내부를 넘어 외부 인재를 활용하는 방식으로도 이어지고 있습니다. 업무가 작아지면 채용 단위도 작아집니다슈나이더 일렉트릭이 조직 내부의 사람을 프로젝트와 Gig 단위로 다시 연결했다면, 같은 변화는 조직 밖의 인재를 활용하는 방식에서도 나타나고 있습니다. 기존 조직에서는 사람과 업무가 강하게 묶여 있었습니다. 새로운 문제가 생기면 해당 직무의 사람을 채용하고, 그 사람이 관련된 업무 전체를 담당하는 방식이 일반적이었습니다. 하지만 AI를 활용하면 기존 직무 안의 업무를 더 세밀하게 나눌 수 있습니다. 예를 들어 하나의 프로젝트를 진행한다고 할 때, 자료를 수집하는 일 정보를 구조화하는 일 초안을 만드는 일 반복적인 운영 업무 특정 도메인의 경험이 필요한 판단 최종 의사결정과 책임 을 하나의 역할로 묶어둘 필요가 줄어듭니다. 일부 실행은 AI가 담당하고, 내부 담당자는 맥락과 의사결정을 담당하며, 조직 안에 없는 전문성이 필요한 부분에만 외부 전문가가 참여할 수 있습니다. 업무의 단위가 작아질수록 사람을 활용하는 단위도 ‘한 명의 풀타임 인력’보다 작아질 수 있는 것입니다. 정규직 채용만으로 해결하기 어려운 이유정규직 채용은 여전히 조직에 중요한 방식입니다. 특히 장기적으로 조직의 핵심 역량을 쌓아야 하는 역할이라면 내부 인력이 필요합니다. 다만 모든 문제를 정규직 채용으로 해결하려 하면 몇 가지 현실적인 어려움이 생깁니다. 속도조직에서 어떤 문제가 생긴 시점과 새로운 사람이 실제로 일을 시작하는 시점 사이에는 차이가 있습니다. 공고를 만들고, 후보자를 찾고, 인터뷰하고, 입사 시점을 조율해야 합니다. 반면 현업에서 해결해야 하는 문제는 이미 발생한 상태입니다. 전문성필요한 전문성이 하나의 직무에 깔끔하게 들어맞지 않는 경우도 많습니다. 특정 프로젝트에서는 AI 자동화 경험이 필요하고, 다른 단계에서는 도메인 전문가의 판단이 필요할 수 있습니다. 이 모든 역량을 한 사람이 동시에 가지고 있기를 기대하면 인재를 찾는 난이도가 크게 높아집니다. 활용 기간전문가의 역량이 필요하더라도 반드시 장기간, 주 5일 필요한 것은 아닙니다. 특정 프로젝트를 시작할 때 몇 주간의 경험이 필요할 수도 있고, 매주 몇 시간 정도의 리뷰와 의사결정만 필요할 수도 있습니다. 필요한 전문성과 필요한 시간이 서로 다르다면, 사람을 활용하는 방식도 하나일 필요가 없습니다. Fractional Talent: 필요한 전문성을 필요한 만큼 활용하기이러한 변화와 함께 발표에서는 Fractional Talent라는 인재 활용 방식이 소개됐습니다. Fractional Talent는 특정 분야의 전문가가 하나의 조직에 풀타임으로 소속되지 않고, 여러 조직에 자신의 전문성을 일정 부분씩 제공하는 방식입니다. 예를 들어 한 기업에 주 5일 근무하는 CMO 대신 여러 기업의 마케팅 전략을 일정 시간씩 맡는 Fractional CMO, 제품이나 기술 조직의 중요한 의사결정에 일정 시간 참여하는 Fractional CTO 같은 형태입니다. 중요한 것은 단순히 근무 시간이 짧다는 점이 아닙니다. 조직이 필요한 전문성을 ‘직무 전체’가 아니라 ‘필요한 역할과 시간’ 단위로 활용한다는 점입니다. AI로 실행 업무를 처리할 수 있는 범위가 넓어질수록 이러한 방식은 더욱 현실적인 선택지가 됩니다. 전문가가 반드시 모든 실행을 직접 할 필요 없이, 중요한 방향을 잡고 판단 기준을 만들고 내부 구성원과 AI가 움직일 수 있는 구조를 만드는 데 집중할 수 있기 때문입니다. Nano Hiring: 사람보다 업무에서 출발하기발표에서는 사람을 활용하는 단위가 더 작아지는 흐름을 Nano Hiring이라는 개념으로도 설명했습니다. 기존 채용에서는 먼저 한 명의 사람을 채용하고 그 사람에게 업무를 배분합니다. Nano Hiring에서는 반대로 접근합니다. 먼저 해결해야 할 업무를 구체적으로 나누고, 해당 업무를 처리하는 데 어떤 역량이 필요한지를 정한 뒤 사람을 연결합니다. 즉, 사람을 채용한다 → 역할을 부여한다 → 업무를 맡긴다 는 흐름에서 업무를 정의한다 → 필요한 역량을 찾는다 → AI·내부 인력·외부 전문가를 배치한다 는 흐름으로 바뀌는 것입니다. 이 차이는 작아 보이지만 조직 설계에는 큰 영향을 줍니다. 이제 사람의 직함이나 소속보다 실제로 어떤 문제를 해결할 수 있는가가 더 중요한 기준이 됩니다. AI 전환이 어려운 이유는 ‘툴’보다 ‘업무를 쪼개는 일’에 있습니다세션 후 Q&A에서 임태은 대표는 AI 전환 과정에서 반복적으로 나타나는 문제도 짚었습니다. 조직에서는 흔히 “AI를 도입해야 한다”고 말하지만, 정작 현재 업무가 어떻게 돌아가고 있는지 구조화되어 있지 않은 경우가 많습니다. 일이 개인의 경험과 암묵지에 의존하고 있고, 누가 어떤 판단을 해서 다음 단계로 넘기는지 명확하지 않다면 AI를 적용하기도 어렵습니다. 발표에서는 이를 두고 DX도 제대로 되어 있지 않은데 AX부터 하기 어렵다는 취지의 이야기도 나왔습니다. 문서화되지 않은 업무를 AI에게 맡기려면 결국 사람이 알고 있는 암묵적인 기준까지 먼저 꺼내야 하기 때문입니다. 그래서 AI 전환의 시작은 새로운 AI 도구를 설치하는 것이 아니라, 현재 업무를 실제 수행 단위로 쪼개는 것 에 가까울 수 있습니다. 외부 전문가는 조직이 처음 길을 찾을 때 특히 중요합니다그런데 업무를 직접 나누는 것 자체가 쉽지 않은 조직도 많습니다. 내부에서는 지금까지 해오던 방식이 너무 익숙해 어떤 부분을 AI로 바꿀 수 있는지 판단하기 어렵기 때문입니다. 임태은 대표는 이런 상황에서 이미 비슷한 전환을 경험해본 외부 전문가가 어드바이저로 참여하는 방식을 이야기했습니다. 예를 들어 이미 AI를 활용한 조직 운영을 경험한 사람이 들어와 현재 업무를 함께 살펴보고, 어떤 업무부터 나눌 것인지 AI를 어디까지 활용할 수 있는지 내부 담당자가 계속 가져가야 할 영역은 무엇인지 어떤 영역에서 외부 전문성이 필요한지 어떤 팀부터 시작해야 효과가 클지 를 함께 정리하는 것입니다. 외부 전문가의 역할은 단순히 부족한 일손을 대신하는 데 있지 않습니다. 이미 한 번 겪어본 시행착오와 판단 기준을 조직 안으로 가져오는 데 더 큰 가치가 있을 수 있습니다. 전사 도입보다 먼저 ‘챔피언 부서’를 만드는 이유그렇다면 AI 전환은 모든 부서에서 동시에 시작해야 할까요? 발표와 이어진 Q&A에서는 오히려 성과가 빠르게 나올 수 있는 한 팀을 먼저 만드는 방식이 중요하게 언급됐습니다. 업무를 나눠보고 AI 적용 가능성이 높은 영역을 찾은 뒤, 먼저 하나의 부서에서 눈에 보이는 성과를 만드는 것입니다. 이를 일종의 챔피언 부서로 볼 수 있습니다. 한 팀이 기존보다 훨씬 빠르고 효율적으로 일하기 시작하면 다른 구성원들도 변화를 훨씬 구체적으로 받아들입니다. 막연하게 “앞으로 AI를 써야 한다”고 교육하는 것보다, “옆 팀은 저렇게 일해서 실제로 성과가 나고 있다” 는 것을 보여주는 것이 조직의 행동을 움직이기 쉽습니다. 이후 사례를 공유하고 조직 내에서 수요가 생기기 시작하면, 개별적인 지원과 교육을 확대하고 마지막 단계에서 전사 표준화로 이어갈 수 있습니다. 결국 마지막에는 조직문화가 남습니다하지만 업무 구조와 도구만 바꾼다고 새로운 방식이 정착되는 것은 아닙니다. 임태은 대표가 Q&A 후반부에서 특히 강조한 것은 조직문화였습니다. 외부 인재를 유연하게 활용하려 해도 기존 구성원이 이를 받아들이지 못하면 실행되지 않습니다. 업무 단위를 나누고 새로운 협업 구조를 적용하려 해도 리더와 구성원이 동의하지 않으면 움직이기 어렵습니다. 발표에서는 Schneider Electric이 사내 긱 플랫폼을 만들어 글로벌 조직의 인재를 프로젝트와 연결한 사례도 언급됐습니다. 이 정도 규모의 변화는 플랫폼 하나를 만드는 것만으로 일어나지 않습니다. 국가와 조직마다 서로 다른 반대와 이해관계를 조율하면서 새로운 인재 운영 방식을 실제 문화로 정착시키는 과정이 필요합니다. 새로운 인재 전략은 시스템을 하나 도입하는 프로젝트가 아니라, 조직이 사람과 일을 바라보는 문화를 바꾸는 일입니다. 그래서 AI 시대에 HR의 역할은 더 중요해집니다AI가 많은 실행 업무를 처리하면 HR의 역할이 줄어들 것이라고 생각할 수 있습니다. 하지만 발표에서 이어진 논의는 오히려 반대 방향을 가리킵니다. 조직이 일하는 방식을 더 유연하게 설계하려면 누군가는 어떤 업무를 AI가 맡을 수 있는지 어떤 역할을 내부에 남겨야 하는지 외부 전문가를 어디에 투입해야 하는지 새로운 협업 방식을 구성원이 받아들일 수 있는지 한 팀의 성공을 어떻게 조직 전체의 방식으로 확장할지 를 설계해야 합니다. 이 문제는 단순한 툴 선택보다 사람과 조직에 더 가까운 문제입니다. AI 시대의 HR은 필요한 사람을 채용하는 것에서 나아가, 필요한 역량을 조직 안팎에서 찾아 가장 적절한 위치에 배치하는 역할로 확장될 수 있습니다. 세 가지 시사점이번 발표와 Q&A의 내용을 세 가지로 정리할 수 있습니다. 1) 업무: 직무보다 먼저 일을 나눠봐야 합니다. AI가 기존 직무 안의 실행 업무를 일부 맡으면서, 하나의 사람에게 묶여 있던 일을 다시 나눌 수 있게 됐습니다. 2) 인재: 모든 전문성을 정규직 채용으로 확보할 필요는 없습니다. Fractional Talent와 Nano Hiring처럼 필요한 전문성을 업무와 시간 단위로 활용하는 방식이 새로운 선택지가 되고 있습니다. 3) 조직: AI 전환의 마지막 조건은 문화입니다. 먼저 작은 성공 사례를 만들고, 구성원이 필요성을 느끼게 하고, 새로운 방식의 협업을 조직이 받아들일 수 있어야 변화가 확산됩니다. 결국 AI 시대의 질문은 “몇 명을 더 채용할 것인가”가 아니라, “이 업무를 가장 잘 해결할 조합은 무엇인가”로 바뀌고 있습니다. AI, 내부 구성원, 외부 전문가. 이 세 가지를 어떤 업무에 어떻게 배치할 것인지 설계하는 능력이 앞으로 조직의 실행 속도와 경쟁력을 가르는 중요한 조건이 될 수 있습니다. 본 정리본은 Flexwork x 기고만장 웨비나 2부, 임태은 베러웍스(FlexWork) 대표 발표 및 세션 Q&A 내용을 바탕으로 작성되었습니다.

글로벌 조직은 AI와 어떻게 일하고 있는가

더 많은 콘텐츠가 플렉스웍 뉴스레터로 배달됩니다. AI와 함께 일하는 조직들의 실제 워크플로우, HR·인재 이야기를 매주 구독해보세요. 플렉스웍 뉴스레터 구독하기 툴 도입이 아닌, 워크플로우 자체의 재설계Flexwork x 기고만장 웨비나 1부 · 황소흠 Product Designer 발표 정리 “AI 도구는 도입했는데, 왜 일하는 방식은 그대로일까요?” 웨비나 당시 황소흠님이 던진 이 질문에서 이야기가 출발합니다. 핵심 메시지이번 세션의 출발점은 명확합니다. AI 도구를 도입하는 것과, AI를 중심으로 업무 프로세스를 다시 설계하는 것은 전혀 다른 일이라는 것입니다. 많은 조직이 ChatGPT, Gemini, Copilot 같은 도구를 팀에 배포하는 데서 멈춥니다. 하지만 실제로 조직의 생산성과 경쟁력을 바꾸는 건 그다음 단계, 즉 “이 도구가 있다는 전제 하에 우리 업무 프로세스를 어떻게 다시 짤 것인가”라는 질문입니다. 발표는 이 메시지를 하나의 사례 기업을 통해 10개월간의 타임라인으로 풀어냅니다. 사례: 의료기기 인증 스타트업, 영국 메드테크 기업발표에 등장하는 회사는 의료기기 AI 인증 솔루션을 만드는 스타트업입니다. 병원, 의료기기 제조사를 대상으로 규제 인증 절차를 빠르게 통과할 수 있도록 돕는 서비스를 제공하며, 고객사 사례로 Flok Health, Lucida Medical, Floy 등이 소개됩니다. 규제 문서 검토, 인증 일정 관리처럼 원래 사람이 수작업으로 하던 업무를 AI로 구조화하는 것 자체가 이 회사의 사업이기도 합니다. 다만 이 발표에서 정작 흥미로운 지점은 이 회사가 만드는 제품이 아니라, 이 회사 내부의 일하는 방식이었습니다. 이 회사의 프로덕트 팀, 엔지니어링·디자인·프로덕트가 AI 도입 전후로 어떻게 달라졌는지가 발표의 핵심 사례입니다. Before아이디어에서 기능 출시까지, 엔지니어링·디자인·프로덕트가 순차적으로 일하는 구조였습니다. 한 직군이 자기 몫을 끝내야 다음 직군에 바통을 넘기는 방식이었고, 세 직군의 작업 구간이 시간 축 위에서 서로 겹치지 않았습니다. 그만큼 어느 한 단계가 지연되면 전체 리드타임이 그대로 늘어나는 구조였습니다. After같은 세 직군이 병렬적으로, 작업 구간을 서로 겹쳐가며 일하는 구조로 바뀌었습니다. 기능 출시까지 걸리는 시간이 눈에 띄게 단축된 것으로 소개됩니다. 핵심은 인원을 늘린 게 아니라, 순서대로 넘기던 협업 구조 자체를 동시에 진행하는 방식으로 바꿨다는 점입니다. AI를 활용해 각 직군이 다른 직군의 영역까지 일부 커버할 수 있게 되면서, “순서대로 넘기는” 협업이 아니라 “동시에 진행하는” 협업 구조 자체가 바뀌었습니다. 10개월의 도입 타임라인발표는 이 변화를 하나의 이벤트가 아니라 세 단계로 나누어 설명합니다. 2025년 10월 · 도입 시작디자인·프로덕트·의료 심사원·기술 운영팀이 각자 ChatGPT, Gemini, Copilot 같은 범용 AI 도구를 개별적으로 실험했습니다. 2026년 1월 · 과도기직군별로 구체적인 활용법이 자리 잡기 시작하지만, 팀마다 도구 활용 수준의 격차가 뚜렷하게 드러나는 시기였습니다. 2026년 8월 · 안정기범용 도구 활용을 넘어, 팀 고유의 워크플로우와 표준 프로세스로 정착했습니다. 이 타임라인이 시사하는 바는, AI 도입이 한 번의 의사결정이 아니라 최소 6개월에서 10개월가량의 조직적 학습 과정이라는 점입니다. “도입 시작” 시점과 “안정기” 시점의 활용 수준 차이가 크기 때문에, 단기간에 성과를 판단하기보다 단계별로 다른 목표를 설정하는 접근이 필요합니다. 직군별로 다르게 나타난 변화발표는 도입 시작 단계에서 디자인, 프로덕트, 의료 심사원, 기술 운영팀 네 그룹이 각각 다른 방식으로 AI를 실험했다고 설명합니다. 이 중 구체적 사례가 소개된 두 그룹은 다음과 같습니다. 디자인 팀: 산출물 자체가 바뀐 경우디자인 팀은 Figma 기반의 전통적 디자인 워크플로우에서, AI 기반 코드 생성 도구로 넘어갔습니다. Before 단계에서는 화면 단위로 여러 개의 디자인 파일을 만들어 관리했습니다. 디자이너가 화면을 설계해 개발자에게 전달하면, 개발자가 그 설계를 다시 코드로 옮기는 구조였습니다. After 단계에서는 이 방식이 재사용 가능한 UI 컴포넌트 라이브러리로 바뀝니다. 버튼, 인풋, 셀렉트 같은 요소들을 디자이너가 곧바로 “실제 작동하는 코드”로 만들고, “View code” 버튼을 통해 개발팀이 바로 재사용할 수 있는 구조입니다. 즉 디자이너와 개발자 사이에 있던 “전달”이라는 단계 자체가 사라지고, 디자이너가 설계와 동시에 검증까지 하는 쪽으로 역할이 확장된 사례입니다. 기술 운영팀: 반복 업무의 자동화기술 운영팀은 개발 환경 구축, 코드 리뷰, PR(Pull Request) 관리 같은 반복적이고 규칙 기반의 업무를 AI 에이전트에게 위임하는 방향으로 움직였습니다. 실제로 팀에서는 /automate, /review, /split-to-prs 같은 명령어를 표준화해 사용하고 있는데, 이런 명령어들은 개인이 “이럴 땐 이렇게 물어보면 되더라”는 식으로 쌓아온 노하우를 팀 전체가 공유하는 표준 프로세스로 정형화한 것입니다. 개인의 숙련도에 의존하던 작업이, 팀이라면 누구나 재사용할 수 있는 업무 시스템으로 바뀐 셈입니다. 또한 QMS(품질경영시스템) 문서나 감사 증빙 자료를 업로드·검토·승인하는 과정에도 상태 기반 워크플로우가 도입되어, 담당자가 자료를 올리면 “검토 중 → 승인” 단계를 시스템상에서 추적할 수 있게 되었습니다. 규제 산업 특성상 사람이 최종 승인해야 하는 지점은 남겨두되, 그 앞뒤의 업로드·정리·상태 추적은 자동화한 형태입니다. 가장 많은 조직이 놓치는 지점발표에서 가장 강조된 대목은 “AI 툴만 도입”과 “업무 프로세스 재정의”를 구분한 부분입니다. 대다수 조직이 ChatGPT, Gemini, Copilot 같은 도구를 배포하는 단계에서 멈추지만, 실제 변화를 만드는 조직은 여기서 한 단계 더 나아가 작은 단위로라도 업무 프로세스 자체를 다시 정의합니다. 도구를 얹는 것은 개인의 작업 속도를 조금 높여주지만, 일하는 방식을 바꾸는 것은 팀의 협업 구조와 산출물의 질을 바꿉니다. 황소흠님은 이 차이를 “도구를 얹는 것”과 “일하는 방식을 바꾸는 것”의 차이로 표현합니다. 세 가지 시사점이 사례가 모든 글로벌 조직의 표준이라고 할 수는 없습니다. 다만 AI를 단순한 도구가 아니라 업무 시스템의 일부로 활용할 때 어떤 변화가 가능한지를, 개인 → 팀 → 조직 세 층위로 정리해볼 수 있습니다. 개인: AI는 생산성 도구에서 팀의 인프라로 이동합니다. ChatGPT를 잘 쓰는 사람이 생기는 것과, 팀이 /review, /automate 같은 방식으로 AI 활용법 자체를 표준화하는 것은 다른 일입니다. 팀: 직군의 경계보다 업무의 흐름이 중요해집니다. 디자이너가 코드를 이해하고, 기술 운영팀이 반복 업무를 AI에게 넘기면서, 순차적으로 넘기던 협업이 병렬적으로 진행하는 협업으로 바뀝니다. 조직: 결국 필요한 건 ‘AI를 잘 쓰는 사람’보다 ‘AI와 함께 일하는 방식을 설계할 수 있는 사람’입니다. 도구를 얹는 것과 일하는 방식을 바꾸는 것의 차이는, 결국 이 설계를 누가 할 수 있느냐에서 갈립니다. 본 정리본은 Flexwork x 기고만장 웨비나 1부, 황소흠 Product Designer 발표 자료를 바탕으로 작성되었습니다. 사례로 소개된 영국 메드테크 기업은 발표에 인용된 해외 기업 사례이며, 저작권은 원 발표자 및 해당 기업에 있습니다.