핵심 이슈: "전 직원 AI 전문가" 선언의 무게
SK브로드밴드가 2026년 조직문화 키워드로 'AI와 일하기'를 확정하고, 전 직원 AI 전문가화 프로그램인 'AI Agent Lab'을 3월부터 가동한다. 목표는 명확하다. 현재 9% 수준인 'AI 퍼포머'를 20%인 400명까지 끌어올리고, 현장 맞춤형 AI 에이전트 400개 이상을 각 팀이 직접 만들어 운영하게 한다. Dify, 에이닷비즈 2.0, 제미나이 엔터프라이즈 같은 노코드·로우코드 도구를 교육 플랫폼으로 쓴다.
솔직히 말하면, 이 발표를 처음 읽었을 때 두 가지 생각이 동시에 들었다. 하나는 "드디어 통신사도 진짜 움직이는구나"였고, 다른 하나는 "이 목표가 실제로 작동하려면 기술 교육보다 훨씬 어려운 걸 풀어야 한다"였다. AI-First 팀 리빌딩을 직접 해본 입장에서, 전 직원 AI 전문가화 선언의 가장 큰 위험은 선언 자체가 아니라 선언 이후에 있다.
맥락 해석: 기술 도입보다 어려운 두 가지
첫 번째는 역할 전환의 현실이다. velog에 올라온 한 개발자의 회고가 이 문제를 정확하게 짚는다. AI Agentic Coding 시대에 개발자의 역할은 '코드 작성자'에서 '코드 판단자이자 시스템 설계자'로 이동하고 있다는 것. Claude Code를 메인 에이전트로 쓰면서도 AI가 제안한 코드를 그대로 머지한 적은 거의 없다고 한다. 불필요한 리렌더링, 미묘한 메모리 누수, 환각된 API 호출—이런 문제는 언어와 런타임 동작 원리를 이해하지 못하면 그냥 통과된다.
이 논리를 SK브로드밴드 사례에 대입하면 질문이 날카로워진다. 비개발 직군 직원들이 Dify로 AI 에이전트를 만들 때, 에이전트가 잘못된 결과를 낼 경우 누가 어떤 기준으로 판단하는가? 노코드 도구는 진입 장벽을 낮추지만, 동시에 "돌아가니까 괜찮다"는 착각의 장벽도 낮춘다. 도구 교육과 판단 교육은 전혀 다른 커리큘럼이다.
두 번째는 제번스 역설(Jevons paradox)이다. dev.to에 실린 번아웃 데이터가 냉정하다. 개발자 번아웃 추적 서비스 Recharge의 2026년 조사에서 "AI 압박으로 인한 기대치 상승"이 번아웃 상위 4대 원인에 새로 진입했다. 2년 전 조사에는 없던 항목이다. AI가 아껴준 시간이 개발자의 여유로 돌아가지 않고, 조직의 산출 기대치를 높이는 데 흡수되고 있다는 것이다. "AI가 지루한 부분을 처리하니 나는 두 배로 어려운 걸 해야 한다. 어려운 게 실제로 더 피로하다는 건 아무도 인정하지 않는다"는 한 엔지니어의 말이 핵심을 찌른다.
시사점: AI-First 리빌딩이 피해야 할 함정
전 직원 AI 전문가화 전략을 설계할 때 반드시 짚어야 할 세 가지가 있다.
① 생산성 게인의 귀속처를 먼저 설계하라. AI로 아낀 시간이 자동으로 팀원의 여유가 되지 않는다. 조직이 의도적으로 설계하지 않으면 Jevons 역설대로 작동한다. 속도가 빨라진 만큼 업무량이 채워지고, 팀원은 더 빠른 속도로 더 많은 것을 처리하다 번아웃에 이른다. AI-First 리빌딩의 KPI에 생산성 지표만 있다면 이미 절반은 실패다.
② 도구 교육과 판단 교육을 분리하라. AI 퍼포머 400명을 목표로 잡는 것은 좋다. 그런데 그 400명이 AI 에이전트를 만드는 법만 배우는가, 아니면 에이전트가 틀렸을 때 알아채는 법도 배우는가? 노코드 도구는 만들기는 쉽게 하지만 검증은 어렵게 한다. 현업 도메인 전문성과 AI 결과물 검증 능력을 동시에 키우는 커리큘럼이 없으면, 400개의 에이전트는 400개의 블랙박스가 된다.
③ AI 전문가 비율보다 AI 문화의 심도를 측정하라. "전 직원의 초급 과정 수료"라는 목표는 측정하기 쉽지만, 실제로 AI가 일하는 방식의 표준이 됐는지를 말해주지 않는다. 수료증 있는 팀원 2000명보다, 에이전트 결과물을 비판적으로 검토하고 업무 흐름을 스스로 재설계하는 팀원 200명이 조직 변화에 훨씬 강하다. 라이선스 숫자가 아니라 실제 워크플로우 변화를 추적하는 측정 체계가 필요하다.
전망: 선언이 아니라 거버넌스가 결과를 만든다
통신 시장의 저성장 압박 속에서 SK브로드밴드의 전사 AI 전환 시도는 방향은 옳다. 특정 부서의 파일럿이 아닌 전사 문화 변화를 목표로 잡은 것도, 노코드 도구로 기술 장벽을 낮추려는 접근도 현실적이다. 문제는 선언의 크기가 아니라 실행 구조다.
AI-First 팀 리빌딩에서 내가 반복해서 확인한 패턴이 있다. 도구 도입은 빠르고, 문화 변화는 느리고, 번아웃은 조용히 온다. AI가 만들어주는 속도 이득이 팀원 개인의 숙련 감각으로 쌓이지 못하고 조직의 기대치 상승으로 빠져나가는 구조, 이걸 막는 거버넌스가 없으면 1년 후 'AI 전문가 400명'은 통계로만 남는다.
진짜 전 직원 AI 전문가화는 모두가 에이전트를 만드는 조직이 아니다. 모두가 에이전트의 결과를 판단하고, AI가 아껴준 시간을 자신의 성장에 쓸 수 있는 구조를 가진 조직이다. 그 구조 설계가 기술 교육보다 훨씬 어렵고, 그래서 훨씬 더 중요하다.