사람에게는 API가 없습니다: AI 시대의 협업 커뮤니케이션
해당 블로그는 David Kravets 원저자의 글 'Humans don't have an API'을 번역한 것입니다. 더 나은 이해를 위해서 약간의 의역이 반영되었습니다.
저희는 동료를 AI 에이전트처럼 대하고 있는 걸까요?
최근에 주고받은 Slack 메시지, Google Docs 코멘트, 이메일, 혹은 동료와 나눈 화상 회의 녹취록을 한번 펼쳐 보세요. 그중 몇 개나 인사로 시작했고 갑작스러운 요청에 배경 설명을 곁들였나요?
이제 평소 즐겨 쓰는 AI 어시스턴트와의 대화 기록을 들여다보세요.
현대 직장의 묘한 단면 하나는 이 두 갈래의 텍스트가 때때로 놀라울 만큼 닮아 보인다는 점입니다.
생성형 AI가 일상 업무에 스며들면서 소프트웨어와 대화하는 방식과 사람과 대화하는 방식 사이의 경계가 예전만큼 또렷하지 않게 느껴지곤 합니다. 직접적인 요청, 즉각적인 응답, 작업에만 초점을 맞춘 주고받음이 AI 시스템과의 상호작용에서 자연스러운 일상이 되었죠. 조직이 효율을 극대화하는 방향으로 움직일수록 이런 습관이 직장 내 커뮤니케이션에도 어떤 영향을 줄지 한 번쯤 짚어 볼 만합니다.
기계와 대화할 때 따라오는 부작용
AI 에티켓을 둘러싼 우려에 흔히 나오는 반응은 단순합니다. 시스템에는 감정이 없으니 어떻게 말하든 상관없다는 것이죠.
그러나 행동과학자들은 한 맥락에서 형성된 습관이 다른 맥락으로 번져 나간다는 사실을 오래전부터 이해하고 있었습니다. 그렇다면 매일 몇 시간씩 대화형 AI 시스템에 명령을 내리는 일이, 정작 받는 쪽이 사람일 때 저희의 소통 방식까지 바꿔 놓을까요?
근거는 아직 쌓이는 중입니다. 다만 새로운 연구들은 AI 시스템과의 장시간 상호작용이 사람 사이의 커뮤니케이션 방식을 미묘하면서도 의미 있게 바꿀 수 있다고 말합니다.
생성형 AI는 직설적인 화법에 보상을 줍니다. 즉시 응답하고 (환각이 없는 한) 요청한 작업에만 집중하며 지시를 놀라운 속도로 결과물로 바꿔 줍니다. 그 상호작용은 효율적이고 목표 지향적이며 사람 사이 대화를 채우는 사회적 의례가 거의 없습니다.
시간이 흐르면 이런 기대가 사람과의 관계로도 옮겨 가지는 않을지 의문이 생기는 게 당연합니다.
사람 사이의 관계는 반복된 상호작용을 거치며 신뢰와 이해, 공유된 맥락을 시간을 들여 쌓아 갑니다. 이런 순간들은 산출물만 놓고 재면 비효율적으로 보일 수 있지만 생산적인 협업을 떠받치는 호의와 상호 신뢰를 만들어 냅니다.
동료를 대화형 인터페이스, 즉 API처럼 대하기 시작하면 이런 관계에 대한 투자를 건너뛰기가 한결 쉬워집니다.
새로 나오는 연구들이 말하는 것
생성형 AI가 워낙 빠르게 등장한 탓에, 그 사회적 결과를 다루는 연구는 사람과 비슷한 대화를 만들어 내는 기계와 수백만 명이 매일 몇 시간씩 상호작용하는 현실을 아직 따라잡는 중입니다.
그럼에도 이런 상호작용이 사람 사이의 관계와 직장 내 행동에 어떤 영향을 주는지 살펴보는 연구가 나오기 시작했습니다.
AI의 '사회적 역장(social forcefield)'
Christoph Riedl, Saiph Savage, Josie Zvelebilova 세 연구자는 Cognitive Spillover in Human-AI Teams 논문에서 이 현상을 파고들었습니다.
연구진은 AI와의 상호작용이 그 이후의 사람 대 사람 커뮤니케이션에 영향을 주는지 알아보기 위해 두 차례의 무작위 실험을 진행했습니다. 두 실험 모두에서 연구진이 '인지적 파급(cognitive spillover)'이라 부르는 현상의 증거를 찾았습니다. AI에 노출된 효과가 이후 사람들 사이의 상호작용으로 이어지는 양상입니다. 저자들의 표현을 빌리면 "AI 노출은 공유된 언어, 집단적 주의, 공유된 정신 모델, 사회적 결속에 영향을 미쳤다"고 합니다.
연구진은 이 현상을 'AI 사회적 역장'이라 부릅니다. 이 용어는 AI가 협업이 일어나는 사회적, 인지적 환경 자체를 빚어낸다는 논문의 핵심 주장을 담고 있습니다. 연구진의 틀에서 AI는 사람들이 어떻게 소통하고 협응하며 공통의 이해를 발전시키는지에 영향을 주는 환경의 일부로 작동합니다.
이들의 발견은 AI가 단순히 업무의 질이나 속도에만 작용하는 게 아님을 시사합니다. AI는 사람들이 주의를 어디에 모으는지, 정보를 어떻게 주고받는지, 서로 공통의 기반을 어떻게 다지는지에도 영향을 줄 수 있습니다.
이 논문은 장기적인 직장 내 행동보다는 통제된 실험에 초점을 둡니다. 그럼에도 그 발견은 AI를 빠르게 도입하는 조직에 중요한 질문을 던집니다. AI와의 상호작용이 이후 사람 대 사람 커뮤니케이션에 영향을 줄 수 있다면, 그 상호작용이 매일의 업무가 되었을 때는 어떤 일이 벌어질까요?
사람 사이 관계를 향한 경고 신호
인지적 파급 연구가 AI가 사람의 커뮤니케이션에 영향을 줄 수 있다는 증거를 내놓는다면, 또 다른 논문은 그 영향이 어디로 향할지에 대해 더 넓은 우려를 제기합니다.
Chatbots and Human-Human Relationships: The Need for Research on Potential Downstream Harms from Generative AI에서 Justin Keeler와 Brett Murphy 두 연구자는 사실상 경고탄을 쏘아 올립니다. 이들의 핵심 주장은 사회가 대화형 AI 시스템을 받아들이는 속도가, 그것이 사람 사이 관계에 미치는 장기적 영향을 연구자들이 이해하는 속도보다 훨씬 빠르다는 것입니다.
이 논문은 실험 결과를 제시하기보다, 저자들이 추가 연구가 필요하다고 보는 잠재적 후속 피해(downstream harms)를 정리합니다. 이들이 논하는 우려 중에는 사람 사이의 사회적 상호작용 감소, 챗봇과의 상호작용이 사람 관계로 번지는 파급 효과, 사회적 능력이 약해질 가능성 등이 있습니다.
논문의 중심 주제 하나는 상호성(reciprocity)입니다. 저자들은 대화형 시스템이 사용자에게 관계적 이점을 주면서도 그 대가로 상호적인 노력을 요구하지 않는다는 점을 짚습니다. 사람 사이 관계는 다르게 작동합니다. 양쪽 참여자 모두의 상호 의무, 타협, 공감, 그리고 지속적인 투자에 기댑니다.
연구진은 이 차이가 대화형 AI와의 광범위한 상호작용이 시간이 지나며 사람 관계에 어떤 영향을 줄지에 대해 중요한 질문을 던진다고 주장합니다. 논문은 이런 우려를 확정된 결론이 아니라 추가 검증이 필요한 가설로 내놓습니다. 그 목적은 논쟁을 매듭짓는 게 아니라 불러일으키는 데 있습니다.
밑바탕에 깔린 질문은 외면하기 어렵습니다. 대화형 AI 시스템과의 상호작용을 거치며 익힌 소통 습관이, 사람이 서로를 대하는 방식에 어떤 영향을 미칠까요?
스케일링되지 않는 일의 영역
두 논문은 같은 방향을 가리킵니다. 하나는 AI와의 상호작용이 이후 사람의 커뮤니케이션에 영향을 줄 수 있다는 증거를 제시합니다. 다른 하나는 사회가 그 영향의 장기적 결과를 이제 막 들여다보기 시작했을 뿐이라고 주장합니다.
AI가 사람들이 서로를 대하는 방식을 바꾼다면, 정확히 무엇이 걸려 있는 걸까요?
그 답은 사람 사이 연결 그 자체의 가치에서 출발합니다.
수십 년에 걸친 직장 연구는 지지받고 인정받으며 주변 사람들과 연결되어 있다고 느끼는 직원일수록 일에 더 몰입한다는 사실을 밝혀냈습니다. 조직은 단순한 정보 교환만으로 굴러가지 않습니다. 신뢰, 협력, 멘토링, 공유된 목적이 일이 어떻게 이루어지는지를 빚어냅니다.
직장은 업무를 자동화할 수 있습니다. 관계는 여전히 노력으로 얻어 내야 합니다.
사람에게는 API가 없습니다
AI 시스템은 프롬프트를 응답으로 바꾸도록 설계되어 있습니다. 프롬프트가 도착하면 시스템이 처리하고 응답이 따라옵니다. 그 상호작용은 즉각적이고 작업 중심이며 예측 가능성이 높습니다.
사람의 협업은 다르게 작동합니다. 동료는 모든 상호작용에 경험, 판단, 서로 경합하는 우선순위, 감정, 관계, 맥락을 함께 가져옵니다. 하나의 요청이 종종 하나의 대화가 됩니다. 토론은 새로운 아이디어로 이어집니다. 곁길로 빠진 이야기가 처음 떠올렸던 것보다 더 나은 해법을 드러내기도 하죠.
가장 강한 팀은 정보를 주고받는 데서 그치지 않고 공통의 기반을 다지며 전제를 뒤흔들고 서로에게서 배웁니다. 이들의 가장 좋은 아이디어 상당수는 당장의 작업을 벗어나 흘러가는 대화 속에서 나옵니다.
AI는 답을 만들어 내는 데 능합니다. 조직은 사람들이 함께 이해를 쌓아 올릴 때 빛을 냅니다.
효율이 치르는 사람의 비용
효율은 AI가 내건 큰 약속 가운데 하나입니다. 더 빠른 응답, 더 빠른 결정, 더 빠른 실행을 안겨 주죠. 조직이 더 짧은 시간에 더 많은 일을 해내도록 돕는 도구를 자연스레 끌어안는 것도 당연합니다.
하지만 속도는 조직 건강을 재는 여러 잣대 중 하나일 뿐입니다.
마찰을 줄여 주는 그 시스템들은 토론과 맥락 공유, 성찰의 기회 또한 줄일 수 있습니다. 이런 활동은 할 일 목록에 견주면 비효율적으로 보일 때가 많지만 팀이 배우고 적응하며 더 나은 결정을 내리도록 돕습니다.
조직은 정보를 효율적으로 옮기면서 성공합니다. 동시에 정렬을 만들고 사람을 키우며 공유된 이해를 쌓으면서도 성공합니다. 이런 성과는 대시보드에 좀처럼 드러나지 않지만 결정의 질과 팀의 회복력, 그리고 직장 문화의 단단함을 빚어냅니다.
AI가 일의 효율을 계속 끌어올릴수록, 조직은 효율 그 자체 너머에서 무엇을 가치 있게 여길지를 점점 더 스스로 정하게 될 것입니다.
인터페이스를 다시 쓰기
다음번에 Slack 메시지를 작성하거나 동료에게 무언가를 부탁할 때, 잠깐 멈춰 자신이 쓰는 언어를 살펴보세요.
지금 대화를 나누고 있나요, 아니면 프롬프트를 던지고 있나요?
맥락 없는 지시를 보내기 전에, AI와의 상호작용이 덜어 낸 요소들을 다시 채워 넣어 보세요. 이 작업이 왜 중요한지 설명해 보세요. 더 넓은 배경을 공유하고 명령을 내리는 대신 질문을 던져 보세요. 잠시 시간을 들여 건너편의 사람을 헤아려 보는 거죠.
이 어느 것도 기계적 의미의 효율과는 거리가 멉니다. 그리고 바로 그 점이 핵심입니다.
저희는 수십 년 동안 인공지능이 사람과 너무 닮아 가지는 않을까 걱정해 왔습니다. 그러나 더 가까이 다가온 위험은, 사람이 기계와 조금씩 닮아 가는 쪽입니다.
관련해서 사람과 AI가 코드 리뷰를 어떻게 나눠 맡으면 좋을지 다룬 AI 코드 리뷰 vs 사람 코드 리뷰와, AI 에이전트를 어디까지 믿어야 할지 짚은 AI 에이전트를 신뢰하시나요, 그리고 개발자가 끝까지 읽을 단 한 가지도 함께 읽어 보시길 권합니다.