← 목록으로

AI 네이티브 회사에서 일한다는 것

• Lovable에서는 AI가 개별 업무의 생산성을 높이는 데 그치지 않고, 직무 경계와 의사결정, 정보 흐름, 일을 잘한다는 기준까지 바꾸고 있음
• 세분화된 직급 대신 실무자·리드·총괄 책임자만 두며, 정보를 널리 공유하고 각자가 판단해 실행하도록 해 회의와 승인 절차를 줄임
• 수십 명을 관리하던 고경력자도 직접 프로젝트를 수행하는 실무자로 일하며, 자기 업무를 자동화하는 것은 역할을 잃는 일이 아니라 다음에 할 일을 찾는 과정임
• 빠른 실행의 이면에는 상시 조직 개편과 모호한 책임 경계가 있음. 누구나 문제를 해결할 수 있지만, 중복 작업과 업무 충돌, 끊임없는 변화가 피로를 만들기도 함
• AI가 실행 부담을 줄일수록 무엇을 만들고 어디까지 해야 좋은 결과인지 판단하는 안목이 중요해짐. 단순히 작동하는 것을 넘어, 직관적이고 즐겁게 쓸 수 있는지를 따짐

AI 도구 도입을 넘어 달라지는 조직

• 이메일 작성, 코드 생성, 회의 요약, 슬라이드 제작, 고객 조사, 지원 자동화는 개별 업무의 생산성 개선임. 기존 조직 모델에 이런 도구만 덧붙이는 것으로는 변화가 제한적임
• Lovable에서는 AI가 모든 업무에 포함된다는 전제가 직무와 협업 방식, 의사결정권과 정보 흐름까지 바꾸고 있음
• 1년 넘게 경험한 한 회사의 사례일 뿐이며, AI 네이티브 회사가 어떻게 운영되어야 하는지를 보여주는 보편적 모델이나 과학적 패턴은 아님

세분화된 직급 없이 정보와 맥락을 공유함

• 직급은 IC, Lead, Head로만 구분하며, 그 아래의 세분화된 명칭은 두지 않음
  • 회사가 10배 성장하면 같은 역량의 Director도 다른 회사의 Manager에 해당하는 범위를 맡게 될 수 있음
  • 이때 직급을 조정하면 실제 강등이 아니더라도 당사자는 강등으로 느낄 수 있어, 이런 상황 자체를 피하려는 목적이 있었음
• 전통적인 직급에는 지위와 정보 접근권, 의사결정 참여 권한이 묶여 있음
  • 승진 직후 참여하는 회의, Slack 채널, 공유받는 의사결정과 정보가 달라지는 구조임
• Lovable은 거의 불편할 정도로 수평적인 구조를 유지함
  • 구성원이 스스로 대화에 참여하거나 빠지며, 타당한 이유가 없는 한 거의 모든 Slack 채널을 공개함
  • 정보가 관리 계층을 따라 위아래로만 이동하지 않음
• 관리자는 여전히 존재하지만, 정보 배분과 업무 조율, 승인과 담당자 지정의 필요성은 줄어든 것으로 보임
  • Lead와 Head의 역할은 업무 흐름 통제보다 맥락 제공과 품질 기준 향상, 구성원 성장, 자율적인 사람들이 대체로 같은 방향으로 빠르게 움직이도록 돕는 데 가까움
  • 기존 관리 업무의 상당 부분이 계층을 통해 정보와 결정을 전달하기 위한 일이었다면, AI 네이티브 회사에서는 관리직을 크게 재정의해야 할 수 있음

고경력자가 직접 실행하는 IC로 일함

• 과거 수십 명을 관리했던 고경력자들이 Lovable에서는 직접 프로젝트와 과제를 수행하는 고영향력 IC, HI-C(High-Impact IC) 로 일함
  • IC로 남거나 돌아가는 선택에 경력이 정체됐다는 낙인이 덜함
• AI는 유능한 한 사람이 조사, 개발, 분석, 글쓰기, 프로토타입 제작, 출시와 반복 개선까지 직접 수행할 수 있는 범위를 넓힘
• 원치 않는 사람까지 관리자로 전환시키던 경력 체계도 재조정되고 있음
  • 관리직 전환은 당사자를 돋보이게 했던 직접적인 가치 창출 능력을 오히려 활용하지 못하게 만들기도 함
• 관련 자체 조사에서는 관리자를 포함한 응답자의 71% 가 업무 시간의 절반 이상을 IC 업무에 쓰고 싶어 했음
  • 이런 선호와 AI의 역량 확대를 고려하면, 고경력 IC의 확산은 AI 네이티브 회사 밖으로도 이어질 수 있음

회의보다 공유 지식과 자율성을 우선함

• Lovable에서의 개인 경험상 회의 시간은 전체 업무의 20% 미만이며, 회의가 정보 공유의 기본 수단은 아님
• AI 도구와 공유 지식 기반을 통해 회의에서 무슨 일이 있었는지뿐 아니라 왜 그런 결정을 했는지도 확인할 수 있음
• 회의를 줄이는 더 큰 요인은 주도성과 자율성임
  • 일을 시작할 때마다 허가받거나 모든 결정을 조직 위아래로 보내 승인받을 필요가 없음
  • 빠르게 실행하고 수정할 수 있으면 잘못된 결정의 비용이 낮아지며, 완벽한 결정을 위해 끝없이 회의하는 비용보다 대체로 작아짐
  • 실수에서 맥락을 얻고 빠르게 조정한 뒤 다음 단계로 나아감

극심한 속도와 모호한 책임 경계의 비용

• AI 시장에서는 사용자가 다른 플랫폼에 정착하기 전에 확보하려는 경쟁과 급격한 기술 변화가 동시에 진행됨
  • 대형 AI 연구소가 새 모델을 출시하면 제품의 핵심 역량이 바뀌거나, 경쟁사가 이전에는 불가능했던 일을 할 수 있게 됨
  • Lovable은 이에 적응하도록 역동적으로 설계됐지만, 팀은 그 혼란을 직접 감당하며 피로를 겪음
  • 일주일 휴가 뒤 거의 모든 것이 바뀌어 새 회사에 다시 적응하는 듯한 경험도 있었음
• 직무 사이의 경계가 거의 없어 누구나 다른 영역의 프로젝트를 시작하거나 제품을 만들고 문제를 고칠 수 있음
  • 담당한다고 생각했던 일을 다른 사람이 이미 다른 방향으로 진행하는 경우가 있음
  • 다른 팀의 문제를 고쳤다는 이유로 제지받고 이후에는 “내 일이 아니다”라고 생각하게 되는 기존 조직의 문제는 줄어듦
• 개방적인 문화와 불명확한 책임 경계는 동시에 존재함
  • 동료가 자신의 일을 대신하는 듯한 상황은 영역을 지키려는 감정과 피로를 유발할 수 있음
  • 서로의 업무에 관여하는 것을 받아들여야 하지만, 적절한 경계가 어디인지는 아직 분명하지 않음
• 높은 주도성이 언제나 좋은 결과를 보장하지는 않음
  • 중복 작업, 불명확한 책임 소재, 서로의 업무 침범을 좋게 부르는 말이 되기도 함
  • 혼란이 더 나은 결과를 만들 때도 있지만, 단지 혼란으로 끝날 때도 있음

조직 개편이 일상적인 운영 조건이 됨

• 팀과 담당 영역이 계속 바뀌고, 팀이 새로 생기거나 사라짐. 조직 개편은 특별한 사건보다 일상적인 운영 조건에 가까움
• 구성원들은 조직 구조가 바뀔 것이라고 예상함
  • 외부 환경이 빠르게 바뀌고 회사도 급성장해, 보통 수년에 걸쳐 거치는 운영 단계가 수개월로 압축됨
  • 3개월 전에는 적합했던 방식이 지금은 맞지 않으며, 6개월 전의 조직 구조를 그대로 유지하는 것이 적절하지 않을 수 있음
• 조직 개편을 “무언가 잘못됐다”보다 “새로운 것을 배웠다”로 받아들이는 경향이 있음
  • 변화 예고만으로 구성원들이 프로젝트와 역할, 팀과 경력에 미칠 영향을 해석하느라 업무를 멈추는 조직과는 차이가 있음
• 변화를 예상한다고 해서 고통이 없어지는 것은 아님
  • 중요한 결과가 걸린 빠른 실행 중에 팀, 업무 범위, 우선순위와 기반까지 바뀌면 스트레스가 큼
  • 누구에게나 맞는 환경은 아니지만, 변화를 예상하면 대응하기는 더 쉬움

개척형 인재와 안정적인 시스템 사이의 균형

• Lovable에는 카우보이형 인재가 많음
  • 필요한 일을 발견하면 계획을 기다리지 않고 움직이는 주도적인 범용 인재임
  • 모호함을 반기고, 막판에 가용 수단을 조합해 해결하는 데도 거리낌이 없음
• 계속 혁신해야 하는 제품-시장 적합성 트레드밀 위에 있어, 성장 과정에서도 이런 인재의 높은 비율을 유지해 왔음
• 이런 구성은 스타트업에서는 흔하지만 ARR 5억 달러 이상의 스케일업에서는 덜 일반적임
  • 보통 이 단계에서는 예측하고 계획할 수 있는 주기로 성장하도록 시스템을 구축하는 ‘농부형’ 인재의 역할이 커짐
  • 시스템이 커지고 더 신뢰할 수 있는 인프라가 필요해지면서 두 유형의 균형을 찾아야 함

자신의 업무를 자동화하고 다음 역할을 찾음

• 구성원이 입사 직후 자기 업무를 AI로 얼마나 자동화할 수 있는지 묻는 일이 자연스러움
  • 현재 직무에 속한다는 이유만으로 특정 과제를 지키려 하지 않음
• 대체 불가능한 사람이 되어야 고용이 안전하다는 기존 경력관과는 다름
  • 기존에는 절차와 시스템을 알고 보고서를 만들며 질문에 답하고 업무 흐름을 운영하는 책임을 쌓아 경력을 구축했음
  • Lovable에서 자기 업무 자동화는 “이제 필요 없다”보다 “다음에는 어떤 일을 해야 할지 찾는다”에 가까움
• 복잡하고 어려운 업무를 자동화하는 능력이 개인의 가치를 보여줌
  • 자동화 이후에도 해야 할 일이 많으며, 인력은 줄어드는 대신 늘고 있음
  • 입사 당시 20명이었던 조직은 연말에 500명에 가까워질 예정임
• 문제를 해결하고 다른 사람에게 넘긴 뒤 새로운 기회를 찾는 그로스 업무 경험은 이런 환경에 적응하는 데 도움이 되지만, 모든 직무에서 익숙한 방식은 아님
  • AI를 일자리의 실존적 위협으로 받아들이는 전통 조직에서는 자기 업무 자동화에 대한 두려움이 더 클 수 있음

AI 에이전트에는 품질을 책임지는 ‘부모’가 있음

• 사내에는 마케팅, 분석, 코드베이스 에이전트와 Company Brain, 개인 업무용 도구가 폭넓게 쓰임
  • 각 PR을 처리하는 GitHub 에이전트 무리도 있음
  • 일상적으로 사람과 거의 비슷한 빈도로 AI 에이전트와 상호작용하는 경험이 생김
• 각 에이전트에는 결과물 품질을 책임지는 사람인 ‘에이전트 부모(agent parent)’가 있음
  • 에이전트를 가르치고 업데이트하며, 잘못된 답변을 수정하고 유용성을 유지함
  • 보통 해당 지식을 가장 많이 보유하고, 다른 구성원의 반복 질문에 답하던 사람이 맡음
• 같은 질문에 50번 답한 사람이 51번째에도 직접 답할 필요는 없음
  • 답과 맥락을 이미 문서화했더라도, 조직이 이를 제대로 찾아 활용할 수 없는 경우가 있음
• 이 구조에서는 개인의 전문성과 판단을 회사 전체가 활용할 수 있어 그 가치가 더 커지는 것으로 보임
  • 모두가 의존하는 정보일수록 정확해야 하므로, 지식을 가진 사람의 품질 책임도 중요함

‘작동하는가’보다 ‘사랑받을 만한가’를 판단함

• 사내에서 자주 쓰는 기준은 “Is this lovable?”, 즉 사랑받을 만한가임
  • 명확한 인수 기준이나 체크박스로 판정하기 어려워 다소 혼란스러울 수 있음
• ‘lovable’은 단순히 기능적으로 올바르게 작동하는 것보다 높은 기준임
  • 문제를 해결하더라도 사용하는 즐거움이 있는지, 직관적인지, 직접 쓰고 싶은지, 자부심을 갖고 출시할 수 있는지는 별개임
  • 이런 질문에 답하는 지표가 없으므로 개인의 판단과 안목에 더 의존함
• 각자가 자기 안목으로 품질을 판단하기 때문에 좋은 안목을 가진 사람이 필요함
  • 모두가 더 많은 결과물을 만들어낼수록, 기업은 무엇이 좋은지 판단하는 사람에게 더 의존하게 될 수 있음

개별 제도가 아니라 함께 작동하는 시스템

• AI가 업무의 실행 부담을 덜어줄수록 인간의 판단력에 대한 의존은 오히려 커지는 것으로 보임
  • 정보가 널리 공유되고 실행 비용이 낮아지며 개인의 역량이 증폭될수록, 무엇을 할지, 언제 개입할지, 좋은 결과가 무엇인지, 언제 완료됐다고 볼지를 판단하는 일이 중요해짐
• 개별 제도만 다른 회사에 옮긴다고 같은 결과를 기대하기는 어려움
  • 회의 축소는 정보 공유 체계가 없으면 누구도 상황을 모르게 만들 수 있음
  • 자율성 확대는 구성원들이 서로 다른 방향으로 움직이게 할 수 있음
  • 지위와 의사결정 체계가 직급에 의존한다면, 직급 명칭만 없애는 것으로는 충분하지 않음
• Lovable의 방식은 요소들이 함께 작동하는 하나의 시스템에 가까우며, 다른 회사도 그대로 따라야 한다는 권고는 아님
• 관리자가 맥락을 독점하고, 직무에는 경계가 있으며, 고경력자는 더 많은 사람을 관리하고, 중요한 결정은 회의에서 내리던 방식이 더는 당연하지 않게 될 수 있음
  • 대부분의 직원이 소프트웨어를 직접 만들 수 없다는 전제 역시 달라지고 있음