개인의 생산성을 조직의 성과로 연결하는 AX의 출발점
이런 상황을 생각해 보겠습니다.
마케팅 담당자가 AI로 캠페인 초안을 빠르게 만듭니다. 문구도 여러 버전이고, 이미지까지 갖췄습니다. 그런데 검토를 요청하자 리더가 묻습니다.
“이번에 우리가 집중하기로 한 고객이 이쪽이었나요?”
수정해서 다시 올립니다. 이번에는 다른 팀에서 말합니다.
“그 내용은 아직 확정된 게 아닙니다. 최신 결정이 반영되지 않았네요.”
초안 작성은 빨라졌지만, 확인과 수정은 그대로입니다. 담당자는 더 많은 결과물을 만들고, 리더는 더 많은 결과물을 검토합니다. 정작 캠페인이 고객에게 전달되는 시점은 크게 달라지지 않을 수 있습니다.
이 가상의 장면이 던지는 질문은 단순합니다.
우리가 빨라지게 만든 것은 ‘작업’일까요, 아니면 ‘조직이 목표를 달성하는 과정’일까요?
출처 입력
AI의 속도와 조직의 성과는 같은 말이 아닙니다
Atlassian의 『The State of Teams 2026』에는 이 차이를 생각하게 하는 수치가 나옵니다.
경영진의 89% 는 AI가 업무 속도를 높였다고 답했습니다.
48% 는 AI가 협업을 개선했다고 답했습니다.
조직 전반의 AI 투자수익률(ROI)을 보여주는 명확한 사례가 있다고 확신하는 경영진은 6% 였습니다. (보고서 2·7~8쪽)
이것은 AI의 효과가 없다는 이야기가 아닙니다. 협업이 개선되었다는 응답도 분명히 있습니다. 또한 6%라는 수치를 뒤집어 “나머지 94%는 아무 성과도 없다”고 해석해서는 안 됩니다.
다만 일이 빨라졌다는 체감과 조직 차원의 성과를 설명할 수 있다는 확신 사이에는 차이가 있습니다.
문서를 빨리 작성하는 것과 올바른 의사결정에 도달하는 것은 다릅니다. 코드를 빨리 만드는 것과 필요한 기능을 고객에게 전달하는 것도 다릅니다. 앞 단계의 속도를 높였다고 해서 검토와 승인, 다른 팀과의 조율까지 함께 빨라지는 것은 아닙니다.
그래서 AI 전환, 즉 AX의 질문도 넓어져야 합니다. “이 작업을 얼마나 빨리 할 수 있을까?”에 더해 “이 작업이 끝난 뒤 조직의 일이 실제로 앞으로 나아가는가?”를 물어야 합니다.
더 많은 결과물보다, 덜 기다리는 업무 흐름
같은 보고서에서 지식근로자의 87%는 모두가 실행에 몰두한 나머지 조율할 시간이나 여력이 부족한 경우가 많다고 답했습니다. 이는 업무시간의 87%를 기다린다는 뜻이 아니라, 조율의 어려움을 겪는 응답자의 비율입니다. (보고서 11쪽)
하이퍼파이프는 여기에서 AX가 다뤄야 할 중요한 문제를 봅니다. 개별 작업 사이에 놓인 확인과 기다림입니다.
“이 문서가 최신인가요?”
“이 정도면 완료라고 봐도 되나요?”
“제가 결정해도 되나요, 아니면 승인을 받아야 하나요?”
매번 누군가에게 물어야만 다음 단계로 갈 수 있다면, 작업 도구가 아무리 빨라져도 전체 흐름은 사람의 응답에 묶입니다. 해결책은 무조건 회의를 없애거나 승인을 생략하는 것이 아닙니다.
이미 합의된 기준은 다시 묻지 않아도 찾을 수 있게 하고, 최신 결정은 필요한 사람이 접근할 수 있게 해야 합니다. 사람의 판단이 필요한 일은 그 이유와 책임자를 명확히 해야 합니다.
줄여야 할 것은 책임 있는 검토가 아니라, 같은 정보를 확인하기 위해 반복되는 불필요한 기다림입니다.
AI에게 필요한 것은 더 많은 문서가 아니라, 쓸 수 있는 조직 맥락입니다
AI가 그럴듯한 답변을 만드는 것과 우리 조직에 맞는 답변을 만드는 것은 다릅니다.
이번 분기에 무엇을 우선하기로 했는지, 어떤 조건이면 예외를 허용하는지, 어떤 자료가 최종 승인본인지. 이런 정보가 담당자의 머릿속이나 개인 대화에만 남아 있다면, AI가 정확히 알고 판단할 것이라고 기대하기 어렵습니다.
보고서에서도 지식근로자의 69% 는 자사의 데이터·지식 기반이 AI에 최적화되어 있지 않다고 답했습니다. 보고서는 공유 지식베이스를 만들고, 데이터의 양보다 품질과 논리적인 분류체계에 집중하라고 권고합니다. (보고서 19·23쪽)
여기서 중요한 것은 파일을 한곳에 모으는 것만으로 충분하지 않다는 점입니다.
이 문서는 지금도 유효한가? 누구의 승인을 받았는가? 이후 결정으로 바뀐 내용은 없는가? 이 업무와 연결된 다른 팀의 상황은 무엇인가?
이 질문에 답할 수 있어야 자료가 업무에 쓸 수 있는 맥락이 됩니다.
하이퍼파이프가 말하는 컨텍스트 엔진은 이런 맥락을 축적하고 연결하는 지식 기반입니다. 조직의 기준과 최신 업무 사실, 결정, 실패와 피드백을 관리해 사람과 AI가 함께 참고하도록 만드는 것입니다.
목표는 ‘AI가 읽을 문서의 양’을 늘리는 것이 아닙니다.
담당자가 바뀌거나 자리를 비워도 같은 근거와 기준으로 일을 이어갈 수 있게 하는 것입니다.
하이퍼파이프가 워크플로우 자동화 전에 확인하는 네 가지
하이퍼파이프는 AX를 ‘조직의 성장과 목표 달성을 막는 문제를 AI 도구로 해결하는 일’로 정의합니다. 이를 위해 다음 순서로 접근합니다.
조직 명료도 → 컨텍스트 엔진 → AI 에이전트 → 업무 자동화
이 순서는 Atlassian 연구가 검증한 공식이 아니라 하이퍼파이프의 설계 원칙입니다. 전사 문서를 모두 완성할 때까지 실행을 멈추자는 뜻도 아닙니다. 먼저 풀 업무를 정하더라도, 그 업무의 기준과 맥락을 빠뜨리지 않겠다는 의미입니다.
1. 조직 명료도: 무엇을 잘한 일이라고 볼 것인가
목적, 우선순위, 완료 기준, 의사결정 권한을 명확히 합니다.
‘좋은 보고서를 만들어라’만으로는 부족합니다. 누구의 어떤 결정을 돕는 보고서인지, 반드시 확인해야 할 근거는 무엇인지, 어디까지 담당자가 판단할 수 있는지가 드러나야 합니다.
이 기준을 조직 공통의 업무 안내서와 개인별 업무 안내서, 즉 런북(Runbook)에 담습니다. 모든 사람이 똑같이 생각하게 하려는 것이 아니라, 각자의 전문성을 발휘하되 목표와 판단 기준이 어긋나지 않도록 하기 위해서입니다.
2. 컨텍스트 엔진: 지금 유효한 기준과 사실을 찾을 수 있는가
런북, 문서, 회의록, 업무 이슈 등 합의한 자료를 연결하고 출처와 변경 이력을 관리합니다.
같은 질문에 오래된 문서와 최신 문서가 서로 다른 답을 한다면, 문서를 더 많이 넣는 것으로 해결되지 않습니다. 무엇이 유효한지 확인하고, 충돌을 드러내며, 갱신할 책임을 정해야 합니다.
3. AI 에이전트: 답변의 근거와 한계를 확인할 수 있는가
에이전트는 조직 기준과 현재 사실을 함께 참고해 답변과 다음 행동의 초안을 제안합니다. 근거가 부족하거나 자료가 충돌하면 그 한계도 알려야 합니다.
우리가 원하는 것은 자신 있게 말하는 AI가 아니라, 사람이 근거를 확인하고 판단할 수 있게 돕는 AI입니다. 대외 연락이나 중요한 상태 변경, 고위험 의사결정에서는 담당자의 최종 판단을 남깁니다.
4. 업무 자동화: 결과물이 다음 단계까지 이어지는가
반복 검증을 통과한 과제부터 실제 업무 흐름으로 연결합니다.
초안 생성이 끝났을 때 누가 검토하는지, 어떤 조건에서 다음 단계로 넘어가는지, 실패하면 누구에게 알리는지까지 설계합니다. 자동화가 다른 사람에게 정리와 수정 업무를 떠넘기고 있지는 않은지도 확인해야 합니다.
완료의 기준은 ‘에이전트가 작동한다’가 아니라 ‘필요한 검토와 책임을 갖춘 상태로 일이 이어진다’ 입니다.
도구를 남기는 데서 끝나지 않고, 배운 것을 남겨야 합니다
Atlassian 보고서는 성과가 뛰어난 팀의 접근을 맥락·워크플로·문화라는 세 축으로 정리합니다. 신뢰할 수 있는 지식과 업무 흐름뿐 아니라, 실험하고 배운 점을 공유하는 문화도 중요하게 다룹니다. (보고서 21·26~27쪽)
하이퍼파이프의 관점에서도 컨텍스트 엔진은 한 번 구축하고 끝낼 자료집이 되어서는 안 됩니다.
AI가 틀린 답을 했을 때 담당자가 그 답만 고치고 끝낸다면, 다음 사람은 같은 오류를 만날 수 있습니다. 무엇이 잘못됐는지 기록하고, 지식을 고치고, 다음 검증에 그 사례를 포함해야 합니다.
운영 과정에서 확인할 질문은 다음과 같습니다.
새로운 결정이 나오면 누가 기준을 갱신하는가?
AI의 오류를 구성원이 쉽게 신고할 수 있는가?
수정한 내용이 다음 답변에도 반영되는가?
한 팀이 배운 사용법과 주의사항을 다른 팀도 활용할 수 있는가?
이런 과정이 있어야 개인의 시행착오가 조직의 학습으로 남습니다. AX는 도구를 설치하는 데서 끝나는 일이 아니라, 경험이 다음 행동을 바꾸도록 일하는 방식을 설계하는 일이기도 합니다.
성공은 AI 사용량이 아니라 업무의 변화로 확인합니다
AI가 답한 횟수나 생성한 문서 수는 활용 현황을 보여줍니다. 하지만 그것만으로 조직이 더 잘 일하게 됐다고 판단하기는 어렵습니다.
대신 이런 변화를 확인해 볼 수 있습니다.
필요한 정보와 근거를 찾는 시간이 줄었는가?
단순 확인을 위해 동료나 리더의 답변을 기다리는 일이 줄었는가?
기준이 달라 다시 만드는 일이 줄었는가?
업무 시작부터 최종 검토와 완료까지의 시간이 줄었는가?
한 사람의 시간이 절약됐더라도 다른 팀의 검토 부담이 늘었다면, 조직 전체의 성과는 다시 살펴봐야 합니다. 무엇보다 개선을 말하려면 시작 전의 상태부터 측정해야 합니다.
외부 연구는 어디를 살펴볼지 알려주는 근거가 될 수 있습니다. 우리 조직에서 얼마나 개선되는지는 우리 업무에서 확인해야 합니다.
자동화할 일을 찾기 전에, 멈춰 있는 일을 살펴보세요
다음 AX 과제를 논의할 때, 자동화 후보 목록에 앞서 최근 업무 하나를 펼쳐 보세요.
작업 자체보다 기준을 확인하느라 오래 걸린 구간은 없었나요? 필요한 정보가 특정 사람에게만 있지는 않았나요? 이미 결정한 내용을 다시 설명하거나, 다른 기준으로 만든 결과물을 다시 맞추지는 않았나요?
그 지점이 AI로 풀어야 할 문제일 수 있습니다.
하이퍼파이프가 지향하는 AX는 단순히 더 빨리 일하는 개인을 늘리는 것이 아닙니다.
구성원이 같은 맥락과 기준 위에서 판단하고, 필요한 다음 행동을 불필요한 기다림 없이 이어갈 수 있는 조직을 만드는 것입니다.
시작할 질문은 두 가지입니다.
우리 구성원은 무엇을 잘한 일이라고 보는지 같은 기준을 갖고 있나요?
그 기준에 맞춰 행동하는 데 필요한 맥락을, 누군가의 답변을 기다리지 않고 얻을 수 있나요?
참고 자료
이 글의 조사 수치와 세 가지 협업 축은 Atlassian Teamwork Lab의 『The State of Teams 2026』 PDF를 기준으로 인용했습니다. 조사 시기는 2026년 1~2월이며, 연구 개요는 PDF 28쪽에서 확인할 수 있습니다. Atlassian 공식 소개 페이지에서도 주요 결과를 볼 수 있습니다.