"인공지능을 도입하기만 하면 고품질 제품이 나올 것이라고 착각했습니다." 포드의 임원이 테크크런치 인터뷰에서 꺼낸 이 말은 담담하지만 무겁습니다. 포드는 AI 도입 이후 품질 목표를 충족하지 못했고, 그 빈자리를 채우기 위해 은퇴한 베테랑 엔지니어들에게 다시 연락을 돌렸습니다. 이른바 'gray beard', 현장에서 수십 년을 보낸 흰 수염의 엔지니어들입니다. 회사를 떠나 조용히 살던 사람들이 다시 작업복을 입게 됐습니다.

겉으로 보면 AI 도입 실패처럼 읽히지만, 그 안을 들여다보면 다른 질문이 나옵니다. 포드는 가장 오래된 제조 기업 중 하나이고, AI 도입에 소극적이었던 쪽이 아닙니다. 이 기업이 현장 경험을 다시 불러들인 이유는 AI 기술 자체의 성숙도 문제보다, 경험이라는 자산의 성격에서 비롯됩니다.

AI가 채우지 못한 자리

포드가 AI를 적극 도입한 이유는 명확했습니다. 제품 설계 검토와 품질 관리 과정에서 인력 비용을 줄이고 속도를 높이는 것이었습니다. AI는 도면을 분석하고, 설계 오류를 탐지하고, 생산 데이터를 처리하는 데 투입됐습니다. 초기에는 이 방향이 효과적으로 보였습니다.

문제는 현장에서 드러났습니다. AI가 검토하거나 생성한 산출물이 실제 제조 기준을 충족하지 못하는 사례가 반복됐습니다. 이론적으로는 통과한 설계가 실제 조립 과정에서 문제를 일으켰습니다. 어떤 소재가 특정 온도 조건에서 어떻게 반응하는지, 협력업체와의 오랜 작업을 통해 쌓인 묵시적 기준이 무엇인지, 도면에는 없지만 현장에서는 당연히 따르는 관행이 어떤 것인지. 이 지식들은 AI 학습 데이터에 들어간 적이 없었습니다. 애초에 문서화된 적이 없었기 때문입니다.

은퇴자들이 돌아온 것은 이 간극을 메우기 위해서였습니다. 이들이 보유한 것은 사내 매뉴얼 어디에도 없는 판단력이었습니다. 비슷해 보이는 두 설계 중 왜 하나를 선택해야 하는지, 어떤 공차가 허용되고 어떤 공차가 현장에서 실패로 이어지는지, 수십 년의 실패 경험이 쌓인 직관이었습니다. 글로 정리하기 어려운 종류의 지식입니다.

포드의 사례는 제조업에서만 벌어지는 일이 아닙니다. 광고 대행사에서 클라이언트의 내부 의사결정 구조를 꿰뚫고 있던 시니어 디렉터가 나가고, AI 기반 캠페인 분석 도구가 그 자리를 대신했을 때 어떤 일이 벌어지는지를 생각해 보십시오. 출판사에서 원고를 보고 시장 반응을 직관적으로 읽어내던 편집자가 떠나고, AI 독자 분석 도구만 남았을 때 어떤 종류의 판단이 사라지는지를 생각해 보십시오. 세무 현장에서 납세자 유형별로 어떻게 접근해야 하는지 몸으로 알고 있던 실무자가 없어지고, 자동 신고 소프트웨어만 남았을 때 무엇이 조용히 빠지는지를 생각해 보십시오. 이들이 보유한 지식도 같은 성격입니다. AI가 처리하기 어려운 이유는 성능의 문제라기보다, 그 지식 자체가 데이터로 존재하지 않는다는 데 있습니다.

성능이 더 올라가면 해결된다는 주장

이번 사건을 AI 기술 성숙도 문제로 읽는 시각은 충분히 논리적입니다. 현재 AI 모델은 특정 도메인의 깊은 비정형 지식을 처리하는 데 한계가 있고, 모델 성능이 계속 향상되면 포드가 지금 겪는 문제도 시간이 지나면서 해소될 것이라는 주장입니다. 실제로 지난 3년간 AI 모델의 성능 향상 속도는 많은 예측을 앞질렀고, 특히 코딩, 수학, 논리 추론 영역에서는 두드러진 발전이 있었습니다. 이 관점에서 보면 포드의 선택은 일시적 후퇴이고, 기술이 충분히 성숙하면 베테랑 엔지니어 없이도 같은 품질을 낼 수 있게 될 것입니다.

그러나 이 주장에는 중요한 전제가 빠져 있습니다. AI 모델이 지식을 학습하려면 그 지식이 먼저 데이터 형태로 존재해야 한다는 것입니다. 포드 베테랑 엔지니어들의 지식은 어디에도 문서로 남아 있지 않습니다. 기록된 적이 없으니 학습된 적도 없고, 모델 성능이 아무리 높아져도 존재하지 않는 데이터에서 지식을 끌어낼 수는 없습니다. 모델이 강해진다는 것은 이미 존재하는 데이터를 더 잘 처리한다는 뜻이지, 아직 데이터화되지 않은 경험을 보완한다는 뜻이 아닙니다.

여기서 또 다른 역설이 생깁니다. AI가 잘 처리할 수 있는 정형 업무의 범위가 넓어질수록, 자동화하기 어려운 나머지 업무의 비중이 상대적으로 커집니다. AI가 처리하는 영역이 많아질수록, 처리하지 못하는 영역에서 경험과 판단의 가치는 높아집니다. 기술이 발전할수록 비정형 경험이 쓸모없어지는 것이 아니라, 희귀해집니다.

조직 내 지식 이전과 역량 관리를 다루는 HR 연구들은 이 문제를 오래전부터 지적해 왔습니다. 숙련된 실무자가 보유한 지식 중 어떤 부분은 교육과 매뉴얼로 전달 가능하지만, 어떤 부분은 반드시 현장에서의 경험을 통해서만 체득된다는 것입니다. 두 가지 유형을 구분하지 않고 AI 도입을 추진하면, 나중에 그 구분을 다시 해야 하는 비용이 더 크게 돌아옵니다. 한국 대기업들도 2023년과 2024년을 거치면서 비슷한 패턴을 경험했습니다. AI 도구를 도입하면서 경험 많은 중간 관리자 직군을 줄였다가, AI 산출물의 품질을 검수할 기준을 세울 수 있는 사람이 조직 안에 없어졌다는 사실을 뒤늦게 확인한 경우가 적지 않았습니다.

나의 gray beard는 어디 있는가

포드의 사례를 한국 1인 사업자, 프리랜서, 솔로 PM의 입장에서 다시 보면 질문이 바뀝니다. '내가 하는 일에서 AI가 어디까지 잘 하는가?'가 아니라 '내가 AI에게 넘기고 있는 그 판단이 사실은 내 핵심 자산 아닌가?'입니다.

디자이너가 시안 초안 생성을 AI에게 맡기는 것은 효율적입니다. 그러나 어떤 방향이 클라이언트의 조직 문화에 맞는지, 어떤 톤이 이 브랜드의 구매층에게 실제로 닿는지를 판단하는 과정까지 AI 제안에 의존하기 시작하면, 그 감각을 정교하게 만들어온 경험이 더 이상 자신에게 쌓이지 않습니다. 마케터가 콘텐츠 기획 아이디어를 AI로 빠르게 뽑아내는 것은 합리적입니다. 그러나 어떤 메시지가 특정 독자층에게 실제로 반응을 만들어내는지를 판단하는 감각까지 AI 분석에 넘기면, 그 감각이 퇴화합니다. 포드에서 품질 목표가 무너진 원인을 들여다보면, AI 도구의 성능보다 AI 산출물이 옳은지 그른지를 알아볼 수 있는 사람의 공백이 더 컸습니다.

점검해볼 부분이 있습니다. 지금 AI에게 맡기고 있는 업무 중 어느 것이 지난 수년간 자신의 판단력을 키워온 영역인지 생각해 보십시오. 클라이언트와의 기대치 조율, 가격 협상, 프로젝트 우선순위 판단, 파트너 선별. 이 중 AI에게 데이터나 초안을 받아 참고하는 것은 괜찮습니다. 그 초안이 타당한지 아닌지를 판단하는 능력은 자신이 직접 보유하고 있어야 합니다.

AI 도구를 본격적으로 사용한 지 6개월이 지났다면, 그동안 자신의 판단이 날카로워졌는지 무뎌졌는지 스스로 들여다볼 시점입니다. AI를 참고로 활용할수록 내 안목이 더 정교해졌다면 올바른 방향입니다. AI 없이는 판단이 어렵거나 자신이 줄었다면, 효율화 이면에서 다른 무언가를 조용히 잃어가고 있는 것입니다.

포드는 잃고 나서야 알아챘습니다. 은퇴자들을 설득해 다시 데려와야 했고, 품질 문제를 수습하는 데 시간이 걸렸습니다. AI와 경험을 처음부터 함께 운용했을 때보다 비용이 더 컸습니다.

내가 보유한 gray beard가 무엇인지, 그것이 아직 내 안에 살아 있는지 물어볼 시점입니다.