메타와 클라나가 보여준 AI 인력 전략의 현실: 자동화에도 사람이 필요한 이유

AI는 기업의 인력 운영 방식을 바꾸고 있다. 다만 메타와 스웨덴 핀테크 기업 클라나의 사례는 AI가 업무 일부를 자동화하는 일과 조직의 기능 자체를 사람 없이 운영하는 일 사이에는 큰 간극이 있음을 보여준다. 메타는 프로젝트 OT(Project OT)의 두 번째 구조조정 계획을 멈췄고, 클라나는 AI 우선 고객지원 체계가 기대에 못 미치는 품질 문제를 낳자 인간 상담 인력 채용을 다시 시작했다. 218

핵심은 AI 찬반의 문제가 아니다. 정형적이고 반복적인 업무는 AI가 대규모로 처리할 수 있지만, 애매한 상황을 해석하고 결과물을 검토하며 예외를 해결하고 고객 경험에 책임지는 역할에는 여전히 사람이 필요하다는 것이다.

메타: 소규모 팀과 AI 에이전트 구상, 현실의 벽에 부딪히다

로이터에 따르면 메타의 ‘프로젝트 OT’는 ‘Organization Transformation’의 약자로, 두 차례에 걸친 구조조정 구상이었다. 메타는 2026년 5월 첫 번째 감원을 실시해 전체 인력의 약 10%를 줄였지만, 이후 11월로 예정됐던 다음 단계 감원 계획은 중단했다. 메타는 프로젝트 OT의 존재를 확인하면서, 비용 절감·팀 구조 재설계·우선 분야로의 인력 이동을 포함한 연간 프로젝트라고 설명했다. 2

이 계획은 단순한 비용 절감안에 그치지 않았다. 더 적은 수의 직원이 AI 에이전트의 지원을 받아 일하는 조직을 상정했다. 그러나 코드나 초안, 개별 작업 결과물이 더 많이 생성된다고 해서 제품이 안정적으로 출시되는 것은 아니다. 복잡한 업무 흐름에서는 목표를 정의하고, 여러 시스템의 작업을 연결하며, 결과를 시험하고, 오류를 찾아내고, 문제가 생겼을 때 책임을 질 사람이 필요하다.

메타가 AI 투자나 AI 활용 업무를 포기한 것은 아니다. 달라진 것은 AI 에이전트 역량만으로 당초 일정에 맞춰 광범위한 추가 인력 감축을 추진할 수 있다는 확신이었다. 2

클라나: 처리량이 서비스 품질을 보장하지는 않았다

클라나 사례는 같은 문제가 고객지원 현장에서 어떻게 나타나는지를 보여준다. AI 어시스턴트는 결제, 환불, 반품처럼 표준화된 문의의 상당 부분을 처리했다. 하지만 클라나는 이후 AI만으로 고객지원을 운영하겠다는 기조에서 물러나 인간 상담 인력 채용을 재개했다. 1720

관련 보도에 따르면 세바스티안 시에미아트코프스키 클라나 CEO는 인력 축소가 지나치게 공격적이었다고 인정했다. AI가 무용했다는 뜻은 아니다. 다만 복잡하고 모호하거나 감정적으로 민감한 고객 문제에서는 숙련된 사람이 제공하는 조사 능력, 재량, 공감이 필요했다는 의미다. 클라나는 자동화와 함께 인간 상담 역량을 다시 구축하기 시작했다. 1819

특히 고객지원에서는 이 차이가 중요하다. 시스템이 흔한 요청을 빠르게 해결하더라도, 결제 분쟁이나 특수한 사정, 갈등이 커지는 문제를 겪는 고객이 신속히 역량 있는 상담원에게 연결되지 못한다면 신뢰는 훼손될 수 있다. 자동화가 효과를 내려면 명확한 상담원 이관 경로와 인간의 책임 체계가 서비스 설계에 포함돼야 한다.

떠오르는 운영 모델: AI는 ‘대체재’보다 ‘레버리지’

두 사례가 가리키는 더 지속 가능한 운영 원칙은 비교적 분명하다.

• 예측 가능한 업무를 자동화한다. 입력이 표준화돼 있고, 결과를 쉽게 검증할 수 있으며, 오류를 바로잡는 비용이 낮은 업무에서 AI의 효용이 크다.
• 판단 지점에는 사람을 남긴다. 여러 시스템을 넘나드는 맥락, 트레이드오프, 판단, 책임, 관계 관리가 필요한 업무에는 사람이 필수적이다.
• 업무 흐름에 이관 절차를 설계한다. 고객지원처럼 결과의 영향이 큰 업무에서는 자동화 루프에서 막히지 않고 적절한 담당자에게 넘어가는 경로가 필요하다.
• 활동량이 아니라 결과를 측정한다. 생성된 코드량, 첫 응답 속도, 처리 건수만으로는 충분하지 않다. 품질, 최종 해결률, 안전성, 고객 신뢰가 나빠진다면 그 지표들은 불완전하다.

이는 일자리가 변하지 않는다는 뜻은 아니다. 변화는 인간 노동의 즉각적인 소멸보다는 팀의 재설계, 요구 역량의 변화, 반복 업무 중심 직무의 축소라는 형태로 나타날 가능성이 크다.

채용 데이터가 보여주는 변화: 기술 역량으로의 재배분

기술업계 고용 흐름도 이 해석과 대체로 맞닿아 있다. 시그널파이어에 따르면 대형 기술기업의 전체 채용은 2019년 기준선보다 25% 낮았지만, 소프트웨어 엔지니어 채용 감소폭은 11%였다. 그 결과 이들 기업의 전체 채용에서 소프트웨어 엔지니어가 차지하는 비중은 2019년 46%에서 55%로 높아졌다. 49

이 수치만으로 모든 채용 변화가 AI 탓이라고 단정할 수는 없다. 기술업계 채용은 경기 사이클과 팬데믹 이후의 인력 조정에도 영향을 받는다. 다만 인력을 더 슬림하게 운영하는 조직도 기술 인재 수요를 없앤 것은 아니라는 점은 보여준다. 오히려 자동화 수준이 높아질수록 이를 구축·배포·평가·보안 관리·감독할 수 있는 인력으로 채용 구성이 이동하고 있다.

가장 큰 단기 위험은 ‘신입 경력 사다리’일 수 있다

스탠퍼드 디지털 이코노미 랩 연구진은 2026년 6월까지의 행정 급여 데이터를 분석한 결과, 경제 전반에 걸친 광범위한 일자리 대체 증거는 발견하지 못했다고 밝혔다. 다만 AI 노출도가 높은 직종의 22~25세 고용은, AI 노출이 낮은 또래 집단과 같은 속도로 늘었다면 도달했을 수준보다 19% 낮았다. 경력자에게서는 같은 격차가 나타나지 않았고, 조정은 해고 증가보다 채용 감소를 통해 주로 이뤄진 것으로 분석됐다. 35

이 19%는 AI가 직접 없앤 일자리 수가 아니다. ‘덜 노출된 또래 직종의 고용 추세를 따라갔더라면’이라는 가정과 비교한 상대적 격차다. 그럼에도 AI가 초급 반복 업무 일부를 맡게 될 때, 기업이 사람들이 이후 고급 역할로 성장하는 데 필요한 첫 경력을 쌓을 기회를 줄일 수 있다는 중요한 문제를 제기한다.

기업이 메타와 클라나 사례에서 배울 점

이제 중요한 질문은 AI를 쓸지 말지가 아니다. 프로세스의 신뢰성을 떠받치는 인간의 역량을 제거하지 않으면서, 어디에 AI를 적용할 수 있는가다.

메타의 후속 구조조정 중단과 클라나의 상담 인력 재채용은 기업이 자동화를 최종 결과로 검증해야 한다는 점을 시사한다. 제품이 제대로 출시되는지, 판단은 정확한지, 고객 문제는 실제로 해결되는지, 고객 신뢰는 유지되는지, 복구 비용은 감당 가능한지를 봐야 한다. AI가 잘 작동하는 영역에서는 작은 팀의 역량을 크게 높일 수 있다. 그러나 불확실성이 크거나 오류의 대가가 큰 영역에서는 ‘사람 없는 AI’보다 사람과 AI의 결합이 대체로 더 적합한 설계다.

AI는 팀의 구성과 개인의 생산성을 재편하고 있다. 그 혜택을 가장 크게 얻을 기업은 자동화를 인간의 일을 우회하는 지름길이 아니라, 복잡한 제품과 고객 관계를 더 잘 운영하도록 돕는 도구로 활용하는 곳일 가능성이 크다.