요약
로버트 글레이저(Robert Glaser)는 AI가 개인의 생산성을 비약적으로 높여주지만, 그것이 조직 전체의 학습과 성과로 이어지지는 않는 현상을 지적한다. 단순히 AI에게 토큰을 먹여 산출물을 내는 ‘토큰 대비 산출물(Token-to-Output)’ 경쟁에서 벗어나, AI를 통해 조직이 무엇을 깨달았는지를 측정하는 **‘토큰 대비 학습(Token-to-Learning)‘**으로 관점을 전환해야 한다고 주장한다.
핵심 인사이트
1. 생산성-학습의 갭 (The Productivity-Learning Gap)
- 직원은 AI를 통해 ‘사이보그’가 되어 더 빠르게 일을 처리하지만, 그 과정에서 얻은 인사이트가 조직 시스템에 남지 않으면 조직은 배우지 못한다.
- 기존의 조직 구조(예: 스프린트, 승인 절차)가 AI의 빠른 반복 속도를 따라가지 못해 학습을 ‘소화’하지 못하는 병목 현상이 발생한다.
2. 토큰 대비 학습 (Token-to-Learning)
- Token-to-Output: “얼마나 많은 코드를 짰는가?”, “문서가 몇 페이지인가?” (구시대적 지표)
- Token-to-Learning: “AI가 어떤 새로운 패턴을 발견했는가?”, “이 토큰 소비를 통해 어떤 의사결정이 개선되었는가?” (차세대 경쟁 우위)
3. 루프 지능 (Loop Intelligence)
업무 루프(Loop)가 실제로 조직적 학습을 만들어내고 있는지 파악하는 역량.
- 에이전트가 어디서 레버리지를 만드는가?
- 어디서 루프가 발산하여 자원을 낭비하는가?
4. 감시의 함정 (Surveillance Trap)
AI 측정 지표가 직원 감시용으로 전용될 경우, 직원은 성과를 부풀리기 위해 지표를 조작(Gaming)하거나 자신의 효율적인 워크플로우를 숨기게 된다. 이는 조직적 학습을 완전히 차단하는 결과를 초래한다.
시사점
AI 시대의 진정한 경쟁 우위는 AI 도구의 소유가 아니라, **‘누가 더 빨리 업무 루프의 신호를 포착하여 조직의 역량으로 전환하는가(Learning Velocity)‘**에 달려 있다.