AI 시대의 진짜 병목은 학습이 아니라 기존 워크플로우의 언러닝이다

2026년 AI가 실행을 값싸게 만들면서, 차별화의 마일스톤은 도구를 다루는 능력이 아니라 취향과 의도로 옮겨간다. 그런데 정작 가장 큰 병목은 새 도구를 배우는 학습이 아니라, 몸에 밴 기존 워크플로우를 버리는 언러닝(unlearning)이다. 규모가 크고 워크플로우가 복잡할수록 이 언러닝 비용은 가파르게 커진다. ASAP은 왜 지금 이 문제가 중요한지, 이전 논의와 무엇이 다른지, 실무에서 어떻게 읽어야 하는지를 정리한다.

왜 하필 지금 이 병목이 드러나는가

지금까지 AI 도입 논의는 대부분 "무엇을 배워야 하는가"에 집중했다. 프롬프트 강좌, 툴 온보딩, 사내 교육이 그 산물이다. 이 프레임이 맞았던 이유는 과거의 자동화가 특정 작업 하나를 대체하는 국소적 개선이었기 때문이다. 반면 실행 비용이 0에 수렴하면 차별화의 축은 무엇을, 왜 만들지로 이동한다. 코드·이미지·영상·문서를 만드는 행위 자체를 AI가 대신하므로, 사람에게 남는 차별점은 무엇을 만들지 고르는 취향과 왜 만드는지의 의도다. 결과물의 평균 품질이 상향 평준화될수록, 방향을 정하는 판단이 곧 경쟁력이 된다. 그렇다면 도입이 늦는 조직의 문제는 학습 부족이 아니라 다른 곳에 있다는 의심이 자연스럽게 따라온다.

학습 프레임과 언러닝 프레임은 무엇이 다른가

새 도구를 배우는 데는 며칠이면 충분하지만, 기존 플로우를 버리는 데는 몇 달이 걸린다. 사람과 조직은 오래 검증해 온 절차를 효율적이라 믿고 강하게 고착돼 있는데, AI 플로우는 그 절차를 부분 개선이 아니라 통째로 대체하라고 요구하기 때문이다. 여기서 프레임의 차이가 갈린다. 학습 프레임은 비용을 개인의 시간으로 보지만, 언러닝 프레임은 비용을 조직의 관성으로 본다. 전자는 강의로 풀리고 후자는 강의로 풀리지 않는다. 결국 어려운 것은 배움이 아니라 버림이며, 이 비대칭이 전환을 지연시키는 핵심 원인이다.

숫자가 아니라 곡선을 읽어라

언러닝 비용은 워크플로우의 단계 수와 관여하는 사람 수에 비례해 커진다. 1인 단순 작업은 새 플로우로 즉시 갈아타지만, 단계가 많고 여러 사람이 얽힌 워크플로우는 접점마다 합의·재학습·도구 재배선이 필요하다. 그래서 조직이 클수록 AI 도입의 ROI가 역설적으로 더 늦게 나타나는 현상이 생긴다. 이 대목은 도입률 통계를 볼 때 특히 조심해야 한다. 소규모 팀의 빠른 성과를 대기업에 그대로 대입하면 기대치가 어긋난다. 봐야 할 것은 단일 수치가 아니라, 조직 규모에 따라 기울기가 달라지는 비용 곡선이다.

복잡한 워크플로우일수록 더 단단히 박히는 이유

복잡한 워크플로우가 잘 안 바뀌는 데는 다섯 가지 고착 요인이 있다. 아래 표는 각 요인이 왜 학습만으로 풀리지 않는지를 함께 보여준다.

고착 요인	무엇이 발목을 잡나
매몰된 절차	검증된 단계라는 믿음이 변경 자체를 막음
도구 결합	기존 도구와 핸드오프가 서로 묶여 한 번에 못 바꿈
암묵지	문서화 안 된 노하우가 새 플로우로 옮겨가지 않음
조직 합의	사람이 많을수록 바꾸는 데 드는 동의 비용 증가
측정 지표	옛 KPI가 옛 플로우를 계속 강화

언러닝을 설계하는 법

언러닝은 저절로 일어나지 않으므로 의도적으로 설계해야 한다. ASAP이 권하는 다섯 단계는 다음과 같다.

작은 단위로 잘라 한 번에 하나의 워크플로우만 폐기·재구축한다.
옛 절차의 종료를 명시적으로 선언한다. 병행 운영은 언러닝을 무한히 지연시킨다.
암묵지를 먼저 문서화해 새 플로우로 이전한다.
KPI를 새 플로우 기준으로 교체해 옛 플로우를 강화하지 않게 한다.
취향과 의도를 명문화해, AI에 위임할 판단의 기준으로 삼는다.

한계와 열린 질문 (ASAP의 관점)

이 프레임은 강력하지만 만능은 아니다. 첫째, 모든 옛 절차가 관성인 것은 아니다. 규제·안전·감사 요건처럼 이유가 있어 남은 단계를 관성으로 오해해 버리면 오히려 사고가 난다. 언러닝과 리스크 제거를 구분하는 기준이 필요하다. 둘째, "옛 절차의 종료 선언"은 롤백 경로가 없으면 위험한 조언이다. 병행 운영이 언러닝을 지연시키는 것은 맞지만, 완전 대체가 실패했을 때의 복구 계획까지 함께 설계해야 한다. 셋째, 취향과 의도가 마일스톤이라는 명제는 그 취향을 어떻게 기르고 검증하느냐라는 더 어려운 질문을 남긴다. 결국 AI 전환의 승부는 무엇을 새로 배우느냐가 아니라 무엇을 빨리, 그리고 안전하게 버리느냐에서 갈린다. 학습 곡선이 아니라 언러닝 곡선을 관리하는 쪽이 전환의 속도를 가져간다.