TL;DR. 위임 가능성은 직관이 아니라 두 단계로 거른다 — 먼저 병목을 진단하고, 그다음 병목 중에서 적합도로 거른다. 적합도는 이득 하나(빈도×표준화)와 비용 셋(검증·비가역성·컨텍스트)의 비대칭으로 결정된다. 그래서 위임은 "이득이 큰가"가 아니라 *"리스크가 통제되는가"*의 문제다. 그리고 맡기는 건 작업의 복제가 아니라 재정의다.
실행 단가가 무너지면서 무엇이든 위임할 수 있게 됐다. 그래서 실력은 "무엇을 맡기느냐"가 아니라 "무엇을 쥐고 있느냐"로 옮겨갔다. 그런데 이 선별을 대부분 직관으로 한다. 같은 기술을 쓰는데 결과가 양극단인 이유다 — 무엇을 위임할지는 작업의 멋짐이 아니라, 병목인지와 되돌릴 수 있는지로 정해진다.
병목은 대개 짐작한 곳에 없다
실행이 공짜가 된 시대, 병목은 더 이상 모델이 아니다. MIT가 GenAI 도입을 분석한 「The GenAI Divide」(2025)는 파일럿의 95%가 측정 가능한 손익 영향을 내지 못했다고 보고하면서, 그 원인이 모델 품질이 아니라 워크플로우와의 통합 실패라고 짚는다. 같은 보고서가 더 날카로운 미스매치도 지적한다 — 예산의 절반 이상이 영업·마케팅 도구로 가지만, 실제 ROI는 백오피스 자동화(문서 처리·컴플라이언스·내부 워크플로우)에서 가장 높다. 돈이 병목이 아닌 곳에 쏠린 것이다.
문제는 그 병목조차 자주 오진된다는 거다. 한 보험사는 청구 처리가 느린 게 조정자 부족 탓이라 믿었지만, process mining으로 들여다보니 진짜 제약은 시스템 파편화가 강제하는 수작업 재조정이었다. 조정자를 더 뽑았다면 문제를 해결한 게 아니라 규모만 키웠을 것이다. 제약은 팀 규모가 아니라, 진짜 작업이 시작되기도 전에 몇 주를 잡아먹는 보이지 않는 준비 작업에 숨어 있다.
이게 위임에서 치명적인 이유는 단순하다. 잘못 진단한 병목을 자동화하면, 잘못된 작업을 더 빠르게 돌리는 것이 된다. 진단 오류에 실행 증폭이 곱해진다. 핵심 원리는 제약 이론이 말한 그대로다 — 병목이 아닌 곳을 개선하면 전체 처리량은 늘지 않는다. 그러니 "무엇을 위임할까"의 진짜 첫 질문은 "지금 전체 흐름의 제약이 어디냐"다.
진단된 병목 중 무엇을 맡길 수 있는가
병목을 찾았다고 다 위임 대상은 아니다. 실제로 현장에서 맡겨지는 건 인보이스 매칭, 계약서 검토, 컴플라이언스 문서화, 리드 전처리, 코드 리뷰 — 전부 정형화된 중간 단계의 사무·검토 작업이다. 화려한 자율 에이전트가 아니다. 왜 하필 이것들인지는 네 변수로 갈린다.
이득 — 빈도 × 표준화. 자주 반복되고 절차가 정형화될수록 한 번 들인 정의 비용이 분산돼 이득이다. 입력이 고정된 정형 작업은 한 번 명세하면 재사용되지만, 매번 형태가 다른 일회성 작업은 맡길 준비 비용이 실행 이득을 초과한다. 단가 차이는 극적이다 — 고객 서비스 한 건을 사람이 $4.18에 처리할 때 에이전트는 $0.46(9배), 루틴 PR 하나를 시니어 엔지니어가 $48에 칠 때 코드 리뷰 에이전트는 $0.72(66배)에 끝낸다. 정형·반복일수록 이 격차가 그대로 이득이 된다.
비용 하나 — 검증. 끝났는지·맞는지를 결정론적으로 빠르게 판별할 수 있는가. 검증이 매번 인간 판단을 요구하면, 병목이 실행에서 검증으로 이동할 뿐 사라지지 않는다. 데이터가 이걸 보여준다 — 에이전트 롤아웃의 41%만 12개월 내 플러스 ROI를 넘고, 19%는 끝내 회수에 도달하지 못한다. 원인은 거의 전적으로 평가 드리프트·거버넌스 공백·측정되지 않은 재작업이지, 에이전트 역량이 아니다.
비용 둘 — 비가역성. 틀렸을 때 싸고 되돌릴 수 있으면 맡겨도 된다(축은 규모가 아니라 되돌리기 비용이라는 이야기는 여기서 위임으로 옮겨와도 그대로 선다). 자금 이동, 외부로 나가는 계약, 지울 수 없는 게시는 가드 없이는 기대값이 마이너스다. 업계 경험칙도 여기서 갈린다 — 고볼륨·저위험은 완전 자율로, 고볼륨·고복잡도는 사람이 검토하는 보조로, 저볼륨·고위험은 엄격한 사람 개입으로. 실제로 법무(1.4배)·임상(1.2배)처럼 거버넌스 검토가 속도 이점을 거의 다 먹어버리는 영역에선 생산성 배수가 바닥이다.
비용 셋 — 컨텍스트. 맥락이 이미 구조화돼 있는가, 매번 흩어진 암묵지를 끌어모아야 하는가. 후자라면 맥락을 채우는 비용이 실행 이득을 깎아 적합도가 떨어진다. 위임이 실패하는 자리를 보면 분명하다 — 병목은 프런티어 모델과 측정 가능한 결과 사이의 모든 것이다. 화려한 부분이 아니라 맥락을 싸게 만드는 부분이 일의 대부분이다.
여기서 비대칭이 핵심이다. 이득 쪽은 하나인데 비용 쪽이 셋이다. 위임 결정은 "이득이 큰가"보다 *"비용과 리스크가 통제되는가"*가 좌우한다. 멋진 작업이 아니라, 검증이 싸고 되돌릴 수 있고 맥락이 정리된 작업부터 맡겨야 한다.
복제가 아니라 재정의
가장 흔한 실수는 망가진 워크플로우를 그대로 자동화하는 것이다. 수작업 버전이 느린 게 근본 설계가 나빠서라면, 자동화는 그걸 고치지 못하고 나쁜 설계를 더 빠르고 큰 규모로 돌릴 뿐이다.
그래서 위임은 작업의 복제가 아니라 재정의여야 한다. 사람이 하던 순서를 그대로 옮기는 게 아니라, "성공 조건이 뭔지, 어떻게 검증할지, 어디서 멈춰야 하는지"를 다시 정의하는 일이다. 그 재정의의 결과물이 곧 검증 장치와 가드다. 측정과 가드 인프라는 위임의 부산물이 아니라 전제조건이다. 평균 ROI 171%라는 숫자가 돌지만, 이건 평균이라 위험하다 — 같은 기술로 누구는 171%를 회수하고 Gartner는 2027년까지 에이전트 프로젝트의 40% 이상이 취소될 거라 본다. 승자와 실패자를 가른 건 모델이 아니라 배포 방식이었다. 소수의 고가치 작업으로 시작하고, 깨끗한 데이터에 붙이고, "도입률"이 아니라 해결당 비용을 측정한 쪽이 회수했다.
쥐고 있을 것을 가리려면 먼저 재야 한다
실행이 공짜인 시대의 병목은 실행이 아니라 판단이다. 무엇을 맡길지 측정 없이 정하면, 에이전트는 잘못된 것을 완벽하게, 빠르게, 큰 규모로 해버린다. 위임의 실력은 결국 쥐고 있을 것을 가려내는 능력이고, 가려내려면 먼저 재야 한다 — 어디가 병목인지, 그 병목이 되돌릴 수 있는 것인지를.
참고
병목은 모델이 아니다
- The GenAI Divide: State of AI in Business 2025 (MIT Project NANDA, 2025-07) — 파일럿 95%가 손익 영향 0; 실패 원인은 모델이 아니라 통합·학습 격차 (미러)
- Theory of Constraints — 병목 아닌 곳 개선은 처리량을 늘리지 않는다
- Process mining 병목 오진 사례 (보험 청구 처리)
적합도를 가르는 수치
- AI Agent Productivity Statistics 2026 (Digital Applied 집계, Forrester TEI·Anthropic·Gartner 원천) — cost-per-task 9~66배, 1년 내 플러스 ROI 41%·미회수 19%
- 자율 / 보조 / 사람개입 2×2 경험칙
171%의 함정
- Deloitte State of AI in the Enterprise 2026 — 평균 ROI 171% (US 192%), 단 평균값
- Gartner — 2027년까지 에이전트 프로젝트 40%+ 취소 전망
관련 글