경험이 중요한 시대에 팀장은 팀원에게 ‘정답’을 주는 사람이었습니다. 팀원들이 질문하면 답을 주고, 방향을 정해주고, 결정을 밀어붙이는 역할이었죠. 하지만 데이터가 중요해진 시대에 팀장은 더 이상 답을 주는 사람이 아니라, ‘답에 도달하는 과정을 설계하는 사람’입니다.

어떤 데이터를 모을지 정의하고, 무엇을 성공으로 볼지 기준을 세우며, 실험 단위를 작게 쪼개 검증하고, 이를 해석의 언어로 팀을 설득하는 사람입니다. 여기서 팀장에게 필요한 건 더 똑똑함이 아니라 ‘더 좋은 질문’입니다.

팀장은 경험을 가설로 낮추고 데이터를 공유 가능한 언어로 끌어올린 뒤, 그 과정에서 휴먼 터치(Human Touch)를 통해 인간적인 신뢰를 얻어야 합니다. 이것이 바로 데이터 시대의 리더십입니다.

팀장의 업무는 ‘직접 일을 하는 것’이 아니라 ‘일이 돌아가게 만드는 것’입니다. 하지만 많은 팀장이 매일 ‘직접 일을 하는 것’에 발이 묶여 있습니다. 보고서 작성, 회의 주재, 승인, 부서 간 조율과 확인 등 하루가 수많은 체크포인트들로 촘촘하고 바쁘게 연결되어 있죠. 문제는 이런 체크포인트가 많아질수록 팀의 속도는 느려진다는 겁니다.

그래서 AI 시대의 팀장은 ‘관리자’가 아닌 ‘설계자’가 되어야 합니다. 사람을 관리하는 대신 일의 흐름을 설계해야 합니다. 팀이 같은 실수를 반복하지 않도록, 같은 보고서를 여러 번 쓰지 않도록, 불필요한 회의를 반복하지 않도록 ‘입력-처리-출력-피드백’이 자연스럽게 이어지는 최적화된 루프(Loop)를 만들어야 합니다. 여기서 말하는 ‘최적화’는 단순히 일을 빨리 처리하는 기술이 아닙니다. 일이 끊기지 않게 만들고, 혹여 끊기더라도 어디서 문제가 생겼는지 즉시 파악할 수 있게 만드는 기술입니다.

업무는 하나의 거대한 흐름입니다. 이때 매번 새롭게 결정하고 판단하는 과정을 거친다면 엄청난 에너지가 소모됩니다. 따라서 기본적인 업무는 가능한 한 시스템 안에서 자연스럽고 자동적으로 돌아가도록 루프를 세팅해야 합니다. 일의 루프는 거창한 이론이 아니라 아주 단순한 구조에서 시작합니다.

1) 입력(Input) : 요청, 아이디어, 이슈 등 요구사항이 들어오는 단계

2) 처리(Process) : 분석, 결정, 실행이 이뤄지는 단계

3) 출력(Output) : 문서, 기능, 캠페인 등 결과물이 나오는 단계

4) 피드백(Feedback) : 결과를 측정하고 다음 행동을 조정하는 단계

경영학에서 매니지먼트(Management)란 ‘조직의 목표를 효율적(효율)/효과적(효과)으로 달성하기 위해, 사람/돈/시간/정보 같은 자원을 계획하고(Plan), 조직하고(Organize), 이끌고(Lead), 통제하는(Control) 일련의 과정’을 말합니다. 즉, 사람이 일을 잘하게 만드는 시스템을 설계하고, 굴리고, 점검해서 결과를 내는 것이 원래적 의미의 매니지먼트입니다.

하지만 현장에서는 매니지먼트가 어느덧 ‘사람 관리’와 동의어처럼 쓰이고 있습니다. 팀원의 동기를 부여하고 위로하는 일이 리더십의 전부인 것처럼 여겨지기도 하죠. AI 시대의 리더십은 다시 본래의 의미로 복귀합니다. 이제 리더십의 핵심은 ‘동기부여’를 넘어선 ‘리소스 분배’입니다. 한정된 자원을 최적화해 일이 잘 돌아가도록 시스템을 설계하는 기술이 곧 AI 시대의 리더십이 됩니다.

팀장은 업무를 몇 개의 단위로 쪼갠 뒤, 어디를 자동화할지, 어디를 사람에게 맡길지 결정해야 합니다. 예를 들어 브랜드의 인스타그램 운영업무가 있다면, 콘텐츠의 ‘생성’을 사람이 할지 AI가 할지, ‘검증’과 ‘책임’을 누가 할지부터 나누는 방식입니다. 생성은 AI, 검증은 사람. 이런 식으로 역할을 나누고, 순서를 만들고, 자동화가 실제로 돌아가도록 실험합니다.

다만 ‘어떤 일을 자동화하고 어떤 일을 사람에게 맡길 것인가’를 감으로 결정할 수는 없습니다. 새로운 일을 새로운 방식으로 하는 것이고, 누구에게도 충분한 경험치가 쌓여 있지 않기 때문입니다. 그래서 자동화와 인간의 역할을 나눌 때는 다음과 같은 네 가지 세팅 기준을 활용할 수 있습니다.

반복적이고 규칙이 명확하며, 오류의 비용이 낮은 일입니다. 예를 들어 회의 일정 잡기, 문서 포맷 맞추기, 주간 리포트 초안 생성, 템플릿 기반 공지 작성 등이 해당합니다. 사람이 하기에는 조금은 짜증나고 지루하지만, 정확도가 중요한 일을 AI에게 맡기면 속도와 정확성을 동시에 잡을 수 있습니다.

속도는 AI가 만들고, 정확도와 책임은 사람이 맡는 방식입니다. AI를 활용해 결과물들을 다양하게 생성해 보고, 그중 선택과 판단을 통해 인간이 책임을 가져오는 겁니다. 제안서 초안 작성, 고객응대 문구 제작, 경쟁사 리서치 요약, 데이터 인사이트 정리, 이메일 답장 같은 업무가 여기에 속합니다.

판단과 메시지는 사람이 주도하고, 자료정리/시뮬레이션/근거보강을 AI가 돕는 방식입니다. KPI 설계, 팀 설득을 위한 스토리 구성, 갈등 중재, 위기 커뮤니케이션 등은 사람이 중심을 잡고, AI는 근거와 옵션을 보조하는 구조가 적합합니다.

관계성이 필요한 일은 인간이 하는 것이 좋습니다. 윤리, 신뢰, 관계, 책임이 핵심인 일입니다. 성과 면담, 채용 최종 판단, 징계나 보상 결정, 팀원의 번아웃 케어 등 ‘사람의 마음’을 다루는 영역은 인간이 전담해야 합니다. 외부적으로는 고객/협력사와의 만남처럼 관계가 중요한 업무도 여기에 포함됩니다.

팀장들이 데이터 앞에서 흔히 하는 착각은 ‘숫자면 모두 데이터’라고 생각하는 겁니다. 하지만 숫자가 팀 운영 데이터로서 가치를 가지려면 세 가지 원칙이 필요합니다.

1) 정의가 명확해야 합니다

과거 EBS 수능 강의 활용도에 대한 청문회 사례를 보면, EBS측 에서는 ‘전체 고교생 중 68%가 EBS 수능방송을 활용하고 있다’라고 주장한 반면, 국회의원은 11.3%라고 반박했습니다. 두 수치 모두 조작은 아니었지만 ‘강의를 듣는다’는 정의가 달랐기 때문에 발생한 일입니다. 국회의원이 밝힌 수치는 TV로 보거나 학교에서 단체 시청한 경우 등은 모두 제외하고 오로지 인터넷으로 수강한 경우만 집계한 겁니다. 반면 EBS측은 한 달에 한 번 한 과목이라도 보면 수강한 것으로 간주한 거죠. 이 경우 단체시청이나 스치고 지나간 모든 행위들이 다 포함되는 거예요. 이런 것들이 바로 정의가 엇갈리는 경우죠.

2) 행동으로 연결되는 데이터여야 합니다

유튜브를 예로 들면 구독자가 100만이 되어도 구독자 5만인 채널보다 수익을 못 내는 채널이 있습니다. 정보성 채널 중에는 구독자는 많지만 팬층이 강하지 않아 공동구매나 쇼핑몰 연결에서 참여가 낮은 경우가 있습니다. 반면 팬심이 강한 채널은 5만 명만 있어도 굿즈, 행사, 유료상품 등으로 꽤 큰 매출을 만들기도 합니다.

이런 경우 비즈니스 관점에서 구독자 수는 좋은 데이터가 아닐 수 있습니다. 활성화율이나 결제전환율 같은 지표가 훨씬 유용합니다. 물론 그렇다고 구독자 수를 무시하라는 뜻은 아닙니다. 다만 구독자 수만 보고 결정을 내리거나 판단을 해서는 안 된다는 뜻입니다.

3) 후행지표보다 선행지표에 반응해야 합니다

전조, 즉 의미 있는 움직임을 파악하면 대비가 가능합니다. 예를 들어 토스는 광고를 클릭한 횟수를 광고 노출횟수로 나눈 값인 CTR(Click Through Rate)이 하락한 것을 신호로 보고 문제를 정의한 뒤 해결책까지 도출했습니다. CTR은 선행지표이고, 그에 대한 후행 지표는 매출입니다. 즉 토스는 매출이 하락한 뒤에 움직인 게 아니라, 매출이 하락할 것 같은 신호를 보고 움직여 매출 하락을 막은 겁니다. 팀이 선행지표에 움직여야 하는 이유가 여기에 있습니다. 결과가 나온 뒤에는 되돌리기 어렵기 때문에, 결과가 나오기 전에 문제해결을 하려면 선행지표를 빠르게 알아차려야 합니다.

많은 조직이 데이터 활용에 실패하는 이유는 데이터를 안 모아서가 아니라 너무 많이 모으기 때문입니다. 데이터가 과도하면 각자 자기에게 유리한 수치만 취사선택하게 되고, 결국 데이터는 독이 됩니다. 그래서 팀장은 데이터를 늘리기 전에 ‘결정용 지표 세트’를 지정해야 합니다. 그래야 데이터가 팀을 보호하고 팀을 빠르게 만듭니다. 기준은 간단합니다.

“팀 운영 데이터는 많아야 12개, 그중 3개는 반드시 선행지표로 구성한다.”

여기서 12개라는 숫자는 사람이 한 달 동안 기억하고, 매주 같은 리듬으로 점검하며, 행동으로 연결할 수 있는 최적의 규모입니 다. 이를 ‘성과 데이터’ ‘과정 데이터’ ‘품질 데이터’ ‘사람 데이터’라는 4가지 묶음으로 안배하면 균형 잡힌 팀 운영이 가능해집니다.

성과 데이터만 보면 팀은 단기성과에 올인하게 되고, 번아웃이 오기 쉽습니다. 과정 데이터에 치중하면 팀원들은 바쁜데 결과가 약해질 수 있습니다. 품질 데이터에 편중되면 안전하지만 느려지고 혁신이 멈출 수 있습니다. 사람 데이터만 보면 실행이 더뎌지고 필요한 조치가 늦어질 수 있습니다. 그래서 4가지 묶음이 함께 있어야 합니다.

팀이 취할 수 있는 여러 가지 데이터 중에서 중요한 12개의 지표를 뽑는 방법은 3단계로 정리할 수 있습니다.

지표는 ‘측정’이 아니라 ‘결정’을 위해 존재합니다. 그래서 어떤 결정을 해야 하는지 먼저 파악해야 합니다. 그래야 그에 맞는 지표를 선택할 수 있습니다. 예를 들어 다음과 같은 질문을 통해 3가지 결정에 직접 영향을 주는 지표만 남기면 지표 숫자는 자연스럽게 줄어듭니다.

- 이번 주 무엇에 시간을 더 쓸지

- 어떤 일을 멈출지 또는 줄일지

- 무엇을 개선 실험할지

성과 데이터 3개, 과정 데이터 3개, 품질 데이터 3개, 사람 데이터 3개로 고르면 균형이 생깁니다. 이렇게 하면 팀이 한쪽으로 쏠릴 때 바로 신호가 옵니다.

매출이나 분기실적 같은 지표는 매우 중요하지만, 이러한 것들만 보면 선제적 대응이나 예방 같은 것들이 늦어져 개선할 타이밍을 놓치게 될 수 있습니다. 팀이 빠르게 대응해야 하는 것은 선행 지표이기 때문에, 반드시 선행신호를 3개 정도 고정해야 합니다.

팀은 바빠 보이는데 결과가 나오지 않는다면, 문제는 대개 ‘사람’이 아니라 ‘업무설계’에 있습니다. 팀장의 업무가 힘든 이유는 팀원들이 일을 못해서가 아니라 일이 잘못 설계되었기 때문인 경우가 많습니다. 해야 할 일은 산더미인데 우선순위는 모호하고, 누가 무엇을 맡을지 애매하며, 진행 도중에 예상치 못한 과업이 툭툭 튀어나옵니다. 그러면 팀원들은 의문에 빠집니다.

‘다들 이렇게 열심히 하는데, 왜 진도는 안 나갈까?’

이런 상황에서 팀장은 흔히 회의를 늘리거나 확인 절차를 강화합니다. 하지만 아이러니하게도 그럴수록 팀은 더 느려집니다. 확인 절차가 늘어날수록 일은 결재대기 목록 속으로 빨려 들어가 정체되기 때문입니다. AI 시대의 팀장은 여기서 역할이 바뀌어야 합니다. 관리자가 아니라 ‘업무설계자’가 되는 겁니다. 그리고 설계자의 첫 번째 무기는 ‘더 열심히’가 아니라 ‘세분화’ ‘재배치’ ‘시뮬레이션’입니다. 이 세 가지가 제대로 작동하면 팀은 같은 시간에 훨씬 더 멀리 갈 수 있습니다.

다이어트를 할 때 가장 비현실적인 것은 ‘세 달 안에 5kg 감량’ 같은 목표입니다. 기간은 너무 길고 수치는 너무 커서 오늘 당장 무엇을 해야 할지 감이 오지 않기 때문입니다. 결국 ‘오늘만 먹고 내일부터 다이어트 시작’이라는 유혹에 빠지게 되죠.

대부분의 프로젝트가 무너지는 이유도 이처럼 ‘큰 목표’ 때문입니다. ‘론칭 준비’ ‘신규 캠페인’ ‘고객경험 개선’ 같은 단어들은 그럴듯해 보이지만 실제로는 팀원을 불안하게 만듭니다. 구체적인 실행방안과 완료상태가 그려지지 않기 때문입니다. 끝이 보이지 않으면 사람은 일을 미루게 되고, 막판에 서두르다 품질을 망치게 됩니다.

그래서 팀장이 먼저 해야 하는 일은 ‘큰 일’을 잘게 쪼개는 겁니다. 세 달에 5kg보다는 일주일에 500g 감량이 훨씬 현실적입니다. 이번 주에 술자리만 한 번 걸러도 달성 가능한 목표니까요. 팀장도 이런 식으로 일을 분석하고, 쪼개고, 계획표를 만들어야 합니다. 예전에는 이런 업무분석을 팀장의 경험과 감에 의존했습니다. 하지만 이제는 AI가 훌륭한 초안을 만들어줍니다. AI가 생성한 계획은 최소한 평균 이상의 수준을 보장하므로, 백지에서 시작하는 것보다 훨씬 효율적입니다.

팀장은 AI에게 WBS(Work Breakdown Structure)의 첫 초안을 맡기면 됩니다. 완벽한 결과물까지 바랄 필요도 없고, 가능하지도 않습니다. 조건과 환경에 따라 다 다르기 때문에, 완벽한 결과가 일률적으로 나올 수는 없습니다. 각 팀의 상황에 맞춰 다음과 같이 요청해 볼 수 있습니다.

KPI 예시 : 이번 달 신규 수주 10건(또는 신규 매출 3억 원) 달성

AI 프롬프트 예시 : 이번 달 ‘신규 수주 10건(또는 신규 매출 3억 원)’을 달성하기 위한 영업 실행계획을 WBS로 만들어줘. 업무를 1) 기획 2) 제작(준비) 3) 배포(실행) 4) 측정 5) 개선으로 쪼개고, 각 단계별 산출물(예 : 타깃 리스트, 콜 스크립트, 제안서 템플릿, 파이프라인 보드 등)과 체크포인트(예 : 주간 파이프라인 커버리지, 미팅 이후 제안전환율 등)를 리스트업해 줘. 팀 규모는 4명이고, 주간 단위로 운영할 수 있게 작성해 줘.

업무를 세분화하면 자칫 일이 너무 많아 보여 팀원들이 불안해 할 수 있습니다. 이때 필요한 것이 ‘재배치’입니다. 재배치는 사람을 바꾸는 게 아니라 일의 순서와 연결을 최적화하는 과정입니다. 일의 흐름을 명확하고 구체적으로 만들어준다는 거죠. 팀장은 업무 재배치 시 다음 세 가지를 점검해야 합니다.

1) 의존성 : A가 끝나야 B가 시작될 수 있는가?

2) 병렬화 가능성 : 동시에 진행해도 무방한가?

3) 병목 담당자 : 특정 담당자에게 승인이나 검수가 몰리지는 않는가?

의존성 관련 AI 프롬프트 예시 : 아래 WBS에서 작업 간 의존성을 찾아 선행 이후 후행 형태로 정리해 줘. 특히 문서/승인/외부요청 같은 숨은 의존성까지 포함해 주고, 지연 시 전체 일정에 영향이 큰 임계경로(Critical Path) 후보도 함께 알려줘.

병렬화 가능성 관련 AI 프롬프트 예시 : 아래 WBS를 보고 동시에 진행 가능한 작업 묶음(워크스트림)을 찾아 줘. 병렬화 조건(무엇이 먼저 있어야 하는지)과 재작업/품질 리스크를 최소화하는 가드레일도 같이 제안해 줘.

병목 담당자 관련 AI 프롬프트 예시 : 아래 WBS에서 검수, 승인, 결정이 특정 사람에게 몰리는 병목을 예측 해 줘. 병목 후보 Top3와 전조(어떤 신호로 나타나는지), 그리고 승인 분산, 기준 명문화, 대리 승인 등 즉시 완화책도 함께 제시해 줘.

팀장이 가장 많이 듣는 질문 중 하나가 “언제 끝나요?”입니다. 그리고 가장 자주 하는 답변은 “최대한 빨리요”입니다. 하지만 ‘최대한 빨리’는 사실 아무런 정보가 되지 못합니다. 팀장조차 종료 시점을 모른다는 고백일 뿐입니다.

그래서 정상루프에서 팀장이 해야 할 일은 일정계획을 수립하고 이를 팀원들에게 확률로 공유해야 합니다. 일기예보처럼 말이죠. 비 올 확률이 70%임을 알면 우산을 챙기듯, 일정 리스크를 알면 우회로를 찾을 수 있습니다. 이것이 시뮬레이션의 목적입니다. 시뮬레이션은 거창한 모델링이 아니라, 아주 실무적인 질문으로 시작합니다.

- 각 작업의 예상 소요시간은?

- 누가 담당하고, 누가 검수하고, 누가 승인하는가?

- 병렬로 가능한가?

- 리스크가 발생하면 대체경로는?

이런 의문을 가지고 실제로 AI에 해당 업무의 시뮬레이션을 해 보는 겁니다. 예를 들어 영업팀이 미팅 이후에 제안서/견적서를 작성/발송하는 업무라면, 이렇게 시뮬레이션해 볼 수 있습니다.

AI 프롬프트 예시 : 영업 미팅 이후 제안서/견적서 작성 및 발송 업무를 다음의 과정에 맞춰 시뮬레이션해 줘.

1) 단계별 WBS(기획/준비/실행/측정/개선)

2) 각 작업의 예상 소요시간, 담당, 산출물, 완료기준(DoD)

3) 작업 간 의존성

4) 병렬화 가능한 작업 묶음

5) 승인 및 검수 작업으로 병목이 생길 담당자 Top3와 완화책(승인 기준 문서화, 대리 승인, 템플릿화 등)