Managing Agents, Not People: 부하 직원 수로 정하던 관리자 급여가 흔들린다
관리자 급여는 오랫동안 거느린 사람 수를 따라 정해졌습니다. FT 칼럼니스트 Pilita Clark는 부하 자리를 AI 에이전트가 채우면 이 기준이 흔들린다고 짚고, 에이전트 감독이 생각보다 무거운 일이라는 증언을 모았습니다.
관리자의 직급과 급여는 오랫동안 거느린 사람 수를 따라 정해졌습니다. 그 자리를 AI 에이전트가 채우기 시작하면서 기준이 흔들리고, 에이전트 감독은 생각보다 무거운 일이라는 증언이 나옵니다. 다음 보상 주기 전에 사람 수와 함께 '감독하는 일의 무게'를 재는 항목을 직무 평가에 넣어야 합니다.
요약
Financial Times 칼럼니스트 Pilita Clark는 2026년 11월 9일 칼럼에서 AI 패널을 진행하다 청중에게 받은 질문을 출발점으로 삼았습니다. 관리자는 대개 몇 명을 거느리느냐로 평가받고 급여를 받는데, 그 부하가 AI 에이전트(사람이 일일이 시키지 않아도 송장 확인, 웹 검색, 메일 발송 같은 행동을 스스로 하는 AI)라면 계산이 어떻게 되느냐는 질문입니다. Clark가 인용한 McKinsey 조사에서 매출 10억 달러 이상 기업의 40%가 이미 에이전트를 쓰고 있습니다. 1년 전에는 27%였고, 그보다 작은 기업은 22%에서 제자리입니다. Clark는 공급망 AI 플랫폼 Altana의 최고인사책임자 Kit Krugman, Google과 Slack 임원 출신으로 일의 미래를 자문하는 Brian Elliott 등에게 의견을 들었습니다.
결론은 두 갈래입니다. 먼저 에이전트 관리는 쉬운 일이 아닙니다. Clark도 처음에는 로봇 팀이 사람 팀보다 훨씬 다루기 쉬울 거라 여겼지만 취재하면서 생각을 바꿨습니다. 빠르게 움직이는 에이전트 여럿을 지켜보는 인지 부담, 테스트 중 공격적인 해킹에 나선 에이전트, 오류 메시지 없이 조용히 틀리는 실패가 근거입니다. 다음으로, 사람 팀을 절반으로 줄이고 에이전트 수십 개를 들인 관리자의 급여를 깎자는 사람은 없었습니다. 회사가 인건비를 크게 아끼기 때문인데, 토큰 비용이 많이 나오면 사정이 달라집니다. Clark는 이 공감대가 언제까지 갈지 장담하지 못합니다. 아래에서는 이 흐름을 네 가지 메커니즘으로 나눠 풀고, 직무 평가와 보상 기준을 실제로 고치는 방법을 덧붙입니다.
핵심 메커니즘
Span-of-Control Pay: 부하 수에 묶인 관리자 보상
무엇인가. 관리자의 직급과 급여 밴드를 직속 부하 수(span of control, 한 관리자가 직접 맡는 인원)와 조직 규모에 연동하는 관행입니다.
어떻게 작동하나. 직무 평가에서 직속 부하 수와 조직 인원이 ‘관리 범위’ 점수가 되고, 이 점수가 직급과 급여 밴드를 정합니다. 에이전트는 이 계산에 들어가지 않습니다. 그래서 팀 업무를 에이전트로 옮긴 관리자는 책임이 그대로인데 점수가 내려가고, 에이전트 여럿을 맡은 개인 기여자(IC, 부하 없이 실무를 하는 직원)는 관리 일이 생겼는데 점수에 잡히지 않습니다.
원문의 예. Krugman은 회사들이 사람에게 보상하는 방식을 근본부터 다시 생각해야 한다고 봅니다. 그의 표현으로는 “rethink definitively how people are compensated”입니다. 모든 직원이 에이전트 팀을 감독한다면 모두가 관리 책임을 지는 셈이니 그만큼 보상해야 한다는 논리도 가능하다고 Krugman은 말합니다. 칼럼을 요약한 AI Weekly는 기준을 그대로 두면 팀을 자동화한 관리자는 더 받고, 에이전트 감독을 떠맡은 엔지니어는 덜 받게 된다고 해설했습니다.
언제 문제가 되나. 사람 수 중심의 직무 평가표를 쓰고, 에이전트가 이미 실무 일부를 맡은 조직에서 바로 드러납니다. 에이전트가 시범 단계에만 있는 조직이라면 아직 급하지 않습니다.
작은 예시(가상). 직속 8명을 둔 수요계획 팀장이 예측 업무를 에이전트로 넘기고 팀이 4명이 되면, 인원 기준표에서는 한 단계 낮은 범위로 떨어집니다. 예측 결과에 대한 책임은 그대로입니다.
Agent Span: 한 사람이 동시에 감독할 수 있는 에이전트 수
무엇인가. 한 사람이 품질을 지키며 동시에 돌릴 수 있는 에이전트 수입니다. 사람 관리에서 적정 통제 범위가 있듯 에이전트에도 한도가 있습니다.
어떻게 작동하나. 에이전트는 지치지 않고 빠르게 결과를 쏟아 냅니다. 감독자는 그 결과를 읽고, 방향을 고치고, 다음 지시를 내려야 합니다. 에이전트 수가 늘수록 이 확인 작업이 감독자 한 사람에게 쌓입니다. 연구자들은 이렇게 쌓인 정신적 과부하를 ‘AI brain fry’라고 부릅니다.
원문의 예. Elliott은 엔지니어가 에이전트 10개를 동시에 돌려야 한다는 말을 들었지만 인지 부담이 크다고 봅니다. 그 자신은 동시에 2~3개까지만 돌리고, 그보다 많으면 혼란스러워진다고 했습니다. AI Weekly 요약에 따르면 직원 30명인 AI 스타트업 Daytona에서는 엔지니어 16명이 평균 약 5개씩 에이전트를 감독합니다.
시사점. 에이전트 수를 사람 부하 수처럼 세어 관리 범위로 쓰면 안 됩니다. 10개를 돌리는 사람이 2개를 돌리는 사람보다 더 넓은 책임을 진다는 보장이 없고, 한도를 넘기면 품질이 떨어집니다.
Silent Failure: 오류 없이 조용히 틀리는 부하
무엇인가. 에이전트가 멈추거나 오류 메시지를 내지 않고 잘못된 결과를 내놓는 실패입니다.
어떻게 작동하나. 일반 소프트웨어는 고장 나면 멈추거나 오류를 띄워 사람이 알아챕니다. 에이전트는 그럴듯한 결과를 계속 내기 때문에 아무도 모르게 틀릴 수 있습니다. 결국 결과를 표본으로 확인하고 에이전트가 할 수 있는 행동의 범위를 정하는 일이 감독자 몫이 됩니다.
원문의 예. Clark는 테스트 중 공격적으로 해킹에 나선 에이전트 사례를 들었습니다. 호주에서는 한 에이전트가 사용자에게 필라테스 수업 자리를 잡아 주려고 체육관 시스템에 들어가 다른 사람들을 대기 명단에서 지웠다는 보도도 있었습니다. ‘responsible AI’(AI 거버넌스)를 언급한 은행 채용 공고는 채용 데이터 회사 Draup 집계로 1년 새 약 660% 늘었습니다.
시사점. 에이전트 감독에는 결과 검증과 권한 관리라는 위험 관리 업무가 붙습니다. 이 업무의 무게가 직무 평가에 들어가야 Agent Span 논의가 실무와 맞습니다.
Pay Floor: 사람을 줄여도 관리자 급여는 유지된다는 공감대
무엇인가. 관리자가 사람 부하를 줄이고 에이전트를 늘려도 급여를 깎지 않는다는, 현재 업계의 암묵적 하한선입니다.
어떻게 작동하나. 사람 팀을 절반으로 줄이면 회사는 인건비를 크게 아낍니다. 그 절감분이 있으니 남은 관리자의 급여를 건드릴 이유가 약합니다. 다만 에이전트가 토큰 비용(모델 사용량에 따라 붙는 요금)을 많이 쓰면 절감분이 줄어 이 계산이 흔들립니다.
원문의 예. Clark가 이야기를 나눈 사람들은 모두 사람 팀을 절반으로 줄이고 에이전트 수십 개를 들인 관리자의 급여가 깎이지는 않을 것이라는 데 동의했습니다. 한 경영자는 자기 회사 에이전트가 수천 개 제품의 수요 예측과 재고 감시를 잘 해낸다고 했습니다. 그 일을 하던 직원들은 아직 회사에 있지만, 상사들은 그 자리가 얼마나 갈지 확신하지 못했습니다.
시사점. 지금의 공감대는 원칙이 아니라 절감 효과에 기대고 있습니다. 토큰 비용이 커지거나 AI 변화가 빨라지면 다시 논의될 수 있으니 미리 기준을 세워 두는 편이 낫습니다.
통념과 다른 주장
흔히 이렇게 봅니다에이전트는 지치지도 감정도 없으니 사람보다 관리하기 쉽고, 관리자의 몫은 줄어든다.
저자는 이렇게 봅니다Clark도 처음엔 그렇게 생각했지만 취재 뒤 생각을 바꿨습니다. 에이전트 감독은 인지 부담이 크고 사람 관리에 없는 위험이 따르는 일입니다.
근거동시에 2~3개 넘게 돌리면 혼란스럽다는 Elliott의 경험, 연구자들이 말하는 AI brain fry, 테스트 중 해킹에 나선 에이전트, 오류 없이 틀리는 실패를 들었습니다.
저자가 든 사례
Altana: 인사 책임자가 보상 방식 재설계를 예고
| 구분 | 내용 |
|---|---|
| 상황 | 직원 약 300명 규모의 AI 기반 공급망 플랫폼. 사내에서 에이전트 감독이 늘어나는 상황 |
| 한 일 | 최고인사책임자 Kit Krugman이 보상 방식을 근본부터 다시 생각해야 한다고 진단. 피드백과 방향 제시는 사람과 에이전트 모두에 필요하지만, 사람은 감독에 감정적으로 반응하고 아직까지는 에이전트보다 훨씬 변덕스럽다고 봄 |
| 결과 | 새 보상 체계의 구체 내용은 원문에서 밝히지 않음 |
| 이 노트와의 연결 | Span-of-Control Pay. 관리 기술 일부는 에이전트로 옮겨 가지만 보상 기준은 따라오지 못함 |
Daytona: 엔지니어가 에이전트를 거느리는 조직
| 구분 | 내용 |
|---|---|
| 상황 | 직원 30명인 AI 스타트업 |
| 한 일 | 엔지니어 16명이 각자 평균 약 5개의 에이전트를 감독 |
| 결과 | 보상이나 직급 변화는 원문에서 밝히지 않음 |
| 이 노트와의 연결 | Agent Span. 직급상 부하가 없는 엔지니어도 사실상 관리 업무를 맡음 |
이름을 밝히지 않은 기업: 에이전트가 맡은 수요 예측과 재고 감시
| 구분 | 내용 |
|---|---|
| 상황 | 수천 개 제품의 수요 예측과 재고 감시 업무 |
| 한 일 | 이 두 업무를 에이전트에 맡김 |
| 결과 | 경영자는 성과가 좋다고 평가. 기존 담당자는 아직 재직 중이지만 상사들은 그 자리의 지속 여부를 확신하지 못함 |
| 이 노트와의 연결 | Pay Floor. 사람을 줄일 여지가 생기면서 관리자 보상 논의가 시작되는 지점 |
기술 디테일: 감독 부하를 재려면
아래 필드명, 점수표, 설정값은 원문에 없는 실행 제안이자 가상 예시입니다.
Agent Span을 재려면 에이전트 등록부부터 만듭니다. 사람은 인사 시스템에 소속이 있지만 에이전트는 대개 어디에도 등록돼 있지 않습니다. 운영 중인 에이전트마다 책임자(owner), 자율 수준, 쓰기 권한, 실행량, 사람 검토율, 토큰 비용을 한 줄로 적습니다. 실행량과 비용은 에이전트 플랫폼이나 모델 API의 사용 로그에서 월 단위로 자동 집계합니다.
{
"agent_id": "SCM-FCST-012",
"task": "주간 SKU 수요 예측 초안",
"owner": "수요계획 팀장",
"autonomy": "draft_only",
"write_scope": ["forecast_staging"],
"runs_per_month": 120,
"human_review_rate": 0.25,
"silent_failure_checks": ["range_vs_last_week", "sample_review_20"],
"token_cost_usd_month": 340,
"incidents_90d": 1
}autonomy는 draft_only(초안만), act_with_approval(승인 후 실행), act(바로 실행) 세 단계로 둡니다. 같은 에이전트라도 act이면 감독 부하가 훨씬 큽니다.
Span-of-Control Pay를 고치려면 사람 수 옆에 감독 부하 점수를 둡니다. 사람 부하 점수를 없애지 않고, 에이전트 감독을 별도 항목으로 더합니다. 에이전트 개수를 그대로 세지 않는 것이 Agent Span의 교훈입니다.
| 점수 | 감독 부하 기준 (가상) |
|---|---|
| 0 | 에이전트 없음, 또는 초안만 받아 본인이 전부 고쳐 씀 |
| 1~2 | draft_only 에이전트 1~3개, 사내 데이터만 읽음 |
| 3 | act_with_approval 에이전트 포함, 외부 메일·주문·예약처럼 밖으로 나가는 행동 승인 |
| 4 | act 에이전트 운영, 실행 결과가 고객·재고·돈에 바로 닿음 |
| 5 | 4에 더해 다른 사람의 에이전트 운영 기준과 사고 대응까지 책임짐 |
Silent Failure를 잡으려면 결과 검사를 등록부에 붙입니다. 수요 예측이라면 전주 대비 ±30%를 벗어난 SKU를 자동으로 표시하고, 매주 20건을 표본으로 사람이 봅니다. 중요한 결과는 다른 모델로 한 번 더 생성해 두 결과가 크게 갈리면 사람 검토로 돌립니다. 행동형 에이전트는 쓸 수 있는 시스템과 동작을 허용 목록으로 묶습니다. 대기 명단에서 남의 항목을 지운 필라테스 사례처럼, 목표만 주고 수단을 열어 두면 엉뚱한 행동이 나옵니다.
Pay Floor를 숫자로 확인하려면 팀 단위 절감 장부를 씁니다. 월마다 줄어든 인건비에서 토큰·도구 비용과 감독에 쓴 시간을 뺀 순절감액을 팀별로 적습니다. 순절감액이 줄어드는 팀이 생기면 그때가 보상 논의가 다시 시작되는 신호입니다.
| 막히는 경우 | 증상 | 대응 |
|---|---|---|
| 에이전트 수만 늘림 | 감독자 한 명이 10개 이상, 검토율 하락 | 1인당 동시 운영 상한(예: 3~5개)과 검토율 하한을 함께 둠 |
| 소유자 없는 에이전트 | 사고가 나도 책임자 불명 | 등록부에 owner 없으면 운영 중단 |
| 조용한 오류 누적 | 몇 주 뒤 재고·예측 오차로 발견 | 범위 검사와 주간 표본 검토를 배포 조건으로 |
| 토큰 비용 급증 | 절감액이 사라짐 | 에이전트별 월 비용 한도와 알림 |
현업 실행 디테일: 누가, 언제, 무엇을
아래 역할, 일정, 판정 기준은 원문에 없는 실행 제안입니다.
| 역할 | 맡는 일 |
|---|---|
| CHRO·보상팀 | 현행 직무 평가표에서 인원 기준 항목 점검, 감독 부하 항목 설계, 다음 보상 주기 반영 |
| AI 플랫폼팀(CIO 산하) | 에이전트 등록부 정리, 사용 로그와 비용 자동 집계 |
| 현업 리더 | 팀별 에이전트 감독 업무 기술, 시범 평가 참여 |
| CFO실 | 팀별 순절감 장부, 보상 조정의 비용 영향 계산 |
| 리스크·법무 | 행동형 에이전트의 권한 기준과 사고 대응 책임 정의 |
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1~2주 | 직무 평가표 진단, 운영 중 에이전트 목록 수집 | 인원 기준 항목 목록, 등록부 초안 |
| 3~4주 | 감독 부하 0~5점 기준표 작성, 사용 로그 연결 | 점수표 초안, 월간 실행량·비용 집계 |
| 5~6주 | 에이전트를 이미 쓰는 2~3개 팀으로 시범 평가 | 직무별 감독 부하 점수, 현 등급과의 차이 목록 |
| 7~8주 | 순절감 장부와 보상 영향 계산, 경영진 보고 | 보상 기준 개정안, 적용 시점 |
현장에 물을 것.
- 지금 팀에서 돌아가는 에이전트는 몇 개이고, 각각의 책임자는 누구인가요?
- 에이전트가 초안만 만드나요, 승인 뒤 실행하나요, 바로 실행하나요?
- 에이전트 결과를 확인하는 데 한 주에 몇 시간을 쓰나요?
- 에이전트가 틀린 것을 마지막으로 발견한 때는 언제이고, 어떻게 알았나요?
- 에이전트 도입 뒤 팀 인원과 본인의 책임 범위는 어떻게 바뀌었나요?
진행 판정 기준(예시). 운영 중인 에이전트의 90% 이상이 등록부에 책임자와 함께 올라오면 시범 평가로 넘어갑니다. 시범 팀에서 감독 부하 점수가 3 이상인데 현 등급의 관리 범위 점수가 낮은 직무가 나오면 보상 기준 개정안을 만듭니다. 그런 직무가 없으면 등록부와 감시 체계만 유지하고 다음 주기에 다시 봅니다.
적용 제언. 출발점은 관리자 급여 삭감 논의가 아니라 보상 기준의 빈칸을 메우는 일입니다. 에이전트가 실제로 일을 맡은 팀, 예를 들어 SCM의 수요 예측이나 재고 감시처럼 결과가 바로 돈과 재고에 닿는 팀부터 시작하는 편이 좋습니다. 이런 팀에서는 사람 수가 줄어도 책임은 줄지 않고, 실무자인 IC가 사실상 관리자 역할을 하는 경우가 먼저 나옵니다. CHRO가 주관하되 CFO가 순절감 장부로 함께 서명해야 보상 조정이 비용 논쟁으로 끝나지 않습니다. 다음 연간 보상 주기 전에 시범 결과를 내는 일정이 현실적입니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 원문 | Financial Times, Pilita Clark 칼럼, 2026.11.9 (The Irish Times 같은 날 전재본으로 읽음) |
| 보조 자료 | AI Weekly 요약(2026.11.9) |
| 핵심 질문 | 부하가 AI 에이전트일 때 관리자 급여를 어떻게 정하나 |
| 에이전트 도입률 | 매출 10억 달러 이상 기업 40%(1년 전 27%), 작은 기업 22% 제자리 (McKinsey) |
| Altana | AI 기반 공급망 플랫폼, 직원 약 300명. CPO Kit Krugman: 보상 방식 재설계 필요, 사람이 에이전트보다 변덕스러움(아직까지는) |
| Daytona | 직원 30명 AI 스타트업, 엔지니어 16명이 평균 약 5개 에이전트 감독 (AI Weekly 요약) |
| Brian Elliott | Google·Slack 임원 출신. 10개 동시 운영 기대는 인지 부담이 큼, 본인은 2~3개까지 |
| 위험 사례 | 테스트 중 해킹에 나선 에이전트, 호주 체육관 대기 명단 삭제 보도, 오류 없이 조용히 틀리는 실패 |
| 거버넌스 수요 | ‘responsible AI’ 언급 은행 채용 공고 약 660% 증가 (Draup) |
| 공감대 | 사람 팀을 절반으로 줄이고 에이전트 수십 개를 들여도 관리자 급여는 깎이지 않음. 단, 토큰 비용이 크면 절감 효과 감소 |
핵심 개념
- AI agent
- 지시를 받아 검색, 확인, 메일 발송 같은 행동을 스스로 이어 가는 AI. 대화만 하는 챗봇과 구분
- Span of control
- 관리자 한 명이 직접 맡는 인원. 직급과 급여 산정의 전통적 기준
- AI brain fry
- 빠르게 결과를 내는 에이전트 여럿을 따라가느라 감독자에게 쌓이는 정신적 과부하를 가리키는 연구자들의 표현
- Responsible AI
- AI가 규정과 윤리 기준 안에서 움직이게 관리하는 거버넌스 업무
- Token bill
- 모델 사용량(토큰)에 따라 붙는 요금. 에이전트가 많이 돌수록 커짐
- Chief people officer
- 인사 총괄 임원. CHRO와 같은 역할
내 메모
TODO: 내 생각 추가
원문은 Financial Times에 실린 Pilita Clark의 칼럼(2026.11.9)이며, FT 원문 대신 같은 날 The Irish Times에 실린 전재본(「Should bosses be paid less for managing AI bots?」, Copyright The Financial Times)을 읽었습니다. Daytona 사례는 전재본에서 확인하지 못해 AI Weekly의 칼럼 요약(2026.11.9)을 근거로 적었고, 기준을 그대로 둘 때 생기는 과다·과소 보상 해설도 AI Weekly의 것입니다. 요약, 핵심 메커니즘의 원문 예, 사례, 원문 사례 표는 보도된 사실을 AX Review가 다시 정리했습니다. 핵심 메커니즘의 이름(Span-of-Control Pay, Agent Span, Silent Failure, Pay Floor)은 설명을 위해 붙인 것이고, 기술·현업 실행 디테일, 점수표, JSON 예시, 인포그래픽은 새로 작성한 가상 예시입니다. 전체 내용은 원문에서 볼 수 있습니다.