프로덕트를 만들다 보면 어느 순간 업무의 질감이 달라졌다는 걸 느끼게 됩니다. 불과 1년 전만 해도 저는 사용자 인터뷰 녹취록을 직접 정리하고, 경쟁사 분석 스프레드시트를 수작업으로 채우며, 스프린트 리뷰 문서를 새벽까지 다듬고 있었습니다. 지금은 다릅니다. 리서치 에이전트가 인터뷰를 요약하고, 분석 에이전트가 시장 데이터를 구조화하며, 문서화 에이전트가 초안을 만들어 놓습니다. 그런데 정작 제가 하는 일의 밀도는 더 높아졌습니다. 왜일까요? 에이전트를 ‘쓰는’ 것과 에이전트를 ‘조율하는’ 것 사이에는 생각보다 깊은 간극이 있기 때문입니다.
실행자에서 조율자로, 무엇이 달라지는가
Gartner에 따르면 2026년 말까지 엔터프라이즈 앱의 40%가 태스크 특화 AI 에이전트를 탑재할 전망입니다. Deloitte는 기업의 75%가 에이전틱 AI에 투자할 것으로 예측했고, IDC는 글로벌 2000대 기업 역할의 40%가 AI 에이전트와의 직접 협업을 포함하게 될 것이라 내다봤습니다. PM의 94%가 이미 AI를 빈번하게 활용하고 있다는 Product School의 조사 결과도 있습니다.
그런데 여기서 중요한 질문이 생깁니다. AI를 ‘많이 쓰는 것’이 곧 ‘AI 시대의 PM 역량’일까요?
관점을 바꿔보겠습니다. 오케스트라에서 각 연주자가 아무리 뛰어나도 지휘자 없이는 하모니가 만들어지지 않습니다. 지휘자는 악기를 연주하지 않습니다. 대신 전체 악곡의 방향을 설정하고, 각 섹션의 진입 타이밍을 조율하며, 연주 중에도 끊임없이 반응하고 수정합니다. PM이 AI 에이전트와 맺어야 할 관계가 정확히 이것입니다. 개별 도구의 숙련도가 아니라 전체 시스템의 조율 능력이 핵심 역량이 되는 시대가 온 것입니다.
오케스트레이션 레벨 프레임워크
이 전환을 구조적으로 이해하기 위해, 두 가지 이론을 빌려오겠습니다.
허버트 사이먼은 1969년 제한된 합리성(Bounded Rationality) 개념을 제시하며, 인간의 의사결정이 인지 자원과 가용 정보의 한계 안에서 이루어진다고 설명했습니다. 사이먼은 이 한계를 극복하는 방법으로 개인의 능력 향상이 아닌 시스템 설계를 제안합니다. 조직 구조가 각 구성원에게 특정 역할을 부여함으로써 개인의 인지적 한계를 보완한다는 것이죠.
도넬라 메도우스는 1997년 레버리지 포인트 이론에서 시스템에 개입할 수 있는 12가지 지점을 약한 것부터 강한 것 순으로 정리했습니다. 가장 낮은 레버리지는 파라미터 조정이고, 가장 높은 레버리지는 시스템의 목표와 패러다임을 바꾸는 것입니다.
이 두 이론을 결합하면, PM의 AI 활용 수준을 세 단계로 구분할 수 있습니다.
Level 1: 도구 사용자(Tool User)
AI를 개별 도구로 사용하는 단계입니다. ChatGPT에 프롬프트를 넣어 문서 초안을 받거나, 코파일럿으로 코드 리뷰를 돕는 수준이죠. 메도우스의 프레임워크에서 가장 낮은 레버리지인 ‘파라미터 조정’에 해당합니다. 효율은 올라가지만, 일하는 방식 자체는 바뀌지 않습니다.
Level 2: 워크플로우 설계자(Workflow Designer)
여러 AI 에이전트를 하나의 워크플로우로 연결하는 단계입니다. 리서치 에이전트의 산출물이 분석 에이전트로 넘어가고, 그 결과가 문서화 에이전트로 이어지는 흐름을 설계합니다. 메도우스의 ‘정보 흐름’과 ‘피드백 루프’ 수준의 레버리지에 해당합니다. 사이먼의 관점에서, 이는 조직 구조를 통해 개별 인지 한계를 보완하는 것과 같습니다.
Level 3: 시스템 오케스트레이터(System Orchestrator)
에이전트가 무엇을 최적화해야 하는지 그 목표와 맥락을 설정하는 단계입니다. 어떤 사용자 문제를 풀 것인지, 어떤 지표가 성공을 의미하는지, 에이전트 간 충돌이 발생했을 때 어떤 원칙으로 판단할 것인지를 정의합니다. 메도우스가 말한 가장 높은 레버리지인 ‘목표’와 ‘패러다임’을 다루는 영역입니다. 이것이 AI 시대에 PM만이 할 수 있는 고유한 역할이라고 저는 생각합니다.
현장에서 마주한 전환의 순간
이론만으로는 부족하니, 제가 직접 경험한 이야기를 나누겠습니다.
몇 해 전, AI 기반 서비스의 POC를 기획하고 관리하는 프로젝트를 맡은 적이 있습니다. 처음에는 AI를 ‘기능’으로 접근했습니다. “이 AI 봇이 어떤 응답을 내는가”에 집중했죠. 그런데 프로젝트가 진행될수록 깨달은 것이 있습니다. AI의 개별 성능보다 AI가 기존 워크플로우와 어떻게 맞물리는지, 사용자가 AI의 결과를 신뢰하고 행동으로 옮기는 경험을 어떻게 설계할 것인지가 훨씬 중요했다는 점입니다. PM의 역할은 AI 모델을 직접 개선하는 것이 아니라, AI가 작동하는 맥락 전체를 설계하는 것이었습니다.
또 다른 프로젝트에서는 AI 도입 전후의 생산성을 분석하고 지표를 재정의하는 작업을 진행했습니다. 흥미로운 발견이 있었는데, AI 도입 후 처리 속도는 분명히 빨라졌지만, 기존 지표로는 그 변화를 제대로 포착할 수 없었습니다. 이전에는 ‘문서 작성 시간’이 생산성 지표였다면, AI 도입 후에는 ‘의사결정까지의 사이클 타임’이 더 의미 있는 지표가 되었습니다. 에이전트가 반복 작업을 대신할 때, PM이 측정해야 할 것도 함께 바뀌어야 한다는 교훈이었습니다.
도널드 쇤이 말한 성찰적 실천(Reflection-in-Action)이 여기서 빛을 발합니다. 쇤은 “최고의 전문가는 말로 표현할 수 있는 것 이상을 알고 있으며, 실천 속에서 배운 즉흥적 판단에 의존한다”고 했습니다. AI 에이전트의 산출물을 보면서 실시간으로 방향을 수정하고, 예상치 못한 결과에 맥락적 판단을 내리는 것. 이것이 바로 자동화가 대체할 수 없는 PM의 성찰적 실천입니다.
PM을 위한 오케스트레이션 실천법
그렇다면 내일부터 무엇을 시작할 수 있을까요? 작은 실험 하나를 제안합니다.
첫째, 에이전트 맵을 그리세요. 현재 사용 중인 AI 도구와 에이전트를 모두 나열하고, 각각이 어떤 입력을 받아 어떤 산출물을 내는지 시각화합니다. 이것만으로도 Level 1과 Level 2의 차이를 체감할 수 있습니다.
둘째, 에이전트 간 핸드오프 규칙을 정의하세요. 리서치 에이전트의 결과가 어떤 기준을 충족해야 분석 에이전트로 넘어가는지, 그 기준을 명시적으로 문서화합니다. 인지심리학 연구에 따르면, 다중 에이전트를 조율할 때 인지 과부하와 의사결정 피로가 산출물 품질을 저하시킵니다. 명확한 규칙은 이 인지 부하를 구조적으로 줄여줍니다.
셋째, 성공 지표를 재정의하세요. AI 에이전트 도입 후에도 기존 지표를 그대로 쓰고 있다면, 측정 체계 자체를 점검할 때입니다. “에이전트가 시간을 절약해준 만큼, PM은 무엇에 더 시간을 쓰게 되었는가?”라는 질문에서 시작해보세요.
PM이라는 역할의 본질을 다시 묻다
Productside의 2026년 보고서는 이렇게 표현합니다. “PM은 순수한 문제 해결자에서 AI 오케스트레이터로 전환하고 있다. 에이전트 집단을 활용해 복잡성을 관리하고, 규모를 경쟁 우위로 만드는 것이 새로운 직무 정의다.” CIO Korea 역시 “AI 전략의 다음 단계는 구축도 구매도 아닌 오케스트레이션”이라고 진단했습니다.
돌이켜보면, PM의 본질은 처음부터 오케스트레이션이었는지도 모릅니다. 디자이너, 개발자, 데이터 분석가, 비즈니스 이해관계자를 하나의 방향으로 정렬시키는 일. 달라진 것은 조율해야 할 대상에 AI 에이전트가 추가되었다는 점, 그리고 조율의 레버리지가 훨씬 높아졌다는 점입니다.
여러분의 프로덕트 팀에서 AI 에이전트는 지금 어떤 위치에 있나요? 개별 팀원의 보조 도구인가요, 아니면 워크플로우의 한 축인가요? 그 답에 따라, 여러분이 서 있는 오케스트레이션 레벨이 달라집니다. 같이 한 단계씩 올라가 봅시다.
참고 자료
- Herbert A. Simon, 『The Sciences of the Artificial』 (MIT Press, 1969/1996) — 제한된 합리성과 설계 과학의 원론적 프레임워크
- Donella H. Meadows, 「Leverage Points: Places to Intervene in a System」 (The Sustainability Institute, 1999)
- Donald A. Schon, 『The Reflective Practitioner』 (Basic Books, 1983) — 실천 속 성찰 이론
- Gartner, 「40% of Enterprise Apps Will Feature Task-Specific AI Agents by 2026」 (2025)
- Deloitte, 「TMT Predictions 2026: AI Agent Orchestration」 (2026)
- IDC FutureScape, 「Work Rewired: Navigating the Human-AI Collaboration Wave」 (2026)
- Product School, 「Product Management Trends 2026」 (2026)
- Productside, 「The AI Product Management Workflows 2026」 (2026)
- ACM/ArXiv, 「AI’s Social Forcefield: Distributed Cognition in Human-AI Teams」 (2024)
- MDPI Technologies, 「Cognitive Load and Fatigue in GenAI Tool Usage」 (2025)
무료로 시작하기
