Atlassian의 공동 창업자이자 CEO인 Mike Cannon-Brookes가 Web Summit에서 AI agent(사람 대신 작업을 수행하는 AI)와 사람이 함께 일하는 방식에 대한 진단을 내놓았습니다. 요지는 두 가지입니다. agent는 일자리를 없애기보다 일의 내용을 바꾼다는 것, 그리고 모델이 좋아져도 조직의 생산성이 곧바로 오르지 않는 까닭은 모델이 아니라 사람의 적응과 UX(사용자 경험) 설계에 있다는 것입니다. Jira와 Confluence 같은 업무 도구를 만드는 회사의 시각이어서, agent 도입을 고민하는 실무자에게 판단 기준이 될 만합니다.
효율보다 품질과 창의성이 먼저 올랐습니다
AI는 이제 가설을 놓고 토론하는 단계를 지나 수백만 명의 기업 사용자가 실제로 쓰는 도구가 됐습니다. Cannon-Brookes에 따르면 기업들은 핵심 업무 흐름에 agent와 harness(모델 위에서 돌아가며 작업을 어느 모델에 보낼지 정하고 전환하는 실행 틀)를 넣고 있고, 그 범위는 작은 개선부터 구조를 바꾸는 큰 개편까지 다양합니다.
그가 전한 현재 성적표는 다음과 같습니다.
- 효율 향상은 있지만 초기 기대만큼 크지는 않습니다.
- 업무 과정이 내놓는 결과물의 품질은 눈에 띄게 올라가고 있습니다.
- 이전에는 만들 수 없던 프로젝트와 소프트웨어를 시도하면서 직원의 창의성이 늘기 시작했습니다.
시간과 인력을 얼마나 줄였는지만 보면 agent 도입 효과를 실제보다 작게 평가할 수 있다는 뜻으로 읽힙니다.
일자리는 사라지기보다 내용이 바뀝니다
Cannon-Brookes는 5년 뒤 노동 시장의 모습을 확신 있게 말하는 예측을 믿지 말라고 경고합니다. 그러면서도 AI가 없애는 일자리보다 만드는 일자리가 훨씬 많을 것이라고 봅니다. 기업의 조직 개편이 밖에서는 AI로 인한 감원으로 불리지만, 실제로는 앞으로의 운영 방식에 맞춘 내부 재편인 경우가 많다는 점도 짚었습니다.
근거로 든 사례는 은행 지점입니다. 2000년대 초에는 온라인과 모바일 뱅킹이 오프라인 지점을 없앨 것이라는 예측이 나왔습니다. 하지만 그의 설명에 따르면 지난 10년 동안 미국과 호주에서 은행 지점은 오히려 늘었습니다. 지점의 역할이 현금 거래 처리에서 복잡한 고객 상담과 금융 자문으로 바뀌었기 때문입니다.
그는 지식 노동자도 같은 길을 갈 것으로 봅니다. 소프트웨어 엔지니어, 제품 디자이너, 마케터, 재무 분석가라는 직무는 남지만 일을 수행하는 방식은 완전히 달라진다는 것입니다. 직군별 비율이 어떻게 될지는 아직 정해지지 않았습니다. 한 팟캐스트에서 제품 관리자는 앞으로 제품 관리자가 늘고 엔지니어가 줄 것이라고 했고, 엔지니어는 정반대를 주장했다는 일화가 이를 보여 줍니다.
여기서 나오는 판단 기준은 분명합니다. 물어야 할 것은 내 일이 없어지느냐가 아니라 내 일이 어떻게 바뀌어야 하느냐입니다. 일자리를 AI에 빼앗기는 것이 아니라 AI를 더 잘 다루는 동료에게 빼앗긴다는 말도 같은 맥락입니다. Cannon-Brookes는 기업이 넘어야 할 가장 큰 장벽을 기술이 아닌 인재 문제로 봅니다. 모델 API를 붙이는 일보다 직원이 오래 익힌 직관과 문제 해결 습관을 바꾸는 일이 훨씬 어렵기 때문입니다.
모델이 좋아져도 생산성이 바로 오르지 않는 이유
Cannon-Brookes는 Atlassian이 AI 제품을 파는 회사가 아니라고 말합니다. AI는 모바일이나 인터넷처럼 제품에 들어가는 기술 재료이지 별도의 제품 범주가 아니라는 것입니다. AI 기능이 모든 소프트웨어의 기본이 되면 회사 이름에 .ai를 내세우는 브랜드도 점차 사라질 것으로 내다봤습니다.
모델 성능이 빠르게 오르는데도 기업 생산성이 그만큼 오르지 않는 원인으로는 UI(사용자 인터페이스)와 상호작용 설계의 지체를 꼽았습니다. 생산성이 크게 뛰려면 일하는 사람의 사고방식이 바뀌어야 하고, 소프트웨어 화면도 기존의 웹 입력 양식을 넘어 agent가 자연스럽게 끼어들 수 있는 형태로 달라져야 합니다.
Atlassian은 이 문제의 해법으로 약 한 달 전 암스테르담 행사에서 Agentic Multiplayer Protocol(AMP)을 공개했습니다. AMP는 Anthropic의 MCP(Model Context Protocol, agent에 도구와 데이터를 연결하는 개방형 표준)와 A2A(agent 간 통신) 같은 기술 표준을 Jira, Confluence, Loom, Atlassian Service Collection의 사용자 화면 아래에 하나로 묶습니다.

▲ 채팅을 넘어선 협업 화면
채팅을 넘어선 네 가지 협업 방식
Cannon-Brookes는 일대일 채팅이 기업 생산성의 중심 방식이 아니라고 봅니다. 그가 구분한 사람과 agent의 상호작용은 네 가지입니다.
| 방식 | 내용 | 예 |
|---|---|---|
| 대화 | 일대일로 묻고 답합니다 | 일반적인 텍스트 채팅 |
| 자율 위임 | 작업을 통째로 맡깁니다 | Claude에게 코드를 쓰게 하고 GitHub에 pull request(코드 변경 반영 요청)를 올리게 합니다 |
| 다자 협업 | 여러 사람과 여러 agent가 동시에 작업합니다 | 서로 다른 공급사의 agent들이 Confluence 문서를 사람과 함께 편집합니다 |
| 동행과 대리 참석 | 조건을 알려 주고 agent를 대신 보냅니다 | 회의에 대리 참석하거나 비동기로 업무를 대신합니다 |
그가 제시하는 마음가짐은 agent와 탁자의 같은 편에 앉아 같은 결과를 향해 일한다는 것입니다. 방식마다 필요한 화면도 다릅니다. Loom에서는 agent가 영상 초안을 만들거나 녹화된 영상을 보고 의견을 달고, Confluence에서는 채팅이 아니라 실시간 공동 편집이 필요합니다. 채팅 창 하나로 모든 협업을 처리할 수는 없다는 이야기입니다.
사람의 몫은 목표 정의와 검증입니다
직무마다 변화의 모습은 다르겠지만 방향은 같습니다. 절차를 직접 수행하는 일에서 원하는 결과를 정의하는 일로 무게가 옮겨 갑니다. 사람의 기여는 안목, 비판적 판단, 그리고 모델이 만든 결과물에 대한 엄격한 평가에 모입니다.
재무 모델링이 좋은 예입니다. AI에 복잡한 재무 모델을 만들어 달라고 하면 결과는 바로 나옵니다. 이때 분석가의 핵심 업무는 수식을 직접 짜는 일이 아니라 그 모델이 맞는지 확인할 검증 방법을 설계하는 일입니다. 지식 노동자는 단계를 하나씩 밟는 대신 피드백 고리와 목표 조건을 세우는, 한 단계 높은 추상화 수준에서 일하게 됩니다.
맥락과 모델 조합이 성능을 좌우합니다
Atlassian 플랫폼 전체의 밑바닥에는 Teamwork Graph라는 기업 맥락 계층이 있습니다. 8년 전 5명 정도로 시작해 지금은 약 1,000명의 엔지니어가 참여합니다. 이 그래프는 문서, 스프레드시트, 프로젝트 목표와 성과, 이메일, 일정, 회의록, 소스 코드, Databricks나 Tableau의 데이터 자산, 사무실의 물리적 자산까지 기업 데이터의 대상과 관계를 연결합니다.
외부 코딩 agent와 자율 도구는 CLI(명령줄 인터페이스)나 MCP 서버로 이 그래프에 접근합니다. 풍부한 맥락을 주면 token(모델이 처리하는 텍스트 단위) 사용량과 추론 비용이 줄고, 답의 정확도가 오르며, 작업 속도도 빨라진다는 설명입니다. 끝난 agent 작업 기록도 색인해 핵심 기억, 문서 연결, 배운 점을 뽑아 두므로 다음 작업에서 효과가 쌓입니다.
모델에 대한 생각도 실무적입니다. Cannon-Brookes는 모델이 완전한 범용 상품은 아니라고 봅니다. 모델마다 강점과 비용 구조가 다르기 때문입니다. 그래서 가장 크고 새로운 모델로 무조건 갈아타는 방식은 느리고 비싸며 역효과를 낼 때가 많다고 경고합니다. Atlassian은 어떤 작업에 어떤 모델이 가장 잘 맞는지 가려내는 모델 조합에 많은 시간과 전문성을 들이고 있습니다. 큰 진전은 모델 하나의 성능이 아니라 맥락, harness, 앱 전체가 함께 발전할 때 나온다는 것이 그의 결론입니다.

▲ 맥락 그래프와 모델 조합
모델 개발사의 확장과 화면 없는 소프트웨어
Anthropic이 Claude Code, Claude Cowork, Claude Design 같은 제품을 내놓으면서 모델 개발사가 업무 소프트웨어 시장을 잠식할 것이라는 우려가 나옵니다. Microsoft CEO Satya Nadella도 기업이 AI 모델을 쓰면서 남기는 흔적을 통해 모델 개발사가 업무 흐름을 흡수하고 경쟁 제품을 낼 수 있다는 취지로 말했습니다.
Cannon-Brookes는 과거 Microsoft, Google, Amazon이 모든 소프트웨어 경쟁자를 무너뜨릴 것이라던 우려와 지금 상황을 나란히 놓습니다. 집중, 실행력, 고객에 맞춘 제품이라는 기업 소프트웨어의 기본 법칙은 여전히 유효하다는 것입니다. 그가 꼽는 Atlassian의 강점은 기업 규정 준수, 대규모의 복잡한 업무 흐름 처리, 꾸준한 UI와 UX 투자입니다. vibe coding(생성 모델로 코드를 빠르게 만들어 내는 방식)으로 코드 작성이 쉬워진다는 주장에 대해서도, 그 비용은 기존 업체에도 똑같이 내려간다고 반박합니다. Claude Opus, Claude Haiku, Gemini와 Meta, Mistral의 공개 가중치 모델은 여러 공급사를 통해 제공되므로 기존 업체도 같은 속도로 활용할 수 있기 때문입니다.
화면을 없애고 모든 조작을 agent에 맡기는 headless 소프트웨어에 대해서는 단호하게 반대합니다. 그는 headless를 두뇌가 없는 것에 빗대며, 시각적 설계를 버리는 길은 제품의 죽음으로 이어진다고 말합니다. Atlassian이 agent용 MCP 서버와 CLI 도구를 널리 제공하고 있는데도 그렇습니다. 사람의 컴퓨터 사용이 터미널에서 창과 메뉴가 있는 그래픽 환경으로 넘어온 이유는 터미널 작업이 사람에게 비효율적이기 때문이고, 일반 지식 노동자는 텍스트 prompt(AI에 주는 지시문)와 명령줄만으로 일하는 것을 매우 싫어한다는 조사 결과도 있다고 합니다. 상황에 따라 화면이 바뀌는 적응형 UI는 유망하지만, 사용자가 예측할 수 없게 화면을 뒤섞어서는 안 된다는 단서도 달았습니다.
정리: 모델을 바꾸기 전에 점검할 것
Cannon-Brookes의 진단을 한 줄로 줄이면, 기업이 AI에서 얻는 가치는 모델의 성능 하나가 아니라 조직의 맥락, 작업에 맞는 모델 조합, 사람이 쓰기 좋은 화면이 합쳐질 때 나온다는 것입니다. agent를 도입했는데 생산성이 기대에 못 미친다면 모델을 바꾸기 전에 다음을 점검해 볼 만합니다.
- 개인: 절차를 직접 수행하는 대신 원하는 결과, 제약 조건, 합격 기준을 먼저 정의합니다. 재무 모델이나 코드처럼 AI가 만든 결과물은 쓰기 전에 객관적인 검증 방법부터 마련합니다.
- 팀: 코드 작성과 pull request 제출처럼 범위가 분명한 작업부터 agent에 위임해 봅니다.
- 조직: agent 도입을 소프트웨어 구매가 아니라 일하는 방식을 바꾸고 직원 역량을 키우는 과제로 다룹니다.
- 기술 담당: 모든 작업을 최상위 모델에 보내지 말고 작업별로 비용과 강점이 맞는 모델을 고릅니다. MCP로 agent에 조직의 맥락을 제공하고, 끝난 agent 작업의 기억을 남겨 같은 맥락을 반복해서 모으지 않게 합니다.
- 제품 담당: agent용 인터페이스를 만들더라도 사람이 쓰는 화면에 대한 투자를 줄이지 않습니다. 적응형 UI를 시도할 때는 익숙한 탐색 구조를 유지합니다.


