임직원의 암묵지: 개인의 것인가, 회사의 것인가 — 그리고 AI·로봇에게 전수할 수 있는가

2026-04-15

• Opus 4.6 기반 (RAG, 생각의 나무 포함)
• 프롬프트 엔지니어링(압박 사이클, 헤겔의 변증법, 반례 제시법) 적용.
• Human In The Loop 검증 오라클 적용.

1. 서문

지식경제 시대에 기업의 진짜 경쟁력은 설비나 자본이 아니라 사람 안에 축적된 지식에서 나온다. 그런데 그 지식이 퇴직과 함께 회사를 떠날 때, 혹은 경쟁사로 이직할 때, 우리는 묻게 된다. 저 지식은 원래 누구의 것이었는가. 이 질문은 지식경영, 노동법, 윤리학이 교차하는 지점에 놓인 문제이며, 오늘날에는 한 가지 차원이 더 추가된다. 인간 사이에서도 전수하기 어려운 암묵지를, 과연 AI와 로봇에게 전수할 수 있는가. 그리고 만약 AI가 그 지식을 학습하고 새로운 판단을 형성한다면, 그 지식은 다시 누구의 것인가.

2. 암묵지란 무엇인가

철학자 마이클 폴라니는 “우리는 말할 수 있는 것보다 더 많은 것을 알고 있다(We can know more than we can tell)“는 말로 암묵지의 본질을 압축했다. 이 유명한 문장은 1966년 The Tacit Dimension 1장 “Tacit Knowing“의 4쪽 도입부에 실려 있다. 폴라니는 앞서 1958년 Personal Knowledge에서 “tacit knowing“이라는 표현으로 이 개념을 도입했고, 1966년 The Tacit Dimension에 이르러 “tacit knowledge“를 전면적인 이론 용어로 자리매김시켰다. 1장 제목을 ’Tacit Knowing’으로 붙인 것에서 알 수 있듯, 그는 지식을 고정된 결과물이 아니라 역동적 행위의 과정으로 파악하는 데 방점을 두었다. 암묵지는 몸과 경험과 감각이 살아있는 상황에서 작동하는 앎의 과정이다. 숙련공의 손 감각, 영업사원이 고객의 표정에서 읽어내는 신호, 베테랑 개발자의 디버깅 직관, 수십 년 경력의 의사가 차트를 보기 전에 환자 상태를 감지하는 능력이 모두 여기에 해당한다.

이와 대비되는 명시지(explicit knowledge)는 매뉴얼, 보고서, 데이터베이스처럼 언어와 기호로 표현되어 전달 가능한 지식이다. 노나카 이쿠지로는 1991년 Harvard Business Review 논문 “The Knowledge-Creating Company“에서 암묵지와 명시지의 상호 전환이라는 아이디어의 골격을 대중적으로 제시했고, 1994년 Organization Science 논문 “A Dynamic Theory of Organizational Knowledge Creation“에서 네 가지 전환 양식을 이론적으로 정식화했다. 이후 다케우치 히로타카와의 1995년 공저 The Knowledge-Creating Company에서 이 이론을 단행본 수준으로 확장·심화했다. 공동화(Socialization, 암묵지→암묵지), 표출화(Externalization, 암묵지→명시지), 연결화(Combination, 명시지→명시지), 내면화(Internalization, 명시지→암묵지)가 그 네 단계다.

이 순환에서 결정적인 단계는 표출화다. 개인의 경험과 직관이 언어·도식·프로세스로 변환되는 이 순간 지식의 성격 자체가 바뀐다. 이 전환점이 소유권 논쟁의 가장 중요한 분기점이며, AI·로봇으로의 전수 가능성을 판단하는 핵심 기준이기도 하다.

한편 암묵지는 개인 차원에만 존재하지 않는다. 넬슨과 윈터는 1982년 An Evolutionary Theory of Economic Change에서 조직 루틴(organizational routines) 개념을 제시했다. 그들에게 루틴은 조직이 축적한 기술과 역량의 저장소이며, 그 기술의 상당 부분이 암묵적 성격을 띤다. 팀의 협업 방식, 집단적 의사결정 패턴, 조직 문화에 깊이 내재된 암묵적 앎은 루틴을 매개로 구현되고 재생산된다. 루틴 자체가 곧 집단적 암묵지는 아니지만, 루틴은 집단적 암묵지가 작동하고 전승되는 주요 무대다. 이 집단적 차원의 암묵지는 특정 개인에게 귀속시킬 수 없으며, “개인 대 회사“라는 이분법 자체를 불완전하게 만드는 제3의 귀속 문제를 제기한다. 이 문제는 나중에 다루겠지만, AI가 집단적 암묵지를 학습할 경우 더욱 복잡한 양상으로 반복된다.

3. 기업이 필요로 하는 지식의 유형

암묵지를 단일한 덩어리로 다루면 소유권 논쟁도, AI 전수 전략도 모두 뭉뚱그려진다. 실제 기업 현장에서 지식은 성격이 전혀 다른 여러 유형으로 공존하며, 유형에 따라 명시지·암묵지의 비율, 개인·회사 귀속의 강도, AI 전수 가능성이 모두 달라진다. 크게 네 가지로 분류할 수 있다.

기술·기능(Technical Skill) 가장 전형적인 암묵지 영역이다. 숙련 용접공의 손 감각, 베테랑 개발자의 아키텍처 직관, 노련한 의사의 임상 판단처럼 몸에 체화된 지식이 핵심을 이룬다. 개인 귀속성이 강하지만, 회사 환경의 장비·공정·동료와의 협업 속에서 형성된 부분도 크다. 이 유형이 AI·로봇 전수 논의에서 가장 직접적으로 다뤄지는 영역이다.

인적 네트워크(Human Network) 이 지식은 암묵지이기도 하지만 동시에 관계 자산이다. 영업사원이 10년간 쌓아온 거래처 신뢰, 구매 담당자가 공급망 파트너와 형성한 협력 관계, 연구자가 학계에서 구축한 협업 네트워크가 여기에 해당한다. 명함 목록이나 CRM 데이터는 명시지로 회사에 남겨도, 그 관계의 실질—상대방이 이 사람을 신뢰하는 이유—은 사람을 따라간다. 회사 소유권 주장이 가장 약한 유형이며, AI 전수는 사실상 불가능하다.

비즈니스 노하우(Business Know-how) 무역 방법, 협상 전략, 영업 루트, 특정 시장·지역에 대한 실전 감각이 여기에 속한다. 절차적 지식과 상황 판단이 혼재한다. 통관 서류 작성, 무역 규정 해석은 명시지에 가깝지만, 특정 국가 바이어와의 협상 감각, 관행의 예외를 읽는 능력, 거래 성사 직전의 타이밍 판단은 깊은 암묵지다. 회사의 특정 시장·고객 맥락에서만 유효한 노하우가 많아 회사 귀속성이 상대적으로 높고, AI는 절차적 부분은 보조할 수 있지만 상황 판단 영역은 아직 인간 전문가에 의존한다.

법률·규정 지식(Legal & Regulatory Knowledge) 명시지 비율이 상대적으로 높은 유형이지만, 암묵지 비율도 무시할 수 없다. 법령, 판례, 계약서, 규정집은 문서화되어 있고 원칙적으로 누구나 접근 가능하다. 그러나 특정 산업·거래 유형에서 법리를 어떻게 적용할지에 대한 판단력, 규제 당국과의 협상 감각, 법적 리스크를 실전에서 관리하는 직관은 깊은 암묵지이며 개인 귀속성이 높다. AI가 법률 문서 검토·계약서 분석에서 빠르게 인간을 보조하는 것은 명시지 비율이 높기 때문이고, 전략적 법률 판단이 여전히 인간 전문가 영역으로 남는 것은 암묵지 때문이다. 따라서 이 유형은 AI 전수 가능성을 단일하게 평가할 수 없으며, 문서 처리 영역은 높고 판단·전략 영역은 낮다는 점을 명확히 구분해야 한다.

이 네 유형은 아래 표와 같이 정리된다.

이 분류는 이후의 소유권 논쟁과 AI 전수 전략 논의 모두에 적용된다. “암묵지는 누구의 것인가“라는 질문에 지식 유형별로 다른 답이 나오며, “AI에게 전수할 수 있는가“라는 질문도 유형에 따라 전략이 달라진다.

4. 소유권 논쟁: 논거와 실질적 기준

4.1 양측의 논거

개인의 것이라는 관점

암묵지는 개인의 몸과 경험에 체화(embodied)되어 있다. 폴라니가 강조했듯 암묵적 앎은 신체적 감각, 정서적 반응, 가치 판단과 불가분하게 결합되어 있다. 퇴사한다고 사라지지 않으며, 그 사람이 어디를 가든 함께 간다. 법적으로도 사람의 기억과 역량 자체는 재산권의 대상이 될 수 없다. 암묵지를 “회사의 소유물“로 규정하는 것은 지식을 도구로만 보는 시각으로, 사람을 수단화하는 윤리적 문제를 내포한다.

회사의 것이라는 관점

암묵지의 상당 부분은 회사라는 환경, 동료, 고객, 업무 자원 덕분에 비로소 형성된다. 회사는 그 지식이 생산되는 데 시간·비용·기회를 투자했다. 암묵지가 기업 고유의 프로세스·전략과 결합된 경우 영업비밀로 법적 보호를 받을 수 있으며, 경업금지약정(non-compete)이나 비밀유지계약(NDA)은 이 입장의 법적 표현이다.

그러나 이 주장에는 현실적 한계가 있다. 한국 법원은 경업금지약정의 유효성을 판단할 때 보호할 가치 있는 사용자의 이익, 약정의 기간·지역·업종 범위의 합리성, 퇴직자의 불이익 등을 종합적으로 고려한다(대법원 2010. 3. 11. 선고 2009다82244 판결). 보상 여부는 이 판단 요소 중 하나일 뿐 필수 요건이 아니며, 보상 없이도 약정이 유효로 인정된 판례가 다수 존재한다. 법적 보호는 암묵지 전반에 적용되는 것이 아니라 매우 제한된 조건 하에서만 관철될 수 있다.

더 근본적인 문제가 있다. 기업은 흔히 “이미 급여로 보상했으므로 그 지식은 회사의 것“이라고 주장하지만, 이 논리는 급여 체계의 실제 작동 방식과 충돌한다. 현실에서 급여는 지식 수준을 직접 측정해 지급하는 것이 아니라, 직급·연차·자격증·성과처럼 지식 수준과 상관관계가 높은 간접 지표를 통해 책정된다. 직급과 연차는 암묵지 축적량의 대리 지표이고, 자격증과 학위는 명시지의 공식 인증이며, 성과급은 지식이 결과로 전환된 것에 대한 사후 보상이다.

결정적으로 암묵지는 측정 자체가 불가능하다. 같은 직급·연차라도 실제 보유한 암묵지의 질은 천차만별이지만, 기업은 이를 정확히 구분해 보상하지 못한다. 탁월한 암묵지를 가진 숙련 전문가일수록 자신의 지식 가치가 급여에 충분히 반영되지 않았다고 느끼며, 이 박탈감은 심리적 소유감을 더욱 강화한다. 조직이 “이미 다 보상했다“고 주장할수록 저항은 커진다.

나아가 급여는 지식의 보유에 대한 대가이지, 전수 행위에 대한 보상이 아닌 것이 일반적이다. 물론 직무 기술서에 후진 양성이나 OJT가 명시된 고용계약이라면 전수 행위 자체가 통상적 의무에 포함될 수 있다. 그러나 암묵지의 핵심—언어로 표현되지 않는 체화된 판단력—을 능동적으로 언어화하고 전달하는 행위는 그러한 조항으로도 강제하기 어려운 추가적 기여에 해당한다. “이미 급여로 보상했다“는 논리로 이 수준의 전수까지 당연시하는 것은, 지식의 보유와 암묵지의 능동적 전수를 같은 것으로 혼동하는 범주 오류다. 이 점에서 급여 체계의 한계는 회사 소유권 주장의 논거를 약화시키는 동시에, 별도의 전수 인센티브가 왜 필요한지를 설명하는 근거가 된다.

4.2 실질적인 구분 기준

논거만으로는 소유권 귀속을 판단하기 어렵다. 법·윤리·경영 세 관점을 교차하면 다음과 같은 실질 기준이 도출된다.

Pierce, Kostova, Dirks(2003)의 연구 The State of Psychological Ownership: Integrating and Extending a Century of Research(Review of General Psychology 7(1): 84–107)는 물건·아이디어·지식·직무 등 다양한 대상에 대한 심리적 소유감(psychological ownership)을 포괄적으로 다룬다. 이 연구에 따르면 소유감은 세 가지 경로로 형성된다. 대상을 **통제(control)**할 때, 대상에 대한 **친밀한 지식(intimate knowledge)**이 깊어질 때, 대상에 **자기 자신을 투자(self-investment)**할 때다. 암묵지는 이 세 경로를 모두 충족한다. 오랜 시간 자신의 몸으로 통제하고, 그 누구보다 깊이 알며, 자신의 시간과 에너지를 쏟아부은 결과물이기 때문이다. 따라서 임직원은 법적 소유 여부와 무관하게 암묵지를 본능적으로 자신의 것으로 느끼며, 조직이 공유를 강요하거나 소유권을 주장할수록 저항은 오히려 강화된다.

이 지점에서 법적·윤리적·경영적 세 관점의 논의는 하나의 결론으로 수렴한다. 법은 암묵지를 추출하거나 강제 귀속시킬 수 없다는 점에서 개인의 손을 들어준다. 다만 SECI 모델의 표출화가 일어나는 순간, 즉 암묵지가 명시지로 전환된 결과물은 조직의 자산이 될 수 있다. 윤리는 암묵적 앎이 개인의 인격과 분리될 수 없는 동시에 조직의 환경 없이는 형성되지도 않았다는 점에서, 일방적 소유 주장의 정당성에 의문을 제기한다. 경영은 소유권 다툼이 심리적 소유감을 자극해 공유를 더욱 막는 역효과를 낳는다는 점에서, 소유가 아닌 흐름의 설계를 요구한다. 세 관점 모두 “암묵지는 소유의 대상이 아니라 흐름의 대상“이라는 결론을 가리킨다.

5. 인간 간 암묵지 전수의 실천 방법

AI·로봇으로의 전수를 논하기 전에, 인간 간 전수의 검증된 방법론을 먼저 정립해야 한다. 이것이 AI·로봇 전수의 기초 모델이 되기 때문이다.

첫째, 멘토링과 도제 제도. 암묵지는 언어가 아니라 함께 일하는 경험을 통해 전이된다. SECI 모델의 공동화 단계에서 선배의 암묵지가 후배에게 직접 이전되며, 내면화 단계에서는 명시화된 절차를 반복 실습을 통해 다시 체화한다. 도제 제도는 이 두 단계 모두에 걸쳐 있는 가장 오래되고 검증된 방법이다.

둘째, 실천 공동체(Community of Practice). 장 레이브와 에티엔느 웽거가 Situated Learning(1991)에서 제시한 실천 공동체는 SECI 모델과는 다른 이론적 전통에 서 있다. SECI가 지식 변환의 과정을 설명한다면, CoP는 지식이 살아 숨 쉬는 사회적 맥락에 주목한다. 동일한 직능을 가진 구성원들이 자발적으로 경험과 노하우를 나누는 장을 조직이 지원함으로써, 강제 없이 심리적 소유감의 저항을 우회할 수 있다.

셋째, 인센티브 설계 — 단, 외재적 보상의 한계를 인식하고. 지식 기여에 보상을 부여하는 방식은 유효하지만, 심리적 소유감은 내재적 동기와 정체성에 뿌리를 두기 때문에 금전적 보상만으로는 극복하기 어렵다. 사내 평판, 전문가로서의 인정, 조직 내 영향력 확대처럼 정체성을 강화하는 방향의 인센티브가 더 효과적이다.

6. AI·로봇에게 암묵지를 전수할 수 있는가

인간 간 전수의 핵심 장벽이 심리적 소유감과 언어화의 한계였다면, AI·로봇에 대한 전수는 전혀 다른 구조적 문제에 직면한다. 암묵지는 본질적으로 몸, 감각, 상황 맥락에 뿌리를 두고 있기 때문이다.

6.1 문제의 본질: 표출화의 벽

폴라니가 말했듯 암묵적 앎은 언어로 완전히 표현될 수 없다. AI는 원칙적으로 데이터로 학습하며, 지도학습 기반 시스템의 경우 그 데이터는 대부분 명시지 형태를 띤다. 강화학습처럼 환경과의 상호작용만으로 학습하는 경우도 있지만, 이 경우에도 학습의 목표와 보상 구조는 인간이 명시적으로 설계한다. 어떤 방식이든 암묵지를 AI에게 전수하려면 그 지식을 어떤 형태로든 데이터화하는 과정이 필요하며, 이 과정이 암묵지의 본질적 손실을 수반한다. 이것이 AI·로봇 전수의 근본적 딜레마다.

6.2 실천 방안 1: 시연 기반 학습(Learning from Demonstration)과 모방 학습(Imitation Learning)

시연 기반 학습(LfD)은 인간 전문가가 작업을 직접 시연하면 AI 시스템이 그 행동·판단·패턴을 관찰하고 재현하도록 학습하는 방식이다. 모방 학습(Imitation Learning)은 이보다 넓은 범주로, 전문가의 행동 분포 전체를 학습 목표로 삼으며 LfD는 그 하위 방법론 중 하나다. 이 방법론은 로봇에만 국한되지 않는다. 물리적 동작을 학습하는 산업용 로봇, 디지털 환경에서 전문가의 의사결정 패턴을 학습하는 소프트웨어 에이전트, 법률·의료·투자 등 판단 영역에서 전문가의 결정 시퀀스를 학습하는 언어 모델까지 적용 범위가 넓다. 언어로 설명할 수 없는 숙련공의 손 감각이나 조립 공정의 힘 조절은 센서 데이터로, 베테랑 애널리스트의 투자 판단이나 의사의 진단 경로는 행동 로그와 의사결정 기록으로 포착해 각각의 AI 시스템에 학습시킨다. SECI 모델은 원래 인간 간 지식 전환을 설명하는 이론으로, AI 방법론과의 직접 대응은 이 글이 분석 틀로 활용하는 해석적 적용이다. 이 관점에서 LfD는 인간의 암묵지가 관찰 가능한 행동 데이터로 변환되는 과정을 포함하므로 표출화(Externalization)의 성격을 띠며, 동시에 그 행동 패턴이 AI에 직접 이전된다는 점에서 공동화(Socialization)의 기계적 유사체로 볼 수 있다.

이 방법론의 핵심 한계는 **분포 불일치 문제(distribution shift)**다. 전문가의 시연 환경과 실제 배포 환경이 조금이라도 달라지면, 학습된 모델의 성능이 급격히 저하된다. 인간의 도제는 새로운 상황에 유연하게 적응하지만, 시연 기반 학습은 이 적응력을 확보하기 어렵다. 로봇 영역에서는 도요타 리서치 인스티튜트(TRI)의 가정용 로봇 연구에서 작업 환경이나 물체의 형태가 조금만 달라져도 시연으로 학습한 동작이 실패하는 사례가 업계 통념 수준에서 관찰된다. 판단 영역에서도 마찬가지로, 전문가의 과거 의사결정 패턴으로 학습한 모델이 맥락이 달라진 새로운 상황에서 오판하는 사례가 나타난다. 물리적 동작이든 판단 패턴이든, LfD가 포착하는 것은 특정 상황에 특화된 행동이지 그 이면의 맥락적 이해가 아니라는 점이 근본적 한계다.

6.3 실천 방안 2: 강화학습(Reinforcement Learning)을 통한 경험 축적

AI 시스템이 환경과 상호작용하며 시행착오를 통해 스스로 최적 행동을 학습하게 하는 방식이다. 인간의 암묵지를 직접 이전하는 것이 아니라, AI가 독자적으로 암묵지에 준하는 체화된 지식을 형성하게 한다.

바둑 AI 사례 — 지도학습과 강화학습의 구분

2016년 AlphaGo는 두 단계로 훈련되었다. 먼저 KGS 바둑 서버에서 수집한 인간 기보 약 16만 건, 약 3,000만 포지션(Nature 논문 본문 표기. 확장 데이터 기준으로는 약 2,940만)을 이용해 지도학습(supervised learning)으로 인간의 수를 모방하도록 훈련했고, 이후 이 모델을 출발점으로 삼아 자기대국 강화학습을 통해 성능을 더 높였다. 즉 AlphaGo는 지도학습과 강화학습을 순차적으로 결합한 방식이다.

2017년 AlphaGo Zero는 이와 근본적으로 다르다. 인간 기보를 전혀 사용하지 않고 바둑의 규칙만을 입력받아 순수 자기대국 강화학습만으로 처음부터 훈련되었다. DeepMind의 2017년 Nature 논문에 따르면 AlphaGo Zero는 3일 훈련만으로 지도학습을 결합한 이전 버전 AlphaGo Lee를 100:0으로 이겼고, 40일 훈련판은 AlphaGo Master를 89:11로 압도했다. 이는 인간 암묵지를 모방하는 지도학습 없이 순수 강화학습만으로도 인간을 초월하는 판단력을 형성할 수 있음을 실증한 사례다.

로봇 사례 — 물리적 환경에서의 강화학습

소프트웨어 에이전트와 달리, 로봇에 강화학습을 적용하는 것은 물리적 환경의 제약 때문에 훨씬 어렵다. 현실 세계에서 수백만 번의 시행착오를 반복하면 장비가 손상되고 시간 비용이 막대하기 때문이다. 이를 우회하기 위해 시뮬레이션 환경에서 먼저 강화학습을 수행한 뒤 실제 로봇에 정책을 이전하는 sim-to-real 방식이 활용된다. OpenAI의 Dactyl 프로젝트는 시뮬레이션에서 강화학습으로 훈련한 로봇 손이 실제 환경에서 루빅큐브를 조작하도록 한 사례다. 다만 이 실험의 구조를 정확히 이해할 필요가 있다. 큐브의 해법 자체는 강화학습이 아니라 Kociemba 알고리즘이 사전 계산했고, 큐브 상태를 실시간으로 추적하기 위해 블루투스 센서가 내장된 스마트 큐브가 사용됐다. 강화학습이 담당한 것은 해법을 실행하는 물리적 손동작이었다. 그럼에도 이 사례는 인간 시연 없이 순수 강화학습과 시뮬레이션 전이만으로 정교한 조작 동작을 습득할 수 있음을 보인 점에서 의미가 있다.

그러나 두 경우 모두, 이 방식은 특정 과제에 최적화된 지식을 만들 뿐 인간의 암묵지를 그대로 전수한다고 보기 어렵다. AlphaGo Zero의 바둑 직관은 바둑판 바깥에 적용될 수 없고(동일 계열의 AlphaZero가 체스·쇼기로 일반화된 것은 별도 훈련을 통해서다), Dactyl의 손 동작은 훈련된 물체와 조건 이외의 대상에는 쉽게 실패한다. 맥락 간 전이 가능성이 제한적이라는 점에서, 강화학습이 형성하는 것은 암묵지의 복제가 아니라 특정 과제에 특화된 최적화에 가깝다.

6.4 실천 방안 3: 인간 참여 루프(Human-in-the-Loop, HITL)

HITL은 AI 시스템의 설계·훈련·평가·감독 등 다양한 단계에서 인간이 개입하는 모든 방식을 포괄하는 개념이다. 인간 전문가가 AI의 판단 결과를 교정하고, 그 교정 데이터가 다시 학습에 반영되는 순환 구조는 HITL의 한 형태로, 능동 학습(Active Learning)과도 밀접하게 연관된다. 의료 영상 판독 분야에서는 방사선 전문의가 AI의 판독 결과를 교정하고 그 데이터로 모델을 재학습시키는 HITL 파이프라인이 활발히 연구되고 있으며, 초기 학습 데이터만으로 고정된 모델 대비 병변 감지 성능이 개선된다는 것이 다수 연구의 공통된 방향이다. 인간의 암묵적 판단이 교정 행위를 통해 점진적으로 AI 모델에 내면화된다는 점에서, 이 방식은 SECI 모델의 표출화와 연결화를 동시에 구현한다.

6.5 실천 방안 4: 다중 센서 데이터를 통한 체화 정보 포착

인간 전문가의 작업 과정을 시각·촉각·근전도·안구 추적 등 다중 센서로 정밀하게 포착해 데이터화하고, 이를 학습 데이터로 활용하는 방식이다. 언어로 표현할 수 없는 감각적 암묵지를 물리적 신호로 변환해 표출화의 손실을 최소화하려는 시도다. 프라운호퍼 연구소는 이 방향의 제조업 적용 연구를 지속적으로 진행하고 있으며, 용접·조립 공정에서 숙련 작업자의 손목 움직임, 시선 방향, 근전도 데이터를 결합해 로봇 학습에 활용하는 접근법을 탐색하고 있다. 다만 이 방법론의 실제 효과는 공정 유형과 센서 설계에 따라 크게 달라지며, 범용적 성과로 일반화하기 어렵다는 점을 감안해야 한다. 이 방식과 결합되는 디지털 트윈 기술은 포착된 데이터를 바탕으로 공장·설비의 물리적 시스템을 가상으로 시뮬레이션하는 데 활용되지만, 디지털 트윈 자체는 물리 시스템의 시뮬레이션 도구이며 암묵지 전수를 직접 목적으로 설계된 기술은 아니라는 점을 구분해야 한다.

6.6 실천 방안 5: 대형 언어 모델(LLM)을 활용한 암묵지 언어화 보조

베테랑 전문가와 AI가 구조화된 대화를 통해 전문가의 의사결정 패턴, 예외 처리 방식, 직관의 근거를 점진적으로 언어화하는 방식이다. 인지과제분석(Cognitive Task Analysis, CTA)은 수십 년간 전문가의 암묵지를 언어로 근사(近似)하는 데 활용되어 온 검증된 방법론이며, LLM은 이 과정을 더 정교하고 효율적으로 보조할 수 있는 가능성을 가진다. 다만 폴라니가 지적했듯 암묵지는 정의상 완전한 언어화가 불가능하다. LLM을 통한 접근은 암묵지의 외곽을 언어로 근사하는 보조 수단이며, 암묵지 전체를 포착하는 완전한 해법이 아니라는 점을 명확히 해야 한다.

7. 집단적 암묵지의 AI 전수: 더 복잡한 문제

앞서 살펴본 다섯 가지 방법론은 모두 개인 전문가의 암묵지를 AI·로봇에게 옮기는 것을 전제한다. 그러나 넬슨과 윈터가 지적한 조직 루틴, 즉 집단적 암묵지의 AI 전수 문제는 차원이 다르다.

팀의 협업 패턴, 회의에서의 암묵적 역할 분담, 위기 상황에서 조직이 자동적으로 발휘하는 집단적 판단력은 특정 개인의 암묵지를 합산해도 재현되지 않는다. 이는 구성원들의 상호작용 자체에서 창발(emergence)하는 지식이기 때문이다. AI가 이 집단적 암묵지를 학습하려면 개인-개인, 개인-시스템, 시스템-시스템 간의 상호작용 데이터 전체를 동시에 포착해야 하는데, 이는 단일 전문가의 시연을 포착하는 것과 근본적으로 다른 문제다.

그나마 현실적인 접근은 조직 내 협업 데이터(의사결정 로그, 커뮤니케이션 패턴, 프로젝트 진행 기록)를 AI가 분석해 집단적 의사결정의 암묵적 패턴을 추출하는 것이다. 그러나 이 방식에는 두 가지 근본적 한계가 있다. 첫째, 집단적 암묵지의 핵심은 기록되지 않는 상호작용 속에 있다. 둘째, 이 데이터는 조직의 현재 상태를 반영할 뿐, 새로운 상황에서 조직이 어떻게 적응할지를 예측하는 데 쓰이기 어렵다. 집단적 암묵지는 개인적 암묵지보다 AI 전수의 벽이 한 층 더 높다.

8. AI가 형성한 지식의 소유권: 새로운 귀속 문제

암묵지의 AI 전수 논의에서 빠지기 쉬운 질문이 있다. AI가 인간의 암묵지를 학습해 새로운 판단을 형성했다면, 그 지식은 누구의 것인가.

AlphaGo Zero의 사례를 다시 보자. 이 시스템이 두는 수는 인간 기사의 기보를 직접 모방한 것이 아니라, 강화학습을 통해 독자적으로 형성한 것이다. AlphaGo Zero는 인간 기보 데이터를 전혀 사용하지 않았으며, 바둑의 규칙만을 입력받아 순수 자기대국으로 학습했다. 그러나 그 학습이 가능했던 것은 DeepMind가 설계한 알고리즘과 구글이 제공한 연산 자원, 그리고 바둑이라는 게임의 규칙 체계 위에서였다. 이 지식은 누구에게 귀속되는가.

현행 법 체계는 이 질문에 명확하게 답하지 못한다. 지식재산권은 인간의 창작을 전제로 설계되었고, AI가 자율적으로 생성한 결과물의 귀속에 관한 기준은 각국에서 여전히 논쟁 중이다. 한국 특허법과 저작권법도 인간 창작자를 원칙적 귀속 주체로 상정하고 있어, AI 생성 결과물은 제도적 공백 지대에 놓인다.

이 문제는 단순한 법 기술의 문제가 아니다. AI가 전문가의 암묵지를 학습해 그것을 초월하는 판단을 내릴 때, 우리는 원 전문가의 기여를 어떻게 인정할 것인가. 조직이 그 AI를 소유한다면 원 전문가의 암묵지에서 파생된 가치는 어디로 귀속되는가. 이 질문들은 암묵지 소유권 논쟁의 연장선에 있으며, 기술이 앞서가는 속도만큼 빠르게 제도와 윤리의 정비를 요구하고 있다.

9. AI·로봇 전수의 근본적 한계와 전망

현재의 AI·로봇 기술은 암묵지의 표면적 패턴은 학습할 수 있지만, 그 지식이 작동하는 맥락적 이해(contextual understanding)와 상황 적응력은 아직 인간 수준에 미치지 못한다. 폴라니가 말한 암묵적 앎의 핵심, 즉 규칙으로 환원할 수 없는 상황 판단과 전인적 감각은 현재의 기계학습 패러다임으로는 근본적으로 재현하기 어렵다.

그러나 기술의 방향은 분명하다. 단순한 데이터 학습에서 체화된 경험(embodied experience)의 모사로, 명시지 처리에서 암묵지 근사(tacit knowledge approximation)로 나아가고 있다. 인간 간 암묵지 전수가 수십 년의 도제 관계를 필요로 했다면, AI·로봇은 그 과정을 압축하고 복제하며 확장하는 가능성을 열고 있다.

다음 표는 다섯 가지 AI·로봇 전수 방법론의 현재 수준과 한계를 정리한 것이다. SECI 단계 대응은 원래 인간 간 지식 전환 이론인 SECI 모델을 AI 방법론에 해석적으로 적용한 것으로, 학계에서 확립된 매핑이 아님을 유의해야 한다.

10. 결론: 소유가 아니라 흐름과 설계의 문제

임직원의 암묵지가 누구의 것인가를 따지는 논쟁은, 인간 사이에서도 AI와 로봇의 시대에도 아무도 이기지 못하는 싸움이다. 암묵지는 법적으로 강제할 수 없고, 윤리적으로 일방이 독점할 수 없으며, 경영적으로 다툴수록 더 깊이 잠긴다. 그리고 기술적으로도 완전한 전수는 현재까지 불가능하다.

그러나 “불가능하다“는 선언이 실천의 끝이 되어서는 안 된다. 소유 논쟁을 뒤로하고 조직이 지금 당장 취할 수 있는 방향은 세 가지다.

첫째, 흐름의 구조를 설계하라. 강제와 통제가 아니라 자발적 공유를 촉진하는 실천 공동체, 도제 제도, 정체성 기반 인센티브로 암묵지의 흐름을 만들어야 한다. 심리적 소유감은 억누를수록 강해지고, 존중받을수록 유연해진다. 특히 “급여로 이미 보상했다“는 논리는 전수 의지를 꺾는 가장 빠른 방법이다. 급여는 지식의 보유에 대한 대가이지 전수 행위에 대한 보상이 아니므로, 전수에 대한 별도의 인정과 보상 체계가 반드시 병행되어야 한다.

둘째, 표출화의 순간을 지식 유형별로 포착하라. 인간 간이든 AI로의 전수든, 핵심은 암묵지가 명시지로 전환되는 그 순간을 조직적으로 포착하는 체계를 갖추는 것이다. 그런데 지식 유형마다 유효한 방법이 다르다. 기술·기능에는 LfD와 다중 센서 데이터 수집이 핵심 도구고, 비즈니스 노하우와 법률 판단에는 LLM 기반 구조화 인터뷰와 HITL 교정 루프가 효과적이며, 인적 네트워크는 어떤 방법론도 관계의 실질을 포착하지 못한다는 점을 처음부터 인정하고 접근해야 한다.

셋째, AI가 형성한 지식의 귀속 원칙을 선제적으로 확립하라. 전문가의 암묵지를 학습한 AI가 그것을 초월하는 판단을 내릴 때, 원 전문가의 기여에 대한 인정과 보상 원칙이 없다면 암묵지 공유 의지는 오히려 위축될 것이다. 제도가 기술을 따라가지 못하는 지금, 조직 차원의 자체 원칙이 먼저 필요하다.

진짜 질문은 소유가 아니다. 개인 안에 잠든 앎을 어떻게 인간과 기계가 함께 이어받고, 그 과정에서 기여한 사람의 가치를 어떻게 공정하게 인정할 것인가 — 이것이 지식경영과 AI 공학, 그리고 노동 윤리가 함께 답해야 할 시대의 과제다.