듀오링고는 왜 'AI 퍼스트' 선언을 되돌렸나
목차
AI 도입을 효율화 메시지로 발표했지만, 구성원과 이용자는 '해고 선언'으로 읽었다. 듀오링고 CEO의 경험은 AI 전략의 내용보다 발표 방식이 더 큰 리스크가 될 수 있음을 보여준다.
한눈에 보기
| 항목 | 내용 |
|---|---|
| 기업/기관 | 듀오링고(Duolingo) |
| 산업군 | 에듀테크(언어학습 앱) |
| 도입 AI 기술 | 생성형 AI 기반 콘텐츠·코스 제작 자동화 |
| 공개 방식 | CEO 내부 메모를 개인 LinkedIn 계정에 공개 |
| 핵심 사건 | 'AI 퍼스트' 선언 → 거센 반발 → 입장 수정 |
배경 — 어떤 문제가 있었나
듀오링고는 생성형 AI를 활용해 코스 제작 속도를 끌어올린 것으로 알려졌다. Fortune에 따르면 CEO 루이스 폰 안(Luis von Ahn)은 내부 메모에서 회사를 'AI 퍼스트' 조직으로 전환하겠다고 밝혔다. 메모의 핵심은 두 가지였다. AI가 처리할 수 있는 반복 업무를 맡던 계약직 인력을 점차 줄이고, 팀이 업무를 더 자동화하지 못하면 신규 채용도 승인하지 않겠다는 내용이다.
메모는 사내 공지가 아니라 CEO 개인 SNS 계정에 그대로 게시됐다. 효율화 메시지가 맥락 없이 외부에 먼저 노출되면서 "AI가 사람을 대체한다"는 문장만 떼어 읽히기 쉬운 상태로 퍼졌다.
어떻게 도입했나
메모의 방향은 전면 해고가 아니라 운영 원칙 변경이었다. 반복적인 번역·검수 등 AI로 대체 가능한 업무를 맡던 계약직 활용을 축소하고, 팀 단위 자동화 수준에 따라 채용 여부를 정하는 방식이다. Fortune 후속 보도에 따르면 CEO는 같은 해 하반기 인터뷰에서 정규직을 해고한 적은 없으며, 계약직 규모는 필요에 따라 늘고 줄어왔다고 설명했다.
반응 & 결과
반응은 즉각적이고 컸다. 메모 공개 직후 소셜미디어에서 "AI 퍼스트는 결국 사람이 마지막"이라는 식의 비판이 번졌고, Fast Company 보도에 따르면 듀오링고의 주요 소셜 채널은 팔로워가 대규모로 이탈하는 상황을 겪었다(보도마다 집계 방식과 수치가 달라 정확한 규모는 확인되지 않는다). 회사는 한때 TikTok·Instagram 계정의 기존 게시물을 내리기도 했다. The New Stack에 따르면 Reddit과 앱 리뷰에도 비판적 댓글이 몰렸다.
약 한 달 뒤 폰 안은 다시 LinkedIn에 글을 올려 "리더가 해야 할 가장 중요한 일 중 하나는 명확성을 제공하는 것인데, 처음 메모에서는 그걸 잘하지 못했다"고 인정했다. Entrepreneur에 따르면 그는 "AI가 직원이 하는 일을 대체한다고 보지 않는다"며 채용 속도도 그대로라고 밝혔다. 이후 그는 AI 활용도를 인사평가 지표로 쓰려던 계획도 접었다고 밝혔다.
무엇이 문제였나 — 커뮤니케이션의 설계 오류
- 내부 설득이 외부 공개보다 늦었다. 효율화의 구체적 범위(어떤 업무, 어떤 규모)를 사내에 먼저 공유하고 질문을 받는 절차 없이, 방향성 선언이 외부에 먼저 노출됐다.
- 'AI 퍼스트'라는 표현이 해석의 여지를 남겼다. 회사가 의도한 의미(업무 자동화율을 높인다)와 독자가 받아들인 의미(인력을 줄인다)가 갈렸고, 메모는 그 간극을 메울 구체적 수치나 예외 조건을 담지 않았다.
- 반응 속도가 메시지 설계보다 느렸다. 첫 반발 이후 추가 설명이 나오기까지 수 주가 걸렸고, 그 사이 비판적 해석이 먼저 자리를 잡았다.
한계 & 과제
이 사건을 둘러싼 보도는 지금도 결이 다르다. 일부는 두 번째 메모를 '정정'으로, 일부는 '해명'으로 읽는다. 폰 안 스스로도 'AI 퍼스트' 방향 자체는 유지한다고 밝혔기 때문에, 전략이 바뀐 것인지 설명 방식만 바뀐 것인지는 매체마다 평가가 갈린다.
우리 조직에 적용한다면
- 대기업·대규모 조직: 전사 공지 전에 현업 리더·구성원 대표와 사전 공유 절차를 두고, "무엇이 바뀌고 무엇이 안 바뀌는지"를 숫자나 범위로 명시한다.
- 중소기업: 조직이 작을수록 소문이 빠르게 돈다. 공식 발표와 동시에 1:1 설명 기회를 마련한다.
- 스타트업: 창업자 개인 SNS로 조직 방향을 발표하는 관행 자체를 점검한다. 대외 메시지와 내부 커뮤니케이션 채널을 분리해야 반응을 통제할 여지가 생긴다.
참고 링크
목차
관련 글

AI 생산성 역설 — 작업은 빠른데 왜 숫자는 그대로인가
AI로 특정 업무가 눈에 띄게 빨라졌다는 증언은 넘치는데, 왜 기업·경제 전체의 생산성 통계에는 그 효과가 보이지 않을까요. 솔로우의 생산성 역설부터 이어지는 이 간극이 반복되는 이유를 최근 CEO·연구 데이터로 짚어봅니다.

콜센터 AI 도입, 왜 롤백으로 끝나는가 — 실패 패턴과 피하는 법
콜센터 AI 챗봇을 도입한 기업의 74%가 결국 롤백한다는 최근 조사를 바탕으로, 에스컬레이션 설계 없이 실패한 Klarna 사례와 기준을 미리 정해 성공한 Carmoola 사례를 비교해 반복되는 원인 세 가지를 정리합니다.

같은 AI를 도입해도 성과가 갈리는 이유 — 재설계와 도구 추가의 차이
같은 생성형 AI를 도입해도 성과가 갈리는 이유는 모델이 아니라 업무 절차를 다시 짰는지에 있다. 맥킨지·BCG·딜로이트 데이터로 워크플로우 재설계형과 도구 추가형 기업이 어디서, 왜 갈리는지 구조적 분기점을 짚어본다.

AI 파일럿은 왜 전사 확산에서 멈추는가 — 반복되는 5가지 함정
기업 88%가 AI를 쓰지만 전사 단위 재무 임팩트를 보고한 곳은 6%대뿐이다. 맥킨지·MIT·가트너 리서치가 공통으로 지목한 데이터 품질·프로세스 미조정·거버넌스 후행·레거시 통합·체인지 매니지먼트, 파일럿이 막히는 다섯 가지 구조적 함정을 정리했다.