|
많은 기업이 AX를 말할 때 'KPI가 시스템에 등록되어 있는가' '직무기술서가 정비되어 있는가' '역량모델과 CDP가 전산화되어 있는가' '평가 코멘트와 일대일 미팅 기록이 누적되어 있는가'와 같은 DX 수준을 확인하곤 한다. 이러한 점검은 분명 필요하다. AI는 진공 상태에서 작동하지 않으며, 채용, 배치, 평가, 육성, 보상, 협업, 조직문화 개선과 같은 영역에서 의미 있는 결과를 만들기 위해서는 조직 안에 축적된 데이터를 기반으로 판단해야 하기 때문이다.
그러나 DX가 이뤄졌다고 해서 AI가 이해하고 추론할 수 있는 데이터 기반까지 갖춰졌다고 볼 수 있을까? 예를 들어 KPI와 직무기술서, CDP가 시스템에 저장돼 있다고 해서 그 자체로 AI가 활용할 수 있는 것은 아니다. 문서를 디지털화하는 것과 조직의 업무 맥락과 지식을 AI가 이해할 수 있도록 구조화하는 것은 전혀 다른 문제다. AX의 성패를 결정하는 것은 AI 모델의 성능이 아니라, '조직이 자기 자신을 얼마나 명확하고 일관되게 설명할 수 있는가'의 여부이다. .jpg) DX의 재정의, 조직의 맥락을 언어로 풀어내다 이제는 DX를 다시 정의해야 할 때다. DX는 종이 문서를 전산시스템에 옮기는 작업이 아니라, 조직이 자신의 일, 역할, 성과, 역량, 성장 경로를 명확한 언어와 일관된 구조로 설명할 수 있도록 만드는 과정이다. 이 과정이 제대로 이루어지지 않으면 AI는 조직의 실제 작동 방식을 학습하는 것이 아니라, 조직이 스스로를 포장하고 방어하는 방식만 학습하게 된다. 예를 들어 현실의 KPI는 실제 성과 논리를 설명하기보다 평가 시즌을 무난히 통과하기 위한 문장으로 작성되는 경우가 많다. 실제로 무엇을 달성해야 하는지 보다 어떻게 작성해야 무난한 평가를 받을 수 있는지에 초점이 맞춰진다. 직무기술서 또한 현재 수행 중인 업무의 구체적인 내용과 구조를 담기보다 직무의 중요성과 포괄성을 과장하는 소개문이 되기 쉽다. CDP는 개인의 성장 경로를 설계하는 자료라기보다 교육 이수 계획이나 승진 준비를 위한 형식적 문서로 남고, 역량모델은 관찰 가능한 행동 기준이 아니라 추상적인 인재상 슬로건에 머무르곤 한다. 일대일 미팅 기록 역시 실질적인 피드백보다 리더와 구성원 모두에게 부담 없는 격려 문구로 채워지는 경우가 많다. 이는 개별 HR 문서의 완성도만의 문제가 아니다. KPI, 직무기술서, CDP, 평가 피드백은 각각 다른 양식처럼 보이지만, 결국 하나의 조직 철학과 업무 맥락을 서로 다른 방식으로 표현한 결과물이다. 따라서 '어떤 일을 가치 있는 성과로 보는가' '누구에게 어떤 역할과 책임을 부여하는가' '어떤 역량을 성장의 기준으로 삼는가' '어떤 행동을 평가와 보상의 근거로 인정하는가'라는 질문들이 하나의 기준 아래 유기적으로 연결되어야 한다. 그래야 조직의 상황이 일관된 언어로 설명되고, AI 역시 그 맥락을 바탕으로 판단할 수 있다. 그러나 각 문서가 서로 다른 기준으로 작성되어 있다면 AI는 연결된 조직 지식이 아니라, 서로 맥락이 맞지 않는 여러 장의 자기소개서를 읽게 된다. 이러한 문제는 HR 영역에서 특히 더 치명적이다. 재무나 생산 데이터도 왜곡은 있지만, 시장가격이나 물리적 산출물로 사후 검증이 가능하다. 그러나 직무, 역량, 성과, 성장 가능성은 조직이 부여한 언어와 해석을 통해 의미가 형성되는 정보다. 같은 일을 두고도 어떤 조직은 전략기획이라고 부르고, 어떤 조직은 운영지원이라고 부르며, 같은 행동이라도 어떤 리더는 주도성이라고 평가하고, 다른 리더는 월권이라고 해석한다. 결국 HR AX에서 데이터 품질은 단순한 정합성의 문제가 아니라, 조직이 의미를 얼마나 일관되게 정의하고 공유했는가의 문제다. 조직 언어에 대한 합의가 약할수록 AI의 판단 역시 더 빠르게 왜곡될 수 있다. 제대로 이뤄지지 않은 DX는 AI의 오류를 부른다 만약 조직의 맥락을 제대로 풀어내지 못한 채 AI를 도입하면 어떻게 될까? AI는 조직의 진실이 아니라 조직이 남긴 기록과 언어를 학습한다. 입력된 문장이 모호하면 모호한 결과를 내놓고, 방어적으로 작성되어 있으면 방어적인 판단을 강화하며, 실제 업무와 다르게 작성되어 있으면 현실과 어긋난 추천을 제시한다. 흔히 말하는 '쓰레기를 넣으면 쓰레기가 나온다Garbage In, Garbage Out'는 원리는 AX에서도 그대로 적용된다. 다만 여기서의 '쓰레기'는 단순한 오탈자나 누락값이 아니다. 조직정치와 체면, 책임 회피, 평가 방어, 상향 보고의 논리가 스며든 데이터야말로 AI가 가장 구분하기 어려운 오류다. 강제적 DX가 위험한 이유도 여기에 있다. 경영진이 AX를 위해 '빨리 DX를 끝내라'고 요구하면 조직은 빠르게 문서를 만든다. KPI 입력률, 직무기술서 등록률, CDP 작성률, 역량 진단 참여율은 높아진다. 지표만 보면 DX가 성공적으로 진행되는 것처럼 보인다. 그러나 구성원은 그 문서가 앞으로 어떻게 활용될지, 솔직하게 작성했을 때 어떤 불이익이 발생할지 예측할 수 없다. 이런 상황에서 구성원은 정확성이 아니라 안전성을 선택한다. 역할 공백을 드러내면 누군가의 책임 문제가 된다. 실제 업무량을 적으면 과중 업무의 증거가 될 수 있다. 자신의 역량 부족을 쓰면 평가에 불리해질 가능성이 있다. KPI의 협업 의존도를 적으면 성과 책임이 복잡해진다. 리더가 피드백 코멘트에 구체적인 행동을 남기면 갈등이 생길 수도 있다. 이처럼 조직이 솔직한 기록보다 안전한 기록을 유도하는 환경에서는 구성원도 구체적 사실보다 무난한 답변을 선택하게 된다. 조직은 데이터 자산을 축적하고 있다고 생각하지만, 실제로는 AI가 학습하기 어려운 방어적 문장만 대량으로 생산하게 되는 셈이다. 기술은 조직의 맥락을 어디까지 보완할 수 있나 기술은 이 문제를 어디까지 보완할 수 있을까? RAG1)와 가드레일Guardrail2)을 적용하면 부실한 KPI나 직무기술서, CDP를 상당 수준까지 1차 검수할 수 있다. RAG는 AI가 사내 기준 문서, 직무체계, 평가 가이드, 역량모델을 참조하도록 만든다. 가드레일은 AI 시스템의 입력과 출력을 사전에 정한 기준에 따라 검토·차단·경고·수정하도록 만든다. ... 중략 ... |
|
기사 전문은 구독권한이 있는 회원께만 제공됩니다. 먼저 로그인 하세요.
로그인
|
