- 이 기사는 AI 시대의 역설을 분석합니다. 많은 기업이 AI에 막대한 투자를 했음에도 불구하고 직원을 평가할 때 여전히 생산성, 업무 완료 수량, 효율성과 같은 전통적인 지표를 사용합니다. 이로 인해 AI 결과물을 검증하고 오류를 수정하거나 비판적으로 검토하는 데 시간을 쓰는 사람들이 단순히 더 많은 작업물을 만들어내는 사람들보다 낮게 평가받을 수 있습니다.
- Data and AI Leadership 설문조사에 따르면 조직의 91%가 AI 투자를 늘리고 있고 99%가 AI를 전략적 우선순위로 간주하지만, 이러한 투자로부터 측정 가능한 비즈니스 가치를 창출했다고 답한 곳은 18%에 불과합니다.
- 저자는 성과 관리 시스템이 생성형 AI가 등장하기 전부터 이미 많은 결함을 가지고 있었다고 주장합니다. Gallup에 따르면 Fortune 500 기업 인사 담당자의 2%만이 현재의 평가 시스템이 직원의 성장을 촉진한다고 믿으며, 직원의 20%만이 평가 과정이 투명하고 공정하다고 느낍니다.
- Deloitte 역시 84%의 기업이 AI에 맞춰 역할, 업무 프로세스 또는 경력 경로를 재설계하지 않았다고 기록했습니다. AI 사용 효율성에 기반한 보상 체계를 갖춘 기업은 30%에 불과합니다.
- 또 다른 조사에서는 직원의 10%가 AI가 업무를 대체하거나 업적 평가에 영향을 미칠 것을 우려해 AI의 성능을 떨어뜨리기 위해 데이터를 조작한 적이 있다고 인정했습니다.
- 750명 이상의 지식 노동자를 대상으로 한 연구에 따르면, GPT-4는 모델의 능력에 맞는 과업에서 작업 속도를 25% 이상 높이고 완수율을 12.2% 개선하며 품질을 향상시켰습니다.
- 그러나 과업이 AI의 능력을 벗어날 경우, AI 사용자는 비사용자보다 정답을 맞힐 확률이 19% 낮았습니다. 이는 AI가 특정 과업에는 뛰어나지만 유사해 보이는 다른 과업에서는 갑자기 실패하는 ‘톱니 모양의 기술적 경계(jagged technological frontier)’를 보여줍니다.
- AI 에이전트가 보편화됨에 따라 업무 결과가 개인이 아닌 인간과 AI의 협업으로 만들어지므로 성과 평가가 더 복잡해집니다. 기업은 오류 발생 시 각 주체의 책임을 명확히 규정해야 합니다.
- 해결책으로 저자는 3계층 평가 프레임워크를 제안합니다. 1단계는 인간의 기여도(AI 한계 인식, 결과 검증), 2단계는 AI 시스템 자체 평가(오류율, 설명 가능성), 3단계는 인간과 AI의 협업 효율성(오류 발견이나 맥락 보완을 통한 부가가치 창출)을 측정합니다.
📌 AI 투자는 기업이 성과 관리 방식을 동시에 바꿀 때만 우위를 창출합니다. 91%의 조직이 투자를 늘려도 명확한 가치를 만든 곳은 18%뿐입니다. 기업은 ‘속도’ 중심의 평가에서 ‘판단 품질’, 검증 능력, 인간과 AI의 협업 수준, 그리고 AI 시스템과 직원 모두에 대한 투명한 책임 메커니즘을 기반으로 한 평가로 전환해야 합니다.
