기술 요약: 다국적 인력 전반의 AI 도입

문제 제기

생성형 AI(GenAI) 배포가 급격히 가속화되고 있음에도 불구하고, 누가 이러한 시스템을 도입하고, 누가 혜택을 보며, 누가 뒤처지는지에 대한 이해에는 상당한 격차가 존재한다. 기존의 채택 모델(예: TAM, UTAUT, TOE)은 역동적인 조직 전환 과정 내에서 발생하는 복잡하고 상황적인 사용자 경험을 포착하는 데 한계가 있다. 구체적으로, 이러한 모델들은 직원이 확률적이고 불투명한 AI 시스템을 기존 워크플로에 통합할 때 어떻게 학습하고, 적응하며, 우회 방법을 개발하는지에 대한 통찰을 제공하지 못한다. 인사 관리(HR)와 같은 고위험 영역에서, 부실한 설계나 정렬 미비는 특정 사회적 집단을 배제하거나, 신뢰할 수 없는 출력을 생성하거나, 효율성의 혜택을 일부 특권 계층의 노동자에게 집중시키고 다른 이들을 소외시키는 시스템으로 이어질 수 있다.

연구 방법론

본 연구는 기존의 레거시 HR 검색 시스템("STEVE")에서 GenAI 강화 시스템("PEOPLE TOOL")으로 전환 중인 한 다국적 기술 기업(직원 수 300,000명 이상)을 대상으로 혼합 방법론 기반의 단일 사례 연구(mixed-method, single-case study) 설계를 적용하였다. 연구는 다음과 같은 3단계 순차적 설계를 활용하였다:

1. 검색 로그 분석:

   • 데이터: 레거시 시스템(STEVE)의 1년 치 로그와 새로운 GenAI 시스템(PEOPLE TOOL)의 2주 치 로그.
   • 범위: 6개국(이집트, 네덜란드, 필리핀, 파키스탄, 카타르, 사우디아라비아)의 데이터.
   • 중점 사항: 쿼리 양, 문구 구성, 길이, 결과 가용성, 클릭률 및 GenAI 노출도. 국가 간 주제 비교를 위해 비영어 쿼리는 번역 과정을 거침.
   • 제약 사항: 유효성을 확보하기 위해 교차 시스템 간의 볼륨 비교는 공통 관찰 기간(2025년 7월 24일~8월 2일)으로 제한함.

2. 탐색적 설문 조사:

   • 참가자: 6개국(독일, 미국, 인도, 오스트리아, 스위스, 프랑스)의 직원 25명.
   • 측정 항목: 사용 빈도, 인지된 유용성, 사용 용이성, 신뢰도, 시스템 선호도, 그리고 출처 확인 및 쿼리 재구성 관련 행동.
   • 역할: 발견 사항을 맥락화하고 인터뷰 프로토콜을 정교화하기 위한 기술적 근거로서의 역할(통계적 대표성을 갖지 않음).

3. 반구조화된 인터뷰:

   • 참가자: 4개국(독일, 미국, 스페인, 노르웨이)의 직원 10명으로, 프로젝트 팀 구성원(구현/실무자)과 최종 사용자를 모두 포함함.
   • 분석: 도입 역학, 신뢰 교정(trust calibration), 조직적 조건의 패턴을 식별하기 위해 Braun과 Clarke(2006)의 성찰적 주제 분석(reflexive thematic analysis)을 수행함.

주요 연구 결과

1. 병렬 시스템 간의 선택적 사용으로서의 도입

도입은 레거시에서 AI로의 선형적인 이주가 아니었다. 대신, 직원들은 상황적 필요에 따라 PEOPLE TOOL, STEVE, 출처 문서, 그리고 동료를 선택적으로 오가며 사용하였다.

• 동인: 직원들은 속도, 통합성, 명확성을 위해 PEOPLE TOOL을 선택했다. 반면, 익숙함, 예측 가능한 문서 기반 결과, 또는 새로운 시스템이 명확한 이득 없이 인지적 부담만 가중시킬 때는 STEVE로 회귀했다.
• 시사점: 총체적인 도입 지표는 레거시 시스템이나 비공식 채널에 대한 지속적인 의존성을 은폐할 수 있다.

2. 상황적 적합성이 유용성을 결정함

GenAI 시스템의 유용성은 도구의 설계 가정과 직원의 직무 위치성(역할, 언어, 근속 연수, 기기 접근성) 사이의 "상황적 적합성(situational fit)"에 크게 좌우되었다.

• 배타적 설계: 시스템은 사무실 기반의, 디지털 숙련도가 높고, 영어 사용에 능숙하며, 조직적 친숙함을 가진 사용자들에게 최적화되어 있었다.
• 소외된 집단: 교대 근무자, 공장 및 블루칼라 노동자들은 기기 접근성이 부족하거나 쿼리를 구성할 조직적 용어를 갖추지 못한 경우가 많았으며, 이는 공식적인 접근 권한이 있음에도 불구하고 체계적인 소외로 이어졌다.
• 근속 연수 효과: 신입 사원들은 정보 불확실성이 높기 때문에 가장 많은 혜택을 보았다. 반면, 숙련된 직원들은 이미 내부 지식과 확립된 해결 경로를 보유하고 있어 도구에 대한 의존도가 낮았다.
• 언어 및 맥락: 국가별로 현지 검색 행동이 상이하게 나타났다(예: 네덜란드의 정책 검색 vs 사우디아라비아의 증명서 검색). 언어 장벽은 효과성을 현저히 저하시켰다.

3. 새로운 GenAI 검색 로직의 학습

효과적인 사용을 위해서는 전통적인 키워드 검색과는 구별되는 새로운 형태의 **검색 리터러시(search literacy)**가 필요했다.

• 기술 격차: 사용자는 질문을 구성하고, 맥락을 추가하며, 실패한 쿼리를 재구성하고, 요약 내용을 해석하는 법을 배워야 했다.
• 행동적 증거: 설문 응답자의 76%가 GenAI의 답변이 좋지 않을 때 질문을 재구성한다고 답했으나, 로그 데이터상으로는 쿼리 길이와 토큰 수가 거의 변화하지 않았다(평균 1.87에서 2.11 토큰). 이는 많은 사용자가 대화형 로직에 적응하기보다 여전히 전통적인 키워드 습관을 유지하고 있음을 나타낸다.
• 역량: 도입 여부는 HR 요구사항을 시스템이 답할 수 있는 질문으로 변환하는 능력에 달려 있었으며, 이는 시스템 접근권이 자동으로 부여하는 기술이 아니었다.

4. 확인 및 폴백(Fallback)을 통한 신뢰 교정

GenAI에 대한 신뢰는 맹목적이지 않았으며, 출처 확인, 비교, 그리고 폴백 메커니즘을 통해 교정되었다.

• 검증: 설문 응답자의 52%는 GenAI 답변에서 제공된 출처 링크를 거의 또는 전혀 클릭하지 않았으나, 다른 이들은 타당성을 검증하기 위해 이를 활용했다.
• 제도적 신뢰 vs 검증: 일부 직원은 시스템이 내부 기업 도구라는 이유만으로 신뢰했으며, 이는 유창하지만 틀린 답변에 대한 과도한 의존으로 이어질 가능성이 있다.
• 리스크 관리: 급여, 휴가, 복리후생과 같은 고위험 HR 시나리오에서 직원들은 주로 오리엔테이션 용도로 GenAI를 사용하되, 최종 검증을 위해 레거시 시스템, 동료 또는 HR 담당자에게 의존했다. 신뢰는 답변 자체와 더 넓은 정보 생태계 사이에 분산되어 있었다.

5. 인프라로서의 지식 조건

GenAI 출력의 신뢰성은 근간이 되는 조직적 지식 인프라의 품질과 근본적으로 연결되어 있었다.

• 콘텐츠 품질: 부실한 태깅, 오래된 문서, 모호한 분류 체계, 현지화 부족은 직접적으로 도움이 되지 않거나 잘못된 GenAI 답변을 초래했다.
• 가이드: 일회성 교육은 불충분했다. 효과적인 도입을 위해서는 검색, 검증 및 이슈 에스컬레이션 방법에 대한 지속적이고 적시적인 가이드가 필요했다.
• 상호 의존성: GenAI의 신뢰성은 콘텐츠 품질과 분리될 수 없다. AI는 그것이 검색하고 합성하는 지식의 수준만큼만 효과적이다.

주요 기여

1. 불평등한 혜택에 대한 실증적 증거: 본 논문은 직장 내 GenAI 도입이 불평등한 혜택을 창출한다는 실증적 증거를 제시한다. 시스템이 사무실 접근성, 디지털 자신감, 언어적 적합성이라는 가정하에 설계될 경우, 이러한 가정에서 벗어난 노동자들은 공식적인 접근 권한이 있음에도 불구하고 체계적으로 소외된다는 점을 입증한다.
2. 포용적 배포를 위한 설계 고려사항: 본 연구는 발견된 사항을 고위험 환경을 위한 설계 고려사항으로 변환한다. 연구는 조직이 다음과 같이 해야 한다고 주장한다:
   • 다양한 사회적 집단의 역할 및 맥락에 민감한 혜택을 고려하여 시스템을 설계할 것.
   • 책임성과 사용성을 높이기 위해 조직적 지식 인프라(콘텐츠 품질, 태깅, 현지화)를 핵심적인 AI 인프라 구성 요소로 취급할 것.
   • 출처(provenance), 불확실성, 폴백 메커니즘을 기본적으로 가시화하여 신뢰 교정을 구현할 것.

의의 및 주장

본 논문은 접근권이 곧 도입이나 혜택을 의미하지 않는다고 주장한다. 이는 GenAI 시스템을 배치하는 것이 전체 인력에게 자동으로 효율성 증대를 가져올 것이라는 관념에 도전한다. 대신, 도입은 사용자의 위치성, 검색 리터러시, 신뢰 교정, 그리고 기저 지식 베이스의 품질 사이의 상호작용에 의해 형성되는 사회기술적(sociotechnical) 과정임을 상정한다.

저자들은 공평한 배포를 달기 위해 조직이 총체적인 사용량 지표를 넘어, 로그에서 누가 누락되었는지, 누가 반복적인 재구성을 필요로 하는지, 그리고 누가 중개자에게 의리하고 있는지를 조사해야 한다고 주장한다. 나아가, 명확한 에스컬레이션 절차나 출처 투명성이 결여될 경우, 잘못된 AI 생성 정보에 따라 발생하는 리스크가 조직이 아닌 개별 직원에게 불균형적으로 전가될 수 있다는 책임(accountability) 문제를 강조한다. 결론적으로, 책임 있는 GenAI 배포를 위해서는 AI 자체를 배포하는 것만큼이나 (지식 관리와 지속적인 교육을 통해) AI를 둘러싼 조직을 준비시키는 것이 중요하다.