Artificial Intelligence and Automation in HRD

Abstract

이 연구는 AI와 자동화가 HRD 실무와 성과에 미치는 영향을 PRISMA와 CIMO framework에 따라 검토했다. 최종 선정한 93편을 서술적으로 종합해 인재개발, 학습과 개발, 성과관리, 인력계획, 지식관리의 변화를 분석했다. 효율성, 개인화, 데이터 기반 의사결정의 이점과 함께 일자리 대체, 감시, 편향의 위험이 확인되었으며, 저자는 조직의 준비도와 윤리적 운영, 지속적인 역량개발을 고려한 도입을 제안했다.

Introduction

AI와 자동화는 HRD의 학습 설계, 인재개발, 인력 운용을 바꾸고 있다. 기술의 잠재적 이익을 강조하는 논의와 예상하지 못한 결과를 경계하는 논의가 이어지고 있다. 구체적인 HRD 성과와 형평성, 고용안정, 역량개발을 검토한 실증연구는 부족하다.

AI와 자동화의 활용 분야, 효과가 달라지는 맥락, 작동 기제와 결과를 검토했다. 연구질문도 이 네 축에 맞춰 구성했다. 이론적·실증적 연구를 종합해 HRD 실무와 정책 판단의 근거와 후속 연구 과제를 제시했다.

Artificial Intelligence and Automation

1960년대와 1970년대에는 컴퓨터 기반 훈련이 등장했고, 1990년대에는 인터넷 확산으로 e-learning이 확대되었다. 2000년대 초 Web 2.0은 사회적 학습 플랫폼, 협력학습 환경, 온라인 실천공동체의 발전을 뒷받침했다. 이후 모바일 학습과 가상·증강현실의 확산으로 개인화된 학습 경험도 늘었다.

AI는 데이터 분석과 패턴 인식으로 역량 격차를 파악하고 학습과 인력 수요를 예측한다. 자동화는 반복적인 운영 업무를 줄여 HRD 담당자의 전략적 업무를 돕는다. 이 과정에서 개인정보, 일자리 대체, 조직문화 문제도 발생한다.

Methods

PRISMA 지침에 따라 문헌고찰 절차를 구성하고, Context, Intervention, Mechanism, Outcome(CIMO) framework로 기술과 조직 맥락, 작동 기제, 성과를 분석했다. AI와 자동화가 전략적 HRD 기능 및 성과에 미치는 영향을 다룬 질적·양적 실증연구와 리뷰, 단행본의 장을 포함했다. 관련 주제를 다루지 않은 연구, 영어 이외의 언어로 작성된 문헌, 의견문과 블로그 등 비학술 자료는 제외했다.

문헌 검색에는 Semantic Scholar, Google Scholar, Scopus, Web of Science를 사용했다. AI·machine learning·automation 관련 용어와 HRD·인재관리·역량향상·지식관리·인력계획·학습개발 관련 용어를 AND와 OR로 조합했다. 1997년부터 2023년 1분기까지 출판된 자료의 제목, 초록, 키워드를 검색하고 관련 문헌의 참고문헌도 확인했다.

처음 검색된 문헌은 74,800편이었으나, 검색어를 구체화하면서 17,100편, 다시 2,430편으로 좁혔다. 제목·초록 심사에서 2218편을 제외한 뒤 212편의 전문을 검토했다. 이 가운데 88편을 제외한 124편이 포함 기준을 충족했다. CASP 체크리스트로 질을 평가한 뒤 최종 분석에 93편을 포함했다.

정해진 양식에 따라 저자명, 출판연도, 연구설계, 핵심 주제를 수작업으로 추출했다. 검토한 연구는 다국적기업, 중소기업, 공공조직과 제조업, 금융, 보건의료, 교육 등에서 수행되었다. 결과를 서술적으로 종합하고 적용·맥락·기제·성과별 공통점과 차이, 연구가 부족한 부분을 검토했다.

Results

인재개발에서는 개인화 학습 시스템과 예측분석으로 잠재력이 높은 직원을 찾고 개발계획을 제안했다. 자연어 처리, machine vision, 자동화, 인간의 업무를 지원하는 기능은 훈련·평가의 시간과 비용을 줄이고 의사결정을 도왔다. 디지털 기술이 요구하는 역량 변화에 따른 인재전략과 재교육 투자도 다뤄졌다.

학습과 개발에서는 지능형 교수 시스템과 적응형 학습 플랫폼이 학습 진도와 선호에 맞춰 콘텐츠를 제공했다. 학습 참여, 지식 유지, 학습성과가 개선될 가능성이 보고되었다. 분석 도구는 부족한 역량과 향후 훈련 수요를 파악해 교육투자를 결정하는 데 활용되었다.

성과관리는 지속적인 접촉과 실시간 피드백, 데이터 기반 평가를 중심으로 바뀌었다. 개인별 강점과 개선점을 파악했지만, 상시 모니터링에 따른 스트레스와 사생활 침해 문제도 제기되었다. 인력계획에서는 미래 인력 수요, 역량 격차, 노동시장 추세를 예측해 인재 확보와 개발전략을 조정했다.

지식관리에서는 지식 활용과 혁신을 지원할 가능성이 보고되었다. 자동화로 의도적 연습이나 숙련된 동료에게 배우는 기회가 줄어 전문성이 약화될 수 있다는 논의도 있었다. 인간과 기계가 협업하는 환경에서 전문성을 기를 대안적 학습 기회와 이를 뒷받침할 조직문화가 강조되었다.

혁신, 민첩성, 지속적인 학습을 중시하는 조직은 AI 도입에 우호적이었다. 높은 디지털 성숙도, 기존 인프라, 직원의 기술 역량도 도입을 뒷받침했다. 준비 과제로는 클라우드 플랫폼 마련, 사이버보안 확보, 기존 업무와 신규 시스템의 통합이 제시되었다.

규제·윤리 측면에서는 직원 데이터 보호, 알고리즘 편향, 투명성과 책임성이 다뤄졌다. 과거 데이터의 차별이 알고리즘에서 재생산될 수 있기 때문이다. GDPR 등 관련 규정에 따른 데이터 보호, 정기적인 편향 점검, AI 판단에 대한 설명과 직원과의 명확한 의사소통이 제안되었다.

기술을 개발·관리·유지할 인력 확보도 도입에 영향을 미쳤다. 직원과 HRD 담당자의 디지털 역량, 문제해결 능력, 적응성을 기르는 교육과 재교육이 강조되었다. 협력학습과 외부 파트너의 교육 기회를 활용하는 방안도 포함되었다.

작동 기제는 세 묶음으로 정리되었다. 효율성과 비용효과성은 반복 업무와 오류를 줄이고 전략적 활동에 자원을 배분하는 과정에서 나타났다. 개인화와 적응성은 직원의 요구에 맞는 학습 경험을 제공해 참여, 역량개발, 만족도를 높였다. 데이터 기반 의사결정에서는 실시간 분석과 예측모형으로 성과, 참여, 역량 변화, 인력 추세를 파악해 HRD 투자와 개입을 조정했다.

조직 차원에서는 생산성과 경쟁력, 인재 확보와 개발, 직원 유지가 개선되었다는 결과가 보고되었다. 개인화된 학습과 투명한 성과 피드백은 동기, 몰입, 직무만족을 높일 가능성이 있었다. 역량향상에는 기술 숙련, 문제해결, 의사소통, 리더십, 정서지능이 포함되었다. 경력 발전과 고용가능성 향상도 논의되었다.

HRD 전문가에게는 데이터 분석, 기술관리, 디지털 문해력, 윤리적 판단, 변화관리, 학제 간 협력이 요구되었다. 달라지는 역할을 나타내는 명칭으로 Human and Digital Officers 또는 Directors of Human and Digital Development가 제안되었다.

부정적 결과로는 반복 업무를 수행하는 일자리의 대체, 지속적인 감시에 따른 스트레스, 개인정보 침해, 불공정한 판단이 보고되었다. 위험을 줄이는 방안으로 역량향상과 재교육 지원, 투명성과 책임성을 확보하는 운영 장치가 제안되었다.

Discussion and Implications for Human Resource Development

효율성, 비용효과성, 개인화, 적응성, 데이터 기반 의사결정을 다섯 기제로 구분해 후속 이론과 실증연구의 개념적 토대로 제시했다.

실무에서는 기술 인프라, 직원 역량, 조직문화를 평가하는 준비도 진단을 제안했다. AI 도입을 조직변화로 보고 이해관계자의 참여와 윤리 지침을 강조했다. 정책 차원에서는 책임 있는 혁신을 위한 연구개발 지원, 교육훈련, 평생학습과 지속적인 재교육을 강조했다.

Limitations and Recommendations for Future Research

장기 효과를 추적한 종단연구와 기술·기능·조직 맥락에 따라 효과를 비교한 연구가 부족했다.

편향된 알고리즘, 의도하지 않은 차별, 감시가 낳는 윤리적·법적·사회적 결과를 후속 연구 과제로 제시했다. 리더십 유형, 의사결정 과정, 조직 가치가 도입에 미치는 영향도 충분히 다뤄지지 않았다. 변화에 대한 저항, 역량 격차, 제한된 자원 등 도입을 가로막는 요인을 분석하는 연구도 제안했다.

Conclusion

AI와 자동화는 HRD의 효율성, 적응성, 데이터 기반 판단을 개선할 가능성이 있었다. 성과와 직원 만족의 개선에는 조직문화, 윤리적 기준, 인력 역량이 영향을 미쳤다.

논의

CASP 평가를 거친 93편을 CIMO framework로 서술적으로 종합했으므로, 보고된 성과는 각 연구의 기술과 업무, 도입 조건을 고려해 해석하는 것이 적절하다. 장기 효과를 추적한 종단연구가 부족하므로, 참여와 지식 유지의 개선은 측정된 성과의 범위에서 해석할 필요가 있다. 반복 업무의 감소를 효율성 성과로 해석할 때에는 해당 업무에 포함된 연습과 동료 학습의 기회가 어떻게 달라지는지도 살펴볼 수 있다.

참고문헌

Ekuma, K. (2024). Artificial intelligence and automation in human resource development: A systematic review. Human Resource Development Review, 23(2), 199–229. https://doi.org/10.1177/15344843231224009