2019 9-10월호 지능형 기계와 일하는 법 맷 빈(Matt Beane)

지능형 기계와 일하는 법

 

기업이 도입하고 있는 AI와 로보틱스는 멘토링이나 현장실습 등과 같은 전통적 직원훈련 방식을 파괴하고 있다. 우리는 옛 방식과 새로운 방식을 결합할 방법을 찾아야 한다.

 

맷 빈

샌타바버라 캘리포니아대 부교수

 

 

 

 

Idea in Brief

문제

지능형 기계와 정교한 애널리틱스가 기업 업무의 여러 부분에 급하게 도입되면서 신입직원들이 현장실습을 통해 스킬을 키울 수 있는 기회가 사라지고 있다.

 

결과

의학, 치안유지, 기타 분야에서는 정해진 규칙과는 다른 방식으로 남의 이목을 끌지 않고 필요한 전문성을 배울 방법을 찾고 있다. 이런 ‘그림자학습’은 그 효과 때문에 용인되고 있지만, 개인적으로도 조직적으로도 대가를 치르게 된다.

 

솔루션

따라서 기업에서는 신중하게 이런그림자학습사례를 찾아 연구하고, 현장실습 효과를 높이도록 조직적, 기술적, 업무적 설계를 바꾸는 전략도 취하며, 인공지능도 그 솔루션의 일부로 받아들여야 한다.

 

 

 

오전 6 30,크리스틴은 전립선 환자를 휠체어에 태워 수술실로 데려가고 있다. 크리스틴은 시니어 레지던트로 외과 수련과정에 있다. 그는 오늘 수술에서 정교한 신경보존 절개술을 일부 직접 집도했으면 한다. 집도의와 크리스틴의 네 손은 계속 환자의 몸 안에서 움직이고 있다. 크리스틴이 주도하고 집도의가 지도하는 형태다. 수술은 순조롭다. 집도의는 뒤로 물러나고, 크리스틴은 8 15분경 절개를 봉합한다. 주니어 레지던트가 어깨 너머로 모든 것을 지켜보고 있다. 크리스틴은 주니어 레지던트가 마지막 한 줄을 봉합해 볼 수 있게 해준다. 기분이 매우 좋다. 환자의 상태는 좋아질 것이고, 그는 오전 6 30분보다는 분명 더 괜찮은 외과의가 돼 있다.

 

6개월 후로 가보자.  오전 6 30분이고, 크리스틴은 다른 환자를 수술실로 데리고 가는 중이다. 하지만 이번 수술은 로봇수술이다. 집도의가 수천 파운드짜리 로봇의 설정을 주도해, 팔 네 개를 환자에게 부착한다. 그와 크리스틴의 자리는 15피트 떨어진 제어콘솔 안이다. 그들은 환자에게 등을 돌리고 있다. 크리스틴은 집도의가 원격으로 로봇의 팔을 움직여 세심하게 조직을 찾아내 절제하는 모습을 그냥 지켜본다. 로봇을 이용하면 집도의 혼자 수술할 수 있고, 그는 실제로도 거의 혼자 수술을 진행한다. 크리스틴도 실습이 필요한 것을 알고는 있지만, 그는 집도의가 혼자 하는 것보다 더 느리고 실수를 더 많이 저지를 수 있다. 네 시간이 소요되는 수술시간 동안 그가 15분 정도만 참여해도 운이 좋은 편이다. 크리스틴은 알고 있다. 실수를 하게 되면 집도의가 터치 스크린을 툭 쳐서 제어권한을 가져갈 것이고, 공공연히 그를 밀어내 옆에서 지켜보게나 할 것이다.

 

수술은 어려운 일이지만, 최근까지도 외과의들이 일을 배우는 방식은 우리가 일을 배우는 방식과 같았다. 우리는 전문가를 지켜보며 배운다. 처음에는 쉬운 일을 하고, 전문가의 밀접한 지도하에 더 어렵고 리스크가 큰 일을 맡게 되고, 그 이후에 전문가라 할 수 있는 단계에 이르게 된다. 이 프로세스는 견습, 멘토링, 현장실습 등 여러 이름으로 불렸다. 수술실에서는보라, 하라, 가르치라로 통한다.

 

현장실습은 매우 중요하지만, 기업은 이를 당연시한다. 현장실습에 공식적으로 비용지원이 되거나 회사 차원에서 관리되는 일이 거의 없다. 2018년 전 세계 기업들이 공식적인 훈련에 쓴 돈은 약 3660억 달러로 추산되지만, 그중 현장실습에 들어가는 돈은 매우 적다. 수십 년간 발표된 많은 연구들에 따르면, 고용주가 제공하는 훈련이 아무리 중요하다 해도 특정 업무를 안정적으로 수행하는 데 필요한 스킬은 해당 업무를 직접 해봐야 배울 수 있다. 대부분의 기업이 현장실습에 크게 의존한다. 2011년 액센추어의 조사에 따르면, 지난 5년간 공식적 학습을 통해 새로운 업무에 필요한 스킬을 배운 경우는 직원 다섯 명 중 한 명에 지나지 않았다.

 

오늘 날의 현장실습은 위기에 처해 있다. 현장실습은 역사도 길고 효과적인 학습방법이지만, 최근 급격하게 여러 분야에서 도입되고 있는 정교한 애널리틱스, AI, 로봇 때문에 바닥부터 흔들리고 있다. 이런 기술들이 업무를 자동화하면서 매년 수만 명이 직업을 잃거나 얻게 될 것이며, 수백만 명이 새로운 스킬과 업무방식을 배워야 할 것이다. 그럼에도 기업이 AI를 도입하면서 중요한 학습 루트가 막혔다는 증거는 다양하게 발견된다. AI의 도입으로 훈련생들이 학습의 기회를 잃게 되고, 전문가들도 직접 업무를 수행할 기회에서 멀어지고 있으며, 훈련생과 전문가 모두 새 기술과 옛 기술을 동시에 마스터해야 한다는 의무감으로 과중한 부담을 받는다는 것을 나와 동료 연구자들은 알게 됐다.

 

그렇다면, 직원들은 어떻게 이런 머신을 사용하면서 스킬을 익힐 수 있을까? 기존 관습에 도전하는 학습방법으로 업무를 배우는 학습자들을 관찰한 결과 어떤 동향을 읽을 수 있었다. 이런 학습방법은 남의 이목을 끌지 않으며, 그 효과 때문에 용인되고 있다. 나는 이렇게 널리 사용되지만 비공식적으로 남아있는 프로세스를그림자학습shadow learning이라 부른다.

 

 

직업학습의 장애물

 

그림자학습은 2년간의 수련과정이 있는 미국 전역의 열여덟 개 최상위 병원 외과전문의 및 외과 레지던트를 관찰하는 과정에서 발견됐다. 나는 두 가지 상황에서의 학습과 훈련을 연구했다. 전통적인 (공개) 수술과 로봇수술이다. 나는 로봇수술이 외과전문의, 레지던트, 간호사, 스크럽 간호사[1]에게 어떤 어려움을 제기하고 있는지 데이터를 모았다. 특히 기존 관습과는 다른 방식으로 수술을 배우는 소수의 레지던트에 집중했다. 비록 이 연구가 외과수술을 집중적으로 다루긴 했지만, 내 목적은 주로 학습과 훈련의 역학을 밝혀내는 것이었다. 이런 역학은 인공지능이 도입된 여러 분야에서 공통적으로 나타날 것이다.

 

이 연구를 위해 나는 아직 소수지만 점점 늘어나고 있는 현장연구자들의 그룹과 연락을 취했다. 이들은 스마트 머신과 인간이 인터넷 스타트업, 치안유지 조직, 투자은행, 온라인 교육과 같은 환경에서 어떻게 일하는지 연구하고 있었다. 이들의 연구는 내가 외과 수련과정에서 관찰한 것과 비슷한 역학을 발견했다. 이들의 다양한 연구를 기반으로 나는 스킬을 습득하는 데 가장 공통적으로 나타나는 네 가지 장애물을 찾아냈다. 이런 장애물 때문에 그림자학습이 생겨나게 된다.

 

 

 

1.훈련생들은 이제학습 현장Learning Edge에서 멀어지고 있다.”어떤 유형이건 사람을 교육하는 데에는 비용이 들고 어쩔 수 없이 신참들의 참여로 결과물의 질은 떨어질 수 있다. 신참들은 느리고 실수를 하기 때문이다. 크리스틴의 경우와 마찬가지로 조직은 AI를 도입하면서 훈련생들을 위험하고 복잡한 업무에서 배제하는 방식으로 대처하는 경우가 많다. 따라서 훈련생들이 능력에 넘치는 일로 고군분투하며 제한된 도움을 받아 실수를 만회하는 상황을 겪을 일이 점점 없어진다. 그런데 점점 없어지는 바로 그런 상황이 새로운 스킬을 배우는데 필수요소다.

 

이런 현상은 투자은행에서도 발견된다. 뉴욕대의 캘런 앤서니Callen Anthony에 따르면, 어느 투자은행에서는 파트너급들이 M&A 업무에서 알고리즘으로 분석한 기업 밸류에이션을 직접 해석하는 일이 많아지면서 주니어 애널리스트들이 시니어 파트너급과 점점 멀어지고 있다고 한다. 주니어 애널리스트들은 인터넷에서 기업의 재무 데이터를 자동으로 긁어 모으는 시스템에서 보고서를 내려받아 시니어 파트너들에게 전달하는 단순업무를 맡고 있었다. 이런 분업의 암묵적 근거는 무엇일까? 첫째, 주니어들이 고객과 밀접한 정교한 업무에 실수를 저지르는 위험을 줄인다. 둘째, 시니어 파트너의 효율성을 높인다. 주니어급에게 업무를 설명할 시간이 줄어들수록, 파트너급이 고난도 분석작업에 집중할 시간은 많아진다. 효율성면에서는 단기적 이득이 있다. 하지만 주니어 애널리스트들이 어렵고 복잡한 일을 할 기회를 잃게 되면서 전체 밸류에이션 프로세스를 배우기가 더 어렵게 되고, 궁극적으로 회사의 미래 역량을 갉아먹게 된다.

 

2. 전문가들이 업무에서 멀어진다.때로는 AI가 훈련생과 업무 사이를 가로막고, 때로는 전문가들이 직접 해야할 중요 업무도 AI 때문에 할 필요가 없어진다. 로봇수술에서 의사는 수술 내내 환자의 몸이나 로봇을 직접 보지 않는다. 그러니 직접 판단을 하고 중요한 절차를 관리할 수도 없다. 기존의 전통적 방식의 수술에서는 수술기구가 환자의 몸에 어떤 해를 입히는지 집도의가 정확하게 파악하고 조처했다. 하지만 로봇수술에서는, 로봇팔이 환자의 머리를 치거나 스크럽 간호사가 로봇 팔 하나를 교체하려고 해도 의사는 누가 말해주기 전까지는 모른다. 이는 학습에 대해 두 가지 시사점을 준다. 외과의들이 스스로 수술 전체를 읽는 감각을 키울 수 있는 스킬을 연습할 수 없다. 다른 사람을 통해 업무를 이해하는 새로운 스킬을 쌓아야 한다.

 

펜실베이니아대 벤저민 셰스타코프스키Benjamin Shestakofsky는 주식 상장 전인 어느 스타트업에서도 비슷한 현상이 벌어졌다고 설명했다. 이 기업은 지역의 노동력과 구인 매칭을 위해 머신러닝을 사용하고, 노동자와 고용주 사이의 조건 협상을 위한 채용 플랫폼을 제공한다. 처음에는 알고리즘이 적절한 매칭을 찾아내지 못했고, 따라서 샌프란시스코의 매니저들이 필리핀에서 사람을 고용해 수작업으로 매칭을 만들어 내게 했다. 노동자들이 플랫폼 사용에 어려움을 겪었을 때에도, 예를 들어 고용주 측에 견적을 보내거나 결제 체계를 만드는 데 어려움을 겪었을 때에도 이 스타트업의 매니저들은 라스베이거스에 있는 업체를 아웃소싱해 필요한 지원을 조달했다. 매니저들은 시간을 벌며, 한정된 자원으로 상품을 완성할 수 있는 돈과 엔지니어를 구하기 위해 헌신하고 노력했다. 업무를 남에게 맡기면서 매니저들과 엔지니어들 모두 비즈니스 개발과 코드 작성에 집중할 수 있었지만, 중요한 학습 기회를 잃었다. 또한 고객, 즉 노동자와 고용주들에게서 플랫폼 사용시 겪는 문제나 개발을 원하는 기능 등에 대한 직접적이고 정기적인 피드백도 받을 수 없었다.

 

3. 학습자들은 옛 스킬과 새로운 스킬을 모두 마스터하라는 기대를 받는다.로봇수술은 급진적으로 새로운 테크닉과 기술로 이뤄져 있지만 로봇수술이 달성하려는 목표는 전통적 방식의 수술과 같다. 정확성과 편의성을 향상시킬 것이라는 기대 속에 이런 신기술이 커리큘럼에 들어오게 되면서, 레지던트는 로봇수술 기법과 공개 수술 기법을 모두 배워야 했다. 하지만 이 둘을 모두 철저하게 배울 시간은 없었고, 그러다 보니 레지던트들이 둘 중 어느 것도 마스터하지 못하는 최악의 결과로 이어지기도 했다. 나는 이 문제를 방법론적 과부하라고 부른다.

 

버클리 캘리포니아대의 스리하시 켈카르Shreeharsh Kelkar는 개방형 온라인 강좌(MOOC)를 개발하려고 edX라는 새로운 기술 플랫폼을 사용하던 교수들도 비슷한 현상을 겪었다는 점을 밝혔다. edX는 학생과 플랫폼과의 상호 작용(클릭, 게시물, 동영상 재생 일시중지 등)에 대한 세밀한 알고리즘 분석을 기반으로 수업 디자인 도구와 강의 조언을 제공했다. 온라인 강좌를 개설하려는 사람들은 신규 스킬을 대거 배워야 했다. edX의 사용자 인터페이스를 다루는 법, 학습자 행동의 애널리틱스 해석, 수업 프로젝트 팀의 구성과 관리 등등을 익히며 전통적인 수업을 유지하기 위한구식스킬도 계속 다듬어야 했다. 이런 긴장감은 모두에게 힘든데 특히 이런 방법이 계속해서 변하기 때문에 더욱 그렇다. 새로운 툴, 지표, 예측 등이 거의 매일 새로 등장하고, 강사들은 이를 빨리 파악해서 마스터해야 했다. 신구 방법을 모두 다룰 줄 아는 사람들은 이미 IT기술에 대해 잘 알고 있고 조직의 뒷받침을 이미 많이 받고 있는 사람들뿐이었다.

 

4.표준적인 학습방법은 효과가 있을 것이라 추정된다.수십 년간의 연구와 전통은 의학계의 훈련생들에게보라, 하라, 가르치라의 방법을 고수하지만, 이 방법은 우리가 앞에서 봤듯이 로봇수술에는 별로 통하지 않았다. 그럼에도 합의된 학습방법을 따라야 한다는 압박감은 너무나 강해서 여기서 벗어나는 경우는 거의 없다. 여러 연구 결과나 현장의 관습, 공식적인 정책, 전문의들의 의견 등은 모두 전통적 방법에 따른 외과의 훈련을 계속 강조하고 있지만, 로봇수술에 대비한 업데이트가 필요한 것도 분명한 사실이다.

 

텍사스대 세라 브레인Sarah Brayne은 치안유지 분야에서도 이런 학습방법과 니즈 간 불균형이 있다는 것을 발견했다. 로스앤젤레스의 경찰서장과 경찰관들은 알고리즘을 통해 생성된 순찰 루트를 바탕으로 해서 전통적인 치안유지 방법을 적용하려 했다. 이런예측적 치안유지의 효용성은 불분명하고, 그 바닥에 깔린 논리는 윤리적 논쟁을 부를 만한 것이었지만, 수십 곳의 경찰 조직들이 이 방법에 크게 의존하고 있다. 로스앤젤레스 경찰의 PredPol 시스템은 로스앤젤레스를 500피트 너비의 사각형 500, 박스로 분할했고, 각 상자의 범죄 발생 예상률을 분석했으며, 그에 따라 박스마다 경찰관을 배치했다. 브레인이 보기에 일선 경찰관들이나 경찰서장은 AI 주도의 업무 분배를 언제 어떻게 따라야 하는지를 잘 이해하지 못하고 있었다. 경찰 사회에는 뭔가 새로운 것을 배우라고 할 때도 공식적 지시는 최소화하고 전통적인 방식으로 현장에서 배우게 하라는 전통이 있다. 그러다 보니, 경찰서장들은 경찰관들이 업무를 수행하며 범죄 예측 시스템을 어떻게 활용하는지 스스로들 배울 것이라고 내다봤다. 이런 식으로 전통적인 현장실습에 의존하다 보니 새로운 툴이나 가이드에 대해서는 혼란과 저항이 생겼다. 서장들은 경찰관들이 일단박스로 나간 후에는 지시를 내리고 싶어하지 않았다. 경찰관들이 각자의 경험적 지식과 판단력에 의존하기를 바랐다. 더욱이 경찰관들의 자율성을 공공연하게 제한하거나 일거수일투족 간섭해서 사기를 꺾고 싶지도 않았다. 그러나, 이렇게 전통적인 현장실습법에 의존하다 보니 은연중에 학습을 지연시키고 방해하는 셈이 됐다. 많은 경찰관들이 PredPol 사용법이나 장점을 이해하지 못했고, 그러다 보니 이 시스템을 완전히 무시하기도 했다. 그러나 여전히 시스템이 내린 업무 분배를 따를 책임은 있었다. 이런 혼란으로 인해 경찰들은 시간을 낭비하고, 시스템을 믿지 못하게 됐으며, 의사소통상의 오류나 데이터 입력을 속이는 일도 늘어났다. 이런 현상들이 치안을 유지하는 데 악영향을 줬다.

 

그림자학습

 

이런 장애물에 직면한 그림자학습자들은 남모르게 기존 관습을 어기거나 변형해서 필요한 지시와 경험을 쌓는다. 크게 놀랄 일이 아니다. 100년 전 사회학자 로버트 머튼Robert Merton은 적법한 방법이 가치 있는 목표를 달성하는 데 더는 효과가 없을 때 일탈이 일어난다고 했다. 직업의 궁극적 목표인 전문성도 예외가 아니다. 내가 설명한 장애물을 생각해보면, 학습자들은 핵심 스킬을 배우려면 비정상적인 방법을 찾아야만 한다. 사람들은 독창적이고 효과적인 방법을 찾곤 한다. 하지만 여기에는 개인적, 조직적 대가가 따른다. 그림자학습자들은 처벌을 받기도 하고(: 실습기회와 지위의 상실) 낭비와 손실을 야기하기도 한다. 그럼에도 사람들은 반복해서 리스크를 감수한다. 공식적인 방법으로 배울 수 없을 때는 이런 그림자학습이라도 해야하기 때문이다. 이런 일탈적 관습을 무비판적으로 따라하라는 건 나쁜 생각이지만, 조직은 여기서 배울 점이 있다.

 

고생할 기회를 찾는다.로봇수술에 참여한 훈련생들은 직접 수술을 해 볼 시간이 거의 없다. 훈련생들은 고생을 해야 배우는 게 있다는 걸 알고 있지만 집도의들은 집도 기회를 주려 하지 않는다. 그래서 그림자학습자들은 이런 문제를 해결하기 위해, 최소한의 감독만 받으면서 자신의 능력을 최대치까지 발휘해 수술해볼 기회를 찾는다. 내가 관찰했던 레지던트 중 전문가가 되는 데 성공한 일부는 원하는 만큼 로봇을 조종할 수 있는 방법을 찾았다. 아직 연륜이 쌓이지 않은 집도의가 수술할 때 협업하는 전략이었다. 로봇수술이 가장 많이 보급된 비뇨기과의 레지던트들은 집도의가 로봇수술에 그다지 능하지 않은 다른 진료과에 가서 수술에 참여해 제한된 엘리트 교육의 후광효과를 이용할 수 있었다. 다른 과의 집도의들은 비뇨기과에서 온 레지던트들이 하는 로봇수술에 질적 이상이 발생해도 이것을 알아채기가 쉽지 않았고, 또 그 레지던트들이 로봇수술 전문가의 지도를 (약간이나마) 받았다는 것을 알고 있었다. 그래서 레지던트에게 수술시간을 더 많이 내어 줬고 심지어 레지던트에게 조언을 구하는 일도 있었다. 하지만 이것이 이상적인 학습 전략이라고 보기는 어렵다.

 

복잡한 밸류에이션 업무에서 배제된 주니어 애널리스트들은 어떠한가? 한 회사에서는 주니어와 시니어 레벨들이 이 회사에서 새로 채택한 표준업무방법을 무시하고 함께 일하면서 그림자학습을 실천했다. 주니어 애널리스트들이 분석작업에 필요한 데이터가 있는 보고서를 작성하는 것 자체는 변하지 않았지만, 이후의 분석작업에는 시니어 파트너들과 함께 일했다.

 

이러한 방식으로 일하고 학습하는 건 비즈니스적으로는 위험한 행보다. 실제로 이런 과정을 통해 분석작업이 느려지고, 주니어 애널리스트들이 빠른 속도로 다양한 밸류에이션 방법과 계산법을 다뤄야 하기 때문에 실수가 동반되지만 이걸 잡아내기도 쉽지 않다. 하지만 주니어 애널리스트들은 M&A에 관련된 다양한 기업과 산업과 이해관계자들에 대해 깊이 있는 지식을 쌓게 됐고, 전체 밸류에이션 프로세스를 다룰 줄도 알게 됐다. 이해하지도 못하는 시스템의 일부로 남기보다 업무에 실제 참여해서 더 상위의 역할을 맡을 수 있게 된 것이다. 의외의 수확도 있었다. 주니어들의 참여과정에서 분석용 데이터 생성을 위해 사용하던 여러 종의 소프트웨어 패키지가 때때로 특정 기업에 대해 수십억 달러까지 차이 나는 밸류에이션 수치들을 내놓는다는 점이 발견됐다는 것이었다. 주니어들이 계속 밸류에이션 업무에서 배제됐더라면 이런 점은 끝까지 드러나지 않았을 것이다.

 

최일선의 노하우를 이용한다.앞서도 말했지만 로봇수술의들은 환자에게서 떨어져 있고 전체적인 수술감각이 부족해진다. 그러다 보니 레지던트는 원하는 스킬을 얻기가 더 어렵다. 더 큰 그림을 이해하려면 스크럽 간호사에게 의존해야 할 때도 있다. 스크럽 간호사는 처음부터 끝까지 수술 전체 과정, 환자의 몸 전체, 로봇팔의 위치와 움직임, 마취과 의사와 간호사의 활동, 환자 주변의 기타사항, 기구와 물품 등등 모든 것을 볼 수 있다. 최고의 스크럽 간호사는 수천 번의 수술을 세심하게 지켜본 사람이다. 그래서 어떤 레지던트들은 제어콘솔에서 내려와 침상 옆으로 가서 집도의가 아닌 이런수퍼 스크럽에게 복압(腹壓)이 비정상인지, 체액을 언제 빼내야 하는지, 전기 메스를 이용해 조직을 지지는 소작(燒灼) 과정에서 연기를 언제 제거해야 하는지 등등 기술적인 질문을 하곤 한다. 원래 관행에 맞지 않지만 레지던트들이 집도의가 모르게 이렇게 하는 경우가 많다.

 

그렇다면 필리핀과 라스베이거스의 인력을 아웃소싱했던 채용 플랫폼 스타트업 매니저들은 어떻게 했을까? 이 회사는 매니저들이 투자금 유치와 엔지니어 고용에만 집중하기를 원했다. 하지만 몇몇 매니저들은 매칭을 성사시킨 일선의 계약 노동자들에게 왜, 그리고 어떻게 이런 매칭을 했는지 배우기 위해 시간을 투자했다. 이런 과정은 회사가 프로세스를 재정비해 데이터를 획득하고 정리할 수 있는 통찰로 이어진다. 안정된 플랫폼을 만들려면 필수적인 과정이다. 신중한 매니저들 일부는 라스베이거스의 고객서비스단과 회의를 갖기도 했는데, 실제 고객들(구직자들)이 시스템을 제대로 사용할 수 있도록 돕는 건 라스베이거스 팀이었기 때문이다. 이런라이드 얼롱ride along’을 통해서 매니저들은 회사의 자원을 사용자 인터페이스 개선에 돌려쓸 수 있었다. 이 과정이 뒷받침돼 이 회사는 새로운 사용자를 계속 확보하고 성공에 필요한 머신러닝 시스템을 구축할 엔지니어도 계속 채용할 수 있었다.

 

역할을 재설계한다.우리가 AI를 사용하기 위해 만들어낸 새로운 업무방식은 다양한 그림자학습 전략으로 이어지고, 이에 따라 업무도 재구성되고 실적의 측정과 보상도 달라진다. 외과 레지던트는 로봇수술 전문은 되지 않겠다는 결정을 일찌감치 내리고, 로봇수술실 견습을 의식적으로 최소화할 수도 있을 것이다. 내가 인터뷰한 몇몇 간호사들은 로봇수술에서 나타나는 시스템과 장치의 문제해결에 투입되는 걸 더 선호했는데, 그러면 은연중에 공개 수술 배정을 피할 수 있기 때문이었다. 외과수술실 담당 간호사들은 현재 수술실 트렌드나 스킬을 잘 알고 있기에 그들에게 할당되는 포괄적인 업무분담은 피하고자 한다. 조직의 공식적 변화와는 관계없이 사람들은 스스로 업무에 더 잘 들어맞는 역할을 암묵적으로 인식하고 개발해 나가는 성향이 있다.

 

경찰서장들이 경찰관에 대한 기대를 어떻게 바꿨는지도 생각해 보자. 일선 경찰들은 예측적 애널리틱스와 현장 업무의 결합에 골치를 앓고 있었다. 브레인에 따르면 PredPol박스에 배정된 많은 경찰관들이 전통적인 업무실적에서는 생산성을 올리지 못하는 것으로 나타났다. 즉 체포자 수, 표창장, 현장인터뷰(현장인터뷰 카드는 시민들과 경찰관이 접촉한 기록으로 수상한 사람을 발견했을 때 작성한다) 등에서는 뒤처지고 있었다. 현장인터뷰는 AI 기반의 치안활동에 특히 중요한데, 체포로 이어지지 않더라도 예측 시스템에 입력할 중요한 데이터를 제공해 주기 때문이다. 시스템이 지시하는 곳으로 경찰관이 출동해도 체포도 이뤄지지 않고, 티켓을 끊거나 현장인터뷰를 작성하지 않는 일이 잦았다.

 

이런 전통적 실적 측정 때문에 일선 경찰관들이 PredPol의 권장사항을 더욱 따르지 않게 된다는 것을 알게 된 일부 서장들은 표준 업무방식에서 살짝 비켜나 공식적으로 혹은 사적으로 경관들을 칭찬하기 시작했다. 표창을 받거나 체포건수가 많아서가 아니라, 알고리즘 배정에 따라 일하는 법을 배운다는 점을 높이 샀다. 어느 반장의 표현에 따르면좋아. 하지만 지금 범죄 가능성이 어디가 높은지가 중요한 거니까 일단 거기 앉아 있어. 범죄가 일어나지 않으면 그게 성공이야.” 이 서장들은 치안유지 활동이라기엔 부적절한 활동을 격려하는 리스크를 감수하고 있었지만, 그러면서 사법활동의 미래를 앞당기는 데 기여하고 있었다. 앞으로 PredPol이 계속 현장에서 쓰일지는 모르지만, 경찰이 AI와 협업할 일은 점점 많아질 것이다.

 

솔루션을 선별한다.로봇수술에 참여한 훈련생들은 가끔 공식적 직무가 아닌 일에 시간을 쏟곤 한다. 전문가 수술을 건별로 모두 녹화하고 해설을 붙이고 공유하는 것이다. 녹화본을 만드는 것은 자신과 다른 이들을 위한 자원을 확보하는 것 이외에도 스스로 배우는 기회가 된다. 수술과정의 단계, 테크닉, 실패의 유형, 돌발상황 시 대응 등을 분류해야 하기 때문이다.

 

구식 교수법을 유지하면서도 온라인 강좌 개설을 위해 애쓰던 강사들은 신기술 습득에도 비슷한 테크닉을 사용했다. edX는 강사들이 수월하게 일할 수 있는 툴, 양식, 훈련자료를 제공했지만 그것으론 부족했다. 특히 초반에는 자원이 부족한 교육기관의 여러 강사들이 시간을 내어 플랫폼을 실험하고, 실패와 성공사례에 대한 자료와 비디오를 만들고, 이를 온라인에서 다른 사람들과 비공식적으로 공유했다. 이런 커넥션은 어려운 일이었다. 특히 강사들이 속한 기관이 처음에는 교육 콘텐츠나 교수법을 온라인에서 공유하는 것에 대해 내키지 않아 할 때가 문제였다.

 

다른 유형의 그림자학습이 edX의 초기 사용자들 사이에 나타났다. 최상위급 교육기관에서 풍부한 재정과 지원을 받는 교수들이 이 플랫폼의 개발 시 초기 피드백을 제공했는데, 이들은 필요한 자원과 지원을 edX에서 받기 위해서 서로간에 비밀스럽게 정보를 공유했다. 플랫폼에 원하는 변경사항을 요구하고, 자금과 인적 지원을 확보하는 방법 등에 대한 정보였다.

 

그림자학습자들에게서 배워라.그림자학습이 이상적 솔루션이 아닌 것은 확실하다. 업무를 마스터하겠다고 해고당할 위험을 무릅쓰는 일은 없어야 한다. 하지만 이런 학습방법은 전문성의 습득이 더욱 어렵고 중요해진 세상에서 어려운 과정을 거쳐 검증된 것이다.

 

그림자학습자들이 보이는 네 가지 패턴의 행동, 즉 배울 기회를 스스로 찾는 것, 최일선의 노하우를 이용하는 법, 역할 재설계, 솔루션의 선별은 각기 상응하는 전략적 행동방법도 제시한다. 그림자학습자들이 알려주는 교훈을 잘 이용하려면 기술전문가, 관리자, 전문가, 노동자 스스로 이렇게 행동해야 한다.

 

학습자들이 (모의가 아닌) 실제 상황에서 역량을 최대한 발휘할 수 있는 기회를 만들어 줘라. 학습자들이 실수와 만회를 통해 배울 수 있다.

 

일선의 경험자들이 강사와 코치로 일할 수 있는 확실한 채널을 만들어라.

 

역할과 보상을 재구성해서 학습자들이 AI와의 업무방식을 마스터하도록 지원하라.

 

검색 가능하고 주석이 달려 있고, 크라우드소싱된스킬 저장소를 구축하라. 여기에는 학습자들이 이용하거나 기여할 수 있는 툴과 전문가 조언도 포함된다.

 

이런 활동을 위한 구체적 접근법은 조직구조, 문화, 자원, 기술적 사양, 기존 스킬, 그리고 무엇보다 일의 성격에 따라 다르다. 하나의 방법이 모든 상황에 통하지는 않을 것이다. 하지만 각각의 방법을 다루고 있는 경영 연구서가 다양하게 존재하며, 외부 컨설팅을 받는 것도 가능하다.

 

좀 더 포괄적으로, 나와 동료 연구자들은 세 가지 조직 전략을 제안한다. 그림자학습의 교훈을 이용하는 데 도움이 될 것이다.

 

1.계속 연구하라.인공지능 기술의 역량이 더 커지면서 그림자학습이 빠르게 진화하고 있다. 앞으로 새로운 형태의 그림자학습이 등장하고 시사하는 바도 달라질 것이다. 신중한 접근이 필요하다. 그림자학습자들은 자신들의 방법이 일탈적이며, 그 때문에 처벌받게 될 수도 있다는 걸 깨닫곤 한다.(외과 레지던트가 연륜이 부족한 집도의의 수술실에 들어갈 기회를 찾는다는 사실을 공공연히 알린다고 생각해 보라.) 중간관리자들은 그림자학습의 결과 때문에 눈감아주곤 한다. 그림자학습이 외부로 알려지지만 않으면 괜찮다. 따라서 그림자학습자와 그 관리자들은 어느 관찰자, 특히 고위급 관리자가 직원들이 스킬을 쌓기 위해 기존관습과는 다른 방법을 취하는지 알고 싶다고 해도 별로 나서지 않으려 할 것이다. 이때 좋은 솔루션은 중립적인 제3자를 데려와 익명을 철저히 지키면서도 다양한 사례간 교육방식을 비교해 보는 것이다. 나의 정보원들은 나를 잘 알고 신뢰하며, 내가 수없이 많은 기관과 사람들을 관찰하고 있다는 점을 알고 있다. 그러므로 자신들의 정체가 보호될 거라는 확신이 있다. 이들이 마음을 열고 말을 하게 하려면 이런 부분은 필수적이다.

 

 

2.각자 발견한 그림자학습법을 도입해 조직, 업무, 기술을 설계하라.조직에서 AI를 활용하는 방식은, 한 명의 전문가가 일에 대한 통제권을 더 많이 쥐도록 하고 훈련생의 도움을 별로 받지 않도록 하는 형태일 때가 많다. 외과의 로봇 시스템은 시니어급 외과의들이 보조를 많이 받지 않고 수술할 수 있게 한다. 그래서 의사들은 그렇게 한다. 투자은행의 로봇 시스템은 시니어 파트너들이 주니어 애널리스트들을 복잡한 밸류에이션에서 배제하도록 한다. 그래서 파트너들은 그렇게 한다. 이렇게 되지 않으려면, 모든 관련자가 생산성을 높이고 현장실습의 효과를 향상시키는 조직 설계, 기술 설계, 업무 설계를 적용하자고 고집해야 한다. 로스앤젤레스 경찰을 예로 들면, 일선 경찰관들에 대한 보상체계도 바꿔야 할뿐만 아니라 PredPol의 사용자 인터페이스를 재설계해야 하고, 경찰관과 소프트웨어 엔지니어를 연결할 수 있는 새로운 직책을 만들고, 경찰관이 직접 주석을 단 모범 사례 데이터 저장소를 구축해야 한다.

 

 

3.지능형 기계를 솔루션의 일부로 만들어라. AI는 학습자들이 어려움을 겪을 때 지도하고, 전문가들에게는 멘토십에 대한 조언을 제공하며, 이 두 그룹을 스마트하게 연결할 수 있는 지능형 기계를 구축할 수 있다. MIT 박사과정에 있던 김주호[2]가 만든 ToolScape LectureScape가 그런 예다. 이 시스템은 교육비디오에 여러 사람이 크라우드소싱으로 주석을 달 수 있도록 했고, 이전 사용자들이 영상을 보다가 추가 내용을 알아보기 위해 잠깐 멈췄던 부분을 알아내 이를 교수들에게 제공했다. 이는 더 명확하고 실용적인 교육 동영상 자료를 만드는 기회가 됐다. 그는 이를 러너소싱learnersourcing이라고 불렀다. 하드웨어적인 면에서는 증강현실 시스템이 전문가의 지도와 해설을 업무흐름 안으로 가져오기 시작했다. 기존의 증강현실 앱은 태블릿과 스마트 글래스를 사용해 업무관련 지시를 실시간으로 띄운다. 보다 복잡한 지능형 시스템도 곧 등장할 것 같다. 예를 들면 시스템이 공장에서 가장 일을 잘하는 용접공의 녹화분을 견습 용접공의 시각 필드에서 볼 수 있게 한다. 이렇게 일하는 방식을 보여주고, 견습생이 이를 따라 한 것을 녹화해 맞춰보면서 견습성과 해당 용접공을 연결해 주는 것이다. 이 분야에 종사하는 엔지니어들이 점점 많아지고 있지만 대부분 정규 훈련 부문에 집중하고 있다. 문제가 심각해지는 것은 현장실습 쪽이므로 이제 이런 쪽으로의 노력이 더 필요할 것 같다.

 

수천 년간,기술이 진보하면 업무 프로세스도 바뀌었다. 견습생들은 필요한 스킬을 멘토에게서 배웠다. 하지만 우리가 지금까지 살펴봤듯 지능형 기계의 도입은 생산성 향상이라는 미명 아래 견습생들을 마스터로부터 밀어내고 있으며, 마스터들을 일 그 자체에서 밀어내고 있다. 조직은 뜻하지 않게 인간의 개입보다 생산성 향상 쪽을 선택하고, 그 결과 현장실습은 더 어려워지고 있다. 이런 상황 속에서 그림자학습자들은 위험하고 비전통적인 방법을 찾아 업무를 배운다. 지능형 기계의 비중이 더 커지고 있는 이 세상에서 경쟁하려는 조직은 이런일탈에 주목해야 한다. 이들의 행동을 보면 미래에 최상의 업무가 이뤄지는 방식을 알아내기 위한 통찰을 얻을 수 있다. 미래에는 전문가, 견습생, 지능형 기계가 함께 일하고 배우게 될 것이다. 

 

번역 송채영 에디팅 고승연

 

 

[1]환자의 준비를 점검하고, 의사의 장갑과 가운 착용을 도우며, 수술도구를 건네주는 수술보조 간호사

[2] KAIST 전산학과 교수로, 인터랙션 연구실(KIXLAB, Kixlab.org)을 운영하고 있다

 

 

맷 빈(Matt Beane)은 샌타바버라 캘리포니아대의 기술경영 부교수이며, MIT 디지털이코노미 이니셔티브 연구원이다.

 

 

페이스북 트위터

2019 9-10월호 다른 아티클 보기

목록보기

무료 열람 가능 아티클 수 0/1 회원가입 | 서비스상품안내