🥕AI 시대, 인류학자가 기업으로 간 이유

이제 AI를 빼놓고 업무를 논하기 힘들 정도로 AI를 활용하는 것이 자연스러운 일상이 되었습니다. 그중에서도 핵심이 되는 것이 ‘반복적인 업무를 어떻게 자동화할 것인가’인데, 막상 우리가 하는 업무를 들여다보면 아무리 단순한 업무여도 똑같이 반복되는 일은 없습니다. 업무 자동화를 위해서는, 비슷해 보이지만 다른 형태로 반복되는 기존의 다양한 업무 사례를 데이터로 만들어서 AI에게 학습시키고 활용할 수 있어야 하는데 이 단계에서 난관에 부딪히는 경우가 많습니다.

HITACHI의 인류학적 실험

일본을 대표하는 기업 중 한 곳인 HITACHI도 줄어드는 노동 인구에 대한 대응과 업무 효율화를 위해 업무 전반에 AI를 도입하고 활용하려고 하던 중 비슷한 어려움을 겪었습니다. 숙련된 직원이 있는 현장에 가서 업무를 파악하고, 소위 암묵지를 형식지로 바꾸는 작업을 하려 했으나 현장에는 말로 하기 힘든 영역이 존재했던 것입니다. 예를 들어, 철도 관리 시스템에 데이터를 축적하고 AI를 도입하기 위해 30년 경력의 철도 베테랑을 찾아가 업무 노하우를 알려달라고 하면 “사실 특별한 건 없고 그냥 하다 보니까 된 거예요.”와 같은 답이 돌아오는 것입니다.

이런 과정을 거치던 중 HITACHI는 눈에 보이지 않는 지식을 캐내기 위해 인류학자(Ethnographer)를 현장에 투입했습니다. 그러자 그동안 알아내기 어려웠던 답들이 나오기 시작했습니다. “지금까지 해결했던 문제 중 가장 해결하기 어려웠던 철도 사고와 관련된 에피소드가 있을까요?”라는 질문을 시작으로 철도 베테랑들이 그동안 쌓아온 노하우들을 술술 풀어내기 시작했습니다. 처음 어떻게 업무를 배웠고 어떻게 숙달되었는지, 그동안 어떻게 문제를 해결해 왔는지 이야기를 끌어내고 구조화한 것을 바탕으로, 철도 사고 대응 챗봇 등 AI를 활용한 시스템을 구축할 수 있었습니다.

암묵지를 형식지로 이끌어 내는 민족지학(Ethnography)의 힘

HITACHI는 현장에 투입한 인류학자들을 ‘에스노그라퍼’라고 특정해서 부를 만큼 민족지학에 집중했습니다. 전통적인 직무분석이 ‘무엇(what)’을 하는가를 기록한다면, 민족지학적 접근에서는 ‘왜(Why)’와 ‘어떻게(How)’하는 맥락을 보기 때문입니다. 인류학자들은 사무실 혹은 공장 한구석에서 자연스럽게 스며들어 숙련자들의 업무 수행 방식을 관찰하고 기록하는데, 이 과정에서 의미가 없어 보이는 행동들도 맥락을 가지게 되고, 어떤 순간에 숙련자들이 직관적인 판단을 내리게 된 것인지 알아차리게 되는 것입니다.

인류학자들은 관찰/기록 외에도 다양한 인터뷰 기법을 통해 사람들의 머릿속에 있는 이야기를 끄집어냅니다. 그중 아래 세 가지 기법이 가장 대표적으로 활용됩니다.

• 그랜드 투어 (Grand Tour): “오늘 아침 출근해서 퇴근할 때까지의 과정을 한 편의 영화라고 생각하고 들려주세요.”와 같이 하루 또는 일주일, 1년 주기를 크게 둘러볼 수 있는 질문을 통해 전체적인 흐름을 파악할 수 있습니다.
• 에피소드 중심 접근: “업무를 하던 중에 가장 해결하기 어려웠던 문제는 어떤 것이었나요?”, “가장 손에 땀을 쥐게 했던 큰 실수는 무엇이었나요?”와 같은 질문을 통해서는 위기 상황에 숙련자들이 어떻게 행동하는지 특유의 로직을 발견할 수 있습니다.
• 순진한 질문자 (Naïve Enquirer): 아무것도 모르는 아이의 시선으로 “왜 이 상황에서 이 행동을 하시는 건가요?”와 같이 질문함으로써, 숙련자 본인도 의식하지 못했던 행동에 대해 스스로 설명하게 하고 암묵지를 형식지화 할 수 있게 됩니다.

AI 시대에 가장 필요한 것은 ‘살아있는 데이터’

결국 AI를 통해 업무를 자동화하고, 숙련자들의 노하우를 후대에도 계속해서 물려주기 위해 가장 필요한 것은 ‘살아있는 데이터’입니다. 해당 업무의 20년, 30년 경력자들이 축적한 노하우가 그들의 퇴사한 후에도 계속해서 살아남아 현장에서 활약할 수 있게 하는 큰 무기가 되는 것입니다. “A라는 위급 상황에서는 매뉴얼에 있는 B 방식이 아닌 C 방식을 통해 예외 조치를 한다.”와 같은 알고리즘이 AI에 반영되어 조언을 해줄 수 있게 됩니다. 예전이라면 개인의 퇴사와 함께 사라질 뻔한 노하우가 기업의 영구적인 디지털 자산이자 시스템으로 남는 것입니다.

필자가 실제로 경험한 물류 기업 L사의 경우, 물품의 운송을 맡긴 고객의 시점에서 질문을 던지고, 물류 견적부터 예약, 도착 확인까지의 과정 중에 다양한 데이터를 축적하여 서비스를 제공하고 있습니다. 고객의 가장 기본적인 불안인 “내 물건이 지금 어디쯤 가고 있는지”라는 의문을 해소할 수 있는 실시간 추적 시스템, 기상 악화나 전쟁 등 예기치 못한 상황에 대응한 데이터를 통해 운송 경로의 위험을 분석하고 최적의 경로를 찾는 AI 시스템 등이 대표적입니다. 민족지학(Ethnography)적 접근으로, 다년간 고객의 문제를 해결해 온 과정을 데이터화 했기 때문에 가능했던 일입니다.

더 나아가, Amazon은 이런 인류학의 관점을 기반으로 AI 서비스를 개발하기도 하였습니다. 숙련공이 근무하는 현장의 대화를 녹음하여 텍스트로 기록하고(Amazon Transcribe), 이를 AI가 분석하여 구조화하는(Amazon Bedrock) 서비스입니다. 작업 도중 예기치 못한 상황에서 일어난 대화를 통해 어떻게 문제를 해결해 가는지 데이터를 축적하고 형식지화 하는 것입니다. 이를 통해 나중에는 숙련공이 퇴사한 후에도 신입사원이 자연어로 “기계에서 긁히는 것 같은 소음이 나면 어떻게 해야 해?”라고 질문하면 답변을 제공받는 시스템이 구축되었습니다.

가장 첨단을 달리는 AI를 완성한 열쇠가 가장 인간적인 학문인 ‘인류학’에 있었다는 것을 보여주었다는 점에서 HITACHI의 사례가 시사하는 바가 큽니다. AI는 방대한 데이터를 정리하고 처리할 수 있지만 데이터를 스스로 만들어낼 수는 없습니다. 앞으로 HRer들은 인류학자의 시선을 가지고, 현장의 목소리와 지혜를 직접 듣고 데이터로 만들어 내는 역할을 해야 합니다. 복잡한 데이터 처리는 AI에게 맡기고, 책상을 벗어나 사람을 만나러 가야 할 때입니다.