전문가칼럼

글 싣는 순서1. 생성형 AI 시대, HRD의 재정의2. ‘할루시네이션’과 AI 윤리3. AI가 대체할 수 없는 ‘Human Touch’4. 생성형 AI 도입의 명암5. 기업 내 지식 자산의 수직적 통합6. AI 리터러시 격차가 기업의 경쟁력 격차오늘날 기업의 핵심 자산은 자본이나 설비뿐 아니라 조직 내부에 축적된 지식과 경험이다. 그런데 지식의 경우 부서와 시스템별로 분산되어 있어 ‘지식의 파편화’ 문제가 발생하는데, (생성형) AI는 LLM, RAG, 벡터 데이터베이스, 지식그래프 등을 활용해 분산된 문서·데이터·업무경험을 연결하고, 자연어 질문을 통해 필요한 지식을 통합적으로 제공할 수 있다.이를 통해 조직은 개인의 경험이 조직의 지식으로 전환되고, 기업 전체가 함께 학습하는 ‘사내 집단지성’을 구축할 수 있다. 이 과정에서 정보보안은 지식의 무결성, 접근통제, 신뢰성을 보장하는 핵심 기반이 된다. 결국 미래 기업의 경쟁력은 AI 자체의 성능보다 기업 내 지식을 얼마나 잘 축적·연결·학습·보호·활용하는가에 의해 결정되며, 이를 실현한 기업은 조직 전체가 하나의 지능처럼 작동하는 지능형 기업(Intelligent Enterprise)으로 발전하게 된다.---‘오늘날 기업이 보유한 가장 중요한 자산은 무엇인가?’질문에 대한 답으로 과거에는 자본, 설비, 부동산, 특허, 브랜드, 고객 기반 등이 우선 언급됐다. 그러나 디지털 전환과 인공지능(AI) 기술이 기업 경영의 핵심으로 자리한 현재는 이런 전통적인 유형·무형자산 못지않게 기업 내부에 축적된 지식 자체가 중요한 전략자산으로 평가되고 있다. 여기에서 말하는 기업 지식은 단순한 문서나 데이터베이스만을 의미하지 않는다. 사업계획서, 기술보고서, 설계도면, 연구개발 결과물, 회의록, 이메일, 프로젝트 산출물, 고객 상담 이력, 장애 처리 기록, 품질관리 자료, 계약서, 규정과 매뉴얼뿐만 아니라 임직원의 경험과 판단, 성공과 실패 사례, 업무 과정에서 형성된 암묵적 노하우까지 모두 포함한다.문제는 기업이 언급한 것처럼 막대한 지식을 보유하고 있음에도 불구하고 그것을 실제 업무에 충분히 활용하지 못한다는 점이다. 대부분의 기업에선 지식이 부서별 시스템, 개인 PC, 이메일, 그룹웨어, ERP, CRM, 전자결재시스템, 클라우드 저장소, 메신저, 문서관리시스템 등에 분산되어 있다. 연구개발 부서의 기술자료와 영업부서의 고객 정보가 서로 연결되지 않고, 생산 현장의 품질 데이터와 고객서비스 부서의 불만 데이터가 독립적으로 관리되며, 과거 프로젝트의 시행착오가 다음 프로젝트의 구성원에게 제대로 전달되지 않는 경우가 많다.이처럼 기업 내부에 지식은 많지만 지식들이 서로 연결되어 있지 않은 상태를 본질적으로 표현하면 ‘지식의 파편화’라고 할 수 있다. 기업은 수많은 데이터를 생산하면서도 정작 ‘필요한 사람이 필요한 순간에 적절한 지식을 얻지 못하는’ 역설적인 상황에 놓여 있다. 정보가 부족해서 문제가 발생하는 게 아니라 정보가 지나치게 많고, 많은 정보가 서로 다른 시스템에 분산되어 있고, 그 정보들 사이의 의미적 관계를 파악하기 어렵기에 문제가 발생한다.생성형 인공지능(Generative AI)의 등장은 기업 지식관리의 구조적 문제를 근본적으로 변화시킬 가능성을 제시하고 있다. 특히, 대규모 언어모델(Large Language Model, LLM), 검색증강생성(Retrieval-Augmented Generation, RAG), 벡터 데이터베이스(Vector Database), 지식그래프(Knowledge Graph), AI Agent 등의 기술이 결합되면서 기업 내부의 분산된 지식을 하나의 지능적 체계로 통합할 수 있는 기반이 형성되고 있다.생성형 AI 기반의 지식 시스템은 과거의 단순한 문서검색 시스템과는 본질적으로 다르다. 사용자는 더 이상 특정 문서의 제목이나 파일명을 기억해야 할 필요가 없다. 자연어로 질문하면 AI가 기업 내부의 여러 시스템을 탐색하여 관련된 데이터를 검색하고, 내용을 비교·분석하며, 질문의 맥락에 맞춰 답변을 생성할 수 있다.일례로 신입사원이 “3년 전 A 프로젝트에서 고객사가 납기 지연 문제를 제기했을 때 우리 회사는 어떻게 대응했는가?”라고 생성형 AI에 질문한다고 가정해 보자. 전통적인 기업정보시스템에선 해당 직원이 프로젝트명과 담당자를 파악하고, 과거 이메일과 회의록, 보고서, 고객대응 기록을 하나씩 검색해야 한다. 그러나 생성형 AI 기반의 기업 지식시스템에선 관련 회의록, 프로젝트 보고서, 이메일, 고객지원 기록을 종합적으로 검색한 후 당시 발생한 문제, 대응 과정, 의사결정 근거, 결과 및 교훈까지를 하나의 답변으로 정리할 수 있다.이런 변화는 단순한 검색 편의성 향상을 넘어선다. 생성형 AI는 기업 구성원 개개인이 가지고 있는 지식과 여러 정보시스템에 분산된 데이터를 연결하여 기업 전체가 하나의 거대한 지능처럼 사고할 수 있는 구조, 즉 ‘사내 집단지성(Collective Intelligence)’을 구축할 수 있는 기술적 토대를 제공한다. 따라서 앞으로 기업의 AI 경쟁력은 단순히 ChatGPT와 유사한 서비스를 도입했는가로 결정되지 않는다. 더 중요한 것은 기업 내부의 지식자산을 얼마나 체계적으로 수집하고, 구조화하고, 연결하고, 보호하며, 생성형 AI를 통해 활용할 수 있는가다. 이것이 바로 기업 지식자산의 ‘수직적 통합’이라는 관점에서 생성형 AI를 바라봐야 하는 이유이다.기업에선 매일 엄청난 양의 정보가 생성된다. 경영진은 전략과 의사결정에 관한 문서를 생산하고, 연구개발부서는 기술문서와 실험 결과를 축적하며, 영업부서는 고객과 시장에 관한 정보를 관리한다. 생산부서는 공정과 품질 데이터를 생성하고, 인사부서는 조직과 인력 데이터를 관리하며, 정보보안 부서는 로그, 사고대응 기록, 취약점 분석 결과를 지속적으로 생산한다. 하지만 이들 정보는 대부분 각 부서의 업무 목적에 맞는 시스템에 저장된다. 결과적으로 하나의 조직 안에 여러 개의 독립적인 ‘지식 섬(Island of Knowledge)’이 만들어진다.예를 들어 ‘고객 이탈’이라는 하나의 문제를 분석하려고 해도 관련 지식은 다양한 장소에 존재한다. CRM에는 고객의 구매 이력이 존재하고, 고객센터에는 불만 상담 기록이 있으며, 영업부서에는 담당자의 고객관계 경험이 있고, 품질관리 부서에는 제품 불량 기록이 존재할 수 있다. 온라인 마케팅 시스템에는 고객의 웹사이트 방문과 캠페인 반응 데이터가 있을 수도 있다. 이런 데이터를 서로 연결하지 못한다면 기업은 고객 이탈이라는 현상을 부분적으로만 이해하게 된다.기업의 지식 문제는 크게 세 가지 차원에서 나타난다.첫 번째는 물리적 분산으로, 지식이 여러 서버, 데이터베이스, 클라우드, 개인 PC 등에 분산되어 존재한다. 두 번째는 논리적 분산으로, 같은 고객 또는 같은 프로젝트를 의미하는 데이터라고 하더라도 시스템별로 서로 다른 식별자와 형식을 사용하기 때문에 관계를 연결하기 어렵다. 세 번째는 의미적 분산으로, 서로 다른 부서가 동일한 개념을 다르게 표현하기 때문에 단순한 키워드 검색으로는 관련 지식을 발견하기 어렵다.예를 들어 정보보안부서에서 ‘이상행위’로 표현한 것을 IT운영부서에선 ‘비정상 트래픽’, 고객지원부서에선 ‘서비스 접속 오류’라고 표현할 수 있다. 실제로는 동일하거나 서로 밀접한 사건을 가리키면서도 용어가 다르기 때문에 기존 검색 방식으로는 연관성을 발견하기 어렵다. 이것이 기업 지식관리가 실패하는 중요한 원인이다.많은 기업이 이미 수년 전부터 ‘지식관리시스템(Knowledge Management System, KMS)’을 구축해 왔다. 하지만 상당수의 KMS는 기대한 수준의 효과를 얻지 못했다. 가장 큰 이유는 사용자가 직접 문서를 등록하고, 분류하고, 태그를 입력해야 했기 때문이다. 시간이 지날수록 문서는 증가했으나 분류체계는 복잡해졌고, 검색 정확도는 낮아졌다.특히, 기존의 검색 시스템은 ‘문자열의 일치’에 지나치게 의존했다. 그 결과 사용자가 정확한 키워드를 알지 못하면 필요한 정보를 발견하기 어려웠다. 반면, 생성형 AI는 문장의 의미와 맥락을 기반으로 정보와 정보 사이의 관계를 이해할 수 있기 때문에 이런 한계를 상당 부분 극복할 가능성이 있다.무엇보다 생성형 AI의 진정한 기업적 가치는 글을 빠르게 작성하거나 보고서의 내용을 빠르게 요약하는 데만 있지 않다. 더 중요한 가치는 지금까지 서로 분리되어 있던 기업의 사람, 데이터, 문서, 시스템, 경험을 하나의 지능적 네트워크로 연결할 수 있다는 데 있다.기업의 경쟁력은 결국 경험의 축적과 학습에서 나온다. 그러나 개인이 경험한 것을 조직이 배우지 못한다면 기업은 같은 실수를 반복한다. 구성원 한 사람이 뛰어난 문제해결능력을 가지고 있어도 그 지식이 개인에게 머무르면 조직의 경쟁력이 높아지지 않는다.생성형 AI는 개인지식을 조직지식으로 전환하는 강력한 연결자가 될 수 있다. 따라서 미래 기업에서 정보보안은 AI發 혁신을 저지하는 통제자가 아니라 신뢰할 수 있는 집단지성을 가능하게 하는 기반 설계자가 되어야 한다.생성형 AI가 기업의 두 번째 두뇌라면 정보보안은 그 두뇌의 기억이 훼손되지 않도록 보호하고, 잘못된 정보를 믿지 않도록 검증하며, 허가받지 않은 사람이 기억에 접근하지 못하도록 하는 신뢰체계라고 할 수 있다.결국 기업 내 지식자산의 수직적 통합은 기술 프로젝트에 그치지 않는다. 그것은 기업의 일하는 방식, 조직문화, 보안체계, 교육방식, 경영구조와 의사결정 방식을 동시에 변화시키는 거대한 조직혁신이다.과거의 기업이 사람을 고용해서 지식을 확보했다면 미래의 기업은 사람의 지식이 조직을 떠난 이후에도 그 경험을 보존하게 될 것이다.과거의 기업이 보고서를 저장했다면 미래의 기업은 보고서가 만들어진 맥락과 의사결정의 이유까지 기억하게 될 것이다.과거의 기업이 정보를 검색했다면 미래의 기업은 자신의 경험과 질문을 중심으로 AI와 대화를 나누며 정보를 검색하고 수집하게 될 것이다.과거의 기업이 사람을 통해 학습했다면 미래의 기업은 사람과 AI가 함께 끊임없이 학습하는 조직으로 변화할 것이다.이런 변화의 중심에 생성형 AI가 있으며, 생성형 AI를 중심으로 기업의 모든 지식자산을 수직적으로 연결하는 과정의 궁극적인 결과가 바로 ‘사내 집단지성’이다. 따라서 AI 시대의 기업 경쟁력은 단순히 AI의 성능으로 결정되지 않고 기업이 얼마나 잘 기억하고, 얼마나 잘 연결하며, 얼마나 빠르게 학습하고, 얼마나 안전하게 그 지식을 활용하는가에 의해 결정될 것이다. 그리고 이런 능력을 갖춘 기업만이 AI를 단순한 도구로 사용하는 조직을 넘어, 조직 그 자체가 하나의 거대한 지능으로 작동하는 기업, 다시 말해 진정한 지능형 기업(Intelligent Enterprise)으로 진화할 수 있을 것이다.김성규 교수중부대학교 미래융합공학부 정보보호학과 교수. 동대학 정보보호학과 학과장을 수행하고 있으며, 한국정보보호학회, 한국산업보안연구학회, 한국멀티미디어학회, 한국인터넷정보학회, 한국정보처리학회 등에서 편집위원, 분과위원장 등으로 활동 중이다. 정보보안과 개인정보보호 그리고 인공지능 등을 주제로 강의와 연구에 매진하고 있다.

글 싣는 순서1. 스킬 기반 HRD의 등장: 구체적이고 세부적으로 직무단위를 분석하라2. 스킬 기반 HRD의 활용: 교육체계 구축과 활용을 재점검하라3. 스킬 기반 HRD의 미래: HR 온톨로지 구축의 중심에 스킬이 있다기업은 구성원과 직무, 교육, 성과에 관한 많은 데이터를 보유하고 있지만, 이런 데이터가 서로 분리되어 있다면 실제 HR과 관련된 의사결정에 활용하는 데에는 한계를 나타낸다. 따라서 HR 전문가에게 필요한 것은 데이터를 더 많이 확보하는 것뿐만 아니라, 각 데이터가 무엇을 의미하고 서로 어떻게 연결되는지를 이해하는 일이다. HR 온톨로지는 이런 접근에 중요한 시사점을 제공한다. 특히, 스킬 기반 HRD를 추구하려는 전문가라면 스킬 온톨로지의 구축이 무엇을 의미하는지 이해할 필요가 있다. 인적자원을 다루는 전문가의 역할과 전문성이 새롭게 규정되고 있다.---최근 ‘온톨로지(ontology)’라는 개념을 여러 곳에서 만나게 된다. 기업을 뛰어넘어 미국 정부와 정보기관을 고객으로 둔 AI 기업인 팔란티어(Palantir)에서 데이터와 사물의 관계를 체계적으로 정의하는 역할을 하는 것이 온톨로지다. 본래 온톨로지는 철학에서 사용되는 용어로, 우주와 세계에 존재하는 사물과 개념의 본질과 구조를 연구하는 존재론을 의미한다. 최근 지식공학에서는 온톨로지를 특정 영역에서 중요한 개념을 규정하고, 그 개념들이 서로 어떻게 관계를 맺고 있으며 이러한 관계가 어떤 규칙과 제약을 따르는지를 체계적으로 표현하는 방법이라고 설명한다.기업 경영에서 온톨로지가 주목받는 가장 큰 이유는 AI 기술의 확산과 활용으로 인해 조직이 보유한 방대한 데이터를, 단순히 저장하는 것을 넘어 데이터들의 의미와 데이터들 사이의 관계까지 체계적으로 표현할 필요가 생겼기 때문이다. 만약 한 기업이 온톨로지를 구축했다면, 조직 내 다양한 개념(직무, 직무 요건, 제품, 구성원 특성 등)을 정의하고 개념들 사이의 관계를 구조화하며 데이터를 통합해 추천이나 검색뿐만 아니라 추론 등에 활용할 수 있게 된다."기업 경영에서 온톨로지가 주목을 받고 있는 가장 큰 이유는AI 기술의 확산과 활용으로 인해 조직이 보유한 방대한 데이터를,단순히 저장하는 것을 넘어 각 데이터가 가지고 있는 의미와데이터들 사이의 관계까지 체계적으로 표현할 필요가 생겼기 때문이다."흔히 온톨로지와 비교되는 개념이 텍사노미(taxonomuy)다. 텍사노미는 상위 개념과 하위 개념 사이의 트리형 계층구조에 기초한 분류체계라고 할 수 있다. 온톨로지는 상하관계뿐만 아니라 각 개념 사이의 다양한 관계와 연결을 고려하는 접근방법이다. 지금까지 HR 업무 현장에서 채용, 배치, 교육, 보상, 노무 등의 영역에 속한 업무를 수행할 때 ‘습관적’으로 텍사노미적 접근을 한 것이 사실이다. 즉, 어떤 개념이나 대상이 어떤 집단 혹은 어떤 계통에 속해 있는지를 보고 그 속성을 판단하는 경우가 많았다. 이러한 접근은 쉬우면서도 안전한 것으로 여겨졌다. 그러나, 현대의 경영 환경에서 이러한 접근은 종합적으로 특정 개념이나 대상을 파악하지 못하게 하는 단점이 있다. 특히, 빅데이터 활용과 AI 기술의 등장으로 텍사노미적 접근이 아닌 온톨로지의 활용이 요구된다.이젠 HR 분야의 온톨로지를 구축하는 노력이 필요한 시점이다. 조직 내·외부 HR 관련 데이터를 서로 연결하는 노력이 필수적으로 수행되어야 한다. 채용, 평가, 교육, 배치, 보상, 승계, 경력개발 등이 HR의 핵심 요소인데, 이러한 직무, 사람, 학습, 경력 등과 관련된 변인들 사이의 관계를 연결하는 구조가 HR 온톨로지다. HR 온톨로지에 주목하는 원인은 HR의 각 주요 요소를 단절된 영역으로 보고 파편적으로 해당 개념을 이해하도록 하는 오류를 피하기 위함이다. 많은 기업에서 이러한 HR 온톨로지의 구축에 노력하는 이유가 바로 여기에 있다.그런데 HR 온톨로지를 구축하는 과정에서도 ‘스킬’에 대한 관심이 높아지고 있다. 즉, 논의의 중심이 ‘스킬 온톨로지’로 이동하기 시작했다. Skill-based HR이 skill을 중심으로 채용, 배치, 육성, 이동, 보상을 설계하자는 접근이라면, HR 온톨로지는 그 철학을 실제 시스템에서 작동시키는 구조가 되고 있다.실제 이러한 스킬 온톨로지를 구축한 가장 대표적 사례로는 10억 명 이상의 사용자 데이터를 보유한 LinkedIn의 Economic Graph를 들 수 있다. LinkedIn은 4만 개 이상의 스킬 정보를 체계화하여 이 온톨로지를 구축했다. 전통적인 직무분석의 접근이 직무명(예를 들면, 데이터 분석가)에 초점을 둔다면, 언급했던 온톨로지는 확인이 어려운 스킬(예를 들면, SQL, 통계적 모델링 등)을 읽어낸다는 점에서 강점을 지닌다. 직무명에 의존할 때 발생하는 한계를 극복하게 해주고, 결과적으로 편향을 줄여 인재 채용에서 효과적인 접근을 가능하게 한다.HR 전문가들은 채용, 배치, 평가, 교육훈련, 경력개발, 보상 등 HR 전 영역에서 활용되는 다양한 개념 사이의 관계를 파악하고, 이를 기반으로 보다 큰 맥락에서 체계적 HR 업무를 수행해야 한다. 개별 HR 제도와 활동을 서로 분리된 영역으로 이해하기보다, 이들이 어떠한 공통 요소를 중심으로 연결되는지 살펴봐야 한다. 특히, 이 과정에서 스킬은 HR의 여러 개념과 영역을 연결하는 핵심적 연결고리로 기능할 수 있다는 점을 기억해야 한다. HR이 궁극적으로 인적자원을 다루는 분야라는 점을 고려하면, 개인이 보유한 스킬은 다양한 HR 의사결정에서 중요한 기준이 된다.조직은 개인이 갖춘 스킬을 토대로 적합한 인재를 선발하고, 해당 인재를 적합한 직무에 배치한다. 또한, 스킬에 대한 정보를 분석하여 교육훈련과 경력개발 기회를 제공하며, 개인이 발휘한 능력과 이를 통해 창출한 성과를 평가하여 보상에 반영한다. 이처럼 스킬은 선발에서 퇴직에 이르는 전반적인 HR 활동의 기반이자 각 HR 활동을 일관되게 연결하는 근본적 개념이다. 무엇보다 스킬 온톨로지를 구축한다는 것은 조직에서 필요한 능력을 세부 단위로 나누어 목록화하고 체계화하는 데 그치지 않는다. 개별 스킬이 어떠한 의미를 지니며, 다른 스킬이나 직무, 과업, 교육과정, 경력경로, 배치, 보상, 성과, 업무몰입, 직무만족 등과 어떠한 관계를 형성하고 있는지를 규정하는 것인 까닭이다.스킬 온톨로지는 단순한 스킬 사전이나 분류체계가 아니라, 사람과 직무, 과업, 학습 및 성과에 관한 정보를 공통된 언어로 연결하는 HR의 기반 구조로 이해해야 한다. 결국 스킬 온톨로지 구축의 핵심은 얼마나 많은 스킬을 수집했는가가 아니라, ‘각 스킬이 조직의 다양한 HR 활동에서 어떤 의미를 지니고, 또한 어떻게 활용되는지를 일관성 있게 설명할 수 있는가’다.스킬 온톨로지 구축에선 기술 자체보다 구조가 더 중요하며, 데이터들 사이의 연결이 지닌 깊이와 정확성이 중요하다. 아무리 많은 데이터를 확보하고 정교한 AI 기술을 적용하더라도, HR 분야에서 사용되는 개념의 의미와 개념들 사이의 관계가 불명확하다면 실제 의사결정에 활용하기 어려워진다. 즉, AI 기술을 적용하려는 HR 영역의 업무 특성, 제도, 의사결정 기준 및 현장 맥락을 충분히 이해해야 적절한 온톨로지를 구축할 수 있다. 그리고 스킬의 의미를 정의하고, 직무와 과업 및 역량 사이의 관계를 설정하며, 그 관계가 조직의 실제 업무에서 무엇을 의미하는지 해석하는 작업은 기술만으로 완성되기 어렵다. 스킬 온톨로지는 AI가 자동으로 만들어 주는 데이터 구조가 아니라, HR 전문가가 축적해 온 지식과 경험을 관계 구조로 전환한 결과물이어야 한다. 따라서 성공적인 스킬 온톨로지 구축을 위해서는 AI 및 데이터 기술에 대한 이해와 함께 HR 제도와 업무에 대한 깊은 전문성, 조직의 상황을 해석하는 통찰, 그리고 HR 개념들 사이의 관계를 일관성 있게 규정하는 HR 전문가의 판단이 필수적으로 요구된다."성공적인 스킬 온톨로지 구축을 위해서는 AI 및 데이터 기술에 대한높은 이해도와 함께 HR 제도와 업무에 대한 깊은 전문성,조직의 상황을 해석하는 통찰, 그리고 HR 개념들 사이의 관계를일관성 있게 규정하는 HR 전문가의 판단이 필수적으로 요구된다."박용호 교수인천대학교 창의인재개발학과 교수. 삼성생명에서 HRD를 경험했고, 고려대학교에서 학사·석사를, 펜실베니아 주립대에서 HRD 박사를 취득했으며, 인천대학교 학생취업처장을 역임했고, 한국인력개발학회 부회장을 맡고 있다. 경력개발과 일분석에 관한 주제를 강의하고 연구하고 있으며, 저서로는 『역량, 할 수 있게 하는 힘』, 역서로는 『HRD 관점에서 본 경력개발』 등이 있다.