사람을 평가하는 회의에서는 종종 이런 질문이 나옵니다. “그렇게 판단한 근거가 무엇인가요?” 누군가를 두고 일을 잘한다거나 주도성이 부족하다고 말할 때, 우리는 그 평가를 뒷받침할 데이터를 찾지요. 인상과 기억만으로 중요한 인사 결정을 내릴 수는 없기 때문입니다.
AI는 이런 데이터를 모으고 살피는 일을 도와줍니다. 평가 점수와 매출액뿐 아니라 업무 이력과 프로젝트 기록, 면담에서 남긴 피드백까지 함께 분석할 수 있습니다. 일 년 동안의 수행 기록을 요약해 평가 초안을 만들거나, 구성원의 경험을 바탕으로 새로운 업무의 후보자를 찾는 데도 활용할 수 있고요.
HR과 리더에게는 반가운 변화입니다. AI는 방대한 데이터를 분석해 사람에 대한 판단에 필요한 근거를 쉽게 찾아내고, 보다 분명하게 확인할 수 있도록 돕습니다. 그렇다면 사람에 대한 판단도 그만큼 정확해질까요.
두 영업 담당자의 연간 매출이 각각 10억 원과 7억 원이라고 해보겠습니다. 매출만 보면 10억 원을 올린 사람의 성과가 더 높습니다. 그러나 한 사람은 기존의 대형 고객을 관리했고, 다른 사람은 경쟁이 치열한 신규 시장을 개척했다면 두 사람의 영업 능력을 곧바로 비교하기는 어렵겠지요. 각자가 어떤 조건에서 무엇을 해냈는지 그 서사를 더 깊이 알아야 합니다.
AI가 두 사람의 데이터를 빠짐없이 정리해주더라도 이 질문은 남습니다. 그 자료에서 무엇을 개인의 기여로 볼 것인지, 업무 조건의 차이를 어떻게 고려할 것인지, 다음 일을 맡길 근거로 충분한지.
숫자가 정확하다는 것과
그 숫자로 사람을 판단하는 일은 별개의 문제입니다.
데이터만으로 사람을 평가해서는 안 된다는 경계가 필요합니다. 그렇다고 데이터 분석을 여기서 멈출 수는 없습니다. HR은 데이터를 통해 구성원의 기여를 제대로 발견하고 인정하고, 각자의 강점을 발휘할 수 있는 역할을 찾고, 성장에 필요한 경험과 지원을 설계해야 합니다.
이제 질문을 한 걸음 더 구체적으로 해보려 합니다. 데이터를 잘 활용하려면 무엇을 함께 보고, 그 이해를 어떤 인사 결정으로 연결해야 할까요. 다섯 가지 질문을 차례로 살펴보겠습니다.
올해의 영업 실적을 평가하는 일과 내년에 영업팀장을 선임하는 일에는 서로 다른 근거가 필요합니다. 개인 매출이 높다는 사실이 동료의 문제 해결을 돕고 팀의 업무를 조정하는 능력까지 담보하지는 않으니까요.
새로운 시장을 맡길 사람을 고를 때도 마찬가지입니다. 기존 고객과 거래를 유지한 실적에 더해, 낯선 고객의 요구를 파악하고 거절의 이유를 분석하며 제안을 수정해본 경험을 살펴야 하지요. 앞으로 맡길 일이 달라지면 확인해야 할 능력도 달라집니다.
HR은 평가, 승진, 배치, 육성의 목적에 맞게 자료를 해석해야 합니다. 현재 역할에서 잘했다는 데이터가 다른 역할에서도 잘할 것이라는 예측을 얼마나 뒷받침하는지 따져봐야 하지요. 잘못된 숫자가 없어도 그 숫자를 적절하지 않은 판단에 사용하면 인사는 빗나갈 수 있습니다.
AI가 다양한 기록을 하나의 점수나 등급으로 요약하면 사람을 비교하기는 편해집니다. 그러나 그 숫자가 무엇을 평가한 것인지는 더 분명히 알아야 합니다. 현재의 실적인지, 특정 업무의 수행 능력인지, 앞으로의 성장 가능성인지에 따라 사용할 수 있는 범위가 달라집니다.
데이터를 확보할 때부터 어떤 결정에 쓸 것인지 미리 정해야 합니다. 그래야 이미 확인한 성과와 앞으로 검증해야 할 가능성을 구분하고, 필요한 근거를 더 찾아볼 수 있습니다.
성과는 개인의 능력이 주어진 일과 환경 속에서 발휘된 결과입니다. 영업 담당자의 매출에는 스스로의 판단과 노력뿐 아니라 제품의 경쟁력, 고객의 구매 여력, 회사의 신용과 납기 대응도 영향을 미칩니다.
그 조건 가운데 상당 부분을 조직이 정합니다. 고객과 업무를 배정하고, 목표를 부여하고, 권한과 자원을 제공하지요. 조직은 구성원을 평가하기 전에 그 구성원의 성과가 만들어지는 데 이미 관여한 것입니다.
신규 시장을 맡기면서 기존 시장과 같은 기간에 같은 매출을 요구했다면, 먼저 목표 자체가 적절했는지 돌아봐야 합니다. 고객에게 제안할 때마다 승인을 기다려야 했다면, 대응 속도를 담당자의 실행력만으로 설명하기도 어렵습니다. 반면 충분한 권한과 지원이 주어졌는데도 대응을 미뤘다면, 그때는 담당자의 판단과 행동을 돌아보고 개선할 필요가 있습니다.
이렇게 맥락을 살피는 이유는 개인이 바꿔야 할 행동과 조직이 해결해야 할 제약을 구분하기 위해서입니다. 교육이 필요한 사람에게 자원만 더 주거나, 권한이 부족한 사람에게 실행력을 높이라고 요구해서는 문제가 풀리지 않겠지요.
이런 검토가 리더 개인의 세심함에만 달려 있어서는 곤란합니다. 어떤 리더는 업무의 난이도와 지원 조건을 고려하고, 어떤 리더는 실적만 비교한다면 구성원은 서로 다른 기준으로 평가받게 됩니다. HR은 목표와 업무의 난이도, 권한과 자원 가운데 성과에 큰 영향을 준 조건과 그 차이를 종합적으로 검토하도록 해야 합니다.
성과 데이터는 개인이 일을 어떻게 수행했는지만 보여주는 자료가 아닙니다. 어떤 역할과 환경에서 일했는지, 조직이 어떤 배치와 지원을 했는지도 함께 살펴볼 수 있는 자료여야 합니다. 개인이 해낸 일은 정확히 인정하면서 조직의 결정과 지원도 함께 돌아봐야, 평가 이후 무엇을 유지하고 무엇을 개선할지 제대로 판단할 수 있습니다.
AI로 보고서를 빠르게 완성하면 높은 생산성을 인정받을 수 있습니다. 그런데 AI가 내놓은 내용이 맞는지 확인하고, 오류를 바로잡는 데에는 시간이 걸립니다. 완료 건수와 소요 시간만 비교하면, 꼼꼼하게 검토한 사람이 오히려 일을 더디게 한 것으로 평가받을 수 있지요.
고객 제안서를 검토하다가 비용 추정에서 빠진 항목을 발견하고, 생산 부서와 협의해 지키기 어려운 납기를 조정했다고 해보겠습니다. 제안서를 완성하는 데에는 시간이 더 들었지만, 그대로 보냈다면 발생할 수 있었던 손실과 고객 불만을 줄인 것입니다. 이를 평가하려면 소요 시간과 함께 어떤 문제를 발견했고, 수정한 내용이 왜 중요했는지 살펴야 하지요.
동료를 돕는 일도 비슷합니다. 어려운 문제를 함께 해결하느라 자신의 업무가 늦어질 수 있습니다. 개인의 처리 건수는 줄었어도, 팀 전체의 재작업을 줄이고 고객의 문제를 더 빨리 해결했을 수 있습니다. 개인 실적만으로는 이런 차이를 알아보기 어렵습니다.
HR은 현재의 지표가 무엇을 보여주고 무엇을 놓치는지 살펴야 합니다. 물론 매출과 처리 건수는 중요한 결과입니다. 여기에 오류를 바로잡고 손실을 예방한 일, 동료를 도와 팀의 성과를 높인 일도 평가에 반영되는지 확인해야 하는 것입니다.
평가제도는 구성원에게 ‘이 조직에서는 무엇을 잘해야 인정받는가’를 알려줍니다. 협력을 강조하면서 개인 실적만 인정하면 구성원은 자신의 실적에 집중하기 쉽습니다. 품질이 중요하다고 말하면서 속도만 평가하면 필요한 검토도 서둘러 끝내려 할 수 있고요. 무엇을 평가하는지가 이후의 일하는 방식에도 영향을 주는 것입니다.
모든 일을 별도의 숫자로 환산할 필요는 없습니다. 핵심 지표로 결과를 확인하고, 숫자에 드러나지 않은 부분은 구체적인 행동과 사례로 보완하면 됩니다. 협업에 대한 평가라면 누구의 어떤 문제를 해결했는지, 그 덕분에 업무가 어떻게 나아졌는지 설명할 수 있어야 합니다. 눈에 잘 띄지 않는 일도 조직의 성과에 어떤 도움이 되었는지 확인할 때, 그 평가를 정당하다고 인정할 수 있습니다.
평가회의에서는 어떤 한 마디가 사람에 대한 최종 판단으로 비약하기 쉽습니다. “이번 분기 목표에 미달했습니다”라는 보고가 “영업 능력이 부족합니다”라는 평가로 이어지고, 곧 “중요한 고객을 맡기기는 어렵겠습니다”라고 결정되고는 하지요.
목표 미달은 관찰된 결과입니다. 능력 부족은 그 원인에 대한 해석이고요. 중요한 고객을 맡기기 어렵다는 말에는 앞으로도 잘하지 못할 것이라는 예측이 들어 있습니다. 실제로 고객을 배정하지 않는 것은 그 예측에 근거한 결정이고요.
관찰에서 해석으로, 해석에서 예측과 결정으로 넘어갈 때마다 구체적인 근거가 필요합니다. 매출이 정확하게 집계되었더라도 목표에 미달한 이유까지 밝혀진 것은 아닙니다. 현재 역할에서 어려움을 겪었다고 다른 역할에서도 같은 결과를 낼 것이라고 단정하기도 어렵습니다.
HR은 이 과정에서 관찰한 사실과 평가자의 해석이 뒤섞이지 않도록 주의해야 합니다. ‘주도성이 부족하다’는 평가가 나왔다면 어떤 상황에서 어떤 행동을 보였는지 확인하는 것이지요. 판단에 필요한 정보와 권한이 없어서 기다린 것인지, 스스로 결정할 수 있었는데도 미룬 것인지에 따라 후속 조치는 달라져야 합니다.
AI가 제시한 분석도 이런 검토를 거쳐야 합니다. 리더가 최종적으로 확인한다고 오류가 저절로 사라지는 것은 아닙니다. 리더 역시 평소의 인상에 맞는 자료만 받아들일 수 있기 때문입니다. 자신의 평가와 다른 기록도 살피고, 당사자가 잘못된 사실이나 빠진 맥락을 바로잡을 기회도 제공해야 합니다.
확인한 사실과 해석을 구분하면 지금 내릴 수 있는 결정과 추가 검토가 필요한 결정이 분명해집니다. ‘능력이 부족하다’는 결론을 구체적인 상황과 행동으로 풀어볼수록 무엇을 교육하고 어떤 일을 맡길지도 더 정확하게 정할 수 있고요.
평가 결과는 다음 성과에도 영향을 줍니다. 평가에 따라 맡는 업무와 고객, 교육 기회와 지원이 달라지기 때문이지요.
고성과자로 평가받은 사람에게 중요한 일을 반복해서 맡기면 경험이 쌓이고 업무도 숙달됩니다. 이처럼 좋은 성과를 내면 다시 기회가 주어집니다. 반면 보조 업무만 맡은 사람은 더 큰 과제를 수행할 능력을 보여주기 어렵습니다. 관련 실적이 없다는 이유로 다음 기회에서도 제외될 수 있고요.
이 과정이 반복되면 처음의 성과 차이가 경험과 숙련의 차이로 확대될 수 있습니다. 나중에 벌어진 격차를 보고 처음의 평가가 옳았다고 생각하기 쉽지요. 그러나 그 사이에 조직이 제공한 기회와 지원도 영향을 주었습니다. 과거의 관계가 데이터에 남고, 그 데이터가 다시 미래의 기회를 결정하는 것입니다.
검증된 사람에게 중요한 일을 맡기는 것은 합리적인 선택일 수 있습니다. 그러나 HR은 기존 평가만으로 배치와 육성 기회가 반복해서 결정되고 있지 않은지 살펴야 합니다. 아직 능력을 보여줄 기회가 없었던 사람에게는 그 능력을 확인할 방법도 필요하고요.
범위와 기간이 정해진 과제를 맡기고 필요한 지원을 제공한 뒤 수행 과정과 결과를 볼 수 있습니다. 다른 협업 조건에서는 강점을 발휘하는지, 피드백을 받아 방법을 개선하는지 살펴보는 것이지요. 그 결과에 따라 다음 역할과 교육, 지원을 조정하면 됩니다.
올해의 실적에 대한 평가를 유지하면서도 다른 역할의 가능성은 새롭게 판단할 수 있습니다. 현재의 성과를 정확히 평가하는 일과 아직 드러나지 않은 능력을 확인하는 일은 함께 할 수 있습니다.
누구에게 어떤 과제를 맡기고, 누구와 협력하게 하며, 어떤 피드백을 제공할지 결정하는 일이 곧 구성원의 성장 경험을 설계하는 일입니다. HR은 그 경험에서 얻은 데이터를 통해 배치와 지원이 적절했는지 다시 살펴야 합니다. 새로운 근거로 판단을 수정할 수 있어야 과거의 평가가 미래의 가능성을 제한하는 일을 줄일 수 있습니다.
『어린 왕자』에서 아이가 그린 것은 코끼리를 삼킨 ‘보아뱀’이었습니다. 그런데 어른들은 아이의 그림을 보고 ‘모자’라고 답합니다. 어른들은 눈앞의 윤곽을 익숙한 모양으로 이해했던 것이지요. 아이는 보아뱀의 내부를 다시 그려 무엇을 표현했는지 보여주어야 했습니다.
성과 데이터를 읽을 때도 비슷한 주의가 필요합니다. 숫자는 결과를 보여주지만 그 결과가 만들어진 과정까지 모두 설명하지는 않습니다. 맡았던 일과 주어진 조건, 실제 판단과 행동을 살펴야 그 사람을 이해할 수 있습니다.
HR에서의 판단과 평가는 그림을 해석하는 일보다 더 복잡하고 중요합니다. 우리가 내린 해석이 그 사람의 다음 경험을 바꾸기까지 하니까요. 능력이 부족하다고 판단해서 업무를 줄이면 새로운 능력을 확인할 기회도 줄어듭니다. 다른 강점이 있을 수 있다고 보고 적절한 과제를 맡기면 이전 데이터에는 없던 모습을 발견할 수 있습니다. 사람에 대한 판단은 이후의 데이터가 만들어지는 과정에도 관여하고 있는 것입니다.
HR의 데이터 경영에는 과거를 정확히 읽는 일과 다음 경험을 책임 있게 설계하는 일이 함께 필요합니다. 무엇을 해냈는지 인정하고, 그 결과에 조직이 어떤 영향을 주었는지 돌아보며, 다음에 맡길 일과 지원을 결정해야 하지요. AI가 데이터 생산과 분석을 도울수록 이 판단의 기준과 책임은 더욱 분명해야 하고요.
데이터는 사람이 지금까지 어떤 조건에서 일해왔는지 알려줍니다. HR의 판단은 그 사람이 앞으로 어떤 조건에서 일할지에 영향을 줍니다. 과거의 데이터를 읽으며 미래의 기회까지 결정하고 있다는 사실, 그것을 잊지 않는 것이 데이터 너머의 사람을 이해하는 사람경영의 출발점입니다.
데이터는 사람을 말해줍니다. 그러나 사람의 전부를 말해주지는 않습니다.
모든 콘텐츠는 제공자에게 저작권이 있습니다. 저작권법에 의거 무단 전재 및 재배포를 금지합니다.