|
2023년 6월 5일| 팟캐스트
공유하다
다운로드
챗봇이 귀하의 업무를 대신할 수는 없지만 거의 확실히 변화를 가져올 것입니다. Gen AI를 활용하는 방법에 대해 생각하는 방법은 다음과 같습니다.
다운로드
생성 AI: 강력합니다. 접근 가능합니다. 그리고 이는 우리가 일하는 방식을 변화시킬 준비가 되어 있습니다. McKinsey Talks Talent 팟 캐스트의 이번 에피소드에서 인재 리더 Bryan Hancock과 Bill Schaninger는 McKinsey 기술 협의회 회장 Lareina Yee 및 글로벌 편집 이사 Lucia Rahilly와 함께 채용부터 성과 관리, 챗봇까지 HR 분야에서 Gen AI 사용의 가능성과 위험에 대해 이야기합니다. -전문적인 성장이 가능해졌습니다. 토론의 편집된 버전은 다음과 같습니다.
오디오
생성적 AI와 HR의 미래
무엇이 그렇게 다르고 파괴적인가?
Lucia Rahilly: 최근 몇 달 동안 생성 AI와 ChatGPT와 같은 도구에 대해 많은 관심이 쏠렸습니다. 많은 사람들이 이러한 도구의 잠재력에 대한 경이로움과 고유한 위험에 대한 두려움 사이에서 고민하고 있는 것 같습니다. Lareina, 생성 AI의 차이점은 무엇이며 파괴적인 잠재력 뒤에는 무엇이 있습니까?
가장 인기 있는 통찰력
Lareina Yee: 생성 AI에 대해 몇 가지 눈에 띄는 점이 있습니다. 2022년 11월 OpenAI는 ChatGPT 3.5를 출시했고, 5일 만에 사용자가 100만 명에 달했습니다. 따라서 채택 속도는 우리가 본 것과는 달랐습니다.
저에게 그 순간 가장 인상 깊었던 점은 연령, 교육 수준, 국가에 관계없이 누구나 GPT에 접속하여 한두 가지 질문을 하고 시나 에세이와 같이 실용적이거나 재미있는 것을 찾을 수 있다는 것입니다. 누구나 접근할 수 있는 경험이 있었습니다. 그 이후로 우리는 기술의 많은 발전을 보아왔고, 불과 몇 달밖에 지나지 않았습니다.
두 번째로 흥미로운 점은 이 기술을 활용하기 위해 컴퓨터 과학자가 될 필요는 없다는 것입니다. 이 기술은 모든 유형의 직업에 사용될 수 있습니다. OpenAI의 연구에 따르면 일자리의 80%가 오늘날 직장에서 일어나는 활동에 생성적 AI 기술과 기능을 통합할 수 있는 것으로 추정됩니다. 이는 인재와 일자리에 큰 영향을 미치며 이전에 이야기했던 방식과는 다릅니다.
어떤 면에서는 지니가 병 밖으로 나온 것입니다. 다시 집어넣는 것이 최선의 전략은 아닐 것입니다. 앞으로 기대어 생산적이고 안전한 방식으로 사용하는 방법을 알아보세요.
Lucia Rahilly: 사용 사례의 즉각성은 매우 새롭고 매우 빠르게 느껴집니다. 생성 AI가 무엇인지 설명하고 해당 용어에 대한 공통 정의를 바탕으로 작업하고 있습니다.
Lareina Yee: 생성 AI는 차선책을 제시하는 기술입니다. 많은 사람들이 ChatGPT를 사용하여 정보를 요약하고, 막대한 양의 공개 데이터를 모아 무언가에 대한 응답 초안을 작성했습니다. 하지만 놀라운 이미지도 있습니다. 노래, 오디오, 비디오 또는 코드가 필요할 수 있습니다. 코드는 큰 예입니다. 생성 AI가 세계에서 할 수 있는 일의 범위는 놀랍고 이제 막 시작되었습니다.
브라이언 행콕(Bryan Hancock): ChatGPT에 제 자신에 대해 물어봤더니 제가 재능에 관해 많은 노력을 하고 있다고 정확하게 알려줬어요. 그러나 제가 코넬대를 다녔다는 것은 부정확하게 보고되었습니다. 왜냐하면 제가 다녔던 버지니아 대학교 대신에 제 배경을 바탕으로 코넬대가 가장 적절한 대답이라고 가정했기 때문입니다. 나는 무엇이 옳은지를 반드시 얻는 것이 아니라 오히려 논리적인 것을 얻는 것이 매우 흥미롭다고 생각했습니다.
Lareina Yee: 어떤 면에서는 우리가 생각하는 방식을 모방한 거죠. 나는 그것이 인간이 하는 방식으로 생각한다고 말하는 것이 아니지만, 여러 가지 방법으로 우리는 가정을 하기 위해 지름길과 단서를 사용합니다. 이것이 바로 사람들이 "맙소사, 정말 영리한 것 같아"라고 말하는 이유입니다. 하지만 브라이언, 당신 말대로라면 그것은 100퍼센트 정확하지 않습니다. 이를 표현하는 좋은 용어가 있습니다: “환각”.
McKinsey Talks Talent 팟캐스트 구독
Gen AI가 채용 담당자에게 의미하는 것 . .
Lucia Rahilly: 몇 가지 위험에 대해 더 자세히 이야기하겠지만, 이러한 종류의 생성 AI 기능이 특히 인재에게 어떤 의미인지 살펴보겠습니다. 생성적 AI가 채용 프로세스를 의미 있는 방식으로 재구성하거나 변경할 것으로 기대하십니까 ?
브라이언 핸콕: 저는 이것이 두 가지 의미 있는 방식으로 채용 방식을 바꿀 것이라고 생각합니다. 첫 번째는 관리자가 더 나은 직무 요구 사항을 작성하도록 돕는 것입니다. 생성 기술은 실제로 업무에서 성공하는 데 필요한 기술을 끌어낼 수 있습니다. 그렇다고 관리자가 최종 제품을 확인할 필요가 없다는 말은 아닙니다. 그들은 직업 요구 사항이 좋은지 확인하기 위해 루프에 사람이 되어야 합니다. 그러나 Gen AI는 속도와 품질을 획기적으로 향상시킬 수 있습니다.
채용의 또 다른 적용은 후보자 개인화입니다. 현재 수만 명의 지원자가 있는 조직이라면 지원한 사람들에게 연락할 수 있는 매우 맞춤화된 방법이 있을 수도 있고 없을 수도 있습니다. 생성적 AI를 사용하면 지원자, 직무 및 지원자가 적합하지 않은 이유가 있는 경우 사용할 수 있는 다른 직무에 대해 훨씬 더 많은 개인화를 포함할 수 있습니다. 이러한 모든 작업은 생성 AI를 통해 훨씬 더 쉽고 빠르게 이루어집니다.
Bill Schaninger: Gen AI의 가장 좋은 적용은 합리적으로 잘 알려진 직업을 채우려는 대규모 기술 풀 에 있습니다. 우리는 들어오는 모든 프로필을 탐색할 수 있는 보다 생산적이고 효율적인 방법이 필요합니다. 저를 조금 불안하게 만드는 부분은 새로운 직업, 즉 새로운 역할일 때, 심지어 미국 법률에 따라 25% 또는 33% 이상 변화된 직업일 때입니다. 그러한 경우에는 수영장 안팎의 사람들을 판단하는 기준을 다시 확인해야 합니다.
검증의 과제는 회귀 분석을 통해 "차이점은 무엇입니까?"라고 말할 수 있는 성능 기준이 필요하다는 것입니다. 어떤 경우에는 이는 다른 사람의 독점 성능 데이터를 침해하지 않고 데이터 레이크에서 해당 기준을 얻는 방법을 알아내는 것을 의미합니다. “음, 우리는 고용주로서만 데이터를 사용할 것입니다.”라고 말한다면 이미 고용한 사람들만을 기준으로 삼는 것입니다. 그리고 검증하려면 고용하지 않은 사람들을 살펴봐야 합니다.
따라서 기술을 사용할 수 없다는 의미는 아닙니다. 이는 새로운 직업에 적용하기 위한 프론트엔드 작업이 조금 더 필요하고 대규모 기술 풀을 위한 폭넓은 기회가 있다는 것을 의미할 뿐입니다.
Lucia Rahilly: 우리는 채용 과정에서 자격 증명은 과도하게 지수화하고 기술은 과소 지수화하는 것에 대해 많이 이야기합니다. 생성적 AI는 대학 학위와 같은 자격증에서 후보자가 실제로 직장에 기여할 수 있는 기술로 전환하는 것을 가속화하는 역할을 합니까 ?
Lareina Yee: 저는 그럴 수 있다고 낙관합니다. 이 기술이 매우 뛰어난 기능 중 하나는 태그 지정, 즉 구조화되지 않은 데이터에 단어를 태그하는 기능입니다. 이를 전자 상거래, 다양한 유형의 소매 경험에 적용하려고 생각하는 기업이 많이 있습니다. 하지만 이를 인재 확보나 역량 모색에도 적용할 수 있습니다. 이제 자격증이나 학위를 찾을 필요가 없습니다. 역량과 기술 측면에서 키워드를 찾을 수 있습니다.
소셜 미디어를 보면 사람들은 특정 능력에 대해 어떻게 이야기하나요? 그러한 기술을 가진 사람들과 관련지을 수 있는 더 나은 단어가 있다는 것을 알게 될 것입니다. 직장에서 놀라운 학습 경험을 갖고 있지만 박사 학위나 대학 학위가 없는 후보자를 찾을 수 있는 세상을 생각해 보십시오. 나는 이것이 그런 사람들에게 더 많은 문을 열 수 있다고 낙관합니다.
Bill Schaninger: 이는 독점 데이터 세트와 프로필 그룹화를 좋아하는 비즈니스 세계에서 흥미로운 절충안입니다. 진정한 힘은 "페이월에 부딪힐 때까지 공개 도메인에서 얼마나 많은 돈을 얻을 수 있는가?"일 수 있습니다.
오래 전 LinkedIn이 인수되었을 때 API는 직위로 제한되었습니다. 반드시 그 아래에 있던 모든 사양은 아니었습니다. 이러한 풀에는, 특히 직업 프로필에 힘이 있습니다. 왜냐하면 작업과 기술을 살펴볼 수 있기 때문입니다. 저는 여기서 "이 기술을 설명하는 17가지 항목"의 존재론적 구름을 형성하기 위해 이러한 것들을 어떻게 조합할 수 있는지 알아내기 위한 경쟁이 있을 것이라고 상상합니다. 자격 증명이 아닌 기술 에 관한 것이기 때문입니다 .
. . . 전문적인 성장이 무엇을 의미하는지
브라이언 핸콕: 고용주의 관점뿐만 아니라 지원자나 직원의 관점에서도 기술 기반 전환을 돕는다고 생각할 수도 있습니다. 현재 세계에서 당신이 어느 정도 기술을 갖고 있지만 당신의 직업 기회가 무엇인지 명확히 알지 못하는 사람이라면 관리자나 당신에게 관심을 갖고 길을 찾는 데 도움을 주는 사람에게 크게 의존하게 될 것입니다. "전통적이지 않은" 경로로 이동합니다.
하지만 생성 AI의 세계에서는 매우 지능적인 챗봇과 대화를 나누며 “여기 내 기술과 경험이 있습니다. 나에게 어떤 직업이 열릴 수 있나요?” 그리고 돌아와서 "당신의 기술 프로필을 가진 대부분의 사람들은 이런 일을 하지만 일부는 A, B, C를 합니다."라고 말할 수 있으며 "C"는 코딩입니다. 그런 다음 "코딩 분야의 직업이 무엇인지 말해 보세요."라고 말하면 단순히 IT 담당자를 대상으로 하는 것이 아니라 이해하는 단어로 번역된 코더에 대한 작업 설명을 가져올 수 있습니다. 그러면 당신은 이렇게 말할 수 있습니다. “좋아요, 이거 정말 좋아요. 내가 관심. 나에게는 어떤 학습 경험이 필요한가요?” 그리고 생성적 AI는 이러한 학습 경험이 무엇인지 알려줄 수 있습니다.
따라서 타고난 능력은 있지만 가시성은 없는 사람에게 생성 AI는 다양한 진로를 밝히고 거기에 도달하는 방법을 이해하도록 도울 수 있습니다.
Lareina Yee: 경력이 10년이 되었는데 약간 정체된 느낌이 든다고 상상해 보세요. “어떤 직업을 찾아야 할까?”와 같은 질문을 통해 생각하는 데 도움을 주는 전문 개발 AI 도우미가 있다면 어떨까요? 우리 회사 내에서는 어떤 역할 유형이 있나요? 나는 그들에 대해 어떻게 생각합니까?” 그리고 “어떤 수업을 듣게 될까요?” 누군가가 나에게 재교육을 해줄 때까지 기다리는 것과는 대조적입니다. 끔찍하게 들립니다. 경력 10년차에 기술 세트를 구축하고 내 능력에 맞는 다양한 직업을 이해하기 위해 어떻게 주도권을 잡을 수 있습니까? 정말 멋질 것입니다.
Bill Schaninger: 현재 처해 있는 규제 환경에 따라 사람의 개입 없이는 선택 결정을 내릴 수 없습니다. 이는 EU에서 특히 그렇습니다. 이는 인간의 작업을 늘리면서도 의사결정을 중단하지 않는 좋은 방법입니다. 직원 측에서는 훨씬 더 많은 투명성을 제공해야 합니다. 당신은 실제로 당신이 많은 것들에 얼마나 가까이 있는지 볼 수 있습니다. 직원 경험 부분이 마음에 듭니다. 데이터 레이크에 무엇이 있는지, 사람들이 AI를 얼마나 잘 유도하는지 아직 확신할 수 없기 때문에 선택 부분에 대해 걱정이 됩니다.
Lareina Yee: 그렇죠. 몇 가지 옵션을 제공하는 것은 좋지만 답변이나 추천 엔진은 아닙니다. 당신의 판단이 중요합니다.
Bryan Hancock: 우리가 보고 있는 또 다른 사실은 ChatGPT(더 넓게는 생성 AI)가 특히 신규 직원의 업무 속도를 더 빠르게 높이는 데 유용할 수 있다는 것입니다.
스탠포드의 Erik Brynjolfsson과 MIT의 다른 사람들이 최근 콜센터 직원을 대상으로 한 흥미로운 연구 결과가 나왔습니다. 그들은 생성적 AI 기능이 가장 숙련된 담당자에게 그다지 도움이 되지 않는다는 것을 발견했습니다. 새로운 사람들이 제도적 지식을 훨씬 더 빨리 얻을 수 있었기 때문에 이는 매우 도움이 되었습니다. 그것은 그들의 손끝에 있었습니다. 그들은 질문을 하고 답을 얻을 수 있었습니다. 그래서 새로운 사람들의 생산성이 극적으로 높아졌습니다. 생성적 AI는 실제로 완전한 숙련도에 도달하는 데 80~90%를 제공합니다.
Lareina Yee: 브라이언, 저도 그게 마음에 들고 낙관적인 생각도 공유하고 있어요.
McKinsey Talks Talent 팟캐스트
Bryan Hancock, Bill Schaninger 및 기타 인재 전문가는 인재를 경쟁 우위로 활용하여 빠르게 변화하는 환경을 탐색하고 업무의 미래를 준비하도록 돕습니다.
성과 검토의 새로운 기능
브라이언 행콕(Bryan Hancock): 제가 개인적으로 사람 측면에서 생성 AI를 가장 좋아하는 용도 중 하나는 실제로 성과 검토입니다. 내 말을 들어보세요. 저는 생성 AI가 실제로 누군가의 성과 평가를 생성하는 것을 원하지 않습니다. 여기에는 인간의 개입이 필요하고, 인간의 판단이 필요하며, 공감이 필요합니다.
하지만 제가 McKinsey 평가자로서 하는 일의 예를 들어보겠습니다. 저는 15~20명의 개인으로부터 서면 피드백을 받습니다. 그들은 그것을 디지털 시스템에 입력합니다. 장문의 피드백을 받았습니다. 나는 서면 해설과 특정 숫자 기반 점수를 포함하는 상향 피드백 점수를 살펴봅니다. 사람들이 실제로 참여에 얼마나 자주 배치되었는지 살펴봅니다. 컴플라이언스 관련 조치를 살펴봅니다. 그들은 제 시간에 물건을 제출했습니까? 다양한 것. 평가자로서 저에게 초안을 작성하는 것은 엄청나게 힘든 과정입니다. 나는 시간과 그 시간에 들어가는 사려 깊음을 자랑스럽게 생각합니다.
하지만 버튼을 누르고 초안을 받을 수 있다면 어떨까요? 내가 평가하고 있는 사람을 가장 잘 아는 15명의 사람들과 각각의 대화를 나눌 때 이미 작업 중인 초안이 있다면 어떻게 될까요? 그것이 모든 것을 겪는 것을 대체할 수는 없지만, 그 초기 종합은 그 사람의 발전과 성장을 위해 내가 정말로 조사해야 할 것이 무엇인지 더 빨리 알아내는 데 도움이 될 것입니다.
많은 작업이 필요 없기 때문에 이 사용 사례가 매우 기대됩니다. 처음에는 많은 사람들이 "성과 평가 근처에서는 생성 AI를 결코 원하지 않을 것입니다."라고 생각할 것입니다. 하지만 이것을 생산성 향상에 도움이 되거나 우리가 더 나은 사람이 되도록 돕는 것으로 생각한다면 정말 흥미로울 것입니다.
Lareina Yee: 이제 그가 평가하고 있는 직원에 대해 이야기해 보겠습니다. 직원은 피드백을 받고 브라이언은 아마도 그것을 명확하게 작성하고 공감하여 전달했기 때문에 그 사람은 "좋아, 나도 강점이 있고 개발 요구 사항도 있습니다."라고 느낄 것입니다.
하지만 직원으로서 내가 "나의 강점과 약점을 지닌 다섯 가지 성공 모델은 누구이며, 그들은 이후에 어떤 일을 하게 되었나요?"라고 질문할 수 있다면 어떻게 될까요? 내 경력 개발을 어떻게 시각화할 수 있나요? 어떻게 계속해서 일할 수 있나요?” 나의 전문적 발전을 계획하는 데 도움을 주는 조수를 가질 수도 있습니다. 그런 식으로 1년 뒤에 체크인했을 때 저는 정말 실력이 향상되었고 열망도 커졌습니다.
Bill이 내가 모델로 삼아야 할 사람이라면 어떻게 해야 할까요? Bryan이 나에게 Bill을 소개하는 대신, 생성 AI는 내가 Bill Schaninger의 자질을 갖추고 있음을 깨닫도록 도와줍니다. 나는 그로부터 영감을 받을 수 있습니다. 나는 우리가 수년 동안 열심히 노력해 온 것을 향상시키는 것이 많이 있다고 생각합니다.
Bill Schaninger: 우리는 관리자를 성과 관리에 다시 투입하는 것에 대해 이야기합니다. 누군가에게 좋은 점이나 나쁜 점에 대해 이야기할 때마다 기록해 두세요. 그렇게 하면 연말에는 집합과 종합에 가깝고, 누구에게도 놀라운 일이 아닙니다. 하지만 그러려면 정기적인 입국이 필요합니다. 그래서 나는 당신이 설명하는 것을 좋아하지만 그렇게 하는 것은 기술이 아닙니다. 공통 데이터 캡처와 이를 가능하게 하는 공통 접근 방식에 전념하는 사람들입니다.
브라이언 행콕: 당신의 요점은 잘 이해되었습니다. 그런 다음 평가자로서 인간적인 판단을 적용합니다.
Bill Schaninger: 규범적인 데이터는 훌륭합니다. McKinsey에서 후원 및 멘토십 데이터를 받으면 특정 지역의 다른 파트너와 비교하는 방법을 알 수 있습니다. 하지만 기준점이 없다면 실제로 "좋은" 것이 무엇인지 어떻게 알 수 있습니까? 규범적인 데이터를 얻으면 몇 가지 지침을 얻을 수 있습니다. 나는 그 모든 것을 좋아하며, 이 모든 것은 엄청난 양의 데이터로 가능합니다.
이를 통해 실제 성과에 대해 더욱 강력하고 건전한 시각을 확보할 수 있다면 어려운 성과 관련 대화를 나누기가 훨씬 쉬워집니다 . 관리자를 성과 관리에 다시 투입 해야 합니다 . 하지만 관리자가 일정을 작성하거나 15개의 데이터 포인트를 짜는 대신 관리하는 데 시간을 할애할 수 있도록 더 쉽게 만들 수 있을까요?
편견 및 기타 위험
Lucia Rahilly: 몇 가지 위험에 대해 좀 더 이야기해 보겠습니다. Generative AI는 과거 데이터를 기반으로 학습하며, 데이터의 과거 패턴은 과거 편향을 반영합니다. 생성 AI 기반 도구에 의존함으로써 이러한 유전적 편견을 무심코 전파할 위험은 무엇입니까?
Lareina Yee: 확실히 오늘날 생성 AI는 편견을 증폭시킬 수 있습니다.
제가 모집 중이고 몇 가지 다른 자격 요건을 설명한다고 가정해 보겠습니다. 저는 도시의 인재 중심지를 보고 있으며 농구 주장을 찾고 싶다고 결정했습니다. 아니면 아마도 라크로스 주장이 바람직하다고 말할 수도 있습니다. 이것은 주장과 리더십이 있는 팀 스포츠이므로 어떤 면에서는 의미가 있습니다.
하지만 인구 통계를 보면 도시에서 농구를 하는 사람과 라크로스를 하는 사람은 매우 다릅니다. 따라서 라크로스를 강조하면 일반적으로 더 많은 젊은 백인 남성 지도자를 얻게 되는 반면, 농구를 선택하면 더 많은 아프리카계 미국인이나 라틴계를 찾을 수 있습니다. 여성을 볼 수 있는 소프트볼은 어떻습니까? 대신 스포츠 전체 세트를 선택하면 어떻게 되나요? 그럼에도 불구하고 스포츠를 필터로 선택하는 것만으로도 질문의 편견이 증폭될 수 있습니다. 질문의 힘은 인간인 우리에게 있다고 생각합니다.
브라이언 핸콕: 물론 지적재산권 문제도 있습니다.
하지만 우리 모두가 덜 흥미로워질 위험도 있다고 생각합니다. 당신이 창의적인 분야에 종사하고 생성 AI를 활용하여 결과를 일주일에 6개 기사에서 12개 기사로 늘리면 기사당 소요되는 시간이 줄어듭니다. 시간 내에 출판하려면 그렇게 해야 할 수도 있지만, 이는 또한 샤워를 하거나 달리거나 차 안에서 기사에 대해 생각하는 데 많은 시간을 소비하지 않는다는 의미이기도 합니다. 생산성은 향상되지만 창의적 사고를 위한 시간이 반드시 많지 않을 수도 있습니다. 가장 창의적인 생각은 다운타임, 즉 다른 일을 하면서 정신이 딴 데로 쏠릴 때 나온다는 것을 우리는 알고 있습니다.
덜 흥미롭다는 위험은 중요하며 아직 완전히 고려하지 않았을 수도 있습니다.
Lareina Yee: 정확합니다. 많은 위험이 있습니다. 이 기술을 구현하는 리더에 대해서도 생각해 봅시다. 종종 사람들은 기술과 비즈니스 투자 수익에 대해 생각하고 마지막에야 "우리가 걱정해야 할 위험이 있나요?"라고 묻는 작업 흐름을 갖고 있었습니다. 워크플로 설계 시 위험을 미리 고려하는 것이 좋습니다.
또 다른 점은 우리가 일반적으로 "변경 관리"라고 부르는 진정한 기회가 있다는 것입니다. 기술이 작업, 워크플로우 또는 협업 모델을 어떻게 변화시키는지 깊이 생각하지 않는다면, 그 추가 시간을 더 많은 가치를 창출하는 데 반드시 투입할 필요는 없습니다. 나머지 근무일과 주중 근무 시간에 어떤 영향을 미치는지 생각해 볼 필요가 있습니다.
Bill Schaninger: 많은 경우에 우리는 기술을 비난하고 이를 구현하기 직전에 발생한 부실한 문제 해결을 강조하고 싶지 않습니다. 더 빠르고 더 광범위하며 더 나은, 더 빛나는 도구를 얻는다고 해서 사물을 깊이 생각해야 하는 부담이 줄어들지는 않습니다.
Lareina Yee: 여기서 더 강조해야 할 점은 우리 셋이 이 시간을 모든 긍정적인 의도와 이를 선하게 사용할 수 있는 방법에 대해 생각하는 데 보냈다는 것입니다. 하지만 아마 이 기술에 대해 고민하며 “이걸 어떻게 해로울 수 있지?”라고 묻는 사람들이 있을 것입니다. 전통적으로 이것이 정부 규제, 정책, 국제 표준이 우리 사회에서 근본적인 역할을 하는 이유입니다. 자율규제를 민간에 완전히 맡길 수는 없다고 생각합니다.
피할 수 없는 상황에 대비하기
Lucia Rahilly: 사람들의 큰 관심사는 이러한 종류의 도구가 직업을 없애거나 심지어 더 나쁜 경우에는 상사가 될 것이라는 것입니다. 생성 AI로 인해 다가올 변화에 대비하기 위해 사람들이 지금 무엇을 할 수 있다고 생각하시나요?
Bill Schaninger: 저는 아이들이 더 쉽게 배우고 가지고 놀 수 있도록 노력하겠습니다. 계속해서 저항하려고 노력하는 것보다 낫습니다. 나는 우리가 이러한 두려움에 사로잡혀서는 안 된다고 생각합니다.
Lucia Rahilly: 그리고 HR 및 인재 프로세스가 점점 더 자동화된다고 가정할 때, 리더들은 브라이언이 말하는 "루프 속의 인간"을 방해하지 않는 생성 AI를 어떻게 보장할 수 있을까요?
Lareina Yee: 리더는 두 가지 면에서 큰 역할을 합니다. 하나는 해당 기능 내에서 자체 인재 역량을 현대화하고 도약하는 것입니다. 둘째, 직원의 80%가 이동하는 경우 이동 방식과 회사 직원에게 미치는 영향에 대해 이들이 큰 역할을 합니다. 저는 리더들이 테이블에서 큰 발언권을 갖고 있다고 생각합니다.
Bryan Hancock: HR이 엄청난 규모의 인력을 대상으로 기회에 대한 접근성을 높이는 것은 엄청난 기회입니다. 이는 관리자가 관리 작업을 수행하는 대신 HR 리더가 항상 달성하기를 원했던 성과 수준에 더욱 일관되게 도달할 수 있는 기회입니다. HR에서는 이를 자신들이 할 필요가 없는 업무를 일상화하고 없애는 기회로 여기기를 바랍니다. 그런 다음 해야 할 작업에 대해 이 기술을 사용하여 더 나은 답변을 더 빨리 얻을 수 있는 방법을 찾을 수 있습니다.
저자 소개
Bryan Hancock 은 McKinsey 워싱턴 DC 사무실의 파트너입니다. Bill Schaninger 는 필라델피아 사무소의 명예 파트너입니다. Lareina Yee 는 Bay Area 사무소의 수석 파트너입니다. Lucia Rahilly 는 McKinsey Global Publishing의 글로벌 편집 이사이자 부출판사이며 뉴욕 사무실에서 근무하고 있습니다.
|