지능은 인간을 다른 생명체와 구별하는 특징으로 인간만의 ‘초능력’으로 여겨지기도 한다. 이 신념은 비즈니스 세계에도 널리 퍼져 있다. 기업들은 가장 명석한 인재를 채용하는 것에서 방대한 양의 정보를 축적하고 이를 처리하기 위해 정교한 알고리즘을 개발하는 것에 이르기까지 지능 확보를 위해 치열하게 경쟁한다. 인공지능(AI)의 도입은 자연스러운 다음 단계로 여겨진다.
하지만 인간의 진정한 초능력은 사회성과 사회적 학습 능력에 있다. 인간의 지식은 개인적일 뿐 아니라 광범위한 사회적 맥락 내에 내재한 것이기 때문이다. 다른 사람들로부터 배우고 협력하는 능력은 우리를 인간이라는 종으로 구분 짓는 특징이다. 이는 훌륭한 기업을 나머지 기업들과 구분 짓는 요소이기도 하다.
사회적 학습을 통한 경쟁우위 확보
지식의 생성과 진부화 속도가 가속되면서 보다 빠르고 효과적인 학습 및 적응 과정이 필수 요소가 되고 있다. 경쟁은 더 이상 규모나 운영 효율성만이 아니라 학습 속도를 중심으로 이루어진다. 개인의 시행착오를 통한 느리고 비용이 많이 드는 방식과 달리, 사회적 학습은 어떤 상황에서 어떤 것이 효과가 있는지 관찰함으로써, 즉 다른 사람들의 경험을 통해 지식을 습득함으로써 이루어진다.
기업은 사회적 유기체이며 더 광범위한 사회적 맥락에 속해 있는 것이기도 하다. 따라서 사회적 학습은 개인의 학습 내용이 체계화되고 기업 대내외로 전파되면서 자연스럽게 이루어진다. 직원들은 팀의 동료들, 다른 팀의 형식지(codified knowledge) 혹은 비즈니스 생태계의 파트너나 고객을 통해 학습할 수 있다.
하지만, 사회적 학습에 대해 계획에 따라 확실하게 집중하고, 효과적인 추진을 위해 무엇을 해야 할지 제대로 이해하고 있는 기업은 거의 없다. AI가 사회적 학습을 강화할 수 있는 잠재력이 있는 현 시대에 이러한 접근은 더욱 중요하다. AI를 통한 사회적 학습의 강화는 저절로 일어나지는 않는다. 신중하고 전략적인 접근이 필요하다.
조직의 사회적 학습 진행 방식
조직의 지식 생성 및 처리의 개념은 1994년 SECI(socialization, externalization, combination, and internalization: 공통화, 표면화, 조합화, 내면화) 모델을 도입한 조직 이론가 노나카 이쿠지로의 연구에 의해 수립됐다¹. 이를 기반으로, 조직 내 사회적 학습 프로세스를 다음과 같이 표현할 수 있다. (보기 참조)
¹ Ikujiro Nonaka, “A Dynamic Theory of Organizational Knowledge Creation,” Organization Science 5(1), 1994.
조직 내의 사회적 학습을 위해서는 새로운 지식의 창출, 테스트 및 정교화, 조직 내 전파, 제도화가 필요하다. 이 프로세스를 통해 새로운 학습 내용은 스쳐 지나가는 개인의 생각과 행동이 아니라 지속적이고, 핵심적이며, 접근 가능한 조직의 지식 기반과 운영 프레임워크의 일부분이 된다.
[1] 관찰 및 실험(Noticing and Experimenting)
이 프로세스는 비즈니스 또는 비즈니스를 둘러싼 환경에서 흥미롭거나 특이한 것을 알아채는 것에서 시작한다².이는 종종 기존 멘탈 모델로는 해결되지 않는 예상치 못한 사건, 즉 이상 현상의 형태로 나타난다³. 이후 추가적으로 보다 자세한 관찰이 이어지거나, 새로운 아이디어를 촉발해 실험으로 이어질 수 있다. 이런 프로세스가 진행되려면, BCG 설립자인 브루스 헨더슨(Bruce Henderson)이 1968년 지적한 대로, 직원들이 기존 접근법의 기초가 되는 가정에 얽매이지 않도록 정기적으로 예상치 못한 놀라움과 새로운 정보에 노출돼야 한다.
² Martin Reeves, Mihnea Moldoveanu, and Adam Job, “Radical Optionality,” Harvard Business Review, 2023.
³ Martin Reeves, Bob Goodson, and Kevin Whitaker, “The Power of Anomaly,” Harvard Business Review, 2021.
[2] 효과적인 것 학습(Learning What Works)
개인은 관찰이나 실험을 통해 얻은 인사이트를 분석하고 기록하며, 습득한 지식을 구체화한다. 이 과정에서, 개인은 어떤 지식이 보유하고 공유할 만한 가치가 있는지에 대해 암묵적인 선택 절차를 적용한다. 어떤 것이 효과가 있는지 알아내기 위해, 개인들은 다양한 아이디어를 현실과 충돌시키고 개방적인 태도로 학습에 임해야 하며 개인이 속한 조직은 실험의 본질적인 비효율성을 받아들여야 한다.
[3] 학습 확장(Scaling the Learning)
구체화한 학습은 그룹 미팅이나 직원 대상 교육 세션 등의 직접적인 커뮤니케이션 또는 지식 관리 시스템과 같은 지식 인벤토리로의 통합을 통해 보다 광범위한 조직으로 공통화(socialized)된다. 이 과정에서 그룹 차원에서 어떤 것이 효과가 있고 유용한지 선택하고, 가치 있는 학습 내용이 적절히 문서화되고 접근 가능할 수 있도록 스크립트가 작성되기도 한다. 지식이 개인들 간 공유될 수 있도록, 기업들은 조직이나 부서별 경계와 같은 커뮤니케이션 장애물을 허물어야 한다. 또한 단기적 효율성에 대한 지나친 강조나 새로운 업무 수행 방식에 대한 호기심 부족과 같은 정신적, 문화적 장벽 역시 중요하게 다뤄야 한다.
[4] 조직의 DNA에 학습 통합(Engraving the Learning in the Organization’s DNA)
시간이 지나면서, 조직 내 공유된 새로운 정보는 제도화된다. 새로운 아이디어는 암묵적으로 다른 프로세스의 일부가 되면서 눈에 보이지 않게 된다. 즉 더 이상 별개의 새로운 관행으로 여겨지지 않고 조직의 문화와 운영에 매끄럽게 통합되는 공유지식의 일부가 되는 것이다. 시간이 지나면서, 이런 암묵적 지식 이전은 자동으로 이루어지며, 새로운 직원들은 동료들을 관찰함으로써 이를 자연스럽게 습득한다.
[5] 순환고리 반복(Repeating the Loop)
조직이 새로운 업무 수행 방식을 도입한 후에는, 새로운 응용에 대한 고객과 경쟁사의 반응뿐 아니라 새로운 환경에서의 이상 현상 관찰을 통해 새로운 정보가 계속해서 등장한다. 이를 통해 관찰, 아이디어 도출, 실험의 순환고리가 다시 시작되고 학습 과정 및 역량을 체계화하고 정교화할 기회 역시 창출된다.
사회적 학습의 가장 획기적인 사례 중 하나는 페니실린의 발견과 항생제의 개발이다. (‘페니실린의 개발 과정에서 나타난 사회적 학습’ 참조)
페니실린의 개발 과정에서 나타난 사회적 학습
- 관찰 및 실험. 페니실린의 발견은 이 단계에서 대표적인 유명한 사례이다. 세균학자인 알렉산더 플레밍 박사는 1928년 한 이상 징후를 관찰했다. 일명 페니실린 노타툼(Penicillium notatum)이라는 특정 곰팡이가 그의 포도상구균(Staphylococcus) 배양 접시 중 하나를 오염시키고 그 곰팡이를 둘러싼 박테리아가 파괴된 것을 발견한 것이다. 플레밍 박사는 이 곰팡이가 박테리아를 죽일 수 있는 물질을 생성한다는 가설을 세웠다.
- 효과적인 것 학습. 플레밍 박사는 푸른곰팡이 기반 분비물이 박테리아를 죽일 수 있다는 그의 관찰 내용을 1929년 과학 논문을 통해 발표했다. 곰팡이의 항균 특성을 강조한 동시에, 물질 추출의 어려움과 불안정성과 같은 한계점을 기록했다.
- 학습 확장. 사실 의학계가 이 내용의 잠재력을 즉각 인지한 것은 아니었다. 옥스포드 대학의 연구진은 발표된 지 약 10년이 지난 후에야 플레밍의 논문을 접했다. 이를 기반으로 항생제 물질을 정제하는 방법을 개발하고, 그 효능을 입증하는 임상실험을 실시한 후, 대량생산 프로세스를 수립했으며, 그 가치를 제약회사에 알리기 위해 노력했다.
- 조직의 DNA에 학습 통합. 페니실린은 빠르게 의료 현장에 반영돼, 2차 세계대전 동안 감염병 치료에 널리 사용됐다¹. 페니실린의 성공은 현대 제약산업의 기반 마련에 큰 도움이 됐다. 새로운 항생제 개발 및 테스트, 이를 의료 치료에 통합하는 프로세스를 개발하는 것이 제약회사의 운영 및 문화에 표준이 됐다. 페니실린과 항생제와 관련된 지식 및 기법은 이제 의학 교육, 훈련, 임상 실험을 통해 일상적으로 전수되고 있다.
- 순환고리 반복. 예를 들어, 페니실린의 경우 연구진이 다른 물질에도 다른 종류의 감염에 적합한 항균 특성이 있음을 발견함으로써 새로운 사회적 학습 주기가 시작됐다. 이에 따라 광범위한 스펙트럼의 변종을 포함해 100가지 이상의 항생제가 개발됐다. 인간의 항생제 내성이 커지면서, 이에 대응하기 위한 새로운 치료 프로토콜이 개발됨에 따라 혁신 주기 역시 계속 이어지고 있다.
¹ Richard Sykes, “Penicillin: From Discovery to Product,” Bulletin of the World Health Organization 79(8), 2001.
AI를 통한 사회적 학습 효과 강화
AI와 같은 새로운 기술의 응용을 고려하기 전에도 대부분 기업들에 학습 프로세스의 설계, 평가, 최적화 등 기본 규칙과 인센티브 및 문화와 같은 지원 요인들을 적용함으로써 사회적 학습을 개선할 수 있는 막대한 잠재력이 존재한다. 실제로 이와 같은 인적 학습 아키텍처를 확립하지 않는다면 기술의 응용은 제대로 효과를 발휘하지 못할 것이다. 하지만 견고한 기초가 마련된다면, 디지털 기술은 확실히 앞서 설명한 사회적 학습 프로세스의 각 단계를 강화할 수 있는 상당한 잠재력이 있다.
[1] 검색 영역 확장 및 인식 개선
디지털 기술을 이용하면 디지털 생태계 혹은 공유 데이터 풀을 통해 더 거대한 지식 풀에 대한 접근이 가능해져 조직의 도달 범위를 확대할 수 있다. 또한 다른 사람들은 사용할 수 없는 중요한 정보를 생성함으로써 경쟁우위를 창출할 수도 있다. AI는 이처럼 확대된 지식 기반을 보완해, 지식 기반에서 추출된 정보의 양과 질을 향상하거나 검색 및 분석의 비용을 절감할 수 있다. 예를 들어, AI는 거대 데이터세트 내의 패턴을 식별해 인간의 지능으로는 알아차리기 어려운 이상 징후나 연관성에 주목할 수 있다.
또한, AI는 복잡한 정보를 간략하게 정리할 수 있다. 일례로, LLM(대규모 언어 모델)은 방대한 인간 지식 데이터베이스에서 가장 일반적인 관점들을 종합해 특정 주제에 대한 ‘평균’적인 견해를 추출할 수 있다. 또한, 이 모델은 이 정보를 그림, 인포그래픽, 도표로 변환해 쉽게 이해 가능한 산출물로 전환할 수 있다.
마지막으로, AI는 정보를 요청자의 요구에 따라 맞춤 제공할 수 있다. 다시 말해 선택된 언어와 스타일로 정보를 제공하거나 특정 상황에 맞춤화 추천안을 제공하는 등의 방식이 가능하다. 또한 AI를 이용하면 지식 추출 자체가 개인 맞춤화하여 사용자별 관련성은 더 높고 접근은 더 용이해진다. 본질적으로, AI는 단순히 지식 기반의 연장이 아니라 인간이 정보의 세계와 상호작용하고 인식하는 방식을 변화시킬 수 있는 잠재력이 있다.
[2] 실험을 강화하고 학습 결과 도출
디지털 기술을 활용하면 기업들이 다양한 실험을 동시에 조율하고, 시뮬레이션하고, 데이터 수집을 자동화하는 등 더 큰 규모와 더 빠른 속도로 실험을 할 수 있도록 함으로써 기업이 신속하게 어떤 것이 효과가 있고 없는지 식별하는 데 도움이 된다.
AI는 새로운 전략이 대중들에게 소개되기 전에 이를 수정하고 보완하는 이른 바 ‘사고 파트너(thought partner)’로 사용될 수도 있다. 예를 들어, 구글(Google)은 마케팅 파일럿 프로그램의 성공이나 실패를 예측하는 크리에이티브 테스트에 AI 기반 도구를 이용한다.
마지막으로, AI는 개인이 학습 내용을 명확히 표현하고 정리해 성공적인 전략을 도표, 인포그래픽, 프리젠테이션, 보고서 등 다른 사람들이 쉽게 이해하고 접근할 수 있는 형태로 구체화할 수 있도록 지원한다.
[3] 학습 내용을 효과적으로 전파하고 대규모 적용 시 효과적인 방법 결정
혹자는 정보를 수집하고 정리해 조직 전체가 접근할 수 있도록 하는 디지털 지식 관리 시스템의 형태로 조직 전체에 지식을 전파하고 관리할 수 있다고 생각할 수 있다. 하지만 BCG 경험에 비추어 봤을 때, 지난 십 년간 많은 기업에서 구축한 지식 관리 시스템은 아직 대체로 기대에 미치지 못한다. 이는 지식을 제대로 확보하고 업데이트하지 못했거나 지식을 찾고 검색하기가 어렵기 때문이다. 대부분 기업은 여전히 집단 지성을 확보하고 성장시키는 방법을 정확히 이해하지 못하고 있다. 새로운 디지털 기술을 이용하면 지식 저장 및 추출 방법에 대해 더 많은 유연성을 제공해 이런 시스템을 더욱 효과적으로 만들 수 있다.
생성형 AI(Generative AI)는 지식 시스템 내의 정보 획득 및 유지 프로세스를 자동화해 지식 아카이빙을 개선한다. 내부 지식 아티클, FAQ 및 주제, 사람 및 프로젝트 간 상호연결성에 대한 그래픽 자료를 통해 지식 격차의 파악과 새로운 콘텐츠 생성을 도울 수 있다. 예를 들어, 서비스나우(ServiceNow)는 고객들이 내부 헬프데스크 문서를 작성할 수 있도록 하는 LLM을 출시하고 있다. 또한 AI 챗봇은 지식 검색을 쉽게 하거나, 가장 관련성 높은 정보를 추출하거나, 개별 요청자에게 맞춤형 답변을 제공하는 등의 방식으로 효과적인 지식 전파를 지원할 수 있다.
AI는 단순한 지식 저장과 전파를 넘어, 학습 내용을 인간의 개입 없이 직접 행동으로 전환할 수도 있다. 이 과정에서 의사결정 엔진과 연결되어 인간의 관여 없이 행동할 수 있는 알고리즘이 등장하는데, 알고리즘은 기업이 인사이트를 빠르고 효율적으로 확대하고 적용할 수 있도록 해 준다. 새로운 사용자 추천안을 생성하는 넷플릭스(Netflix)나 스포티파이(Spotify)의 의사결정 엔진이 대표적 사례이다.
[4] 멘탈 모델을 명시적이고 진화 가능하게 개선
디지털 기술은 집단의 성찰에 도움이 되며 기업이 암묵적 지식 기반을 더 잘 이해할 수 있도록 해 준다. LLM은 조직 전반의 회의, 문서, 내부 커뮤니케이션을 통해 확보된 정보를 평가하고 이를 다시 직원들에게 표현함으로써 멘탈 모델과 가정을 정확히 관찰하고 명확성을 향상할 수 있다. AI를 이용하면 비즈니스 모델, 경쟁 환경, 문화에 대한 이런 인식을 구체화함으로써 유연성을 높일 수 있으며, 이는 기업이 스스로 재구상할 수 있게 하는 데에 핵심이다.
[5] 중요한 새로운 이상 징후에 집중
AI는 새로운 행동양식과 환경 반응(고객 피드백, 시장 트렌드, 경쟁업체 대책)을 통해 생성된 매개변수의 변화를 적극적으로 모니터할 수 있으며, 이를 통해 새로운 흥미로운 이상 징후를 포착해 사회적 학습 순환을 다시 시작할 수 있다.
[6] 사회적 학습 시스템 구축 및 강화
AI와 같은 기술은 앞서 설명한 것처럼 사회적 학습을 강화할 수 있지만, 이것이 저절로 이루어지지는 것은 아니다. 기업은 AI 어플리케이션을 운영 프로세스의 모든 단계에 성급하게 통합하기보다는 사회적 학습을 인간과 기계로 구성된 시스템으로 생각하고, 이것의 인식, 개선, 강화에 집중해야 한다.
[7] 기존 학습 시스템 매핑
조직의 현재 학습 사고방식 및 프로세스를 이해해야 한다. ‘놀라움의 원천은 무엇인가?’‚ ‘학습 내용이 어떻게 체계화되고, 선택되고, 전파되는가?’와 같은 질문은 조직 내에서 어떻게 학습이 제대로 진행되는지 혹은 진행되지 못하는지를 이해하는 데 있어 매우 중요하다. 이는 학습 방법을 배우는 기초가 된다.
학습 프로세스에 대한 자기 인식을 확립하는 것은 잠재적 개선점 파악에 도움이 된다. 예를 들어, 언어학습 앱인 듀오링고(Duolingo)의 성공은 이 앱이 사용자 개인의 학습 스타일에 따라 난이도, 속도, 포맷을 조정하는 방식을 기반으로 한다.
[8] 전통적 학습 개선
학습의 모든 단계마다, 적절한 요소가 갖춰져 있는지 확인한다. 기존 정책을 재평가하고 수정하며, 조직 전체적으로 새로운 인사이트에 대한 실험과 공유를 허용하는 것에 그치지 않고 적극적으로 장려하는 환경을 조성한다.
호기심과 창의적 사고를 독려하며, 직원들이 새로운 가능성을 시험해 볼 수 있는 여지를 주고, 습득한 지식을 어떻게 적절히 체계화할 수 있을지 교육하며, 적절한 커뮤니케이션 경로를 구축해 제대로 작동하도록 하고, 프로세스가 새로운 인사이트에 유연히 대응할 수 있도록 한다. 일례로 링크드인(LinkedIn)의 인베스트먼트데이(InDay)는 직원들이 서로 소통하고, 지식을 공유하며, 목적별 프로젝트를 촉진할 수 있는 시간을 확보하는 것을 목표로 한다.
[9] 기술 도입을 통해 학습 시스템을 확장하고 개선
새로운 기술을 도입하면 인간과 인간, 인간과 기계, 기계와 기계 등 새로운 유형의 학습이 가능해진다. 이를 통해 학습 시스템을 개선하고 재구상할 기회가 생겨난다.
상황에 따라 어떤 유형의 학습이 가장 적합한지 파악해 인간과 기계의 협력을 최적화할 수 있는 전략을 수립한다. 예를 들어, 인간과 인간 시스템은 집단 창의성 작업에 더 효과적일 수 있고, 인간과 기계 시스템은 개별 실험에 가장 적합하며, 기계와 기계 시스템은 중요하고 빠른 확장이 바람직하고 가능한 경우에 최적일 것이다. 상황에 따른 전략적 선택과 역량의 조합을 통해 전반적인 학습 프로세스가 개선될 수 있다.
[10] 강력한 지배구조 구축
사회적 학습 시스템이 끊임없이 진화하는 환경 속에서 목적 적합성을 유지하려면 규제 및 지속적인 적응이 필수이다. 알고리즘을 새로 고치거나 새로운 영역을 해결해야 하는 필요성이 반드시 발생할 것이고 이 변화를 언제 어떻게 반영할지에 대한 질문이 제기될 것이다. 변동성이 큰 환경에서 과거의 데이터와 매개변수가 더 이상 효과가 없는 알고리즘에 과도하게 의존할 경우 곤란한 상황이 발생할 수도 있다. 예를 들어, 헤지펀드 LTCM은 새로운 환경에 적합하지 않은 모델에 지나치게 의존해 결국 파산에 이르렀다. 채택된 관행이 여전히 합리적인지 확인하기 위해서는 인간에 의한 상황 평가가 매우 중요하다.
개별 운영 단계에만 집중해 기술을 활용하다 보면 전체 학습 시스템의 효과를 간과하기 쉽다. 점화 플러그를 비유로 생각해 보자. 단독으로는 혁신적일 것이 없어 보이지만 자동차 내연기관에 들어가, 그 자동차를 도로, 교통법규, 자동차 사용 문화가 있는 사회 속의 인간이 운전하면, 그 점화 플러그는 혁신 기술의 일부가 된다. 시스템은 자동차, 운전자, 도로, 법규라는 개별 요소들을 의미 있게 상호연결시켜 각각의 부품들에 가치를 부여한다.
[11] 함정 주의
학습 시스템의 한 가지 부분(AI 혹은 인간)에만 집중하면 프로세스를 근시안적으로만 바라볼 수 있다. 사회적 학습의 잠재력을 최대한 발휘할 수 있는 핵심은 두 요소 모두를 연결하는 통합 접근법에 있다.
마찬가지로 전체 학습 시스템이 아닌 학습 프로세스의 일부 선택된 단계만을 개선하면 단계 간의 잠재적 시너지 효과는 기대할 수 없다.
마지막으로 프로세스의 입출력 효율성을 측정하는 전통적인 지표는 더 이상 충분하지 않다. 학습 속도 경쟁에서는 조직이 얼마나 빠르고 효과적으로 배우고 발전할 수 있는지를 나타내는 새로운 지표가 도입되어야 한다.
________________________________________
제대로 작동하며 최신 기술로 강화된 사회적 학습 시스템을 갖춘다면 지금과 같은 역동적인 비즈니스 환경에서 상당한 경쟁우위 확보가 가능하다. 하지만 AI를 비롯한 새로운 기술이 학습 경쟁력을 강화하기 위해서는 제대로 설계되고 전체적인 관점으로 고안된 학습 시스템 구축이 선행되어야 할 것이다.
