생성 AI 기술 혁명: 인재 전략 재고

 

기업이 성장하는 데 필요한 소프트웨어 인재를 개발한다는 것은 인재를 둘러싼 불확실성의 시기를 헤쳐나가기 위해 역할보다는 기술 측면에서 생각한다는 것을 의미한다.

모든 회사가 소프트웨어 회사가 되어야 한다면, 이를 제공할 수 있는 소프트웨어 조직이 있을까? 그 질문에 대한 답은 많은 회사의 미래에 결정적일 수 있다.

 

경쟁 능력은 조직이 소프트웨어 제품과 서비스를 얼마나 잘 구축할 수 있는지에 따라 점점 더 달라진다. 이미 상위 경제 성과자의 약 70%가 경쟁자의 절반에 불과한 반면, 상위 경제 성과자의 약 70%가 자체 소프트웨어를 사용하여 경쟁자와 차별화를 꾀하고 있다. 상위 성과자의 3분의 1은 소프트웨어를 직접 수익화한다. 생성 AI(gen AI)는 소프트웨어 인재가 더 나은 코드를 더 빠르게 만들 수 있도록 지원하여 이 가치 기회를 늘릴 수 있는 매혹적인 기회를 제공한다.

 

코딩 작업을 지원하기 위해 생성 AI를 사용하는 유망한 실험은 인상적인 생산성 향상을 보여준다. 생성 AI는 제품 관리자(PM)의 생산성을 40% 향상시켰고, 문서화 및 코딩에 걸리는 시간을 절반으로 줄였다. 예를 들어 IBM Software에서 생성 AI를 사용하는 개발자는 생산성이 30~40% 상승했다.

 

약속에도 불구하고, 생성 AI는 그 잠재력을 거의 보여주지 못했다. 최근 맥킨지 글로벌 서베이에서 실시한 AI 현황에 대한 응답자의 약 65%가 생성 AI를 정기적으로 사용하고 있다고 보고했지만, 소프트웨어 엔지니어링에서 생성 AI를 체계적으로 사용하고 있는 사람은 13%에 불과하다. 회사와 협력한 우리 경험에 따르면 생성 AI 도구는 현재 개발자의 코딩 활동의 약 10~20%에 도움이 된다.

 

생성 AI 역량을 확장하려면 회사에서 작업 방식을 재구성해야 하며, 재구성의 중요한 초점은 이러한 역량에 필요한 인재를 개발하는 것이다. 생성 AI 환경과 소프트웨어 팀이 기술을 사용하여 제품과 서비스를 구축하는 방식은 기술이 성숙해지고 회사가 경험을 쌓으면서 향후 2~3년 내에 안정화될 가능성이 높다. 지금 성공하는 데 필요한 기술과 관행은 시간이 지남에 따라 상당히 바뀔 수 있다. 그때까지 회사는 불확실한 변화와 학습 기간을 헤쳐 나가야 한다.

 

앞으로의 길을 성공적으로 계획하는 데 도움이 되도록 소프트웨어 팀에 필요한 새로운 기술을 파악하고, 이러한 기술의 진화가 역할과 위험을 어떻게 바꿀지 살펴보고, 회사가 더 큰 유연성과 대응성을 위한 기술을 개발하는 방향으로 인재 관리 관행을 어떻게 조정할 수 있는지 보여준다.

 

소프트웨어 개발이 어떻게 변화하고 있는가?

엔지니어링 인재에 대한 재고는 생성 AI가 제품 개발 수명 주기(PDLC)에 어떤 영향을 미칠지에 대한 이해에서 시작해야 한다. 이러한 변화는 상당할 가능성이 높으며 수명 주기의 모든 단계에 영향을 미칠 것이다(도식화). 최근 맥킨지 리서치에 따르면 생성 AI 도구는 콘텐츠가 많은 작업(예: 정보 종합, 콘텐츠 생성, 브레인스토밍)에 콘텐츠가 적은 작업(예: 시각화)보다 거의 두 배나 더 많은 긍정적인 영향을 미친다.

도식화

몇 가지 예를 강조하자면, 우리는 이미 생성 AI 기술이 기본 코딩 및 구문, 코드 문서화, 특정 웹 및 그래픽 디자인 작업과 같은 몇 가지 간단한 작업을 처리하는 것을 보고 있다. 테스트 사례 및 백로그 생성, 시장 동향에서 통찰력 개발, 로그 스크래핑 자동화, 버그의 영향 추정 및 해결을 포함한 보다 복잡한 기능에서도 초기 진전이 이루어지고 있다.

엔지니어링 인재에 대한 재고는 생성 AI가 제품 개발 수명 주기에 어떤 영향을 미칠지 이해하는 것으로 시작해야 한다.

 

시간이 지남에 따라 생성 AI는 자동으로 생성된 테스트, 시스템 로그, 사용자 피드백 및 성능 데이터에서 통찰력을 생성할 수 있어야 한다. 생성 AI는 새로운 기능에 대한 자체 생성 통찰력과 아이디어를 사용하여 개념 증명 및 프로토타입을 만들고 테스트 비용을 줄이고 더 높은 검증 신뢰도(예: 다중 가설 및 A/B 테스트)를 잠금 해제할 수 있다. 이러한 개발은 PDLC 시간을 몇 개월에서 몇 주 또는 며칠로 크게 줄이고 코드 품질을 개선하며 기술 부채를 줄일 것으로 예상된다.

 

새로운 시대를 위한 새로운 기술

많은 리더들이 생성 AI에서 일하려면 새로운 기술이 필요하다는 것을 높은 수준에서 이해하지만, 이러한 변화가 어떻게 가치를 창출할 수 있는지에 대한 그들의 감각은 종종 모호하고 정보가 부족하다. 따라서 개발자를 위한 수백 개의 생성 AI 도구 라이선스를 구매하는 것과 같이 서류상으로는 대담해 보이는 결정은 잠재적 이익을 명확하게 이해하지 못하고 개발자에 대한 교육이 충분하지 않은 상태에서 내려집니다. 그 결과, 예상대로 좋지 않은 결과가 나온다.

 

데이터 과학자, 경험 설계자, 사이버 전문가, 고객 서비스 담당자에 이르기까지 기업 전체의 중요한 역할은 다양한 새로운 기술을 배워야 한다. 소프트웨어 회사처럼 운영되기를 바라는 기업도 엔지니어와 제품 관리자라는 두 가지 핵심 역할에 특별한 주의를 기울여야 한다.

 

엔지니어

엔지니어가 개발해야 할 기술은 아마도 세 가지 영역으로 나뉜다:

●리뷰. 현재 세대의 생성 AI 도구에서 생성된 코드의 상당 부분은 약간의 수정이 필요하다. 어느 정도는 개발자가 실행자에서 리뷰어로 전환해야 하는데, 이는 들리는 것만큼 기본적이지 않다. 일부 유능한 코더는 좋은 리뷰어가 아니다. 좋은 리뷰어는 예를 들어 기존 코드 저장소 및 아키텍처와의 코드 기반 호환성을 평가하고 다른 팀이 코드를 쉽게 유지 관리할 수 있도록 무엇이 필요한지 이해해야 한다. 이는 경험이 많은 엔지니어가 종종 가지고 있지만, 더 젊은 동료는 구축해야 하는 기술이다. 개발자는 중복이나 명백한 오류를 발견하는 것뿐만 아니라 문제를 식별하고 해결하기 위한 고급 포렌식 기술을 개발하여 고품질 코드를 보장해야 한다. 생성 AI 도구의 "교육"은 훨씬 더 복잡할 것이며, 더 나아지기 위해 직장에서 학습해야 한다. 이를 위해 엔지니어는 도구에 피드백을 제공하는 방법을 이해하고 주어진 도구가 학습할 수 있는 최상의 기회를 제공하는 작업 유형을 결정해야 한다.

 

●연결. 여러 AI 에이전트의 기능을 통합하면 문제 해결 속도와 솔루션 품질을 개선할 수 있다. 일부 조직에서는 이미 생성 AI를 응용 AI 사용 사례와 통합하고 있다. 예를 들어 응용 AI 시스템을 사용하여 사용자 참여 패턴을 식별한 다음 모델에 피드백하여 생성 AI에서 만든 콘텐츠의 성능을 분석한다. 예를 들어 바이오텍 회사인 Recursion은 과학자들이 방대한 양의 독점적인 생물학적 및 화학적 데이터 세트를 처리할 수 있는 여러 머신러닝 모델에 액세스할 수 있도록 하는 새로운 생성 AI 플랫폼을 개발했다. 엔지니어가 개발해야 하는 중요한 기술은 생성 AI 애플리케이션과 모델을 선택하고 결합하는 방법이다(예: 한 모델이 다른 특정 모델에 대한 품질 관리를 제공하는 데 어떻게 적합할 수 있는지).

 

●설계. 생성 AI 기술이 기본 코딩 작업을 더 많이 담당함에 따라 엔지니어는 사용자 스토리 작성, 코드 프레임워크 개발(예: 코드 라이브러리, 지원 프로그램), 비즈니스 결과 이해, 사용자 의도 예측과 같은 더 높은 가치의 "상류 기술"을 개발할 수 있다. 의사소통은 중요한 새로운 기술이며, 엔지니어가 팀, 리더, 동료 및 고객과 보다 효과적으로 소통할 수 있도록 하는 데 필요하다.

 

제품 관리자(PM)

제품 관리자의 경우, 똑같이 복잡한 기술 전환은 다음 영역에 초점을 맞출 것이다:

●생성 AI 기술 사용. 소프트웨어 엔지니어와 마찬가지로 PM은 생성 AI 기술을 효과적으로 사용하기 위해 새로운 기술을 개발해야 한다. 실제로 한 하드웨어/소프트웨어 조직은 기술 직원의 기술을 평가한 결과 PM이 다른 역할과 마찬가지로 AI에 대한 업스킬링이 필요하다는 것을 발견했다. 예를 들어 생성 AI가 프로토타입을 구축하는 데 더 능숙해짐에 따라 PM은 로우코드 및 노코드 도구와 반복적 프롬프트를 능숙하게 사용하여 모델을 사용하여 출력을 개선해야 한다. PM은 또한 작업을 완료하기 위해 함께 작동하는 대규모 언어 모델(LLM)인 "에이전트" 프레임워크를 이해하고 개발하는 데 능숙해져야 한다. 이를 위해 PM은 모델이 추론을 실행할 때 발생하는 비용과 같은 고유한 고려 사항을 고려하여 이러한 LLM과 함께 작업하기 위한 계획을 수립해야 한다.

 

●채택 및 신뢰. 신뢰에 대한 상당한 우려(생성 AI를 신뢰하지 않거나 너무 신뢰하는 것)를 감안할 때, 표준 채택 프로그램(예: 새로운 도구 사용 방법에 대한 기본 교육)으로는 충분하지 않다. PM은 신뢰에 대한 암묵적 및 명시적 장벽(생성 AI 솔루션이 제공하는 답변을 신뢰하지 않는 것 등)을 식별하고 이를 해결하기 위해 강력한 공감 기술을 개발해야 한다. 위험에 대한 상당한 우려는 PM이 PDLC의 모든 단계에 올바른 점검 및 조치가 통합되도록 하기 위해 위험 전문가와 협력해야 함을 의미한다.

 

새로운 역할과 합병 역할, 더 많은 리더십 감독

생성 AI를 사용하는 데 필요한 새로운 기술은 사람들이 직장에서 하는 일과 방식에 영향을 미쳐 역할이 어떻게 적응해야 하는지, 감독 리더십이 무엇을 제공해야 하는지에 대한 중대한 의문을 제기한다.

 

새로운 역할과 합병 역할

생성 AI가 사람들의 생산성을 높이는 데 도움이 되면서 소프트웨어 팀이 더 작아질 것이라고 생각하기 쉽다. 그럴 수도 있지만, 더 많은 작업을 하기 위해 팀을 유지하거나 확대하는 것도 합리적일 수 있다. 너무 자주 대화는 어떤 역할이 들어가거나 나가야 하는지에 초점을 맞추지만, 현실은 더 미묘하고 지저분할 가능성이 높다. 소프트웨어 엔지니어가 생성 AI 도구를 사용하여 테스트 활동을 수행하는 것과 같이 역할이 새로운 책임을 흡수하고 일부 역할이 다른 역할과 합병될 것으로 예상할 수 있다. 예를 들어 제품 관리자와 개발자 역할은 결국 제품 개발자로 합병될 수 있으며, 이 경우 한 명의 고성과자가 다양한 생성 AI 도구를 사용하여 모형을 만들고, 요구 사항을 개발하고, 해당 요구 사항에 따라 코드를 생성할 수 있다.

 

너무 자주 대화는 어떤 역할이 들어가거나 나가야 하는지에 초점을 맞추지만, 현실은 더 미묘하고 지저분할 가능성이 높다.

단기적으로 세대 AI의 입증되지 않고 예측할 수 없는 특성을 감안할 때 AI 안전 및 데이터 책임에 초점을 맞추고 코드를 검토하고 승인하는 것과 같은 새로운 역할이 필요할 것이다. 새로운 역할이 필요할 수 있는 상당한 범위의 다른 영역에는 LLM 선택 및 관리, 세대 AI 에이전트 교육 및 관리, 타사 모델 책임, 시간 경과에 따른 모델 성능을 감독하는 LLM 운영(LLMOps) 기능이 포함될 수 있다.

기술 기술 환경의 변화가 가속화되어 HR 및 기술 팀이 기술이 역할에 어떻게 묶이는지 정의(및 재정의)하는 데 훨씬 더 대응력이 필요할 것으로 예상한다.

 

강력한 감독

비즈니스와 전략에 중요한 기술을 결정하는 것은 오랜 리더십 책임이다. 그러나 생성 AI와 관련된 고유한 불확실성과 기회는 특별한 리더십 집중을 요구합니다. 특히 중요한 두 영역이 두드러진다.

●표준화. 그룹과 개인이 생성 AI 파일럿을 전개함에 따라 도구, 플랫폼 및 아키텍처가 급증한다. 대신 회사는 단일 표준화된 역량 세트에 집중하고 필요한 기술 유형에 대한 일관성을 개발해야 한다. 리더십은 생성 AI 도구, 모델, 프로세스 및 접근 방식을 표준화하고 예를 들어 기능을 라이선스하는 것이 가장 좋은지, 구축하는 것이 가장 좋은지 또는 공급업체와 협력하는 것이 가장 좋은지(주로 비즈니스 내에서 사용 가능한 기술에 따라 결정됨)를 결정해야 한다.

 

●위험. 생성 AI와 관련된 위험에 대한 지속적인 우려로 인해 리더십은 직원에 대한 명확한 지침과 기대치를 개발해야 한다. 소프트웨어 인재가 심층적인 위험 전문가가 될 수는 없지만, 어떤 종류의 위험이 존재하는지 이해하고, 코드에 보호 장치를 통합하는 습관을 개발하고, 새로운 테스트 도구(예: SonarQube, Checkmarx 또는 Coverty)를 사용하는 방법을 아는 것과 같은 기본 기술을 개발할 수 있을 것으로 기대할 수 있다. 일부 조직에서는 일선 사용자가 생성 AI의 기회, 위험 및 경계를 이해하도록 인센티브를 제공하고 있으며, 특정 종류의 교육을 의무화하기도 한다. 위험 및 규정 준수 문제는 생성 AI 자체만큼 빠르게 바뀔 가능성이 높으므로 리더십은 지정된 정책에 대해 코드를 자동으로 테스트하는 도구(즉, 코드로서의 정책)에 투자해야 한다.

 

기술을 중심으로 구축된 인재 관리 혁신

현재 인재 관리에 대한 접근 방식은 기존 프로그램에 생성 AI를 통합하는 방법에 초점을 맞추는 경향이 있다. 이는 오래 지속되지 않을 것이다. 현대 기업의 HR 시스템은 잘 정의된 역량, 익숙한 경력 경로, 고정된 보상 수준, 공식적인 학습 여정을 갖춘 엄격하게 구성된 역할이라는 매우 구조화된 특성을 가지고 있어 디지털 역량에 의해 주도되는 변화에 발맞추기 위해 이미 어려움을 겪고 있다. 생성 AI의 더욱 불안정하고 예측할 수 없는 역학에는 대응할 수 없다.

CEO 및 기술 리더십과 협력하는 HR 리더는 대신 전략적 인력 계획 및 견습 역량이라는 두 가지 영역에 초점을 맞춰 인재를 찾고 육성하는 방법을 혁신해야 한다.

 

비즈니스 요구 사항과 기술에 따른 전략적 인력 계획 수립

인재 전환은 HR 리더가 기술을 중심으로 구축된 전략적 인력 계획을 개발하는 것으로 시작된다. 기업은 종종 인력 계획 시 역할에 초점을 맞추지만 그것 만으로는 충분하지 않다. 예를 들어 소프트웨어 엔지니어나 선임 데이터 엔지니어 역할의 필요성을 파악하는 것은 생성 AI 도구가 역할이 아닌 작업을 맡는 상황에서는 유용하지 않다.

HR 리더는 진공 상태에서 이를 수행할 수 없다. 혁신, 고객 경험, 생산성과 같은 목표를 이해하기 위해 비즈니스 리더와 협력하여 인재 노력에 집중해야 한다. 이를 바탕으로 미래의 인재 수요를 파악할 수 있다.

 

이러한 협업은 기술 인벤토리를 개발하는 데 중요하며, 이를 통해 기업은 보유한 기술, 필요한 기술, 생성 AI 도구로 다룰 수 있는 기술을 평가할 수 있는 사실 기반을 제공한다. 이 기술 분류는 명확하고 일관된 언어를 사용해야 하며(따라서 전사적으로 적용할 수 있음), 전문 지식 수준을 파악하고 계층 구조를 중심으로 구성하여 정보를 보다 쉽게 ​​구성할 수 있어야 한다.

인재 전환은 HR 리더가 기술을 중심으로 구축된 전략적 인력 계획을 개발하는 것으로 시작된다.

 

그러나 유용하려면 회사는 기술을 문서가 아닌 데이터로 취급해야 한다. 관련 태그(예: 전문성 수준)가 있는 기술을 데이터베이스에 추가하면 회사는 AI와 LLM을 사용하여 재교육을 위한 기술 간의 관계와 연결을 결정하고, 개발할 기술의 우선순위를 정하고, 인력 계획에서 프로그램 또는 팀별 특정 기술 요구 사항을 결정하고, 맞춤형 학습 프로그램을 개발할 수 있다.

한 가지 예로 AI 기술 추론 도구를 사용하여 디지털 인재에 대한 포괄적인 기술 뷰를 만드는 생명 과학 회사가 있다. 이 도구는 공석, 역할 설명, 역할에 대한 HR 데이터, LinkedIn 프로필 및 기타 내부 플랫폼(예: Jira, 코드 저장소)을 스캔하여 주어진 역할에 필요한 기술에 대한 뷰를 개발한다. 그런 다음 관련 개별 ​​직원은 해당 기술과 능숙도가 있는지 검토하고 확인할 수 있다. 확인되면 이러한 기술은 개인의 프로필뿐만 아니라 향후 평가를 위해 회사의 기술 데이터베이스에도 추가된다.

 

전략적 인력 계획에 대한 이러한 접근 방식이 효과적 이려면 회사는 식별된 기술 격차에 대한 진행 상황을 지속적으로 측정하고 전략을 재검토하여 다른 요구 사항이 발생했는지 확인해야 한다. 특히 새로운 세대 AI 도구와 기능이 온라인에 등장함에 따라 더욱 그렇다. HR 팀은 엔지니어링 리더와 협력하여 도구를 평가하고 대체할 수 있는 기술과 필요한 새로운 교육을 이해해야 한다.

 

더 광범위한 인재 프로그램의 일부로서 견습 역량 구축

회사에 필요한 인재를 찾고 유지하는 데 있어 승리로 가는 단일 경로는 없다. 우리의 경험에 따르면 회사는 고객 중심의 채용 관행에서 맞춤형 교육 경로에 이르기까지 다양한 인재 전략을 구현해야 한다. 하지만 생성 AI는 빠르게 움직이고 어떤 기술이 필요한지에 대한 명확성이 거의 없기 때문에 업스킬링이 최우선이어야 한다. 업스킬링 프로그램을 개발하는 데 있어 어려움으로는 체계화된 모범 사례가 부족하고 근로자가 새로운 기술을 배우는 데 잠재적으로 저항하는 것이 있다. 예를 들어 엔지니어는 코딩에 더 능숙해지는 데 관심이 있을 수 있지만 효과적인 커뮤니케이션이나 사용자 스토리 개발과 같은 다양한 종류의 기술을 배워야 할 필요성은 덜 중요하거나 위협적으로 보일 수 있다.

 

이러한 이유로 회사는 비즈니스의 업스킬링 레퍼토리의 일부로 간과되는 경향이 있는 견습 모델에 특히 주의해야 한다. 견습은 변화를 신비화하지 않고, 문제 해결 사고방식과 코드 적합성을 평가하는 데 올바른 판단을 사용하는 방법과 같이 가르치기 어려운 기술을 보여주기 위한 롤모델을 제공하는 실습 학습을 제공한다. 그러나 견습이 효과적이려면 선임 전문가가 단순히 상자를 체크하는 것이 아니라 적극적으로 참여해야 한다. 그들은 회사에 특정한 위험 문제를 탐색하는 것과 같이 유용할 수 있는 신뢰성과 종종 제도적 지식을 가지고 있다. 전문가들은 후배 동료와 함께 코드를 작성하고 검토하고, 그들이 일하는 동안 그들을 따라다니며, 팀이 생성 AI와 어떻게 협력하는지 알아볼 수 있도록 방문을 설정해야 한다. 그들은 또한 문제를 분석하고, 사업 목표를 달성하고, 최종 사용자의 요구 사항과 문제점을 이해하고, 관련 질문을 하는 방법과 같은 새로운 기술을 지도하는 멘토 역할을 할 수 있다.

 

견습 프로그램이 성공하도록 하려면 회사는 견습을 성과 평가의 일부로 만들고 사람들이 참여할 수 있는 충분한 시간을 제공하여 인센티브를 만들어야 한다. 실제로 한 오디오 회사는 견습을 학습 프로그램의 명확한 일부로 만들었다. 이 프로그램은 프로그램에 자원한 약 12명의 최고 성과 엔지니어를 대상으로 생성 AI 기술을 다루는 부트 캠프를 운영했다. 이 교육의 대가로 참가자는 다른 사람을 교육해야 했다. 각자는 10~15명의 엔지니어를 대상으로 3~4일간 부트 캠프를 이끌기로 동의했고, 그 후 3개월 동안 주 2회 세션을 진행했다. 이 세션에서 누구나 질문을 하고 자신의 학습 내용을 공유할 수 있었다.

 

생성 AI의 역량은 결국 더 안정적이고 입증될 것이지만, 단기적으로는 기업들이 많은 불확실성을 헤쳐 나가야 할 것이다. 기술에 집중하고 인재 관리 접근 방식을 조정하고, 배우고 조정할 수 있을 만큼 유연해짐으로써 기업들은 인재 문제를 경쟁 우위로 전환할 수 있다.