AI 시대의 HRD, '개별 학습'보다 '공동 숙련'이 절실한 이유
조직의 AX 전환을 대하다 보면 경영진과 구성원 사이의 상반된 온도를 마주하게 된다. 경영진의 테이블에서는 어쩔 수 없이 숫자 얘기가 나올 수밖에 없다. 확신할 수 없는 상황에서 결국 더 무게가 실리는 것은 비용을 줄이거나 효율성을 극대화하는 방향일 것이고, 이는 종종 인력 최적화라는 무거운 주제로 이어진다. 바라건대 조직의 여러 리더들이 이런 분위기를 있는 그대로 전할 리 없겠지만, 다수의 구성원은 각자의 AI 활용 경험에 비추어 "나의 역할이 AI로 대체되는 것은 아닐까?"라는 본능적인 불안감을 갖게 된다. 이러한 불편한 온도 차 속에서 양쪽 모두 공감해야 하는 HR에게 주어진 역할은 조직의 AX 전환을 지원함과 동시에 구성원의 고용 불안감을 낮추는 것이다.
배수정 박사님께서 공유해 주신 “Empowering workforces in AI-driven environments: co-skilling, organizational support, and mitigating job insecurity” 연구를 통해 이 문제에 대한 힌트를 찾아볼 수 있다. 이 연구는 AI 도입으로 인한 고용 불안정성을 해결하기 위해 '공동 숙련화(Co-Skilling)'라는 개념에 주목한다. 단순히 개인의 기술을 연마하는 것을 넘어, 동료와 함께 배우고 참여하는 과정이 어떻게 불안을 제어하는지 실증적으로 규명했다. 연구 결과에 따르면, 고용 불안을 낮추는 것은 단발성 교육이 아니라 다음과 같은 '심리적 징검다리'가 놓일 때 가능하다.
조직 지원 인식(POS): 공동 숙련화 활동은 "회사가 나를 버리는 것이 아니라, 나의 성장을 위해 투자하고 있다"는 강력한 신호를 보낸다.
정신적 웰빙(MEW): 동료들과 함께 어려움을 나누고 과제를 해결하는 과정에서 정서적 지지를 얻으며 변화에 대한 스트레스 수준을 낮춘다.
기술 자신감(SC): 동료의 성공을 지켜보고 서로 도움을 주고받는 설계는 "나도 할 수 있다"는 확신을 높여 AI를 위협이 아닌 도전으로 인식하게 한다.
이미지 트레이닝처럼 AI 관련 교육 프로그램이 진행 중인 교육장 내의 모습을 상상해 보자. AI 관련 학습 진행 시, 혼자가 아닌 동료들과의 협업과 참여 과정에서 서로 나누는 대화를 통해 구성원들은 회사가 나를 돕고 있다는 따뜻한 지지를 경험한다. 또한, 나처럼 어려워하는 동료의 모습이나 앞서거니 뒤서거니 주어진 과제를 해결해 가는 모습을 지켜봄으로써(사회 학습 이론), AX 전환에 대한 스트레스를 완화할 수 있다. 분위기 조성만 잘 해낼 수 있다면 서로 간의 도움으로 문제를 해결하는 설계를 통해 AI 기술에 대한 자신감 또한 높일 수 있고, 이러한 복합적인 학습 경험을 통해 자연스레 불안감은 낮아질 수 있다.
연구는 한 가지 중요한 조절 요인을 더 짚어준다. 바로 직원의 AI 대비도(ER)이다. 조직이 아무리 좋은 지원을 해도, 구성원 개인이 변화를 받아들일 심리적 준비가 되어 있을 때 그 효과는 배가된다. 따라서 HRD는 수준별 교육뿐만 아니라, AI에 대한 긍정적인 마음가짐을 갖게 하는 마인드셋 빌딩을 선행해야 함을 강조하고 있다.
변수들 간의 복잡한 연결 고리처럼 구성원의 고용 불안정성을 단번에 낮추는 것이 쉽지 않을 수 있다. 하지만 자고로 HR이라면, 조직 내 직원 경험 설계 전문가로서 이 연구에서 짚어내고 있는 참여 → 지원 인식 → 웰빙과 자신감으로 이어지는 경로를 물꼬로서 잘 활용할 필요가 있어 보인다.
Zhang, Y., Liu, X., Yan, Q., & NA, M. Empowering Workforces in AI-Driven Environments: Co-Skilling, Organizational Support, and Mitigating Job Insecurity. Frontiers in Psychology, 16, 1700129.
인공지능(AI) 도입으로 인한 직원들의 고용 불안정성(Job Insecurity)을 완화하기 위해 공동 숙련화(Co-Skilling)의 역할을 분석한 연구이다. 공동 숙련화의 세부 차원들이 조직 지원 인식(POS), 정신적 웰빙(MEW), 기술 자신감(SC)을 매개로 고용 불안을 줄이는 경로를 실증적으로 규명했다. 연구 결과, 조직의 지원과 협력적 학습 환경이 기술적 변화에 따른 불안을 제어하는 핵심 기제로 나타났다.
AI와 로봇 공학의 확산이 효율성을 높이는 동시에 일자리 대체에 대한 두려움과 심각한 고용 불안을 야기하고 있기 때문이다. 기존 연구들이 개인적 차원의 역량 강화에 집중한 것과 달리, 팀 기반의 협력적 학습인 공동 숙련화가 어떻게 근로자의 심리적 자원을 강화하고 실질적인 불안을 완화하는지에 대한 학술적·실무적 공백을 메우고자 했다.
공동 숙련화(Co-Skilling): 참여와 몰입, 동료 협업, 학습 효과성을 포함하는 공유 학습 과정이다.
고용 불안정성(Job Insecurity): AI 도입으로 인해 자신의 일자리가 위협받는다고 느끼는 주관적인 지각이다.
조직 지원 인식(Perceived Organizational Support): 조직이 직원의 기여를 인정하고 웰빙을 배려한다고 믿는 정도이다.
AI 대비도(Employee Readiness for AI): AI 기술 수용에 대한 개인의 마음가짐과 기술적 적응력을 의미한다.
중국의 제조, 의료, 기술, 금융, 유통 산업 분야 직원들을 대상으로 횡단적 양적 연구 설계(Cross-sectional quantitative design)를 적용했다. 층화 표본 추출법(Stratified random sampling)을 통해 수집된 437개의 유효 응답을 바탕으로 부분최소제곱 구조방정식 모델링(PLS-SEM)과 필요조건 분석(NCA)을 사용하여 가설을 검증했다.
공동 숙련화의 모든 차원은 조직 지원 인식, 정신적 웰빙, 기술 자신감에 긍정적인 영향을 미쳤으며, 이 매개 변수들은 고용 불안을 유의미하게 감소시켰다. 특히 조직 지원 인식은 가장 강력한 완충 작용을 하는 것으로 나타났다. 또한 AI 대비도가 높은 직원일수록 조직의 지원을 고용 안정으로 연결하는 경향이 더 강하게 나타났다.
AI와 로봇 공학의 통합은 산업 전반에 걸쳐 직무 요구 사항과 직원의 역할을 근본적으로 재편하고 있다. 2025년까지 AI와 자동화로 인해 8,500만 개의 일자리가 사라지는 동시에 9,700만 개의 새로운 직무가 만들어질 것으로 예측된다. 이러한 기술적 전환은 효율성 증대라는 긍정적 측면과 함께, 특히 단순 반복적 업무를 수행하는 근로자들 사이에서 심각한 고용 불안정성(Job Insecurity)을 유발하는 이중적인 성격(Dual-edged nature)을 띤다.
AI 시대에 적응하기 위해 개인 중심의 교육(Upskilling)이 강조되어 왔으나, 상호 지식 전달과 팀워크를 중시하는 협력적 공동 숙련화(Co-Skilling)에 대한 탐구는 부족했다. 대다수 기업이 인적 자원의 준비 부족을 AI 통합의 주요 장벽으로 꼽고 있다. 기존의 대규모 재교육 투자가 개인의 기술 습득에만 치중되어 있는 한계를 극복하기 위해, 동료 간의 협업적 학습 프로세스가 자동화에 대한 공포를 어떻게 완충하는지 규명할 필요가 있다.
고용 불안정성은 직원의 웰빙과 업무 몰입에 부정적인 영향을 미치는 강력한 스트레스 요인이다. 이를 완화하기 위해서는 다음과 같은 심리적·조직적 자원의 역할이 중요하다.
조직 지원 인식(POS): 조직이 직원의 가치를 인정한다는 믿음이 안전감을 형성한다.
정신적 웰빙(MEW): 정서적 안정성이 기술적 변화에 대한 회복력을 높인다.
기술 자신감(SC): 새로운 기술을 습득할 수 있다는 확신이 불안을 낮춘다.
본 연구는 사회 학습 이론(Social Learning Theory)과 직무 요구-자원(JD-R) 모델을 바탕으로, 공동 숙련화가 이러한 자원들을 강화하여 최종적으로 고용 불안을 줄이는 경로를 분석한다. 이러한 논의는 이후 문헌 고찰을 통해 각 개념의 이론적 정의와 가설로 연결된다.
2.1 공동 숙련화 (Co-skilling)
공동 숙련화(Co-Skilling)는 급격한 기술 변화에 대응하기 위해 조직이 채택하는 핵심 전략이다. 이는 단순한 개인 역량 강화를 넘어 협력적이고 반복적인 학습 프로세스를 통해 조직과 개인의 회복력을 구축하는 것을 목표로 한다.
공동 숙련화의 차원: 참여(Participation), 몰입(Engagement), 동료 협업(Peer collaboration), 학습 효과성(Learning effectiveness)으로 구성된다. 이러한 요소들은 상호 연결되어 복잡한 AI 관련 과제를 관리할 수 있는 능력을 키워준다.
전략적 중요성: 리스킬링(Reskilling)과 업스킬링(Upskilling)에 대한 투자는 단순한 경쟁 우위 확보를 넘어 글로벌 시장 변화에 대한 필수적인 대응책이다. 특히 기술 집약적인 맥락에서 인적 자원의 적응력은 조직의 지속 가능성을 결정짓는다.
협업의 역할: 참여와 협업은 직장에서 지식 공유에 필수적인 협상 및 상호 보완 과정을 촉진한다. 동료 간의 공동 학습은 메타인지적 인식을 높이고 문제 해결 능력을 강화한다.
조직적 가치: 공동 숙련화는 전문적 정체성과 소속감을 형성하며, 분산된 팀 간의 결속력을 높인다. 사람 중심의 공동 숙련화를 우선시하는 기업은 기술 투자와 조화를 이루어 지속 가능한 성장을 달성할 가능성이 높다.
2.2 이론적 배경 (Theoretical underpinning)
본 연구는 AI 기반 업무 환경에서 직원의 적응 과정을 설명하기 위해 두 가지 주요 이론을 결합한다.
사회 학습 이론 (Social Learning Theory, SLR)
학습이 관찰, 모델링, 강화를 통해 사회적 맥락에서 발생한다는 점을 강조한다. 직원들은 동료와의 상호작용을 통해 기술을 습득할 뿐만 아니라, 변화에 대응하는 태도와 전략을 배운다. 협력적 훈련은 자기 효능감과 적응력을 강화하는 모델링 기회를 제공하며, 리더의 인정과 같은 강화 기제는 긍정적인 조직 태도를 형성하고 고용 불안을 낮춘다.
직무 요구-자원 모델 (Job Demands-Resources Model, JD-R)
직무 요구(AI 도입 등)와 직무 자원(공동 숙련화, 조직 지원 등)의 상호작용이 직원의 안녕감과 성과를 결정한다고 본다. 이 모델에서 공동 숙련화는 직무 요구의 부정적인 영향을 완충(Buffer)하는 중요한 직무 자원으로 정의된다. 또한, 공동 숙련화 프로그램은 조직이 직원의 발전에 전념하고 있다는 심리적 계약을 충족시켜 신뢰와 충성도를 높인다.
2.3 가설 설정 (Hypothesis development)
공동 숙련화 차원과 즉각적 결과물 간의 관계
조직 지원 인식(POS)은 조직이 직원의 기여를 인정하고 복지에 신경 쓰고 있다는 지각이며, 이는 몰입과 심리적 건강에 큰 영향을 미친다. 공동 숙련화 참여와 몰입은 동료 간 상호작용을 촉진하고 조직이 직원을 소중히 여긴다는 메시지를 전달하여 조직 지원 인식을 높인다. 또한 협력적 학습 환경은 정서적 안정감을 제공하여 정신적 웰빙(MEW)에 기여하고, 반복적인 피드백을 통해 기술 자신감(SC)을 향상시킨다. 이에 따라 공동 숙련화의 각 차원(참여 및 몰입, 동료 협업, 학습 효과성)이 조직 지원 인식, 정신적 웰빙, 기술 자신감에 긍정적인 영향을 미친다는 가설(H1, H2, H3)이 도출된다.
조직 지원 인식(POS)의 매개 역할
조직 지원 인식은 고용 불안과 직무 성과 사이를 연결하는 핵심적인 매개 기제이다. 조직이 직원의 성장을 위해 투자하고 있다는 신호는 불확실성에서 오는 심리적 부담을 덜어주고 회복력을 기르게 한다. 공동 숙련화 활동은 조직의 이러한 의지를 가시적으로 보여줌으로써 신뢰를 강화하고, 결과적으로 고용 불안정성(JIN)을 완화하는 완충 장치가 된다. 따라서 조직 지원 인식이 공동 숙련화 차원들과 고용 불안정성 사이의 관계를 매개한다는 가설(H4)을 세운다.
정신적 웰빙(MEW)과 기술 자신감(SC)의 매개 역할
고용 불안은 스트레스와 불안을 유발하여 심리적 안전감을 저해한다. 공동 숙련화를 통해 형성된 정신적 웰빙은 스트레스 요인에 대한 저항력을 높여 불안을 제어한다. 동시에, 기술을 습득하고 적용할 수 있다는 확신인 기술 자신감은 변화를 위협이 아닌 도전 과제로 인식하게 만든다. 역량을 갖췄다고 느끼는 직원은 취업 경쟁력을 확신하며 취약성을 덜 느끼게 된다. 이러한 논리를 바탕으로 정신적 웰빙과 기술 자신감이 공동 숙련화와 고용 불안정성 사이를 매개한다는 가설(H5, H6)을 설정한다.
직원의 AI 대비도(Employee Readiness for AI)의 조절 역할
AI 도입에 대한 개인의 마음가짐과 기술적 적응력은 고용 불안에 대응하는 방식에 차이를 만든다. AI 대비도가 높은 직원은 조직의 지원을 자기 발전의 기회로 적극 활용하며, 심리적 자원을 더 효과적으로 안정감으로 전환한다. 반면 대비도가 낮은 직원은 조직의 지원이 있더라도 기술적 변화를 극복할 수 없는 장벽으로 느낄 가능성이 크다. 따라서 직원의 AI 대비도가 조직 지원 인식, 정신적 웰빙, 기술 자신감이 고용 불안정성에 미치는 영향을 조절한다는 가설(H7)을 제안한다.
3.1 연구 설계 (Research design)
본 연구는 AI 기술 도입이 활발하게 이루어지는 산업 분야의 직원을 대상으로 횡단적 양적 연구 설계(Cross-sectional quantitative design)를 채택한다. 연구의 대상이 되는 주요 산업은 제조, 의료, 기술, 금융, 소매 유통 분야이다.
표본 추출 및 데이터 수집: 중국 AI 산업 연맹(AIIA), 기업 등록부인 치차차(Qichacha), 세계 AI 컨퍼런스(WAIC) 참여자 명단 등을 활용하여 표집 틀을 구성한다. 총 200개의 조직에 참여를 요청하였으며, 이 중 150개 조직이 응답에 동의한다. 최종적으로 452개의 응답을 수집하였고, 데이터 정제 과정을 거쳐 부적격 응답을 제외한 437개의 유효 응답을 분석에 활용한다. 이는 96.7%의 유효 응답률에 해당한다.
층화 표본 추출(Stratified random sampling): 연구의 대표성을 높이기 위해 산업군, 조직 규모, 지역별로 표본을 배분한다. 지역적으로는 중국 내 AI 활동이 활발한 베이징, 상하이, 선전, 항저우를 포함한다.
조사 절차: 데이터 수집은 텐센트 폼(Tencent Forms)을 이용한 온라인 설문 조사를 통해 3주간 진행한다. 조사 시작 전 선별 질문을 통해 응답자가 AI 기술을 활용하는 조직에서 근무하며 관련 교육 이니셔티브에 참여한 경험이 있는지 확인한다.
3.2 측정 도구 (Measurement instrument)
설문에 사용된 모든 측정 항목은 선행 연구에서 검증된 척도를 본 연구의 맥락에 맞춰 수정 및 보완하여 사용한다. 모든 변수는 반영적(Reflective) 지표로 구성되며, 5점 리커트 척도(5-point Likert scale)를 적용한다.
설문지 구성 및 번역: 설문 문항의 명확성을 확보하기 위해 다양한 산업 종사자들을 대상으로 사전 테스트(Pre-test)를 실시하고 표현을 조정한다. 중국어 설문지는 원문의 의미를 정확히 전달하기 위해 역번역(Back-translation) 과정을 거쳐 완성한다.
주요 변수 측정 항목:
. AI 대비도(Employee Readiness for AI): AI 도입에 대한 개인의 수용 의지, 자신감, 기회 지각을 평가하는 3개 문항을 사용한다.
. 고용 불안정성(Job Insecurity): AI 기반 업무 환경에서의 주관적인 고용 안정성을 측정하는 3개 문항으로 구성한다.
. 학습 효과성(Learning Effectiveness): 공동 숙련화 활동이 실제 기술 향상에 기여한 정도를 4개 문항으로 측정한다.
. 정신적 웰빙(Mental Wellbeing): 정서적 회복력과 심리적 건강 상태를 반영하는 4개 문항을 적용한다.
. 동료 협업(Peer Collaboration): 동료 간의 지식 공유와 상호 지원 수준을 평가하는 5개 문항을 포함한다.
. 참여 및 몰입(Participation and Engagement): 의사결정 과정에서의 자율성과 참여 자신감에 초점을 맞춘 5개 문항을 사용한다.
. 조직 지원 인식(Perceived Organizational Support): 조직이 직원을 배려하고 성장에 투자하는지에 대한 인식을 4개 문항으로 측정한다.
. 기술 자신감(Skill Confidence): 새로운 기술을 습득하고 적용할 수 있다는 자기 효능감을 측정하는 3개 문항으로 구성한다.
수집된 데이터는 인구통계학적 분석을 위해 SPSS를 사용하고, 측정 모델의 타당도 및 신뢰도 검증과 구조 모델의 가설 검증을 위해 부분최소제곱 구조방정식 모델링(PLS-SEM) 기법을 활용한다.
4.1 연구 참여자 특성 (Participants)
본 연구의 응답자 프로필은 중국 내 다양한 산업과 지역을 포괄하는 대표성을 보여준다. 응답자들은 주로 AI 기술 도입이 활발한 분야에 종사하고 있으며, 구체적인 분포는 다음과 같다.
산업군 분포: 기술(28.6%), 제조(21.7%), 의료(19.9%), 금융(14.2%), 유통(15.6%) 순으로 나타난다.
조직 규모 및 지역: 중소기업(41.4%)의 비중이 가장 높고 소기업(30.7%)과 대기업(27.9%)이 뒤를 잇는다. 지역적으로는 베이징(28.4%), 상하이(25.6%), 선전(24.7%), 항저우(21.3%) 등 경제 중심지에 고르게 분포한다.
인구통계적 특징: 연령대는 30~39세(38.2%)가 주축을 이루며, 전체 응답자의 93.1%가 학사 학위 이상의 고학력자로 구성되어 AI 수용과 공동 숙련화 활동에 적합한 숙련도를 갖추고 있다.
4.2 측정 모델 검증 (Measurement model statistics)
측정 모델의 신뢰도와 타당도를 검증한 결과, 모든 구성 개념이 학술적 기준을 충족하는 강건한 통계적 수치를 나타낸다.
지표 신뢰도는 모든 항목의 외적 적재치(Outer Loadings)가 0.70을 상회함으로써 확인된다. 내적 일관성을 나타내는 크론바흐 알파 값은 0.796에서 0.912 사이로 나타나 기준치인 0.70을 넉넉히 넘어서며, 합성 신뢰도(CR) 역시 모든 구성 개념에서 0.70을 초과하여 측정 모델의 안정성이 확보된다.
타당도 측면에서 평균분산추출값(AVE)은 모든 변수에서 0.50 이상으로 나타나 수렴 타당성이 입증된다. 판별 타당도의 경우, HTMT 비율이 0.85 미만을 유지하고 각 변수의 AVE 제곱근 값이 타 변수와의 상관계수보다 높게 나타나는 Fornell-Larcker 기준을 충족함으로써 개념 간 독립성이 확인된다. 또한 다중공선성 지표인 VIF 값은 모두 5 미만으로 나타나 통계적 오차 가능성이 낮음을 시사한다.
4.3 모델 적합도 및 예측력 (Model fit and predictive relevance)
구조 모델의 설명력과 예측 정확도를 평가한 결과, 본 연구 모델은 고용 불안정성을 설명하는 데 매우 효과적임이 드러난다.
주요 종속 변수의 설명력은 고용 불안정성(R^2=0.700), 정신적 웰빙(R^2=0.738), 조직 지원 인식(R^2=0.689), 기술 자신감(R^2=0.593)으로 나타나 매우 높은 수준을 기록한다. 이는 모델에 포함된 독립 변수들이 해당 현상들을 충분히 설명하고 있음을 의미한다.
예측 정확도를 나타내는 Q^2 predict 값은 모든 구성 개념에서 0보다 크게 나타나 모델의 예측 관련성이 입증된다. 특히 정신적 웰빙(Q^2=0.729)에서 가장 높은 예측 정확도를 보이며, RMSE 및 MAE와 같은 오차 지표 또한 낮게 유지되어 모델의 정밀도가 높음을 입증한다.
4.4 필요조건 분석 (NCA statistics)
필요조건 분석(NCA)을 통해 특정 결과 수준에 도달하기 위한 선행 요인들의 필수 임계치를 도출한다.
분석 결과에 따르면, 기술 자신감의 80% 수준을 달성하기 위해서는 AI 대비도가 최소 3.817 단위, 조직 지원 인식이 5.089 단위 이상 확보되어야 하는 병목 현상이 관찰된다. 또한 정신적 웰빙과 고용 불안 감소를 위해서는 참여 및 몰입(PE)이 모든 단계에서 필수적인 기초 요인으로 작용한다. 특히 높은 성과 단계로 갈수록 동료 협업과 참여의 필요 수치가 급격히 증가하며, 이는 조직이 고차원의 성과를 내기 위해 직원의 심리적 임파워먼트와 협업 역량을 반드시 우선순위에 두어야 함을 시사한다.
4.5 가설 검증 및 논의 (Hypothesis testing and discussion)
구조 모델 분석을 통해 공동 숙련화와 고용 불안정성 사이의 복잡한 인과 관계를 검증한다.
직접 효과 및 매개 경로의 특징
참여 및 몰입과 동료 협업은 조직 지원 인식, 정신적 웰빙, 기술 자신감에 모두 강력한 정(+)의 영향을 미치며 고용 불안을 낮추는 기초 자원이 된다. 반면, 학습 효과성(LE)이 기술 자신감(SC)에 미치는 영향은 유의미하지 않은 것으로 나타난다. 이는 단순히 지식을 습득하는 교육 프로그램만으로는 실제 현장에서의 기술적 확신을 얻기에 부족하며, 반복적인 연습과 동료의 피드백이 수반되어야 함을 의미한다.
조절 효과 및 종합적 통찰
직원의 AI 대비도는 조직 지원 인식이 고용 불안을 완화하는 경로에서 유의미한 조절 효과를 보인다. 이는 AI 기술에 대해 심리적·기술적으로 준비가 된 직원일수록 조직의 지원을 더 긍정적으로 수용하여 불안감을 효과적으로 제어함을 보여준다. 결과적으로 조직 지원 인식과 정신적 웰빙은 공동 숙련화의 혜택을 고용 안정으로 전환하는 결정적인 심리적 통로로 작동한다.
5.1 이론적 시사점 (Theoretical implications)
본 연구는 사회 학습 이론(SLR)과 직무 요구-자원(JD-R) 모델을 확장하여 AI 중심의 업무 환경에서 공동 숙련화가 갖는 독특한 역할을 규명한다.
사회 학습 이론의 확장
연구 결과는 개인이 사회적 맥락에서 관찰과 모델링을 통해 기술과 태도를 습득한다는 점을 재확인한다. 특히 동료 협업이 기술 자신감과 정신적 웰빙에 미치는 긍정적 영향은 대리 학습과 사회적 강화가 자기 효능감을 배양하는 강력한 힘임을 보여준다. 또한 직원의 AI 대비도가 조직 지원 인식과 고용 불안 사이의 관계를 조절한다는 발견은, 기술적 적응력이 사회적 학습 기제의 효과를 결정짓는 중요한 변수임을 시사하며 이론의 범위를 넓힌다.
직무 요구-자원 모델의 정교화
공동 숙련화를 핵심적인 직무 자원으로 포함함으로써 JD-R 모델의 적용 가능성을 높인다. 조직 지원 인식, 정신적 웰빙, 기술 자신감이 공동 숙련화와 고용 불안을 잇는 매개체로 작용함을 밝혀, 직무 자원이 심리적 안녕감을 거쳐 직무 요구의 부정적 영향을 완충하는 구체적인 경로를 제시한다. 다만 AI 대비도가 정신적 웰빙이나 기술 자신감에는 유의미한 조절 효과를 보이지 않았는데, 이는 심리적 자원을 안정적으로 구축하기 위해 단순히 기술적 준비도를 넘어선 정교한 개입이 필요함을 의미한다.
필요조건 분석(NCA)을 통한 통찰
필요조건 분석 결과는 조직이 자원을 배분할 때 단계적인 접근이 필요함을 시사한다. 높은 수준의 기술 자신감과 정신적 웰빙을 달성하기 위해서는 권한 부여와 숙련화 활동에 대한 집중적인 투자가 선행되어야 한다. 이는 단순히 자원을 나열하는 것을 넘어, 임파워먼트와 조직 지원이라는 기초 자원을 먼저 구축한 뒤 고차원의 기술 확신 프로그램으로 나아가야 한다는 이론적 시사점을 제공한다.
5.2 실무적 시사점 (Practical implications)
조직은 고용 불안을 완화하고 인력의 적응력을 높이기 위해 공동 숙련화 활동을 전략적으로 설계해야 한다.
협력적 학습 환경의 구축: 기술 교육 시 단순히 지식을 전달하는 데 그치지 않고, 협력적 훈련과 문제 해결 연습을 결합해야 한다. AI 워크숍이나 부서 간 혁신 스프린트를 통해 동료 간 지식 공유를 활성화하고 집단적인 성장을 도모하는 것이 효과적이다.
가시적인 조직 지원의 표현: 조직 지원 인식이 고용 불안 완화의 핵심 통로인 만큼, 기업은 직원의 성장에 대한 헌신을 명확히 보여주어야 한다. AI 통합 과정에 대한 투명한 소통과 구체적인 업스킬링 기회 제공은 일자리 상실에 대한 불안을 잠재우는 강력한 신호가 된다.
심리적 안전망 강화: 정신적 웰빙이 고용 불안을 억제하는 중요한 자원이므로, 공동 숙련화 프로그램 내에 심리적 안전감을 높이는 요소를 통합해야 한다. 명상 워크숍이나 AI 기반 웰니스 도구를 활용하여 기술 변화에 따른 정서적 스트레스를 관리할 수 있도록 돕는다.
준비도에 따른 맞춤형 개입: 모든 직원에게 동일한 교육을 제공하기보다 AI 대비도 수준에 따라 교육을 세분화해야 한다. 대비도가 낮은 직원에게는 게임화된 학습이나 기초 교육을 제공하고, 높은 수준의 직원은 AI 프로젝트 리더로 육성하여 각자의 역량에 맞는 성장을 지원한다.
5.3 한계점 및 향후 연구 과제 (Limitations and future research)
본 연구의 결과는 유의미한 통찰을 제공하지만, 향후 보완되어야 할 몇 가지 한계점을 지니고 있다.
첫째, 횡단적 연구 설계의 특성상 AI 기술이 확산되고 조직 관행이 성숙해짐에 따라 고용 불안과 심리적 자원이 시간이 흐르며 어떻게 변화하는지 관찰하는 데 한계가 있다. 향후 연구에서는 종단적 설계를 도입하여 공동 숙련화 참여에 따른 장기적인 변화를 추적할 필요가 있다.
둘째, 양적 설문을 통한 데이터 수집은 공동 숙련화 과정에서 직원이 겪는 구체적인 갈등이나 대처 전략 등 풍부한 맥락을 포착하기 어렵다. 인터뷰나 에스노그래피와 같은 질적 연구를 병행한다면 AI 기반 변화를 탐색하는 직원들의 생생한 경험을 더욱 깊이 있게 이해할 수 있을 것이다.
셋째, 연구 데이터가 중국의 특정 환경에 국한되어 있어 전 세계적인 일반화에 신중을 기해야 한다. 국가별 문화적 특성이나 제도적 배경에 따라 공동 숙련화의 작동 방식이 다를 수 있으므로, 집단주의와 개인주의 문화권 등을 비교하는 다국가 연구가 진행되어야 한다.
본 연구는 공동 숙련화(Co-Skilling)가 조직 지원 인식, 정신적 웰빙, 기술 자신감을 강화하여 AI 도입 환경에서의 고용 불안정성을 유의미하게 완화함을 입증한다. 사회 학습 이론과 직무 요구-자원(JD-R) 모델을 기반으로 분석한 결과, 협력적 학습과 조직의 지지적 환경이 AI 시대 인력 적응의 핵심 동인임이 확인된다.
특히 AI 대비도는 조직의 지원을 실제 안정감으로 전환하는 데 중요한 역할을 수행하며, 기술 변화 속에서 직원의 심리적 자원과 기술적 자원을 통합적으로 관리하는 것이 필수적임을 시사한다. 본 연구는 AI 기반 일터에서 인력의 적응이 다면적으로 이루어짐을 강조하며 논의를 마무리한다.