AI

AI와 People Analytics가 확산되면서 성과관리 논의도 달라지고 있다. 목표를 사람이 직접 쓰고, 분기 말에 달성률을 수기로 정리하던 방식은 점점 설득력을 잃는다. 협업 도구, 업무 기록, 고객 데이터, HR 데이터가 연결되면 목표 진행 상황은 더 자주, 더 자세히, 더 자동으로 보일 수 있다.

하지만 이것이 OKR의 자동화를 뜻하지는 않는다. AI는 목표 문장을 제안할 수 있고, People Analytics는 지표 변화를 빠르게 보여줄 수 있다. 그러나 무엇을 중요한 목표로 볼지, 어떤 지표를 성과 증거로 인정할지, 미달성의 원인을 어떻게 해석할지는 여전히 조직의 판단 문제다. AI 시대의 OKR은 목표 작성 기술보다 해석과 책임의 운영체계가 더 중요해지는 방향으로 이동한다.

AI는 OKR을 대신 정하지 못하지만 증거 수집 비용을 낮춘다

Google OKR playbook은 Key Result가 활동이 아니라 결과를 설명해야 하며, 완료 증거가 available, credible, easily discoverable해야 한다고 설명한다. 예시로 문서, 노트, published metrics reports 같은 증거를 든다. 이 원칙은 AI와 People Analytics 시대에 더 중요해진다.

AI는 회의록, 프로젝트 관리 도구, 고객 피드백, 업무 문서에서 목표 진행 신호를 찾아낼 수 있다. 예전에는 리더가 직접 물어봐야 알 수 있던 지연 신호도 데이터로 더 빨리 드러날 수 있다. People Analytics는 이직, 몰입, 협업, 역량, 생산성 관련 지표를 조직 단위로 보여줄 수 있다. 증거 수집의 비용은 낮아진다.

그러나 증거가 많아지는 것과 목표가 좋아지는 것은 다르다. AI가 찾아낸 신호가 실제 성과를 의미하는지, 단순 활동량을 의미하는지 구분해야 한다. 문서 작성량, 회의 참석 횟수, 티켓 처리 건수는 쉽게 측정된다. 하지만 고객 경험 개선, 전략 실행, 조직 역량 축적은 더 조심스럽게 해석해야 한다. AI는 증거를 모을 수 있지만, 그 증거가 무엇을 뜻하는지는 사람이 검토해야 한다.

People Analytics가 강해질수록 Key Result는 더 엄격해진다

People Analytics는 HR이 감이 아니라 데이터로 의사결정을 하게 만드는 강력한 기반이다. AIHR는 People Analytics를 데이터 기반 HR 역량으로 설명하고, descriptive, diagnostic, predictive, prescriptive analytics 같은 분석 유형을 제시한다. 이 흐름이 강해질수록 OKR의 Key Result는 더 엄격해진다.

예를 들어 “리더십 교육을 강화한다”는 Objective 아래에 “교육 5회 실시”를 Key Result로 두면 AI와 데이터 도구는 이 활동을 쉽게 추적한다. 그러나 이것은 여전히 활동 지표다. Google playbook의 원칙처럼 Key Result는 outcomes, not activities여야 한다. “신임 리더의 60일 내 팀원 1:1 실시율”, “핵심인재 유지율”, “프로젝트 의사결정 리드타임”, “고객 불만 재발률”처럼 결과에 가까운 지표를 고민해야 한다.

데이터가 많아지면 모호한 목표가 더 빨리 드러난다. 무엇을 측정할지 정하지 못한 OKR은 대시보드에 올릴 수 없다. 반대로 측정하기 쉬운 것만 목표로 삼으면 조직은 중요한 변화를 놓칠 수 있다. People Analytics 시대의 Key Result 설계는 숫자를 붙이는 일이 아니라, 조직이 진짜 바꾸려는 결과를 데이터 언어로 번역하는 일이다.

월간 체크인은 데이터 대시보드가 아니라 해석 회의가 된다

Atlassian은 OKR 운영에서 매월 score, analyze, summarize하라고 제안한다. AI와 People Analytics가 결합되면 월간 체크인은 더 많은 데이터를 갖게 된다. 진행률, 업무량, 협업 네트워크, 직원 경험, 고객 반응, 이슈 지연 신호가 한 화면에 모일 수 있다.

그렇다고 체크인이 대시보드 리뷰로 끝나서는 안 된다. CIPD는 효과적인 HR 의사결정이 best available evidence와 critical thinking의 결합에 기반해야 한다고 설명한다. 증거는 판단을 돕지만, 판단을 대체하지 않는다. 데이터가 말해주는 것은 “무슨 일이 일어났는가”에 가깝다. 리더와 HR이 물어야 할 것은 “왜 이런 일이 일어났고, 이제 무엇을 바꿀 것인가”다.

따라서 AI 시대의 OKR 체크인은 숫자를 읽는 회의가 아니라 해석 회의가 되어야 한다. 지표가 나빠졌다면 담당자를 추궁하기보다 원인을 나눠야 한다. 목표가 잘못 설계됐는지, 자원이 부족했는지, 부서 간 의존성이 풀리지 않았는지, 시장 조건이 바뀌었는지 구분해야 한다. 데이터는 회의의 시작점이지 결론이 아니다.

데이터가 늘수록 HR의 질문은 성과가 아니라 책임으로 이동한다

AI와 People Analytics가 확산되면 HR은 더 많은 성과 신호를 볼 수 있다. 그러나 신호가 늘수록 새로운 위험도 생긴다. 개인의 활동량을 성과로 오해하거나, 측정 가능한 지표만 중요하게 보거나, 데이터 품질이 낮은 상태에서 평가와 보상에 연결하는 위험이다.

Google OKR playbook은 잘 운영된 OKR이 무엇이 중요한지, 무엇을 최적화할지, 어떤 tradeoff를 할지 분명히 해준다고 설명한다. 이 원칙은 데이터 시대에도 그대로 적용된다. HR의 질문은 “누가 성과가 좋은가”에서 멈추면 안 된다. “어떤 목표를 위해 무엇을 최적화하고 있는가”, “이 지표를 높이면 다른 중요한 가치가 훼손되지 않는가”, “이 결과는 개인 노력의 결과인가, 시스템과 자원 배분의 결과인가”로 이동해야 한다.

특히 한국 기업에서는 데이터가 평가·보상으로 빠르게 연결될 수 있다. 그래서 HR은 데이터 활용의 경계선을 먼저 정해야 한다. OKR 진행 데이터는 성과 대화의 참고자료가 될 수 있지만, 그대로 평가 산식이 되어서는 위험하다. AI가 만든 요약도 검토 가능한 근거와 함께 제시되어야 한다. 데이터가 많아질수록 책임 있는 해석 규칙이 더 필요하다.

AI 시대의 OKR은 자동화 도구보다 운영 거버넌스가 중요하다

AI Index는 AI 관련 데이터를 추적, 수집, 정리, 시각화해 정책결정자, 연구자, 기업 리더, 대중의 이해를 돕는다는 목적을 밝힌다. 이 흐름은 HR에도 시사점이 있다. 앞으로 성과관리는 더 많은 데이터를 다루게 된다. 그러나 데이터가 많아질수록 조직은 무엇을 측정하고, 누가 접근하며, 어떤 의사결정에 사용할지 정해야 한다.

AI 시대의 OKR 운영에는 최소한 세 가지 거버넌스가 필요하다. 첫째, 목표 데이터의 품질 기준이다. 어떤 지표를 Key Result로 인정할지, 어떤 데이터는 참고만 할지 정해야 한다. 둘째, 해석 권한의 기준이다. AI 요약, 대시보드, People Analytics 결과를 누가 해석하고 어떤 회의에서 확정할지 정해야 한다. 셋째, 평가·보상 연결의 기준이다. OKR 데이터가 어디까지 성과 대화의 근거이고, 어디서부터 보상 판단 자료가 되는지 분리해야 한다.

예를 들어 협업 도구의 메시지 수나 회의 참석률을 그대로 “몰입”이나 “협업 성과”로 해석하면 위험하다. 반대로 고객 응답시간, 반복 불만 감소, 핵심 프로젝트 의사결정 리드타임처럼 업무 결과와 연결되는 지표는 OKR 해석의 좋은 출발점이 될 수 있다. HR은 지표의 편의성이 아니라 결과와의 관련성, 개인정보·노무 리스크, 구성원 설명 가능성을 함께 따져야 한다.

OKR 연재의 출발점은 OKR이 목표관리 양식이 아니라 성과관리 운영체계라는 문제의식이었다. AI와 People Analytics 시대에는 이 관점이 더 중요해진다. 목표 문장은 AI가 더 빨리 만들어줄 수 있다. 진행률은 시스템이 더 자주 보여줄 수 있다. 그러나 조직이 무엇을 선택하고, 무엇을 포기하고, 어떤 증거를 성과로 인정할지는 자동화되지 않는다.

결국 AI 시대의 OKR은 기술 도입의 문제가 아니다. 더 많은 데이터를 책임 있게 해석하는 조직 운영의 문제다. HR의 역할도 도구 관리자에서 성과 언어의 설계자로 이동한다. AI가 목표를 대신 관리하는 시대가 아니라, AI가 드러낸 증거를 두고 조직이 더 정교하게 판단해야 하는 시대가 오고 있다.