NewsPeppermint

새로운 직원을 뽑는 일은 어쩌면 기계에 맡기기 가장 어려운 일처럼 느껴집니다. 대화를 통해 상대방이 어떤 사람인지를 파악하는 일은 인간만이 할 수 있는 일이라는 생각 때문이죠.

그러나 사람은 한편으로 선입견과 편견을 배제하기 어렵다는 단점이 있습니다. 사람들은 실제로 채용에 있어 무의식적으로 실제 업무와 무관한 요소를 적용하곤 합니다. 예를 들어 서로 아는 사람이 있다든지, 같은 학교에 다녔다든지, 또는 같은 스포츠를 좋아한다든지 같은 요소들이 영향을 끼칩니다.

채용에 관해 연구하는 이들은 전통적인 구직 시장이 망가진 이유 가운데 하나로 이런 요소를 꼽습니다. 문제는 어떻게 하면 이를 해결할 수 있을까 겠지요.

Gild, Entelo, Textio, Doxa, GapJumpers 등은 채용과정을 자동화하려는 스타트업입니다. 이들은 소프트웨어가 실제 사람보다 더 효율적으로 직원을 채용할 수 있다고 말합니다. 이들의 주장에 동의하는 사람이 적지 않습니다. 콘 페리(Korn Ferry) 같은 유명한 헤드헌팅 회사도 이들을 따라 채용 알고리듬을 적용하고 있습니다.

만약 그들이 맞다면 더 적은 비용으로 더 빠르게 직원을 채용할 수 있게 될 것이며, 회사와 더 잘 맞으면서도 더 뛰어난 직원을 뽑을 수 있게 되겠죠. 또한, 직장의 다양성도 늘어날 겁니다. 컴퓨터는 배경이 더 다양한 사람들을 뽑을 것이고, 사람보다 편견 없이 직원을 뽑을 겁니다.

“모든 회사는 이력서에 기록된 출신 학교나 회사 경력을 바탕으로 자기 나름의 방법으로 사람들을 뽑습니다. 이는 예측 가능한 일이지만, 문제는 여기에 편견이 개입한다는 것입니다. 회사들은 수많은 인재를 눈앞에서 놓치고 있어요.” Gild의 프로그램을 만든 공통 창업자 쉬로이 드사이의 말입니다.

어떤 이들은 사람보다 프로그램이 더 이 일을 잘한다는 사실을 믿지 않습니다. “나는 열정과 추진력을 가진 사람을 찾고 있어요. 컴퓨터가 이런 걸 판단할 수 있을 것 같지는 않군요.” 기술 회사들을 위해 임원급 인물들을 찾아주는 밀레니엄 서치(Millennium Search)의 대표 아미쉬 샤의 말입니다. “직감, 배짱, 궁합(chemistry) 같은 것이죠.” 그는 이를 배우자를 처음 만났을 때의 느낌에 비교했습니다.

그러나 어떤 연구자들은 회사와의 궁합이나 조직과의 적합성만을 보는 것이 결국 회사를 잘못된 길로 이끌 수 있다고 이야기합니다. 사람들은 그저 자기들이 어울리고 싶은 사람을 뽑기 때문이죠.

와튼 스쿨의 케이드 매세이는 말합니다. “면접관과 지원자가 같은 지역 출신이라거나 같은 학교에 다녔다거나 심지어 옷이 같거나 같은 차를 마시는 등의 요소들이 채용 여부에 주는 영향력은 어마어마합니다. 사실 실제 업무 능력과는 아무런 관계가 없는 것들인데 말이죠.”

면접관은 이런 요소들보다 그 지원자가 회사의 가치와 전략에 얼마나 동의하며 협력할 용의가 있는지를 보아야 합니다. “조직 적합도란 결국 그 개인이 추구하는 가치와 그의 업무 스타일이 회사의 비즈니스 전략과 잘 맞는지에 대한 것입니다. 한 개인의 개인정보에 대해 너무 많은 것을 알게 되면 회사와의 적합성보다 편견의 영향을 받게 될 수 있습니다.” 켈로그 경영대학원에서 채용에 대해 연구하는 로렌 리베라의 말입니다.

연구자들은 면접관이 모든 지원자에게 정해진 질문을 던지고 실제 업무에서 하게 될 일들을 직접 시켜볼 것을, 또 그 결과를 데이터로 만들어 최종 판단을 내릴 것을 권합니다.

Gild는 링크드인이나 깃허브의 자료를 바탕으로 회사가 원하는 사람을 찾아주며 또한 그 사람이 해당 회사에 관심을 가질 가능성과 언제 그에게 연락하는 것이 좋을지를 알려주는 스타트업입니다.

Gild는 또한 일반적인 회사가 하는 것보다 더 다양한 배경의 후보를 찾아줍니다. 기술 회사의 경우 여성, 나이 든 사람, 그리고 더 다양한 학교를 졸업한 사람을 추천해주고, 사회경제적 배경으로 보더라도 다양한 사람이 추천됩니다. “만약 당신이 젊은 백인 엔지니어라면 당신 주변에는 그런 사람들만 있을 겁니다.” 대부분의 기술 회사에서 남성 비율은 80% 이상이며, 흑인과 라티노의 비율은 5% 이하입니다.

클라우드 컴퓨팅 회사인 랙스페이스(Rackspace)에 두 번 지원했다 떨어진 개발자가 있습니다. 고등학교를 졸업하지 않았고, 퇴역군인으로 방송사에서 일했던 그는 전문적인 개발 경험이 없었기 때문에 랙스페이스의 서류심사를 통과하지 못했습니다. 그러나 Gild는 그가 짠 프로그램만 보고 그를 추천했고, 그는 마침내 랙스페이스에 채용되었습니다.

기술 회사들은 언제나 사람을 찾고 있으며, 또 그들의 업무 환경에 다양성을 더하고 싶어 합니다. 그래서 이 회사들이 이런 채용 분야의 스타트업에 주목하고 있습니다. 예를 들어 트위터에서 기술 업무를 담당하는 여성의 비율은 10%에 불과합니다. 페이스북과 야후는 15% 정도 됩니다. 이 회사들은 여성들과 소수 민족을 차별한다는 비판에 직면해 있으며, 이 때문에라도 다양성 지수를 발표하고 변화를 약속하고 있습니다.

어떤 프로그램은 더 섬세한 결정을 내려줍니다. 새로 출시된 Doxa는 지원자를 기술과 지원자가 추구하는 가치, 업무 스타일에 맞추어 특정 회사의 특정팀 및 관리자와 연결해줍니다. 예를 들어 각자에게 일을 배당하는 스타일인지 아니면 협업을 중시하는 스타일인지, 그리고 여성의 의견이 얼마나 진지하게 받아들여지는지 등까지 고려한다는 것이죠. Doxa의 대표인 나탈리 밀러는 말합니다. “오늘날 채용 방식에는 많은 한계가 있습니다. 많은 사람이 직장에서 행복하지 않다는 사실은 기존의 방식이 제대로 작동하고 있지 못하다는 사실을 알려줍니다.”

지금까지 Doxa는 구직자들에게 잘 드러나지 않는 회사의 특성을 밝혀왔습니다. 익명의 설문조사를 통해 직원들의 출근 및 퇴근 시간, 주당 회의 시간, 야근과 주말 근무의 비율, 그리고 부서별 남녀 임금 격차 등을 제공했습니다.

스타벅스나 바클레이즈 같은 회사의 구인공고를 머신러닝과 언어분석 기술로 분석하는 텍스티오(Textio)도 있습니다. 이들은 성차별을 유발할 수 있는 표현 25,000개를 발견했습니다. “일등급(top-tier)”, “공격적인(aggressibe)” 같은 단어나 스포츠 용어 및 군인을 연상시키는 “임무에 최적인(mission critical)” 같은 표현은 여성의 지원을 주저하게 만듭니다. 반면 “동반자(partnership)”, “배움에 대한 열정(passion for learning)” 같은 표현은 여성들이 더 지원하도록 만듭니다.

만약 채용 과정이 자동화되어 버린다면, 인간의 손길은 언제 필요하게 될까요? 그러나 채용을 연구하는 이들 역시 데이터는 결국 하나의 도구일 뿐이라고 말합니다. 여전히 어느 시점에서는 전문가의 능력이 필요하다는 것이죠. 게다가 이런 데이터를 해석할 사람들도 있어야 합니다. 예를 들어, 다양성 컨설턴트는 회사에 어떤 점이 부족하고 어떤 면을 더 채워야하는지를 데이터에 바탕해 조언할 수 있을 것입니다.

이 프로그램을 사용한다고 해서 뿌리 깊은 편견의 문제나 사무실의 다양성 문제가 반드시 해결되는 것은 아니라는 점도 알아야 합니다.

“사람들은 자신들이 데이터를 바탕으로 판단한다는 생각에 과도한 확신을 하게 될 수 있습니다. 오히려 그런 점을 더 조심해야 합니다.”

(뉴욕타임스 업샷)

원문 보기