검색 상세

생성형 AI 기반의 고성과자 관리 운영 원리 연구 : PEARL 프레임워크를 중심으로

A Study on Operational Principles of Generative AI-Based High Performer Management: Focusing on the PEARL Framework

  • 서승권 (서강대학교 경영전문대학원)

초록(요약문)

본 연구는 평가와 보상 중심의 경직된 제도적 접근에 머물러, 실제 조직 현장에서는 전략적 의도가 작동하지 않는 전통적 고성과자 관리(high performer management)의 실행 격차(execution gap) 딜레마를 해결하는 데 목적을 둔다. 기존 문헌 및 현장 사례를 심층적으로 고찰한 결과, 고성과자 관리의 실효성을 저해하는 본질적인 요인은 내재적 동기와 관련된 정성적 요소의 측정 난이도, 피드백의 시차, 그리고 기능별 시스템 단절로 인한 구조적 비정합성에 있음을 규명하였다. 이를 극복하기 위해 본 연구는 생성형 AI가 가진 추론 및 맥락 이해 능력을 HR 기능과 접목하여, 전략의 설계부터 실행, 환류를 하나의 선순환 구조로 연결하는 PEARL 프레임워크를 새로운 통합 운영 원리로서 정립하였다. PEARL 프레임워크는 선제적 예측(Predictive), 자율적 권한 강화(Empowering), 맥락적 적응(Adaptive), 즉시적 개입(Real-time), 그리고 전략적 연계(Linked)의 5대 핵심 가치를 기반으로 설계되었다. 본 연구는 이 원칙들이 단순한 담론을 넘어 실제 운영 환경에서 생동감 있게 작동하도록 하기 위해, 데이터의 수집-분석-개입으로 이어지는 3계층 실행 아키텍처를 구체화하였다. 본 연구는 제안된 프레임워크의 실무적 타당성을 검증하기 위해 통합적 접근을 시도하였다. 특히 국내 제조업체 M사의 고성과자 대상 멘토링 프로그램 운영 실패 사례를 분석하고, PEARL 원칙을 적용한 프로세스 재설계 시나리오 분석(scenario analysis)을 수행함으로써, 과거 관리자의 역량 한계와 물리적 제약으로 인해 실행 불가능으로 치부되던 정성적 관리의 난제들이 데이터 기반의 자동화된 프로세스를 통해 어떻게 실현 가능한 영역으로 전환될 수 있는지 실증적으로 규명하였다. 연구 결과, 수집(collecting) 계층은 비정형 데이터를 통합하여 관리의 사각지대를 해소하고, 분석(reasoning) 계층은 맥락을 분석하여 고성과자의 자율성 및 내재적 동기를 강화하며, 개입(executing) 계층은 적시성 있는 행동 유도를 통해 실행 격차를 해소하는 메커니즘으로 작동함을 확인하였다. 나아가, 시스템의 효과적인 확산을 위해 고성과자에게는 고관여 인적 개입을, 일반 구성원에게는 기술 기반 자동화 개입을 적용하는 이원화 전략을 제시하고, AI 도입에 따른 윤리적 리스크를 통제하기 위한 알고리즘 공정성 및 투명성 확보 방안을 함께 제안하였다. 본 연구는 고성과자 관리의 문제를 단순한 제도 설계가 아닌 작동 메커니즘의 관점에서 재해석하고, 생성형 AI를 매개로 전략적 인적자원관리 이론의 외연을 기술적 차원으로 확장함과 동시에, 인간의 의지를 기술적 도구를 통해 온전히 구현해내는 증강 지능(augmented intelligence) 기반의 미래지향적 HR 모델을 제시했다는 점에서 학술적, 실무적 의의를 갖는다.

more

초록(요약문)

This study addresses the critical “execution gap” in traditional high performer management, where strategic intentions fail to materialize due to rigid institutional approaches centered on evaluation and compensation. Through an in-depth review of literature and field cases, this study elucidates that fundamental impediments include the difficulty in measuring qualitative elements of intrinsic motivation, feedback latency, and structural inconsistencies arising from disconnected functional systems. To overcome these structural limitations, this study establishes the PEARL principles as a new integrated operational framework. Leveraging the reasoning capabilities and contextual understanding of Generative AI, the framework seamlessly connects strategy design, execution, and feedback into a single virtuous cycle. Founded on five core principles—Predictive, Empowering, Adaptive, Real-time, and Linked—this study develops a three-layer architecture (Collecting, Reasoning, and Executing) to ensure the principles function dynamically in real-world operational environments. Adopting an integrated approach to verify practical validity, this study analyzes the failure of a mentoring program at a Korean domestic F&B manufacturer (Company M) and conducts a process redesign scenario analysis using PEARL principles. This empirically demonstrates how qualitative management challenges, previously deemed unfeasible due to managerial and physical constraints, can be transformed into a feasible realm through data-driven automated processes. The findings confirm that the Collecting layer resolves blind spots by integrating unstructured data; the Reasoning layer strengthens autonomy and intrinsic motivation through contextual analysis; and the Executing layer bridges the execution gap via timely behavioral intervention. Furthermore, for effective system diffusion, this study proposes a dual-track strategy applying high-touch human intervention for high performers and tech-enabled automated intervention for general employees, alongside measures to secure algorithmic fairness. Ultimately, this study reinterprets high performer management as an operational mechanism rather than simple institutional design, extending SHRM theory to the technological dimension and presenting a future-oriented HR model based on “Augmented Intelligence” that fully realizes human will through technological tools.

more

목차

I. 서 론 3
1. 연구의 배경 3
2. 연구 문제의 제기 6
3. 연구 목적 및 범위 10
4. 연구 방법 12
II. HR 패러다임의 전환과 AI 트렌드 14
1. 디지털 전환과 HR 의 진화 14
1.1 디지털 HR 의 발전 15
1.2 AI 도입과 일하는 방식의 변화 17
2. 데이터 기반 HR 혁신 19
2.1 예측 및 개인화 관리 20
2.2 고성과자 유지 및 육성 23
3. 시사점: 데이터 기반 운영의 필요성 27
III. 고성과자 관리에 관한 기존 접근법 31
1. 고성과자의 개념과 전략적 중요성 31
1.1 고성과자의 정의 및 분류 31
1.2 자원기반관점(RBV)에서의 가치. 36
1.3 승계와 혁신의 매개자 역할 39
2. 전통적 HRM 의 구조적 한계 42
2.1 전통적 HRM 의 특징 42
2.2 초기 디지털 HRM 의 한계 45
3. 고성과자 관리의 실행 격차 46
3.1 식별의 격차 48
3.2 유지의 격차 49
3.3 육성의 격차 51
4. 생성형 AI 의 적용 가능성 탐색 52
IV. 생성형 AI 기반 PEARL 모형의 설계 55
1. 모형의 설계 기조 55
1.1 생성형 AI 의 전략적 역할 55
1.2 인재 관리 패러다임의 전환 57
2. PEARL 프레임워크의 구조 59
2.1 프레임워크의 정의 및 철학 59
2.2 5 대 원칙의 도출 근거 60
2.3 5 대 원칙의 상세 정의 61
3. 통합 작동 메커니즘 67
V. PEARL 모형의 적용 사례 연구 71
1. 사례 개요 및 현황 분석 71
1.1 대상 기업 선정 및 현황 71
1.2 기존 제도의 실패 요인 진단 73
2. PEARL 기반 프로세스 재설계 75
2.1 Predictive 76
2.2 Empowering & Adaptive 77
2.3 Real-time & Linked 78
3. 시나리오 분석 및 기대 효과 79
3.1 운영 효율성 제고 80
3.2 전략적 유효성 확보 81
4. 실행 격차 해소와 실무적 함의 82
VI. PEARL 모델의 실행 및 확산 전략 85
1. 실행을 위한 핵심 전제 조건 85
1.1 조직적 준비도 85
1.2 기술적 인프라 87
2. 시스템 구조 및 거버넌스 89
2.1 통합 아키텍처 구성 89
2.2 알고리즘 공정성 및 투명성 91
3. 단계적 확산 전략 94
3.1 대상별 이원화 개입 전략 95
3.2 단계별 도입 및 확산 로드맵 96
VII. 결 론 100
1. 연구 결과의 요약 및 시사점 100
2. 연구의 한계 및 향후 연구 방향 102

more
반출 Meta View 목록