중간관리자는 리더이자 팔로워입니다. 그간 리더십 연구에서는 리더로서의 역할을 강조해왔지만 안정적으로 책임진 조직을 이끌어가기 위해서는 직속 상사 또는 경영진에도 영향력을 행사할 수 있어야 합니다. 이처럼 경영진과 구성원의 요구를 매끄럽게 조율하는 리더를 ‘연결형 리더’라고 하는데요. 연결형 리더에는 1) 야누스형 2) 브로커형 3) 전달자형 4) 줄타기형이 있습니다. 

1) 야누스형(Janus)

 야누스는 ‘두 얼굴의 사나이’라고 불리는 로마의 신으로 한쪽 얼굴은 과거, 다른 얼굴은 미래를 봅니다. 야누스형 리더는 이처럼 양방향을 두루 보며 양측이 가진 문제의식에 공감합니다. 야누스형 관리자는 “위기의 때일수록 누가 어디 있고, 무슨 상황에 처했는지 파악해야 합니다. 양측의 입장에 두루 공감하는 감정 노동을 적극 활용하기에 번아웃에 취약할 수 있습니다. 코칭을 비롯한 심리적 지원을 통해 야누스형 리더의 감정 고갈을 방지해야 합니다.

2) 브로커형(Broker)

 브로커형 리더는 상충된 어젠다를 가진 사람들 사이에 건설적인 대화를 이끌어냅니다. 통상 구성원은 임원들과 대화를 나누며 협상력을 갖기 어렵습니다. 임원들 또한 현장에서 일어나는 구성원들의 상세한 요구를 심도있게 이해하기 쉽지 않습니다. 이러한 상황에서 중간관리자가 다리를 만들고 중재자 역할을 담당하는 것입니다.

이러한 연결 전략은 개방성 있는 조직문화를 전제로 합니다. 경영진은 구성원들의 이야기를 직접 듣는 데 거리낌이 없어야 하며 구성원들도 협조적인 태도로 대화에 임해야 합니다.

3) 전달자형(Conduit)

 전달자형 리더는 부하 직원의 목소리를 적극 대변합니다. 이같은 행동은 리더 개인에게도 위험이 될 수 있으며 큰 용기가 필요한 일입니다. 전달자형 연결 전략이 효과를 발휘하기 위해서는 조직 내 심리적 안전감이 탄탄하게 구축돼 있어야 합니다.

4) 줄타기형(Tightrope Walker)

 줄타기형 리더는 진퇴양난의 상황에서 묘수를 제안합니다. 상황을 비판적으로 평가하고 균형 잡힌 태도를 취해 대안을 발굴할 수 있습니다. 비판적인 평가를 통해 묘수를 떠올리는 과정은 리더에게 엄청난 인지적 자원을 소모하게 합니다. 이때 이해관계자들의 입장을 살필 수 있는 회의 공간이나 혼자서 숙고할 수 있는 개인적인 공간을 제공하는 것이 도움이 될 수 있습니다.

더 자세한 내용은 < DBR 391호, '연결형 리더'로서의 중간관리자 “팀원엔 리더, 경영진엔 적극적 팔로워”  ‘심리적 안전감’이 조직 시너지 키운다 >에서 확인할 수 있습니다. 

* 출처: DBR 391호(2024년 4월 Issue 2) '연결형 리더'로서의 중간관리자 “팀원엔 리더, 경영진엔 적극적 팔로워”  심리적 안전감’이 조직 시너지 키운다

GPT-4와 같은 거대언어모델(LLM)은 의사결정 향상, 운영 간소화, 혁신을 약속하며 비즈니스 리더들의 마음을 사로잡았습니다. 비즈니스 리더들은 조직별 데이터로 학습된 LLM을 미세 조정해 각 조직의 차이와 고유한 특성을 파악하도록 하고 있습니다. 더 많은 맥락을 이해하고 조직의 요구 사항에 맞게 미세 조정된 모델은 조직 성과를 획기적으로 향상시키는 강력한 맞춤형 AI 경험을 제공합니다.

그러나 미세 조정된 모델을 학습 시키려는 기업에는 세 가지 당면 과제가 있습니다.

1. (데이터 부족 문제) 미세 조정된 모델은 많은 기업에 부족한 자원인 광범위한 고품질 데이터가 필요하다.

2. (범용 AI 모델의 편향성) LLM은 인터넷에 공개된 사용 데이터로 학습되기 때문에 특정 커뮤니티나 사용자의 뉘앙스를 고려하지 않는다. 따라서 답변이 편향되거나 생성된 콘텐츠의 다양성과 다원성이 부족할 수 있다.

3. (개인정보 보호 문제) 원래는 다른 목적으로 수집된 사용자의 개인정보로 미세 조정된 모델을 학습 시키면 개인정보 침해가 발생할 수 있다.

다행히도 이런 문제는 극복할 수 있습니다. 고품질의 풍부한 데이터에 개인정보 보호를 학습할 수 있는 공간을 제공하고, 개인정보 보호법을 준수하며, 미세 조정된 모델의 잠재력을 최대한 발휘할 수 있는 플랫폼이 등장하고 있습니다. 미세 조정된 모델이 이런 플랫폼에서 제공하는 데이터로 학습하면 다양한 하위 커뮤니티에서 인사이트를 발굴할 가능성이 높아집니다. 결과적으로 보다 다양하고 다원적이며 보편적인 AI가 탄생할 수 있게 됩니다.

미세 조정 AI의 데이터 과제에 대해 알아야 할 사항

앞서 언급한 세 가지 과제에 대해 리더가 알아야 할 사항은 다음과 같습니다.

1. 데이터 부족 문제

• 대부분의 조직은 충분한 데이터를 보유하지 않으며, 사용 가능한 데이터가 구조화되지 않거나 품질 문제로 인해 인사이트를 추출하기 어렵다.
• 방대하고 다양한 데이터 세트를 필요로 하는 미세 조정된 모델은 이러한 문제로 인해 성능이 저하될 수 있다. 

2. 범용 AI 모델의 편향성

• 범용 AI 모델은 인터넷에서 접근 가능한 내용을 반영하므로, 지배적인 이야기와 관점을 주로 반영한다.
  
• 특정 커뮤니티의 경험과 관점은 생략될 수 있어, 조직은 다양한 사회 구조를 반영하는 데이터를 통해 AI 모델을 포용적이고 공평하게 강화해야 한다. 

3. 개인정보 보호 문제

• 명시적인 동의 없이 개인정보를 사용해 미세 조정된 모델을 학습 시키면, 비공개 개인정보가 노출될 수 있고 개인정보 보호 규정과 충돌할 수 있다.
  
• 정보 수집, 처리, 저장 전 과정에서 데이터의 기밀성과 무결성을 유지하도록 신중하게 접근해야 한다. 

비즈니스 리더를 위한 다음 단계

비즈니스 리더는 데이터 협업을 통해 다양하고 다원적인 시각으로 세상을 바라보고 세밀하게 조정된 모델의 잠재력을 최대한 활용할 수 있습니다. 

따라서 비즈니스 리더는 생성형 AI를 사용할 때 다음과 같은 단계를 고려해야 합니다.

1. 범용 AI 모델의 한계 인식

• 범용 AI 모델은 특정 기업의 상황, 문화, 운영상의 뉘앙스를 이해하지 못할 수 있어 실제 적용 시 성능이 저하될 수 있다.
• AI 모델을 조직의 고유한 환경과 요구 사항에 맞게 맞춤화하는 것이 필수적이다. 

2. 데이터 품질과 다양성 우선시

• 고품질의 다양한 데이터세트는 AI 모델 학습에 필수적이며, 이를 통해 더 정확하고 편향되지 않은 결과를 도출할 수 있다.
  
• 데이터 협업을 통해 다양한 데이터를 확보하면 AI 모델의 성능이 향상되고, 동등한 서비스를 제공할 수 있다. 

3. 새로운 협업 시도

• 비즈니스 리더는 데이터 협업을 통해 파트너, 고객, 경쟁사와 협력할 수 있다.
  업계 전체의 문제를 해결하기 위해 리소스와 지식을 공유하면 혁신과 효율을 높일 수 있다.
• 이런 전략은 비용 절감과 효율성 향상을 가져오며, 새로운 성장 기회를 창출한다. 

4. 데이터 변질 가능성 인식

• 데이터는 현실을 반영하기 때문에, 최신 데이터를 사용해 AI 모델을 미세 조정하는 것이 중요하다.
• AI 모델이 해결해야 하는 문제의 최종 상태를 반영하는 최신 데이터 소스를 찾아야 한다.
• 데이터 협업은 외부에 존재하는 데이터를 활용할 수 있는 방법을 제공한다. 

앞서 언급한 4단계를 고려하는 비즈니스 리더는 사회의 다양성을 포착하는 유용한 AI 도구를 개발해 책임감 있고 성공적인 방식으로 우수한 비즈니스 성과를 달성할 수 있을 것입니다.

* 출처 : HBR(2024. 3. 12.) 데이터 협업’ 플랫폼으로 맞춤형 AI 구축하기