AI 기반 HRM과 시스템 사고: 조직 의사결정 프레임워크를 중장년 AI 적응 관점에서 읽기

1. 출처 (Source Profile)

이 글은 다음 논문을 출처로 한 독립 연구·정책 해설(commentary) 이다.

• 저자: Deden Komar Priatna, Nandan Limakrisna, Annisa Fitri Anggraeni
• 제목: An Artificial Intelligence-Driven Human Resource Management Framework for Intelligent Organizational Decision-Making: A System Thinking and System Dynamics Approach
• 출판: International Journal of Computer Information Systems and Industrial Management Applications
• 연도: 2026, Volume 18(11s), pp. 1268–1283
• DOI: 10.70917/ijcisim-2026-3865
• 방법적 성격: 시스템 사고(System Thinking)와 시스템다이내믹스(System Dynamics)를 활용한 프레임워크 및 시뮬레이션 연구

이 글은 원 논문을 재게시하거나 전체 번역한 것이 아니라, 원 논문의 내용을 요약·해설하고 DASISIJAK 연구 관점으로 확장한 것이다.

2. 원 논문이 실제로 하는 것 (What the paper actually does)

원 논문은 인공지능(AI)이 인사관리(HRM) 조직 기능에 미치는 영향을, 정적(static) 분석이 아니라 동적 시스템 관점에서 다루는 통합 프레임워크를 제안한다.

• 시스템 사고(System Thinking): 인사관리의 핵심 변수들 간의 인과 관계를 식별한다.
• 시스템다이내믹스(System Dynamics): 인과 루프 다이어그램(CLD), 재고-흐름 모델(stock-and-flow), 정책 시뮬레이션 시나리오를 구축한다.
• 포함 변수: AI 기반 채용, 역량 개발, 성과 관리, 근로자 몰입, 인재 유지, 조직 학습, 조직 성과.

중요한 것은, 이 연구의 "결과"는 시뮬레이션 시나리오를 통한 모델 결과이며, 실제 조직에서 수집한 표본·설문·실험 데이터에 기반한 실증 검증이 아니라는 점이다.

3. 원 논문이 제시하는 내용 (Source-supported findings)

원 논문이 주장하는 내용은 다음과 같으며, 이는 모두 시뮬레이션 기반이다.

• AI 도입은 강화 피드백 루프(reinforcing loops) 를 형성하여 역량 개발, 의사결정 품질, 조직 민첩성, 지속 가능한 조직 성과를 높이는 방향으로 작동할 수 있다.
• 동시에 균형 루프(balancing loops) — 기술 준비도, 근로자 저항, 윤리적 AI 거버넌스, 조직 투자 — 는 시뮬레이션 모델에서 AI 도입 효과를 제약하거나 조정하는 균형 루프로 작동한다.
• 통합적인 AI-HRM 정책을 채택한 조직은 시뮬레이션상 기존 방식이나 기술 중심 접근보다 우수한 노동 생산성, 낮은 이직률, 더 적응적인 의사결정을 보이는 것으로 나타난다.

4. 무엇이 유용한가 (What is useful)

DASISIJAK 연구 관점에서 다음 개념이 이론적 입력으로 유용하다.

• 조직 학습(organizational learning) : AI 도입이 일회성 기술 배치가 아니라 지속적인 조직 학습 과정임을 보여준다.
• 역량 개발(competency development) : 기술 도입과 인간 역량 개발의 상호작용.
• 근로자 저항(employee resistance)과 기술 준비도(technology readiness) : 기술 수용을 좌우하는 조직적·심리적 요인.
• 피드백 루프 관점(feedback-loop perspective) : 단일 시점의 정적 관계가 아닌, 시간에 따른 순환적 상호작용.

5. 비판적 한계 (Critical limitations)

• 원 논문의 성과 주장은 시뮬레이션 결과이지, 실제 조직 필드 실증이 아니다. 표본 N, 설문, 실험 데이터가 없다.
• 한국 표본이 없다. 원 논문은 한국 근로자나 한국 노동시장을 연구하지 않았다.
• 중장년 표본이 없다. 원 논문의 대상은 중장년 근로자로 한정되지 않는다.
• 브리지 고용 참여의도 같은 결과 변수가 없다. 원 논문은 브리지 고용을 측정하지 않았다.

6. DASISIJAK 해석 (Interpretation)

다음은 이 글 작성자의 해석이며, 원 논문의 실증 결과가 아니다.

• AI 도입의 성공은 기술 배치 자체가 아니라, 조직의 적응 자원(역량, 학습, 리더십)과 저항 관리·기술 준비도의 상호작용에 달려 있다.
• 이는 "기술만 도입하면 성과가 좋아진다"는 단순한 주장을 넘어서, 적응 과정이 성과 형성에 중요한 과정으로 작용할 수 있다는 관점을 제시한다.

7. DASISIJAK 확장 (Extension)

다음은 중장년 AI 적응 연구로의 확장/가설/연구 시사점이며, 원 논문이 이를 실증한 것은 아니다.

• 원 논문은 기술 준비도, 역량 개발, 조직 학습, 근로자 저항, 조직 성과 사이의 동적 상호작용(feedback relationships) 을 다룬다. 이 동적 상호작용 관점은, 한국 중장년 근로자의 AI 기반 경력적응(경력적응성, AI 태도, 사회적 네트워크) 연구에 이론적 관점으로 전이될 가능성이 있다.
• DASISIJAK 확장: 원 논문의 동적 상호작용 관점을 Kevin의 경력적응모형(CCMA) 구조(적응준비성→적응자원→적응결과)와 연결하는 것은 이 글 작성자의 해석·확장이며, 원 논문이 이 exact 3-stage 구조를 제시한 것은 아니다.
• 기술 저항과 조직 지원의 균형이 중장년의 재취업·브리지 고용 참여에 어떤 영향을 주는지는 별도의 실증 연구가 필요한 가설로 남는다.

8. 그렇다면 무엇인가 (So what)

• 이 프레임워크는 DASISIJAK 연구 의제에 "AI 도입을 동적 적응 과정으로 보는 관점" 을 추가한다.
• 실제 한국 중장년·브리지 고용 맥락에서의 효과는 향후 실증 검증이 필요하다.
• 이 글은 원 논문의 시뮬레이션 프레임워크를 소개하고, 이를 DASISIJAK 연구 관점으로 확장하기 위한 독립 해설로 남는다.