AI 해고 논란이 던지는 질문
회사에서 승인받은 휴가를 쓰는 동안 업무 기록이 줄었다는 이유로 낮은 평가를 받는다면, 그 평가를 공정하다고 할 수 있을까. AI 해고 논란의 핵심은 이 질문에 있다. 컴퓨터가 숫자를 정확하게 계산하더라도, 그 숫자가 노동자의 실제 기여와 법적으로 보호받는 사정을 제대로 반영하는지는 별개의 문제다.
캘리포니아는 자동화된 인사 판단에 제동을 걸기 시작했다. 개빈 뉴섬 주지사는 2026년 9월 30일 직원의 징계와 해고를 자동화 의사결정 시스템에만 맡기지 못하도록 하는 SB 947에 서명했다. 다만 해당 규정의 적용 시작일은 2027년 7월 1일이다. 법률 성립과 현장 적용을 구분해야 한다.
메타에서는 AI를 활용한 감원 대상 선정이 휴직자에게 불리하게 작용했다는 직원들의 소송이 제기됐다. 회사는 이를 부인한다. 두 사건은 자동화의 효율성과 고용관계의 책임을 함께 묻는다.
AI의 추천을 받아들이는 기업은 그 판단을 설명하고, 잘못된 결정을 멈출 능력까지 갖추고 있는가.
로보 보스 금지법, 정확히 무엇을 제한하나
‘로보 보스’는 소프트웨어가 업무 지시와 감시, 평가 등 관리자의 역할을 수행하는 현상을 가리키는 표현이다. 반드시 사람 모양의 로봇이나 생성형 AI를 뜻하지 않는다. 직원에게 점수를 부여하고 순위를 매기는 통계 모델도 인사 결정에 실질적인 영향을 준다면 문제의 대상이 될 수 있다.
SB 947은 징계·해고 결정에서 자동화 의사결정 시스템, 즉 ADS에만 의존하는 것을 금지한다. ADS의 결과에 주로 의존할 때에는 사람이 근거 자료로 판단을 확인해야 한다. 확인되지 않거나 부정확하고 불완전하며 오해를 일으키는 결과는 해당 결정에 사용해서는 안 된다. 이는 인간의 참여뿐 아니라 결과를 검증하는 절차를 요구한다는 의미다.
ADS에 주로 의존한 경우에는 결정 통보 시 서면 안내를 제공해야 한다. 직원은 자신의 어떤 데이터가 사용됐는지 의미 있는 설명을 요청할 수 있다. 그러나 이를 모든 인사 결정의 알고리즘과 소스코드를 전면 공개하는 의무로 확대해서는 안 된다.
직장 감시 제한도 별도로 살펴야 한다. 같은 날 서명된 AB 1883은 AI를 이용하는 직장 감시 도구로 직원의 감정 상태를 인식·추론·예측하거나 신경 데이터를 수집하는 행위를 제한한다. 안전 확보와 특정 연방 의무 관련 예외도 있다. 다만 화장실·휴게실 감시의 전면 금지는 두 최종 법률의 명시적 조항으로 확인되지 않는다. 감정 추론 제한을 SB 947의 내용으로 소개하거나 직장 감시 전체의 금지로 확대해서는 안 된다.
메타 소송에서 확정된 사실과 다투는 사실
AP의 2026년 7월 14일 보도에 따르면 메타 직원 26명은 전날 캘리포니아 오클랜드 연방법원에 소송을 제기했다. 당시 이들은 감원 통보를 받았으나 고용관계는 유지되고 있었다. 따라서 사건을 처음부터 ‘전직 직원 26명의 소송’으로만 소개하면 당시의 상태를 놓칠 수 있다.
원고들은 업무 활동과 AI 사용량 등을 활용한 평가가 보호받는 휴가와 장애 관련 사정을 제대로 반영하지 못했다고 주장했다. 메타는 인력과 조직에 관한 결정은 사람이 내렸다고 반박했다. 같은 보도에 따르면 원고들은 중재 절차가 진행되는 동안 고용 상태를 보전해 달라고 요구했다.
이 단계에서 ‘AI가 휴직자를 자동 해고했다’는 표현은 주장과 입증을 섞는다. 시스템이 어떤 지표를 사용했는지, 관리자가 그 결과를 얼마나 중시했는지, 휴직이 선정 결과에 어떤 영향을 미쳤는지는 구별해서 확인해야 한다. 소송이 제기됐다는 사실만으로 특정 시스템의 작동 방식이나 위법성이 확정되는 것은 아니다.
여러 원고가 함께 소송을 제기한 것과 미국법상 집단소송 절차가 인정된 것은 다르다. 사법부의 소송 접수와 노동자 보호 판단도 구분해야 한다. 확인된 입법 조치는 규칙을 바꾼 사건이다. 반면 메타 사건의 책임은 증거와 적용 법률에 따라 판단될 사안이다. 법원이 이미 AI 해고에 제동을 걸었다고 쓰려면 그에 해당하는 명령이나 판결을 확인해야 한다.
기업은 왜 사람을 숫자로 관리하려 하나
알고리즘 관리는 관리자가 수행하던 업무를 소프트웨어로 전부 또는 일부 자동화하는 방식이다. 일정 배정, 업무량 조절, 작업 속도 확인, 성과 평가가 여기에 포함된다. 사람을 직접 관찰하기 어려운 대규모 조직이나 원격근무 환경에서는 이런 도구를 통해 운영 상황을 일관된 형식으로 파악하려는 유인이 생긴다.
OECD가 2025년 2월 발표한 연구는 미국·프랑스·독일·이탈리아·스페인·일본의 기업 6,000여 곳을 조사했다. 보고서는 미국에서 알고리즘 관리 도구의 도입률을 90%로 제시한다. 다만 여기에는 AI를 포함할 수도 있는 관리 소프트웨어가 폭넓게 들어간다. ‘미국 기업의 90%가 AI에게 해고를 맡긴다’는 뜻이 아니다.
기업이 기대하는 이점은 이해할 만하다. 일정 배정의 중복을 줄이고 평가 누락을 찾아내며, 관리자의 기억에만 의존하던 판단을 기록으로 보완할 수 있다. 평가 기준을 명시하면 상사의 호감이나 친분이 작용할 여지를 줄이는 데에도 도움이 될 수 있다. 이런 가능성을 무시한 채 자동화 전체를 부정하면 논의가 현실과 멀어진다.
문제는 기록의 편리함이 측정 대상의 적절함을 보장하지 않는다는 데 있다. 키보드 입력과 이메일 수는 수집하기 쉽다. 그러나 문제를 예방한 판단, 동료의 성장을 도운 설명, 고객과 쌓은 신뢰는 같은 방식으로 잡히기 어렵다. 자료가 없는 기여를 가치가 없는 기여로 처리하면 평가의 방향이 달라진다.
첫 번째 쟁점: 휴직의 공백을 저성과로 읽는가
휴직자는 일을 하지 않는 기간에 업무 기록을 쌓기 어렵다. 회사가 이를 알고 승인했는데도 평가 시스템이 그 기간을 정상 근무 기간처럼 계산한다면, 휴직의 결과를 성과 부족으로 바꾸는 구조가 된다. 메타 사건에서 법원이 확인해야 할 쟁점과 별개로, 이러한 설계는 일반적인 인사 시스템에서도 점검할 필요가 있다.
이를 이해하기 위한 가상의 예를 보자. 실제 근무한 날의 업무 품질이 같은 두 직원 중 한 사람이 평가 기간의 일부를 보호받는 휴가로 보냈다고 가정한다. 총 처리 건수만 비교하면 그 직원이 불리해질 수 있다. 이것은 메타의 실제 계산식을 재현한 예가 아니라, 비교 기간을 잘못 정하면 무엇이 달라지는지 보여주는 설명이다.
미국 노동부는 가족·의료휴가법인 FMLA에 따라 보호되는 휴가 사용을 채용·승진·징계 등 고용 조치의 불리한 요인으로 사용할 수 없다고 설명한다. 다만 모든 휴가가 같은 법의 보호를 받는 것은 아니다. 사업장과 근로자의 적용 요건, 휴가 사유 등을 확인해야 한다.
또한 휴직 중이라는 이유만으로 모든 감원에서 자동으로 제외되는 것은 아니다. 노동부 안내는 휴직을 하지 않았더라도 발생했을 해고와 휴직을 이유로 한 불이익을 구분한다. 따라서 ‘휴직 중 해고’라는 시점만으로 위법성을 확정할 수도 없다. 어떤 기준이 실제로 사용됐고 휴직이 없었어도 같은 결과였을지가 판단의 쟁점이다.
개선 방향도 단순한 점수 보정에 머물러서는 안 된다. 근무 기간을 조정하고 직무별 성과를 검토하되, 보호되는 권리의 사용을 감점 신호로 삼지 않도록 해야 한다. 보정에 필요한 정보만 사용하고 열람 권한도 제한해야 한다.
두 번째 쟁점: 사람이 승인하면 책임도 다했는가
메타는 사람이 인력 결정을 내렸다고 반박한다. 그러나 일반적인 제도 설계의 관점에서는 최종 승인자의 존재와 검토의 실질을 구분해야 한다. 관리자가 자동으로 작성된 순위를 그대로 받아들이는 경우와 원자료를 확인해 판단을 바꾸는 경우는 모두 ‘사람이 참여했다’고 표현할 수 있지만, 통제 수준은 크게 다르다.
인간의 검토가 실질적이려면 자료, 시간, 권한이 함께 필요하다. 평가자는 점수의 근거와 한계를 읽을 수 있어야 한다. 잘못된 입력을 고치고 결정을 보류할 수 있어야 한다. 결과에 이견을 제시했다는 이유로 업무 효율 평가에서 불이익을 받는다면 그 권한은 제대로 작동하기 어렵다.
검토 기록도 중요하다. 어떤 자료를 확인했는지, 직원의 설명을 들었는지, 어떤 이유로 추천을 수용하거나 거부했는지 남겨야 한다. 다만 서명란이나 체크 항목만 늘리는 방식은 관리자에게 문서 부담을 주면서 보호 효과는 낮출 수 있다. 반복되는 오류 유형을 먼저 찾아 검토를 집중하는 방식이 더 유용하다.
세 번째 쟁점: 설명할 수 있어야 다툴 수 있다
노동자가 자신의 평가에 오류가 있다고 생각해도 어떤 자료가 쓰였는지 모르면 구체적으로 반박하기 어렵다. ‘종합적인 판단’이나 ‘시스템상 저성과’라는 설명만으로는 날짜 오류, 누락된 실적, 휴직 기간의 포함 여부를 확인할 수 없다. 설명은 직원이 판단의 근거를 검토할 수 있게 만드는 조건이다.
모든 기술 정보를 공개해야만 설명이 가능한 것은 아니다. 직원이 실제로 필요한 것은 평가 기간, 반영된 지표, 데이터의 출처, 주요 불이익 사유, 정정 요청 방법이다. 복잡한 수학식보다 어떤 기록이 자신에게 불리하게 작용했는지를 알아야 대응할 수 있다. 쉬운 설명과 검증 가능한 기록은 함께 제공돼야 한다.
다툴 기회가 있다는 설명도 실제 운영과 연결돼야 한다. 누구에게 요청하는지 알 수 없거나 답변이 해고 이후 한참 지나서 도착하면 정정의 효과가 줄어든다. 기업은 담당자와 처리 절차를 명확히 하고, 중대한 오류가 발견되면 결정 시행을 잠시 멈추는 내부 기준을 마련할 필요가 있다. 이는 법률의 모든 의무를 옮긴 설명이 아니라 보호 효과를 높이기 위한 제안이다.
네 번째 쟁점: 더 많은 감시가 더 좋은 평가를 만드는가
성과 측정에 오류가 있다는 지적을 받으면 기업은 더 많은 자료를 수집해 정확도를 높이려 할 수 있다. 그러나 수집량과 평가 품질은 같은 개념이 아니다. 직원의 표정과 목소리까지 기록하더라도 그 정보가 업무 수행 능력을 설명하는지는 별도로 검증해야 한다.
정책적으로는 자료 수집의 목적과 필요성을 먼저 물어야 한다. 작업물의 품질을 확인하는 데 충분한 자료가 있다면 개인의 감정 상태를 추정할 이유는 약해진다. 사고 예방에 쓰는 자료를 낮은 충성도나 해고 위험을 예측하는 데 재사용하는 것도 별도의 정당화가 필요하다.
불필요한 감시는 노동자의 행동을 바꿀 수 있다. 지표가 곧 인사상 보상이 되면 직원은 실제 성과보다 측정되는 활동을 늘리려 할 수 있다. 메시지 수를 높이거나 쉬운 일을 우선 처리하는 방식이 그 예다. 기업은 점수가 올랐는지뿐 아니라 업무 품질과 협업이 개선됐는지 함께 살펴야 한다.
자동화를 활용하되, 결정의 위험에 맞게 통제해야 한다
이 글에서 제안하는 관점은 인사 자동화의 사용 범위를 결정의 영향에 맞춰 조정하자는 것이다. 일정 배정의 오류와 해고 대상 선정의 오류는 노동자에게 미치는 피해가 다르다. 생계와 경력에 큰 영향을 주는 결정일수록 더 강한 검증, 설명, 정정 절차를 갖추는 것이 타당하다.
반대 의견도 설득력 있는 부분이 있다. 기업은 인사 결정을 신속하게 내릴 필요가 있고, 모든 추천을 사람이 처음부터 재평가하면 비용이 커진다. 소규모 사업장은 전담 인력을 확보하기 어렵다. 관리 도구의 정의가 지나치게 넓으면 낮은 위험의 기능까지 복잡한 절차에 묶일 수 있다.
이런 부담은 통제 수준을 구분하는 방식으로 줄일 수 있다. 자료 정리와 오류 탐지에는 자동화를 적극 활용하되, 해고나 중대한 징계에는 사람의 검증을 집중하는 것이다. 직무에 필요한 평가 기준을 사전에 정해 두면 매번 검토를 처음부터 시작할 필요도 줄어든다. 비용 문제는 보호 절차를 없애기보다 절차를 효율적으로 설계할 이유가 된다.
또 다른 반론은 AI가 사람보다 일관되게 평가한다는 주장이다. 일관성은 분명 장점이 될 수 있다. 그러나 부적절한 기준을 모든 직원에게 반복 적용하면 오류 역시 일관되게 발생한다. 동일한 규칙의 적용과 공정한 평가를 연결하려면 그 규칙이 직무와 보호되는 권리에 적합한지 먼저 검증해야 한다.
직장인이 확인할 사항과 기업이 책임질 사항
직장인에게 유용한 첫 질문은 ‘우리 회사가 AI를 쓰는가’보다 ‘어떤 결정에 어떤 기록이 사용되는가’다. 출퇴근 관리 도구와 해고 대상 추천 도구를 구별해야 한다. 성과평가 안내, 개인정보 관련 고지, 휴직 처리 규정에서 평가 기간과 자료 사용 범위를 확인하면 문제를 구체화할 수 있다.
휴직을 신청하거나 평가에 이의를 제기할 때에는 승인 안내, 기존 평가, 정정 요청과 답변 등 본인에게 적법하게 제공된 기록을 보관하는 편이 좋다. 낮은 평가를 받았다면 추측으로 시스템 전체를 비난하기보다 누락된 실적이나 잘못 포함된 기간을 특정해 설명을 요청할 수 있다. 타인의 개인정보나 회사 자료를 무단 반출하는 방식은 피해야 한다.
미국 EEOC는 AI나 자동화 기술을 사용한 경우에도 연방 고용차별법의 보호가 적용된다고 안내한다. 미국에서 차별이 의심된다면
해당 기관의 공식 안내를 통해 적용 법률과 신고 절차를 확인할 수 있다. 구체적인 구제 가능성은 근무지와 고용관계, 불이익의 사유에 따라 달라진다.
한국의 독자는 캘리포니아 법이 국내 사업장에 그대로 적용된다고 받아들여서는 안 된다. 다만 평가 데이터의 정확성, 휴직의 반영 방식, 결정권자의 책임이라는 질문은 국내에서도 검토할 가치가 있다. 구체적인 권리와 구제 절차는 국내 노동·개인정보 관련 제도에 따라 별도로 확인해야 한다.
직원에게 확인을 권한다고 해서 책임을 개인에게 돌릴 수는 없다. 자신이 어떤 모델로 평가되는지 노동자가 알아내야만 보호받는 구조는 불균형하다. 기업은 수집 목적과 사용 범위를 알리고 오류를 먼저 점검해야 한다. 직원의 문제 제기는 내부 통제를 보완하는 통로가 되어야 한다.
시행 전 준비와 시행 후 평가를 나눠야 한다
기업의 단기 과제는 인사 업무에 쓰는 자동화 도구의 목록을 만드는 것이다. 채용, 업무 배정, 평가, 징계, 해고 가운데 어떤 단계에 영향을 주는지 표시해야 한다. 특히 점수가 다른 시스템으로 전달되는 경로를 확인해야 한다. 평가용으로 도입한 도구가 감원 순위의 근거가 됐다면 책임과 검증의 범위도 달라진다.
다음으로 인사·법무·정보보호 담당자가 보호되는 휴직과 근무 조건을 어떻게 처리할지 함께 정해야 한다. 보정에 필요한 정보만 사용하고 접근 권한을 제한해야 한다. 외부 공급업체와 계약할 때에도 오류 수정, 버전 변경 통지, 검토 자료 제공이 가능한지 확인해야 한다. 도구를 구매했다는 사실만으로 운영 책임이 해결되지는 않는다.
검토 인력의 확보에는 비용이 든다. 기업은 관리자에게 검토 시간과 교육을 제공하고, 반복되는 오류는 시스템 단계에서 수정해야 한다. 감독기관도 신고를 접수하는 창구와 기술적 사실을 확인할 역량이 필요하다. 법률 문구를 마련하는 일과 현장에서 조사 가능한 자료를 확보하는 일은 별도의 과제다.
효과를 판단할 때에는 사람의 검토를 거쳤다는 비율만 보아서는 부족하다. 데이터 오류를 발견한 비율, 오류 정정 후 결정이 바뀐 사례, 이의제기 처리 기간, 동일한 오류의 재발 여부를 함께 살펴야 한다. 관리자 검토에 드는 시간도 기록하면 보호 효과와 운영 부담을 같이 평가할 수 있다.
앞으로 메타 사건에서는 시스템의 실제 사용 방식과 관리자 검토에 관한 증거, 중재와 법원 절차의 후속 결과를 확인해야 한다. 캘리포니아에서는 시행 준비와 집행 과정에서 어떤 기준이 제시되는지 살펴야 한다. 다른 지역으로 규제가 확산될지는 지켜볼 사안이며, 법률 한 건의 성립만으로 세계적 추세를 확정하기는 어렵다.
AI 해고의 기준은 정확성, 설명, 정정 가능성이다
AI 해고 논란은 인사 관리의 오래된 질문을 더 날카롭게 만든다. 무엇을 성과로 볼 것인가, 서로 다른 근무 조건을 어떻게 비교할 것인가, 잘못된 평가를 누가 바로잡을 것인가. 자동화는 이 질문의 답을 대신하지 못한다. 오히려 많은 사람에게 같은 판단을 빠르게 적용할 수 있으므로 기준과 절차의 중요성이 커진다.
캘리포니아의 입법은 자동화된 징계·해고 판단에 인간의 확인과 설명을 요구하는 방향을 보여준다. 메타 소송은 보호되는 휴직과 인사 지표의 관계를 다투는 사건이다. 두 사안을 연결해 생각할 수는 있지만, 소송의 주장과 법률의 내용을 섞어 이미 확인된 피해 사례처럼 제시해서는 안 된다.
앞으로 기업의 AI 인사 도구를 평가할 때에는 세 가지를 물어야 한다. 그 지표가 해당 업무의 성과를 적절하게 설명하는가. 직원이 불이익의 근거를 이해하고 오류를 지적할 수 있는가. 책임 있는 사람이 그 오류를 고쳐 결정을 바꿀 수 있는가. 이 세 질문에 답할 수 있어야 자동화의 효율성도 공정한 인사 관리의 성과로 인정받을 수 있다.