웰스파고 사태에서 드러났듯, 과도한 판매 지표는 수백만 개의 불법 계좌를 만들어냈습니다. 이는 단순한 윤리적 문제가 아닌, '굿하트의 법칙(Goodhart's Law)'이 조직 현장에서 발현된 전형적인 사례입니다. 즉, '측정치가 목표가 되면 더 이상 좋은 측정치가 아니게 된다'는 것입니다. MIT 슬론 매니지먼트 리뷰의 근거자료는 이 오래된 딜레마에 대한 새로운 해법을 기계 학습(ML) 연구에서 찾고 있습니다.
기계 학습 연구자들은 알고리즘이 '진정한 목표'가 아닌 '대리 지표(proxy metric)'에 과도하게 적응(과적합)하는 문제를 해결하기 위해 여러 전략을 개발해왔습니다. 조직의 성과 관리도 본질적으로 동일한 문제에 직면해 있습니다. 다음은 AI 연구에서 도출된, KPI 설계 개선을 위한 4가지 핵심 전략입니다.
- 다중 목표 최적화(Multi-Objective Optimization): 단일 KPI에 집중하는 대신 상충할 수 있는 여러 목표(예: 매출 증가 및 고객 만족도 및 직원 웰빙)를 동시에 고려하여 최적의 균형점을 찾습니다.
- 적대적 예제 도입(Adversarial Examples): 지표를 악용하거나 '게임'할 수 있는 잠재적 방법을 사전에 식별하고, 이를 테스트하여 KPI의 강건성(Robustness)을 평가합니다.
- 메타-평가 지표 설계(Meta-Evaluation Metrics): 주요 성과 지표(KPI) 자체가 왜곡되는지를 평가하는 '제2의 지표'를 도입합니다. 예를 들어, '고객 당 상품 수'라는 KPI에 대한 메타-평가는 '불만 접수율'이 될 수 있습니다.
- 지속적 재평가(Continuous Re-evaluation): 고정된 지표를 영원히 사용하지 않고, 환경과 목표의 변화에 따라 지표 체계를 주기적으로 재검토하고 조정합니다.
이 프레임워크를 적용한다는 것은 단순한 기술 도입이 아닌, 경영자의 사고방식 전환을 의미합니다. 마이크로소프트의 상업 영업 부문 개편 사례(HBS 사례 연구)에서는 단순한 거래 규모가 아닌, 고객 성공과 장기적 관계 구축에 초점을 맞춘 다차원적 측정 체계로 전환하였습니다. 세무 감사 연구(Quarterly Journal of Economics)에서도 단순한 징수액 최대화가 아닌 공정성과 복잡한 사회적 목표를 고려한 감사 전략의 필요성이 제기됩니다. 핵심은 지표가 직원의 행동을 유도하는 '레버'임을 인지하고, 그 레버가 조직 전체 시스템을 건강한 방향으로 움직이도록 설계하는 것입니다.
결론적으로, 디지털 전환 시대의 효과적인 성과 관리란 더 정교한 지표를 만드는 것이 아닙니다. AI 연구가 시사하듯, 지표의 취약점을 인정하고, 다각적으로 점검하며, 유연하게 조정하는 '시스템적 사고'를 도입하는 것입니다. 경영진은 분기별 KPI 점검 회의에서 '이 지표를 어떻게 속일 수 있을까?'라는 적대적 질문을 던지고, 그 답을 바탕으로 측정 체계를 진화시켜야 합니다. 진정한 성과는 측정의 완벽함이 아니라, 측정의 불완전함을 관리하는 능력에서 나옵니다.