책에 포함된 노트기계의 지능, 사람의 일 : AI로 재설계하는 직업재활: 상담에서 사후관리까지, 실무와 윤리의 가이드라인

6. 직업평가와 기능평가를 고도화하는 AI

2026-04-24Views 28약 11분생성형 AI 활용

6. 직업평가와 기능평가를 고도화하는 AI

직업평가와 기능평가를 고도화하는 AI

평가는 사람을 분류하는 절차가 아니라 가능성을 해석하는 작업이다

직업재활에서 평가는 늘 중요했다. 누군가는 무엇을 잘하는지, 어떤 환경에서 힘들어지는지, 어떤 지원이 있으면 일할 수 있는지, 어떤 직무가 맞는지, 지금 당장 취업이 적절한지 아니면 훈련이 먼저인지 판단해야 하기 때문이다. 그런데 현장의 평가는 종종 두 가지 문제 사이에서 흔들린다. 하나는 시간이 너무 오래 걸린다는 점이고, 다른 하나는 어렵게 평가를 해도 결과가 지나치게 뭉뚱그려진다는 점이다. "대인관계 보통", "집중력 다소 낮음", "사무직 적응 가능" 같은 문장은 익숙하지만, 실제 서비스 설계로 바로 이어지기에는 너무 넓고 모호하다.

이 지점에서 인공지능은 평가를 대신하는 기계가 아니라, 평가를 더 촘촘하게 읽게 도와주는 확대경이 될 수 있다. AI는 흩어진 자료를 정리하고, 반복 측정값 사이의 패턴을 찾아내고, 작업수행 기록과 자기보고, 관찰소견, 환경요인을 한 화면에서 연결해 보여주는 데 강하다. 직업재활 현장에서 이미 AI는 기초 직업평가 정보 정리, 강점·장벽 요약, 일자리 정렬, 문서화 보조 같은 영역에서 활용 가능성이 확인되고 있다.¹²

하지만 여기서 가장 중요한 문장은 따로 있다. 평가가 정교해진다고 해서 사람이 숫자로 환원되어서는 안 된다. AI가 잘하는 일은 패턴을 보는 것이고, 직업재활 전문가가 해야 하는 일은 그 패턴이 한 사람의 삶에서 무엇을 뜻하는지 해석하는 것이다. 재활과 기능평가 분야의 최근 논의도 AI가 평가와 모니터링을 혁신할 수 있다고 보면서도, 그것이 반드시 임상적 맥락과 인간의 판단 위에서 작동해야 한다고 강조한다.³⁴

이번 장에서는 그 균형점을 찾는다. 기존의 직업평가, 기능평가, 흥미·강점 탐색, 작업표본, ICF 기반 자료를 AI와 결합해 더 빠르고 더 정밀하게 읽는 방법, 그리고 그 과정에서 생길 수 있는 윤리적 위험을 어떻게 예방하고 관리할지 차근차근 살펴보자.

기존 직업평가와 기능평가의 강점, 그리고 한계

전통적인 직업평가에는 이미 훌륭한 자산이 많다. 면담은 당사자의 희망과 의미를 듣게 해 준다. 표준화된 검사는 비교 가능한 정보를 제공한다. 작업표본은 실제 일과 비슷한 과제를 통해 수행을 본다. 기능평가와 FCE(기능역량평가)는 들어올리기, 운반, 앉기, 서기, 반복동작, 지구력 같은 작업 관련 기능을 보다 구조적으로 파악하게 한다. 관찰기록은 수치에 드러나지 않는 태도, 피로, 불안, 회피, 문제해결 방식 같은 요소를 붙잡아 준다.⁵⁶

문제는 이 자료들이 대개 따로 논다는 점이다. 예를 들어 한 내담자가 컴퓨터 작업에서 정확도는 높지만 속도는 느리고, 작업 후 피로가 급격히 커지며, 낯선 지시에는 얼어붙지만 익숙한 루틴에서는 매우 안정적일 수 있다. 이런 사람을 이해하려면 검사점수, 관찰메모, 작업표본 결과, 자기보고, 환경정보를 함께 봐야 한다. 그런데 실제 현장에서는 각각의 자료가 다른 서식과 다른 언어로 존재한다. 어떤 것은 숫자이고, 어떤 것은 문장이고, 어떤 것은 담당자의 기억 속에 남아 있다.

AI가 등장하기 전에도 숙련된 평가자는 이런 조각들을 머릿속에서 잘 엮었다. 하지만 숙련은 귀하고, 시간은 부족하다. 그래서 현장에서는 두 가지 왜곡이 자주 생긴다. 하나는 쉽게 측정되는 것만 중요해지는 왜곡이다. 수치가 있으니 보고서에 쓰기 쉬운 정보가 중심이 된다. 다른 하나는 첫인상이 결과를 끌고 가는 왜곡이다. 초기 면담에서 형성된 인상이 이후 평가 해석까지 은근히 지배한다.

AI를 도입한다는 것은 이 왜곡을 없애는 마법을 부린다는 뜻이 아니다. 오히려 흩어진 자료를 더 체계적으로 모으고, 서로 다른 데이터 유형을 연결하고, 반복 측정의 변화를 읽게 함으로써 평가자가 더 나은 질문을 하게 만드는 것이다.

AI는 평가의 어느 부분을 고도화하는가

직업평가와 기능평가에서 AI가 유용한 지점은 크게 네 군데다.

첫째, 자료 수집과 정리다. 면담 기록, 자기보고 문항, 작업표본 메모, 기능평가 수치, 환경요인을 한데 모아 구조화할 수 있다.
둘째, 패턴 탐지와 시각화다. 하루 안의 기복, 과제별 정확도 차이, 피로 누적, 보조공학 사용 전후 변화처럼 사람이 놓치기 쉬운 흐름을 보여줄 수 있다.
셋째, 해석 보조다. 단일 점수 대신 "어떤 조건에서 수행이 좋아지고 나빠지는지"를 요약해 임상적 질문을 풍부하게 만든다.
넷째, 문서화와 의사소통이다. 평가 결과를 당사자용 쉬운 설명문, 팀 회의용 요약, 계획수립용 핵심 포인트로 다시 구성할 수 있다.¹⁷

중요한 것은 AI가 결과를 '확정'하는 것이 아니라, 평가자의 읽기 방식을 '개선'한다는 점이다. 최근 인력·기술 평가 영역에서도 AI는 평가도구 개발과 문항 생성, 데이터 분석 속도를 크게 높이지만, 최종 타당성 검토와 품질 보증은 반드시 전문가가 맡아야 한다고 본다.⁸ 직업재활 역시 마찬가지다. AI가 만든 예쁜 그래프보다 더 중요한 것은 그 그래프가 한 개인에게 공정한 질문을 던지고 있는지다.

흥미·강점 탐색: "무엇을 좋아하나요?"에서 "어떤 조건에서 잘 살아나나요?"로

많은 직업평가는 흥미검사와 강점 탐색에서 출발한다. 이는 중요하다. 사람은 대체로 자신이 의미를 느끼는 일에서 더 오래 버티고, 더 많이 배우기 때문이다. 하지만 흥미 탐색은 생각보다 쉽게 왜곡된다. 질문지가 추상적이면 대답은 모호해지고, 언어 표현이 어려운 사람은 실제보다 관심사가 빈약하게 보일 수 있다. 보호자의 목소리가 강하면 당사자의 선호가 뒤로 밀릴 수 있고, 실패 경험이 많은 사람은 자신이 잘하는 영역을 아예 과소평가할 수 있다.

AI는 여기서 흥미를 더 넓고 더 구체적으로 재구성하는 데 도움을 준다. 예를 들어 단순히 "사람 만나는 일 좋아함"이라는 표현을 끝으로 남기지 않고, 과거 경험과 연결해 "일대일 상호작용은 편하지만 다수가 동시에 반응하는 환경에서는 피로가 커짐", "짧고 분명한 응대는 안정적이나 예측 불가능한 감정노동은 부담이 큼"처럼 조건을 붙여 해석할 수 있다. 즉, 흥미와 강점을 직무명으로 곧장 번역하지 않고, 행동 특성 + 환경 조건 + 지원 필요의 형태로 바꾸는 것이다.¹²

또한 AI는 자유응답 내용을 분석해 반복적으로 등장하는 키워드와 주제를 묶을 수 있다. 예를 들어 내담자가 "정리하는 건 좋다", "사람 많으면 머리가 아프다", "한 번 배운 건 오래 기억한다", "바뀌는 건 불안하다"고 여러 차례 말했다면, AI는 이를 정리 선호, 감각 과부하 가능성, 루틴 학습 강점, 변화에 대한 부담으로 묶어 보여줄 수 있다. 이때 실무자는 단순히 "불안 성향"이라고 쓰지 말고, 실제 일 조건과 연결해야 한다. 바로 여기서 평가가 사람을 돕는 도구가 된다.

흥미·강점 탐색을 고도화하는 핵심은 점수를 더 많이 만드는 것이 아니라 당사자의 언어를 더 선명하게 보존하는 것이다. AI가 잘 쓰인 평가는 "이 사람은 서비스직 62점"이라고 말하지 않는다. 대신 "이 사람은 예측 가능한 상호작용, 시각적 구조화, 낮은 감각 자극, 반복학습 기반의 업무에서 강점을 보일 가능성이 높다"처럼 훨씬 실무적인 문장을 만들어 낸다.

작업표본과 상황평가: 한 번의 수행보다 수행의 패턴을 읽는 평가로

작업표본은 직업재활에서 아주 매력적인 평가 방식이다. 말보다 실제에 가깝기 때문이다. 물품 분류, 포장, 조립, 자료입력, 문서정리, 청소, 카페 보조, 도서정리, 생산보조 같은 과제를 수행해 보면, 면담이나 설문으로는 알기 어려운 정보가 드러난다. 시작 속도는 어떤지, 지시 이해는 어떤지, 오류를 어떻게 수정하는지, 지루함과 피로를 어떻게 견디는지, 반복 속에서 정확도가 유지되는지 같은 것들이다.

AI는 이 작업표본 평가를 세 가지 방향으로 깊게 만든다.

첫째, 세분화된 관찰기록의 축적이다. 예전에는 평가자가 "집중력 보통", "지시 이해 양호"처럼 한 줄로 남기던 것을, AI 보조 기록 체계를 이용하면 과제 시작까지 걸린 시간, 도움 요청 빈도, 오류 후 회복 시간, 속도 변화, 휴식 후 수행 회복 정도 등을 더 구조적으로 남길 수 있다.⁷

둘째, 비디오·센서 기반 분석이다. 재활 영역에서는 웹캠, 카메라, 웨어러블 센서, 가속도계 등으로 움직임과 활동을 수집하고 AI로 분석해 수행의 질, 반복성, 피로 징후, 운동 패턴 변화를 보는 연구가 빠르게 늘고 있다.⁴ 직업재활 현장에서도 이를 그대로 복잡하게 도입할 필요는 없지만, 예를 들어 상지 반복동작, 자세 유지, 손 사용의 효율, 작업 속도의 시간대별 변화 같은 정보는 기능평가와 직결될 수 있다.

셋째, 조건 변화에 따른 수행 비교다. 같은 과제를 조용한 환경과 소음 환경에서, 시각적 체크리스트 유무에 따라, 보조기기 사용 전후에, 짧은 지시와 긴 지시 조건에서 각각 수행하게 하면, AI는 그 차이를 시각화해 준다. 그러면 평가는 "할 수 있다/없다"가 아니라 "어떤 조건에서 할 수 있다"로 바뀐다. 이 차이는 직업재활에서 결정적이다.

여기서 꼭 기억해야 할 것은 작업표본의 결과가 곧바로 일반화되어서는 안 된다는 점이다. 한 번의 수행은 컨디션, 낯섦, 긴장, 평가관과의 상호작용에 영향을 받는다. 따라서 AI가 제시하는 패턴 역시 반드시 반복 관찰과 현장 맥락 속에서 해석해야 한다. 기계는 패턴을 빨리 보여주지만, 그 패턴이 우연인지 안정적 특성인지는 사람만이 조심스럽게 판단할 수 있다.

기능평가와 FCE: 수치가 늘어날수록 더 신중해져야 한다

기능평가, 특히 FCE는 직업복귀, 작업능력, 업무 제한, 훈련 필요를 논의할 때 자주 등장한다. 들어올리기, 밀기, 당기기, 쪼그리기, 서기, 앉기, 보행, 손 조작, 지구력 같은 요소를 보다 체계적으로 살핀다. 이 영역은 AI와 자동화가 붙기 쉬운 분야이기도 하다. 장비와 소프트웨어를 통해 측정값을 자동으로 기록하고, 반복 수행 데이터를 정리하고, 보고서를 빠르게 만드는 흐름이 이미 확산되고 있다.⁵⁹

하지만 FCE는 생각보다 복잡하다. 최근 논의에서도 FCE는 설계, 시행, 해석의 복합성이 크며, 단순 점수 읽기로 다룰 수 없는 문제를 많이 포함한다고 강조한다.⁵ 왜냐하면 기능평가는 단지 근력 숫자만 보는 것이 아니라, 안전, 노력 수준, 통증 보고, 두려움 회피, 수행의 일관성, 실제 직무와의 관련성까지 함께 봐야 하기 때문이다.

AI가 기능평가를 고도화하는 방식은 분명하다. 반복 측정의 변동 폭을 계산하고, 특정 동작에서 피로 누적 패턴을 보여주고, 휴식 이후 회복 정도를 나타내며, 여러 평가일의 결과를 한 번에 비교할 수 있다. 평가자는 이를 통해 "최대 수행"이 아니라 "지속 가능한 수행"을 더 잘 읽을 수 있다. 예를 들어 오전 10분 수행은 가능하지만 40분 뒤 정확도가 급격히 떨어진다면, 그 사람의 핵심 이슈는 근력이 아니라 지속성이나 피로 관리일 수 있다.

또한 AI는 작업요구도와 기능평가 결과를 대조해, 어떤 과제에서 위험이 커질지, 어떤 조정이 있으면 수행 가능성이 높아질지 가설을 세우는 데 도움을 준다. 이는 직무배치, 작업 재설계, 합리적 편의 논의에 매우 유용하다. 다만 자동화된 기능평가가 곧 객관성의 보증서가 되는 것은 아니다. 기계가 측정한 값도 결국 어떤 과제를, 어떤 자세로, 어떤 설명 하에, 어떤 날에 수행했는지의 산물이다. 따라서 숫자가 많아질수록 해석은 더 겸손해야 한다.

ICF 기반 평가와 AI의 만남: 기능을 코드로 남기되, 삶을 코드로 가두지 않기

직업재활 실무에서 ICF는 매우 유용한 언어다. ICF는 신체기능과 구조만이 아니라 활동, 참여, 환경요인을 함께 보게 만든다. 즉, "무엇이 손상되었는가"가 아니라 "이 사람이 실제 삶과 일에서 무엇을 할 수 있고, 무엇이 방해하며, 무엇이 도와주는가"를 묻게 한다. 직업재활 분야에서 ICF는 기능 정보를 구조화하고 전문가 간 공통 언어를 만드는 데 유용하다는 평가를 받아 왔다.¹⁰

문제는 ICF가 좋다는 것과, 실제 현장에서 쉽게 쓰인다는 것이 다르다는 점이다. 항목은 많고, 기록은 번거롭고, 코드화는 익숙하지 않다. 그래서 많은 기관이 ICF의 철학에는 동의하지만 실제 기록에서는 일부만 활용한다. 이때 AI는 ICF를 더 현실적인 도구로 바꾸는 데 꽤 큰 역할을 할 수 있다.

예를 들어 면담 기록, 작업표본 메모, 기능평가 결과, 환경 정보에서 핵심 개념을 추출해 관련 ICF 범주와 연결하는 보조 기능을 생각할 수 있다. 실제로 재활 영역에서는 자연어 처리와 대화형 AI를 활용해 기능 관련 서술을 ICF 범주로 연결하거나, 챗봇을 통해 ICF 기반 기능 정보를 수집하는 시도가 보고되고 있다.¹¹¹² 국내에서도 ICF 코어셋을 활용해 기능평가와 문서작성을 지원하는 플랫폼이 운영되고 있어, 구조화된 기능 정보 관리의 실무 기반이 이미 일부 마련되어 있다.¹³

이 방식의 장점은 분명하다. 첫째, 평가자가 놓친 영역을 다시 볼 수 있다. 둘째, 사례 간 비교와 경과 추적이 쉬워진다. 셋째, 팀 회의에서 "이 사람은 좀 힘들어요" 같은 모호한 표현 대신, 이동, 자기관리, 대인상호작용, 일상과업 수행, 환경 지원 등 보다 구체적인 논의를 할 수 있다.

그렇다고 ICF 코드가 사람의 삶을 모두 설명하는 것은 아니다. 코드는 지도이고, 삶은 지형이다. 지도는 길을 찾게 해 주지만, 언덕의 바람 냄새까지 담아내지는 못한다. 따라서 AI가 ICF 매핑을 잘해 준다고 해도, 당사자가 왜 특정 상황에서 위축되는지, 어떤 경험이 일에 대한 자신감을 꺾었는지, 어떤 지원이 동기를 살리는지는 여전히 대화와 관계 안에서만 드러난다.

예측분석은 유혹적이지만, 해석은 더 조심스러워야 한다

평가 데이터가 쌓이면 누구나 미래를 예측하고 싶어진다. 누가 훈련을 잘 마칠지, 어떤 직종에서 취업 성공률이 높을지, 누가 이탈 가능성이 높은지 알고 싶다. 실제로 장애인 직업훈련 평가 데이터를 이용해 취업 가능 직종을 예측하고 맞춤형 훈련 설계를 지원하려는 연구도 진행되고 있다.¹⁴

이런 시도는 분명 매력적이다. 자원이 늘 부족한 직업재활 현장에서 예측은 계획을 세우는 데 큰 힘이 될 수 있다. 하지만 예측은 언제나 과거 데이터의 그림자 위에서 작동한다. 과거에 특정 장애유형이 특정 직무에 덜 배치되었다면, AI는 그것을 '현실적 추천'으로 포장해 반복할 수 있다. 여성, 중증장애인, 발달장애인, 정신장애인, 고령 장애인처럼 노동시장에서 이미 불리한 위치에 놓인 집단일수록 과거 데이터 기반 예측의 피해를 더 크게 받을 수 있다.

그래서 예측분석은 문을 닫는 도구가 아니라 가설을 세우는 도구로만 써야 한다. 예를 들어 "이 경로가 상대적으로 성공 가능성이 높다"는 참고 정보는 될 수 있지만, "당신은 이 직무는 어렵다"는 판정문이 되어서는 안 된다. 윤리 가이드라인들도 AI 기반 예측은 기존의 검증된 직업평가 방법과 교차 확인되어야 하며, 자동화된 결론이 전문가 판단을 우회해서는 안 된다고 강조한다.¹⁵

직업재활에서 좋은 예측은 운명을 선언하지 않는다. 대신 이렇게 말한다. "이 조건에서는 이런 가능성이 보입니다. 하지만 실제 계획은 당신의 목표, 경험, 지원체계, 환경조정을 함께 보며 결정하겠습니다."

평가 결과를 서비스 설계로 연결하는 법: AI는 해석 회의를 더 똑똑하게 만든다

좋은 평가는 보고서로 끝나지 않는다. 서비스 설계로 이어져야 한다. 그런데 많은 기관에서 평가보고서는 길고, 계획은 짧다. 정작 필요한 것은 반대다. 평가 자체보다 평가를 통해 무엇을 바꿀지가 더 중요하다.

AI는 이 연결부에서 특히 유용하다. 예를 들어 평가 결과를 다음 네 가지 질문으로 다시 정리할 수 있다.

이 사람은 어떤 조건에서 가장 잘 수행하는가
이 사람의 수행을 무너뜨리는 핵심 장벽은 무엇인가
장벽 중 훈련으로 바뀌는 것과 환경조정이 필요한 것은 무엇인가
다음 4주, 8주, 12주 안에 확인해야 할 변화 지표는 무엇인가

이렇게 정리하면 평가가 추상적 진단이 아니라 실천 가능한 가설이 된다. 예를 들어 "사무직 가능"이라는 말 대신 "반복적 입력업무에서는 정확도가 높으나 처리속도는 낮음. 시각적 절차표 제공 시 오류가 감소함. 소음이 높아지면 피로와 실수가 증가함. 따라서 초기 배치는 저자극 환경의 구조화된 문서업무가 적합하며, 속도 향상 훈련보다 체크리스트 기반 안정적 수행 확보가 우선" 같은 계획 문장이 가능해진다.

이것이 바로 AI가 평가를 고도화하는 진짜 가치다. 단순히 더 많은 데이터를 모으는 것이 아니라, 서비스 결정 문장을 더 구체적으로 만드는 것이다.

현장에서 바로 쓸 수 있는 AI 기반 평가 워크플로

실무자가 현장에서 적용할 수 있도록 흐름을 단순하게 그려보면 이렇다.

첫 단계에서는 기존 평가 자료를 그대로 버리지 말고, 오히려 더 잘 모은다. 면담, 자기보고, 가족 진술, 표준화 검사, 작업표본, 기능평가, 환경요인, 보조기기 사용 여부를 한 틀에 넣는다.

두 번째 단계에서는 AI를 이용해 자료를 구조화한다. 강점, 제한, 조건부 수행, 피로 패턴, 환경 촉진요인, 환경 방해요인, 추가 확인 질문의 틀로 재배열한다.

세 번째 단계에서는 반복 측정과 비교를 본다. 한 번의 점수보다 시간에 따른 변화를 본다. 보조공학 사용 전후, 환경조정 전후, 오전과 오후, 훈련 초기와 후기의 차이를 살핀다.

네 번째 단계에서는 ICF나 기관 공통 언어로 요약한다. 활동, 참여, 환경요인을 명시해 팀이 같은 그림을 보게 한다.¹⁰¹³

다섯 번째 단계에서는 평가 결과를 서비스 문장으로 번역한다. "무엇을 할 수 있다"보다 "어떤 조건에서, 어떤 지원과 함께, 어느 정도 지속 가능하게 할 수 있다"를 적는다.

여섯 번째 단계에서는 당사자 확인을 한다. 평가 내용이 당사자의 체감과 맞는지, 빠진 강점은 없는지, 원치 않는 낙인 표현은 없는지 함께 검토한다. 이 마지막 단계가 빠지면 평가가 아무리 정교해도 사람 중심이라고 말하기 어렵다.

세 가지 사례로 보는 적용 방식

첫 번째 사례를 보자. 지체장애가 있는 40대 구직자가 사무보조 직무를 원한다. 전통적 평가에서는 컴퓨터 사용 가능, 장시간 서기 어려움, 통근 피로 높음 정도로 정리될 수 있다. 하지만 AI와 결합한 평가에서는 키보드 입력 속도와 정확도, 20분 이후 상지 피로 증가, 음성입력 보조 사용 시 문서작성 효율 상승, 오전 집중 우세, 이동 동선이 적은 환경에서 피로 감소가 드러날 수 있다. 그러면 결론은 "사무직 가능"이 아니라 "음성입력과 동선 최소화가 있는 문서 중심 직무에서 생산성이 높아질 가능성"으로 바뀐다.

두 번째 사례는 발달장애 청년이다. 흥미검사에서는 점수가 고르게 낮게 나왔고, 면담에서는 "아무거나 할래요"라고 답했다. 여기서 평가는 쉽게 빈약해질 수 있다. 그러나 작업표본과 자유응답, 반복 관찰을 AI로 정리해 보니 분류·정리 과제에서 안정성이 높고, 예측 가능한 순서가 있는 업무에서 수행이 좋아졌으며, 갑작스러운 언어 지시보다 시각적 순서도가 있을 때 오류가 크게 줄었다. 이 결과는 "동기 부족"이 아니라 "표현 방식과 평가 방식이 맞지 않았음"을 보여준다.

세 번째 사례는 정신장애 경험이 있는 구직자다. 초기에는 피로와 불안 때문에 취업 가능성이 낮아 보였다. 하지만 시간대별 작업표본 결과를 보면 짧은 과제에서는 정확도와 문제해결이 뛰어났고, 회복 시간을 보장하면 수행이 다시 올라왔다. 또한 혼자 하는 과제보다 1인 협업 환경에서 안정감이 높았다. 이런 정보는 단순한 위험 판정보다 훨씬 유용하다. 이 사람에게 필요한 것은 '배제'가 아니라, 예측 가능한 일정, 회복 가능한 휴식, 정서적으로 과부하가 적은 협업 구조일 수 있기 때문이다.

윤리: 평가를 정교하게 할수록 더 많이 조심해야 한다

AI를 평가에 붙이면 겉으로는 과학적이고 중립적으로 보이기 쉽다. 하지만 바로 그 인상이 위험하다. 평가 숫자와 그래프는 권위를 갖기 때문이다. 내담자도, 보호자도, 기관도, 때로는 법원이나 기업도 숫자를 더 믿는다. 그래서 AI 기반 평가에는 몇 가지 윤리 원칙이 반드시 붙어야 한다.

첫째, 자동 결론 금지다. AI는 취업 가능 여부, 장애 정도, 직무 적합성, 작업 제한을 독자적으로 결론 내려서는 안 된다. 최종 판단은 반드시 전문가가 맥락 속에서 내려야 한다.¹⁵

둘째, 편향 점검이다. 데이터가 특정 집단에 불리하게 쌓여 있지 않은지, 추천 결과가 장애유형·성별·연령·학력에 따라 지나치게 보수적으로 나오지 않는지 봐야 한다.¹⁵

셋째, 설명 가능성이다. 왜 이런 해석이 나왔는지 담당자가 설명할 수 있어야 한다. "AI가 그렇게 말했다"는 직업재활에서 통하는 문장이 아니다.

넷째, 개인정보 보호다. 기능평가 자료에는 건강 정보, 영상, 음성, 생체 움직임 정보가 포함될 수 있다. 이런 정보는 매우 민감하므로 최소한의 수집, 안전한 저장, 명확한 접근 권한 관리가 필요하다.¹⁵

다섯째, 당사자 참여다. 평가 대상자는 분석의 객체가 아니라 해석의 주체여야 한다. 결과를 함께 확인하고 수정할 권리가 있어야 한다.

여섯째, 접근성 보장이다. AI 평가 도구 자체가 시각, 청각, 인지, 언어 접근성을 갖추지 못하면 이미 그 평가부터 불공정하다. AI 기반 보조기술과 평가 시스템은 당사자 참여와 수요자 중심 설계 속에서 개발·도입되어야 실제 사용성과 수용성이 높아진다.¹⁶

여기서 핵심은 윤리를 '나중에 붙이는 필터'로 보지 않는 것이다. 처음부터 어떤 데이터를 모을지, 어떤 문장을 사용할지, 어떤 결론을 AI에게 맡기지 않을지 설계해야 한다.

사람을 숫자로 환원하지 않기 위한 다섯 가지 해석 원칙

평가를 오래 한 실무자일수록 안다. 좋은 평가는 점수가 아니라 문장으로 남는다. 그렇다면 AI 시대의 평가 해석에서 꼭 붙잡아야 할 원칙은 무엇일까.

첫째, 단일 점수보다 조건부 수행을 본다. 이 사람은 무엇을 얼마나 잘하는가보다, 어떤 조건에서 잘하고 무엇이 무너지게 만드는지를 본다.

둘째, 결함보다 적합도를 본다. 부족한 점만 적지 말고, 어떤 환경과 직무 구조에서 강점이 살아나는지 함께 본다.

셋째, 현재 상태와 변화 가능성을 분리한다. 오늘의 수행이 낮다고 해서 미래의 가능성까지 낮다고 단정하지 않는다.

넷째, 평가 결과와 지원 계획을 같이 쓴다. 제한을 적었다면 그 제한을 줄이거나 우회할 지원 방법도 반드시 적는다.

다섯째, 당사자의 해석을 포함한다. 같은 결과라도 당사자가 느끼는 어려움과 목표가 다르면 서비스 방향도 달라진다.

이 다섯 가지 원칙이 지켜지면 AI는 사람을 납작하게 만드는 도구가 아니라, 오히려 더 입체적으로 보게 만드는 도구가 된다.

결국 평가의 미래는 '더 많은 데이터'가 아니라 '더 나은 해석'에 달려 있다

직업평가와 기능평가의 미래는 분명 더 데이터화될 것이다. 센서, 음성, 영상, 디지털 작업기록, 온라인 훈련 로그, 반복 수행 데이터가 점점 늘어날 것이다. AI는 그 자료를 연결하고, 속도를 높이고, 반복 패턴을 보여주는 데 큰 역할을 할 것이다.³⁴ 그러나 직업재활에서 정말 중요한 질문은 여전히 같다.

이 사람은 어떤 삶을 원하나.

무엇이 그 삶을 가로막고 있나.

무엇이 있으면 그 길을 다시 걸을 수 있나.

AI는 이 질문에 혼자 답할 수 없다. 하지만 좋은 실무자 옆에 놓이면, 훨씬 더 많은 단서를 꺼내줄 수는 있다. 그래서 앞으로의 평가는 두 극단을 모두 피해야 한다. 과거처럼 자료가 흩어져 감에 의존하는 평가도 피해야 하고, 반대로 미래를 숫자로만 판정하는 평가도 피해야 한다.

가장 좋은 평가는 이런 모습에 가깝다. AI가 자료를 정리하고, 사람은 의미를 해석하며, 당사자는 자신의 경험으로 그 해석을 검증하는 평가. 바로 그때 평가의 속도와 정밀도는 높아지면서도, 사람은 숫자로 환원되지 않는다.