How to make applying for jobs less painful | The Way We Work, a TED series

Applying for jobs online

번역: Jiwon Jung 검토: TJ Kim

is one of the worst digital experiences of our time.

And applying for jobs in person really isn't much better.

[The Way We Work]

Hiring as we know it is broken on many fronts.

온라인 입사지원은

It's a terrible experience for people.

우리 시대 최악의 디지털 활동 중 하나입니다.

About 75 percent of people

직접 찾아가 지원하는 것도 별반 낫지 않죠.

who applied to jobs using various methods in the past year

[우리가 일하는 방식]

said they never heard anything back from the employer.

And at the company level it's not much better.

알다시피 고용 과정에는 많은 문제가 있습니다.

46 percent of people get fired or quit

사람들에겐 끔찍한 경험이죠.

within the first year of starting their jobs.

약 75%의 사람들이

작년에 다양한 방식으로 입사지원을 했지만

It's pretty mind-blowing.

It's also bad for the economy.

For the first time in history,

고용주로부터 아무런 답변도 듣지 못했다고 합니다.

we have more open jobs than we have unemployed people,

고용주의 입장도 마찬가진데요.

and to me that screams that we have a problem.

46%의 사람들은 해고되거나 그만두고 마는데

I believe that at the crux of all of this is a single piece of paper: the résumé.

일을 시작한 첫해에 말이죠.

좀 놀랍죠.

A résumé definitely has some useful pieces in it:

경제에도 좋지 않습니다.

what roles people have had, computer skills,

역사상 처음으로

실업자보다 일자리가 더 많아졌지만

what languages they speak,

but what it misses is what they have the potential to do

제게는 분명히 문제가 있다는 소리로 들리네요.

바로 그 중심에 이력서라는 서류가 있죠.

that they might not have had the opportunity to do in the past.

And with such a quickly changing economy where jobs are coming online

분명 이력서에는 유용한 정보들도 있습니다.

that might require skills that nobody has,

어떤 일을 했었는지, 컴퓨터는 잘 다루는지,

if we only look at what someone has done in the past,

어떤 언어를 구사하는지,

하지만 그 사람의 잠재력에 대해 알 순 없습니다.

we're not going to be able to match people to the jobs of the future.

전엔 기회가 없어 보여줄 수 없었던 것들 말이죠.

So this is where I think technology can be really helpful.

또, 급변하는 경제 속에서 누구에게도 없는 재능을 요하는

You've probably seen that algorithms have gotten pretty good

직업들이 온라인에 게시되는데

at matching people to things,

but what if we could use that same technology

그 사람이 전에 뭘 했는지 밖에 모른다면

미래의 직업에 맞는 인재를 찾긴 힘들겠죠.

to actually help us find jobs that we're really well-suited for?

바로 여기서 기술이 큰 도움이 될거라 생각합니다.

But I know what you're thinking.

Algorithms picking your next job sounds a little bit scary,

아마 아실거에요, 사람과 사물을 연결하는 알고리즘에

but there is one thing that has been shown

많은 발전이 있었던 걸요.

to be really predictive of someone's future success in a job,

그런데 그 기술을 우리에게 잘 맞는

and that's what's called a multimeasure test.

직업을 찾는 데에 활용할 수 있다면 어떨까요?

Multimeasure tests really aren't anything new,

지금 무슨 생각하시는 지 압니다.

알고리즘으로 여러분의 직업이 정해진다는 게 좀 섬뜩하긴 한데

but they used to be really expensive

and required a PhD sitting across from you

한 가지 검증된 것으로

and answering lots of questions and writing reports.

누군가의 직업적 성공 여부를 제대로 예측하는

Multimeasure tests are a way

'다중측정 검사'라는 것이 있습니다.

to understand someone's inherent traits --

사실 새로운 건 아니지만

your memory, your attentiveness.

비용이 많이 들고

What if we could take multimeasure tests

박사학위를 가진 사람과 마주 앉아

and make them scalable and accessible,

많은 질문에 답하고 보고서까지 써내야 했었죠.

and provide data to employers about really what the traits are

다중측정 검사는 개인의

고유한 특성을 알 수 있는 방법인데

of someone who can make them a good fit for a job?

기억력, 주의력 등이죠.

This all sounds abstract.

Let's try one of the games together.

만약 다중측정 검사를

You're about to see a flashing circle,

다양한 조건에서 손쉽게 활용할 수 있어서

and your job is going to be to clap when the circle is red

어느 직업에 잘 맞는 개인의 특성에 관한 자료를

and do nothing when it's green.

고용주들에게 제공한다면 어떨까요?

[Ready?]

[Begin!]

너무 추상적으로 들리죠.

같이 게임을 하나 해보죠.

[Green circle]

이제 번쩍이는 원이 보일텐데

[Green circle]

빨간색이면 손뼉을 치고

[Red circle]

[Green circle]

초록색이면 가만히 계시면 됩니다.

[Red circle]

[준비?]

Maybe you're the type of person

[시작!]

who claps the millisecond after a red circle appears.

[초록]

Or maybe you're the type of person

[초록]

who takes just a little bit longer to be 100 percent sure.

[빨강]

[초록]

Or maybe you clap on green even though you're not supposed to.

[빨강]

The cool thing here is that this isn't like a standardized test

아마도 여러분 중엔

빨간 원이 나오고 천분의 1초만에 손뼉을 치신 분들도 있고

where some people are employable and some people aren't.

Instead it's about understanding the fit between your characteristics

아니면 어떤 분들은

100% 확실하게 하기 위해 좀 더 늦게 치신 분들도 있겠죠.

and what would make you good a certain job.

아니면 실수로, 초록색일 때 치신 분들도 있을 거예요.

We found that if you clap late on red and you never clap on the green,

재미있는 것은 이 테스트가 누구를 고용하면 좋은 지 보여주는

you might be high in attentiveness and high in restraint.

표준화된 테스트들과는 완전히 다르다는 것입니다.

대신 여러분의 특성이 어떤 직업에서

People in that quadrant tend to be great students, great test-takers,

great at project management or accounting.

진가를 발휘할 지 알아볼 수 있는 것이죠.

But if you clap immediately on red and sometimes clap on green,

빨간색일 땐 늦게 치고 초록색일 땐 치지 않았다면

that might mean that you're more impulsive and creative,

주의력이 높고 인내심이 많은 사람일 거예요.

and we've found that top-performing salespeople often embody these traits.

그런 사람들은 보통 훌륭한 학생이자 시험도 잘 보고

The way we actually use this in hiring

프로젝트 관리나 회계업무에 뛰어납니다.

is we have top performers in a role go through neuroscience exercises

빨간색이 나오자 마자, 그리고 가끔 초록색일 때도 손뼉을 친다면

like this one.

좀 더 충동적이고 창의적이란 건데

Then we develop an algorithm

that understands what makes those top performers unique.

보통 잘나가는 영업사원들이 이런 특징을 가지고 있었습니다.

And then when people apply to the job,

we're able to surface the candidates who might be best suited for that job.

이를 실제로 고용할 때 적용해 보려고

각 직책의 우수한 직원들에게

So you might be thinking there's a danger in this.

방금 했던 신경과학 훈련을 시켜 봤어요.

The work world today is not the most diverse

그리고 알고리즘을 개발해

무엇이 그들을 특별하게 만드는지 알아 봤죠.

and if we're building algorithms based on current top performers,

이제 사람들이 입사지원을 하면

how do we make sure

that we're not just perpetuating the biases that already exist?

그 일에 가장 적합한 후보들을 추려낼 수 있습니다.

For example, if we were building an algorithm based on top performing CEOs

이게 위험할 수 있다고 생각하는 분들도 있을 거예요.

보다 다양함이 요구되는 오늘날의 노동환경에

and use the S&P 500 as a training set,

우수한 직원들을 기준으로 알고리즘을 만든다면

you would actually find

그것이 이미 존재하는 편견들만 지속시키는 꼴이 아니란 걸

that you're more likely to hire a white man named John than any woman.

어떻게 알 수 있을까요?

And that's the reality of who's in those roles right now.

예를 들어, 우수한 CEO들을 기준으로 알고리즘을 만들어

But technology actually poses a really interesting opportunity.

S&P 500을 '트레이닝 세트'로 사용한다면

We can create algorithms that are more equitable

실제로 어떤 여성보다도

and more fair than human beings have ever been.

'존'이란 이름의 백인 남성을 고용할 확률이 높게 됩니다.

Every algorithm that we put into production has been pretested

오늘날 어떤 이들이 그 위치에 있는지 보여주는 셈이죠.

to ensure that it doesn't favor any gender or ethnicity.

하지만 기술은 여전히 아주 흥미로운 기회를 제시합니다.

And if there's any population that's being overfavored,

어떤 인간보다도 훨씬 합리적이고 공정한

we can actually alter the algorithm until that's no longer true.

알고리즘의 개발이 가능하니까요.

저희가 제작하는 모든 알고리즘은 사전 테스트를 거쳐

When we focus on the inherent characteristics

that can make somebody a good fit for a job,

특정한 성별이나 인종을 선호하지 않도록 했어요.

we can transcend racism, classism, sexism, ageism --

지나치게 선호되는 집단이 보이면

even good schoolism.

더 이상 그런 문제가 생기지 않게 알고리즘의 수정도 가능하죠.

Our best technology and algorithms shouldn't just be used

for helping us find our next movie binge or new favorite Justin Bieber song.

본질적인 특성에 초점을 두고

누가 그 자리에 적합한지 따져 본다면

Imagine if we could harness the power of technology

인종차별, 계급차별, 성차별, 연령차별,

to get real guidance on what we should be doing

심지어 학벌도 초월할 수 있습니다.

based on who we are at a deeper level.

최고의 기술과 알고리즘을 단순히

다음에 몰아 볼 영화나, 저스틴 비버의 새 애창곡을 찾는 데에만 쓰면 안되겠죠.

상상해 보세요. 이 기술의 힘을 잘 이용한다면

개인의 다양한 특성에 따라 어떤 일을 해야 좋을 지 알려줄

실질적 지침이 될 수 있으니까요.