55년 된 법이 AI 채용 산업을 무너뜨리는 것을 지켜봤다 — 그리고 그것은 이미 늦은 일이었다

나는 잠재 고객 — 중견 금융 서비스 회사 — 과 통화 중이었는데, 그때 Eightfold AI 소송에 관한 소식이 2026년 1월에 터졌다. 인사 책임자는 분기마다 수천 명의 지원자를 걸러내기 위해 한 AI 벤더의 "탤런트 인텔리전스(Talent Intelligence)" 플랫폼을 어떻게 사용해 왔는지 설명하던 중이었다. 그녀는 말을 멈췄다. Zoom 화면 한구석에서 조용히 지켜보던 그녀의 법률 자문이 음소거를 해제했다. "그 Eightfold 사건에 대해 가지고 계신 자료를 전부 저에게 보내주시겠어요?"

통화는 15분 일찍 끝났다.

그 순간, 내가 베리프라즈나에서 수년간 주장해 온 무언가가 선명해졌다. 엔터프라이즈 AI 채용 시장은 숨막힐 정도의 아키텍처적 태만이라는 토대 위에 세워졌으며, 누군가가 소송당하는 것은 시간문제일 뿐이었다. 그것도 편향된 결과 때문이 아니라 — 그 싸움은 이미 벌어지고 있었다 — 훨씬 더 근본적인 무언가 때문이었다. 바로 사람들을 은밀하게 프로파일링하고 그 프로파일을 이용해 그들의 경제적 미래를 결정하는 행위 때문이었다.

그 Eightfold AI 집단소송, Kistler v. Eightfold AI가 바로 그 소송이다. 그리고 그것은 어떤 최첨단 AI 규제를 들먹이지 않았다. 그것은 1970년으로 거슬러 올라가 — 공정신용보고법(Fair Credit Reporting Act)으로 — 15억 명에 대한 숨겨진 "매치 점수"를 생성하는 AI 회사는 법적으로 말하자면 Equifax와 다를 바 없다고 주장했다.

나는 원고들이 옳다고 생각한다. 그리고 그 함의가 한 회사를 훨씬 넘어선다고 생각한다.

Eightfold에 실제로 무슨 일이 있었나?

여기 짧은 버전을 소개한다. 세부 사항이 중요하기 때문이다.

두 명의 경험 많은 전문가 — 거의 20년 경력의 프로덕트 매니저 에린 키슬러(Erin Kistler)와 10년 넘는 경력의 프로젝트 매니저 스루티 바우믹(Sruti Bhaumik) — 이 PayPal과 Microsoft의 직무에 지원했다. 두 사람 모두 신속한 자동 거절을 받았다. 어느 쪽도 AI 시스템이 자신에 대한 비밀 점수를 생성했다는 사실을 듣지 못했다. 어느 쪽도 어떤 데이터가 그 점수에 반영되었는지 보지 못했다. 어느 쪽도 그것에 이의를 제기할 방법을 받지 못했다.

소송은 Eightfold의 플랫폼이 단지 당신이 제출한 이력서만 분석하는 것이 아니라고 주장한다. 이 플랫폼은 LinkedIn, GitHub, Crunchbase, 그리고 기타 공개 출처에서 데이터를 수집하여 — 소장이 "은밀한 신상 서류(secretive dossiers)"라고 부르는 것을 구축하고 — 그런 다음 딥러닝을 사용해 당신의 "성공 가능성"을 예측하는 0에서 5까지의 "매치 점수"를 만들어낸다고 한다. Morgan Stanley, Starbucks, BNY, PayPal 같은 회사들이 인간 채용 담당자가 지원서를 한 번이라도 보기 전에 이 점수를 사용해 지원자를 걸러냈다.

Eightfold는 이러한 주장을 부인하며, 자사 플랫폼은 오로지 지원자가 제출했거나 고객이 제공한 데이터로만 작동한다고 밝혔다. 하지만 소장은 다른 그림을 그린다. 당신의 디지털 발자국 — 당신의 브라우징 행동, 위치 데이터, 인터넷 활동 — 이 빨아들여져 당신의 고용 적합성에 대한 확률적 판정으로 변환되는 그림이다.

AI 시스템이 당신이 면접 기회를 얻을지를 결정하는 점수를 생성하는데 그 점수가 존재한다는 것조차 당신이 결코 알지 못한다면, 그것은 "탤런트 인텔리전스"가 아니다. 그것은 경제적 결과를 수반하는 감시다.

나는 이 사건이 이전의 AI 채용 소송들보다 왜 더 중요한지 정확히 짚고 싶다. Mobley v. Workday 사건은 알고리즘 차별 — AI가 편향된 결과를 만들어내는 것 — 에 초점을 맞췄다. 그것이 첫 번째 책임 공백이다. Eightfold 사건은 더 깊은 무언가를 겨냥한다. 바로 두 번째 책임 공백으로, 이는 데이터 수집, 점수 산정 메커니즘, 그리고 지원자의 주체성에서의 투명성에 관한 것이다. 이는 단지 "그 점수가 공정했는가?"를 묻는 것이 아니다. "당신은 애초에 나를 점수 매길 권리가 있었는가?"를 묻는 것이다.

원고들은 왜 55년 된 법에 손을 뻗었나?

이 부분이 엔지니어로서 나를 매료시키는 지점이다.

FCRA — 공정신용보고법(Fair Credit Reporting Act) — 은 신용 조사 기관을 규제하기 위해 1970년에 제정되었다. 이 법은 본질적으로 이렇게 말한다. 만약 당신이 사람들의 고용, 신용, 또는 주거에 관한 결정을 내리는 데 사용되는 보고서를 그들에 대해 생성하는 제3자라면, 그 사람들에게는 권리가 있다. 보고서가 존재한다는 것을 알 권리. 그것을 볼 권리. 오류에 이의를 제기할 권리.

이 사건, Kistler v. Eightfold의 법적 논리는 우아하다. 만약 Eightfold가 수집한 데이터를 기반으로 매치 점수를 생성하고, 그 점수가 고용주에 의해 지원자를 걸러내는 데 사용된다면, Eightfold는 소비자 신용정보 기관(consumer reporting agency)으로 기능하고 있는 것이다. 마침표. 그리고 그것이 점수를 매긴 모든 지원자는 결코 받지 못한 공개, 열람, 그리고 이의제기 권리를 부여받았어야 했다.

나는 소장 전문을 읽은 어느 늦은 밤에 공동창업자와 앉아 있던 것을 기억하는데, 그가 내게 계속 남는 말을 했다. "그들은 새로운 법이 필요하지 않았어. 오래된 법은 이미 새로운 행위에 의해 깨져 있었던 거야."

바로 그거다. FCRA는 AI를 위해 설계되지 않았다. 하지만 그것이 규제하도록 설계된 행위 — 당신의 경제적 기회를 결정하는 프로필을 제3자가 은밀하게 편찬하는 것 — 이야말로 소장이 Eightfold가 대규모로 하고 있었다고 주장하는 바로 그것이다. 기술은 바뀌었다. 해악은 바뀌지 않았다.

만약 법원이 이 이론에 동의한다면, 지원자를 점수 매기는 모든 AI 벤더는 전통적인 신원 조회 회사와 동일한 컴플라이언스 의무에 직면하게 될 것이다. 그리고 그 도구를 사용하는 기업들은? 그들은 벤더 뒤에 숨을 수 없다. 책임은 위로 흐른다.

우리는 어쩌다 여기까지 왔나? 아무도 이야기하고 싶어 하지 않았던 아키텍처 문제

나는 지난 몇 년간 베리프라즈나에서 우리가 "딥 AI 솔루션"이라 부르는 것을 구축해 왔는데, 내 일에서 가장 답답한 부분은 엔터프라이즈 AI에 대한 지배적인 접근 방식이 법적 검증을 견뎌낼 수 있는 구조적 능력이 근본적으로 없는 이유를 설명하는 것이었다. 모델이 나빠서가 아니다. 아키텍처가 태만하기 때문이다.

대부분의 AI 채용 도구는 — 그리고 나는 여기서 Eightfold를 콕 집어 말하는 것이 아니다, 이것은 업계 전반의 문제다 — 내가 "메가 프롬프트(mega-prompt)" 패턴이라고 부르는 것 위에 구축되어 있다. 이력서, 직무 기술서, 어쩌면 긁어모은 LinkedIn 데이터를 가져다가 이 모든 것을 하나의 거대한 프롬프트에 욱여넣고, GPT-4나 유사한 모델에 보낸 뒤, 그 출력이 합리적이기를 바라는 것이다. 이 시스템은 — 그리고 나는 이 단어를 의도적으로 사용한다 — 모델이 단 한 번의 처리로 심사하고 순위를 매기고 그 결정을 정당화해 주기를 "바란다".

나는 이 아키텍처적 위기에 대해 우리의 인터랙티브 백서에서 깊이 있게 다뤘지만, 핵심 문제는 단순하다. 바로 메가 프롬프트는 자신이 왜 그렇게 했는지 증명할 수 없다는 것이다.

지원자가 "내가 왜 거절당했나요?"라고 물으면, 시스템은 답할 수 없다. 무언가를 숨기고 있어서가 아니라, 진정으로 알지 못하기 때문이다. 그 추론은 비결정적이다. 같은 프롬프트를 두 번 실행하면 다른 결과가 나올 수도 있다. 직무 기술서에서 단어 하나를 바꾸면 순위가 뒤섞인다. 감사 추적도, 단계별 로그도, 금지된 데이터 포인트 — 예컨대 인종의 대리 지표로 작동하는 지원자의 우편번호 — 가 결과에 영향을 미치지 않았음을 검증할 방법도 없다.

채용에서 블랙박스 AI의 문제는 그것이 편향될 수 있다는 것이 아니다. 그것이 편향되지 않았음을 결코 증명할 수 없다는 것이다.

나는 2025년 초에 한 투자자와 이것에 대해 격렬한 논쟁을 벌였다. 그는 우리의 아키텍처 다이어그램 — 멀티 에이전트 오케스트레이션, 컴플라이언스 에이전트, 출처 추적 — 을 보고는 이렇게 말했다. "이건 과잉 설계됐어요. 그냥 좋은 프롬프트로 GPT를 쓰세요. 더 빨리 출시하세요." 나는 그에게 소송 속으로 더 빨리 출시하는 것은 사업 전략이 아니라고 말했다. 그는 투자하지 않았다. 나는 그 대화를 후회하지 않는다.

2026년 규제 지형은 실제로 어떤 모습인가?

Eightfold 소송은 고립되어 일어나는 것이 아니다. 그것은 2023년부터 형성되어 온 규제 물결의 가장 날카로운 끝이며, 만약 당신이 채용에 AI를 배치하고 있다면 — 미국 어디에서든 — 당신은 이제 "빠르게 움직이고 부수라"의 시대를 집단적으로 끝내는 주(州) 단위 법률들의 누더기를 헤쳐 나가고 있는 것이다.

뉴욕시의 지역법 144호(Local Law 144)는 2023년부터 자동화된 고용 결정 도구에 대해 연례 독립 편향 감사를 의무화해 왔다. 2026년 1월부터 시행되는 일리노이주의 HB 3773은 차별의 "효과를 갖는" AI를 금지하는데 — 그 표현에 주목하라, 효과이지, 의도가 아니다 — 그리고 지원자에게 "쉽게 이해할 수 있는" 고지를 의무화한다. 캘리포니아의 새 규정은 의도와 무관하게 이질적 영향(disparate impact)에 대한 책임을 부과하고 4년간의 기록 보존을 요구한다. 2026년 6월에 발효되는 콜로라도의 AI법은 알고리즘 차별로부터 보호할 법적 "주의 의무(duty of care)"를 창설한다.

실질적인 결론은 이렇다. 만약 당신이 여러 주에 걸쳐 채용하는 포춘 500대 기업이라면, 지원자가 어디에 위치해 있는지에 따라 AI 시스템이 다르게 작동하도록 해야 한다. 일리노이주의 지원자는 텍사스주의 지원자와는 다른 공개 요건을 촉발한다. 뉴욕시에서의 거절은 플로리다주에서는 요구되지 않을 문서화를 필요로 한다.

어떤 메가 프롬프트도 이것을 처리하지 못한다. 당신에게는 아키텍처가 필요하다.

"딥 AI"는 채용에 실제로 무엇을 의미하는가?

우리 팀과 내가 딥 AI 솔루션에 대해 이야기할 때 — "래퍼(wrapper)" 접근 방식과 대비하여 — 우리는 사람들의 삶에 중대한 결정을 내리는 시스템을 구축하는 근본적으로 다른 방식을 묘사하고 있는 것이다.

모든 것을 하는 하나의 단일 모델 대신, 우리는 전문화된 멀티 에이전트 시스템(Specialized Multi-Agent System)이라 불리는 것을 사용한다. 하나의 천재가 결정을 내리는 것보다는, 각자 정의된 역할과 문서 기록을 가진 전문가 팀에 더 가깝다고 생각하면 된다.

여기에는 플래닝 에이전트(Planning Agent)가 있는데, 이는 지원서를 받아 현행법과 회사 정책에 근거해 필요한 워크플로를 결정한다. 지원자가 일리노이주에 있다면, 어떤 심사가 시작되기 전에 반드시 의무 공개 단계가 실행되도록 보장한다. 또 데이터 출처 에이전트(Data Provenance Agent)가 있는데, 이는 모든 데이터 포인트의 계보를 검증한다 — 지원자가 제출한 데이터와 외부 출처에서 추론된 데이터를 구분하고, 후자가 최종 순위에 결코 은밀히 영향을 미치지 못하도록 표시해 둔다. 또 컴플라이언스 에이전트(Compliance Agent)가 있는데, 이는 어떤 점수가 확정되기 전에 프로세스 로그를 검토하여 금지된 속성이 결과에 영향을 미쳤는지 확인한다. 그리고 설명가능성 에이전트(Explainability Agent)가 있는데, 이는 그 기술적 결정을 채용 담당자와 지원자 모두를 위해 평이한 언어로 번역한다.

각 에이전트는 모든 행동을 기록한다. 모든 결정은 재현 가능하다. 이 시스템은 몇 달 후에도 지원자 A가 왜 지원자 B보다 높은 순위에 올랐는지, 어떤 데이터 포인트가 기여했는지, 그리고 인간 검토자가 그 추천을 확인했는지 아니면 뒤집었는지 정확히 알려줄 수 있다.

이 아키텍처를 현실적인 채용 시나리오 — 200명의 합성 지원자, 세 개의 관할권, 두 개의 직무 범주 — 에 대해 처음으로 완전한 엔드투엔드 테스트를 돌렸을 때가 기억난다. 단 한 명의 지원자에 대한 감사 추적을 훑어보는 데 45분이 걸렸다. 내 리드 엔지니어가 나를 보며 말했다. "이건 미친 짓이에요. 아무도 이 정도의 세부 수준을 원하지 않을 거예요." 나는 말했다. "판사는 원할 겁니다."

기존 블랙박스에 그냥 설명가능성을 추가하면 안 되나?

이것은 내가 가장 자주 받는 질문인데, 흔한 오해를 드러낸다. 사람들은 설명가능성을 사후에 붙이는 기능 — 기존 시스템에 대시보드를 추가하는 것처럼 — 이라고 생각한다. 그렇지 않다. 아니, 오히려 그렇게 할 수는 있지만, 그때 얻는 것은 사후 합리화(post-hoc rationalization)이지, 진정한 설명이 아니다.

SHAP(Shapley Additive Explanations)와 LIME(Local Interpretable Model-agnostic Explanations) 같은 기법들은 강력한 도구다. 협력 게임 이론에 뿌리를 둔 SHAP는 각 특성 — 경력 연수, 특정 자격증, 프로그래밍 언어 — 이 지원자의 점수에 얼마나 기여했는지를 수학적으로 알려줄 수 있다. LIME은 특정 거절을 설명하기 위해 단일 지원자 주변에서 모델의 행동을 국소적으로 근사할 수 있다. 반사실적 설명(counterfactual explanations)은 지원자에게 이렇게 말해줄 수 있다. "만약 당신이 자격증 X를 가지고 있었다면, 당신의 점수는 이만큼 올랐을 것이다."

우리는 이 모든 기법을 우리의 프로덕션 파이프라인에 통합한다. 하지만 결정적인 차이는 여기에 있다. 바로 이러한 기법들은 그 기반이 되는 아키텍처가 감사 가능할 때에만 신뢰할 수 있다는 것이다. 모델의 추론 과정이 비결정적이라면 — 지원자의 위치를 다른 무언가에 대한 대리 지표로 사용했을 수도 있는데 그렇지 않았음을 증명할 수 없다면 — 당신의 SHAP 값은 당신이 완전히 통제하지 못하는 과정을 설명하고 있는 것이다.

아키텍처적 무결성 없는 설명가능성은 그저 "나를 믿어라"라고 말하는 좀 더 정교한 방식일 뿐이다.

Eightfold 소송은 이것을 구체적으로 보여준다. 설령 Eightfold가 모든 매치 점수에 대해 SHAP 값을 소급하여 생성할 수 있다 해도, 소장은 여전히 성립할 것이다 — 근본적인 문제는 지원자들이 그 점수가 존재한다는 것을 결코 듣지 못했고, 그 점수에 반영된 데이터를 결코 보지 못했으며, 오류에 이의를 제기할 메커니즘을 결코 받지 못했다는 것이기 때문이다. 설명가능성은 필요하지만 충분하지 않다. 당신에게는 공개, 열람, 이의제기를 처음부터 뒷받침하는 아키텍처가 필요하다.

이러한 설명가능성 기법들이 멀티 에이전트 거버넌스 아키텍처와 어떻게 통합되는지에 대한 완전한 기술적 분석을 보려면, 우리의 연구 논문을 참조하라.

아무도 풀고 싶어 하지 않는 데이터 출처 문제

Eightfold 소장에서 내가 계속 되돌아오게 되는 부분이 있다. 그 플랫폼이 프로파일링당하는 데 결코 동의하지 않은 사람들에 대한 프로필을 구축하기 위해 LinkedIn, GitHub, 그리고 기타 출처에서 데이터를 수집했다는 주장이다.

그 특정 주장이 법정에서 사실로 밝혀지든 아니든, 그것은 실재하고 광범위한 문제를 가리킨다. 대부분의 엔터프라이즈 AI 시스템은 자신의 학습 및 추론 데이터에 대한 엄격한 관리 연속성(chain of custody)이 없다. 그들은 데이터 포인트가 어디에서 왔는지, 언제 수집되었는지, 대상자가 동의했는지, 또는 수집 이후 수정되었는지를 알려줄 수 없다.

베리프라즈나에서 우리는 데이터 출처(data provenance) — 데이터의 기원, 이동, 변형에 대한 문서화된 추적 기록 — 를 타협 불가능한 인프라 요건으로 취급한다. 우리 시스템에 들어오는 모든 데이터 포인트에는 그 출처, 수집 방법, 동의 상태가 태그된다. 지원자가 제출한 데이터는 외부 출처에서 추론된 데이터와 다르게 취급된다. 암호학적 해싱은 이력서가 일단 수집되면 어떠한 무단 수정도 탐지 가능하도록 보장한다.

이것은 기본 중의 기본처럼 들린다. 그래야 마땅하다. 하지만 나는 수십 곳의 엔터프라이즈 AI 벤더와 이야기해 봤는데, 그들 대부분의 솔직한 답변은 특정 데이터 포인트를 그 기원까지 확실하게 추적할 수 없다는 것이었다. 그들은 속도와 규모를 위해 구축했다. 출처는 사후에 고려된 것이었다, 애초에 고려되기라도 했다면 말이다.

2026년 규제 환경은 이것을 지속 불가능하게 만든다. 캘리포니아의 새 규정은 플랫폼이 콘텐츠가 생성형 AI에 의해 상당히 변경되었는지를 탐지하고 공개하도록 요구한다. 콜로라도의 AI법은 문서화된 위험 평가를 요구한다. FCRA는, 만약 AI 점수 산정 플랫폼에 적용된다면, 대상자가 자신에 대해 사용된 데이터를 보고 이의를 제기할 수 있어야 한다고 요구한다. 데이터가 어디에서 왔는지 모른다면 이 중 어느 것도 준수할 수 없다.

기업은 지금 당장 무엇을 해야 하는가?

사람들은 항상 내게 현재의 AI 채용 도구에 대해 공황에 빠져야 하는지 묻는다. 나는 공황이 생산적이라고 생각하지 않지만, 절박함은 정당하다고 생각한다. 내가 그들에게 하는 말은 이렇다.

첫째, 당신이 실제로 무엇을 사용하고 있는지 파악하라. 채용 파이프라인에 있는 모든 AI 도구에 대해 철저한 인벤토리를 작성하라. 벤더가 어떤 도구를 "탤런트 인텔리전스"나 "예측 분석"이라고 마케팅한다는 이유만으로 그것이 "AI"가 아니라고 가정하지 마라. 그것이 채용 결정에 영향을 미치는 점수, 순위, 또는 추천을 생성한다면, 그것은 자동화된 고용 결정 도구이며, 새롭게 등장하는 규제 프레임워크의 적용을 받는다.

둘째, 당신의 벤더를 심문하라. 그들에게 물어보라. 어떤 데이터 출처를 사용하는가? 지원자의 지원서 밖에서 정보를 끌어오는가? 점수나 순위를 생성하는가? 특정 지원자의 평가에 대한 감사 추적을 만들어낼 수 있는가? 지원자가 왜 그런 식으로 점수를 받았는지 평이한 언어로 설명을 제공할 수 있는가? 그들이 이 질문들에 명확하게 답하지 못한다면, 그것이 곧 당신의 답이다.

셋째 — 그리고 이것이 진정한 헌신을 요구하는 항목인데 — AI 추천을 판결이 아니라 입력으로 취급하기 시작하라. 2026년에 법적으로 가장 방어 가능한 입장은, 사람 검토자가 AI의 추천을 보고 이를 다른 요소들과 함께 고려하며 최종 결정에 대한 자신의 논거를 문서화하는 것이다. 이것은 단지 좋은 관행에 그치지 않는다. 뉴욕시와 일리노이주 같은 관할권에서는 곧 법적 요건이 될 수도 있다.

하지만 긴 게임은 아키텍처적이다. 당신에게는 투명성, 감사 가능성, 그리고 지원자의 주체성을 위해 처음부터 구축된 시스템이 필요하다. 설명가능성 대시보드를 붙여 놓은 래퍼가 아니다. 컴플라이언스 체크리스트를 덧붙인 메가 프롬프트가 아니다. 모든 결정을 추적하고, 설명하고, 이의 제기할 수 있는 시스템이다.

"AI 기반 채용"에 관한 불편한 진실

나는 그 금융 서비스 회사와의 통화 이후로 내 마음에 계속 있던 무언가로 끝맺고 싶다.

AI 채용 업계는 매혹적인 이야기를 팔았다. 당신의 지원자들을 우리에게 달라, 그러면 우리가 인간보다 더 빠르고, 더 저렴하며, 더 적은 편향으로 최고의 인재들을 찾아주겠다고. 그리고 그 이야기의 일부는 사실이다 — AI는 어떤 인간 팀도 따라올 수 없는 물량을 처리할 수 있고, 잘 설계된 시스템은 그렇지 않았다면 간과되었을 지원자들을 부각시킬 수 있다.

하지만 업계는 그 역량을 지름길 위에 구축했다. 자신의 결정을 설명하고 방어할 수 있는 시스템을 엔지니어링하는 대신, 편리한 숫자를 만들어내는 블랙박스를 구축했다. 지원자의 주체성을 존중하는 대신, 구직자를 수집되고 점수 매겨질 데이터 포인트로 취급했다. 컴플라이언스와 투명성이라는 힘든 아키텍처 작업에 투자하는 대신, 래퍼를 출시하고 아무도 어려운 질문을 하지 않기를 바랐다.

누군가 어려운 질문을 던졌다. 실은 두 사람 — 에린 키슬러와 스루티 바우믹 — 이었는데, 이들은 업계를 재편할 수도 있는 소송을 제기할 자격과 끈기를 가지고 있었다.

채용에서 결과에 대한 책임 없는 AI 실험의 시대는 끝났다. 그것을 대체할 것은 우리가 아키텍처적 책임성을 선택하는지 아니면 그저 더 나은 홍보를 선택하는지에 따라 정의될 것이다.

베리프라즈나에서 우리는 회사의 이름을 산스크리트어 "Prajna" — 초월적 지혜 — 에서 따왔다. 그것은 의도적인 선택이다. 지혜는 단지 답을 아는 것이 아니다. 그것은 당신이 그 답에 어떻게 도달했는지를 알고, 자신의 작업을 보여줄 수 있으며, 그것에 대해 도전받을 의향이 있는 것이다. 그것이 바로 엔터프라이즈 AI가 자신이 평가하는 모든 사람에게 빚지고 있는 것이다.

이것을 이해하는 회사들은 더 방어 가능할 뿐만 아니라 더 신뢰할 수 있고, 더 효과적이며, 그리고 — 중요한 의미에서 — 더 인간적인 시스템을 구축할 것이다. 그렇지 않은 회사들은 아무도 그 점수를 보여달라고 하지 않기를 계속 바랄 것이다.

누군가는 언제나 묻는다.