【칼럼】 중대성 이슈의 함정…기업은 왜 진짜 리스크를 못볼까? [카테고리 설정이 아직되어 있지 않습니다.] WBCSD는 기업이 고정한 중대성 항목으로 인해 시야가 좁아져 현장의 리스크를 탐지하지 못할 수 있다고 강조한다./WBCSD
최근 기업의 지속가능경영보고서를 들여다보면, 같은 산업군에 속한 기업들이 서로 비슷한 중대성 이슈와 관리체계를 제시하는 경우가 많다. 온실가스 배출, 에너지 사용, 산업안전보건, 공급망 관리 등 관리해야 ESG분야가 정형화되었기 때문이다.
공시의 표준화는 필요한 흐름이다. 기업이 지켜야할 최소 기준점을 제시하고, 기업 간의 상호 비교가능성을 높이기 때문이다. 하지만 문제는 기업들이 중대성 이슈를 점점 공시와 규제 대응의 기준에 맞춰 운영하면서, 각자의 고유한 사업 구조와 기술 변화 속도, 지역적 맥락 속에서 중대 이슈가 실제로 어떻게 확장될 수 있는지를 충분히 들여다보지 못할 수 있다는 점이다. 기업은 공시 기준에 따라 중대성 이슈를 선정하고 이를 관리하지만, 실제 사업 현장에서 마주하는 리스크는예상보다 더 넓고 복합적인 형태로 전개되는 경우가 많기 때문이다.
세계지속가능발전기업협의회(WBCSD)는 이를 ‘중대성의 터널시야(Materiality Tunnel Vision)’라고 설명한다. 규제나 공시에서 요구하는 중대 이슈에만 집중해 시야가 좁아지면, 기업의 장기 가치에 영향을 미칠 수 있는 새로운 유형의 위험과 기회를 놓칠 수 있다는 것이다. 때문에 WBCSD는 중대성 이슈를 고정된 관리 항목으로 다루기 보다는 빠르게 부상하는 새로운 위험(Emerging Risk)을 빠르게 포착하고, 대응체계를 마련하는 것이 중요하다고 강조한다.
신기술∙사업의 확장으로 인해 달라지는 중대성 이슈의 범위
OECD가 제시하는 신기술의 리스크 평가 6대 핵심요소/Genspark AI 생성이미지
공시 기반의 중대성 이슈 관리의 한계는 이해관계자들이 아직 충분히 경험해보지 못한 첨단기술과 신사업에서 두드러진다. 이러한 문제가 가장 선명하게 드러나는 분야가 AI 산업이다.
AI가 처음 주목받았을 때만 해도 개인정보보호나 AI 윤리 같은 항목이 주요 중대성 이슈로 설정되는 경우가 많았다. 알고리즘이 개인정보를 침해하지 않도록 설계되는지, 책임성과 투명성을 갖추고 있는지가 핵심 질문이었다. 다만 이 시기의 기업 대응은 대체로 원칙과 기준을 정리하여 공시하는 수준에 그쳤다.
하지만 AI가 실제 채용, 평가, 배치 같은 의사결정 과정에 적용되기 시작하면서 상황은 달라졌다. 원칙 수준에서 다뤄지던 문제가 실제 현장에서는 훨씬 더 구체적이고 직접적인 리스크로 나타나기 시작한 것이다. 개인정보보호와 AI 윤리라는 큰 틀은 여전히 중요했지만, 그것만으로는 취약집단 배제나 차별처럼 실제 적용 과정에서 드러나는 문제에 충분히 대응하기 어려웠다.
최근에는 여기서 한 걸음 더 나아가, AI 자체보다 AI를 가능하게 하는 물리적 인프라에서 새로운 리스크가 발생하고 있다. 데이터센터가 빠르게 늘어나면서 전력 수요와 물 사용, 지역 인프라 부담이 커지고 있기 때문이다. 즉, AI의 리스크 범위가 알고리즘과 데이터의 문제를 넘어, 지역사회와 자원 사용, 인프라 갈등까지 넓어지고 있다는 뜻이다
때문에 OECD는 신사업을 추진할 때 이미 정리된 규제나 공시 기준에만 기대기보다 기술이 사회에 어떤 영향을 확장시킬 수 있는지를 더 앞단에서 살펴봐야 한다고 강조한다. 특히 AI와 같은 신기술은 인권, 사회통합, 기후변화, 노동시장 등에 광범위한 영향을 빠르게 미칠 수 있기 때문에, 시장이 중대이슈를 어떻게 관리해야할지 명확히 정의하지 못했더라도, 잠재적 영향을 관리하기 위해 선제적으로 대응해야한다는 점이다.
공시도 중요하지만, 기업이 설정한 중대이슈가 어떤 방식으로 확장되는지 재해석하고 이에 따라 기업의 거버넌스나 대응활동이 변화해야한다는 의미다.
리스크 대응 위해 선제적으로 움직이는 글로벌 IT기업들
제품 설계단계에서부터 개인정보보호를 고려하는 애플/Apple
실제 글로벌 IT기업들은 기술혁신으로 인한 리스크를 선제적으로 관리하기 위해 조직 구조를 개편하거나, 제품 설계 단계부터 통제 장치를 마련하고 있다.
예를 들어 세일즈포스는 AI윤리 및 책임있는 기술활용을 위한 전담 조직을 별도로 두고, AI 제품과 기능이 편향이나 차별적 결과를 낳지 않도록 개발과 배포 과정 전반에 원칙과 통제 장치를 마련하고 있다. 핵심은 기술이 실제 고객과 노동시장, 사회에 적용되는 과정에서 어떤 부정적 결과가 발생할 수 있는지를 먼저 가정하고, 사업 기획단계에서부터 리스크를 고려한다는 점이다.
개인정보보호 영역에서도 비슷한 흐름이 나타난다. 애플은 개인정보 보호를 기본적 권리로 규정하고, 기기와 서비스를 처음 설계하는 단계부터 개인정보보호를 고려하고 있다. ‘개인정보보호를 고려한 설계(Privacy by Design·PbD)’는 제품이나 서비스가 출시된 후 사후 관리체계를 마련하는 것이 아니라, 비즈니스 모델 설계단계부터 데이터 수집범위, 처리방식, 제품 사용패턴 등에서 개인정보보호를 고려하는 개념이다.
즉 글로벌 IT기업들은 개인정보보호, AI윤리등 공시나 규제를 통해 관리 방안이 표준화되지 않은 리스크까지 가치사슬의 앞 단에서 관리하고 있다는 이야기다. 중대 이슈에 대한 관리가 보고서가 아닌 비즈니스 모델 설계에서부터 이미 시작되고 있는 셈이다.
공정전환과 AI의 노동전환...국내 기업이 관리해야할 잠재적 리스크
한국은행은 국내 취업자 약 341만명, 전체의 12%가 AI 기술에 의해 대체될 가능성이 높다고 분석했다./한국은행
그렇다면 국내에서 선제적으로 관리해야할 잠재 리스크에는 무엇이 있을까?
해외 선도기업은 자주 다루지만, 국내에서는 잘 언급되지 않는 부문이 공정 전환(Just Transition)과 AI로 인한 노동전환이다. 산업 전환과 기술 혁신이 본격화 될 수록 기업의 사업구조, 고용, 지역사회에 대한 영향이 커질 수 있기 때문이다. 하지만 아직 국내에서는 아직 해당 의제가 ESG의 중대 이슈로는 충분히 자리잡지 못한 상황이다.
공정 전환의 경우, 정부차원에서는 지난 2021년부터 대응의 필요성을 강조했다. 산업통상자원부는 산업구조 변화에 대응한 공정한 노동전환 지원 방안”을 발표해 자동차, 석탄화력발전, 석유화학 등 고탄소‧노동집약 산업의 정체와 축소에 대비한 행동계획을 발표한바 있다. 하지만 기업의 경우, 친환경 전환에 대한 필요성은 강조하지만, 그 과정에서 영향을 받는 노동자와 협력업체, 지역사회를 어떻게 관리할 것인지까지 함께 설명하는 경우는 많지 않다.
AI로 인한 노동전환도 비슷하다. 한국은행은 국내 취업자 약 341만명, 전체의 12%가 AI 기술에 의해 대체될 가능성이 높은 집단이라고 분석했다. 이는 AI의 영향이 일부 직무의 자동화를 넘어 노동시장 전반의 구조 변화로 이어질 수 있다는 의미다. 하지만 국내에서는 기업 차원에서 해당 이슈를 주요 어젠다로 다루는 경우가 거의 없다. 생성형 AI 도입과 생산성 향상에 대한 논의는 빠르게 확산되고 있지만, AI로 인한 노동시장의 변화에 대응 방안에 대한 설명은 상대적으로 부족하기 때문이다.
반면, 아마존은 ‘Future Ready 2030’ 이니셔티브를 통해 25억달러를 투입해 2030년까지 5000만명을 미래 일자리에 대비시키겠다고 밝혔다.학생과 구직자, 현직 직원을 대상으로 교육·훈련 프로그램을 확대하고, 클라우드·AI·자동화 관련 역량 개발과 학위·자격 취득 지원을 연계해 노동전환에 선제적으로 대응하겠다는 전략이다. 기술 변화가 기업의 인력관리 체계를 흔들 수 있다는 판단을 경영 과제로 받아들인 것이다.
결국 지속가능경영의 경쟁력은 정해진 중대성 이슈를 얼마나 성실하게 관리하느냐에만 있지 않다. 아직 중심 의제로 굳어지지 않았더라도 앞으로 사업 구조와 고용, 지역사회에 직접적인 영향을 미칠 수 있는 문제를 얼마나 빨리 읽어내고 이를 경영 의제로 전환하느냐가 중요해지고 있다.
임팩트온 송선우 리서치 센터장
임팩트온 송선우 리서치센터장은 분석 기사를 통해 ESG 공시, 프레임워크, 트렌드 등 글로벌 ESG 주요 현안에 대한 인사이트를 제공한다. 네이버의 ‘E커머스 ESG전략 사내 세미나’, SK경영경제연구소의 ‘탄소중립 사례연구’ 등 ESG 관련 리서치와 국제 표준 분석 등의 연구작업도 함께 참여했다. 미국 애리조나주립대학교에서 지속가능경영과 재생에너지 분야를 공부했다.
Top
