직원 정신건강을 ‘측정’하지 않는 회사가 치르는 비용 — 번아웃 예측 시대, HR 데이터의 사각지대

지난달 한 중견기업 인사팀장에게 물었다. “직원 정신건강 관련 데이터를 수집하고 계신가요?” 대답은 짧았다. “EAP 신청 건수는 세요. 그 외엔 없습니다.” 연간 수천만 원을 EAP에 쓰면서, 정작 그 돈이 누구에게 어떤 효과를 만들었는지 아는 회사는 드물다.

숫자 하나를 보자. 글로벌 정신건강 관련 생산성 손실, 연간 1조 달러. 한국 직장인 3명 중 1명은 정신적 어려움이 업무에 영향을 미친다고 응답한다. 그런데 실제로 정신건강 효과를 ‘추적’하는 기업은 전체의 22%에 불과하다. 솔직히, 이 격차가 충격적이다.

한 줄 요약: 직원 정신건강은 모두가 중요하다고 말하지만, 실제로 측정하는 조직은 5곳 중 1곳뿐이다. AI와 HR 데이터가 이 사각지대를 메울 수 있지만, 한국 사업장에는 ‘개인정보’라는 법적 장벽과 ‘낙인’이라는 문화적 장벽이 동시에 존재한다.

84%가 겪고, 22%만 측정한다 — 정신건강 데이터의 구조적 공백

2026년 Spring Health 리포트에 따르면 HR 리더의 95%가 직원 정신건강을 ‘사업 전략상 중요하다’고 답했다. 동시에 정신건강 휴직이 전년 대비 증가했다고 보고한 HR 리더가 61%에 달한다. 그런데 정신건강 복지 이용 데이터를 실제로 추적하는 기업은 22%. 나머지 78%는 돈만 쓰고 효과를 모르는 상태다.

이 세 숫자를 나란히 놓으면 구조가 보인다. 문제는 크고, 투자 대비 효과도 높은데, 효과를 측정하는 곳은 거의 없다. 왜 그럴까?

첫 번째 원인은 데이터 수집 자체의 어려움이다. 정신건강은 혈압이나 체온처럼 객관적 수치로 잡히지 않는다. 두 번째는 낙인(stigma)이다. 직원이 “나 번아웃입니다”라고 HR에 말하는 순간, 그 데이터가 인사 평가에 영향을 줄 수 있다는 공포가 있다. 세 번째는 한국 특유의 문제인데, 개인정보보호법상 민감정보 처리 제한이다. 건강 데이터를 수집하려면 별도 동의가 필요하고, 이 동의 절차 자체가 낙인을 강화하는 역설이 생긴다.

한국 리더의 절반만 ‘준비됐다’ — 텔러스헬스 MHI가 보여주는 현실

2026년 텔러스헬스가 국내 직장인 1,000명을 대상으로 실시한 정신건강 지수(MHI) 조사 결과는 불편하다.

직장인의 정신건강과 업무 몰입도에 가장 큰 영향을 미치는 요인은 리더십의 질로 나타났다. 그런데 리더 중 절반만이 직원의 정신건강 문제에 대응할 준비가 됐다고 답했고, 20%는 관련 교육조차 받지 못했다. 개인적으로는, 이 20%라는 숫자가 핵심이다. 리더 5명 중 1명이 ‘어떻게 해야 할지 모르겠다’는 상태인 셈이니까.

더 불편한 건 이 수치다. 응답자의 66%가 지난 1년간 관리자의 워라밸 지원에 ‘변화가 없었다’고 답했다. ‘크게 개선됐다’는 응답은 2%에 불과했다. 회사 건강·웰빙 프로그램 안내를 받지 못한 응답자가 45%. 프로그램이 있어도, 직원이 모르면 없는 것이다.

문제를 정리하면 이렇다. 한국 사업장 대부분은 정신건강에 ‘돈’은 쓰되 ‘데이터’는 안 쓴다. EAP 이용 건수, 만족도 설문 정도가 전부다. 누가 위험한지, 어디서 번아웃이 집중되는지, 어떤 개입이 효과가 있었는지를 추적하는 시스템은 없다.

번아웃을 ‘예측’하는 시대 — AI가 읽는 신호들

해외에서는 이미 AI 기반 번아웃 예측 도구가 HR 현장에 들어왔다. 작동 원리는 단순하지 않지만, 개념은 명쾌하다. 직원이 “나 힘들어요”라고 말하기 전에, 행동 데이터에서 신호를 읽는 것이다.

구체적으로 어떤 데이터를 보나? 이메일 발송 시간대 변화, 슬랙 메시지 응답 속도 변화, 회의 참석률 변동, 휴가 사용 패턴, 업무 시스템 로그인 시간 등이다. 이런 메타데이터를 감정분석(Sentiment Analysis)과 결합하면, 번아웃 위험군을 조기에 식별할 수 있다.

실제 결과도 나오고 있다. AI 기반 웰빙 모니터링을 도입한 조직에서 3개월 내 번아웃 위험 점수가 25% 감소하고, 결근율이 18% 줄었다는 보고가 있다. Wellhub(구 Gympass)의 2026년 조사에서는 근로자의 81%가 ‘고용주가 정신건강 지원 책임이 있다’고 응답했다.

그런데 여기서 역설이 등장한다. AI 도구 자체가 번아웃의 원인이 되기도 한다는 점이다. AI 도입 후 정보 과부하로 정신건강이 악화됐다는 응답이 24%에 달한다. 도구가 문제를 풀면서 동시에 문제를 만드는 구조. 이건 좀 아이러니하지만, 그래서 더 측정이 필요하다. 어떤 AI가 생산성을 높이고 어떤 AI가 스트레스를 높이는지, 데이터 없이는 구분할 수 없으니까.

한국 사업장의 법적·문화적 장벽 — 측정하고 싶어도 못 하는 구조

미국이나 유럽에서 작동하는 AI 웰빙 분석 도구를 한국에 그대로 도입할 수 있을까? 쉽지 않다.

개인정보보호법 제23조(민감정보 처리 제한)에 따르면 건강에 관한 정보는 원칙적으로 처리가 금지된다. 직원의 정신건강 관련 데이터를 수집하려면 별도의 동의를 받아야 하는데, “당신의 정신건강 데이터를 분석하겠습니다”라는 동의서에 서명할 직원이 얼마나 될까.

근로기준법상으로도 사용자의 개인정보 수집에는 한계가 있다. 이메일이나 메신저 메타데이터 분석은 통신비밀보호법과 충돌할 수 있다. 결국 한국에서 AI 기반 정신건강 분석을 하려면, ‘개인 식별이 불가능한 집단 수준 데이터’로 접근하거나, ‘자발적 참여 기반’으로 설계해야 한다.

문화적 장벽도 크다. 정신건강 문제를 드러내는 것 자체가 커리어 리스크로 인식되는 조직에서는 어떤 도구를 도입해도 데이터가 왜곡된다. 텔러스헬스 조사에서 리더의 33%가 리더 역할 자체를 ‘과도한 스트레스’로 인식한다는 결과가 나왔는데, 이 사람들이 과연 부서원의 정신건강을 챙길 여력이 있을까.

그래서 뭘 할 수 있나 — 현실적 접근법 3가지

비관만 할 수는 없다. 한국 법제와 문화적 조건 안에서도 실행 가능한 접근법은 있다.

접근법 1: 비식별 집단 데이터 대시보드. 부서별·직급별 평균 초과근로 시간, 연차 소진율, 이직률을 한 화면에 놓는다. 개인을 특정하지 않으면서도 ‘어디에서 문제가 발생하고 있는가’를 보여줄 수 있다. Workday나 SAP SuccessFactors에 이미 이 기능이 있고, 국산 HR 솔루션(flex, 시프티)에서도 유사 대시보드를 제공하기 시작했다.

접근법 2: 자발적 펄스 서베이 + AI 감정분석. 2주에 한 번, 5문항 이내의 짧은 서베이를 돌리되, 응답은 완전 익명으로 처리한다. 여기에 자연어 처리(NLP)를 적용해 텍스트 응답의 감정 톤을 분석하면, 설문 점수만으로는 잡히지 않는 미묘한 변화를 감지할 수 있다. Lattice, Culture Amp 같은 플랫폼이 이 방식을 채택하고 있다.

접근법 3: EAP 데이터의 구조화. 지금 대부분의 한국 기업이 하고 있는 EAP 신청 건수 집계를 넘어서, 상담 유형별 분포(직무 스트레스/대인관계/가정 문제 등), 시기별 변동, 부서별 이용률을 구조화하는 것만으로도 데이터 기반 의사결정의 첫 발을 뗄 수 있다. 이건 추가 투자 없이 기존 데이터만 재정리하면 된다.

AI·도구로 측정/자동화 가능한 부분

• 초과근로 패턴 자동 감지: 근태 시스템 API에서 주 52시간 초과, 연속 야근 3일 이상 등의 트리거를 설정하면 HR에 자동 알림. Slack 연동까지 하면 관리자에게도 동시 통보 가능.
• 익명 펄스 서베이 NLP 분석: Culture Amp, Lattice 등에서 주기적 서베이 텍스트를 수집하고, 감정 분석 모델(BERT 기반)로 부정 감정 비율 변화를 추적. 한국어 감정분석은 KoBERT로 구현 가능.
• 연차·병가 소진율 대시보드: HR 시스템(Workday, SAP, flex)에서 부서별 연차 소진율, 병가 빈도를 자동 집계. 특정 부서가 평균 대비 병가 2배 이상이면 번아웃 위험 신호로 판단하는 규칙 설정.
• EAP 이용 데이터 구조화: 상담 유형(직무/대인/가정/재정), 시기(분기별), 부서를 교차 분석하는 BI 대시보드 구축. Notion 데이터베이스나 Google Looker Studio로도 가능.
• 퇴사 예측 모델과 정신건강 변수 연결: 기존 이직 예측 모델(로지스틱 회귀)에 초과근로 시간, 서베이 감정 점수, 연차 미사용률을 피처로 추가하면 예측 정확도가 올라간다.

실무 시사점: 정신건강 측정은 ‘감시’가 아니라 ‘조기 개입’의 문제다. 한국 사업장은 개인정보보호법의 제약 안에서 비식별 집단 데이터 → 익명 서베이 AI 분석 → EAP 데이터 구조화 순서로 단계적 접근이 현실적이다. 가장 중요한 건, 측정 결과가 인사 평가와 완전히 분리된다는 신뢰를 먼저 만드는 것이다.

#정신건강 #HR데이터 #번아웃예측 #EAP #웰빙 #AI분석

참고 링크

• Yomly, “Workplace Mental Health Statistics For 2026” (2026)
• Spring Health, “10 Workplace Mental Health Statistics From Our Latest Benchmarking Research” (2026)
• 뉴스핌, “텔러스헬스, 2026 정신건강 지수 조사 진행” (2026)
• Wellhub, “The AI-Driven Stress Cycle & Burnout Prevention” (2026)
• TechAI Magazine, “AI Guide: Predict & Prevent Employee Burnout 2026” (2026)
• Dallem, “EAP 도입으로 번아웃·퇴사율 30% 줄인 국내 기업 사례” (2026)

작성: 서재홍 | NODE