채용공고 762만 건인데 왜 못 뽑을까 — AI 스킬 매칭이 바꾸는 채용의 언어

채용공고 762만 건, 그런데 왜 못 뽑을까

2026년 4월, 미국 노동통계국(BLS) 발표가 HR 업계를 뒤흔들었다. 채용공고가 762만 건으로 치솟으며 2년 내 최고치를 찍었는데, 정작 실제 채용 건수는 전월 대비 40만 건 이상 줄었다. 공고는 넘치는데 사람을 못 찾는다. 솔직히, 이건 단순한 수급 불일치가 아니다. 채용 시스템 자체가 더 이상 현실을 반영하지 못한다는 신호다.

이 괴리의 핵심에 스킬 미스매치가 있다. 기업은 AI·클라우드·데이터 역량을 원하고, 구직자의 이력서에는 학위와 전 직장 이름만 적혀 있다. 양쪽 모두 같은 시장에 있지만, 서로 다른 언어를 쓰고 있는 셈이다.

한 줄 요약: 학위·경력 필터를 스킬 기반으로 전환하고 AI 매칭 도구를 도입하면, 채용 미스매치를 줄이면서 리텐션까지 끌어올릴 수 있다.

스킬 미스매치 — 숫자가 보여주는 구조적 단절

채용 미스매치가 일시적 현상이 아니라 구조적 문제라는 점은 데이터에서 명확하게 드러난다.

전문·비즈니스 서비스 분야에서 채용공고가 39% 급증한 반면, 금융·보험 분야는 13만 5천 건이 줄었다. 같은 경제권 안에서도 업종별 수요 격차가 극단적으로 벌어지고 있다. 개인적으로는 이 숫자가 단일 채용 전략이 더 이상 작동하지 않는다는 가장 강력한 증거라고 본다.

대기업(직원 5,000명 이상)의 채용공고가 팬데믹 이전 대비 81% 높은 수준을 유지하면서, 중소기업(1,000명 미만)이 전체 공고의 약 90%를 차지한다는 점도 주목할 만하다. 스킬 미스매치는 기업 규모를 가리지 않는다.

학위를 걷어내자, 사람이 남기 시작했다

맥킨지의 최신 분석이 흥미로운 역설을 보여준다. 학위 요건을 없애고 스킬 기반으로 채용한 경우, 비학위 인력이 학위 보유 인력보다 34% 더 오래 근속했다. 직관과 반대되는 결과다.

왜 이런 일이 벌어질까. 스킬 기반 채용에서는 지원자가 실제로 할 수 있는 일과 직무가 요구하는 역량이 정밀하게 대응된다. ‘좋은 대학 나왔으니 대충 될 것이다’라는 추정이 아니라, ‘이 사람은 이 업무를 수행할 수 있다’는 검증에 기반한 매칭이다. 그 결과, 입사 후 기대와 현실의 괴리가 줄고, 이탈 동기도 낮아진다.

이건 좀 불편한 진실이기도 하다. 많은 기업의 채용 JD(직무기술서)가 여전히 “4년제 학위 필수”, “관련 업종 경력 N년 이상”이라는 관성적 필터로 시작한다. 이 필터가 실제 업무 수행 역량과 얼마나 상관있는지 검증한 적이 있는 기업이 과연 얼마나 될까.

AI 스킬 매칭 — 채용 언어를 번역하는 도구

스킬 기반 채용이 좋다는 건 알겠는데, 실무에서는 어떻게 할 수 있을까. 여기서 AI 도구가 핵심이다. 현재 시장에서 실무 적용이 가능한 접근법을 정리한다.

JD에서 스킬 자동 추출. GPT 계열 모델이나 Claude를 활용해 기존 직무기술서에서 실제 필요 역량만 분리할 수 있다. “경영학 전공”이라고 적힌 JD를 “재무 모델링, 시장 분석, 프레젠테이션 설계”로 변환하면, 학위 없이 해당 스킬을 보유한 지원자까지 풀이 확장된다.

이력서-JD 스킬 매칭 스코어링. Anthropic의 Claude API나 OpenAI의 API를 활용하면, 이력서 텍스트에서 보유 스킬을 추출하고 JD 요구 스킬과 겹침도를 수치화할 수 있다. 기존 ATS(지원자추적시스템)의 키워드 매칭과 달리, 유사 역량까지 인식해 “Python 3년”과 “데이터 분석 자동화 경험”을 같은 역량군으로 묶어준다.

내부 인력의 스킬 맵 자동 구축. 직원들의 프로젝트 이력, 교육 수료 데이터, 업무 성과를 AI로 분석해 조직 전체의 스킬 인벤토리를 만들 수 있다. 이렇게 구축한 맵을 기반으로 내부 이동(Internal Mobility)을 활성화하면, 외부 채용 의존도가 자연스럽게 줄어든다.

재구축 비용이 유지 비용을 추월한 시대

채용 미스매치 문제는 ‘못 뽑는 것’에서 끝나지 않는다. 잘못 뽑거나, 뽑은 사람이 금방 나가면 비용은 기하급수적으로 늘어난다.

House of Hiranandani의 CHRO 모한 몬테이로는 이 상황을 단도직입적으로 정리한다. “역량을 반복해서 재구축하는 비용이, 유지하고 강화하는 비용을 이미 초과했다.” 직원 한 명을 교체하는 데 해당 직원 연봉의 6~9개월분이 소요된다는 점을 감안하면, 리텐션은 복지 이슈가 아니라 재무 이슈다.

특히 프로젝트가 대형화·복합화되고, 규제 컴플라이언스가 강화되는 환경에서는 세 가지 리스크가 동시에 커진다. 품질 리스크 — 비정규 인력은 장기 숙련 동기가 낮다. 컴플라이언스 리스크 — 원청으로서의 관리 책임이 강화된다. 연속성 리스크 — 핵심 기술 인력이 프로젝트가 끝나면 이탈한다.

이 세 리스크를 동시에 줄이는 전략이 바로 스킬 기반 인력 관리다. 채용 단계에서 스킬을 정밀하게 매칭하고, 입사 후에는 AI 기반 스킬 갭 분석으로 맞춤 교육을 제공하면, 인재가 성장 경로를 내부에서 발견하게 된다. 떠날 이유가 줄어드는 것이다.

AI 도구 도입, 지금 무엇부터 해야 하는가

여기까지 읽고 “그래서 월요일에 뭘 하면 되는데?”라는 질문이 떠올랐다면 정상이다. 핵심이다 — 스킬 기반 전환은 한 번에 시스템을 갈아엎는 프로젝트가 아니라, 작은 실험에서 시작하는 과정이다.

가장 즉시 실행 가능한 첫 단계는 현재 공고 중인 JD 하나를 골라 AI로 스킬 분해하는 것이다. Claude나 GPT에 JD 텍스트를 넣고 “이 직무에 실제로 필요한 스킬을 5개 이내로 추출하고, 학위 요건이 정말 필요한지 판단해줘”라고 요청하면 된다. 그 결과를 보고 채용팀과 10분만 논의하면, 기존 필터가 얼마나 많은 적합한 후보를 걸러내고 있었는지 체감하게 된다.

그 다음은 내부 스킬 맵 구축이다. 직원 프로필, 프로젝트 참여 이력, 교육 데이터를 AI로 분석해 조직 내 숨겨진 역량을 가시화한다. 이 맵이 있으면 신규 채용 전에 “내부에 이 스킬을 가진 사람이 있는지”를 먼저 확인할 수 있다.

마지막으로 리텐션 예측 모델이다. 이탈 징후(교육 참여 감소, 성과 변동, 내부 이동 신청 패턴)를 AI가 감지하면, 관리자가 사후 대응이 아닌 사전 개입을 할 수 있다. 핵심 인재가 퇴사 의사를 밝힌 뒤에야 면담하는 것과, 이탈 가능성이 높아지는 시점에 미리 경력 경로를 논의하는 것은 완전히 다른 결과를 만든다.

결국, 채용공고 762만 건 시대에 HR이 마주한 진짜 질문은 “어디서 사람을 더 구하지?”가 아니다. “우리가 사람을 찾는 방식 자체가, 찾아야 할 사람을 밀어내고 있지는 않은가?”라는 질문이다. 그 답을 AI 도구와 함께 실험해볼 타이밍이 바로 지금이다.

💡 실무 시사점: 채용 JD 하나를 AI로 스킬 분해하는 10분짜리 실험부터 시작하라. 학위 필터를 제거한 직무에서 비학위 인력의 리텐션이 34% 높다는 데이터는, 스킬 기반 전환이 비용 절감과 인재 확보를 동시에 달성할 수 있음을 보여준다.

#스킬기반채용 #채용미스매치 #AI채용도구 #리텐션전략 #HR테크

참고 링크

• SHRM, “Job Openings Surge, But Hiring Disconnect Raises Questions” (2026)
• McKinsey, “Taking a skills-based approach to building the future workforce” (2026)
• People Matters, “The cost of rebuilding talent now exceeds the cost of retaining it” (2026)

작성: 서재홍 | NODE