직장인 93%가 번아웃을 겪는데, HR은 왜 숫자를 안 보는가 — 정신건강 데이터가 바꾸는 이탈 예측의 현실

지난달 퇴사한 개발팀 리드가 남긴 말이 아직도 걸린다. “저는 그만두기 3개월 전부터 이미 끝나 있었어요.” 주간 1on1에서 아무 신호도 못 잡았다. 슬랙 응답은 느려지고 있었고, 코드 리뷰 코멘트는 한 줄로 줄었으며, 연차 사용은 0일이었다. 데이터는 이미 이야기하고 있었는데, 듣는 사람이 없었다.

한 줄 요약: 번아웃은 개인의 멘탈 문제가 아니라 HR 시스템이 놓치는 구조적 사각지대다. AI 기반 정신건강 데이터 분석이 ‘이미 떠난 사람’이 아닌 ‘떠나기 직전의 사람’을 잡을 수 있는 유일한 도구로 떠오르고 있다.

번아웃의 규모: 숫자가 말하는 것, HR이 외면하는 것

한국인 93%가 직장에서 번아웃을 경험했다는 유아이패스(UiPath) 조사 결과는 과장이 아니다. 잡코리아의 직장인 설문에서도 69%가 “번아웃을 겪었다”고 답했다. 여성 직장인으로 좁히면 75%가 최근 6개월 내 번아웃을 경험했고, 이 중 15.3%는 “현재도 소진 상태가 지속되고 있다”고 했다. 글로벌 통계도 마찬가지다. Wellhub의 2026 보고서에 따르면 직장인 90%가 지난 1년간 번아웃 증상을 보였다.

문제는 이 숫자들이 이미 벌어진 일을 셀 뿐이라는 것이다. “당신은 번아웃을 겪었습니까?”라는 설문은 사후 진단이다. 실무자에게 정말 필요한 건 사전 탐지다. 솔직히 이건 좀 불편한 이야기인데, 대다수 한국 기업의 정신건강 관리는 EAP(근로자지원프로그램) 상담 전화번호를 인트라넷에 올려놓는 수준에서 멈춰 있다. 연간 이용률이 5% 미만인 곳이 태반이다. 데이터가 없으니 대응도 없고, 대응이 없으니 이탈이 반복된다.

AI는 번아웃을 어떻게 ‘읽는가’ — NLP, 행동 패턴, 이탈 스코어링

최근 HR Tech 영역에서 가장 빠르게 진화하는 분야가 바로 ‘번아웃 조기 탐지’다. 원리는 단순하다. 사람이 지치면 행동이 바뀐다. 그 변화를 디지털 흔적에서 읽는 것이다.

첫 번째 레이어는 커뮤니케이션 패턴 분석이다. NLP(자연어 처리)가 이메일과 메시지의 톤 변화를 추적한다. 응답 시간이 길어지고, 문장이 짧아지며, 감정 표현이 사라지는 패턴이 번아웃의 전형적인 디지털 시그널이다. Viva Insights(구 Workplace Analytics)가 Microsoft 365 데이터를 기반으로 이런 패턴을 이미 대시보드화하고 있다.

두 번째는 성과 베이스라인 이탈이다. 개인별 과거 6개월 평균 대비 퍼포먼스 편차를 추적한다. 코드 커밋 수, 문서 작성량, 미팅 참석률 같은 정량 지표에서 15% 이상 하락이 2주 이상 지속되면 플래그가 뜬다. 개인적으로는 여기가 핵심이다. 절대 수치가 아닌 ‘개인 대비 변화량’을 보는 것이 번아웃 탐지의 정밀도를 결정한다.

세 번째는 복합 리스크 스코어링이다. 근태 데이터(초과근무 빈도, 연차 미사용일수), 설문 응답(펄스 서베이 점수 추이), 팀 내 협업 네트워크 밀도를 결합해 개인별 번아웃 리스크 지수를 산출한다. Lattice, Culture Amp, Peakon(Workday) 같은 플랫폼이 이미 이 기능을 상용화했다.

한국 맥락: 근로기준법 52조와 정신건강 데이터의 충돌

여기서 한국 특유의 문제가 끼어든다. 근로기준법 제52조 선택적 근로시간제, 제58조 재량근로제를 운영하는 사업장이라면 근태 데이터 자체가 실제 노동 강도를 반영하지 못한다. 재량근로제 적용자가 출퇴근 기록 없이 하루 12시간을 일해도 시스템상 ‘8시간 근무’로 찍힌다. 이 상태에서 AI가 근태 데이터를 학습하면 번아웃 리스크를 과소평가하게 된다.

개인정보보호법도 벽이다. 이메일 톤 분석, 슬랙 메시지 감성 분석은 개인정보 처리에 해당한다. 제15조 수집·이용 동의, 제17조 제3자 제공 동의 없이는 불법이다. “직원 웰빙을 위해”라는 목적만으로는 정당한 처리 근거가 되지 않는다. 이건 좀 아쉬운 부분인데, 기술이 있어도 법적 프레임이 따라오지 못하면 도입 자체가 멈춘다.

그래서 현실적인 대안은 ‘비식별 집계 데이터’다. 개인을 특정하지 않고, 팀 단위·부서 단위로 번아웃 지수를 산출하는 방식이다. “마케팅팀의 주당 평균 초과근무가 12시간이고, 펄스 서베이 에너지 점수가 전사 평균 대비 35% 낮다”는 정보는 개인정보 이슈 없이 경영진에게 강력한 액션 트리거가 된다.

flowchart TD
    A[근태·협업·서베이 원시 데이터] -->|비식별 집계| B[팀 단위 번아웃 지수]
    B -->|임계치 초과| C{리스크 알림}
    C -->|매니저| D[1on1 미팅 트리거]
    C -->|HR| E[인력 재배치 검토]
    C -->|경영진| F[구조적 업무량 조정]
    B -->|정상 범위| G[월간 트렌드 리포트]

매니저가 정신건강의 가장 큰 변수라는 불편한 사실

영국 MHFA(Mental Health First Aid)의 조사 결과가 날카롭다. 매니저 교육을 받은 팀에서 이직 의향이 35%에서 18%로 절반 가까이 떨어졌다. 반대로, 관리자의 무관심이 직원 정신건강에 미치는 영향은 급여 수준이나 복지 정책보다 크다는 데이터도 있다. 직원의 69%가 “내 정신건강에 가장 큰 영향을 미치는 사람은 직속 상사”라고 답했다(APA).

한국에서 이 문제는 더 첨예하다. ‘회식 문화’, ‘카톡 업무 지시’, ‘주말 보고 요청’ 같은 관행이 시스템 밖에서 작동하기 때문이다. 아무리 정교한 AI 대시보드를 깔아도, 팀장이 토요일 밤 11시에 카톡으로 “월요일까지 정리 부탁”을 보내는 순간 모든 데이터가 무의미해진다. 근로시간 외 업무 연락 제한(이른바 ‘연결되지 않을 권리’)이 법제화되지 않은 한국에서, 기술 솔루션만으로 번아웃을 잡겠다는 건 반쪽짜리 처방이다.

그래서 선진 사례에서는 매니저용 ‘정신건강 리터러시’ 교육을 의무화하는 추세다. Deloitte UK는 매니저가 팀원의 행동 변화를 식별하는 체크리스트를 제공하고, 분기별 웰빙 리뷰를 성과 리뷰와 동일 비중으로 운영한다. 솔직히, 한국 기업에서 “웰빙 리뷰를 KPI로 잡겠다”고 하면 아직은 낯설겠지만, 이직률과 직결되는 이상 숫자로 증명할 수밖에 없다.

투자 대비 효과: $1에 $3.7이 돌아온다는 데이터의 무게

WHO는 근거 기반 정신건강 프로그램에 1달러를 투자하면 3.7달러의 순경제적 효과가 돌아온다고 발표했다. 미국 기업 기준, 번아웃과 정신건강 문제로 인한 결근·프리젠티즘(출근하지만 생산성 없는 상태) 비용이 연간 310~510억 달러에 달한다(Sapien Labs). 한국 데이터로 환산하면, 100인 사업장 기준 번아웃으로 인한 연간 생산성 손실이 약 2~3억 원에 이르는 셈이다.

문제는 대부분의 한국 기업이 이 비용을 ‘보이지 않는 비용’으로 분류한다는 것이다. 이직자 대체 채용비(평균 연봉의 50~200%), 지식 유출, 남은 팀원의 업무 과부하 → 연쇄 번아웃. 이 악순환을 끊으려면 정신건강 투자의 ROI를 경영진 언어로 번역해야 한다.

AI·도구로 측정/자동화 가능한 부분

• 펄스 서베이 자동화 — Culture Amp, Lattice, CLAP(국산) 등으로 2주 단위 3문항 서베이를 자동 발송하고, 에너지·몰입·관계 점수를 팀 단위로 트래킹. 응답률 저하 자체가 번아웃 시그널이다.
• 근태 데이터 + 번아웃 지수 자동 산출 — 시프티, 플렉스 같은 국산 근태 솔루션의 API와 BI 도구(Looker, Metabase)를 연동해, 팀별 주당 초과근무 시간·연차 잔여일·야근 빈도를 자동 대시보드화.
• 이탈 예측 모델 — 성과 데이터 + 펄스 서베이 + 근태를 결합한 ML 모델로, 향후 90일 내 이탈 리스크가 높은 팀을 식별. Workday People Analytics, Visier가 상용 제품을 제공 중.
• 매니저 넛지 자동화 — 팀 번아웃 지수가 임계치를 넘으면 매니저에게 자동 알림 + 권장 액션(1on1 설정, 업무 재분배 제안)을 전송. Slack 봇이나 Teams 커넥터로 구현 가능.
• 비식별 감성 분석 — 개인을 특정하지 않는 조건 하에, 사내 커뮤니케이션의 전체적 감성 톤 변화를 월별로 추적. 조직 전체의 ‘분위기 온도계’로 활용.

실무 시사점: 번아웃은 개인의 회복탄력성 문제가 아니라, 시스템이 감지하지 못한 구조적 과부하의 결과다. 정신건강 데이터를 이직률·생산성과 연결해서 경영진에게 보여주는 것이 첫 단계이고, 매니저 교육과 비식별 데이터 분석을 병행하는 것이 한국 맥락에서 현실적으로 작동하는 유일한 설계다. 기술 도입 전에 개인정보보호법 제15조 동의 설계부터 챙기자.

#번아웃 #정신건강 #HR데이터 #이탈예측 #AI분석 #웰빙 #매니저교육

참고 링크

• WorkTime, “50+ Mental Health in the Workplace Statistics Every HR Leader Needs in 2026” (2026)
• Qandle, “AI for Employee Burnout Detection: Early Warning Signs HR Must Track” (2026)
• Wellhub, “Corporate Wellness Trends HR Must Know for 2026” (2026)
• HRD Connect, “Is AI Helping Burnout or Quietly Making It Worse?” (2026)
• CIO Korea, “한국인 93%가 직장서 번아웃 경험” (2025)
• 한국경제, “Z세대 직장인, 번아웃 가장 심하다” (2025)
• 헤럴드경제, “여성직장인 4명 중 3명, 번아웃 겪었다” (2026)

작성: 서재홍 | NODE