HR 의사결정, ‘감’에서 ‘데이터’로 — AI 에이전트와 피플 애널리틱스가 바꾸는 인사 실무

아직도 많은 기업에서 채용, 승진, 퇴직 관리 같은 핵심 인사 결정이 경험과 직관에 의존한다. “이 후보가 느낌이 좋다”, “저 팀장은 사람을 잘 본다” 같은 판단이 수천만 원짜리 인사 결정을 좌우하는 현실이다. 문제는 이 ‘감’이 얼마나 자주 틀리는지 아무도 측정하지 않는다는 점이다.

맥킨지가 800만 명 이상의 응답자 데이터를 분석한 결과, 데이터 기반으로 인사 결정을 내리는 조직은 그렇지 않은 조직보다 직원 만족도가 3.9배, 인재 유지율이 1.5배 높았다. 솔직히, 이 정도 격차면 ‘감’에 의존하는 인사 관리는 사치가 아니라 리스크다.

한 줄 요약: HR 의사결정을 ‘감’에서 ‘데이터’로 전환하려면, AI 에이전트와 피플 애널리틱스를 동시에 도입하되 반드시 가드레일을 먼저 설계해야 한다.

피플 애널리틱스가 뒤집은 HR의 오래된 가정

피플 애널리틱스(People Analytics)는 채용·평가·이직 데이터에 통계 모델을 적용해 인사 결정의 근거를 만드는 방법론이다. 구글이 일찍이 도입해 유명해졌지만, 최근에는 제조업·금융·유통까지 확산되고 있다.

맥킨지의 분석이 흥미로운 건, HR이 오랫동안 ‘당연하다’고 믿어온 가정 세 가지를 데이터로 뒤집었다는 점이다.

가정 1: 명문대 출신이 더 잘한다. 아시아 한 은행은 수십 년간 상위권 대학 졸업자만 채용했다. 그러나 실제 성과 데이터를 분석하자, 고성과자는 다양한 학력 배경에서 골고루 나왔다. 채용 풀을 넓히자 오히려 인재 품질이 올라갔다.

가정 2: 이직의 주원인은 연봉이다. 데이터는 다른 이야기를 했다. 퇴직의 핵심 변수는 직속 관리자의 역량과 성장 기회 부족이었다. 연봉 인상만으로 이직을 막으려는 시도가 왜 반복적으로 실패하는지, 숫자가 설명해준 셈이다.

가정 3: 서류 심사는 사람이 해야 정확하다. 연간 25만 건의 지원서를 처리하는 한 컨설팅 기업이 자동화 스크리닝을 도입했더니, 수작업 심사보다 성별 다양성이 개선됐다. 맥킨지는 이를 두고 “숫자의 민주주의가 무의식적 편향을 제거한다”고 표현했다. 개인적으로는 이 표현이 피플 애널리틱스의 본질을 정확히 짚는다고 본다.

AI 에이전트, HR 실무에 들어오다

피플 애널리틱스가 ‘분석’의 영역이라면, AI 에이전트는 ‘실행’의 영역이다. 2026년 6월 워크데이(Workday) 개발자 컨퍼런스에서 공개된 세 가지 도구가 이 흐름을 선명하게 보여준다.

첫째는 Developer Agent다. 자연어로 HR·재무·IT 앱을 만들 수 있는 도구로, Claude Code와 Cursor 같은 AI 코딩 도구와 연동된다. 코드를 쓸 줄 몰라도 “신규 입사자 온보딩 체크리스트를 자동 발송하라”는 명령만으로 업무 자동화가 가능해진다.

두 번째는 Agent-Ready Tools다. 수백 개의 HR·재무·IT용 커넥터를 MCP(Model Context Protocol)라는 개방형 표준 위에 구축했다. 이건 좀 주목할 만한데, 기존 API와 달리 비즈니스 로직을 에이전트가 이해할 수 있도록 설계해서 환각(hallucination)과 지연 시간을 줄였다는 점이다.

세 번째가 핵심이다. Agent Passport — AI 에이전트에 디지털 신원 증명을 부여하는 시스템이다. OWASP LLM Top 10, NIST AI 리스크 관리 프레임워크, MITRE ATLAS 기준으로 에이전트를 검증하고, 시스코(Cisco)가 독립적으로 인증한다. 프롬프트 인젝션, 목표 탈취, 직원 데이터 유출 같은 위협에 대해 사전 테스트를 통과한 에이전트만 기업 시스템에 접근할 수 있다.

워크데이 CTO 게이브 먼로이(Gabe Monroy)의 말이 인상적이다. “누구나 에이전트에 속도를 줄 수 있다. 어려운 건 에이전트가 조직도와 원장(ledger)에 접근하면서도 모든 단계를 신뢰할 수 있게 만드는 것이다.”

데이터가 증명하는 ‘조직 건강’의 재무적 가치

피플 애널리틱스와 AI 에이전트를 도입해야 하는 이유를 경영진에게 설득하려면 재무적 근거가 필요하다. 맥킨지의 조직건강지수(OHI)가 바로 그 근거를 제공한다. 2,500개 이상 조직, 800만 명 이상 응답자 데이터를 기반으로 한 이 지수는 조직 건강과 재무 성과 사이의 상관관계를 숫자로 보여준다.

상위 25% 조직은 투자자본수익률(ROIC)이 4.0%포인트 높고, 이익 성장률이 18%로 S&P 500 평균(7%)의 2.5배를 넘는다. 더 놀라운 건 개선 효과가 6~12개월 안에 측정 가능하다는 점이다. “조직 문화 개선은 장기 프로젝트”라는 통념도 데이터 앞에서는 재검토가 필요하다.

가드레일 없는 도입이 만드는 새로운 위험

여기서 한 가지 경고가 필요하다. AI 도구의 가능성에 매료되어 가드레일 설계를 건너뛰는 기업이 늘고 있다. 이건 좀 아쉬운 현실인데, 워크데이가 Agent Passport를 만든 이유가 바로 여기에 있다.

AI 에이전트가 HR 시스템에 접근한다는 건, 직원의 급여·평가·징계 기록 같은 민감 정보를 다룬다는 뜻이다. 가드레일이 없으면 에이전트가 권한 밖의 데이터를 열람하거나, 승인 절차를 우회하거나, 편향된 추천을 내놓을 수 있다. 워크데이의 접근법은 세 가지 원칙으로 요약된다.

권한 상속 — 에이전트는 해당 사용자가 볼 수 있는 데이터만 접근한다. 과잉 노출은 모델 실행 전에 차단된다. 비즈니스 로직 내장 — 결재 라인, 직무 분리 통제, 지역별 정책이 에이전트 행동에 자동 반영된다. 감사 추적 — 에이전트의 모든 행동이 기록되어 사후 검증이 가능하다.

이 세 가지가 없는 AI 도입은, 솔직히 말해서, 잠금장치 없는 금고에 현금을 넣는 것과 다를 바 없다.

데이터 기반 HR로의 전환, 어디서부터 시작할 것인가

구글의 피플 애널리틱스 책임자 프라사드 세티(Prasad Setty)는 이렇게 말했다. “우리는 의사결정자에게 데이터를 제공해서 가능한 한 객관적이고 편향 없는 판단을 내리도록 돕는 것이다.” 핵심이다 — AI가 사람을 대체하는 게 아니라, 사람의 판단을 더 정확하게 만드는 도구라는 점이다.

그렇다면 지금 당장 무엇을 할 수 있을까. 거창한 시스템 도입 전에, 이미 축적된 데이터부터 들여다보는 것이 출발점이다. 이직 사유 면담 기록, 채용 전환율, 교육 이수 후 성과 변화 — 대부분의 기업이 이미 갖고 있지만 분석하지 않는 데이터다. 여기에 간단한 상관분석만 적용해도 “왜 특정 팀의 이직률이 높은지”, “어떤 교육이 실제 성과로 이어지는지” 같은 질문에 데이터 기반 답을 내놓을 수 있다.

그 다음 단계로 AI 에이전트 도입을 검토한다면, 워크데이의 사례처럼 가드레일 — 권한 통제, 비즈니스 로직 반영, 감사 추적 — 을 먼저 설계하고 도구를 붙여야 한다. 순서가 바뀌면 리스크가 기하급수적으로 커진다.

결국 이 모든 변화의 출발점은 하나의 질문이다. “우리 조직의 인사 결정 중, 데이터로 검증된 것은 몇 퍼센트인가?” 이 질문에 정직하게 답할 수 있는 조직이, 다음 단계를 밟을 준비가 된 조직이다.

💡 실무 시사점: 피플 애널리틱스는 HR의 ‘감’을 데이터로 대체하는 것이 아니라, ‘감’이 맞는지 검증하는 도구다. AI 에이전트 도입 시에는 기능보다 가드레일(권한·로직·감사)을 먼저 설계하라. 이미 보유한 이직·채용·교육 데이터의 교차 분석만으로도 의사결정 품질을 즉시 개선할 수 있다.

#피플애널리틱스 #AI에이전트 #HR테크 #데이터기반인사 #조직건강 #가드레일

참고 링크

• McKinsey, “People analytics reveals three things HR may be getting wrong” (2024)
• McKinsey, “Organizational Health Index” (2026)
• Workday, “Workday Launches New Tools for Developers to Build, Connect, and Verify AI Agents” (2026)

작성: 서재홍 | NODE