AI가 데이터를 읽어주는 시대, HR은 무엇을 물어야 하는가

같은 AI 도구, 다른 결과 — 차이는 어디서 오는가

2026년, HR 부서에 AI 분석 도구가 없는 곳을 찾기가 더 어렵다. 직원 생산성 대시보드, 이직 예측 모델, 채용 품질 스코어링까지. 도구 자체는 이미 충분히 정교해졌다. 그런데 솔직히 말하면, 같은 도구를 도입한 기업들 사이에서 체감 효과는 천차만별이다. 어떤 조직은 AI 대시보드 하나로 핵심 인재 유출을 사전 차단하고, 어떤 조직은 수십 개 지표를 띄워놓고도 “그래서 뭘 해야 하는데?”라는 질문 앞에서 멈춘다.

차이의 본질은 기술이 아니다. ‘무엇을 측정할 것인가’를 설계하는 사람의 판단이 결과를 갈라놓는다. AI는 답을 빠르게 내놓지만, 질문이 잘못되면 그 답은 오히려 잘못된 확신을 강화할 뿐이다.

한 줄 요약: AI 분석 도구가 넘쳐나는 시대, HR의 진짜 경쟁력은 ‘무엇을 측정할 것인가’를 설계하는 판단력에 있다.

성과 데이터의 재발견 — 조직도에 없는 사람이 핵심이다

전통적 성과 관리는 관리자의 주관적 평가에 의존해왔다. “이 직원은 열심히 하는 것 같다”는 인상, 연말 면담에서의 기억 편향. 이 방식의 한계는 누구나 안다. 그래서 AI 기반 업무 데이터 분석이 주목받는 것이다.

Prodoscore의 CEO Sam Naficy는 이 전환을 이렇게 정리했다. “관리를 직감이 아니라 데이터 기반으로 만들자(Let’s make management data-driven rather than managing by gut or feeling).” 핵심은 직원들이 매일 사용하는 업무 도구 — 이메일, 메신저, CRM, 프로젝트 관리 소프트웨어 — 에서 자연스럽게 생성되는 협업 패턴 데이터를 분석하는 것이다.

여기서 개인적으로 가장 흥미로운 발견은 조직 네트워크 분석(ONA, Organizational Network Analysis)이다. 공식 조직도에는 보이지 않지만, 실제로 팀 간 정보를 연결하고 협업을 촉진하는 ‘다리(bridge)’ 역할의 직원이 존재한다. 이들은 직급이 높지 않은 경우가 많아서 전통적 평가에서는 눈에 띄지 않는다. 하지만 이들이 퇴사하면 조직의 정보 흐름이 끊기고, 팀 간 사일로가 급격히 강화된다.

AI 도구는 이런 숨겨진 기여자를 데이터로 가시화할 수 있다. 단, 전제가 있다. “협업 기여도를 측정 지표에 포함하겠다”는 설계 결정이 먼저 내려져야 한다. 도구만 깔아놓으면 기존의 KPI — 매출, 처리 건수, 응답 시간 — 만 더 정밀하게 측정할 뿐, 새로운 차원의 인사이트는 나오지 않는다.

번아웃 조기 감지도 같은 맥락이다. 업무 도구 사용 패턴에서 이탈 신호 — 메신저 응답 지연, 협업 빈도 급감, 비정규 시간대 접속 증가 — 를 포착하면, 퇴사 의향을 사전에 파악할 수 있다. 이건 좀 민감한 영역인데, Naficy는 “투명성이 핵심이다. 직원이 자기 데이터를 동료와 함께 볼 수 있으면, 대화가 감시에서 자기 개선으로 바뀐다”고 강조했다. 감시가 아니라 코칭 도구로 쓰이려면, 측정 기준과 데이터 접근 권한을 사전에 설계하는 것이 전제다.

AI가 못 푸는 문제 — 판단의 병목은 사람에게 있다

여기서 반드시 짚어야 할 지점이 있다. AI 도구가 만능이 아니라는 것은 상식이지만, 구체적으로 어떤 유형의 문제에서 AI가 오히려 상황을 악화시키는지를 아는 실무자는 드물다.

하버드 경영대학원과 와튼스쿨, 컬럼비아 경영대학원의 공동 연구(2026년 8월)가 이 질문에 명확한 답을 내놨다. 연구진은 혁신 파이프라인의 네 단계에서 AI가 인간의 병목을 해소하기는커녕 심화시키는 메커니즘을 실증적으로 분석했다.

이 연구의 핵심 메시지는 HR에도 그대로 적용된다. AI 기반 인재 분석 도구를 도입했을 때, 정보 부족이 병목인 문제(예: 지원자 이력서 대량 스크리닝)에는 극적인 효과가 나온다. 하지만 인간의 판단, 비합리적 행동, 조직 내 인센티브 구조가 병목인 문제에서는 AI가 오히려 기존 편향을 강화한다. 예를 들어, “이 직원이 왜 낮은 평가를 받았는가”를 분석할 때 AI는 데이터의 패턴을 보여주지만, 그 패턴 자체가 편향된 평가 기준에서 나온 것이라면 AI는 편향을 재생산할 뿐이다.

핵심이다 — AI 도입 전에 “이 문제의 병목이 정보 부족인가, 아니면 판단 설계의 문제인가”를 먼저 진단해야 한다. 진단 없이 도구부터 도입하면, 속도만 빨라지고 방향은 그대로다. 연구진이 경고한 대로, “모든 것이 빨라진다. 하지만 아무것도 기반을 유지하지 못한다(Everything gets faster. Nothing stays grounded).”

채용 품질이라는 블랙박스를 여는 법

AI의 판단 설계가 가장 절실한 HR 영역이 바로 채용 품질(Quality of Hire) 측정이다. SHRM Talent 2026에서 Informed Decisions의 CEO Shiran Danoch가 던진 비유가 정곡을 찌른다. “채용 데이터를 보지 않는 것은 눈을 가리고 운전하는 것과 같다(It’s like driving blindfolded).”

문제는 대부분의 기업이 ‘채용 품질’의 정의 자체를 합의하지 않은 채 측정부터 시도한다는 점이다. 채용팀은 “빠르게 채웠다”를 성공으로 보고, 현업 관리자는 “업무 적응이 빠른 사람이 왔다”를 원하고, 경영진은 “1년 이상 재직률”을 본다. 같은 채용 건에 대해 세 이해관계자가 전혀 다른 평가를 내리는 상황이 일상이다.

Danoch가 제안한 프레임워크는 이렇다. 채용이 시작되기 전에 이해관계자 간 성공 지표를 합의한다. 입사 6개월·12개월 시점의 성과 평점, 생산성 도달 기간, 유지율, 관리자 만족도 — 이 중 어떤 조합을 ‘채용 품질’로 정의할지 사전에 확정하는 것이다. 그 다음, 면접 평가 데이터와 입사 후 실제 성과를 연계 분석하는 피드백 루프를 구축한다. 어떤 면접 질문의 점수가 실제 업무 성과와 상관관계가 높은지, 어떤 면접 단계가 사실상 예측력이 없는 중복인지를 역추적할 수 있다.

여기에 AI가 진짜 힘을 발휘한다. 수백 건의 채용-성과 연계 데이터를 분석해서, 특정 역량 항목에 가중치를 부여하는 예측 모델을 만들 수 있기 때문이다. 하지만 다시 강조하면, 이 모델이 유효하려면 “무엇이 성공인가”에 대한 인간의 판단이 먼저 정의되어야 한다. AI는 정의된 기준 안에서 패턴을 찾을 뿐, 기준 자체를 만들어주지는 않는다.

질문을 설계하는 조직이 살아남는다

세 가지 소스를 관통하는 메시지는 하나다. AI 도구의 도입 여부가 아니라, 도구에 어떤 질문을 던지느냐가 HR의 새로운 역량이라는 것.

업무 데이터 분석은 “누가 일을 많이 했는가”가 아니라 “누가 팀의 연결고리인가”를 물어야 숨겨진 가치를 발견한다. 혁신 프로세스에서 AI는 “더 많은 아이디어를 더 빨리”가 아니라 “이 아이디어의 독창성을 형식과 분리해서 평가할 수 있는가”를 물어야 편향을 피한다. 채용 품질 측정은 “지원자를 빠르게 걸러라”가 아니라 “입사 후 12개월 성과와 가장 높은 상관관계를 보이는 면접 항목이 무엇인가”를 물어야 실질적 개선이 가능하다.

아쉽다 — 현장에서는 여전히 도구 도입이 곧 혁신이라는 착각이 강하다. AI 벤더의 데모 화면은 화려하고, “도입하면 이직률 N% 감소”라는 마케팅 메시지는 매력적이다. 하지만 측정 기준의 설계 없이 도입된 도구는 기존의 편향을 더 빠르게, 더 그럴듯하게 재생산할 뿐이다.

결국 AI 시대 HR 실무자에게 필요한 것은 코딩 능력이 아니다. “우리 조직의 이 문제는 정보 부족이 병목인가, 판단 설계가 병목인가”를 구분하는 진단 능력, 그리고 이해관계자와 함께 측정 기준을 합의하는 커뮤니케이션 역량이다. AI가 답을 내놓기 전에, 올바른 질문을 던질 수 있는 사람 — 그것이 이 시대 HR의 핵심 경쟁력이다.

💡 실무 시사점: AI 분석 도구를 도입하기 전에, 측정 기준과 성공 정의를 이해관계자와 먼저 합의하라. 도구의 정교함보다 질문의 정확성이 성과를 결정한다. ONA(조직 네트워크 분석)처럼 기존 KPI에 없는 차원을 측정 지표에 추가하는 것이 AI 도입의 실질적 출발점이다.

#AI성과관리 #PeopleAnalytics #채용품질 #HRTech #조직분석

참고 링크

• SHRM, “Turning Work Data into Better Performance Decisions” (2026)
• HBR, “Research: The Innovation Problems AI Can’t Solve” (2026)
• SHRM, “Tying Quality of Hire to Real Business Results” (2026)

작성: 서재홍 | NODE