AI가 당신의 성격을 복제하는 시대, HR의 새로운 감시 역할

요즘 면접관이 지원자의 2시간짜리 인터뷰 녹취를 AI에 넣으면, 그 사람의 성격과 의사결정 패턴을 85% 정확도로 재현할 수 있다는 연구가 나왔다. 동시에 다른 연구에서는 AI가 사람을 추천할 때 성별·인종에 따른 편향을 보이면서도 그 이유를 설명한 비율이 0.03%에 불과했다는 결과도 공개됐다. 이 두 가지 연구를 나란히 놓으면 한 가지 불편한 질문이 떠오른다. AI가 사람을 평가하는 도구로 HR 현장에 들어올 때, 우리는 그 알고리즘이 공정한지 어떻게 확인할 수 있을까?

한 줄 요약: AI가 사람의 성격을 시뮬레이션하고 의사결정을 보조하는 기술이 HR에 도입될 때, ‘보이지 않는 편향’을 감시하는 체계가 없으면 공정한 인재 관리는 불가능하다.

2시간 대화로 성격을 재현하는 AI — 무엇이 가능해졌나

스탠퍼드 인간중심AI연구소(HAI)가 공개한 연구는 상당히 파격적이다. 연구팀은 미국 인구 구성을 대표하는 1,052명을 모집해 각각 2시간씩 심층 인터뷰를 진행했다. 질문은 개인 생애사부터 사회적 이슈에 대한 견해까지 폭넓게 다뤘고, 답변에 따라 후속 질문이 달라지는 적응형 방식을 썼다.

이렇게 수집한 인터뷰 전문을 대규모 언어모델(LLM)에 주입하자, AI 에이전트가 실제 인터뷰 대상자처럼 설문에 응답했다. 놀라운 건 정확도다. AI 에이전트의 설문 예측 정확도는 85%로, 이는 같은 사람이 2주 후 같은 설문을 다시 풀었을 때의 일관성과 거의 같은 수준이었다. 성격심리학에서 가장 널리 쓰이는 Big Five(개방성·성실성·외향성·친화성·신경증) 평가에서도 80% 상관관계를 기록했다.

솔직히, 이 정도면 단순한 기술 데모가 아니다. HR 입장에서 보면, 채용 면접 녹취록을 AI에 학습시켜 지원자의 조직 적합성을 사전 시뮬레이션하는 시나리오가 기술적으로 가능해졌다는 뜻이다. 실제로 연구팀은 이 기술이 정책 시뮬레이션뿐 아니라 조직 내 인구집단의 반응을 예측하는 데 활용될 수 있다고 밝혔다.

AI는 편향을 숨긴다 — 그리고 스스로 설명하지 못한다

여기서 문제가 시작된다. AI가 사람을 정밀하게 모델링할 수 있다는 건 곧 그 모델링 과정에 편향이 개입할 수 있다는 뜻이기도 하다.

최근 발표된 알고리즘 감사(algorithm audit) 연구가 이를 정면으로 보여준다. 연구팀은 GPT-4o-mini를 포함한 7개 언어모델을 대상으로 3,024개의 선택 세트, 총 40,068건의 응답을 분석했다. 가상의 전문가 프로필에 성별·인종을 암시하는 이름을 넣고 AI에게 추천하도록 한 결과, 명확한 인구통계적 편향이 드러났다.

여성을 암시하는 이름은 2.5%포인트, 히스패닉·남아시아·흑인 계열 이름은 1.3~2.9%포인트 높은 선택 가능성을 보였다. 개인적으로는 이 수치 자체보다 더 심각한 건, AI가 이런 편향이 작동하고 있다는 사실을 자기 답변에서 언급한 비율이 0.03%에 불과했다는 점이다. 사실상 AI는 편향된 판단을 하면서도 그 이유를 설명하지 못하는 — 아니, 숨기는 — 구조를 갖고 있었다.

이건 좀 무서운 얘기다. 채용·승진·배치 같은 HR 의사결정에 AI 추천 시스템을 도입했을 때, 겉으로는 공정해 보이지만 실제로는 특정 인구집단에 유리하거나 불리하게 작동할 수 있다. 그런데 그 편향의 존재 자체를 AI의 출력물만으로는 발견할 수 없다는 뜻이다.

AI 성격 시뮬레이션의 사각지대 — 신뢰와 돈이 걸린 판단

스탠퍼드 연구에도 중요한 한계가 있다. AI 에이전트가 설문 응답을 예측하는 데는 뛰어났지만, 행동경제학 실험 — 실제 돈과 신뢰가 걸린 전략적 의사결정 — 에서는 상관관계가 66%로 뚝 떨어졌다. 인터뷰에서 “나는 타인을 신뢰하는 편이다”라고 말한 사람이 실제로 돈이 걸린 상황에서도 그렇게 행동하는지는 AI가 예측하기 어렵다는 뜻이다.

HR 실무로 번역하면 이렇다. AI가 면접 데이터를 기반으로 “이 사람은 협업 성향이 높다”고 판단했더라도, 실제 조직 갈등 상황이나 성과급 배분처럼 이해관계가 충돌하는 맥락에서 그 예측이 맞을 가능성은 크게 낮아진다. 성격 프로필과 실제 조직 행동 사이의 간극을 AI가 메우지 못한다면, 채용 의사결정에서 AI 판단을 그대로 신뢰하는 건 위험하다.

연구팀도 이 점을 명확히 인정했다. 윤리적 우려 역시 구체적으로 제기됐는데, 민감한 인터뷰 데이터의 프라이버시 침해, 에이전트 출력물 조작을 통한 평판 훼손, 그리고 한번 만들어진 디지털 페르소나에 대한 동의 철회 문제까지 포함된다.

AI 인재 평가 시대, HR이 세워야 할 감시 프레임워크

두 연구를 종합하면 방향은 분명하다. AI를 인재 관리에 활용하되, 알고리즘의 판단 과정을 주기적으로 감사하는 체계가 반드시 병행돼야 한다. 핵심이다 — AI 도구를 도입하는 것보다 그 도구를 감시하는 역량을 갖추는 게 먼저다.

구체적으로 HR 부서가 바로 실행할 수 있는 접근법이 있다. AI 채용·평가 도구를 사용할 때, 입력 데이터에서 성별·연령·출신 지역을 암시하는 정보를 의도적으로 변환한 테스트 세트를 만들어 결과 차이를 측정하는 것이다. 위 연구에서 연구자들이 이름에 인구통계 신호를 넣어 AI 편향을 측정한 것과 동일한 방법론이다.

또한 AI가 내린 판단의 ‘설명 품질’도 점검 대상이다. 0.03%라는 수치가 보여주듯, AI는 자기 결정의 진짜 이유를 거의 밝히지 않는다. HR은 AI 도구 벤더에게 단순한 점수가 아니라 판단 근거의 투명성을 요구해야 하고, 그 근거가 실제 의사결정 요인과 일치하는지를 독립적으로 검증해야 한다.

마지막으로, AI 성격 시뮬레이션 기술이 성숙하더라도 이를 ‘최종 판단’이 아닌 ‘초기 스크리닝의 보조 도구’로 한정하는 정책이 필요하다. 85%는 인상적인 숫자지만, 나머지 15%에 해당하는 사람 — 특히 행동경제학 실험에서 66%로 떨어지는 전략적 판단 영역의 사람 — 을 잘못 걸러내는 리스크는 조직이 감당해야 할 비용이다.

💡 실무 시사점: AI가 사람을 평가하는 기술은 이미 실용 단계에 진입했다. 그러나 알고리즘이 편향을 숨기는 구조적 문제가 해결되지 않은 이상, HR의 역할은 AI를 도입하는 것이 아니라 AI를 감시하는 것으로 재정의돼야 한다. 정기적 알고리즘 감사, 편향 테스트 세트 운영, 판단 근거 투명성 요구 — 이 세 가지가 AI 시대 HR의 새로운 필수 역량이다.

#AI채용 #알고리즘편향 #HR테크 #인재평가 #AI감사

참고 링크

• Stanford HAI, “AI Agents Simulate 1,052 Individuals’ Personalities with Impressive Accuracy” (2025)
• arXiv, “Whose Doctor Does the AI Recommend? An Algorithm Audit of Reputation and Demographic Signals in LLM-Assisted Physician Choice” (2026)
• Substack (Nervegna), “Stanford HAI’s 1,000-Person AI Simulation: Generative Agents That Think Like Real People” (2025)

작성: 서재홍 | NODE