AI가 채용을 자동화한다면, 우리 회사는 ‘어떤 사람’이 아니라 ‘어떤 스킬’을 먼저 정의해야 한다

삼성, LG, SK — 수십 년 동안 한국 대기업의 공채 시즌은 봄과 가을의 의식(儀式)이었다. 수천 명이 같은 날 같은 시험을 치르고, 합격자는 동기(同期)라는 이름으로 묶였다. 그런데 지금 그 의식이 조용히 사라지고 있다. 신입 공채를 폐지한 곳이 늘고, 수시·직무 중심 채용이 표준이 됐다. 표면적 이유는 “즉시 전력화”지만, 그 아래에는 더 근본적인 변화가 흐르고 있다. AI가 HR의 반복 업무를 가져가기 시작했고, 기업들은 비로소 “우리에게 진짜 필요한 사람이 누구인가”라는 질문 앞에 서게 됐다.

한 줄 요약: AI 채용 도구가 실패하는 이유는 도구가 아니라 직무 정의 부재다. “어떤 사람”이 아니라 “어떤 스킬”을 먼저 정의해야 AI 활용이 작동한다. 성과지표 재정의 → 스킬 인벤토리 → AI 검수 프로세스, 이 순서가 핵심.

연공서열에서 스킬로, 20년의 패러다임 이동

한국 HR은 지난 20년간 세 번의 언어를 써왔다. 2000년대는 연공서열이었고, 2010년대는 역량(competency)이었다. 그리고 2020년대는 직무(job)를 거쳐 지금 스킬(skill)로 이동 중이다.

스킬 기반 채용이란 단순히 “경력보다 능력 우선”이라는 슬로건이 아니다. 구조가 다르다. 직무별로 요구 스킬을 명세화하고, 그 스킬의 보유 여부를 다각도로 검증한 뒤, 보상 밴드도 스킬 수준에 연동한다. 글로벌 IT 기업들은 이미 같은 직급 내에서도 담당 업무 난이도에 따라 급여 밴드를 달리 적용하고 있다. “같은 차장인데 왜 옆 팀 차장이랑 연봉이 다르냐”는 한국식 불만은 이 구조에서는 애초에 발생하지 않는다.

문제는 스킬을 어떻게 측정하느냐다. 과거에는 이력서와 면접관의 직관에 의존했다. 지금은 AI가 실제 업무 데이터를 분석한다. 영업직의 경우 통화 내용과 클로징율, 개발직은 코드 커밋 빈도와 버그율, 콜센터는 대화 분석을 통한 고객 응대 품질까지 — AI가 실시간으로 스킬을 진단한다. 연 1회 상사의 5점 척도 평가가 아니라, 매일 쌓이는 실무 데이터가 역량의 증거가 된다.

솔직히 이 변화는 한국 기업 입장에서 꽤 불편한 전환이다. 연공서열의 장점은 예측 가능성이었다. 누가 언제 어느 자리에 오를지 모두가 알았고, 그게 일종의 심리적 안전망이었다. 스킬 기반은 그 예측 가능성을 없앤다. 대신 공정성이라는 다른 안전망을 제공해야 한다.

AI가 대신하는 업무 vs. AI가 대신 못 하는 업무

2026년 현재, HR에서 AI가 실제로 수행하는 업무 범위는 생각보다 넓다. 이력서 1차 스크리닝, 면접 일정 조율, 온보딩 자료 발송, 설문 집계, 성과 데이터 취합, 퇴직 리스크 예측까지 — 과거 HR 담당자가 하루의 절반을 쏟던 작업들이 자동화됐다.

특히 주목할 지점은 에이전틱 AI(agentic AI)의 등장이다. 단순히 질문에 답하는 챗봇이 아니라, 조직 내 데이터를 자율적으로 모니터링하고 “이 직원의 이탈 가능성이 높다”는 판단을 내려 담당자에게 개입 시점을 추천하는 수준까지 왔다. AI가 의사결정의 보조자가 아니라 협력자로 올라선 것이다.

그렇다면 AI가 대신 못 하는 일은 무엇인가. 개인적으로는 여기가 핵심이다.

첫째, “우리 조직이 3년 후 어떤 일을 해야 하는가”를 정의하는 일. AI는 현재 데이터를 분석하지만, 아직 존재하지 않는 직무를 설계하지 못한다. 둘째, 개인과 조직 사이에 신뢰를 형성하는 일. 구조조정 과정에서 구성원과 나누는 솔직한 대화, 심리적 안전감을 만드는 리더의 태도는 알고리즘이 대체할 수 없다. 셋째, 윤리적 판단. AI가 내린 채용 추천이 특정 집단에 불리하게 작동하고 있다면, 그것을 발견하고 멈추는 건 결국 사람이 해야 한다.

Microsoft가 최전성기에 1만 5천 명을 감원하고 직원 도서관을 디지털 학습 플랫폼으로 전환한 것은 비용 절감이 아니었다. 이것은 “앞으로 이 회사에서 필요한 스킬이 달라진다”는 선언이었다. 엔진을 교체한 것이다.

직무 재설계 없이 AI 도입은 왜 실패하는가

국내 많은 기업이 AI 채용 툴을 도입했다. 이력서 분석, 면접 녹화 후 자동 채점, 인적성 검사의 AI 분석 — 그런데 실제로 “채용 품질이 올라갔다”고 자신 있게 말하는 HR 담당자는 많지 않다. 왜 그런가.

AI 도구는 입력값의 품질에 종속된다. AI에게 “우리 회사에 맞는 사람을 뽑아달라”고 하면, AI는 과거에 뽑은 사람들의 패턴을 학습한다. 그런데 과거에 뽑은 사람들이 진짜 성과를 냈는지, 어떤 스킬이 그 성과와 연결됐는지를 정의해두지 않으면 AI는 엉뚱한 변수를 최적화한다. 학벌, 어학 점수, 자기소개서 특정 단어 패턴 — 모두 성과와 무관할 수 있다.

결국 문제는 직무 정의 부재다. “이 포지션에서 6개월 후 이런 아웃풋을 내야 한다, 그러려면 이런 스킬이 필요하다”는 기술서(job description)가 없는 상태에서 AI를 쓰면, AI는 과거의 편향을 증폭시킨다.

더 근본적인 문제도 있다. AI가 채용 업무를 자동화하면 HR 담당자의 시간이 남는다. 그 시간으로 무엇을 해야 하는지 조직이 미리 설계해두지 않으면, AI 도입은 업무량 감소가 아니라 역할 혼란을 낳는다. “나는 이제 뭘 하면 되지?”라는 불안이 HR 팀 내부에 퍼진다.

인사관리의 축이 인물 중심에서 직무 중심으로 전환된다는 말의 실체가 여기에 있다. AI를 도입하기 전에 “이 직무가 왜 존재하는가, 어떤 성과를 내야 하는가, 그러려면 어떤 스킬이 필요한가”를 먼저 정의해야 한다. 도구보다 정의(definition)가 먼저다.

한국 HR 실무자가 지금 당장 할 수 있는 3가지

거창한 변혁 로드맵보다 지금 당장 손댈 수 있는 것 세 가지를 짚는다.

1. 주요 직무 5개의 성과 기준을 다시 쓴다
“열심히 일한다”, “팀워크가 좋다”는 성과 기술이 아니다. “분기 내 신규 거래처 X개 확보”, “코드 리뷰 통과율 Y% 이상”, “고객 응대 평균 해결 시간 Z분 이내” — 측정 가능한 아웃풋으로 재정의한다. 이것이 AI 활용의 전제 조건이고, 스킬 기반 채용의 출발점이다.

2. 현재 팀의 스킬 인벤토리를 만든다
우리 팀에 어떤 스킬이 있고, 어디에 공백이 있는지를 파악한다. 채용을 결정하기 전에 “지금 있는 사람을 AI로 보강하면 메울 수 있는 공백인가, 아니면 다른 스킬을 가진 사람이 필요한가”를 먼저 따져야 한다. 이 질문이 선행되지 않으면 AI 도구를 사도 소용없다.

3. AI 도구의 ‘판단’을 검수하는 프로세스를 만든다
AI가 이력서를 걸러내거나 성과를 분석했을 때, 그 결과를 그대로 쓰지 않는다. “왜 이 후보자가 탈락됐는가”를 설명할 수 있어야 하고, 특정 집단이 불균형하게 걸러지고 있지는 않은지 주기적으로 점검한다. AI의 효율을 살리되, 윤리적 책임은 사람이 진다.

AI가 채용과 평가의 반복 업무를 가져가는 속도는 앞으로 더 빨라진다. 그 속도에 올라타느냐 뒤처지느냐의 차이는 기술 도입 여부가 아니다. ‘어떤 스킬이 우리 조직에 필요한가’를 먼저 정의했느냐, 그 정의 위에 도구를 쌓았느냐의 차이다.

답은 아직 모두에게 열려 있다. 다만 질문은 이미 바뀌었다.

💡 실무 시사점 — AI 채용 도입 전 점검 3가지:

① 직무 정의가 도구보다 먼저. “어떤 사람”이 아니라 “어떤 스킬·아웃풋”을 정의. 이게 없으면 AI는 과거 편향을 증폭한다.

② 성과지표를 측정 가능한 숫자로. “팀워크 좋다”는 성과 기술 아님. 거래처 N건·통과율 Y%·해결시간 Z분 — 데이터로 추적 가능한 형태로 변환.

③ AI 판단의 검수 프로세스 명시. 탈락 사유 설명 가능성 + 집단별 편향 점검 주기 + 사람의 최종 검토 단계 — 윤리 책임은 사람이 진다.

#스킬기반채용 #AI채용 #직무기술서 #HR전환

참고 링크

• DBR, “2026년 HR 트렌드: AI가 이끄는 인사·조직관리” (2026)
• 이코노미조선, “AI가 찢은 전통적 HR… 2026년, 본연의 창의·진정성이 필요하다” (2026)

작성: 서재홍 | NODE