AI 채용 도구가 학력주의를 복제하는 방법 — 스킬 기반 채용이 유일한 해법인 이유

36,880건의 이력서가 미국 전역 9,220개 채용 공고에 투입됐다. 대규모 채용 감사(Resume Audit) 실험의 결과는 불편했다. 관리직에서 흑인 남성과 여성의 콜백률은 백인 남성 대비 28~43% 낮았고, 그 격차는 직무의 ‘주관적 평가 재량’이 클수록 벌어졌다. 같은 시기, SHRM 조사에서 기업 70%가 새로운 스킬이 필요한 포지션 채용에 어려움을 겪고 있다고 답했다. 채용 시장은 사람이 부족한 게 아니라, 사람을 고르는 방식이 부족한 것이다.

개인적으로는, 이 숫자들을 나란히 놓고 보면 한 가지 질문이 선명해진다. 우리가 ‘좋은 인재’를 걸러내는 도구가 정말로 ‘좋은 인재’를 걸러내고 있는 걸까, 아니면 과거의 편향을 복제하는 정교한 거울에 불과한 걸까.

한 줄 요약: AI 채용 도구는 학력주의를 알고리즘으로 고착시키고, 주관적 평가 재량이 큰 직무일수록 채용 차별이 심화된다 — 스킬 기반 채용 전환이 ‘공정성’과 ‘인재 확보’를 동시에 해결하는 유일한 구조적 답이다.

알고리즘이 학력주의를 복제하는 메커니즘

하버드 경제학과의 Peter Q. Blair 교수와 Rui Guo 연구원이 2026년 5월 NBER 워킹페이퍼로 발표한 연구는 AI 채용 도구의 구조적 맹점을 해부한다. 이들이 명명한 개념이 ‘알고리즘적 학력주의(Algorithmic Credentialism)’다.

작동 원리는 단순하다. AI가 과거 채용 데이터를 학습할 때, “이 포지션에서 성과를 낸 사람”의 프로필에 학사 학위가 포함되어 있으면, 학위를 스킬의 대리지표(proxy)로 자동 코딩한다. 문제는 학위가 실제 직무 수행 역량과 동의어가 아니라는 점이다. 학위는 4년간의 학습 이력을 압축한 라벨일 뿐, 그 사람이 특정 업무를 잘 해낼 수 있는지를 직접 증명하지는 않는다.

이건 좀 아이러니한 상황이다. AI의 연산 능력은 다차원 스킬 매칭을 가능하게 만들었다. 지원자의 경험, 프로젝트, 자격증, 포트폴리오를 개별적으로 분석해 직무 적합도를 세밀하게 평가할 수 있다는 뜻이다. 그런데 정작 AI 도구들은 그 능력을 발휘하기도 전에, 학위라는 조잡한 필터로 지원자 풀의 상당 부분을 잘라낸다. Blair 교수의 표현을 빌리면, AI가 학위 요건의 효율성 근거를 “강화가 아니라 약화”시켜야 할 기술적 역량을 갖추고도, 과거 데이터에 갇혀 정반대의 역할을 수행하고 있는 셈이다.

연구는 이를 법적 프레임워크로도 연결한다. 1971년 Griggs v. Duke Power Co. 판결 이래 미국 민권법은 채용 기준이 차별적 영향(disparate impact)을 초래할 경우, 고용주에게 그 기준의 직무 관련성과 사업 필요성을 입증하도록 요구한다. 학력 코딩된 AI 스크린도 이 검증 의무에서 자유로울 수 없다는 것이 연구의 핵심 주장이다.

주관적 재량이 차별의 온상이 되는 구조

arXiv에 발표된 대규모 이력서 감사 연구(Sharon Braun 외 다수, 2026)는 채용 차별의 구조적 패턴을 실증 데이터로 드러냈다. 연구진은 미국 전역 대졸 신입 포지션에 인종과 성별만 다른 동일 스펙의 이력서를 9,220개 공고에 제출하고, 콜백률 차이를 O*NET의 직업별 업무 측정치와 교차 분석했다.

결과는 명확한 패턴을 보였다. 차별은 “높은 분석적·대인적 요구 + 낮은 루틴 업무” 포지션에 집중됐다. 쉽게 말해, 정답이 있는 일보다 판단이 필요한 일에서 편향이 증폭된 것이다. 연구진은 이를 ‘평가적 재량(evaluative discretion)’이라는 개념으로 설명한다.

솔직히, 이 발견이 핵심이다. 객관적·정량적 평가 요소가 큰 직무에서는 인종·성별 간 콜백 격차가 줄었고, 주관적 판단에 의존하는 직무에서는 격차가 벌어졌다. 이력서 스펙을 아무리 높여도, 재량이 높은 직무에서는 차별 감소 효과가 없었다는 점이 특히 주목할 만하다. 스펙으로 차별을 이길 수 없다면, 시스템을 바꿔야 한다.

고객 접점(customer contact) 변수도 흥미로운 결과를 냈다. 루틴 업무에서는 고객 접점 여부가 차별에 영향을 주지 않았지만, 비루틴 직무에서는 고객 대면이 차별을 증폭시켰다. “고객이 불편해할 수 있다”는 막연한 우려가 채용 의사결정에 실제로 개입하고 있음을 시사한다.

스킬 기반 채용, 구호에서 시스템으로

SHRM의 Emily M. Dickens 최고행정책임자는 최근 팟캐스트에서 인력 부족을 “단순한 공급 문제가 아니라, 직무가 기존 인재 파이프라인보다 빠르게 변화하는 구조적 문제”로 진단했다. 채용난은 사람이 없어서가 아니라, 변화하는 직무와 고정된 채용 기준 사이의 간극에서 발생한다는 분석이다.

그가 강조한 전환 방향은 세 가지다.

스킬 우선을 넘어 시스템으로. 채용 공고에 ‘학위 불문’을 적는 것은 시작에 불과하다. 채용, 승진, 개발 전 과정을 역량 중심으로 재설계해야 실질적 변화가 일어난다. 성공 기업들은 채용을 개별 거래의 연속이 아닌 상시 운영 시스템으로 전환하고 있다.

파워 스킬의 재발견. 기술 스킬(하드 스킬)에 가려진 협업, 커뮤니케이션, 비판적 사고 같은 역량을 Dickens는 ‘파워 스킬’로 명명했다. 조직의 적응력과 회복탄력성을 결정하는 것은 코딩 능력이 아니라 이 파워 스킬이라는 진단이다.

미활용 인재풀로의 시선 전환. 퇴역 군인, 고령 노동자, 전과자 등 기존 채용 파이프라인이 체계적으로 배제해온 그룹에 대한 의도적 접근이 필요하다. NBER 연구가 명명한 ‘STARs(Skilled Through Alternative Routes)’ — 학위 대신 대안 경로로 숙련된 노동자 — 가 바로 이 그룹이다.

한국 채용 시장에 던지는 질문

이 연구들은 미국 맥락이지만, 한국에 적용할 수 있는 시사점은 분명하다. 한국은 OECD 국가 중 학력 프리미엄이 가장 높은 나라 중 하나이고, ‘블라인드 채용’이 제도화된 지 10년 가까이 됐지만 실질적 효과에 대한 의문은 계속되고 있다.

블라인드 채용이 출신 학교 이름을 가렸을 뿐, 학위 자체를 요건에서 제거하지는 못했다는 점에서 ‘알고리즘적 학력주의’와 같은 구조적 한계를 공유한다. AI 채용 도구 도입이 가속화되는 국내 시장에서, 이 도구들이 학습하는 과거 데이터 자체가 학력 편향을 내장하고 있다면, 블라인드 채용의 취지는 기술적으로 우회될 수 있다.

주관적 평가 재량이 차별을 증폭시킨다는 arXiv 연구의 발견도 한국 맥락에서 주목할 만하다. ‘조직 문화 적합도’, ‘성장 잠재력’ 같은 모호한 평가 기준이 면접관의 무의식적 편향에 정당성을 부여하는 도구로 작동할 가능성이 있기 때문이다. 구조화된 면접, 직무 시뮬레이션, 스킬 테스트 같은 객관적 평가 도구의 도입이 공정성과 채용 품질을 동시에 높이는 경로라는 점은 한국에도 그대로 적용된다.

AI가 채용의 효율을 높이는 것은 사실이다. 하지만 효율의 방향이 ‘좋은 인재를 빠르게 찾는 것’인지, ‘과거의 편향을 빠르게 복제하는 것’인지는 전적으로 시스템 설계에 달려 있다. 우리 조직의 AI 채용 도구는 지금 어느 쪽을 향하고 있는가.

💡 실무 시사점: AI 채용 도구를 도입할 때, 학습 데이터에 내장된 학력·인구통계 편향을 감사(audit)하는 프로세스가 선행되어야 한다. ‘스킬 기반 채용’은 공고 문구를 바꾸는 것이 아니라, 평가 시스템 전체를 재설계하는 구조적 전환이다. 주관적 재량을 줄이고 검증 가능한 역량 평가를 늘리는 것이 채용 차별을 줄이는 가장 실증적으로 입증된 방법이다.

#AI채용 #스킬기반채용 #알고리즘편향 #채용차별 #블라인드채용 #HR테크

참고 링크

• SHRM, “Struggling to Hire? Rethink Skills and Unlock Talent” (2026)
• NBER, “Algorithmic Credentialism: How AI Hiring Tools Perpetuate Degree Requirements” (2026)
• arXiv, “Hiring Discrimination and the Task Content of Jobs: Evidence from a Large-Scale Resume Audit” (2026)

작성: 서재홍 | NODE