HR에 에이전트가 여럿 붙으면 무슨 일이 생기나 — 멀티에이전트 AI가 바꾸는 인사 의사결정의 구조

복리후생 추천 하나 내려면, 실무자는 세 개 시스템을 오간다. 급여 테이블을 열고, 규정집을 뒤지고, 직원 선호도 설문을 꺼내 맞춰본다. 이 과정에서 생기는 오류는 대부분 ‘맥락 전환’에서 발생한다. 한 화면에서 다른 화면으로 넘어가는 그 3초 사이에 숫자가 바뀌고, 기준이 흔들린다.

그런데 만약 이 작업을 AI 에이전트 하나가 아니라 세 명의 전문 에이전트가 나눠서 처리한다면? 한 에이전트는 규정 준수만 감시하고, 다른 하나는 데이터를 탐색하며, 마지막 하나가 조율한다. 솔직히 이건 좀 과장처럼 들릴 수 있다. 하지만 Workday가 올해 발표한 연구 결과는 이 구조가 단순 분업이 아니라 정확도와 규정 준수를 동시에 끌어올리는 설계라는 걸 데이터로 증명했다.

한 줄 요약: 단일 AI 챗봇 시대가 끝나고 있다. HR 의사결정에 멀티에이전트 아키텍처를 적용하면 정확도와 규정 준수를 동시에 잡을 수 있으며, 한국 사업장에 이 구조를 도입하려면 노동법 규정 에이전트를 별도로 설계해야 한다.

한 에이전트가 다 하려니까 틀린다

기업용 AI 에이전트가 HR에 본격 투입된 건 2024년부터다. 초기엔 챗봇 형태로 시작했다. “연차 며칠 남았어?” “4대보험 요율 알려줘.” 이 정도는 단일 에이전트로 충분하다. 문제는 복합 조건이 들어오는 순간 터진다.

“근속 12년 차, 부양가족 3명, 전년도 성과 S등급인 직원에게 가장 세제 혜택이 큰 복리후생 조합은?” 이런 질문에 단일 에이전트는 규정을 찾다 세금 계산을 놓치거나, 세금을 맞추다 규정 위반을 저지른다. Workday 연구팀이 이 지점을 파고들었다.

연구 결과가 흥미롭다. 역할을 ‘규정 준수’, ‘탐색’, ‘조정’ 세 에이전트로 분리한 멀티에이전트 구조가 단일 에이전트 대비 정확도 5.8% 향상과 규정 준수율 100%를 동시에 달성했다. 5.8%라는 숫자가 작아 보일 수 있지만, 복리후생 추천에서 5.8%의 오류는 곧 과세 문제로 직결된다. 개인적으로는 여기가 핵심이다 — 정확도 향상보다 규정 준수 100%라는 수치가 실무적으로 더 의미 있다.

기억을 키우는 대신 골라 담는 AI

멀티에이전트 구조에서 또 하나 중요한 건 메모리 관리다. 에이전트가 많아질수록 각자 기억해야 할 맥락이 늘어나고, 이게 비용과 속도 문제로 번진다.

Workday의 두 번째 연구는 이 문제를 정면으로 다뤘다. AI 에이전트의 메모리를 무작정 늘리는 대신, 유용성 판단 1회 + 신뢰성·신규성·최신성·정보유형 4가지 규칙을 결합한 ‘선별적 메모리’ 방식을 적용했다. 결과는 정밀도 12% 향상, 응답 속도 31% 개선이었다.

HR 맥락에서 이게 왜 중요하냐면, 인사 데이터는 시간 의존성이 극단적이기 때문이다. 작년 연봉 인상률은 올해 기준으로는 ‘노이즈’다. 3년 전 인사고과 결과를 현재 승진 심사에 끌어오면 맥락이 오염된다. 선별적 메모리는 이런 오래된 데이터를 자동으로 걸러낸다.

한국 기업 현장에서 이 문제가 특히 심각하다. 인사관리 시스템(HRIS), 급여 시스템, 근태 시스템이 분리돼 있는 경우가 대부분이라, AI가 참조할 데이터 소스가 3~5개로 분산돼 있다. 에이전트가 이 모든 소스의 전체 이력을 기억하려 들면 비용도 폭증하고 환각(hallucination)도 늘어난다.

AI 반론을 막지 않으면 더 나은 결정이 나온다

멀티에이전트 구조의 장점은 기술적 정확도에만 있지 않다. DBR이 보도한 ‘AI 대화형 논술대회’ 분석이 흥미로운 보완 자료를 제공한다.

113명의 비즈니스 참가자가 AI와 대화하며 의사결정을 내리는 실험에서, 79%가 AI의 반론을 방어하는 데 그쳤다. AI가 “이 방식에는 이런 리스크가 있다”고 지적하면, 대부분의 참가자는 자기 주장을 강화하는 데 AI를 활용했다. 문제를 재정의하거나 관점을 전환하는 데 쓴 참가자는 소수였다.

HR 실무로 옮기면 이런 상황이다. 성과 평가 결과를 AI에 넣고 “이 직원을 승진시켜도 될까?”라고 물었을 때, AI가 “최근 2분기 팀 성과 기여도가 하락 추세입니다”라고 반론하면, 관리자 대부분은 반론을 무시하거나 반박 근거를 요청한다. 멀티에이전트 구조에서는 이 반론 기능을 별도 에이전트로 분리할 수 있다. ‘찬성 에이전트’와 ‘반대 에이전트’가 각각 독립적으로 근거를 수집한 뒤, ‘조정 에이전트’가 종합 의견을 제시하는 구조다.

이건 좀 과한 해석이 아니냐고 할 수 있다. 그런데 실제로 HR에서 가장 위험한 의사결정은 ‘이의 없음’으로 통과되는 결정이다. 징계위원회, 해고 심사, 전환배치 결정. 이런 자리에서 반론이 구조적으로 보장되는 시스템과 그렇지 않은 시스템의 차이는 크다.

한국 사업장에서 멀티에이전트를 설계할 때 반드시 들어가야 할 레이어

글로벌 HR 테크 기업이 만드는 멀티에이전트 구조를 한국 사업장에 그대로 적용하면 터지는 지점이 있다.

가장 큰 문제는 노동법 규정 레이어다. 한국은 근로기준법, 남녀고용평등법, 장애인고용촉진법, 고용보험법 등 HR 의사결정에 직접 영향을 미치는 법률이 세분화돼 있다. 복리후생 하나를 추천하더라도 “비과세 한도 월 20만 원” 같은 세법 기준과 “균등처우 위반 여부” 같은 노동법 기준을 동시에 검토해야 한다.

Workday의 멀티에이전트 실험에서 ‘규정 준수 에이전트’가 별도로 존재했던 이유가 여기 있다. 한국 사업장에서 이 에이전트를 설계한다면, 최소한 다음 세 가지 규정 세트를 내장해야 한다.

• 근로기준법 기반 근로조건 판단 (연장·야간·휴일 수당 계산, 연차 기준)
• 4대보험 및 세법 기반 보상 설계 (비과세 한도, 퇴직급여 충당금)
• 균등처우 관련 법률 (성별·나이·장애 여부에 따른 차별 여부 감지)

현재 한국 인사담당자 83.4%가 AI를 쓰고 있지만, 적극적으로 활용하는 비율은 24.7%에 불과하다. 이 격차의 상당 부분은 “AI가 법적 기준을 지키는지 확인할 수 없어서”에서 온다. 멀티에이전트 구조에서 규정 준수 에이전트를 독립시키면, 나머지 에이전트가 아무리 공격적으로 탐색하고 추천해도 법적 안전망이 작동하는 셈이다.

flowchart TD
    Q[HR 실무자 질문] --> C[조정 에이전트]
    C --> R[규정 준수 에이전트]
    C --> D[데이터 탐색 에이전트]
    C --> A[반론 에이전트]
    R -->|근로기준법·세법·균등처우| V{위반 여부}
    D -->|급여·근태·성과 데이터| V
    A -->|대안·리스크 제시| V
    V -->|통과| O[추천안 생성]
    V -->|위반| X[수정 요청 → 재탐색]

AI 도구로 측정/자동화 가능한 부분

• 규정 준수 자동 감사: Workday Agent Passport 같은 도구로 에이전트별 규정 준수 이력을 추적하고, Cisco 등 제3자 보안 검증을 에이전트 단위로 적용할 수 있다. 한국에서는 근로감독 대응 자료를 자동 생성하는 에이전트로 확장 가능하다.
• 복리후생 최적 조합 추천: 급여·세금·규정 데이터를 멀티에이전트로 분산 처리해 직원별 맞춤 복리후생 패키지를 설계할 수 있다. 단일 에이전트 대비 오류율이 5.8%p 낮다.
• 퇴직 예측 + 원인 분석 분리: 예측 에이전트와 원인 분석 에이전트를 분리하면, “누가 떠날 것인가”와 “왜 떠나는가”를 독립적으로 추적해 인과관계 오염을 줄일 수 있다. 기존 단일 모델은 이 두 질문을 혼합 처리해 환각이 발생했다.
• 성과 평가 반론 생성: 평가자의 초안에 대해 자동으로 반론을 생성하는 에이전트를 붙이면, 확증 편향이 구조적으로 억제된다. DBR 실험에서 79%가 방어에 그쳤다는 결과를 감안하면, 이 기능의 실무적 가치가 크다.
• 에이전트 메모리 감사 로그: 선별적 메모리 방식은 에이전트가 어떤 정보를 기억하고 어떤 정보를 버렸는지 추적할 수 있어, 감사(audit) 대응과 개인정보보호법 준수에 유리하다.

실무 시사점: 단일 AI 챗봇을 HR에 도입하는 단계는 이미 끝났다. 다음 단계는 역할별로 분리된 멀티에이전트 설계다. 한국 사업장이라면 규정 준수 에이전트를 독립 레이어로 반드시 분리하고, 에이전트 메모리를 선별적으로 관리해야 비용·정확도·법적 안전을 동시에 확보할 수 있다. AI가 반론까지 구조적으로 생성하는 시스템이라면, HR 의사결정의 질은 도구를 바꾸기 전보다 한 차원 달라진다.

#AI에이전트 #멀티에이전트 #HR테크 #인사자동화 #규정준수 #성과평가 #인재관리

참고 링크

• Workday, “For Better AI Results, Split The Work Across Agents” (2026)
• Workday, “Research Shows The Best AI Memory Isn’t Bigger. It’s More Selective.” (2026)
• DBR, “AI의 반론을 방어만 하지 말고 적극 활용하라” (2026)
• Workday, “Workday Launches New Tools for Developers to Build, Connect, and Verify AI Agents” (2026)
• PeoplePilot, “AI in HR Statistics 2026” (2026)
• CLAP, “2026 AI 트렌드: HR이 HR다워질 수 있다고?” (2026)

작성: 서재홍 | NODE