HRM AI란 무엇인가 — 사람에 대한 판단을 AI에 맡기지 않으면서 근거를 바꾸는 법

한 지원자가 채용에서 탈락했다. 한 구성원이 기대보다 낮은 평가를 받았다. 한 리더가 승진 대상에서 제외됐다. 세 결정의 참고자료에는 모두 AI가 만든 분석과 추천이 포함돼 있었다.

당사자가 이유를 물었을 때 누가 설명해야 할까. "AI가 그렇게 분석했다"고 답하면 될까. HRM AI를 논의할 때 이 질문이 출발점이 되어야 하는 이유다.

HRM AI란 무엇인가

HR 담당자가 생성형 AI로 채용 공고를 쓰고, 교육 안내 메일을 다듬고, 평가 내용을 요약하는 것은 HR 업무에 AI 도구를 활용하는 단계다. HRM AI는 범위가 더 넓다.

채용, 온보딩, 성과관리, 피드백, 리더십, 조직문화로 이어지는 인적자원관리의 흐름 안에 AI를 결합하는 방식이다. 필요한 정보를 수집하고, 흩어진 기록을 연결하고, 반복 업무를 실행하며, HR과 리더가 판단할 자료를 만드는 과정 전체를 포함한다.

차이를 예로 들면 명확하다. AI로 면접 질문을 만드는 것은 개별 업무의 효율화다. 반면 지원자의 경력과 직무 요건을 비교하고, 면접관별 평가 기록과 추가 확인 항목을 하나의 의사결정 자료로 연결하는 것은 HRM의 운영 방식을 바꾸는 일이다. 평가 코멘트를 다듬는 것과, 연중 축적된 목표·성과·피드백 기록을 연결해 판단 근거를 넓히는 것도 다른 수준의 활용이다.

핵심은 AI가 사람을 대신 평가하거나 결정하는 것이 아니다. AI가 반복적인 실행을 담당하고, 판단에 필요한 정보를 더 빠르고 체계적으로 구성하는 것이다.

생성형 AI와 AI 에이전트는 무엇이 다른가

지금까지 HR의 AI 활용은 주로 생성형 AI에게 결과물 하나를 요청하는 형태였다. 공고 작성, 면담 기록 요약, 평가 코멘트 초안. AI가 결과를 내놓으면 다음 단계는 다시 사람이 이어간다.

문제는 결과물 하나가 빨리 만들어진다고 전체 업무가 줄지 않는다는 점이다. 자료를 찾고, 타 부서와 협업하고, 진행 상황을 확인하고, 다음 단계로 넘기는 일은 여전히 사람 몫이다.

AI 에이전트는 이 지점이 다르다. 정해진 목표를 바탕으로 필요한 정보를 찾고, 여러 도구와 시스템을 활용하며, 다음 행동을 이어간다. 미리 정해진 절차만 반복하는 기존 자동화와 달리, 비정형 정보를 읽고 사전에 설계된 기준과 권한 범위 안에서 다음 행동을 선택한다.

예를 들어 생성형 AI는 지원자 이력서를 요약하거나 직무 요건과 경력을 비교해 추가 검토 항목을 정리한다. AI 에이전트는 신규 지원자를 확인하고, 이력서를 분석해 검토가 필요한 후보자를 정리한 뒤, 정해진 시간에 담당자에게 전달하는 흐름까지 수행한다.

다만 에이전트가 스스로 실행할 수 있다는 것이 모든 결정을 맡겨도 된다는 뜻은 아니다. 어떤 업무까지 실행하게 하고, 어느 지점에서 사람의 확인을 거치게 할지는 조직이 분명히 정해야 한다.

판단의 주체가 아니라 판단의 근거가 바뀐다

지금까지 인사 의사결정은 제한된 정보에 의존할 수밖에 없었다. 채용에서는 이력서와 면접, 성과관리에서는 최종 성과와 리더의 기억, 조직문화에서는 특정 시점 설문이 주된 근거였다. 다른 정보가 없어서가 아니라, 흩어진 기록을 지속적으로 수집·연결·해석하는 데 시간이 너무 많이 들었기 때문이다.

생성형 AI와 AI 에이전트는 서로 다른 시점에 만들어진 기록을 연결해 변화의 흐름을 보게 한다. HRM의 판단이 한 시점의 결과를 보는 방식에서 시간에 따라 축적된 신호를 읽는 방식으로 이동하는 것이다.

조직에 들어오는 과정

채용에서는 직무 요건, 지원자 경험, 면접관별 기록, 추가 확인 질문을 연결해 볼 수 있다. AI가 적합한 사람을 대신 고르는 것이 아니라 면접관 간 판단 차이와 추가 확인할 정보를 보여주는 방식이다. 온보딩에서도 교육 이수, 문의 내용, 정기 체크인, 초기 피드백을 함께 살펴 신규 입사자를 점수화하는 대신 필요한 지원을 적절한 시점에 제공할 수 있다. 채용 기준 자체를 다시 짜야 하는 상황이라면 'AI 프로덕트 빌더' 채용을 시도했다가 배운 것도 참고할 만하다.

일하고 성장하는 과정

성과관리는 오랫동안 연말의 기억에 크게 의존해 왔다. 기록이 충분하지 않으면 눈에 잘 보이는 결과와 최근 경험이 평가에 과도하게 반영된다. HRM AI는 연중 축적된 목표, 체크인, 업무 결과, 피드백을 연결해 판단의 시간 범위를 넓힌다. 평가 코멘트를 대신 써주는 것보다 중요한 변화는 리더가 놓쳤을 과정과 변화를 다시 보게 하는 것이다.

리더십에서는 구성원 피드백, 1:1 미팅, 팀 운영에서 반복되는 신호를 연결해 본인과 조직이 놓친 행동 패턴을 발견할 수 있다. 목적은 리더를 자동 평가하는 것이 아니라 필요한 지원을 설계하는 데 있어야 한다. 리더 역할 전환기의 구조적 어려움은 "팀장 되더니 변했어"는 실패 신호가 아니다에서 다룬 바 있다.

조직 전체를 이해하는 과정

많은 기업이 연 1회 또는 반기 설문으로 조직문화를 파악한다. 설문만으로는 이미 진행 중인 변화나 이후 달라진 구성원 경험을 제때 파악하기 어렵다. 생성형 AI는 조직문화 설문, 구성원 의견, 퇴직 면담, 제도 문의를 더 빠르게 분류·연결하고, AI 에이전트는 반복 등장하는 주제와 변화 신호를 정리해 HR에 전달할 수 있다.

판단의 대상이 사람이라는 것의 무게

HRM AI의 위험은 AI가 틀릴 수 있다는 데서만 오지 않는다. 더 큰 문제는 AI가 만든 분석과 추천이 조직 안에서 어떤 권한을 갖게 되는가다.

AI가 경력을 요약하거나 누락 항목을 알려주는 것은 판단을 돕는 일이다. 그러나 AI가 산출한 적합도 점수가 채용 순위를 결정하고, 성과 요약이 평가 등급의 근거가 되며, 특정 구성원에게 붙은 위험 신호가 이후 기회에 영향을 주기 시작하면 이야기가 달라진다. 참고자료였던 결과가 사실처럼 받아들여지고, 추천이 사실상의 결정으로 작동한다.

가장 위험한 것은 AI를 사용하는 것이 아니라 AI가 만든 결과를 완성된 판단으로 착각하는 것이다. 특히 숫자로 표현된 결과는 객관적으로 보이기 쉽다. 하지만 AI의 점수와 추천은 과거 데이터, 조직이 정한 기준, 기록된 정보의 범위에 따라 만들어진다. 과거에 특정 배경의 인재를 주로 채용했다면 AI는 그 패턴을 우수 인재의 조건으로 학습한다. 눈에 띄는 성과만 기록해 왔다면 기록되지 않은 기여는 판단하기 어렵다. AI는 조직의 편향을 없애기보다 더 빠르고 일관되게 반복할 수도 있다.

활용 기준은 정확도가 아니라 영향과 가역성으로 정한다

안내 메일 발송, 일정 조율, 교육 이수 독려처럼 영향이 제한적이고 쉽게 수정할 수 있는 업무는 에이전트가 상당 부분 실행할 수 있다. 반면 채용 탈락, 평가 등급, 승진, 보상처럼 한 사람의 경력에 직접 영향을 주고 되돌리기 어려운 결정일수록 사람의 검토와 설명 책임이 명확해야 한다.

기술적으로 가능한 것과 조직이 허용해야 하는 것은 같지 않다. AI는 구성원 기록을 연결해 이탈 가능성이나 성과 위험을 추정할 수 있다. 그러나 할 수 있다는 이유만으로 모든 데이터를 수집해도 되는 것은 아니다. 지원을 위한 신호 탐지가 지속적 관찰과 감시로 바뀌는 순간, AI가 주는 효율보다 조직이 잃는 신뢰가 더 커진다.

도입 전에 답해야 할 네 가지 질문

1. 이 데이터를 수집하고 활용해도 되는가
2. AI가 만든 결과는 어디까지 참고할 것인가
3. 최종 판단과 책임은 누가 질 것인가
4. 당사자가 이유를 물었을 때 설명할 수 있는가

이 질문에 답하지 못한 상태에서 정확도 높은 모델을 도입하는 것은 위험하다. 설명할 수 없는 판단은 공정하다고 말하기 어렵고, 책임질 사람이 없는 추천은 인사 의사결정의 근거가 될 수 없다.

AI 시대 HR 담당자에게 필요한 역량

AI와 에이전트를 다루는 능력은 곧 기본기가 된다. 실제 차이는 AI가 결과를 만든 다음 단계에서 나타난다.

첫째, 어떤 질문을 던질 것인지 정하는 능력. AI는 주어진 기준에 따라 분석하지만, 조직이 무엇을 문제로 보고 어떤 변화를 만들지는 정해주지 않는다.

둘째, 활용 범위와 책임 기준을 설계하는 능력. 어떤 데이터를 수집할지, 결과를 어디까지 참고할지, 어떤 결정이 반드시 사람의 검토를 거쳐야 하는지는 도구가 정해주지 않는다.

셋째, 신호를 검증하는 능력. 반복되는 패턴을 찾아냈다고 그것이 곧 원인은 아니다. 데이터에 무엇이 기록되고 무엇이 빠졌는지, 특정 직무나 집단에 불리하게 작동하지 않는지 확인해야 한다. 데이터를 읽는 능력만큼 데이터를 의심하는 능력이 필요하다.

넷째, 발견한 신호를 조직의 개입으로 연결하는 능력. 위험 신호를 빨리 발견해도 실제 지원과 제도 개선으로 이어지지 않으면 변화는 일어나지 않는다.

다시 처음 질문으로

당사자가 이유를 물었을 때 누가 설명해야 할까. AI가 아무리 많은 데이터를 검토해도 "AI가 그렇게 분석했다"고만 답할 수는 없다. 어떤 정보를 근거로 삼았는지, 어떤 맥락을 추가로 고려했는지, 왜 그 결정을 내렸는지를 설명하고 책임지는 것은 결국 사람의 몫이다.

HRM AI의 성패는 AI가 얼마나 많은 인사 결정을 대신하느냐가 아니라, HR과 리더가 이전보다 충분한 정보를 바탕으로 일관되고 설명 가능한 판단을 내리게 되었는가에 달려 있다.