AI 도구는 지원자 데이터를 수집하고 처리하여 후보자 소싱, 선별, 다양성 및 여타 HR 기능을 가속하고 간소화할 수 있다.
대퇴직(Great Resignation) 현상이 줄어들 기미를 보이지 않는 가운데, 채용 담당자들은 적합한 인재로 인력을 확충하기 위해 가능한 한 모든 방법을 동원하고 있다. (이를 반영하듯) 인재 확보 소프트웨어 및 서비스를 포함한 HRM 시장 규모는 현재 약 200억 달러로 추정된다. 채용 및 HR 업무의 지속적인 디지털화와 자동화에 힘입어 (이 시장은) 오는 2028년까지 연평균 12% 이상의 성장률을 보일 것으로 예상됐다.
전 세계적으로 기업들은 유능한(그리고 다양한) 직원 풀을 구축하고 유지하는 데 중점을 두고 있다. 예상했겠지만 인공지능(AI), 머신러닝(ML), 예측 모델의 발전으로 모든 규모의 기업들은 재택 및 하이브리드 근무 등의 급격한 변화에 대응하면서도 채용을 자동화하는 전례 없던 기회를 얻게 됐다.
실제로 HR 소프트웨어 기업 엔텔로(Entelo)의 설문조사 결과에 따르면 전체 응답자(채용 담당자)의 5명 중 4명은 지원자 소싱을 모두 자동화할 수 있다면 생산성이 향상될 것이라고 말했다. 아울러 더 많은 데이터를 확보하면 지원자를 선별하고, 후보자 풀을 평가하며, 채용 워크플로우를 제대로 진행하는 데 도움이 될 것이라는 의견이 지배적이었다. 하지만 데이터를 인사이트로 전환하는 것은 고사하고 애널리틱스를 구축하거나 실시할 데이터나 시간조차 없다고 답한 응답자도 42%에 달했다.
‘채용 자동화’란 무엇인가? 어떻게 도움이 되는가?
인적자원 또는 인력 관리는 채용에서 시작된다. 채우지 못한(혹은 채워지지 않는) 역할로 인해 기업들은 수익과 생산성 측면에서 매일 손해를 보게 된다. AI를 기반으로 한 지능형 도구는 지원자 관련 데이터를 수집하고 처리하여 지원자 소싱, 선별, 다양성 및 포용성, 면접, 지원자 추적 등 여러 프로세스의 속도를 높이고 간소화할 수 있다.
인재 피드 솔루션 준코(Joonko)의 CEO 일릿 라즈는 “수백 개의 이력서를 물리적으로 분류하거나 각 채용 게시판에 직무 설명을 게시하던 시대는 끝났다. 일정 형태의 자동화 또는 HR 기술이 없다면 경쟁자보다 뒤처질 수밖에 없으며, 채용은 더욱더 그렇다”라고 말했다.
채용 자동화는 SaaS 앱으로 제공되고 AI에 기반하는 기술 카테고리이며, 기업들은 이를 활용해 인력의 모든 측면을 관리할 수 있다. 주요 목표는 아래와 같다.
• 채용 업무 및 워크플로우 자동화
• 채용당 비용 절감
• HR 직원 및 채용 담당자의 생산성 향상
• 신속한 공석 충원
• 편견 없는 채용
• 전반적인 인재 프로필 개선
일반적인 AI 기반 채용 자동화 기술이 이러한 목표를 달성하는 데 어떻게 도움이 될까? 다음을 살펴보자.
■ 구인 광고: 채용 소프트웨어는 구인 플랫폼 및 기타 웹 사이트에서의 광고 구매를 자동화할 수 있다. 프로그래밍 방식의 광고 및 브랜드 콘텐츠를 활용하여 타깃 지원자가 자주 찾는 산업별 사이트에 채용 공고를 게시한다. 구인 광고 예산을 최적화하고, 지원자당 비용을 줄이는 데도 도움이 될 수 있다.
■ ATS(Application Tracking System): ATS는 기업의 채용 및 채용 주기를 자동화하는 소프트웨어다. 채용 공고를 관리하고, 이력서를 정리 및 필터링하며, 공석에 적합한 후보자를 찾는 중앙집중식 관리를 지원한다. 이를 통해 HR 관리자는 중심적인 위치를 제공한다. 이를 통해 HR 관리자는 조직을 유지하는 한편, 지원자가 채용 프로세스에 있는 단계에서 세부 사항을 쉽게 확인할 수 있다.
■ 이력서 선별: 이력서를 수동으로 심사하는 것은 채용 과정에서 가장 시간이 많이 소요되는 일이다. AI 기반 소프트웨어는 목록을 기반으로 직무 요건을 ‘학습 및 이해’하고, 지원자가 사용한 키워드, 용어, 표현에 기초하여 이력서를 필터링한다.
■ 사전 자격 심사: 지능형 알고리즘은 이전 직장, (지원자가) 공개한 직무 역할, 스킬, 경력 등을 평가하여 (채용될) 가능성이 높은 지원자를 결정할 수 있다. 또 채용 과정에서 지원자의 순위나 등급을 매길 수 있다. 아울러 AI 챗봇은 지원자와의 대화를 통해 기본적인 정보를 수집하고, 더 많은 것을 ‘학습’할 수 있다. 알고리즘은 링크드인, 트위터, 페이스북, 기타 소셜 프로필뿐만 아니라 지원자가 활동하는 플랫폼(예: 개발자를 대상으로 하는 스택 오버플로우(Stack Overflow) 등)을 스캔하여 성격, 지식, 역량, 적성 등을 파악할 수도 있다.
채용 자동화는 언제 잘못될 수 있는가?
아무리 채용 자동화 소프트웨어가 발전했다 하더라도 이는 (채용 문제의) 만병통치약은 아니다. 잘못된 채용 프로세스를 기술적으로 고칠 순 없다. 데이터 과부하도 중요한 문제다. 오늘날 채용 담당자는 (지원자와 직무 역할에 관한) 데이터가 너무 많은 탓에 이를 분석하고, 적절한 결정을 내릴 시간이나 스킬이 없다. 이 데이터에 액세스하고 검증하는 데 드는 비용과 복잡성이 어마어마한 경우가 많다.
또 다른 오래된 문제점은 편견이다. 채용 프로세스 자체가 편향되는 경우도 많지만(직원 추천에 의존하는 경향이 적지 않기 때문) AI와 자동화를 사용하면 때때로 문제가 더욱더 복잡해질 수 있다. IEEE 펠로우이자 뉴욕대 탄돈 공학부(Tandon School of Engineering) 학장 젤레나 코바세빅은 “(기업에서) 결정한 몇 가지 특성과 관련해 대표 데이터세트가 없다면 지원자를 제대로 찾고 평가하지 못할 것”이라고 지적했다.
이어서 그는 “예를 들면 과거에 흑인이 시스템상에서 배제됐거나 또는 파이프라인에 여성이 없었는데 이를 기반으로 알고리즘을 만든다면 미래를 제대로 예측할 수 없다. 아이비리그 학교 출신만 채용해왔다면 다른 학교의 지원자가 어떤 성과를 낼지 알 수 없고 편견이 있을 수밖에 없다”라고 설명했다.
대표적인 실패 사례로 아마존은 지난 10년간 제출된 이력서 패턴을 분석하는 AI 기반 채용 도구를 개발했다가 여성을 차별하는 문제점이 드러나 큰 논란에 휩싸였다(가령 이력서에 ‘여성’이란 단어가 포함돼 있으면 감점이 되는 식이었다). 말할 필요도 없이 아마존은 이를 폐기했다.
데이터와 AI가 실패한 가장 큰 영역은 ‘DEI(다양성, 공정성, 포용성)’이다. 자동화와 머신러닝으로 증강된 채용의 가장 큰 다양성 관련 실수는 다음과 같다.
• 채용 공고에서 (DEI에) 무신경하거나, 엘리트주의적이거나, 덜 포용적인 표현을 사용해 다양한 지원자가 포기하게 만든다.
• 이를테면 다른 지역의 지원자 또는 특정 학교 출신이 아닌 지원자를 배제하여 제한된 소싱 및 지원자 풀을 생성한다.
• 재택근무 정책이 없어 장애가 있거나 교통수단이 부족한 지원자가 배제된다.
• 최소한의 규제 또는 산업 표준만 충족하면서 DEI에 경솔하게 접근한다.
• 자동화 부족
마지막 부분은 각별한 주의가 필요하다.
AI가 문제이고, 애널리틱스가 해결책이다
AI는 (채용에서) 만병통치약이 아니지만 아마존의 실패 이후 많은 시간이 흘렀다(즉, 많은 발전을 이뤘다). 엔텔로의 설문조사 결과에 의하면 데이터를 활용해 채용하는 HR 팀은 이미 동료보다 우수한 성과를 거두고 있는 것으로 나타났다. 또 채용 담당자의 84%는 일상적인 워크플로우에서 AI와 ML을 사용하는 것에 상당히 자신 있다고 답했다.
여기에서 중요한 질문은 다음과 같다. ‘채용 자동화 기술이 어떻게 인간의 편견을 추가(그리고 증폭)하지 않고 채용 과정에서 AI 알고리즘을 활용할 수 있을까?’ 정답은 기업별로 성과 벤치마크를 설정하고, 지원자의 역량을 객관적으로 측정하는 주요 지표를 식별하며, 인재 애널리틱스를 활용하여 채용의 성공 및 효율성을 측정하는 것이다.
이러한 데이터 포인트를 수집하고, 인재 파이프라인 또는 채용 자동화 소프트웨어에 입력하는 것은 기업들의 책임이다. 아울러 소규모(하지만 다양한) 인재 풀에서 알고리즘을 테스트하고, 결과를 수동으로 검토한 후 실질적인 채용 솔루션으로 도입하는 게 좋다. ciokr@idg.co.kr