칼럼 | 생성형 AI가 만능일까? 인사 관리에 ‘예측 AI’가 중요한 이유

최근 레주메빌더(Resume Builder) 조사에 따르면, 미국 관리자의 66%가 구조조정 결정을 내릴 때 챗GPT와 같은 대규모 언어 모델(LLM)을 참고한 적이 있다고 밝혔다. 또 임금 인상(78%)과 승진(77%) 결정에 생성형 AI를 활용하는 경우도 많았다. 이 조사 결과는 생성형 AI가 본래 설계 목적을 넘어 기업 의사결정 과정에까지 침투하고 있음을 보여준다. 그러나 파운데이션 모델은 이처럼 고위험·분야별 특정 상황을 처리하도록 설계되지 않았다는 점에 주의해야 한다.

생성형 AI 도구가 이메일 초안이나 직무 설명서를 작성할 때 편리해 보일 수 있지만, 복잡한 비즈니스 데이터를 이해하거나 맥락에 맞는 정교한 의사결정을 내리는 데는 적합하지 않을 가능성이 높다. 특히 채용, 성과 평가, 인력 계획과 같은 영역에서는 오히려 덜 주목받는 ‘예측 AI’가 훨씬 효과적일 수 있다.

“생성형 AI는 화려하지만 피상적”

챗GPT, 클로드, 제미나이 등 생성형 AI 모델은 스스로 내뱉는 말을 실제로 ‘이해’하지 않는다. 이는 사람이 작성한 방대한 데이터 세트를 기반으로 특정 맥락에서 가장 가능성 높은 단어를 이어 붙여 문장을 만들어내는 방식으로 작동한다. 그 결과 문맥상 일관되고 때로는 유용한 답변을 내놓지만, 본질적으로는 정교한 자동 완성 기능에 가깝다. 이 시스템은 특정 과업에 대한 깊은 지식이나 이해를 바탕으로 의사결정을 내리는 것이 아니라 단순히 통계적으로 가장 가능성 높은 문자열을 제공한다.

이런 특징은 기업 환경에서 뚜렷한 한계를 드러낼 수 있다. 예를 들어 HR 담당자가 생성형 AI에 직무 설명서 작성을 요청하면 결과물은 겉보기에 매끄럽게 보일 수 있지만, 조직의 고유한 요구사항, 팀의 역학 관계와 사명을 제대로 반영하지 못할 수 있다. 이미 대부분의 HR 도구에는 직무 설명 템플릿이 내장돼 있어 챗봇 활용이 큰 가치를 더하지 못한다. 오히려 결과물이 불명확한 출처에 기반해 편향되거나 무관한 내용을 담을 위험이 있다.

더 심각한 문제는 HR 부서가 성과 평가, 승진, 구조조정처럼 민감한 영역에 생성형 AI를 활용할 때 나타난다. 시스템은 본래 그런 판단을 내리도록 설계되지 않았기 때문에 고위험 의사결정을 신뢰할 만하고 공정하게 지원하기 어렵다. 만약 자신의 경력 경로가 챗봇 응답에 의해 좌우된다면, 그리고 그 과정에서 추가 검토나 충분한 검증이 이뤄졌는지조차 알 수 없다면 누구라도 불안감을 느낄 수밖에 없다.

HR에서 예측 AI의 필요성

예측 AI는 생성형 AI와 근본적으로 다른 역할을 수행한다. 사람과 유사한 언어를 만들어내는 대신, 과거 데이터에서 패턴을 찾아 미래의 행동이나 결과를 예측한다. 예를 들어, 예측 AI는 직원 데이터를 분석해 특정 직무에서 성공할 가능성이 높은 지원자를 평가할 수 있다. 이를 통해 채용 정확도를 높이고 인재 유지율을 개선할 수 있다.

HR와 같은 분야에서 예측 AI가 생성형 AI보다 유용한 이유는 다음과 같다.

• 실제 비즈니스 데이터로 학습한다. 예측 모델은 조직 고유의 데이터를 활용해 구축되기 때문에, 인터넷에서 가져온 일반 트렌드에 의존하는 생성형 AI와 달리 해당 기업을 이해하는 AI로 작동한다.
• 반복적이고 위험도가 높은 의사결정을 지원한다. 예측 AI는 객관적 요인을 기반으로 지원자의 향후 직무 성과를 비교적 정확하게 예측할 수 있다. 이를 통해 편향을 줄이고 인재 유지율을 높일 수 있다. 또한 단순한 질의 응답이 아닌 실제 데이터 패턴을 바탕으로 맞춤형 역량 개발 계획을 세우고, 급여 수준을 제안하며, 심지어 구조조정 가능성까지 평가할 수 있다.
• 전략적 계획 수립이 가능하다. 높은 이직률 같은 공통적인 문제를 가진 기업은 인재 유지와 인력 개발을 위한 더 나은 도구가 필요하다. 예측 모델은 누가 회사를 떠날 가능성이 높은지, 그 이유가 무엇인지, 핵심 인재가 무엇에 동기부여를 받는지, 그리고 인사 전략을 비즈니스 목표와 어떻게 조율할 수 있는지를 파악하는 데 유용하다.
• 더 신뢰할 수 있다. 예측 AI는 구조화된 데이터를 활용해 특정 문제를 해결하기 때문에 결과를 측정하고 테스트할 수 있다. 기업은 시간이 지나면서 성능을 검증하고, 더 나은 데이터로 모델을 정교화하며, 의사결정이 어떻게 그리고 왜 내려졌는지를 설명할 수 있다. 이는 규제 준수와 투명성 확보에 필수적인 요소다.

물론 예측 AI에도 과제가 있다. 가령 아마존이 내부적으로 운영했던 채용 도구는 과거 남성 중심의 기술 인재 채용 데이터를 학습한 탓에, ‘여성’(예: ‘여성 체스 동아리 회장’)과 같은 단어가 포함된 이력서를 자동으로 낮게 평가했다. 이와 마찬가지로, 광범위한 인터넷 데이터를 학습한 생성형 AI 시스템은 무의식적으로 고정관념을 재생산하거나 특정 기업이나 직무에 필요한 중요한 맥락 요소를 간과할 리스크가 있다.

채용, 승진, 보상처럼 이미 편향 문제가 민감한 영역에서 이런 도구를 활용할 경우, 기존 불평등을 더욱 심화시키고 기업을 규제 위반이나 평판 리스크에 노출시킬 수 있다. 결국 예측 AI의 성능은 학습 데이터의 질에 달려있다. 그리고 이 데이터를 수집, 정제, 맥락화하는 과정은 쉽지 않다. 예측 AI를 도입할 때마다 사용 가능한 데이터를 파악하고, 모델을 비즈니스 목표에 맞게 조율하며, 책임 있는 활용 방안을 마련하는 노력이 반드시 필요하다.

생성형 AI는 주목받고 있으며 많은 영역에서 유용하게 활용되고 있다. 그러나 기업용으로 일반화된 모델에는 한계가 있다. HR과 같은 분야는 실제 데이터에 기반한, 실행 가능하고 구체적이며 신뢰할 수 있는 인사이트를 요구한다. 예측 AI는 이런 요건을 충족할 수 있다. 화려한 주목을 받지는 못하더라도, 더 나은 인재 채용, 핵심 인재 유지, 탄탄하고 고성과를 내는 팀 구축이라는 실질적 가치를 제공한다.
dl-ciokorea@foundryco.com