HR Lens

AIHR·HR Tech·People Analytics

AIHR·HR Tech·People Analytics 카테고리는 AI 기반 HR 업무 전환, HR SaaS, People Analytics, AI Agent, ATS, LMS, 성과관리 도구, 자동화, 알고리즘 책임 이슈를 다룹니다. HR Lens는 기술 소개에 머물지 않고 데이터 거버넌스, 직무 권한, 개인정보, 공정성, 현업 적용 조건을 함께 분석합니다. AI와 HR Tech 도입을 검토하는 조직이 기대효과와 리스크를 균형 있게 판단하도록 돕는 전문 아카이브입니다.

  • 현장 인력 데이터가 AI 분석으로 넘어갈 때, HR의 과제는 대시보드보다 지표 통제다

    현장 인력 데이터가 AI 분석으로 넘어갈 때, HR의 과제는 대시보드보다 지표 통제다

    핵심 요약

    • 2026년 6월 19일 공개된 Indeavor 관련 발표는 AI가 HR 문서를 쓰는 단계보다 더 운영적인 장면을 보여준다. 교대근무, 결근, 초과근무 같은 현장 인력 데이터가 자연어 질의와 대시보드로 바로 연결되는 흐름이다.
    • 이 변화의 핵심은 “AI 대시보드 도입”이 아니다. 24/7 운영환경에서 scheduling and absence data를 누가 어떤 기준으로 보고, 어떤 의사결정에 쓸 수 있는지 정하는 문제다.
    • 한국 기업이 참고할 지점은 벤더 기능보다 데이터 사전, 권한, 책임자, 지표 해석 기준이다. 특히 결근·초과근무 지표는 개인 평가로 바로 연결하기보다 조직 운영 신호로 해석해야 한다.

      • AI 대시보드보다 먼저 봐야 할 것은 현장 데이터의 정의다

      Techrseries가 2026년 6월 19일 공개한 발표문은 Indeavor의 AI Analytics Hub를 “natural language reporting platform”으로 소개했다. 대상 환경도 비교적 분명하다. 복잡한 24/7 운영, 그리고 manufacturing, food and beverage, energy, nuclear처럼 현장 교대와 규제가 중요한 4개 산업군이 언급된다.

      눈에 띄는 대목은 연결 데이터다. 발표문은 이 도구가 scheduling and absence data에 직접 연결된다고 설명한다. HR 관점에서는 이것이 작지 않다. 채용, 근태, 배치, 결근, 초과근무가 각각 다른 표와 시스템에 남아 있을 때는 분석보다 정합성 확인에 시간이 더 든다. AI가 화면을 예쁘게 만드는 것보다, 같은 “결근”이 부서·현장·기간별로 같은 뜻인지 먼저 정해야 한다.

      그래서 현장 인력 AI 분석은 People Analytics의 하위 기능이라기보다 운영모델 과제에 가깝다. 데이터 항목의 이름, 집계 기준월, 결근 유형, 초과근무 산식, 예외 처리 기준이 불명확하면 AI는 빠르게 답하지만 조직은 느리게 흔들린다. 숫자가 빨리 나오면 회의는 쉬워진다. 다만 숫자가 맞다는 뜻은 아니다.

      자연어 질의는 분석 접근성을 넓히지만 권한 경계를 흐릴 수 있다

      발표문은 사용자가 SQL이나 spreadsheets 대신 plain English로 질문할 수 있다고 설명한다. 예시도 구체적이다. “지난달 시설별 결근 추이를 비교해 달라”, “지난주 생산부서 초과근무를 보여 달라”는 식의 질문이 가능하다는 설명이 나온다. 분석가나 IT 지원 없이 site managers, HR, enterprise leadership이 직접 볼 수 있다는 점도 강조된다.

      이런 접근성은 분명 장점이다. 현장 리더가 매번 엑셀 추출을 기다리지 않아도 되고, HR은 같은 질문을 반복해서 처리하는 부담을 줄일 수 있다. 하지만 권한 설계가 약하면 다른 문제가 생긴다. 한 현장장이 다른 시설의 결근 추이를 어느 수준까지 볼 수 있는가. 개인 식별 가능성이 있는 데이터는 어떤 기준으로 마스킹되는가. AI 질의 로그는 누가 감사하는가.

      자연어 질의는 “누구나 쉽게 분석”하게 만든다기보다, 분석 권한의 경계를 더 자주 시험하게 만든다. HR은 도입 전에 최소 3가지를 정해야 한다. 첫째, 역할별 조회 범위. 둘째, 개인·팀·시설 단위 데이터의 최소 표시 기준. 셋째, 민감 지표를 성과평가나 징계 판단으로 옮길 때 필요한 별도 승인 절차다.

      초과근무와 결근 지표는 생산성 숫자가 아니라 조직 운영 신호다

      발표문 속 예시는 absenteeism trends와 production department overtime이다. 지난달 시설별 결근, 지난주 생산부서 초과근무처럼 기간과 단위가 붙은 질문이다. 또 smart insights가 overtime spikes, staffing gaps 같은 위험과 추세를 드러낼 수 있다고 설명한다.

      HR이 여기서 조심할 점은 해석의 속도다. 초과근무가 늘었다고 곧바로 생산성이 높아졌다고 볼 수 없다. 결근이 늘었다고 바로 개인 책임으로 돌릴 수도 없다. 같은 1주 초과근무라도 수요 급증, 설비 문제, 교육 미흡, 교대표 설계, 리더십 공백이라는 서로 다른 원인이 숨어 있을 수 있다.

      그래서 AI 분석 결과는 평가표가 아니라 질문표로 출발해야 한다. 현장별 overtime이 갑자기 튀면 HR은 인력 충원, 작업 재배치, 안전 리스크, 관리자 승인 패턴을 함께 봐야 한다. absenteeism이 늘면 건강, 번아웃, 통근, 교대 간 휴식시간, 결근 코드 입력 방식까지 확인해야 한다. 지표는 사람을 찍어내는 도구가 아니라 운영의 병목을 찾는 신호다.

      한국 기업은 벤더 도입 전에 데이터 사전과 책임자를 정해야 한다

      발표문은 benchmarking and standardization, automated delivery, standardized dashboards를 기능으로 제시한다. 이는 HR에 꽤 실무적인 힌트를 준다. 벤치마킹은 멋진 단어지만, 표준 정의가 없으면 비교는 금방 왜곡된다. 같은 결근율이라도 유급휴가, 병가, 무단결근, 교대 변경을 어떻게 분류하느냐에 따라 전혀 다른 숫자가 된다.

      한국 기업이 이런 도구를 검토한다면 먼저 데이터 사전을 만들어야 한다. 항목명, 산식, 분모, 기준월, 제외 대상, 승인자, 수정 권한을 정리하는 문서다. 두 번째는 책임자 지정이다. HR이 지표 소유자인지, 생산·운영 부서가 소유자인지, IT가 데이터 품질 책임자인지 모호하면 AI 도구는 답을 내도 실행이 멈춘다.

      마지막으로 자동 리포트의 사용 목적을 제한해야 한다. 매주 임원에게 보내는 표준 대시보드와 현장 개선 회의용 리포트는 목적이 다르다. 평가·징계·보상 의사결정에 쓰는 데이터라면 검토 절차와 이의제기 통로도 필요하다. AI 분석 도구의 성패는 모델보다 운영 규칙에서 갈릴 가능성이 크다.

      실무 점검 질문

      • 교대근무, 결근, 초과근무, 대체근무의 데이터 정의가 부서별로 같은가.
      • 자연어 질의 사용자는 역할별로 어떤 시설·팀·개인 단위 데이터를 볼 수 있는가.
      • AI가 제시한 staffing gap이나 overtime spike를 누가 검토하고 조치하는가.
      • 자동 발송되는 dashboard는 의사결정용인지, 모니터링용인지, 평가자료인지 구분돼 있는가.
      • 벤더 도입 전 데이터 사전, 권한표, 감사 로그, 예외 승인 절차가 문서화돼 있는가.

      참고자료: Techrseries, “Indeavor Launches AI Analytics Hub to Turn Frontline Workforce Scheduling and Absence Data Into Real-Time Insights With AI”, 2026-06-19. https://techrseries.com/hr/indeavor-launches-ai-analytics-hub-to-turn-frontline-workforce-scheduling-and-absence-data-into-real-time-insights-with-ai/

  • AI가 신입 직무를 없앤다는 해석, HR이 먼저 봐야 할 것은 역할 재설계다

    AI가 신입 직무를 없앤다는 해석, HR이 먼저 봐야 할 것은 역할 재설계다

    AI가 신입 일자리를 없앤다는 말은 빠르게 퍼진다. 하지만 HR이 먼저 봐야 할 질문은 조금 다르다. 어떤 직무가 사라지는가보다, 신입이 맡던 과업이 어떻게 쪼개지고 다시 묶이는가에 가깝다.

    Cognizant와 Pearson이 6월 18일 공개한 조사 요약은 이 차이를 잘 보여준다. 인도에서는 신입 직무 과업의 37%가 이미 AI로 수행되고, 전 세계 평균도 33%라고 제시했다. 동시에 HR 리더의 94%는 앞으로 5년 안에 AI가 새로운 신입 역할을 만들 것이라고 봤다. 대체와 생성이 같은 표 안에 들어 있는 셈이다.

    신입 일자리 논쟁의 출발점은 대체율보다 과업 구성이다

    이번 조사 요약에서 가장 눈에 띄는 숫자는 37%다. 인도 신입 직무 과업 가운데 이미 AI가 수행하는 비중이다. 전 세계 평균 33%보다 높다. 또 HR 리더의 18%는 AI가 신입 업무의 절반 이상을 처리하고 있다고 답했다. 숫자만 보면 불안이 먼저 올 수 있다.

    그런데 이 수치를 곧바로 “신입 채용 축소”로 읽으면 HR 판단이 거칠어진다. 과업 일부가 AI로 이동해도 직무 전체가 사라지는 것은 아니다. 오히려 채용 담당자는 직무기술서 안의 반복 입력, 초안 작성, 정보 검색, 검증, 고객 응대, 내부 조율 과업을 분리해 봐야 한다. 어느 과업은 자동화되고, 어느 과업은 사람의 판단을 더 많이 요구한다.

    채용 기준은 전공보다 AI와 함께 일하는 능력으로 이동한다

    Cognizant와 Pearson 조사에서 HR 리더의 96%는 5년 안에 신입 역할이 AI 시스템을 감독하거나 관리하는 방향으로 진화할 것이라고 봤다. 94%는 지금 존재하지 않는 새로운 신입 역할이 AI로 생길 것이라고 답했다. 이 대목은 채용 기준의 초점이 “AI를 쓸 줄 아는가”에서 “AI 결과를 검토하고, 맥락에 맞게 고칠 수 있는가”로 옮겨간다는 뜻에 가깝다.

    흥미로운 점은 기술 전공만 강조하지 않는다는 것이다. 조사 요약은 HR 전문가의 97%가 소프트 스킬의 중요성이 더 커졌다고 답했고, 69%는 초기경력 인재에게 좁은 전문성보다 폭넓은 학제적 배경이 더 중요하다고 봤다고 전했다. 한국 기업도 신입 채용 평가표를 다시 본다면 전공명, 자격증, 도구 사용 경험만 세기보다 문제 정의, AI 출력 검증, 협업 설명 능력을 함께 봐야 한다.

    교육 수요는 늘었지만 L&D의 속도는 뒤처진다

    조사 요약에 따르면 HR 전문가의 91%는 최근 12개월 동안 구성원의 AI 교육 수요가 늘었다고 답했다. 하지만 60%는 L&D 프로그램이 AI로 인한 직무 변화 속도를 따라가지 못한다고 봤고, 인도 응답에서는 이 비율이 63%로 제시됐다. 교육 수요와 교육 공급 사이의 간격이 이미 운영 이슈가 된 것이다.

    이 지점에서 HRD는 단발성 AI 특강보다 직무별 과업 지도를 먼저 만들어야 한다. 예를 들어 신입 영업, 마케팅, 개발지원, 인사운영 직무에서 AI가 맡는 초안·검색·분류 과업과 사람이 확인해야 할 판단 과업을 나눠야 한다. 그리고 교육 지표도 수강 인원만 볼 일이 아니다. 교육 후 실제 과업 전환율, 관리자 피드백, 오류 검토 기준, 온보딩 기간 변화까지 같이 확인해야 한다.

    중간관리자가 AI 채용과 온보딩의 병목이 된다

    Cognizant와 Pearson 조사에서 HR 리더의 95%는 중간관리자가 구성원의 효과적인 AI 활용을 보장하는 데 중요하다고 답했다. 92%는 AI가 일상 업무를 바꾸는 과정에서 중간관리자가 직무 역할 재정의에 중요한 역할을 한다고 봤다. 신입을 뽑아도 현장 관리자가 AI와 사람의 일을 다시 배분하지 못하면 변화는 채용 공고 문구에서 멈춘다.

    따라서 HR의 다음 점검 질문은 비교적 구체적이어야 한다. 첫째, 신입 직무별로 AI가 가져간 과업과 새로 생긴 검증 과업을 적었는가. 둘째, 온보딩에서 AI 사용법보다 판단 기준과 금지 기준을 가르치는가. 셋째, 중간관리자에게 역할 재설계 권한과 코칭 문장을 제공했는가. 넷째, 2025년에 신입 2만 명을 채용했고 2026년에는 이를 넘길 계획이라는 Cognizant 사례처럼, 대규모 초기경력 채용을 유지하는 기업은 교육·배치·관리자의 실행역량을 함께 확장하고 있는가.

    한국 기업에 그대로 같은 비율을 적용할 수는 없다. 이 조사의 조사 범위는 미국, 영국, 인도 3개국이고, 조사 대상은 직원 1,000명 이상 기업의 director급 이상 HR 전문가 750명이다. 표본과 응답자 구성은 2026년 3월 23일부터 4월 3일까지 온라인 survey 방식으로 수집됐다. 그래도 메시지는 분명하다. AI 시대 신입 채용의 핵심은 “몇 명을 줄일 수 있나”가 아니라 “어떤 과업을 새로 설계하고, 어떤 역량을 초기에 길러야 하나”다. HR이 이 질문을 놓치면 AI는 인력계획의 해답이 아니라 온보딩 실패의 또 다른 원인이 된다.

    ReferencesCognizant Newsroom, 37% of Entry-Level Tasks in India Already Done by AI, Finds Cognizant and Pearson Study, 2026-06-18

  • AI 도입률보다 낮은 교육 참여율, HR 운영모델의 병목을 드러내다

    AI 도입률보다 낮은 교육 참여율, HR 운영모델의 병목을 드러내다

    AI 도구를 깔았다는 말과 사람들이 실제로 일을 바꿨다는 말은 다르다. Aon이 6월 17일 공개한 글은 이 간격을 꽤 선명하게 보여준다. 전 세계 조직의 거의 4분의 3이 AI를 배포했거나 파일럿을 돌리고 있지만, 구성원 다수가 AI 리스킬링·업스킬링에 참여한 조직은 18%에 그쳤다는 대목이다.

    이 숫자는 HR팀이 AI 프로젝트를 볼 때 첫 질문을 바꿔야 한다는 신호다. “어떤 도구를 도입했나”보다 “누가 배웠고, 어느 업무가 달라졌으며, 그 변화가 성과 지표로 잡히는가”가 먼저다. 도입률이 높아도 학습 참여율과 운영 기준이 낮으면 AI 투자는 HR 운영모델의 병목을 그대로 드러낸다.

    배포율과 학습 참여율 사이의 간격이 가장 먼저 보인다

    2026년 6월 17일자 Aon insight는 AI 배포나 파일럿이 이미 넓게 진행되고 있다고 설명한다. 숫자로는 전 세계 조직의 거의 4분의 3이 AI를 배포했거나 시험 중이다. 또 고용주 기준으로는 4분의 3을 넘는 곳이 AI 도구를 이미 내놓았다고 제시했다. 겉으로 보면 AI 전환은 빠르다.

    하지만 같은 자료가 던진 두 번째 숫자가 더 불편하다. 구성원 다수가 AI reskilling과 upskilling에 참여한 조직은 18%뿐이다. 배포율과 학습 참여율의 차이는 단순한 교육 일정 지연이 아니다. HRD 예산, 직무별 우선순위, 관리자 역할, 업무 재설계가 한 화면에서 연결되지 않았다는 뜻일 수 있다.

    사용 횟수만 세면 AI 투자의 성과가 보이지 않는다

    Aon은 AI 활용을 여전히 “frequency of use”로 측정하는 경우가 많다고 짚었다. 몇 명이 로그인했는지, 몇 번 프롬프트를 입력했는지, 어떤 팀이 가장 많이 썼는지는 초기 확산 지표로는 쓸 수 있다. 그러나 이 지표만으로는 채용 리드타임, 교육 전환율, 고객 대응 품질, 문서 검토 시간, 관리자 의사결정 속도가 나아졌는지 확인하기 어렵다.

    교육 커버리지도 같은 문제를 보여준다. Aon은 10%의 인력조차 교육하지 못한 고용주가 3분의 1 미만이라고 썼고, 6곳 중 1곳은 어떤 직원도 교육하지 않았다고 설명했다. AI 프로젝트 회의에서 “사용자 수”만 보고 끝내면 이 공백이 가려진다. HR은 교육 대상, 직무군, 사용 사례, 전후 성과 지표를 함께 묶어 봐야 한다.

    HRD와 People Analytics가 같은 대시보드를 봐야 한다

    이제 AI 교육은 독립된 캠페인처럼 운영하기 어렵다. 18%라는 참여율 숫자는 HRD팀만의 문제가 아니라 People Analytics와 HRBP, IT, 현업 리더가 같이 봐야 할 운영 지표다. 예를 들어 교육 수료율만 볼 것이 아니라 교육 후 실제 업무에 AI가 투입된 비율, 승인된 사용 사례 수, 리스크 검토가 끝난 프로세스 수를 같이 놓아야 한다.

    John McLaughlin은 조직이 AI를 배포하면서도 그것을 효과적으로 쓰는 데 필요한 clarity, direction, operating model을 충분히 제공하지 않는다고 말했다. 이 문장은 HR 운영모델의 체크포인트로 읽을 수 있다. 직무별 AI 사용 기준이 있는가. 관리자는 어떤 산출물을 승인해야 하는가. 교육 후 30일, 60일, 90일에 무엇을 비교할 것인가. 이런 질문이 없으면 AI 활용은 개인의 호기심에 맡겨진다.

    한국 기업의 다음 회의 질문은 도구가 아니라 준비도다

    Aon 자료는 글로벌 컨설팅 관점의 글이므로 한국 기업의 법적 의무나 산업별 규정을 대신 설명하지 않는다. 이번 자동 실행에서 표본, 조사 범위, 산업별 응답자 분포까지 확인한 것은 아니기 때문에 숫자는 인력준비도 점검의 신호로 읽어야 한다. 다만 HR 실무 판단에는 적용 가능한 경고가 있다. AI 전환을 솔루션 도입 프로젝트로만 다루면 교육, 역할, 성과 측정, 책임 구조가 뒤따라오지 못한다는 점이다.

    다음 AIHR 회의에서는 기능 목록보다 준비도 표를 먼저 펼치는 편이 낫다. 직무군별 교육 참여율, 실제 적용 업무, 관리자 승인 기준, 금지 사용 사례, 성과 지표, 데이터 보안 점검 상태를 한 줄씩 확인해야 한다. 도구가 이미 들어왔다면 더 늦기 전에 물어야 한다. 우리 조직은 AI를 쓰는 사람을 늘리고 있는가, 아니면 AI를 쓸 수 있는 일을 새로 설계하고 있는가.

    참고한 공개 자료

  • [2026 HR Trend ②] AI 도입률보다 중요한 것, HR의 AI 책임선 설계

    [2026 HR Trend ②] AI 도입률보다 중요한 것, HR의 AI 책임선 설계

    2026 HR Trend 연재의 2편이다. 1편이 전체 흐름을 “HR 운영 방식의 재설계”로 읽었다면, 이번 글은 그중 AI를 다룬다. 핵심은 AI 도입률이 아니다. HR이 AI를 어디까지 쓰고, 누가 검토하며, 구성원에게 어떻게 설명할 것인가다.

    SHRM은 2026년에도 AI가 HR의 중심 의제로 남을 것으로 본다. 동시에 AI가 기대만큼 성과를 냈는지, 비용과 위험은 어디에 숨어 있는지 다시 봐야 한다고 설명한다. CEO의 89%가 AI가 조직의 가치 창출과 확보 방식을 재정의할 것으로 예상한다는 수치도 제시한다. 기대가 큰 만큼 책임도 커진다.

    AI가 HR의 중심 의제가 될수록 책임선이 먼저 필요하다

    AI는 채용, 성과관리, 교육, 인력계획, 직원경험 분석에 빠르게 들어온다. 하지만 HR에서 AI를 쓴다는 말은 하나의 행동이 아니다. 후보자 서류를 요약하는 AI, 면접 질문을 추천하는 AI, 성과 피드백 문안을 만드는 AI, 이직 위험을 예측하는 People Analytics 도구는 각각 다른 위험을 만든다.

    문제는 도구가 많아질수록 판단의 출처가 흐려진다는 점이다. AI가 낸 결과를 HR 담당자가 그대로 따랐는지, 관리자가 수정했는지, 예외를 인정한 기준이 무엇인지 남아 있지 않으면 구성원은 결과를 납득하기 어렵다. 그래서 2026년 HR AI의 첫 과제는 “무엇을 도입할 것인가”보다 “누가 최종 판단자인가”를 정하는 일이다.

    HR AI 책임선은 세 가지 질문으로 시작된다

    첫 번째 질문은 사용 목적이다. SHRM의 2026년 HR Trends는 AI를 둘러싼 과대 기대를 걷어내고, 실제로 중요한 지점에서 AI를 활용해야 한다고 설명한다. 따라서 AI를 비용 절감용으로 쓰는지, 생산성 향상용으로 쓰는지, 더 나은 인력 의사결정을 위한 보조 도구로 쓰는지 구분해야 한다. 목적이 흐리면 성과도 측정하기 어렵다.

    두 번째 질문은 검토 책임이다. AI가 만든 추천을 누가 확인하는가. 채용에서는 채용 담당자와 현업 리더의 역할이 다르고, 성과관리에서는 관리자와 HRBP의 책임이 다르다. 세 번째 질문은 기록 기준이다. 어떤 데이터가 입력됐고, 어떤 기준으로 결과가 수정됐으며, 예외는 누가 승인했는지 남겨야 한다.

    이 세 질문이 정리되지 않으면 AI는 HR을 더 빠르게 만들 수는 있어도 더 신뢰받게 만들지는 못한다.

    채용 AI는 선별 속도보다 설명 가능성이 중요하다

    SHRM은 2026 Talent Trends에서 2,000명 이상 HR 전문가 데이터를 바탕으로 채용난과 스킬 부족을 다룬다. 공개 요약에 따르면 HR 전문가 약 70%가 정규직 채용에서 여전히 어려움을 겪고, 42%는 최근 12개월 동안 정규직 유지의 어려움을 경험했다.

    이런 상황에서 채용 AI는 매력적인 해결책처럼 보인다. 지원서를 빠르게 요약하고, 후보자를 분류하고, 면접 질문을 만들 수 있기 때문이다. 그러나 SHRM이 지적하듯 자동화와 알고리즘만으로 채용 문제를 해결할 수는 없다. 직무요건이 낡아 있고 평가 기준이 불명확하다면 AI는 그 모호함을 더 빠르게 반복할 뿐이다.

    따라서 채용 AI의 핵심은 속도가 아니라 설명 가능성이다. 왜 이 후보자가 제외됐는지, 어떤 역량이 부족하다고 판단했는지, AI의 추천을 사람이 어떻게 검토했는지 설명할 수 있어야 한다.

    성과관리 AI는 관리자 판단을 더 투명하게 만들어야 한다

    AI 코칭과 People Analytics는 성과관리 방식도 바꾼다. SHRM의 2026년 HR Trends는 AI가 비용 절감과 생산성 향상을 넘어 더 나은 인력 의사결정으로 이어질 수 있다고 설명한다. 또 SHRM의 2026 트렌드 해설은 AI 코치가 연례 성과평가의 종말을 앞당길 수 있다는 흐름을 다룬다. 이는 평가가 사라진다는 뜻이 아니다. 오히려 피드백이 더 자주, 더 구체적으로, 더 데이터에 기반해 이뤄져야 한다는 뜻이다.

    여기서도 책임선은 중요하다. AI가 직원의 개발계획 초안을 만들 수는 있다. 하지만 어떤 피드백을 실제로 전달할지, 어떤 목표를 조정할지, 어떤 성과 문제를 공식 기록으로 남길지는 관리자가 판단해야 한다. HR은 AI가 관리자 판단을 대신하게 할 것이 아니라, 판단 과정을 더 일관되고 투명하게 만드는 장치로 써야 한다.

    한국 기업은 AI 사용 기록과 예외 처리 기준을 남겨야 한다

    한국 기업이 먼저 할 일은 거창한 AI 윤리 선언보다 운영 문서 정비다. SHRM이 2026년 AI 의제를 비용, 위험, 생산성, 인력 의사결정의 문제로 함께 제시했다는 점을 한국 HR 운영 기준으로 옮기면, 채용·성과관리·교육 추천·이직 위험 분석처럼 구성원에게 영향을 주는 영역부터 AI 사용 기준을 나눠야 한다.

    예를 들어 채용에서는 AI가 지원서 요약까지만 하는지, 후보자 순위화까지 하는지 구분해야 한다. 성과관리에서는 AI 피드백 문안이 참고자료인지 공식 평가 근거인지 분리해야 한다. HR 데이터 분석에서는 개인 단위 예측을 관리자에게 제공할지, 조직 단위 지표로만 활용할지 기준이 필요하다.

    2026년 HR AI의 경쟁력은 더 많은 도구를 쓰는 데 있지 않다. AI가 만든 판단을 사람이 검토하고 설명할 수 있는 구조를 만드는 데 있다. 그것이 HR이 AI를 조직의 신뢰 자산으로 바꾸는 출발점이다.

    2026 HR Trend 연재 글

    AI 책임선 편은 허브 글과 성과관리 편을 함께 읽으면 HR AI 운영 흐름이 이어진다.

  • AI HR 확산, 컴플라이언스 인프라가 HR Tech 투자의 핵심 변수로 부상

    AI HR 확산, 컴플라이언스 인프라가 HR Tech 투자의 핵심 변수로 부상

    2026년 1분기 HR Tech 거래 97건에 28억 달러가 움직였다는 숫자는 단순한 투자 뉴스처럼 보일 수 있다. 그러나 HR Executive가 6월 15일 보도한 대목에서 더 중요한 것은 거래 금액보다 투자 판단의 무게중심이다. AI 에이전트가 채용, 성과관리, 인력계획에 들어오면 HR 시스템은 업무를 빠르게 처리하는 도구를 넘어 “누가 승인했고, 어떤 커뮤니케이션이 적절했으며, 어떤 워크플로가 규제 노출을 만들었는지”를 남기는 장치가 된다.

    이 사안에서 HR 담당자가 봐야 할 핵심은 특정 벤더나 리포트 이름이 아니다. AIHR 투자 회의에서 기능 자동화만 비교하면 빠뜨리기 쉬운 컴플라이언스 인프라, 즉 승인 로그·편향 감사·데이터 흐름·책임 소재가 HR 운영모델의 핵심 변수로 올라오고 있다는 점이다.

    HR Tech 구매 기준이 자동화 속도에서 책임 추적으로 이동한다

    HR Executive가 소개한 Norwest Venture Partners 분석에 따르면 Q1 2026 HR Tech 거래는 97건, 28억 달러 규모였다. ADP의 WorkForce Software 인수는 12억 달러, Workday의 Sana 인수는 11억 달러 규모로 언급됐다. 표면적으로는 대형 인수합병 뉴스지만, HR 관점에서 더 중요한 신호는 자동화 기능보다 거버넌스와 컴플라이언스 계층의 중요성이 커지고 있다는 점이다.

    AI 에이전트가 HR 워크플로 전반에 들어올수록 컴플라이언스 노출면도 함께 넓어진다. 여기서 HR 담당자가 봐야 할 지점은 자동화 기능의 개수보다 추적 가능한 책임 구조다. 채용 공고 작성, 후보자 선별, 성과 피드백 초안, 인력계획 시나리오가 AI를 거치면 결과물만 남겨서는 충분하지 않다. 누가 어떤 기준으로 도구를 승인했는지, 예외 처리는 어디에 남는지, 모델 출력이 사람의 판단을 얼마나 대체했는지가 구매 요건이 된다.

    AI 채용·성과 도구의 리스크는 벤더 계약으로 끝나지 않는다

    법·규제 측면에서도 AI HR 도구의 리스크는 점점 구체화되고 있다. 채용, 성과관리, 인력계획 영역에서 AI를 쓰는 기업은 지역별 규제와 기존 차별금지 법리 사이에서 책임 구조를 설명해야 한다. Colorado의 고위험 AI 시스템 영향평가, Illinois의 AI 영상면접 제한, New York City의 자동화 고용결정도구 편향 감사 요건은 모두 같은 방향을 가리킨다.

    이 사례들은 미국 제도이므로 한국 기업에 그대로 적용되는 의무로 읽으면 안 된다. 다만 HR 운영 판단에는 분명한 공통 질문을 남긴다. 제3자 AI 도구를 썼다는 사실이 고용주의 책임을 자동으로 줄여 주지 않는다는 점이다. HR Executive가 전한 Littler의 Britney Torres 발언도 같은 방향이다. 법원은 AI 관련 규정과 일반 차별 관련 법리를 함께 보며 편향된 고용 의사결정의 책임 소재를 판단할 수 있다는 취지다.

    한국 HR팀은 기능 목록보다 승인 로그와 데이터 흐름을 먼저 물어야 한다

    컴플라이언스와 HR 서비스 관리 영역은 직원관계 사건관리, 컴플라이언스 교육, 백그라운드 스크리닝처럼 중단하기 어려운 운영 업무와 연결된다. 조사 범위가 미국 HR Tech 시장이라는 한계는 있지만, Q1 2026 거래 97건·28억 달러 흐름 속에서 이런 운영성 항목이 함께 언급됐다는 점은 중요하다. 특히 AI 에이전트가 대량의 HR 판단에 영향을 주는 환경이라면 누락된 로그 하나가 나중에 설명 불가능한 결정으로 돌아올 수 있다.

    한국 기업이 이 논의를 적용할 때는 미국 규제명을 외우는 것보다 내부 데이터 흐름을 먼저 그리는 편이 실무적이다. 후보자 정보, 평가 의견, 관리자 피드백, 교육 이수 기록, 성과 등급처럼 민감한 HR 데이터가 어떤 시스템을 지나고, AI가 어느 지점에서 추천·요약·분류·자동 실행을 하는지 확인해야 한다. Colorado의 알고리즘 영향평가, Illinois의 AI 영상면접 제한, New York City의 편향 감사 요건은 국내 의무 조항이라기보다 승인자·변경 이력·예외 처리자·삭제 기간·벤더 접근 권한·편향 점검 주기를 표준 검토 항목으로 바꾸라는 신호에 가깝다.

    다음 HR Tech 검토 회의의 질문은 ‘무엇을 자동화하나’에서 시작하면 늦다

    HR Tech 검토 회의에서 던져야 할 질문은 꽤 직설적이다. 누가 실행을 승인했는가. 커뮤니케이션은 적절했는가. 특정 워크플로가 규제 노출을 만들지는 않았는가. 이 세 질문은 HR Tech 도입 회의의 안건 순서를 바꾼다. 첫 질문이 “어떤 업무를 자동화할 수 있나”라면 데모 화면은 좋아 보일 수 있다. 하지만 첫 질문이 “나중에 설명해야 할 판단은 무엇이며, 그 증거는 어디에 남나”라면 벤더 비교표의 항목이 달라진다.

    실무적으로는 네 가지를 먼저 확인할 만하다. 첫째, AI가 추천한 후보자·평가·인력배치 결과에 대해 사람이 수정한 흔적이 남는가. 둘째, 관리자와 HRBP가 AI 제안을 채택하거나 거절한 이유를 짧게라도 기록할 수 있는가. 셋째, 특정 집단에 불리한 결과가 반복될 때 이를 감지하는 지표와 점검 주기가 있는가. 넷째, 벤더 계약서가 기능 SLA뿐 아니라 데이터 보존, 감사 로그 제공, 모델 변경 고지, 사고 대응 시간을 포함하는가. 결국 컴플라이언스 노출면이 넓어진다는 말은 승인, 커뮤니케이션, 규제 리스크가 발생하는 접점이 많아진다는 뜻이다.

    참고한 공개 자료
    – HR Executive, “Compliance tech is becoming a strategic priority, as AI expands in HR”, 2026-06-15. 참고 보도 보기
    – Google News RSS field collection, AIHR·HR Tech / 노무·고용 분야. 이 자료는 기사 주제 선정을 위한 보조 수집 신호로만 활용했다.

  • AI 에이전트 업무 전환, HR 데이터 승인 구조를 다시 흔든다

    AI 에이전트 업무 전환, HR 데이터 승인 구조를 다시 흔든다

    2026년 5월 공개된 Work Trend Index 항목은 AI 에이전트를 단순한 업무 보조 도구로 설명하지 않는다. 핵심 문장은 짧다. AI와 에이전트가 실행을 맡으면 사람의 agency가 넓어진다는 것이다. HR 관점에서는 여기서 질문이 갈라진다. 직원이 더 많은 일을 할 수 있느냐보다, 누가 어떤 데이터로 어떤 실행을 승인했는지 남길 수 있느냐가 먼저다.

    일의 실행 주체가 바뀌면 승인자 기록부터 흔들린다

    2026-05-05 공개된 Work Trend Index 최신 연례 보고서 항목은 “AI and agents take on execution”이라는 표현을 쓴다. 실행이 사람의 손에서 도구와 에이전트로 일부 이동한다는 뜻이다. 이 변화는 채용 공고 작성, 후보자 분류, 교육 추천, 성과 대화 준비처럼 HR이 이미 데이터로 처리하던 업무부터 번질 가능성이 크다.

    그래서 HR 운영 문서에는 최소 3개의 칸이 필요하다. 첫째, 에이전트가 실행한 업무 범위. 둘째, 사람이 승인한 시점과 승인자. 셋째, 결과가 사람에게 불리하게 작용했을 때 되돌릴 절차다. 이 3개가 없으면 생산성 개선 사례는 남아도 책임의 순서는 흐려진다.

    조사와 관찰 자료라는 형식은 HR 지표의 기준월을 묻게 만든다

    Work Trend Index 페이지는 이 자료군을 “global, industry-spanning surveys”와 “observational studies”에 기반한 연구라고 설명한다. 2024년, 2025년, 2026년 연례 보고서가 함께 배열된 점도 중요하다. AI 업무 논의가 한 번의 기술 발표가 아니라 3년 이상 이어진 일하는 방식 변화라는 신호이기 때문이다.

    HR 데이터팀은 여기서 지표의 기준월을 다시 확인해야 한다. AI 도입 전후를 비교하려면 채용 리드타임, 교육 수료율, 내부 이동 신청, 성과 피드백 작성 시간의 기준월이 맞아야 한다. 한 부서는 2026년 5월 이후 자료를 쓰고, 다른 부서는 2025년 6월 후속 보고서 시점의 기준을 쓰면 같은 대시보드도 서로 다른 이야기를 하게 된다.

    개인정보와 People Analytics 사이에는 감사 로그가 필요하다

    개인정보보호위원회 공개 메뉴는 기업정책, 가명처리·가명정보 결합, ISMS-P, 개인정보 영향평가 같은 항목을 별도로 둔다. 이 항목들이 곧바로 모든 HR AI 도구에 같은 의무를 부과한다는 뜻은 아니다. 다만 한국 기업이 People Analytics와 AI 자동화를 함께 다룰 때 개인정보 처리와 보안 인증, 영향평가 언어를 피할 수 없다는 점은 분명하다.

    실무적으로는 벤더 계약서보다 내부 로그가 먼저다. 어떤 HR 데이터가 모델 입력에 들어갔는지, 원자료와 가명처리 자료를 누가 구분했는지, 추천 결과를 사람이 언제 검토했는지 남겨야 한다. 특히 후보자, 저성과자, 교육 추천 대상자처럼 개인에게 영향이 큰 그룹은 데이터 사전과 승인 기록을 분리해 관리할 필요가 있다.

    다음 분기 의사결정은 도입 범위보다 예외 처리에서 갈린다

    Work Trend Index의 질문은 조직이 이 기회를 포착할 준비가 되어 있느냐에 가깝다. HR 회의에서는 이 문장을 도입 찬반으로만 읽으면 부족하다. 2026년 하반기 AIHR 검토에서 더 어려운 부분은 “어디까지 자동화할 것인가”보다 “예외가 생겼을 때 누가 멈출 것인가”다.

    다음 분기 검토표에는 네 가지 항목을 올려야 한다. AI 에이전트가 실행할 업무 목록, 사람 승인 없이 진행하면 안 되는 업무, 데이터 기준월과 분모, 이의제기 또는 재검토 요청 경로다. 이 네 칸이 비어 있으면 AI 도입은 빠르게 보일 수 있다. 그러나 HR 운영에서는 빠른 실행보다 되짚을 수 있는 기록이 더 오래 남는다.

    참고한 공개 자료
    • Microsoft WorkLab, Work Trend Index
    • 개인정보보호위원회 정책·법령 및 기업정책 안내

  • Deloitte 2026 인적자본 트렌드, AI 성과 논의가 HR 운영 재설계로 이동

    Deloitte 2026 인적자본 트렌드, AI 성과 논의가 HR 운영 재설계로 이동

    Deloitte Insights의 2026 Global Human Capital Trends는 AI 논의를 기술 구매나 생산성 도구의 문제가 아니라 업무 재설계의 문제로 옮긴다. 특히 조사 대상 100명의 C-suite 리더 중 59%가 AI에 대해 기술 중심 접근을 취하고, 그런 조직이 인간 중심 접근 조직보다 기대를 넘는 AI 투자수익을 실현하지 못할 가능성이 1.6배 높다는 대목은 HR이 놓치기 어렵다. AI 성과는 도입률이 아니라 일의 구조에서 갈린다는 뜻에 가깝다.

    59%의 기술 중심 접근은 AI 투자 검토표의 빈칸을 드러낸다

    Deloitte가 제시한 100명 C-suite 리더 조사에서 조직의 59%는 AI를 기술 중심으로 접근한다. 같은 자료는 기술 중심 접근 조직이 인간 중심 접근 조직보다 기대 초과 AI 투자수익을 실현하지 못할 가능성이 1.6배 높다고 설명한다. 이 숫자는 AIHR 예산 심의에서 단순한 경고 문구가 아니다. 구매한 도구가 업무 판단, 승인, 협업, 학습을 어떻게 바꾸는지 묻지 않으면 성과 측정 자체가 비어 있다는 신호다.

    HR은 그래서 AI 도입 검토표를 바꿔야 한다. 기능 목록과 라이선스 비용만 비교하면 부족하다. 사용 직무, 데이터 접근 권한, 결과 검토자, 오류 보고 방식, 교육 대상, 성과지표 변경 여부를 같은 표에 넣어야 한다. 1.6배라는 수치는 기술팀의 성과만이 아니라 HR 운영 설계의 책임을 가리킨다.

    우위는 정적 배치보다 사람·스킬·데이터의 실시간 조율에서 나온다

    Deloitte 원문은 AI가 업무 속도를 높이면서 경쟁우위가 정적인 인재 배분에서 사람, 스킬, 데이터, 기술을 실시간으로 조율하는 방식으로 이동한다고 설명한다. 이 문장은 조직도 개편보다 운영 리듬의 변화를 말한다. 연 1회 인력계획, 반기별 역량 진단, 분기별 교육 신청만으로는 업무 수요가 바뀌는 속도를 따라가기 어렵다.

    HR 실무에서는 스킬 데이터의 갱신 주기부터 확인해야 한다. 어떤 직무가 어떤 도구를 쓰는지, 새 업무가 생겼을 때 내부 이동 후보가 며칠 안에 확인되는지, 프로젝트 인력 배치가 성과관리와 학습 이력에 남는지 점검해야 한다. 사람·스킬·데이터를 실시간으로 조율한다는 말은 플랫폼 도입보다 먼저 데이터 품질과 의사결정 주기를 바꾸라는 요구다.

    HR 기능은 사일로가 아니라 결과 중심 역량 묶음으로 재조립된다

    보고서는 HR·재무·IT 같은 전통 기능이 오늘의 사업 요구에는 느리고 사일로화돼 있다고 쓴다. 같은 section은 기능을 결과 중심 역량으로 해체하고 재조립할 필요도 제기한다. HR 입장에서는 채용팀, 교육팀, 평가팀, HRIS팀이 각자 연간 계획만 수행하는 방식이 AI 시대의 업무 변화와 충돌할 수 있다는 의미다.

    예를 들어 고객응대 AI를 도입하는 조직이라면 채용은 프롬프트 작성 경험만 볼 수 없다. 교육은 도구 사용법만 가르쳐서도 부족하다. 성과관리는 AI가 만든 초안과 사람이 수정한 판단을 어떻게 평가할지 정해야 한다. HRIS는 로그와 권한 데이터를 남겨야 한다. 기능별 KPI를 그대로 두면 한쪽은 도입 속도를 높이고 다른 한쪽은 리스크를 뒤늦게 처리하는 구조가 된다.

    지속학습은 교육 과정이 아니라 업무 흐름 안의 적응 능력이다

    Deloitte는 전통적 변화관리와 교육이 조직과 구성원의 적응 속도를 맞추기에 느릴 수 있다고 본다. 원문은 AI가 학습, 적응, 스킬 적용을 업무 흐름 안으로 끌어들인다는 설명도 덧붙인다. 이 대목은 HRD의 역할을 교육 신청률이나 수료율 관리에서 일하는 중의 학습 데이터 관리로 확장시킨다.

    다음 분기 HR 회의에서는 세 가지 지표를 물어볼 만하다. 첫째, AI 관련 업무 변경이 발생한 뒤 해당 직무의 교육 콘텐츠가 며칠 안에 업데이트되는가. 둘째, 구성원이 실제 업무에서 어떤 도움말·코칭·검토 절차를 쓰는지 데이터로 남는가. 셋째, 새 스킬이 성과평가와 내부 이동 의사결정에 반영되는가. 2026년 인적자본 트렌드의 핵심은 AI를 더 많이 사는 것이 아니다. 사람이 판단하고 배우고 협업하는 방식을 얼마나 빨리 다시 설계하느냐에 있다.

    참고한 공개 자료
    Deloitte Insights, 2026 Global Human Capital Trends.