HR Lens

AIHR

AI 기반 인사관리, HR 업무 자동화, People Analytics, AI 채용과 조직 운영 변화 등 AI와 HR이 만나는 주요 이슈를 다루는 태그입니다.

  • [2026 Skills Shift ⑥] AI 학습 플랫폼보다 먼저 설계해야 할 스킬 데이터

    [2026 Skills Shift ⑥] AI 학습 플랫폼보다 먼저 설계해야 할 스킬 데이터

    핵심 요약

    AI 학습 플랫폼을 도입하면 스킬 기반 HRD가 자동으로 완성될 것처럼 보인다. 하지만 실제로는 반대다. 플랫폼은 데이터를 담는 그릇이고, 어떤 스킬을 어떤 직무·업무·성과와 연결할지 정하지 않으면 추천 학습, AI 코칭, 역량 진단도 표면적인 기능에 머문다.

    CompTIA의 2026년 Workforce and Learning Trends는 조직의 83%가 스킬 우려 대응을 높은 우선순위로 두고, HR 전문가와 IT 리더의 62%가 향후 1년 AI 교육 예산 증가를 예상한다고 제시한다. 그런데 같은 자료는 공식 조직 차원의 업스킬링·리스킬링 프로그램을 갖춘 기업이 34%에 그친다고 설명한다. 예산과 관심은 커지지만, 스킬을 어떻게 정의하고 축적할지에 대한 운영 구조는 아직 부족하다는 뜻이다.

    따라서 2026년 HRD의 질문은 “어떤 AI 학습 플랫폼을 살 것인가”보다 먼저 “우리 조직의 스킬 데이터는 어떤 의사결정에 쓰일 것인가”가 되어야 한다. 스킬 데이터는 교육 이수 기록이 아니라 직무 변화, 학습 경로, 업무 적용, 내부 이동, 성과 검증을 연결하는 HR 운영 데이터다.

    스킬 기반 HRD는 플랫폼이 아니라 데이터 모델에서 시작된다

    스킬 기반 HRD를 시작할 때 흔히 먼저 검토하는 것은 LMS, LXP, AI 학습 추천 도구다. 물론 도구는 필요하다. 그러나 도구가 먼저 오면 “학습 콘텐츠를 많이 추천하는 시스템”은 만들 수 있어도 “어떤 스킬이 어떤 업무 전환에 필요한지 설명하는 시스템”은 만들기 어렵다.

    Deloitte의 2026 Global Human Capital Trends는 경쟁우위가 정적인 인력 배치에서 사람, 스킬, 데이터, 기술을 실시간으로 오케스트레이션하는 방식으로 이동한다고 설명한다. 여기서 핵심은 기술 자체가 아니라 연결 구조다. 사람의 현재 역할, 필요한 스킬, 업무 변화, 데이터, 기술 활용이 한 흐름으로 연결되어야 한다.

    CompTIA의 조사 대상은 HR 전문가와 IT 리더를 포함한 workforce development 관련 응답자다. 이 표본에서 스킬 우려 대응 우선순위는 높지만, 공식 조직 차원의 업스킬링·리스킬링 프로그램 보유 비율은 34%에 그친다. 이 격차는 플랫폼 부족만으로 설명하기 어렵다. 더 근본적인 문제는 스킬을 어떤 단위로 정의하고, 어떤 데이터로 확인하며, 어떤 HR 의사결정에 연결할지 정하지 못한 데 있다.

    스킬 데이터 모델은 적어도 네 가지 질문에 답해야 한다. 첫째, 직무별로 중요한 스킬은 무엇인가. 둘째, 현재 직원의 스킬 수준은 어떻게 확인할 것인가. 셋째, 학습 이후 실제 업무 적용은 어떻게 볼 것인가. 넷째, 그 결과를 배치, 내부 이동, 역할 전환, 성과관리와 어떻게 연결할 것인가.

    첫 번째 데이터는 ‘직무명’이 아니라 ‘업무와 스킬의 연결’이다

    스킬 데이터 설계의 출발점은 직무명이 아니다. 같은 직무명 안에서도 자동화되는 업무, 사람이 계속 해야 하는 판단 업무, AI와 함께 수행해야 하는 검증 업무가 다르다. 5편에서 본 것처럼 리스킬링 대상자 선정도 직무 전체가 아니라 바뀌는 업무를 기준으로 해야 한다. 6편의 데이터 설계도 같은 원칙을 따른다.

    CompTIA는 현재 사용 중인 훈련 형식으로 직무 역할 기반 훈련 64%, 기초 AI 스킬 훈련 64%, 컴플라이언스·보안 62%, 워크플로 관련 훈련 62%, 고급 AI 훈련 53%를 제시한다. 이 수치는 교육이 이미 “직무 역할”과 “워크플로” 단위로 이동하고 있음을 보여준다. 따라서 스킬 데이터도 직무명 아래에 단순 역량 목록을 붙이는 방식으로는 부족하다.

    실무에서는 직무를 세 단계로 쪼개는 것이 유용하다. 첫째, 직무명이다. 예를 들어 채용담당자, 교육담당자, 영업관리자처럼 조직이 이미 쓰는 역할 단위다. 둘째, 주요 업무다. 채용담당자라면 후보자 소싱, 면접 운영, 채용 데이터 분석, 온보딩 연계가 될 수 있다. 셋째, 업무별 필요 스킬이다. 데이터 해석, 인터뷰 설계, 이해관계자 커뮤니케이션, AI 도구 활용, 개인정보 판단처럼 더 작은 단위로 내려가야 한다.

    이렇게 설계하면 플랫폼의 학습 추천도 달라진다. “채용담당자에게 AI 교육 추천”이 아니라 “후보자 소싱 자동화 이후 남는 데이터 검증과 후보자 경험 설계 스킬을 강화”하는 방식으로 추천할 수 있다. 스킬 데이터는 교육 카탈로그 분류표가 아니라 업무 변화 지도여야 한다.

    두 번째 데이터는 학습 이력이 아니라 스킬 숙련도 변화다

    많은 조직의 LMS에는 수강 이력, 이수율, 만족도, 시험 점수가 남는다. 그러나 이것만으로는 직원이 실제로 어떤 스킬을 더 잘하게 되었는지, 어떤 업무를 맡을 수 있게 되었는지 설명하기 어렵다. 스킬 기반 HRD에서 필요한 데이터는 “교육을 들었다”가 아니라 “어떤 스킬 숙련도가 어느 수준에서 어느 수준으로 이동했다”다.

    SHRM의 2026년 AI in HR 보고서는 HR 조직의 AI 투자 성공을 공식적으로 측정하지 않는 응답이 56%라고 제시한다. 조사 대상과 산업 구성이 한국 기업과 다를 수는 있지만, AI 도입과 학습 투자가 늘어나는 상황에서 측정 구조가 뒤따르지 못하는 문제를 보여준다. AI 학습 플랫폼도 마찬가지다. 수료율만 남으면 투자 성과를 설명하기 어렵다.

    스킬 숙련도 데이터는 너무 복잡하게 시작할 필요가 없다. 예를 들어 4단계 정도로 시작할 수 있다. 1단계는 개념 이해, 2단계는 가이드에 따른 수행, 3단계는 독립 수행, 4단계는 타인 코칭 또는 업무 개선 제안이다. 중요한 것은 이 단계가 교육 과정명이 아니라 실제 업무 행동과 연결되어야 한다는 점이다.

    예를 들어 “생성형 AI 활용”이라는 스킬을 하나로 두면 데이터가 흐려진다. HRD 담당자에게는 교육 요구 분석 초안 작성, 학습 콘텐츠 구조화, 설문 응답 요약, 교육 효과 리포트 초안 검토처럼 업무별 행동으로 나눠야 한다. 그래야 교육 전후 진단, 관리자 피드백, 프로젝트 적용 사례가 하나의 스킬 변화 데이터로 연결된다.

    세 번째 데이터는 교육 이후의 업무 적용이다

    스킬 데이터가 HRD 안에서만 머물면 “교육을 잘 운영했다”는 보고는 가능하지만 “조직의 일하는 방식이 바뀌었다”는 설명은 어렵다. 교육 이후 어떤 업무에 적용되었는지, 어떤 프로젝트에 투입되었는지, 어떤 역할 전환으로 이어졌는지가 함께 기록되어야 한다.

    TalentLMS의 2026 L&D Report는 HR 매니저 표본을 중심으로 L&D 설계, 예산, 우선순위, 성과 측정 방식을 다룬다. 이 자료는 L&D 성공의 보조 지표로 비즈니스 영향 37%, 커리어 성장 결과 31%, 교육 만족도 28%를 제시한다. 만족도보다 비즈니스 영향과 커리어 성장 결과가 함께 언급된다는 점은 중요하다. 학습 데이터가 실제 업무와 내부 이동으로 연결되어야 한다는 신호이기 때문이다.

    업무 적용 데이터는 거창한 생산성 지표부터 시작할 필요가 없다. 교육 이후 30일 안에 적용한 업무, 적용 산출물, 관리자 확인, 동료 피드백, 프로젝트 투입 여부, 자동화 또는 개선한 업무 단위처럼 작은 데이터부터 시작할 수 있다. 핵심은 “교육 종료”와 “업무 변화” 사이를 끊지 않는 것이다.

    예를 들어 AI 교육을 들은 직원이 보고서 초안 작성 시간을 줄였는지, 고객 문의 분류 기준을 개선했는지, 반복 업무를 자동화했는지, 회의록 요약 품질을 검토하는 기준을 만들었는지 확인해야 한다. 이런 데이터가 쌓여야 다음 편에서 다룰 성과지표도 수료율이 아니라 적용, 이동, 역할 전환 중심으로 설계할 수 있다.

    HRD 실무 체크리스트: 플랫폼 도입 전 확인할 6가지 데이터 질문

    AI 학습 플랫폼이나 LXP를 검토하기 전에 HRD는 먼저 데이터 질문을 정리해야 한다. CompTIA의 2026년 자료에서 AI 교육 예산 증가를 예상한 HR 전문가와 IT 리더가 62%라는 점은 투자 압력이 커지고 있음을 보여준다. 하지만 공식 업스킬링·리스킬링 프로그램 보유 기업이 34%라는 수치는 투자 전 데이터 구조 점검이 필요하다는 경고이기도 하다.

    첫째, 우리 조직은 스킬을 어떤 단위로 정의하는가. 직무명, 직무역량, 업무, 행동지표, 도구 활용 능력이 섞여 있으면 플랫폼에 넣어도 검색과 추천 품질이 낮아진다.

    둘째, 스킬과 업무의 연결표가 있는가. “AI 활용 역량”처럼 넓은 표현보다 “교육 만족도 주관식 응답을 요약하고 개선 과제를 분류한다”처럼 업무 행동과 연결된 표현이 필요하다.

    셋째, 현재 수준을 어떻게 진단할 것인가. 자기진단만 쓸지, 관리자 확인을 더할지, 과제 수행 결과를 볼지, 프로젝트 산출물을 볼지 정해야 한다. 진단 방식이 없으면 학습 추천은 개인의 관심사 추천에 머문다.

    넷째, 학습 이후 변화를 어떻게 기록할 것인가. 수료 여부, 진단 점수 변화, 업무 적용 사례, 관리자 확인, 프로젝트 투입 여부가 최소한의 후보 데이터가 될 수 있다.

    다섯째, 이 데이터를 어떤 HR 의사결정에 쓸 것인가. 교육 추천만 할 것인지, 내부 이동, 역할 전환, 승계 후보군, 프로젝트 배치, 인력계획까지 연결할 것인지에 따라 필요한 데이터 수준이 달라진다.

    여섯째, 개인정보와 평가 리스크를 어떻게 관리할 것인가. 스킬 데이터는 직원 성장 지원과 배치 의사결정에 유용하지만, 불투명한 평가나 낙인으로 쓰이면 신뢰를 잃는다. 데이터 수집 목적, 접근 권한, 보관 기간, 개인 피드백 방식은 플랫폼 계약보다 먼저 정해야 한다.

    HR이 다음에 봐야 할 방향

    2026년 업스킬링·리스킬링의 핵심은 더 많은 교육 콘텐츠를 배치하는 것이 아니다. 어떤 업무가 바뀌고, 어떤 스킬이 필요하며, 누가 어떤 수준에 있고, 학습 이후 어떤 업무에 적용했는지 설명할 수 있어야 한다. 이 설명 가능성이 스킬 데이터의 역할이다.

    플랫폼은 이 데이터를 잘 모으고 보여줄 수 있다. 하지만 데이터 모델이 없으면 플랫폼은 수료율과 콘텐츠 추천을 반복할 뿐이다. 반대로 업무-스킬-진단-학습-적용-검증의 흐름이 정리되어 있으면 작은 LMS나 스프레드시트로도 파일럿을 시작할 수 있다.

    다음 편에서는 이 데이터가 어떤 성과지표로 이어져야 하는지 다룰 필요가 있다. 리스킬링의 성과는 수료율만으로 설명하기 어렵다. 내부 이동, 역할 전환, 업무 적용, 생산성 개선, 관리자 평가, 프로젝트 투입 같은 지표가 함께 있어야 한다. 스킬 데이터는 그 성과지표를 만들기 위한 기초 인프라다.

    참고자료

  • [2026 Skills Shift ③] AI 시대 직원에게 필요한 스킬은 코딩만이 아니다

    [2026 Skills Shift ③] AI 시대 직원에게 필요한 스킬은 코딩만이 아니다

    핵심 요약

    AI 시대의 직원 교육을 코딩 교육으로만 이해하면 방향을 놓치기 쉽다. 일부 기술 직무에는 코딩과 모델 이해가 중요하지만, 대부분의 구성원에게 먼저 필요한 것은 AI와 함께 일하는 업무 판단력이다. 어떤 문제를 AI에 맡길지, 어떤 데이터와 맥락을 넣어야 할지, 결과를 어떻게 검증할지, 사람의 판단이 남아야 하는 지점을 구분하는 능력이 핵심이다.

    CompTIA의 2026년 자료는 조직의 83%가 스킬 우려 대응을 높은 우선순위로 보고, HR 전문가와 IT 리더의 62%가 향후 1년 AI 교육 예산 증가를 예상한다고 제시한다. 이 글은 CompTIA의 HR 전문가·IT 리더 응답자 자료, SHRM의 1,908명 HR 전문가 표본, Deloitte와 TalentLMS의 2026년 조사 범위를 함께 보되, 산업·직군·직무 구성 차이가 있다는 점을 전제로 읽는다. 동시에 CompTIA는 AI 교육의 현재 형식에서 직무 역할 기반 훈련이 1위라고 설명한다. 이는 “모두에게 같은 AI 특강”보다 각 직무의 업무 장면에 맞춘 스킬 설계가 필요하다는 뜻이다.

    AI 스킬은 도구 사용법이 아니라 업무 판단력이다

    AI 교육이 실패하는 흔한 이유는 도구 사용법을 스킬로 착각하기 때문이다. CompTIA의 2026년 Workforce and Learning Trends는 조직의 83%가 스킬 우려 대응을 높은 우선순위로 두고, HR 전문가와 IT 리더의 62%가 향후 1년 AI 교육 예산 증가를 예상한다고 제시한다. 이 예산이 도구 사용법 교육에만 쓰이면 업무 성과로 연결되기 어렵다. 생성형 AI 화면에서 프롬프트를 입력하는 법은 필요하지만, 그것만으로는 업무 성과가 바뀌지 않는다. CompTIA는 AI와 디지털 fluency가 전체 인력의 업스킬링 수요라고 설명하면서도, AI 교육의 현재 형식에서 직무 역할 기반 훈련이 1위라고 제시한다. 즉 AI 스킬은 범용 도구 교육이 아니라 직무별 업무 판단과 연결되어야 한다.

    Deloitte의 2026 Global Human Capital Trends도 경쟁우위가 정적 조직 구조 안에서 인재를 배치하는 방식에서 사람, 스킬, 데이터, 기술을 실시간으로 오케스트레이션하는 방식으로 이동한다고 설명한다. 이 관점에서 AI 스킬은 “AI를 쓸 줄 안다”가 아니라 “AI를 업무 흐름 안에 어떻게 배치할지 판단한다”에 가깝다.

    첫 번째 스킬은 문제정의다

    AI 활용의 출발점은 좋은 질문이 아니라 좋은 문제정의다. 같은 보고서 작성 업무라도 AI에게 초안을 맡길 수 있는 부분, 내부 데이터를 확인해야 하는 부분, 이해관계자 판단이 필요한 부분이 다르다. 문제를 잘못 정의하면 AI는 빠르게 답을 내지만, 그 답은 엉뚱한 방향으로 정확해질 수 있다.

    HRD 관점에서는 구성원에게 “AI를 써보라”고 말하기보다 업무를 작은 단위로 나누게 해야 한다. 반복 작성, 요약, 분류, 초안 생성, 비교 검토, 의사결정 지원 중 무엇을 AI에 맡길지 구분하게 하는 것이다. CompTIA가 AI 외 다른 기술 요인도 스킬 격차를 만든다고 보는 HR 전문가와 IT 리더가 80%라고 제시한 점을 감안하면, 문제정의 역량은 AI 하나가 아니라 여러 디지털 도구를 업무에 연결하는 기반이 된다.

    두 번째 스킬은 데이터 해석과 결과 검증이다

    AI가 만든 결과는 그럴듯해 보일수록 위험할 수 있다. SHRM의 2026년 AI in HR 보고서는 1,908명의 HR 전문가를 대상으로 한 조사에서, 기술적 장벽이 사라져도 비기술 장벽이 HR 기능의 완전 자동화를 막을 것이라고 보는 응답이 72%라고 제시한다. 여기에는 직원, 관리자, 지원자 같은 HR 고객의 수용성, 신뢰, 책임, 맥락 판단 문제가 포함된다.

    TalentLMS의 2026 L&D Report도 학습 리더의 22%가 AI 생성 콘텐츠의 신뢰성을 우려한다고 설명한다. 이 수치는 AI 결과를 그대로 쓰는 능력이 아니라 검증하는 능력이 중요하다는 신호다. 직원은 AI가 제시한 요약, 추천, 분류, 평가 초안이 어떤 데이터에 기대고 있는지, 빠진 맥락은 없는지, 편향이나 오류 가능성은 없는지 확인할 수 있어야 한다.

    세 번째 스킬은 협업과 윤리적 판단이다

    AI가 업무에 들어오면 혼자 잘 쓰는 사람보다 팀의 일하는 방식을 바꾸는 사람이 중요해진다. SHRM은 AI 배치 조직에서 HR 전문가 응답자가 업스킬링·리스킬링 기회 57%, 직무 책임 변화 39%, 신규 역할 24%를 보고했다고 제시한다. 이는 AI 도입이 개인 생산성 도구를 넘어 역할과 협업 구조를 바꾸고 있음을 보여준다.

    윤리적 판단도 분리할 수 없다. 채용, 평가, 보상, 교육 추천처럼 사람에게 영향을 주는 HR 업무에서는 AI 결과를 적용하기 전에 책임 소재, 설명 가능성, 개인정보, 차별 가능성을 확인해야 한다. AI 시대의 핵심 스킬은 빠른 산출이 아니라 안전하고 납득 가능한 산출을 만드는 역량이다.

    HRD 실무 체크리스트: AI 교육을 다시 설계할 5가지 질문

    첫째, 이 교육은 도구 사용법을 가르치는가, 직무별 의사결정 장면을 바꾸는가. CompTIA가 직무 역할 기반 훈련을 AI 교육의 현재 1위 형식으로 제시하고, AI와 디지털 fluency를 전체 인력의 업스킬링 수요로 설명한 만큼, 교육 설계는 직무별 사례에서 시작해야 한다. 특히 CompTIA의 62% AI 교육 예산 증가 예상과 SHRM의 업스킬링·리스킬링 기회 57% 수치는 예산 확대가 곧 성과로 이어지지는 않는다는 점을 보여준다.

    둘째, 구성원이 AI에 맡길 업무와 사람이 남아야 할 업무를 구분할 수 있는가. 셋째, AI 결과를 검증할 데이터 기준과 품질 기준을 갖고 있는가. 넷째, 협업 규칙과 책임 기준을 팀 단위로 합의했는가. 다섯째, AI 교육 예산 증가가 단순 특강 증가가 아니라 업무 적용, 검증, 피드백, 성과 측정으로 이어지는가.

    이 다섯 가지 질문에 답하지 못하면 AI 교육은 빠르게 확산되지만 조직의 스킬 체계로 남지 않는다. 반대로 질문에 답할 수 있다면 코딩을 가르치지 않아도 직원은 AI와 함께 일하는 핵심 역량을 갖추기 시작한다.

    HR이 다음에 봐야 할 방향

    2026년 HRD의 과제는 AI 교육을 더 많이 여는 것이 아니라, AI 시대의 업무 판단력을 직무별 스킬로 번역하는 것이다. 문제정의, 데이터 해석, 결과 검증, 협업, 윤리적 판단은 어느 한 과정의 이름이 아니라 스킬 기반 조직으로 넘어가기 위한 운영 언어다.

    다음 편에서는 이 스킬들이 교육팀 안에서만 관리될 수 없는 이유를 다룬다. 스킬 기반 조직은 HRD 과정 설계만으로 만들어지지 않는다. 직무 체계, 채용, 성과관리, 내부 이동, People Analytics가 함께 연결되어야 한다.

    참고자료

  • [2026 Skills Shift ②] 업스킬링과 리스킬링, HRD 예산을 나누는 기준

    [2026 Skills Shift ②] 업스킬링과 리스킬링, HRD 예산을 나누는 기준

    핵심 요약

    업스킬링과 리스킬링은 비슷해 보이지만 HRD 예산을 설계할 때는 완전히 다르게 다뤄야 한다. 업스킬링은 현재 맡은 역할의 성과를 높이는 투자다. 리스킬링은 다른 역할이나 새 직무로 이동할 수 있게 만드는 전환 투자다.

    이 구분이 중요한 이유는 2026년의 스킬 격차가 단순 교육 부족으로만 설명되지 않기 때문이다. CompTIA는 조직의 83%가 스킬 관련 우려 대응을 높은 우선순위로 보고, 62%는 향후 1년 AI 교육 예산 증가를 예상한다고 제시한다. 그런데 같은 자료에서 현재 직원을 위한 공식 조직 차원의 리스킬링 또는 업스킬링 프로그램을 갖춘 기업은 34%에 그친다.

    즉, 많은 조직이 스킬 문제를 중요하게 보지만 아직 예산, 대상자, 성과지표를 체계적으로 나누지 못하고 있다. 이때 두 개념을 섞어 쓰면 교육은 늘어나도 인력전략은 선명해지지 않는다.

    업스킬링은 현재 역할의 성과를 높이는 투자다

    업스킬링은 구성원이 현재 맡은 역할을 더 잘 수행하도록 돕는 학습이다. CompTIA의 2026년 조사에서 조직의 83%가 스킬 우려 대응을 높은 우선순위로 둔다는 점을 보면, 이는 일부 직무만의 보완 교육이 아니라 현재 인력 전체의 생산성 투자에 가깝다. 영업 담당자가 고객 데이터를 더 잘 해석하는 것, 채용 담당자가 AI screening 결과를 검증하는 것, 교육 담당자가 생성형 AI로 과정 설계를 빠르게 하는 것이 여기에 속한다.

    핵심은 “현재 직무 안에서 성과가 어떻게 좋아지는가”다. 따라서 대상자는 현재 직무를 유지하면서 생산성, 품질, 속도, 판단력을 높여야 하는 구성원이다. 예산도 비교적 넓게 잡을 수 있다. 전 직원 AI 리터러시, 직무별 디지털 도구 활용, 데이터 기반 의사결정, 관리자 코칭 역량 같은 항목은 업스킬링 예산에 가깝다.

    CompTIA는 AI와 디지털 fluency가 전체 인력의 업스킬링 수요라고 설명한다. 동시에 AI만이 스킬 격차의 원인은 아니라고 본다. HR 전문가와 IT 리더의 80%는 AI 외 다른 기술 요인도 스킬 격차를 만든다고 답했다. 이 말은 업스킬링 예산이 “AI 특강” 하나로 끝나서는 안 된다는 뜻이다. 조사 대상과 표본, 산업 구성이 다른 글로벌 자료라는 한계는 있지만, 적어도 직무별 업무 장면에 맞춘 학습 설계가 필요하다는 방향은 분명하다.

    리스킬링은 다른 역할로 이동할 수 있게 만드는 전환 투자다

    리스킬링은 현재 직무를 조금 더 잘하게 만드는 교육이 아니다. SHRM의 2026년 AI in HR 조사에서 AI 배치 조직의 HR 전문가 응답자는 직무 책임 변화 39%, 신규 역할 24%, 업스킬링·리스킬링 기회 57%를 보고했다. 이런 상황에서 리스킬링은 업무 구조가 바뀌었거나, 기존 역할의 수요가 줄거나, 새로운 역할이 생겼을 때 구성원이 이동할 수 있게 만드는 전환 학습이다.

    예를 들어 단순 반복 보고 업무가 줄어드는 대신 데이터 해석과 현업 컨설팅 역할이 커진다면, 기존 보고 담당자를 People Analytics 지원 역할로 이동시키는 과정이 리스킬링이다. 콜센터 상담 업무 일부가 자동화되면서 상담 품질관리, 고객 이슈 분석, AI 응답 검수 역할이 커진다면 이 역시 리스킬링 대상이 될 수 있다.

    SHRM의 2026년 AI in HR 자료는 AI 도입이 대규모 일자리 대체보다 책임 변화와 새 역할을 더 많이 만들고 있음을 보여준다. AI가 배치된 조직에서 HR 전문가 응답자는 빈번한 업스킬링·리스킬링 기회를 57%, 직무 책임 변화를 39%, 신규 역할을 24%로 보고했다. 약간의 일자리 대체를 언급한 응답은 7%였다. 이 수치는 리스킬링을 구조조정 이후의 사후 교육이 아니라 역할 전환을 미리 준비하는 장치로 봐야 한다는 점을 보여준다.

    예산을 나누는 첫 기준은 ‘현재 직무 강화’와 ‘역할 전환’이다

    HRD 예산을 나눌 때 가장 먼저 볼 기준은 교육 주제가 아니라 인력 의사결정이다. CompTIA의 응답 표본에서는 개발 예산이 HR/L&D에 주로 속한다는 응답이 46%, 개별 부서에 속한다는 응답이 43%로 거의 나뉜다. 따라서 현재 직무를 유지한 채 역량을 높이는가, 아니면 다른 역할로 이동할 가능성을 만드는가에 따라 업스킬링과 리스킬링의 예산 구조도 달라져야 한다.

    업스킬링 예산은 보통 더 넓은 인원을 대상으로 한다. 기간은 짧거나 중간 길이일 수 있고, 업무 적용 과제가 중요하다. 반면 리스킬링 예산은 대상자가 더 좁고 기간이 길어질 수 있다. 진단, 선발, 학습, 프로젝트 실습, 멘토링, 배치 검토까지 포함해야 하기 때문이다.

    CompTIA는 개발 예산의 위치도 조직마다 갈린다고 설명한다. 응답 표본에서 개발 예산이 HR/L&D에 주로 속한다는 응답은 46%, 개별 부서에 속한다는 응답은 43%였다. 이 차이는 단순한 회계 문제가 아니다. 업스킬링은 HRD가 공통 체계를 만들 수 있지만, 리스킬링은 현업 부서의 역할 수요와 배치 가능성이 함께 확인되어야 한다.

    성과지표도 달라야 한다

    업스킬링의 성과는 현재 직무에서의 적용으로 봐야 한다. 예를 들어 교육 수료 후 업무 처리 시간, 산출물 품질, 오류 감소, 관리자 평가, 고객 반응, 직무별 AI 활용 가이드 준수 여부를 볼 수 있다. 수료율과 만족도는 보조 지표에 가깝다.

    리스킬링의 성과는 이동과 전환으로 봐야 한다. 새 역할 후보군 진입, 프로젝트 실습 통과, 내부 채용 지원, 전환 배치, 새 직무 적응 기간, 3개월 또는 6개월 후 성과가 중요하다. 교육을 들었는지가 아니라 다른 역할을 실제로 맡을 수 있게 되었는지가 핵심이다.

    이 차이를 무시하면 HRD 보고서는 보기 좋아도 경영진의 질문에는 답하지 못한다. “몇 명이 들었는가”는 말할 수 있지만 “어떤 인력 리스크가 줄었는가”, “어떤 내부 이동이 가능해졌는가”, “채용 대체 효과가 있었는가”에는 답하기 어렵다.

    HRD 실무 체크리스트: 2026년 교육계획에 반영할 5가지 질문

    첫째, 이 교육은 현재 직무를 강화하는가, 다른 역할로 이동시키는가. CompTIA가 현재 직원을 위한 공식 조직 차원의 업스킬링·리스킬링 프로그램 보유 기업을 34%로 제시한 만큼, 이 질문은 교육명 정리가 아니라 조사 대상, 예산 책임, 성과지표를 정하는 출발점이다. 답이 전자라면 업스킬링, 후자라면 리스킬링에 가깝다.

    둘째, 대상자는 전 직원인가, 특정 직무군인가, 전환 후보군인가. 대상자 범위가 넓을수록 업스킬링일 가능성이 크고, 선발과 배치 검토가 필요할수록 리스킬링일 가능성이 크다.

    셋째, 성과지표는 현재 업무 성과인가, 역할 전환 결과인가. 업스킬링은 업무 적용 지표를, 리스킬링은 이동·배치·새 역할 적응 지표를 포함해야 한다.

    넷째, 예산 책임은 HRD 단독인가, 현업과 공동인가. 리스킬링은 현업의 수요와 실제 자리 없이는 작동하기 어렵다.

    다섯째, 조사 대상과 표본, 산업 구성, 응답자 특성이 우리 조직과 얼마나 다른가. 글로벌 리포트의 수치는 방향을 보여주지만, 최종 예산 배분은 내부 직무 변화 데이터와 함께 결정해야 한다.

    HR이 다음에 봐야 할 방향

    업스킬링과 리스킬링을 구분하는 일은 용어 정리가 아니다. CompTIA의 83% 스킬 우선순위, 62% AI 교육 예산 증가 예상, SHRM의 57% 리스킬링 기회 응답이 함께 가리키는 것은 하나다. HRD가 예산을 어디에 쓰고, 누구를 대상으로 삼고, 어떤 결과를 경영진에게 보고할지 결정하는 기준이 필요하다는 점이다.

    다음 편에서는 AI 시대에 직원에게 필요한 핵심 스킬을 다룬다. 모든 구성원에게 코딩을 가르치는 방식이 아니라, AI와 함께 일하기 위해 필요한 문제정의, 데이터 해석, 검증, 협업, 윤리적 판단 역량을 중심으로 살펴볼 필요가 있다.

    참고자료

  • [2026 Skills Shift ①] 업스킬링·리스킬링은 왜 다시 HR의 핵심 의제가 됐나

    [2026 Skills Shift ①] 업스킬링·리스킬링은 왜 다시 HR의 핵심 의제가 됐나

    핵심 요약

    2026년 업스킬링과 리스킬링은 더 이상 교육 과정의 이름이 아니다. HR이 인력 전략, AI 도입, 생산성, 직무 재설계를 함께 다루기 위해 다시 꺼내야 하는 운영 의제에 가깝다.

    AIHR의 2026년 HR 우선순위는 “headcount에서 skill count로 이동”해야 한다는 표현으로 이 변화를 요약한다. Deloitte 역시 사람, 스킬, 데이터, 기술을 실시간으로 오케스트레이션하는 역량이 조직 경쟁력의 핵심이 되고 있다고 본다. CompTIA 자료에서는 조직의 83%가 스킬 관련 우려 대응을 높은 우선순위로 보고, 62%는 향후 1년 AI 교육 예산이 늘어날 것으로 예상한다.

    따라서 HRD의 출발점도 달라져야 한다. “올해 어떤 교육을 열 것인가”보다 “어떤 업무가 바뀌고, 어떤 스킬을 새로 검증해야 하며, 누가 어떤 역할로 이동할 수 있는가”를 먼저 물어야 한다.

    교육 과정이 아니라 역량 전환이 의제가 됐다

    과거의 업스킬링은 기존 직무를 더 잘 수행하기 위한 보완 교육에 가까웠다. 리스킬링도 구조조정이나 직무 전환이 필요한 일부 인력에게 제공되는 예외적 프로그램으로 여겨졌다. 그러나 2026년의 상황은 다르다.

    AI 도입은 특정 직무 전체를 한 번에 없애기보다 업무 단위를 다시 나누고 있다. 보고서 작성, 데이터 정리, 고객 응대, 콘텐츠 제작, 채용 screening, 교육 설계처럼 사람의 판단과 도구의 자동화가 섞이는 영역이 빠르게 늘고 있다. 이때 필요한 것은 단순한 도구 사용법이 아니라 바뀐 업무 흐름에서 사람이 어떤 판단을 맡고, AI가 어떤 보조 역할을 하며, 결과를 어떻게 검증할 것인지에 대한 새 역량이다.

    TalentLMS는 이를 “learning debt”라는 표현으로 설명한다. 일이 바뀌는 속도가 학습과 개발 속도보다 빠를 때, 조직 안에는 보이지 않는 스킬 부채가 쌓인다. 구성원은 바빠서 배우지 못하고, 관리자는 당장 성과가 급해서 학습 시간을 내주지 못하며, HRD는 수료율은 관리하지만 실제 업무 전환까지는 추적하지 못한다. 이 간극이 커질수록 교육은 많아지는데 역량 전환은 일어나지 않는 문제가 생긴다.

    AI는 일자리를 없애기보다 일을 다시 나누고 있다

    업스킬링·리스킬링 논의가 다시 중요해진 가장 큰 이유는 AI에 대한 해석이 바뀌고 있기 때문이다. 단순히 “AI가 일자리를 대체한다”는 말만으로는 HRD 전략을 세우기 어렵다. 실제 조직에서는 대체, 보완, 역할 변경, 신규 역할 생성이 동시에 나타난다.

    SHRM의 2026년 AI in HR 자료는 이 점을 비교적 명확하게 보여준다. AI가 배치된 조직의 HR 전문가 응답자는 AI 도입 결과로 빈번한 업스킬링·리스킬링 기회가 생겼다는 응답을 57%, 직무 책임 변화가 있었다는 응답을 39%, 신규 역할이 생겼다는 응답을 24%로 보고했다. 반면 약간의 일자리 대체를 언급한 응답은 7%였다.

    이 수치는 HR이 집중해야 할 지점을 보여준다. 핵심은 공포가 아니라 재설계다. 다만 조사 대상과 표본, 산업 구성은 리포트마다 다르므로 한국 기업에 그대로 이식하기보다 내부 직무 데이터와 함께 읽어야 한다. 어떤 업무가 자동화되는지, 어떤 업무가 AI와 함께 더 커지는지, 어떤 구성원이 새 역할로 이동할 수 있는지 판단해야 한다. 리스킬링은 사라지는 직무의 대피소가 아니라 바뀌는 업무를 기준으로 인력을 다시 배치하는 장치가 되어야 한다.

    HRD의 질문은 ‘무엇을 가르칠까’에서 ‘어떤 일을 바꿀까’로 이동한다

    Deloitte의 2026년 인적자본 트렌드는 정적인 직무와 조직 구조만으로는 변화 속도를 따라가기 어렵다고 본다. 사람, 스킬, 데이터, 기술을 실시간으로 연결하고, 업무 성과를 중심으로 역량을 재구성하는 조직이 유리하다는 것이다.

    이 관점에서 HRD는 교육 공급자가 아니라 스킬 전환 설계자가 되어야 한다. 예를 들어 생성형 AI 교육을 운영한다고 해도, 단순히 프롬프트 작성법을 가르치는 데서 멈추면 효과가 제한된다. 채용 담당자에게는 후보자 검토 기준과 편향 점검 역량이 필요하고, 영업 담당자에게는 고객 데이터 해석과 제안서 검증 역량이 필요하다. 교육 주제는 같아도 직무별 업무 변화가 다르면 학습 경로와 성과지표도 달라져야 한다.

    CompTIA 자료도 AI만이 스킬 격차의 원인은 아니라고 본다. HR 전문가와 IT 리더의 80%는 AI 외 다른 기술 요인도 스킬 격차를 만든다고 응답했다. 이는 2026년 HRD가 AI 교육 하나로 모든 문제를 해결하려 해서는 안 된다는 뜻이다. 디지털 도구, 데이터 활용, 협업 방식, 직무별 전문성, 인증과 검증 체계를 함께 봐야 한다.

    기업 실무 적용 포인트: 2026년 업스킬링·리스킬링 설계 체크리스트

    첫째, 교육 수요조사보다 업무 변화 진단을 먼저 해야 한다. “어떤 교육이 필요한가”가 아니라 “최근 1년 안에 어떤 업무가 자동화·증강·축소·확대됐는가”를 확인해야 한다.

    둘째, 업스킬링과 리스킬링을 분리해야 한다. 업스킬링은 현재 직무의 성과를 높이는 학습이고, 리스킬링은 다른 역할이나 직무로 이동할 수 있게 만드는 학습이다. 대상자, 예산, 기간, 성과지표가 같을 수 없다.

    셋째, AI 교육은 직무별 업무 장면과 연결해야 한다. 전 직원 공통 특강만으로는 실제 적용이 어렵다. 직무별 use case, 검증 기준, 위험 관리, 관리자 코칭이 함께 설계돼야 한다.

    넷째, 수료율 중심 지표를 줄여야 한다. 내부 이동, 새 업무 투입, 프로젝트 성과, 관리자 평가, 스킬 검증, 구성원 커리어 이동 같은 지표가 함께 필요하다.

    다섯째, HRD 혼자 하지 않아야 한다. AIHR이 말하듯 HR은 AI 전환의 공동 리더 역할을 해야 한다. 그러나 실행은 HRD, HRBP, 현업 리더, IT, 데이터 조직이 함께 설계해야 가능하다.

    HR이 다음에 봐야 할 방향

    2026년 업스킬링·리스킬링의 핵심은 교육을 더 많이 여는 것이 아니다. 바뀌는 일의 구조를 보고, 필요한 스킬을 정의하고, 학습을 실제 역할 전환과 성과로 연결하는 것이다.

    다음 편에서는 업스킬링과 리스킬링을 어떻게 구분해야 하는지 다룬다. 두 개념을 정확히 나누지 않으면 교육 예산도, 대상자 선정도, 성과 측정도 흐려진다. 2026년 HRD 계획을 세우는 조직이라면 먼저 이 구분부터 다시 잡을 필요가 있다.

    참고자료

  • AI 채용 확산, 2026년 글로벌 채용의 기준이 리더십 파이프라인으로 넓어진다

    AI 채용 확산, 2026년 글로벌 채용의 기준이 리더십 파이프라인으로 넓어진다

    Korn Ferry가 2025년 10월 발표한 2026년 인재 확보 트렌드 조사에서 글로벌 talent leader의 84%는 2026년에 AI를 채용에 활용할 계획이라고 답했다. 같은 자료는 1,674명의 외부 글로벌 인재 리더와 230명의 Korn Ferry 전문가 조사를 기반으로, AI 도입이 단순한 채용 자동화가 아니라 엔트리 레벨 채용, 리더십 공급, 근무방식 경쟁력까지 흔드는 변수라고 짚었다.

    SHRM도 2026년 Talent Trends 자료에서 2,094명의 HR 전문가 조사를 근거로 68%가 풀타임 직원 채용에 어려움을 겪고 있다고 발표했다. 2026년 글로벌 채용의 먼저 봐야 할 부분은 “AI를 쓰는가”가 아니라, 자동화로 빨라진 선발 환경에서 어떤 인재 파이프라인을 남기고 어떤 판단 기준을 강화할 것인가로 이동하고 있다.

    AI 도입률이 높아질수록 채용 책임은 더 넓어진다

    Korn Ferry 조사에서 84%라는 AI 활용 계획은 채용 기술이 실험 단계를 넘어 운영 기본값으로 들어왔다는 신호다. 하지만 같은 발표는 임원들이 AI 전환을 이끌 준비가 충분하다고 답한 비율이 11%에 그쳤다는 점도 함께 제시했다. 도구 도입 속도와 조직의 의사결정 준비도 사이에 간격이 있는 셈이다.

    이 간격은 HR이 다뤄야 할 책임 범위를 넓힌다. 채용팀은 AI가 추천한 후보자 순위나 자동화된 서류 검토 결과를 그대로 사용하는 데서 멈출 수 없다. 데이터 입력 기준, 평가 제외 조건, 후보자 이의제기 경로, 최종 판단 주체를 문서로 남겨야 한다. 채용 리드타임 단축만을 KPI로 삼으면 빠른 선발은 가능해도, 편향·설명·후보자 신뢰 문제는 나중에 더 큰 비용으로 돌아올 수 있다.

    엔트리 레벨 축소는 비용 절감보다 리더십 공급 문제로 돌아온다

    Korn Ferry는 기업의 43%가 AI로 일부 역할을 대체할 계획이라고 밝혔다. 대체 대상은 운영·백오피스가 58%, 엔트리 레벨이 37%로 제시됐다. 단기적으로는 반복 업무 자동화와 인건비 효율화가 매력적으로 보이지만, 보고서는 엔트리 레벨 채용 축소가 장기 리더십 파이프라인을 약화시킬 수 있다고 경고한다.

    채용 관점에서 이 수치는 단순한 인력 감축 신호가 아니다. 주니어 포지션은 일을 배우는 자리이면서 동시에 조직의 업무 언어, 고객 이해, 협업 규칙을 흡수하는 통로다. AI가 초급 업무 일부를 가져가더라도 조직은 대체 학습 경로를 설계해야 한다. 예를 들어 주니어 채용 수를 줄이는 조직이라면 내부 순환, 프로젝트 기반 과제, 멘토링 시간, AI 보조 업무의 검수 역할을 함께 설계해야 한다. 그렇지 않으면 2026년의 비용 절감이 2028년 이후의 중간관리자 공백으로 나타날 수 있다.

    AI 에이전트가 팀원이 되면 직무 정의부터 바뀐다

    Korn Ferry 자료에서 리더의 52%는 2026년에 autonomous agent를 팀에 추가할 계획이라고 답했다. 일부 조직은 이미 HR 시스템 안에서 AI 에이전트의 employee record를 만들고 있다는 설명도 담겼다. 이는 AI가 채용 도구에 머무는 것이 아니라 팀 구성의 한 단위로 취급되기 시작했다는 뜻이다.

    이 변화는 채용공고의 직무기술서에도 영향을 준다. “어떤 사람을 뽑을 것인가”라는 질문은 “사람과 AI가 나눠 맡을 업무는 무엇인가”라는 질문으로 바뀐다. 반복 리서치, 초안 생성, 후보자 커뮤니케이션, 일정 조율을 AI가 맡는다면 사람에게 요구되는 역량은 검증, 우선순위 판단, 이해관계자 조율, 윤리적 판단으로 이동한다. 채용팀은 직무기술서에 AI 사용 가능 업무와 사람이 최종 책임을 지는 업무를 분리해 적어야 한다.

    스킬 기반 채용은 기술명보다 판단 역량을 묻는다

    Korn Ferry 조사에서 잠재 후보자를 평가할 때 73%가 비판적 사고를 1순위로 꼽았고, AI 관련 스킬은 5위에 머물렀다. SHRM 조사에서도 80%의 HR 전문가가 판단, 의사결정, 복잡한 문제 해결, 시간관리 등 시스템·자원관리 스킬을 갖춘 후보자를 찾는 데 가장 큰 어려움을 겪는다고 답했다.

    이 결과는 2026년 스킬 기반 채용이 기술 스택 목록을 늘리는 방식으로만 가서는 안 된다는 점을 보여준다. “생성형 AI 사용 경험”이라는 문구만으로는 후보자의 업무 판단력을 검증하기 어렵다. 선발 과정에는 과제의 목표를 재정의하는 질문, 제한된 정보에서 우선순위를 정하는 상황, AI가 만든 결과를 반박하거나 수정하는 장면이 들어가야 한다. 면접관 교육도 달라져야 한다. 면접관은 후보자가 어떤 도구를 썼는지보다, 근거를 어떻게 확인했고 어떤 리스크를 남겼는지를 물어야 한다.

    근무방식은 복지가 아니라 모집 가능 인재풀의 크기다

    Korn Ferry 조사에서 52%는 사무실 복귀 의무가 채용을 방해한다고 답했고, 73%는 원격 역할이 더 채우기 쉽다고 응답했다. 2026년 글로벌 채용에서 근무방식은 보상 패키지의 부가 조건이 아니라, 애초에 접근 가능한 후보자 풀을 결정하는 구조적 변수로 작동한다.

    이 지점은 채용 브랜딩의 언어도 바꾼다. “유연근무 제공”이라는 문구만으로는 충분하지 않다. 후보자는 팀의 회의 리듬, 비동기 의사결정 방식, 성과평가 기준, 온보딩 방식까지 본다. 채용팀은 원격·하이브리드 포지션의 충원 속도, 오퍼 수락률, 입사 후 90일 적응 지표를 사무실 중심 포지션과 비교해야 한다. 근무방식의 효과를 감으로 판단하면, 채용난의 원인을 보상·브랜드 문제로만 오해할 수 있다.

    한국 HR이 가져와야 할 질문은 도구보다 인력 구조다

    Mercer의 Global Talent Trends 2026은 16개 지역과 16개 산업의 임원·HR 리더·직원·투자자 약 12,000명을 조사해 인간 역량과 자동화의 결합을 주요 의제로 제시했다. Deloitte의 2026 Global Human Capital Trends도 89개국 9,000명 이상의 비즈니스·HR 리더 조사와 50건 이상의 인터뷰를 바탕으로, AI 전환에서 인간 중심 접근이 중요하다고 분석했다.

    한국 기업이 이 흐름을 적용할 때 먼저 볼 것은 AI 채용 솔루션의 기능 목록이 아니다. 엔트리 레벨 채용을 얼마나 줄일 것인지, 줄인다면 대체 학습 경로를 어디에 만들 것인지, AI가 만든 평가 결과를 누가 검토할 것인지, 원격·하이브리드 조건이 후보자 풀을 얼마나 넓히는지를 함께 봐야 한다. 2026년 채용전략 회의의 핵심 지표는 채용 소요기간, 후보자 전환율, 오퍼 수락률, 입사 후 90일 적응률, 주니어 포지션의 내부 성장률을 한 화면에서 비교하는 데서 출발할 가능성이 크다.

    HR이 다음에 봐야 할 방향

    이 글의 결론은 제도를 하나 더 만들자는 뜻이 아닙니다. 지금 필요한 일은 이 이슈를 조직의 운영 기준으로 옮기는 것입니다.

    작게 시작한다면 한 가지 질문이면 충분합니다. 이 변화가 채용, 성과관리, 학습, 보상 중 어디의 의사결정을 실제로 바꾸는가. 그 답이 분명할수록 HR의 일은 보고서가 아니라 현장의 기준에 가까워집니다.

    참고자료

  • 국내 채용시장, 전문성·AI·팀핏이 2026년 선발 기준을 다시 짠다

    국내 채용시장, 전문성·AI·팀핏이 2026년 선발 기준을 다시 짠다

    고용노동부와 한국고용정보원이 2025년 11월 발표한 기업 채용동향조사는 2026년 국내 채용시장의 출발점을 분명하게 보여준다. 조사 범위는 2025년 8월 1일부터 9월 1일까지 진행된 기업·청년 조사였고, 조사 대상은 기업 396개와 전국 17개 시도 청년 재직자 3,093명이었다. 이 표본에서 응답 기업의 52.8%는 청년 채용에서 전문성을 우선 요구한다고 답했다. 지원자의 일경험이 입사 후 조직·직무 적응에 도움이 됐다고 본 기업도 85.4%였다.

    한편 2차 발표에서는 인사 업무에 AI 도구를 쓰는 기업이 86.7%로 조사됐다. 공식 채용절차에서 AI를 활용하는 기업은 아직 21.7%지만, 향후 도입·확대 계획은 74.5%에 달했다. 2026년 국내 채용은 채용 규모 확대보다 전문성 검증, AI 활용의 공정성, 팀 단위 적합성이라는 세 기준을 어떻게 운영 문서로 만들 것인가에 가까워지고 있다.

    전문성은 전공보다 직무 관련 경험으로 좁혀진다

    고용노동부 2025년 기업 채용동향조사에서 기업의 52.8%는 청년 채용 시 전문성을 우선 요구한다고 답했다. 전문성을 평가하는 항목은 전공 22.3%, 인턴제 등 일경험 19.1%, 직무 관련 교육·훈련 17.4% 순이었다. 전공이 여전히 중요하지만, 기업은 전공명만으로 전문성을 판단하기보다 직무와 연결된 경험·훈련의 흔적을 함께 보고 있다.

    이 변화는 신입 채용의 질문을 바꾼다. “어느 전공인가”보다 “해당 직무의 문제를 어느 정도 경험했는가”가 더 중요해진다. 채용팀은 직무기술서에 필요한 전문성을 지식, 실습 경험, 도구 사용, 협업 산출물로 나눠 적어야 한다. 면접에서도 전공 설명을 듣는 데서 끝내지 말고, 지원자가 어떤 과제를 수행했고 어떤 기준으로 결과를 판단했는지를 확인해야 한다.

    일경험은 스펙이 아니라 적응 가능성을 검증하는 자료가 된다

    고용노동부 조사에서 기업의 85.4%는 지원자의 일경험이 입사 후 조직·직무 적응에 도움이 됐다고 평가했다. 일경험을 볼 때 가장 중요한 기준은 채용 직무와의 업무 관련성 84.0%였고, 일경험 시 도출 성과 43.9%, 경험 유무 39.5%가 뒤를 이었다.

    이 수치는 일경험을 단순한 스펙 목록으로 읽어서는 안 된다는 뜻이다. 기업이 보는 것은 경험의 존재가 아니라 직무 관련성과 산출물이다. 채용 과정에서는 인턴·프로젝트·교육 이수 경험을 같은 표에 넣기보다, 직무 관련 과제, 맡은 역할, 사용한 도구, 결과물, 피드백을 분리해 평가해야 한다. 청년 지원자에게도 “경험이 있다”는 말보다 “채용 직무와 어떤 업무 관련성이 있는가”를 설명할 수 있는 지원서 구조가 필요하다.

    AI 채용은 효율화보다 사전고지와 검증 절차를 먼저 요구한다

    고용노동부 2차 발표에서 응답 기업 396개 중 인사 업무에 AI 도구를 사용하는 비율은 86.7%였다. 직원 채용에 AI 도구를 쓰는 기업은 21.7%였고, 향후 채용 업무에 AI 도구를 도입하거나 확대할 계획이 있는 기업은 74.5%였다. 활용 영역은 AI 기반 인적성 또는 역량검사 69.8%, 지원서류 검토 46.5%, AI 면접 및 대면 면접 시 결과 활용 46.5%로 나타났다.

    채용팀이 여기서 먼저 정해야 할 것은 도입 여부보다 운영 기준이다. 어떤 전형에서 AI를 쓰는지, 평가 요소는 무엇인지, 수집된 개인정보는 어떻게 처리되는지, 최종 판단에 사람이 어떻게 개입하는지를 사전에 안내해야 한다. AI를 도입하는 이유가 데이터 기반 판단 34.6%, 전형 소요 시간 단축 31.5%로 제시된 만큼, 효율성과 공정성 지표를 함께 관리하지 않으면 도구 도입 효과를 설명하기 어렵다.

    지원자 경험은 AI 심사의 설명 가능성까지 포함한다

    고용노동부 조사에서 청년의 23.7%는 취업 과정 중 AI 채용 전형을 경험했고, 63.8%는 기업이 AI 채용 전형을 운영하는 데 찬성했다. 하지만 우려도 구체적이었다. 청년들은 AI 판단 기준의 공정성 26.9%, AI 심사 기준의 불투명성 23.1%, 자기 표현 왜곡 18.4%를 걱정했다.

    지원자 경험은 면접 일정 안내나 빠른 피드백만으로 끝나지 않는다. AI 전형에서는 평가 정확성 검증 47.1%, 편향성 검증 42.3%, 평가 요소 사전고지 41.5%가 구직자 보호 장치로 요구됐다. 기업은 AI 평가 결과를 후보자에게 어디까지 설명할 수 있는지, 이의제기나 재검토 절차를 둘 것인지, 면접관이 AI 결과를 어떤 방식으로 참고할지 정해야 한다. 이 기준이 없으면 지원자 경험은 편리해지는 대신 불투명해질 수 있다.

    컬처핏에서 팀핏으로, 검증 단위가 조직에서 팀으로 내려온다

    원티드는 2025년 12월 공개한 2026 채용 트렌드 자료에서 HR 담당자 153명에게 2026년 채용 계획과 전망을 물었다고 밝혔다. 자료의 핵심 키워드는 컬처핏을 넘어선 팀핏이다. 조직 전체와 맞는 사람을 찾는 데서 더 나아가, 실제 함께 일할 팀의 과제·속도·협업 방식과 맞는지를 보겠다는 흐름이다.

    팀핏은 감으로 판단하면 위험하다. “우리 팀과 잘 맞는다”는 말은 면접관 개인의 선호로 흐르기 쉽다. 그래서 팀핏 검증은 팀의 현재 과제, 필요한 보완 역량, 협업 리듬, 의사결정 방식으로 쪼개야 한다. 예를 들어 빠른 실험이 필요한 팀인지, 안정적인 운영 품질이 중요한 팀인지, 고객 커뮤니케이션이 많은 팀인지에 따라 같은 직무라도 선발 기준은 달라진다. 팀핏을 쓰려면 평가표도 조직문화 적합성, 직무 적합성, 동기 적합성, 팀 보완성으로 분리해야 한다.

    채용 규모가 줄어도 선발 난도는 낮아지지 않는다

    잡코리아 기업라운지의 2026년 채용 전략 글은 한국경영자총협회의 2025년 신규 채용 실태조사를 인용해 신규 채용 계획이 있는 기업이 60.8%였다고 전했다. 같은 글은 사람인 자료를 근거로 2024년 채용을 진행한 기업 중 49.7%가 계획한 만큼 채용하지 못했고, 그 이유로 적합한 지원자가 없었다는 응답이 63.6%였다고 설명했다.

    이는 보수적 채용 기조가 곧 선발 난도 하락을 의미하지 않는다는 점을 보여준다. 채용 규모가 줄면 한 명의 실패 비용은 더 커진다. 그래서 기업은 다이렉트 소싱, 레퍼럴, 인재풀 운영, 구조화 면접, 복수 평가자, 바 레이저 같은 장치를 더 많이 검토하게 된다. 2026년 채용팀의 역할은 공고를 열고 지원자를 처리하는 기능보다, 현업 리더와 함께 어떤 후보자를 놓치면 안 되는지 정의하는 비즈니스 파트너 역할에 가까워진다.

    2026년 채용 회의는 직무·팀·AI 기준표를 함께 봐야 한다

    2026년 국내 채용 전략을 세울 때 HR이 확인해야 할 표는 최소 세 가지다. 첫째, 직무별 전문성 기준표다. 전공, 일경험, 직무교육, 자격, 산출물을 같은 기준으로 비교해야 한다. 둘째, 팀핏 기준표다. 팀의 과제, 보완 역량, 협업 방식, 온보딩 리스크를 현업과 함께 정의해야 한다. 셋째, AI 채용 운영표다. AI 사용 전형, 사전고지 문구, 개인정보 처리, 사람의 최종 판단, 편향성 검토 기록을 남겨야 한다.

    이 세 표가 분리되면 채용은 다시 감과 속도의 문제로 돌아간다. 전문성은 높지만 팀 과제와 맞지 않는 후보자, 팀에는 맞지만 AI 평가 기준을 설명하기 어려운 후보자, 빠르게 선발했지만 입사 후 90일 적응 지표가 낮은 후보자를 구분할 수 있어야 한다. 국내 채용시장의 2026년 과제는 더 많은 지원자를 모으는 데만 있지 않다. 적은 채용 기회 안에서 어떤 기준으로 사람을 선택했는지 조직이 설명할 수 있게 만드는 데 있다.

    HR이 다음에 봐야 할 방향

    이 글의 결론은 제도를 하나 더 만들자는 뜻이 아닙니다. 지금 필요한 일은 이 이슈를 조직의 운영 기준으로 옮기는 것입니다.

    작게 시작한다면 한 가지 질문이면 충분합니다. 이 변화가 채용, 성과관리, 학습, 보상 중 어디의 의사결정을 실제로 바꾸는가. 그 답이 분명할수록 HR의 일은 보고서가 아니라 현장의 기준에 가까워집니다.

    참고자료

  • 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 먼저 봐야 할 부분은 “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.

      HR이 다음에 봐야 할 방향

      이 글의 결론은 제도를 하나 더 만들자는 뜻이 아닙니다. 지금 필요한 일은 이 이슈를 조직의 운영 기준으로 옮기는 것입니다.

      작게 시작한다면 한 가지 질문이면 충분합니다. 이 변화가 채용, 성과관리, 학습, 보상 중 어디의 의사결정을 실제로 바꾸는가. 그 답이 분명할수록 HR의 일은 보고서가 아니라 현장의 기준에 가까워집니다.

      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.

    그래서 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 먼저 봐야 할 부분은 “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.

    HR이 다음에 봐야 할 방향

    이 글의 결론은 제도를 하나 더 만들자는 뜻이 아닙니다. 지금 필요한 일은 이 이슈를 조직의 운영 기준으로 옮기는 것입니다.

    작게 시작한다면 한 가지 질문이면 충분합니다. 이 변화가 채용, 성과관리, 학습, 보상 중 어디의 의사결정을 실제로 바꾸는가. 그 답이 분명할수록 HR의 일은 보고서가 아니라 현장의 기준에 가까워집니다.

    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. 하지만 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.

    HR이 다음에 봐야 할 방향

    이 글의 결론은 제도를 하나 더 만들자는 뜻이 아닙니다. 지금 필요한 일은 이 이슈를 조직의 운영 기준으로 옮기는 것입니다.

    작게 시작한다면 한 가지 질문이면 충분합니다. 이 변화가 채용, 성과관리, 학습, 보상 중 어디의 의사결정을 실제로 바꾸는가. 그 답이 분명할수록 HR의 일은 보고서가 아니라 현장의 기준에 가까워집니다.

    참고한 공개 자료

  • [2026 HR Trend ⑤] 실시간 업스킬링, HRD는 업무 흐름을 설계해야 한다

    [2026 HR Trend ⑤] 실시간 업스킬링, HRD는 업무 흐름을 설계해야 한다

    2026 HR Trend 연재의 5편이다. 4편이 채용 자동화보다 스킬 기준이 먼저라고 봤다면, 이번 글은 그 다음 질문을 다룬다. 필요한 스킬을 외부에서 충분히 뽑기 어렵다면, HRD는 무엇을 바꿔야 하는가.

    답은 교육 과정을 더 많이 여는 데 있지 않다. 2026년의 업스킬링은 교육 일정표가 아니라 업무 흐름의 문제다. 직원이 새로운 업무를 맡는 순간, 목표가 바뀌는 순간, 고객 요구가 달라지는 순간에 필요한 스킬을 확인하고 연습하게 만드는 체계가 필요하다.

    업스킬링은 교육 일정이 아니라 인력 확보 전략이 된다

    SHRM 2026 Talent Trends 요약은 2,000명 이상 HR 전문가 응답자 표본을 바탕으로 채용난, 유지, 스킬 부족을 함께 다룬다. 공개 요약에 따르면 HR 전문가 약 70%는 정규직 채용에서 어려움을 겪고, 41%는 충원하기 어려운 역할을 위해 기존 직원을 훈련한다고 제시한다.

    이 수치는 HRD의 역할 변화를 보여준다. 업스킬링은 더 이상 교육 부서의 연간 과정 운영만을 의미하지 않는다. 외부 채용으로 채우기 어려운 역할을 내부에서 어떻게 키울 것인가라는 인력 확보 전략이 된다. 그래서 교육 계획은 채용 계획, 내부이동, 성과관리와 분리될 수 없다.

    실시간 학습은 업무 변화가 발생하는 지점에서 시작된다

    같은 Talent Trends 요약은 HR 전문가 42%가 최근 12개월 동안 정규직 유지 어려움을 경험했다고 설명한다. 사람을 뽑기도 어렵고 유지하기도 어렵다면, 조직은 직원이 현재 업무에서 다음 역할로 이동할 수 있는 경로를 더 정교하게 만들어야 한다.

    실시간 업스킬링은 모든 직원을 매일 교육 플랫폼에 접속시키는 일이 아니다. 업무가 바뀌는 지점에서 필요한 스킬을 짚어주는 것이다. 신규 프로젝트 투입, 직무 전환, 승진 후보자 육성, AI 도구 도입, 고객 대응 방식 변화 같은 순간이 학습의 출발점이 된다.

    HRD는 과정 설계자에서 업무 흐름 설계자로 이동해야 한다

    SHRM 2026 HR Trends는 2026년 AI 활용을 비용 절감, 생산성 향상, 더 나은 인력 의사결정과 연결해 설명한다. 또한 2026 Talent Trends의 2,000명 이상 HR 전문가 응답자 표본은 채용난과 스킬 부족을 함께 보여준다. HRD에 이 관점을 적용하면 AI는 교육 콘텐츠 추천 도구에 머물지 않는다. 어떤 직원에게 어떤 스킬이 부족한지, 어떤 업무 경험이 필요한지, 어떤 피드백이 반복되는지를 확인하는 신호가 될 수 있다.

    그래서 HRD는 과정 설계자에서 업무 흐름 설계자로 이동해야 한다. 강의명, 교육시간, 만족도만 관리하는 방식으로는 스킬 부족을 해결하기 어렵다. 역할별 핵심 스킬, 업무 과제, 관리자 피드백, 동료 코칭, 내부 프로젝트 배치를 하나의 학습 경로로 묶어야 한다.

    성과관리와 업스킬링을 분리하면 학습은 실행으로 이어지지 않는다

    SHRM의 2026년 트렌드 해설은 AI 코칭과 People Analytics가 연례 성과평가 중심의 흐름을 바꿀 수 있음을 시사한다. 3편에서 본 것처럼 AI 코칭 시대의 성과관리는 목표, 피드백, 개발을 더 자주 연결하는 방향으로 이동한다. 업스킬링도 이 흐름 안에 있어야 한다. 교육 이수 기록은 남았지만 성과 목표와 연결되지 않으면 학습은 실행으로 이어지지 않는다.

    관리자는 직원에게 어떤 스킬이 필요한지 가장 가까운 곳에서 확인한다. HRD는 이 신호를 교육 과정으로만 번역하지 말고, 업무 과제와 피드백 루프로 연결해야 한다. 예를 들어 데이터 분석 역량이 부족하다면 온라인 강의 수강만으로 끝내지 않고 실제 보고서 작성, 리뷰, 개선 과제를 함께 설계해야 한다.

    한국 기업은 교육 이수율보다 스킬 적용 지표를 먼저 봐야 한다

    한국 기업의 HRD는 오랫동안 교육시간, 이수율, 만족도, 법정교육 준수율을 중요한 관리 지표로 삼아 왔다. 이 지표들은 여전히 필요하지만, 2026년의 스킬 전환을 설명하기에는 부족하다. 중요한 것은 직원이 배운 내용을 업무에서 사용했는가다.

    먼저 역할별 핵심 스킬을 정의해야 한다. 다음으로 각 스킬을 업무에서 확인할 수 있는 행동 기준으로 바꿔야 한다. 그리고 교육 후 30일, 60일, 90일 동안 실제 업무 산출물과 관리자 피드백이 어떻게 달라졌는지 봐야 한다. HRD의 성과는 교육장 안이 아니라 업무 현장에서 확인되어야 한다.

    2026년 HRD의 과제는 더 많은 교육 콘텐츠를 확보하는 것이 아니다. 일의 변화가 곧 학습의 출발점이 되도록 조직의 흐름을 설계하는 것이다. 실시간 업스킬링은 교육 프로그램이 아니라 일하는 방식의 재설계다.

    HR 트렌드 시리즈 함께 읽기

    이 글은 2026 HR 트렌드 시리즈의 한 편입니다. AI 도입, 책임선, 성과관리, 채용, 업스킬링, 혼합형 인력, Polywork, 직원경험을 연결해 읽으면 HR 운영모델 변화의 흐름을 더 입체적으로 볼 수 있습니다.

    HR이 다음에 봐야 할 방향

    이 글의 결론은 제도를 하나 더 만들자는 뜻이 아닙니다. 지금 필요한 일은 이 이슈를 조직의 운영 기준으로 옮기는 것입니다.

    작게 시작한다면 한 가지 질문이면 충분합니다. 이 변화가 채용, 성과관리, 학습, 보상 중 어디의 의사결정을 실제로 바꾸는가. 그 답이 분명할수록 HR의 일은 보고서가 아니라 현장의 기준에 가까워집니다.

    참고자료

    이 글은 SHRM의 2026 Talent Trends, 2026 HR Trends, 그리고 2026 State of the Workplace를 바탕으로 작성했다. Talent Trends의 2,000명 이상 HR 전문가 응답자 표본, State of the Workplace의 1,800명 이상 HR 전문가와 2,000명 이상 근로자 데이터 등 공개 요약에서 확인되는 조사 범위를 기준으로 삼았다. 공개 자료에서 확인 가능한 수치와 문구만 본문 근거로 사용했고, 회원 전용 상세 보고서의 비공개 내용은 인용하지 않았다.