새벽 1시 50분, 불합격 통보가 도착했습니다. 지원서를 낸 지 한 시간도 지나지 않은 때였습니다.

미국의 구직자 데릭 모블리는 자신의 지원서를 사람이 제대로 읽었는지 의문을 제기했습니다. 그는 워크데이의 채용 심사 도구를 사용하는 기업들에 반복적으로 지원했다가 탈락했다며 소송을 냈습니다. 워크데이는 AI가 등급과 추천 정보를 제공하며 최종 결정은 사람이 한다고 설명합니다. 이 경험만으로 자동 탈락이나 차별이 입증됐다고 볼 수는 없습니다. 다만 지원자에게는 충분히 의심스러운 장면입니다. 모두 잠든 시간에 누가 내 지원서를 읽고 결론을 내렸을까요.

반대편에서는 다른 일이 벌어집니다.

미국 기업 이노캡션의 최고경영자는 한 지원자의 이력서에서 흰색 배경에 흰색으로 적힌 긴 문장을 발견했습니다. 사람이 읽을 때는 보이지 않지만 AI가 문서를 처리하면 읽을 수 있는 내용이었습니다. 지원자의 자격과 관계없이 높은 평가를 내리도록 유도하는 지시가 담겨 있었습니다.

지원자는 AI의 관문을 통과하려 하고, 기업은 그 관문을 우회하려는 시도까지 찾아내야 합니다. 이력서를 잘 쓰는 기술과 이력서를 의심하는 기술이 함께 발전하고 있습니다.

이 경쟁을 지켜보며 한 가지 질문이 생깁니다. 양쪽이 AI를 더 능숙하게 쓰게 되는 동안, 기업이 맡길 일과 지원자가 실제로 해 온 일은 더 잘 보이고 있을까요?


AI로 쓰되, AI가 쓴 것처럼 보이면 안 됩니다

지원자가 AI를 쓰는 사정부터 생각해 볼 필요가 있습니다.

회사마다 요구하는 자기소개서가 다릅니다. 같은 경험도 어떤 회사에는 문제 해결 사례로, 다른 회사에는 협업 사례로 써야 합니다. 경력기술서를 제출했는데 지원 화면에 같은 내용을 다시 입력해야 하는 경우도 있습니다. 여러 회사에 지원하는 사람에게 AI는 문장을 다듬는 도구이면서 반복 작업을 줄여 주는 수단입니다.

그런데 도움을 받다 보면 또 다른 고민이 생깁니다. AI가 읽기 좋은 문서를 만들어야 하는데, AI가 쓴 문서로 의심받아서는 안 됩니다.

그린하우스가 2026년 10월 공개한 조사에서 미국 응답자의 77%는 최근 1년 동안 구직에 AI를 사용했다고 답했습니다. 동시에 60%는 AI가 쓴 글로 오인되지 않도록 작성 방식을 바꿨거나 바꾸는 것을 고려했다고 답했습니다.

문장을 매끄럽게 만들었다가 너무 매끄러워 보여 다시 고치는 상황입니다. 공고의 키워드를 넣되 억지로 넣은 것처럼 보이지 않아야 하고, 자신의 경험을 강조하되 흔한 모범답안처럼 읽혀서도 안 됩니다.

지원자는 점차 자신의 경험과 함께 심사 시스템의 반응까지 예상하게 됩니다. 경력 공백을 어떻게 읽을지, 다른 업종에서 쌓은 경험을 인정할지, 공고와 표현이 다르면 낮게 평가할지 걱정합니다.

인핸스브의 미국 구직자 조사에서는 사람의 피드백 없이 탈락한 경험이 있다는 응답자 중 약 64%가 기계가 결정을 내렸다고 생각했습니다. 실제 결정 주체를 확인한 수치는 아닙니다. 지원자가 그렇게 받아들였다는 뜻입니다.

기업이 설명하지 않는 부분을 지원자는 추측으로 채웁니다. 다음 지원서는 그 추측에 맞춰 달라집니다.


지원서는 좋아졌는데, 사람을 고르기는 어렵습니다

채용담당자의 화면에도 답답한 장면이 있습니다.

지원서는 공고의 요구사항을 빠짐없이 담고 있습니다. 문제 해결 능력과 협업 경험이 있고, 데이터를 활용해 성과를 냈다고 적혀 있습니다. 문장도 읽기 좋습니다. 그런데 여러 장을 연달아 읽으면 서로 다른 사람의 경험이 비슷한 이야기로 보이기 시작합니다.

누가 실제로 문제를 발견했는지, 팀의 성과에서 본인이 맡은 부분은 무엇인지, 어려운 상황에서 어떤 선택을 했는지 다시 찾아야 합니다.

AI가 지원서를 요약해 주면 읽는 부담은 줄어들 수 있습니다. 하지만 요약문이 모두 비슷하다면 원문으로 돌아가야 합니다. 원문에서도 구분하기 어려우면 면접 질문을 더 준비하게 됩니다.

테스트고릴라의 미국 채용 전문가 조사에서는 72%가 AI로 후보자를 더 빨리 찾게 됐다고 답했습니다. 그러나 그 응답자 가운데 약 3분의 1은 후보자에 대한 확신이 높아지지 않았고, 18%는 오히려 낮아졌다고 답했습니다. HR Dive는 전체 응답자의 3분의 2 이상이 후보자의 자격을 수작업으로 확인하는 데 한 시간 이상을 쓴다고 보도했습니다.

엠플로이의 미국 채용담당자 조사에서도 AI로 다듬어진 이력서는 주요 스트레스 요인으로 꼽혔습니다. 업체 설문이므로 채용 현장 전체를 대표한다고 볼 수는 없습니다. 그래도 처리 속도와 판단의 확신 사이에 생기는 간격은 보여줍니다.

지원서를 더 빨리 찾고 정리하게 됐는데, 누구를 만나야 할지 확신하기 위해 사람이 해야 할 확인은 남아 있습니다.


AI 연구팀도 사람에게 직접 닿는 길을 만듭니다

이 고민은 AI를 잘 모르는 조직에만 있는 것도 아닙니다.

블룸버그 보도에 따르면 구글 딥마인드의 한 연구팀은 정식 지원과 함께 별도의 양식을 안내했습니다. 보도에서 확인한 문서에는 적합한 지원자의 이력서가 잘못 걸러지거나 검토가 늦어질 수 있다는 우려가 담겨 있었습니다. 구글 측은 잘못된 필터링이 있다는 설명을 부인하며, 해당 양식은 채용담당자의 검토를 거치지 않고 팀에 직접 전달하는 경로라고 설명했습니다.

같은 양식에는 대규모 언어모델로 작성한 답변들이 서로 비슷하게 느껴진다는 취지의 안내도 있었다고 합니다.

AI를 연구하는 팀이 지원서를 직접 받을 길을 마련하면서, 지원자에게는 본인의 생각이 드러나는 답변을 요청하는 장면입니다.

지원자는 사람이 읽어주기를 바랍니다. 기업도 지원자 본인의 이야기를 듣고 싶어 합니다. 서로 원하는 것은 가까운데, 그 사이를 오가는 문서는 점점 더 정교해집니다.


창이 날카로워지면 방패도 두꺼워집니다

기업이 서류만으로 확신하기 어려워지면 확인 절차를 추가할 수 있습니다. 사전 질문을 늘리고, 과제를 내고, 추가 면접을 진행하는 식입니다. 지원자는 여러 전형을 병행하면서 그 준비를 도울 도구를 다시 찾습니다.

기업은 AI로 작성한 답변을 가려내고 싶어 합니다. 지원자는 AI의 도움을 받되 자신의 답변처럼 읽히도록 고칩니다. 기업은 즉석 질문으로 경험을 확인하려 하고, 지원자는 예상 질문을 더 많이 연습합니다.

채용에서 준비와 검증은 필요합니다. 다만 절차가 추가될 때마다 무엇을 새로 알게 됐는지는 살펴봐야 합니다. 지원자의 업무 수행을 더 깊이 이해했는지, 앞에서 물은 내용을 다른 형식으로 반복했는지 말입니다.

지원자에게 과제 하나가 추가되면 밤이나 주말이 더 필요할 수 있습니다. 기업에는 면접관의 시간과 평가 조정 비용이 발생합니다. 서로의 불확실성을 줄이려 붙인 절차가 양쪽의 부담을 키울 수 있습니다.

이 경쟁이 길어진다면 확인 방법과 함께 확인하려는 내용도 돌아봐야 합니다. 우리는 지원자의 무엇을 알아야 채용을 결정할 수 있을까요?


AI와 함께 일할 사람에게 무엇을 맡길 것입니까

고객상담 담당자를 채용하는 상황을 생각해 보겠습니다. 다음은 설명을 위한 가상 사례입니다.

기존에는 문의를 읽고 자료를 찾아 답변하는 일이 업무의 큰 부분이었습니다. 이제 AI가 문의를 분류하고 답변 초안까지 만듭니다. 사람에게는 잘못된 안내를 찾아내고, 규정에 없는 요청을 처리하고, 다른 부서의 판단이 필요한 상황을 구분하는 일이 더 중요해질 수 있습니다.

그런데 공고에는 여전히 상담 경력과 커뮤니케이션 능력이 적혀 있습니다. 서류 선별 기준은 특정 업종의 경력 연수이고, 면접에서는 친절함과 성실함을 중심으로 질문합니다.

그렇다면 달라진 일을 잘할 사람을 제대로 찾고 있는지 물어야 합니다.

예를 들어 답변을 빠르게 작성하는 능력과 AI의 답변에서 위험한 오류를 찾아내는 능력은 구분해서 볼 필요가 있습니다. 고객의 요구를 잘 들어주는 능력에 더해, 자신이 처리할 수 있는 범위와 다른 사람의 판단이 필요한 범위를 아는지도 중요할 수 있습니다.

이 차이를 기업이 정하지 않으면 지원자는 무엇을 보여줘야 할지 모릅니다. 평가 도구 역시 기존 공고와 과거 기준을 따라 지원자를 분류하게 될 수 있습니다.

지원자도 자신의 경험을 이해해야 합니다. AI는 “고객 불만을 분석해 업무 효율을 개선했습니다”라는 문장을 만들어 줄 수 있습니다. 그러나 고객이 왜 불만이었는지, 어떤 자료를 확인했는지, 자신에게 어떤 권한이 있었고 무엇을 선택했는지는 본인이 설명할 수 있어야 합니다.

기업은 맡길 일을, 지원자는 자신이 한 일을 구체적으로 알아야 합니다. 그 이해가 있어야 AI의 도움도 쓸모를 갖습니다.


지원자를 평가하는 AI는 누가 평가합니까

기업이 사용하는 채용 AI에도 같은 질문이 필요합니다.

외부에서 도입했든 직접 개발했든, AI가 제시한 적합도 점수는 무엇을 뜻할까요. 공고와 이력서에 비슷한 단어가 많다는 뜻인지, 과거 합격자와 닮았다는 뜻인지, 실제 업무를 잘할 가능성이 높다는 뜻인지에 따라 의미가 달라집니다.

‘우리 회사에 적합하다’는 결과가 나왔다면 우리 회사의 어떤 일을 기준으로 평가했는지 확인해야 합니다.

업체의 도입 기업 수와 시간 절감 사례는 제품을 검토하는 자료가 될 수 있습니다. 다만 그것만으로 우리 직무에서 지원자를 잘 평가한다는 근거가 되지는 않습니다. 직접 개발한 도구도 자사 데이터를 사용했다는 사실만으로 충분하지 않습니다. 그 데이터에 담긴 과거의 기준이 지금 맡길 일에도 맞는지 살펴봐야 합니다.

기업들이 모두 검증 없이 AI를 사용한다고 단정하려는 것은 아닙니다. 인사담당자가 자신에게 던져볼 질문입니다.

지원자의 답변에 요구하는 만큼, 그 답변을 평가하는 AI의 근거도 확인하고 있을까요?


우리 회사의 일을 배워야 할 인턴처럼

저는 채용 AI의 도입 이후를 생각할 때, 우리 회사에 처음 온 인턴을 떠올려 볼 수 있다고 생각합니다. 여기서 인턴은 AI의 능력이나 법적 지위를 설명하는 표현이 아닙니다. 일을 맡긴 뒤에도 설명하고 확인하고 조정할 책임이 기업에 남는다는 점을 보여주기 위한 비유입니다.

채용 지식이 많고 자료를 빨리 읽는 인턴이라도 우리 팀이 어떤 일을 하는지, 비슷한 경력 가운데 무엇을 중요하게 봐야 하는지는 알아야 합니다. 처음 가져온 추천 명단을 함께 보고, 왜 이 사람을 높게 평가했는지 묻고, 놓친 경험은 무엇인지 짚어줄 것입니다. 확인된 범위 안에서 일을 맡기고 결과를 보며 조정할 것입니다.

채용 AI도 이런 관점에서 운영할 필요가 있다고 생각합니다. 제품을 연결하고 공고를 입력한 뒤에는 우리 회사에 맞게 작동하는지 확인하는 일이 이어져야 한다는 뜻입니다.

물론 AI에 피드백을 건넨다고 저절로 자사에 맞게 학습하는 것은 아닙니다. 평가 기준과 설정, 자료 처리 방식과 사용 범위 가운데 무엇을 바꿀 수 있는지 확인하고, 필요한 경우 개발팀이나 공급업체와 수정한 뒤 다시 검증해야 합니다.

경력을 잘못 읽었다면 자료 처리 방식을 살펴봐야 합니다. 실제 업무와 무관한 조건을 높게 평가했다면 기준과 설정을 확인해야 합니다. 그 과정에서 AI의 오류뿐 아니라 기업이 모호하게 정해 둔 채용 기준이 드러날 수도 있습니다.

저는 도입 이후 우리 회사에 맞게 조정하고 검증할 담당자와 시간을 두는 것까지 채용 AI 운영에 포함해야 한다고 생각합니다. 그것이 빠지면 업체의 기본 설정이나 처음 개발한 기준에 계속 의존할 수 있기 때문입니다.


다음 채용에서 먼저 확인할 것

처음부터 모든 전형을 바꿀 필요는 없습니다. 채용 중인 직무 하나를 골라 세 가지를 확인할 수 있습니다.

먼저 실제 맡길 일을 기준으로 공고와 평가 항목을 맞춥니다. AI가 도울 작업과 사람이 이해하고 확인해야 할 일을 나누면, 지원자에게 어떤 경험을 물어야 하는지도 구체화됩니다.

다음으로 채용 AI가 무엇을 근거로 평가하는지 확인하고, 제한된 범위에서 시험합니다. 추천 결과와 사람이 자료를 직접 읽은 결과가 다르다면 그 이유를 살펴봅니다. 사람의 기존 평가도 함께 점검할 대상입니다.

마지막으로 확인한 내용을 다음 운영에 반영할 사람을 정합니다. 담당자에게 원자료를 볼 시간과 결과를 수정하거나 보류할 권한이 있어야 합니다. 채용 뒤 실제 업무에서 드러난 차이도 살펴보되, 평가 기준의 문제인지 맡긴 일이나 입사 후 지원 조건이 달라진 것인지 구분해야 합니다.

지원자에게는 전형 단계별 AI의 역할과 제출물에서 허용되는 AI 활용 범위, 오류나 누락을 문의할 경로를 알려야 합니다. 지원자 역시 AI로 경험을 정리하되 자신의 행동과 선택을 설명할 준비가 필요합니다.

창과 방패의 경쟁에서는 상대를 통과하거나 막는 기술이 발전합니다. 채용에서는 그 끝에 함께 일할 사람을 만나야 합니다.

지원자가 AI를 얼마나 잘 피했는지, 기업의 AI가 얼마나 빠르게 순위를 매겼는지에 시선이 머무르면 놓칠 수 있는 질문이 있습니다.

우리는 어떤 일을 맡길 사람을 찾고 있으며, 지금의 전형과 AI는 그 사람을 알아볼 수 있도록 계속 다듬어지고 있을까요?

전형 단계별 AI의 역할, 평가 기준, 사람의 검토 조건과 지원자 안내를 직접 점검하려는 인사담당자를 위해 「채용 AI 운영 점검 브리프」— 채용담당자가 지금 확인할 여섯 가지를 마련했습니다. WCS 리서치에서 현업 면접관과 함께 살펴볼 후속 자료로 활용하실 수 있습니다.

참고한 자료

조사 수치는 각 자료의 해당 지역 응답 결과입니다. 사례를 연결한 해석과 운영 제안, 인턴 비유는 필자의 의견입니다.