2026.04.05 AX 사례

지원자는 많은데 왜 적합한 인재를 찾기 어려울까? — 구인구직 앱과 채용 매칭 AI Agent

지원서는 쌓인다. 그런데 왜 적합한 사람을 찾기 어려운가

채용 담당자의 하루는 서류 검토로 시작해 서류 검토로 끝납니다.

공고를 올립니다. 지원서가 쌓입니다. 스크리닝을 합니다. 면접을 잡습니다. 그런데 최종 합격자가 입사하고 나면 기대와 다를 때가 많습니다. 반대로 중간에 탈락시킨 지원자가 더 적합했을 수도 있다는 의심이 남습니다.

이것은 판단력의 문제가 아닙니다. 구조의 문제입니다.

채용 프로세스의 비효율은 세 곳에서 발생합니다.

첫째, 스크리닝 기준의 비일관성입니다. 담당자마다 중요하게 보는 항목이 다릅니다. 어떤 날은 경력을 우선하고, 어떤 날은 자기소개서 문장을 봅니다. 같은 공고에 지원한 사람이라도 검토 순서와 담당자 컨디션에 따라 결과가 달라질 수 있습니다.

둘째, 맥락 정보의 부재입니다. 이력서는 과거를 기록합니다. 그런데 채용에서 중요한 것은 이 사람이 이 포지션에서 어떻게 작동할지입니다. 직무 적합도, 팀 문화 적합도, 성장 가능성은 이력서만으로 판단하기 어렵습니다.

셋째, 탈락자 데이터의 낭비입니다. 최종 합격자 데이터만 남고 탈락자 패턴은 사라집니다. 어떤 조건의 지원자가 탈락했는지, 어떤 공통점이 있었는지 학습되지 않습니다.

세 구조가 반복되면서 채용 품질이 정체됩니다.

AI Agent는 이 세 구조를 각각 다르게 처리합니다.

스크리닝 기준 비일관성에 대해서는 포지션별 평가 기준을 구조화합니다. 직무 역량, 경험 연관성, 커뮤니케이션 방식을 항목화하고 Agent가 일관된 기준으로 1차 스크리닝을 수행합니다. 담당자는 Agent가 상위 분류한 지원자를 검토하고 최종 판단에 집중합니다.

맥락 정보 부재에 대해서는 포지션 설명과 팀 특성을 구조화된 형태로 입력하고, 지원자 이력서를 맥락 기반으로 매칭합니다. “이 사람이 이 팀에서 잘 작동할 가능성”을 근거와 함께 제시합니다. 확정 판단이 아닌 담당자 검토를 위한 초안입니다.

탈락자 데이터 낭비에 대해서는 합격자와 탈락자의 패턴을 구조화해 축적합니다. 어떤 조건의 지원자가 어떤 단계에서 탈락했는지 학습합니다. 다음 채용 시즌에 이 데이터가 기준 설계에 반영됩니다.

구현은 두 단계로 나뉩니다.

1단계는 채용 데이터 구조화입니다. 기존 합격자 및 탈락자 데이터에서 공통 패턴을 추출합니다. 직무별 핵심 평가 항목을 정의합니다. Agent가 학습할 기준 데이터가 없으면 자동화는 불가능합니다. 데이터 정리가 선행되어야 합니다.

2단계는 스크리닝-매칭-학습 파이프라인 연결입니다. 지원서 접수 → 자동 1차 스크리닝 → 담당자 검토 → 합불 데이터 피드백 → 다음 시즌 기준 업데이트의 흐름을 하나의 파이프라인으로 구성합니다.

기술보다 설계가 먼저입니다.

이 구조가 작동하면 채용 담당자의 하루가 달라집니다.

서류 검토 시간이 줄어듭니다. 일관된 기준으로 스크리닝된 상위 지원자에 집중합니다. 탈락 이유가 기록되고 학습됩니다. 채용 품질이 시즌을 거듭하면서 점진적으로 개선됩니다.

채용의 경쟁력은 공고 문구가 아닙니다. 스크리닝 구조입니다. 그 구조의 핵심이 Agent 설계에 있습니다.

디비컨설팅은 구인구직 앱 프로젝트에서 채용 프로세스를 분해하고 Agent 개입 구조를 설계했습니다. 이력서 데이터를 어떻게 구조화하느냐가 핵심이었습니다.

좋은 채용 시스템은 좋은 공고에서 시작하지 않습니다. 판단 구조를 설계하는 것에서 시작합니다.

이 문제는 정보의 문제가 아니라, 해석과 적용의 문제에 가깝습니다.

같은 상황을 어떻게 보고, 어떤 구조로 풀어내느냐에 따라 결과가 달라집니다.