이제 직무는 사람과 에이전트가 각자의 강점에 맞춰 역할을 나누는 작은 스킬(Skill) 단위로 촘촘하게 분화하고 있습니다. 이러한 변화는 채용이 작동하는 근본적인 원리 자체를 새롭게 재정의합니다.

과거에는 '시니어 백엔드 개발자 5년 이상'이나 'PM 7년 이상'처럼 직무 단위의 평면적인 정의로 인재를 찾곤 했습니다. 하지만 똑같은 경력이라도 그 기업이 어떤 단계에 처해 있는지, 어떤 구체적인 역량 조합을 요구하는지에 따라 결과는 완전히 달라집니다.

채용은 회사가 지금 이 순간 필요로 하는 최적의 스킬 조합을 정의하고, 바로 그 요건을 갖춘 사람을 정확히 찾아내는 과정으로 시스템을 다시 설계해야 합니다. 이러한 흐름 속에서 직감에 의존하거나 단순히 연차에만 기대는 방식은 더 이상 채용 시장에서 통하지 않습니다. 이제 채용은 스킬 단위로 정밀하게 설계한 하나의 완결된 시스템으로 작동해야합니다.

평준화되지 않는 첫 번째 자산: 워크포스 인텔리전스(Workforce Intelligence)

수많은 기업이 동일한 거대언어모델(LLM)을 사용함에도 불구하고 결과물의 품질에서 격차가 발생하는 이유는 명확합니다. AI 모델 자체는 시간이 흐를수록 결국 상향 평준화될 것이기 때문입니다. 똑같은 GPT나 Claude를 활용하는 기업들 사이에서 품질의 차이를 만드는 결정적 요인은 결국 모델 위에 어떤 데이터를 얹어 활용하느냐에 달려 있습니다.

특히 스킬 기반 채용이 제 기능을 다하려면 스킬을 어떻게 정의할지, 누가 그 능력을 실제로 보유했는지, 그리고 어떤 역량이 실전 성과로 이어지는지를 입체적으로 파악해야 합니다. 인재와 시장의 맥락을 얼마나 깊이 있게 꿰뚫어 보는지, 그리고 어떤 신호가 진짜 유의미한지 판단하는 기준이 승부를 가르는 법입니다. 우리는 이렇게 축적한 고도의 판단력을 Workforce Intelligence라고 정의합니다.

워크포스 인텔리전스는 다섯 가지 핵심 데이터 자산을 기반으로 단단하게 구축합니다.

💡

Company: 회사의 산업군과 비즈니스 모델, 재무 상태와 성장 단계 등 6개 영역을 아우르는 정밀 데이터입니다.

Skill: 직무별 스킬의 정의와 매핑 정보입니다. PM의 14가지 핵심 역량이나 백엔드 개발 스킬 DB 등이 여기에 속합니다.

Market Signals: 채용 시장 내 직무와 산업의 변화, 그리고 최신 트렌드가 보내는 신호를 분석한 결과입니다.

Talent: 인재의 상세 이력과 보유한 스킬, 그리고 이 둘 사이의 유기적인 연결 관계를 파악한 정보입니다.

Outcome: 특정 후보자가 특정 포지션에서 실제로 어떤 성과를 냈는지를 추적한 결과 데이터입니다.

이 다섯 가지 자산을 얼마나 깊이 있게 구축하느냐, 그리고 각 자산이 채용 과정에서 어떻게 유기적으로 결합하느냐가 핵심입니다. 같은 명칭의 데이터를 보유한 곳은 많을지 몰라도, 그 데이터가 품은 통찰의 깊이까지 같을 수는 없습니다.

첫째, 기업을 '단계별 성장 신호'로 읽어냅니다.

동일한 산업군이라도 시리즈 A 단계의 회사와 시리즈 C 단계의 회사는 인재에게 요구하는 스킬 조합이 완전히 다릅니다. 사실상 서로 다른 성격의 회사라고 보아도 무방할 정도입니다.

예를 들어 같은 서비스형 소프트웨어(SaaS) 기업이라 하더라도 제품 주도 성장을 지향하느냐, 혹은 영업 주도 성장을 우선하느냐에 따라 필요로 하는 역량은 판이하게 갈립니다. 펀딩 발표와 같은 공식 정보는 이미 일어난 사건에 대한 후행 신호일 뿐입니다.

우리는 회사의 채용 패턴 변화나 시니어급 인력의 이탈, VP급 채용 시점 등 보다 앞선 시그널을 추적하여 그 회사가 진입한 비즈니스 사이클을 정밀하게 감지합니다. 그래야만 그 단계에 진짜 필요한 스킬 조합을 정확히 정의할 수 있기 때문입니다.

둘째, 직무 스킬을 세부 단위로 쪼개어 분석합니다.

대다수 채용 도구는 여전히 '시니어 PM 5년 이상' 같은 평면적인 키워드에만 의존합니다. 하지만 우리는 직무기술서를 세부 스킬로 분해하여 접근합니다.

똑같은 포지션이라도 시리즈 A 기업이라면 0 to 1 실행력이나 빠른 가설 검증에 무게를 두지만, 시리즈 C 기업이라면 OKR 운영이나 데이터 기반 의사결정을 핵심 역량으로 봅니다. 이처럼 한 줄짜리 명세를 회사의 상황에 맞는 정밀한 평가표로 변환하는 것이 우리의 기술입니다.

셋째, 시장 신호를 현장의 움직임에 맞춰 읽어냅니다.

다른 곳들이 외부 기관의 보고서에 의존해 흐름을 뒤늦게 파악할 때, 우리는 매일 직접 수행하는 채용 케이스에서 시장의 생생한 신호를 잡아냅니다.

어떤 직무 수요가 폭증하는지, 어떤 기업이 새로운 직무를 신설했는지, 직무의 정의가 어떻게 진화하는지를 매일 데이터로 쌓아 올립니다. 이를 통해 어떤 스킬이 부상하고 있으며, 어떤 조합이 새로운 표준이 되는지를 가장 먼저 감지하고 있습니다.

넷째, 인재를 이력서에 너머까지 깊숙이 들여다봅니다.

링크드인 프로필의 약 68%는 후보자가 자신의 경험을 충분히 기록하지 않아 정보가 부족한 상태입니다. 이력서라는 평면적인 서류만으로는 인재의 진짜 가치를 평가하는 데 한계가 있을 수밖에 없습니다.

우리는 후보자의 깃허브 활동 내역, 기술 블로그, 학회 발표 자료, 외부 추천글 등을 정밀하게 분석하여 이력서가 놓친 능력의 흔적을 포착합니다. 'AI 연구원'이라는 단순한 직함 뒤에 숨겨진 320건 이상의 오픈소스 커밋이나 4배의 추론 속도 향상 같은 구체적 성과가 비로소 평가의 근거가 됩니다.

평면적인 이력서를 우리 시스템을 통해 입체적인 인재 그래프로 재탄생시키는 셈입니다. 이력서에 적히지 않은 진짜 스킬까지 매핑하기에 가능한 일입니다.

다섯째, 결과 데이터의 축적은 새로운 학습의 시작을 의미합니다.

우리에게 채용 추천은 단순히 업무를 마무리하는 결과가 아닙니다. 우리는 추천한 후보자가 해당 조직에서 실제로 어떤 성과를 냈는지를 데이터로 추적합니다.

어떤 신호가 진짜 성과로 연결되었는지, 어떤 평가 기준이 실전에서 작동했는지를 시계열로 누적하며 평가 알고리즘을 정교하게 보정해 나갑니다. 어떤 스킬이 실전 성과를 냈는지 데이터로 증명함으로써 스킬의 정의 자체를 끊임없이 업데이트하는 것이죠. 이것이 바로 외부에서 결코 흉내 낼 수 없는 우리만의 독보적인 학습 신호입니다.

이 다섯 가지 자산은 매일 유기적으로 함께 성장합니다. LLM의 다음 버전이 나오면 누구나 그 혜택을 입겠지만, 우리가 채용 현장에서 직접 부딪치며 쌓아온 이 누적 자산은 단기간에 따라잡을 수 있는 성질의 것이 아닙니다. 이것이 바로 워크포스 인텔리전스가 상향 평준화의 파고를 넘어서는 진짜 이유입니다.

평준화되지 않는 두 번째 자산: 에이전트 하네스

워크포스 인텔리전스가 아무리 강력한 힘을 발휘해도 그 자체로는 데이터 덩어리에 불과합니다. 고객사가 진정으로 원하는 것은 데이터 그 자체가 아니라 확실한 '채용 결과'이기 때문입니다.

그래서 우리는 이 강력한 데이터 층 위에 또 하나의 정교한 시스템인 에이전트 하네스(Agent Harness)를 구축했습니다. 이는 워크포스 인텔리전스를 활용하여 고객사의 채용 워크플로를 자율적으로 운영하는 지능형 에이전트 시스템을 의미합니다.

에이전트 하네스 체계 안에서는 소싱, 아웃리치, 스크리닝, 인터뷰, 인력 계획 등 각 에이전트가 자신의 역할을 수행합니다. 이들은 모두 동일한 인텔리전스라는 토대 위에서 같은 두뇌를 공유하며 일관된 판단을 내립니다.

또한 이 에이전트들은 직무 단위가 아니라 스킬 조합 단위로 작동합니다. 동일한 포지션이라도 회사가 요구하는 역량 조합이 다르면, 에이전트는 그에 맞춰 완전히 다른 후보 풀을 생성합니다.

이 에이전트들이 매번 흔들림 없이 안정적으로 작동하도록, 우리는 다음 세 가지 운영 원칙을 시스템에 명문화했습니다.

1. 랄프 루프(Ralph Loop): 자율적인 반복 업무와 사람의 개입 지점을 분명히 분리합니다.

파괴적이거나 되돌릴 수 없는 작업, 권한 승인 문제, 혹은 고객의 요구 조건이 중대하게 변하는 상황처럼 사람의 판단이 꼭 필요한 특정 분기점에서만 작업을 멈추고 사람에게 결정을 요청합니다.

그 외의 영역에서는 에이전트가 스스로 판단하고 행동하며 운영 효율을 극대화합니다.

2. 하드 게이트(Hard Gate): 엄격하게 진입을 차단하는 방식으로 필수 요건을 처리합니다.

게이트를 통과하지 못한 후보는 어떤 우회로를 통해서도 최종 후보군에 이름을 올릴 수 없습니다. 채용의 평균 품질은 단순히 가산점을 주는 데서 오는 것이 아니라, 이러한 엄격한 게이트를 세우고 유지하는 과정에서 완성됩니다.

3. 프로모트 투 스펙(Promote-to-Spec): 개별 사례에서 발견한 운영 규칙을 일회성으로 소비하지 않고 시스템에 영구히 새깁니다.

새로운 학습 내용을 단순히 노트에 적어두는 데 그치지 않고 별도의 후보로 분류합니다. 이후 다른 케이스에서 그 유효성을 다시 한번 검증하면 비로소 글로벌 스펙으로 승격시켜, 이후 모든 케이스에 해당 규칙을 자동 적용합니다.

에이전트는 결국 사용자와 만나는 인터페이스입니다. 아무리 같은 LLM과 에이전트 구조를 갖춘다 하더라도, 그 기반에 어떤 워크포스 인텔리전스를 깔아두었느냐가 결국 채용의 성패를 가릅니다.

채용이 운이 아니라 시스템이 되는 시대

서치라이트가 지향하는 목표는 오직 하나입니다. 회사가 '어떤 스킬 조합이 필요한지'를 명확하게 정의하고, 바로 '그 조합을 갖춘 사람'을 정확하게 찾아내는 일이 운에 좌우되는 요행이 아니라, 누구나 누릴 수 있는 당연한 시스템이 되는 시대를 여는 것입니다.

담당자 한 명의 직관이나 헤드헌터가 건네준 명단 한 장에 회사의 미래를 걸어야만 했던 시대는 이제 끝낼 수 있습니다. 우리가 매일 정교하게 다듬는 두 가지 시스템인 데이터와 에이전트는 모든 채용을 스킬 단위 정밀 매칭으로 바꾸는 미래를 향해 한 걸음씩 묵묵히 나아가고 있습니다.

검증된 AI 채용 솔루션

서치라이트AI의 차세대 소싱 엔진 루피는 업계 평균 대비 7배 높은 회신율(37.4%)과 8배 높은 채용 성사율(24%)을 기록하며 채용 시장의 새로운 표준을 정립해 나가는 중입니다. AI가 정밀하게 선별한 후보자 리스트를 지금 바로 경험해 보세요.

👉서치라이트의 AI 리크루터 '루피(Luffy)'를 소개합니다.