12. 데이터 기반 HR은 어떻게 진화해야 하는가
지금까지 조용한 사직, 생성형 AI, 텍스트 마이닝에 이르기까지, 데이터로 조직과 사람을 이해하는 다양한 관점과 방법론을 살펴보았습니다. 이제 마지막 질문이 남았습니다.
그래서, AI 시대에 우리 회사의 HR은 당장 무엇을 시작해야 할까?
포브스(Forbes)와 HBR에 글을 기고하는 HR전략가 조앤 마이스터(Jeanne Meister)는 2025년이 'AI 실험의 해'였다면, 2026년은 'AI 변혁의 해'가 될 것이라고 선언했습니다. [1] 세계적인 HR 전문가 조쉬 버신(Josh Bersin) 역시 2026년을 기점으로 HR의 대대적인 재발명(Great Reinvention)이 시작되었다고 진단합니다. [2]
이 전환의 핵심은 분석 기법의 고도화가 아닙니다. 누가 질문하고, 무엇을 보고, 누가 판단하는가. 이 근본적인 역할 구조가 바뀌는 것입니다.
그런데, 이 전환의 핵심은 분석 기법의 고도화가 아닙니다. 지난 14년 동안 현장에서 HR 실무를 담당하고, 데이터를 분석하여 예측 모델을 만들고 운영하는 과정에서 체감한 피플 애널리틱스의 한계는, 기술이 아니라, 누가 질문하고, 언제 감지하고, 누가 활용하는가의 문제였습니다.
질문의 주체가 바뀐다
기존의 피플 애널리틱스에서는 HR이 먼저 질문을 던졌습니다. "이직률이 왜 높을까?" 가설을 세우고, 데이터를 모으고, 모델을 만들어 답을 찾았습니다.
모델 성능은 나쁘지 않았습니다. 그런데 SHAP 값으로 변수 중요도를 분석해 보면, "급여 변수가 중요하다"는 것은 알 수 있었지만, 그래서 리더가 무엇을 해야 하는지로는 연결되지 않았습니다. 통계적 설명과 실행 가능한 통찰 사이에 넓은 간극이 있었습니다.
AI 시대에는 이 구조가 달라집니다. AI가 먼저 패턴을 감지하고, 맥락을 붙여 HR에게 알려줍니다. "3분기 이후 이 팀에서 '소진'과 '업무량' 관련 표현이 급증하고 있습니다. 최근 프로젝트 일정 변경과 관련이 있을 수 있습니다."
SHAP 값이 "이 변수가 중요합니다"에서 멈췄다면, LLM 기반 분석은 "이런 맥락에서 이런 신호가 나타나고 있으니, 이것을 확인해 보십시오"까지 나아갑니다. HR이 미처 묻지 못했던 질문을, AI가 맥락과 함께 먼저 던지는 것입니다.
감지의 시점이 달라진다
기존에 저는 분기 또는 반기 단위로 배치 예측을 돌렸습니다. 모델이 '이직 위험군'을 식별해 주었지만, 결과가 나왔을 때는 이미 해당 직원의 마음이 떠난 뒤인 경우가 많았습니다.
이 시점의 한계는 기술의 문제라기보다 구조의 문제였습니다. 연간 설문, 분기 리뷰 같은 주기적 데이터 수집에 묶여 있었기 때문입니다.
AI 기반 피플 애널리틱스는 이 주기를 깨뜨립니다. 이전 글에서 다룬 실시간 감정 분석처럼, 직원들의 텍스트 데이터를 상시적으로 모니터링하여 변화가 일어나는 순간 감지합니다.
동시에 분석의 단위도 달라집니다. "영업 1팀 이직률 18%"라는 집단 수준의 스냅샷이 아니라, 개인의 여정(Employee Journey) 수준에서 변화를 추적합니다. 한 직원의 커뮤니케이션 패턴이 어떻게 변하고 있는지, 학습 참여가 줄어들고 있는지를 종합적으로 파악하여, 문제가 행동으로 드러나기 전에 개입할 수 있게 됩니다.
인사이트의 사용자가 달라진다
기존에 예측 결과를 현업 리더에게 전달했을 때, 가장 많이 들은 반응은 "그래서 어떻게 하라는 건가요?"였습니다. 이것은 리더의 문제가 아닙니다. 통계 모델의 출력값과 대시보드는 피플 애널리틱스 전담팀을 위해 설계된 것이었지, 바쁜 현업 매니저를 위한 것이 아니었습니다.
AI 기반 피플 애널리틱스는 이 장벽을 허물지만, 단순히 통계를 자연어로 '번역'하는 수준의 변화가 아닙니다. 세 가지 근본적인 변화가 함께 일어납니다.
첫째, 인사이트의 성격 자체가 달라집니다.
기존 대시보드는 "영업팀 이직률 18%"처럼 범용적 수치를 모든 리더에게 동일하게 보여줬습니다. AI는 각 매니저의 팀 상황에 맞게 맥락화된 인사이트를 제공합니다. 같은 이직 데이터라도, 최근 조직개편을 겪은 A팀장에게는 "팀 재편 이후 소속감 관련 신호가 감지됩니다"로, 신규 프로젝트를 수행 중인 B팀장에게는 "업무량 관련 부정적 표현이 증가하고 있습니다"로 다르게 전달됩니다.
둘째, 단방향 보고가 순환 학습으로 바뀝니다.
기존에는 HR이 분석하고 보고서를 전달하면 끝이었습니다. 대부분의 보고서는 읽히지도 않았습니다. AI 기반 시스템에서는 매니저가 인사이트를 기반으로 행동하면, 그 행동의 결과가 다시 데이터가 되어 모델을 개선합니다. "이 유형의 개입이 효과적이었다/아니었다"는 피드백이 축적되면서, 시스템은 점점 더 정교한 제안을 하게 됩니다.
셋째, 책임의 구조가 달라집니다.
인사이트가 HR팀에만 머물렀을 때는 현업 리더에게 "몰랐습니다"가 가능했습니다. 그러나 AI가 모든 매니저에게 직접 인사이트를 전달하게 되면, "알고도 행동하지 않은" 책임이 생깁니다. 이것은 피플 애널리틱스 민주화의 이면입니다. 데이터에 기반한 의사결정의 권한이 넓어지는 만큼, 그에 따른 책임도 함께 분산된다는 것을 조직 전체가 인식해야 합니다.
그래서 사람은 무엇을 해야 하는가
AI가 질문을 던지고, 실시간으로 감지하고, 모든 리더에게 인사이트를 전달한다면, HR 전문가의 역할은 무엇이 될까요?
핵심은 판단과 경계 설정입니다.
AI가 특정 직원을 '이직 위험군'으로 분류했다고 합시다. 그런데 그 직원은 단지 육아휴직 복귀 후 적응 기간에 있었을 뿐입니다. 과거 데이터에 남성 개발자의 승진 사례가 더 많았다면, AI는 여성 개발자의 잠재력을 체계적으로 과소평가할 수도 있습니다.
AI가 내놓은 결과를 맹신하는 순간, 편견은 알고리즘의 외피를 입고 더 교묘하게 작동합니다. "왜 이렇게 예측했는가?"를 AI에게 묻고, 답이 납득되지 않으면 기각할 수 있는 역량. 이것이 AI 시대에 HR 전문가에게 요구되는 새로운 핵심 역량입니다.
그리고 이전 글에서 강조했듯이, 개인 수준의 분석은 곧 개인 수준의 감시가 될 위험을 안고 있습니다. 직원의 사전 동의, 분석 목적의 투명한 공개, 결과의 징벌적 사용 금지. 이러한 윤리적 경계를 설계하는 것은 AI가 할 수 없는, 오직 사람의 몫입니다.
People Analytics에서 AI-Driven People Analytics로
이상의 변화를 정리하면, 다음과 같은 패러다임의 전환이 보입니다.
AI 기반 피플 애널리틱스는 정답을 알려주는 마법 지팡이가 아닙니다. 오히려 우리에게 더 많은 질문을 던지고, 우리가 가진 편견과 고정관념에 도전하게 만드는 '성찰의 거울'에 가깝습니다.
그 거울을 정직하게 마주할 용기가 있을 때, 비로소 조직은 AI 시대의 파도를 넘어 성장할 수 있습니다.
이제 이 여정의 마지막, 미래의 직장을 위한 제언으로 시리즈를 마무리하려 합니다. 데이터와 심리학, 그리고 AI가 만나는 곳에서, 우리는 어떤 미래를 그려나갈 수 있을까요?
References
[1] Meister, J. (2026, January 6). 10 HR Trends That Matter Most As AI Transforms Organizations. Forbes.
[2] Bersin, J. (2026, January 24). The Great Reinvention of Human Resources Has Begun. joshbersin.com.