HR AI 에이전트는 어떤 모습이어야 할까요?

HR AI-Agent는 어떤 모습이어야 할까요?

지난 10월, 아마존 팀에서 발표된 <HR-Agent: A Task-Oriented Dialogue (TOD) LLM Agent Tailored for HR Applications>라는 논문은 반복적인 HR 업무를 자동화하고 효율성을 극대화하기 위해 설계된 AI 에이전트를 다루고 있습니다. 직원들의 휴가 요청, 의료 청구, IT 문제 신고와 같은 단순 반복적인 작업을 수작업으로 처리하며 낭비되는 시간과 자원을 해결하기 위해 HR-Agent라는 모델을 제안하였습니다.

이 논문을 바탕으로 대화형 HR AI-Agent가 갖추어야 할 주요 특징들을 정리해 보았습니다.

 빠른 응답 시간

- 응답 시간이 길어지면 사용자 만족도가 급격히 떨어진다는 연구 결과가 있습니다. 따라서 이상적인 HR AI-Agent는 2초 이하의 응답 시간을 유지해야 합니다.

- 논문에서는 추가적인 하드웨어 가속기나 ONNX 같은 최적화 도구 없이도 94%의 요청을 2초 이내에 처리할 수 있는 모델을 설계했습니다. 이는 효율성과 실용성을 모두 갖춘 사례로 평가받을 만합니다.

 정확한 정보 추출

- HR Task를 제대로 지원하려면 사용자의 발화에서 정확한 정보를 추출해야 합니다. 여기서 핵심은 Entity, 즉 문장에서 중요한 정보(단어 또는 구)를 정확히 식별하는 것입니다.

- 논문에서는 FlanT5 모델을 기반으로 Entity Selection을 수행하고, Roberta와 Deberta 모델을 활용해 Entity Extraction을 처리했습니다. 이를 통해 사용자 요청에서 필요한 정보를 효율적으로 수집할 수 있었습니다.

 HR 특화

- HR Task는 단순히 휴가 요청이나 의료 청구 같은 기본 작업에서 나아가, 성과 관리, 경력 개발, 인재 추천 등 복잡한 요구사항을 충족해야 합니다.

- 이 연구에서는 HR-MultiWOZ 데이터셋을 활용해 대화 상태 추적(Dialogue State Tracking, DST)을 훈련시켜 HR 특화 기능을 강화했습니다. 이 데이터셋은 HR의 다양한 업무 시나리오를 반영하도록 설계되었습니다.

 기밀성 보장

- HR은 민감한 데이터(예: 개인 정보, 급여 정보)를 다루기 때문에, 기밀성을 확보하는 것이 매우 중요하므로 데이터 누출 가능성을 줄이는 철저한 보안 프로세스가 필요합니다.

 공감 기반의 대화

- 단순히 사용자 요청을 처리하는 것을 넘어, 공감과 맥락을 고려한 대화 설계로 사용자 만족도를 높이는 것이 중요합니다.

- 논문에서는 Claude-V3 모델을 활용해 사용자 발화에 감정을 반영한 공감형 응답을 생성했습니다.

- 예를 들어, "의료 문제로 인해 휴가가 필요하다"는 요청에 단순히 "요청이 접수되었습니다"라고 응답하는 대신, "의료 문제는 스트레스가 많으셨을 텐데요. 빠르게 지원해 드리겠습니다."와 같은 공감 어린 답변을 제공합니다. 이는 사용자 만족도를 크게 높이는 데 기여할 수 있습니다.

 이 연구는 HR AI-Agent의 가능성을 잘 보여주는 사례입니다.  HR과 AI의 접점에서 비즈니스를 개발하고 대학원에서 관련 과목을 강의하는 연구자로서, HR의 새로운 미래를 상상하고 그 가능성을 그려보는 일은 언제나 즐겁습니다. HR AI-Agent가 단순히 반복적인 업무를 효율화하는 것을 넘어, 구성원의 경험과 만족도를 동시에 향상하는 중요한 도구로 자리 잡기를 기대해 봅니다.