HR에서 AX가 특히 어려운 이유

시작하며 : HR에 AI를 도입했지만, 기대만큼 작동하지 않는 이유

가트너(Gartner)가 2025년 HR 리더 114명을 대상으로 진행한 설문조사에 따르면 HR 리더의 88%가 ‘우리 조직은 AI 툴에서 유의미한 비즈니스 성과를 내지 못하고 있다’고 응답했습니다. AI에 대한 기대는 높지만 실제 체감 효과는 그에 미치지 못한다는 응답이 대다수였습니다.

흥미로운 점은 이러한 아쉬움의 목소리가 직원들의 태도에서 비롯된 문제가 아니라는 것입니다. 해당 설문에서 구성원의 65%는 업무에 AI를 쓰고 싶다고 답했고 77%는 AI 교육이 제공되면 적극적으로 참여한다고 밝혔습니다. 즉, AI를 적극적으로 활용하고자 하는 의지는 있는 것입니다.

그런데도 성과가 나오지 않는다면 문제는 다른 곳에 있다고 해석할 수 있는데요. 가트너는 원인을 기술이 아닌, 전략적 거버넌스와 올바른 구현 체계의 부재로 바라봤습니다. HR에서 AI가 기대만큼 작동하지 않는 이유에는 HR 데이터 자체가 가진 구조적 특성이 크게 작용하는 것이죠.

이번 글에서는 HR 영역에서 AX가 어려운 이유에 대하여 HR 데이터의 특성 중심으로 살펴보겠습니다.

1. ‘비정형’적인 HR 데이터

AI가 잘 작동하는 영역은 다음과 같은 공통점을 가집니다. 바로 데이터가 명확하고, 숫자로 표현되며, 패턴이 반복된다는 점입니다. 클릭 수, 전환율, 거래 기록, 센서 데이터 등의 정보들은 AI가 학습하고 패턴을 찾기에 용이합니다. 데이터가 정형화되어 있고 데이터의 양이 방대하며 각 데이터의 의미가 비교적 명확하기 때문입니다.

그러나 HR 데이터는 주로 비정형적입니다. 예를 들어 평가 코멘트는 텍스트로 구성되고 피드백은 작성자마다 표현 방식이 다릅니다. ‘이번 분기에 팀에 적극적으로 기여했다’는 피드백 문장이 AI 입장에서는 어떤 역량 항목에 대한 평가인지, 어떤 업무에 대해 작성된 것인지 등을 알기 어렵습니다. 형식이 정해져 있지 않기 때문입니다.

목표 달성률이 70%라고 했을 때, ‘70%’라는 숫자 하나만으로는 이 사람의 성과를 판단하기 어렵습니다. 목표가 처음부터 너무 높게 설정된 것인지, 중간에 환경이 바뀐 것인지, 달성하지 못한 30%가 어떤 이유에서였는지 등의 맥락이 함께 있어야 숫자가 정확한 의미를 갖습니다. 텍스트를 읽는 것과 맥락을 이해하는 것은 전혀 다른 문제이기 때문에 AI는 이러한 비정형적 데이터를 다루기 어려워 합니다. 아무리 뛰어난 언어 모델이라도 우리 조직의 사람과 상황을 모른 채 평가 코멘트 하나를 읽고 의미있는 판단을 내리기는 어렵습니다.

따라서 AI가 이러한 데이터를 처리하려면 구조가 먼저 필요합니다. 어떤 항목에 대한 코멘트인지, 어떤 시점에 작성된 것인지 등이 정의된 형식 안에 담겨야 합니다. 텍스트로 작성되어서 불가하다는 의미가 아닌, AI가 읽을 수 있는 틀 안에 텍스트를 넣고 다양한 태그를 함께 삽입해 AI가 해석할 수 있는 맥락을 부여해야 합니다. 이처럼 비정형 데이터를 정형화할 때 AI가 ‘제대로’ 운영될 수 있습니다. 클랩이 성과관리 데이터를 단순 기록이 아니라 맥락이 붙은 구조로 축적하는 것도 이 때문입니다.

비정형 데이터가 많다는 것은 AI가 다루기 위해 그만큼 더 많은 사전 작업이 필요하다는 의미이기도 합니다. 그리고 많은 조직이 이 준비 없이 AI 기능부터 도입하려고 하다보니 AI를 통한 체감 효과가 낮게 나타날 수밖에 없습니다.

2. 데이터 연결의 부재

비정형적 데이터의 문제를 해결했다면 AI가 제대로 작동할까요? 그렇지 않을 수도 있습니다. 데이터가 존재하더라도 각 데이터들이 서로 연결되어 있지 않으면 AI는 여전히 맥락을 이해하기 어렵습니다.

많은 조직의 HR 데이터 현황을 살펴보면 비슷한 풍경이 보입니다. 목표는 별도 문서나 스프레드시트에 있습니다. 평가는 또 다른 엑셀 파일이나 평가 전용 시스템에 있습니다. 피드백은 메일함, 메신저, 혹은 별도의 툴에 흩어져 있습니다. 1on1 기록은 리더 개인 노트에 있을 수도 있습니다. 각각의 정보는 어딘가에 존재하지만 서로 이어지지 않은 채 독립적으로 존재합니다.

이 사람이 연초에 어떤 목표를 세웠고 그 목표를 향해 가는 과정에서 어떤 피드백을 받았으며 최종적으로 어떤 평가를 받았는지, 이 흐름을 하나의 뷰로 볼 수 없는 상태라고 할 수 있습니다. 즉, 정보는 있는데 연결이 없는 상황이죠. 이처럼 데이터가 있어도 데이터끼리 연결되어 있지 않으면 AI는 맥락을 이해하기 어렵습니다.

예를 들어 어떤 직원의 평가 점수가 낮게 나왔습니다. AI에게 이 데이터를 주고 분석을 요청하면 무엇을 할 수 있을까요? 점수가 낮다는 사실은 분명하게 알 수 있습니다. 그런데 이 사람이 어떤 목표를 갖고 있었고 목표 달성 과정에서 어떤 어려움이 있었는지, 리더와 어떤 대화를 나눴는지를 알 수 없다면 AI가 내놓을 수 있는 답은 매우 제한적입니다. 심지어 전혀 관련없는 엉뚱한 답변으로 흐를 수도 있습니다.

이 지점에서 온톨로지(Ontology) 라는 개념이 등장합니다. 어렵게 들릴 수 있지만 핵심은 간단합니다. 데이터 간의 관계를 정의하는 구조라고 이해하시면 됩니다. 이 사람과 이 목표가 어떻게 연결되는지, 이 평가가 어떤 맥락에서 나온 것인지, 이 피드백이 어떤 행동에 대한 반응인지를 시스템이 이해할 수 있도록 설계하는 것입니다.

온톨로지가 없는 상태에서 AI를 붙이면 AI는 각각의 정보를 개별적으로만 처리합니다. 목표는 목표대로, 평가는 평가대로, 피드백은 피드백대로 처리하는 것이죠. 사람의 입장에서는 연결되어 보이는 데이터들이지만, AI 입장에서는 서로 아무 관계없는 별개의 데이터로 보일 수 있습니다.

따라서 AI를 도입하기 전에 데이터들이 서로 어떻게 연결되어야 하는지를 먼저 설계해야 합니다. 연결 구조 없이 쌓인 데이터들로 AI를 구현하는 경우, AI가 활용할 수 있는 정보는 생각보다 훨씬 적기 때문입니다. 클랩은 목표·평가·피드백 데이터를 분리된 정보가 아니라 하나의 흐름으로 연결하는 구조를 지향하고 있습니다.

어떤 목표 아래에서 어떤 피드백이 오갔고 그것이 최종 평가에 어떻게 이어지는지를 시스템이 파악할 수 있도록 설계되었습니다. 데이터를 어떻게 쌓느냐가 나중에 AI가 얼마나 의미 있게 작동하느냐를 결정하기 때문입니다.

3. ‘판단’이 필요한 HR

비정형 데이터 문제도 어느 정도 해결했고 데이터 연결 구조도 갖추었다면 AI가 제대로 작동할까요? 답은 ‘아닐 수도 있다’입니다. HR은 단순한 처리나 자동화로 해결되지 않는, 판단이 필요한 영역이기 때문입니다.

HR에서 다루는 문제들을 한번 떠올려볼까요? 주로 다음과 같은 고민들을 하게 됩니다.

• 이 사람의 성과를 어떻게 평가할 것인가?
• 이 직원에게 지금 어떤 피드백이 필요한가?
• 이 팀의 다음 리더 후보는 누가 적합한가?
• 이 사람의 이직 가능성은 얼마나 되는가?
• 이 평가 결과를 어떻게 전달해야 할까?

이런 판단들은 단순히 데이터를 읽는 것에서 그치지 않습니다. 맥락과 그에 따른 해석이 필요하며 사람에 대한 깊은 이해 또한 필요합니다. 이러한 이유로 같은 데이터를 보더라도 베테랑 HR 담당자와 신입 담당자가 내리는 판단이 다를 수 있죠. 따라서 AI는 패턴을 찾고 연산하고 텍스트를 생성하는 데에는 뛰어나지만 특정 사람의 상황을 진정으로 이해하고 조직 맥락 속에서 최선의 판단을 내리는 것은 여전히 사람의 영역에 가깝습니다.

특히 HR 영역에 도입할 때 고민해야 하는 부분은 AI 오류에 따른 리스크의 차이입니다. 다른 업무 영역에서 AI가 틀린 결과를 낸다면 대부분 업무 과정의 불편함으로 끝납니다. 콘텐츠가 어색하거나 코드에 오류가 있거나 고객 응답이 매끄럽지 않은 수준이며 이는 향후 수정하면 됩니다.

그런데 HR에서의 오류는 다릅니다. AI의 잘못된 오류를 그대로 반영했을 때 평가 결과에 대한 신뢰가 무너지거나 구성원의 성장을 위해 제공한 피드백이 오히려 반발을 일으키는 등 조직 전체에 부정적 영향을 줄 수 있습니다. HR은 구성원의 커리어와 처우에 직접적인 영향을 미치는 영역이기 때문입니다. 따라서 HR 영역에서는 AI가 틀릴 경우 조직의 리스크로 이어질 수 있다는 점을 인지하고 AI를 도입할 때 이를 주의해야 합니다.

따라서 단순 생성형 AI를 HR에 그대로 적용하는 것은 권장하지 않습니다. AI가 그럴싸한 문장을 만들어내더라도 그것이 특정 조직, 특정 사람, 특정 상황에 맞는 말인지는 전혀 별개의 문제이기 때문입니다. 문장이 완성도 있어 보일 수는 있지만 그 내용이 정확하다는 보장은 없습니다.

이 문제는 AI가 실제로 모르는 정보를 아는 것처럼 만들어내는 환각(Hallucination) 이슈와 맞닿아 있습니다. 특히 HR처럼 개인과 조직에 대한 정확한 정보가 중요한 영역에서 환각이 어떤 문제를 일으킬 수 있는지는 충분히 생각해볼 필요가 있습니다.

그래서 HR에서 AI는 다르게 접근해야 한다

HR 데이터는 대부분 비정형이고 데이터가 연결되어 있지 않으며, HR은 판단이 필요한 영역이라는 점에서 HR에서의 AI 도입은 다른 영역보다 훨씬 복잡한 문제가 됩니다.

즉 기존에 쓰던 시스템 위에 AI 기능을 하나씩 얹는 일반적인 AI 적용 방식은 HR에서는 한계를 드러낼 가능성이 높습니다. 데이터가 분산되어 있고 연결되지 않은 상태에서 AI 기능을 추가하더라도 결과물은 맥락 없는 텍스트에 그치기 쉽기 때문입니다. 그로 인해 기능은 있는데 쓸 수 없는 상황이 반복됩니다.

그렇다면 HR에서 AI는 어떻게 접근해야 할까요? 출발점이 달라야 합니다.

많은 조직이 AX를 이야기하면서 AI 기능 도입부터 시작합니다. 그런데 기능보다 구조가 먼저라는 순서를 생각해보면 지금 우리 조직이 어떤 단계에 있는지를 한번쯤 점검해볼 필요가 있습니다. AI 기능을 먼저 고르는 것이 아니라, 데이터 구조를 먼저 설계하는 것이 필요합니다. 어떤 데이터를 어떤 맥락과 함께 어떻게 연결해서 쌓을 것인가? 이 질문에 답하는 것이 먼저입니다. 그 기반이 있어야 AI가 의미 있는 결과를 낼 수 있습니다.

클랩이 단순한 AI 기능 추가보다 데이터 구조 중심의 설계를 지향하는 것도 이 때문입니다. 목표·평가·피드백 데이터가 하나의 흐름으로 연결되어 쌓일 때 그 위에서 AI가 비로소 의미 있게 작동할 수 있습니다.

마치며

HR에서 AI가 특히 어려운 이유는 단순히 기술이 부족해서가 아닐 가능성이 높습니다. 데이터의 특성, 연결 구조의 부재, 그리고 HR이 본질적으로 판단의 영역이라는 사실. 이 세 가지를 이해하고 나면, AI 도입의 출발점이 어디여야 하는지가 좀 더 명확해질 수 있습니다.

우리 조직의 HR에 AX를 도입하고 싶으시다면, 클랩을 통해 성과관리 DX를 적용하고 손쉽게 AX로 연결해보세요. 클랩의 AX 솔루션 도입이 고민되신다면 도입 상담을 통해 걱정을 해결해 보세요.

[ AI 기반 커스터마이징 성과관리 솔루션, 클랩CLAP 더 알아보기 ]

• CLAP은 어떤 기업을 위한 성과관리 솔루션인가요?

클랩 CLAP은 기업의 성과관리를 효율적으로 운영하고 자동화 및 고도화하기 위해 설계된 AI 기반 커스터마이징 성과관리 HR SaaS입니다. 목표, 피드백, 원온원, 평가 등 개별적으로 관리되던 성과관리 데이터를 하나의 시스템으로 통합해, 구성원의 성과 과정과 성장 이력을 흐름 단위로 관리할 수 있습니다. 또한 100개 이상의 모듈을 보유하고 있으며 신규 모듈 개발도 6주 이내에 가능하기에 기업별 제도와 조직 문화에 맞춰 유연하게 커스터마이징할 수 있으며, AI 요약과 분석 기능을 통해 반복적인 운영 업무를 효율적으로 줄이고 성과관리 인사이트에 필요한 HR 데이터를 자동으로 정리해 리포트로 제공합니다. 이를 통해 HR 조직은 운영 리소스를 절감하면서도, 누적된 데이터를 기반으로 보다 전략적인 방향에서 성과관리를 설계하고 운영할 수 있습니다.