한국 HR의 AI 활용을 이야기하면 “인사는 원래 변화에 보수적이다”라는 말부터 나옵니다. 하지만 이 말을 그대로 받아들이면 중요한 사실을 놓칩니다. HR이 다루는 것은 추상적인 업무 데이터가 아니라 한 사람의 채용 기회, 평가, 보상, 이동, 건강과 가족 사정까지 닿을 수 있는 정보입니다. HR AI 거버넌스가 먼저 필요한 이유는 도구가 낯설어서가 아니라, 한번 잘못된 경로로 흘러간 정보와 판단이 조직 신뢰를 오래 훼손할 수 있기 때문입니다.
현장에서는 두 극단이 자주 부딪힙니다. 한쪽은 “개인 서버를 따로 만들 수 없고 외부 클라우드에 인사 정보를 올릴 수도 없으니, AI는 아직 불가능하다”고 말합니다. 다른 한쪽은 “경쟁사도 쓴다는데 일단 도입하자”고 답합니다. 둘 다 현실의 일부를 말하지만, 실행의 답은 아닙니다. 지금 필요한 것은 전면 도입이나 전면 금지가 아니라, 어떤 데이터로 어떤 업무를 어디까지 할 수 있는지를 작게 나누고 검증하는 운영 설계입니다.
이 글의 결론은 명확합니다. HR의 AI 활용은 고위험 인사 판단을 자동화하는 일로 시작하면 안 됩니다. 목적을 좁히고, 입력을 최소화하고, 사람이 수용·거부 책임을 지는 작은 실험부터 시작해야 합니다. 그 과정에서 쌓이는 기준과 기록이 나중의 확장 가능성을 만듭니다.
1. HR의 경직성은 변화 거부가 아니라 책임 구조의 결과다
인사조직은 다른 지원 조직보다 유연해야 한다는 기대를 받습니다. 직원의 경험을 개선하고, 제도를 빠르게 바꾸며, 조직 변화에 맞춰 역할을 재설계해야 하기 때문입니다. 그런데 실제 AI 도입 단계에 들어가면 HR은 유난히 신중해 보입니다. 이 간극을 “HR은 기술을 싫어한다”는 말로 설명하면 문제를 풀 수 없습니다.
인사 업무의 산출물은 누군가의 실제 처우와 연결됩니다. 채용 과정의 요약 한 줄이 지원자를 보는 시선을 바꿀 수 있고, 평가 코멘트의 문장 하나가 보상·승진 논의에 남을 수 있습니다. 고충이나 건강 관련 기록은 더 직접적인 보호 대상입니다. 데이터가 외부 도구에 입력된 뒤 어떤 방식으로 저장·학습·재전송되는지 알 수 없다면, 담당자가 느끼는 부담은 기술적 낯섦이 아니라 설명 책임의 부담입니다.
그래서 신중함 자체는 없애야 할 장애물이 아닙니다. 오히려 그 신중함을 실행 가능한 질문으로 바꿔야 합니다. 이 정보가 꼭 필요한가. 이 업무에서 AI가 하는 역할은 초안인가, 추천인가, 결정인가. 외부 전송이 생기는가. 최종 수용·거부는 누가 하는가. 문제가 생겼을 때 어떤 기록으로 설명할 수 있는가. 이 질문에 답하지 못한 상태에서의 빠른 도입은 속도가 아니라 부채를 쌓는 일에 가깝습니다.
실무자 시각
저는 10만 시간 이상 HR 업무를 해온 실무자로서, AI 도입을 미루는 조직에서도 이미 AI의 영향이 나타나는 것을 자주 확인합니다. 1,000명 규모 조직에서 공식 AI 도구를 도입하기 전, 채용 공고 초안을 외부 무료 서비스에 그대로 붙여넣는 사례를 본 적이 있습니다. 공식 도구가 없으면 구성원은 개인 계정과 비공식 경로를 찾기 쉽습니다. “하지 말자”만으로는 데이터 위험을 없애지 못합니다. 승인된 최소 경로와 금지 경로를 함께 알려주는 일이 더 현실적인 거버넌스입니다.
2. 클라우드 제약의 본질은 장소가 아니라 데이터 흐름이다
“클라우드에는 인사 데이터를 올릴 수 없다”는 말에는 중요한 경고가 담겨 있습니다. 그러나 실무에서는 이 문장을 조금 더 세분화할 필요가 있습니다. 모든 정보가 같은 위험도를 갖지 않고, 모든 클라우드 서비스가 같은 통제 수준을 제공하지 않으며, 모든 AI 활용이 원문 전체를 외부에 보내야만 가능한 것도 아닙니다. 장소 하나만으로 가능·불가능을 가르면, 정작 관리해야 할 데이터 흐름이 보이지 않습니다.
먼저 구분할 것은 데이터의 성격입니다. 공개된 제도 안내, 이미 외부에 공개된 채용 공고, 비식별화된 교육 FAQ처럼 개인을 알아볼 수 없는 정보와, 이름·사번·연락처·평가 서술·보상·고충·건강·가족 관련 정보는 같은 바구니에 담을 수 없습니다. 특히 인사 데이터는 여러 조각이 결합될 때 개인을 다시 식별할 가능성도 있으므로, 이름만 지웠다고 안심해서는 안 됩니다.
둘째는 처리 경로입니다. 누가 입력하는지, 도구가 입력을 보존하는지, 결과물이 어디에 저장되는지, 접근 권한은 어떻게 회수되는지, 보존 기간이 끝나면 어떻게 삭제되는지를 하나의 흐름으로 봐야 합니다. AI 도구의 화면이 편리해 보여도 이 흐름을 설명할 수 없다면 HR 업무에 바로 연결하기 어렵습니다. 반대로 제한된 데이터와 제한된 목적, 승인된 저장소, 검토 절차를 갖춘 흐름이라면 훨씬 안전한 실험이 가능합니다.
| 데이터·업무 예시 | AI 활용 시작 판단 | 필수 통제 |
|---|---|---|
| 공개 제도 안내문, 공개 채용 공고 | 낮은 위험도. 문장 초안·비교부터 가능 | 사실 확인, 최신 규정 검토 |
| 비식별화된 교육·문의 유형 | 제한적 실험 가능 | 재식별 위험 점검, 승인된 저장 경로 |
| 이력서, 면접·평가 서술 | 높은 주의. 자동 판단 시작 금지 | 목적·권한 검토, 사람 최종 판단 |
| 보상, 건강, 고충, 징계 관련 기록 | 고위험. 별도 법무·개인정보 검토 전 활용 보류 | 접근통제, 최소 처리, 기록·감사 |
이 표는 법률 자문을 대신하지 않습니다. 다만 업무를 시작할 때 “민감하니 모두 금지” 또는 “익명화했으니 모두 가능”이라는 단순한 결론을 피하게 합니다. HR AI 거버넌스는 데이터의 이름표를 붙이는 일이 아니라, 목적·입력·처리·권한·책임이 연결된 흐름을 운영하는 일입니다.
3. 작은 실천은 ‘AI에게 맡길 일’을 찾는 데서 시작하지 않는다
AI 도입 논의가 막히는 이유 중 하나는 처음부터 “AI가 무엇을 대신하게 할 것인가”를 묻기 때문입니다. HR에서 더 좋은 출발점은 “사람의 판단을 바꾸지 않으면서 어떤 반복 작업을 더 투명하게 만들 수 있는가”입니다. AI를 사람의 대체물로 정의하면 채용·평가·보상처럼 가장 위험한 과제가 가장 먼저 테이블에 올라옵니다. 반대로 초안, 분류, 요약, 비교, 체크리스트처럼 보조적 역할로 정의하면 안전한 실험 공간이 생깁니다.
예를 들어 공개된 사내 제도 문서의 표현을 비교해 직원이 이해하기 쉬운 안내 초안을 만드는 일은 비교적 작은 실험입니다. 인사 담당자가 최종 문구와 규정 근거를 확인한다면, AI 출력은 결정이 아니라 초안입니다. 반복 문의를 미리 정한 유형으로 분류해 FAQ 후보를 만드는 일도 마찬가지입니다. 실제 개인 문의 원문을 무심코 입력하지 않도록 샘플을 비식별화하고, 결과를 사람이 검토하는 조건이 붙어야 합니다.
반대로 지원자 합격 가능성을 점수화하거나, 평가 코멘트에서 등급을 추천하거나, 보상안을 계산하는 업무는 작은 실험이라는 이름으로 시작하기 어렵습니다. 결과가 개인 권리와 직접 연결되고, 역사적 데이터의 편향이나 맥락 누락이 결과에 들어갈 수 있기 때문입니다. 이 영역에서 AI가 할 수 있는 역할이 전혀 없다는 뜻은 아닙니다. 다만 기준·근거·검토 권한·이의제기 경로가 먼저 설계되어야 한다는 뜻입니다.
첫 파일럿의 권장 조건
① 개인 식별정보 없이도 가능한 업무일 것
② 결과물이 인사 의사결정을 자동으로 바꾸지 않을 것
③ 담당자가 10~20분 안에 결과를 검토할 수 있을 것
④ 오류·수정 사례를 남길 수 있을 것
⑤ 4주 안에 중단·유지·확대 판단을 할 수 있을 것
4. Human-in-the-Loop는 승인 버튼이 아니라 권한의 설계다
Human-in-the-Loop는 AI 결과를 마지막에 한 번 확인하는 절차로 오해되기 쉽습니다. 하지만 HR에서는 승인 버튼 하나만으로 충분하지 않습니다. 누가 어떤 기준으로 검토하는지, 무엇을 수용·수정·폐기했는지, 예외가 생기면 어디로 올리는지가 연결되어야 합니다. 사람이 개입했다는 사실이 아니라 사람의 판단이 실제로 작동했다는 기록이 중요합니다.
이 원칙은 AI를 무비판적으로 받아들이는 Botshitting과, 모든 결과를 처음부터 다시 만드는 Botsitting 사이의 균형이기도 합니다. 검토 기준이 없으면 담당자는 AI의 유창한 문장을 사실로 받아들이기 쉽습니다. 반대로 역할이 분리되지 않으면 AI를 써도 매번 모든 내용을 처음부터 검토하게 되어 시간을 절약하지 못합니다. 무엇을 AI 초안으로 허용할지, 어떤 신호가 보이면 사람이 다시 확인할지 정해야 합니다.
가장 간단한 방식은 수용·수정·폐기 세 가지 선택지를 가진 검토 기록입니다. 예를 들어 제도 안내문 초안을 썼다면 담당자는 사실관계, 최신성, 차별·오해 소지, 개인정보 포함 여부를 체크하고 결과를 남깁니다. 이 기록은 감시를 위한 로그가 아닙니다. 어느 작업에서 오류가 자주 나오는지, 어떤 입력 규칙이 필요한지, 언제 사람의 판단이 반드시 필요한지를 발견하는 학습 데이터입니다.
실무자 시각
저는 채용 데이터를 다루면서, HR에서 AI의 품질은 답변의 문장력만으로 판단할 수 없다는 것을 반복적으로 확인합니다. 800명 규모 조직에서 반기 평가 코멘트 초안화 파일럿을 운영할 때, 검토 기준 없이 AI 문장을 그대로 채택했다가 특정 부서에 불리하게 읽힐 수 있는 표현이 남아 다시 수정했던 사례가 있었습니다. 그 답이 누군가에게 불리한 가정을 담지 않았는지, 제도상 예외를 놓치지 않았는지, 담당자가 나중에 설명할 수 있는지가 함께 품질입니다. 그래서 검토 기준은 프롬프트보다 먼저 필요합니다.
5. HR AI 거버넌스를 움직이는 6가지 체크포인트
거버넌스라고 하면 긴 규정집과 복잡한 승인 체계를 떠올리기 쉽습니다. 초기에는 한 장짜리 운영 원칙으로도 충분히 시작할 수 있습니다. 중요한 것은 문서의 분량이 아니라 실제 담당자가 업무 시작 전 확인할 수 있는 기준인지입니다. 아래 여섯 가지는 파일럿을 시작하기 전에 팀이 함께 합의할 질문입니다.
| 체크포인트 | 실무 질문 | 첫 행동 |
|---|---|---|
| ① Purpose Limitation | 이 AI 활용의 목적을 한 문장으로 말할 수 있는가 | 업무·산출물·종료 시점 명시 |
| ② Data Minimization | 이 입력값이 정말 필요한가 | 이름·사번·자유서술 제거 검토 |
| ③ Access Control | 누가 입력·열람·다운로드할 수 있는가 | 역할별 권한과 회수 시점 지정 |
| ④ Human-in-the-Loop | 누가 무엇을 근거로 최종 수용하는가 | 수용·수정·폐기 기록 운영 |
| ⑤ Explainability | 직원에게 결과와 경계를 설명할 수 있는가 | 안내 문구·이의제기 경로 준비 |
| ⑥ Incident Review | 오류·오입력·유출 우려를 어떻게 다룰 것인가 | 보고 채널과 중단 기준 합의 |
여섯 항목을 모두 완벽하게 갖춘 뒤에만 시작하자는 뜻은 아닙니다. 오히려 불확실한 항목이 무엇인지 드러내는 데 목적이 있습니다. 예컨대 데이터 최소화는 가능하지만 결과 설명이 어렵다면, 그 파일럿은 아직 직원에게 영향을 주는 업무로 확장하면 안 됩니다. 반대로 공개 정보 문안의 초안 작성처럼 설명 가능하고 검토가 쉬운 업무라면 제한된 범위에서 배우며 다음 기준을 다듬을 수 있습니다.
6. 한국 HR이 지금 만들어야 할 것은 ‘완벽한 플랫폼’이 아니다
개인별 서버를 구축하기 어렵고, 사내 시스템을 바꾸는 데 시간과 예산이 든다는 현실은 분명합니다. 그렇다고 해서 완벽한 내부 플랫폼이 나올 때까지 기다리는 것이 유일한 답은 아닙니다. 완벽한 인프라를 기다리는 시간 동안 비공식 AI 사용은 더 빨리 확산될 수 있고, 조직은 무엇이 입력되고 어디로 나가는지조차 파악하지 못할 수 있습니다.
먼저 필요한 것은 하나의 거대한 솔루션보다 최소한의 공통 언어입니다. 승인된 도구와 금지된 입력값, 허용된 활용 예시와 보류해야 할 의사결정, 검토 책임자와 문의 채널을 짧고 명확하게 제시해야 합니다. 이 기준이 있으면 구성원은 “무엇이 가능한지”를 알 수 있고, 담당자는 현장의 필요를 수집해 다음 실험의 우선순위를 정할 수 있습니다.
AI Governance는 중앙의 통제만 뜻하지 않습니다. 실제 업무에서 사람이 어떤 선택을 하게 만드는지까지 포함합니다. 너무 넓은 금지는 우회 사용을 부를 수 있고, 너무 느슨한 허용은 데이터를 잃게 할 수 있습니다. 그래서 작은 실천은 작은 권한과 작은 책임을 함께 설계해야 합니다. 작게 시작한다는 것은 위험을 가볍게 본다는 뜻이 아니라, 위험을 관찰 가능한 크기로 만드는 일입니다.
함께 읽으면 좋은 글:
Human In the Loop: AI 시대 HR이 지켜야 할 3가지 원칙
HR AI 도입 전에 반드시 점검할 3가지
HR AI 거버넌스 관련 영어 키워드
| 영어 키워드 | 의미 | HR 실무 적용 |
|---|---|---|
| AI Governance | AI 활용의 책임·통제·검토 체계 | 승인 기준과 예외 처리 경로 |
| Data Minimization | 목적에 필요한 최소 정보만 처리 | 식별자·자유서술 입력 전 제거 |
| Human-in-the-Loop | 사람이 검토·수정·결정하는 구조 | 채용·평가·보상에서 최종 권한 유지 |
| Purpose Limitation | 정해진 목적 밖의 사용 제한 | 파일럿별 목적 문장 고정 |
| Explainability | 결과와 판단 경계를 설명할 수 있는 성질 | 직원 안내와 이의제기 절차 |
자주 묻는 질문
Q. HR은 개인정보 때문에 AI를 전혀 쓸 수 없는 것 아닌가요?
A. 그렇지 않습니다. 다만 데이터 성격과 처리 경로, 활용 목적에 따라 가능 범위가 달라집니다. 공개 정보나 개인 식별정보를 제거한 업무부터 시작하고, 실제 인사 판단에는 별도 검토 기준과 사람의 최종 책임을 두어야 합니다.
Q. 클라우드를 쓰지 못하면 AI 도입은 불가능한가요?
A. 인프라 선택은 중요하지만, 우선 데이터 흐름과 통제 수준을 점검해야 합니다. 모든 업무에 같은 방식이 필요한 것은 아닙니다. 승인된 환경과 최소 데이터 원칙을 갖춘 제한적 활용부터 검토할 수 있습니다.
Q. 가장 먼저 해볼 만한 HR AI 업무는 무엇인가요?
A. 공개된 제도 안내문 초안 비교, 비식별화된 FAQ 분류, 공통 커뮤니케이션의 가독성 점검처럼 개인의 처우를 자동으로 바꾸지 않는 업무가 적합합니다. 담당자가 최종 검토하고 오류를 기록할 수 있어야 합니다.
Q. Human-in-the-Loop는 최종 승인만 하면 충분한가요?
A. 충분하지 않습니다. 누가 어떤 기준으로 검토했는지, AI 결과를 왜 수용·수정·폐기했는지, 예외는 어떻게 처리하는지까지 정해야 합니다. HR에서는 판단 책임이 실제로 작동했다는 기록이 중요합니다.
Q. AI가 만든 평가·채용 추천을 참고만 하면 괜찮은가요?
A. “참고”라는 표현만으로 위험이 사라지지는 않습니다. 추천이 실제 결정에 얼마나 영향을 주는지, 편향과 오류를 어떻게 점검하는지, 사람이 독립적으로 판단할 수 있는지까지 확인해야 합니다. 고위험 인사 업무는 법무·개인정보 전문가와 함께 별도 검토하는 것이 바람직합니다.
Q. AI 사용을 막으면 비공식 사용도 막을 수 있지 않나요?
A. 금지만으로는 현장의 필요를 없애기 어렵습니다. 무엇을 입력하면 안 되는지, 승인된 도구와 안전한 대안은 무엇인지, 궁금한 상황에서 누구에게 문의할지를 함께 제공해야 비공식 경로의 유인을 줄일 수 있습니다.
출처·참고
국가법령정보센터, 개인정보 보호법 — 개인정보 처리의 원칙과 보호 체계 확인용.
개인정보보호위원회, 안내서 — AI 활용 시 개인정보 처리 점검 자료를 확인하는 공식 안내서 목록.
NIST, AI Risk Management Framework — AI 위험을 거버넌스·측정·관리 관점에서 다루는 국제 참고 틀.
ILO, Generative AI and Jobs — 생성형 AI가 일과 과업에 미치는 영향에 관한 참고 보고서.
이 글은 일반적인 HR 운영 관점의 해설이며, 개별 사례의 개인정보 처리·노동법·계약상 판단을 대체하지 않습니다. 실제 도입 전에는 조직의 정보보호·개인정보·법무 기준을 확인해야 합니다.
핑백: AI 교육 실무 적용률 55%, 안 바뀌는 이유와 5가지 전환
핑백: AI 직원 몰입도 53%까지 끌어올리는 관리자 조건 4가지