서류에서 계속 떨어지는데 이유를 알 수 없을 때, 요즘은 대개 같은 결론에 도달합니다. AI가 걸렀을 것이라는 결론입니다. 먼저 결론부터 말씀드리겠습니다. 서류 탈락의 대부분은 기계가 이력서를 읽고 내린 판정이 아니라, 이력서가 검색되지 않아 열리지도 않은 결과입니다. 채용 시스템의 다수는 지원자를 채점하는 판정기가 아니라 지원자를 찾는 검색 도구이고, 그 검색창에 질의를 넣는 사람은 여전히 채용 담당자입니다.
이 구분이 중요한 이유는 대응이 완전히 달라지기 때문입니다. 기계를 속이는 문제라면 키워드를 채우면 됩니다. 검색되고 대조되는 문제라면 채워야 할 것은 단어가 아니라 근거입니다. 오늘은 자동 심사의 어느 지점에서 사람들이 실제로 떨어지는지, 채용을 운영하는 쪽에서 본 그대로 이야기해보겠습니다.
AI 서류 스크리닝은 지금 어디까지 와 있는가
숫자부터 정리하고 시작하겠습니다. 이 주제는 과장된 통계가 유독 많이 돌아다닙니다.
미국 인사관리협회가 2025년에 HR 실무자 2,040명을 조사한 결과, 채용에 AI를 활용하는 조직은 51%였습니다. 2024년의 26%에서 1년 만에 두 배가 됐습니다. 다만 그 안을 들여다보면 용도가 갈립니다. AI를 쓰는 조직에서 가장 흔한 용도는 채용 공고 작성으로 66%였고, 이력서 스크리닝은 44%였습니다. 두 숫자를 겹치면 이력서 심사에 AI를 쓰는 조직은 전체의 5분의 1 남짓입니다.
한편 이력서 검사 도구를 판매하는 페이지들은 훨씬 큰 숫자를 씁니다. 87%가 AI로 사람을 걸러낸다거나, 이력서의 4분의 3이 사람 손에 닿기 전에 버려진다는 문장입니다. 출처를 따라가 보면 대개 다른 블로그로 이어지고 조사 주체와 표본에 닿지 않습니다. 겁을 먹게 만드는 숫자가 도구를 팔기에 유리하기 때문일 것입니다.
여기서 간과하기 쉬운 포인트가 있습니다. AI 스크리닝의 보급률과 채용 시스템의 보급률은 다른 이야기라는 점입니다. 규모가 있는 기업의 채용은 거의 전부 지원자 관리 시스템 위에서 돌아갑니다. 그러나 그 시스템의 기본 기능은 판정이 아니라 저장, 검색, 정렬, 일정 관리입니다. 그러니 정확한 문장은 이렇게 됩니다. 당신의 이력서는 AI에게 채점당하기 전에, 검색 결과에서 발견되지 못할 가능성이 훨씬 큽니다.
자동 심사가 이력서에서 실제로 읽는 것
그렇다면 검색은 무엇을 근거로 순서를 정할까요. 최근의 도구는 단어를 그대로 맞춰보는 방식에서 문서 전체를 의미 벡터로 바꿔 공고와의 유사도를 재는 방식으로 넘어갔습니다. 문맥을 본다는 뜻이니 나열된 키워드는 예전만큼 통하지 않습니다. 문제는 이 방식이 의미만 보는 것이 아니라는 데 있습니다.
카이라 윌슨과 아일린 칼리스칸이 2024년 AI 윤리 학회에 발표한 감사 연구는 이력서 500여 건과 공고 500여 건으로 이 검색을 재현했습니다. 결과는 불편했습니다. 아홉 개 직군에서 백인 연상 이름이 유의하게 선호된 경우가 85.1%였고, 여성 연상 이름이 선호된 경우는 11.1%에 그쳤습니다. 흑인 남성 연상 이름은 최대 100%의 조건에서 불리했습니다. 저자들이 함께 보고한 항목이 하나 더 있습니다. 문서의 길이와 이름이 학습 데이터에 등장한 빈도가 선택에 영향을 줬다는 것입니다.
이름의 빈도와 문서의 길이는 지원자의 역량과 아무 관계가 없습니다. 그런데도 순위를 흔듭니다. 자동 심사가 읽는 것은 경력의 적합성이 아니라 문서의 표면적 성질이라는 뜻입니다.
이 문제가 새로운 것은 아닙니다. 아마존은 2014년부터 과거 지원자 10년치로 이력서 평가 모델을 학습시켰습니다. 지원자 다수가 남성이었기 때문에 모델은 남성을 선호하는 편이 정답이라고 배웠고, 여성이라는 단어가 들어간 이력서와 여자대학 이름에 감점을 줬습니다. 2015년에 문제를 확인하고 손을 봤지만 편향은 계속 돌아왔고, 결국 프로젝트를 폐기했습니다. 학습 데이터가 과거의 합격자라면 모델이 배우는 것은 직무 적합성이 아니라 과거의 관성입니다.
| 지원자가 공들이는 것 | 검색·정렬이 실제로 쓰는 신호 |
|---|---|
| 문장의 완성도와 표현 | 공고 용어와의 의미 유사도 |
| 자기소개의 진솔함 | 파싱된 필드의 존재 여부 |
| 화려한 편집과 레이아웃 | 텍스트 추출 가능성 |
| 겸손한 축약 | 문서의 길이와 정보 밀도 |
| 성실함의 인상 | 필수 요건 문항의 응답값 |
왼쪽이 쓸모없다는 말이 아닙니다. 왼쪽은 사람이 문서를 연 다음부터 작동합니다. 문서가 열리기까지는 오른쪽이 작동합니다. 많은 지원자가 왼쪽만 다듬다가 오른쪽에서 멈춥니다.
탈락은 세 지점에서 일어난다
채용 담당자 쪽에서 보면 탈락은 한 번에 일어나지 않습니다. 성질이 다른 세 지점이 있고, 각 지점에서 해야 할 일이 다릅니다.
flowchart TD
A["지원서 제출"] --> B{"필수 요건 문항<br/>연차·자격·근무지"}
B -->|미달| X1["즉시 자동 탈락<br/>이력서는 열리지 않음"]
B -->|충족| C["파싱 후 검색 색인에 저장"]
C --> D{"담당자 검색 질의에<br/>걸리는가"}
D -->|안 걸림| X2["보관되지만 도달 실패<br/>가장 흔한 탈락"]
D -->|걸림| E["담당자가 문서를 엶<br/>평균 7초대 훑기"]
E --> F{"직무기술서와<br/>대조 가능한가"}
F -->|근거 없음| X3["열렸지만 판단 보류<br/>사실상 탈락"]
F -->|근거 있음| G["면접 후보로 이동"]
class G accent
class X1 muted첫 번째 지점은 지원서의 필수 요건 문항입니다. 사람의 개입 없이 결과가 확정되는 유일한 구간입니다. 경력 연수, 자격증, 근무 가능 지역 같은 항목에 미달로 응답하면 이력서 본문은 열리지 않습니다. 여기서 걸린 지원자는 문장을 아무리 고쳐도 결과가 바뀌지 않습니다. 지원 전에 확인해야 할 것이 이력서가 아니라 이 문항이라는 뜻입니다.
두 번째 지점은 검색 도달입니다. 그리고 이 지점이 가장 많은 사람을 조용히 지웁니다. 파싱이 실패해 경력 기간이 빈 값으로 들어갔거나, 담당자가 넣은 질의어와 이력서의 용어가 어긋나면 문서는 존재하지만 발견되지 않습니다. 같은 일을 하고도 회사마다 다른 이름으로 불리는 직무에서 특히 자주 일어납니다.
세 번째 지점은 대조입니다. 문서가 열린 뒤의 시간은 짧습니다. 채용 플랫폼 래더스가 2018년에 진행한 시선 추적 실험에서 채용 담당자가 이력서 한 건을 처음 훑는 시간은 평균 7.4초였습니다. 그 몇 초 동안 담당자가 하는 일은 읽기가 아니라 대조입니다. 공고에 적힌 요구 사항 옆에 이력서의 어느 문장을 놓을 수 있는지를 찾습니다. 놓을 문장이 없으면 좋은 이력서라도 판단이 보류되고, 보류는 대개 탈락으로 끝납니다.
사람이 개입하는 지점이 더 흔들린다
자동화된 부분보다 사람이 개입하는 부분이 더 불안정하다는 이야기도 해야 하겠습니다.
베르클리 딧보르스트와 조지프 시먼스, 케이드 매시가 2015년에 발표한 연구는 사람들이 알고리즘의 오류에 유독 엄격하다는 것을 보여줍니다. 다섯 개의 실험에서 참가자들은 알고리즘이 사람보다 더 정확한 예측을 하는 것을 직접 본 뒤에도, 알고리즘이 한 번 틀리는 장면을 보면 그것을 버리고 사람의 예측을 택했습니다. 같은 실수를 사람이 했을 때는 그렇게까지 신뢰를 거두지 않았습니다. 저자들은 이를 알고리즘 혐오라고 불렀습니다.
채용 현장에서 이 두 가지가 동시에 나타납니다. 평소에는 자동 순위의 상단만 열어보고 그것으로 충분하다고 느끼다가, 추천 상단에서 명백히 어긋난 후보 한 명을 발견하면 그날 이후 시스템 전체를 미더워하지 않습니다. 시스템은 개선되지 않고, 그 흔들림의 결과는 지원자가 받습니다.
몇 해 전 채용 프로세스를 다시 짜면서 시스템을 도입하고 서류 검토와 면접 평가의 일부를 자동화한 적이 있습니다. 담당자의 손이 확실히 가벼워졌습니다. 공고를 여러 채널로 뿌리고 지원자 수를 늘릴 여력도 생겼습니다. 그런데 반년쯤 지나 지표를 정리하다가 마음이 불편해졌습니다. 지원자 수는 늘었는데 면접까지 올라오는 사람의 구성은 거의 그대로였습니다. 자동화가 바꾼 것은 판단이 아니라 판단에 드는 시간이었습니다. 도구는 우리가 이미 쓰던 기준을 더 빠르게 반복했을 뿐입니다. 기준 자체를 손대지 않으면 자동화는 같은 결론을 더 많이 생산합니다.
규모 앞에서 사람의 검토가 어떤 상태가 되는지도 직접 봤습니다. 대규모 공채를 지원하며 1만 명 가까운 지원자 데이터를 검토하던 시기가 있었습니다. 문항 오류와 이의 제기를 한 건도 남기지 않는 것이 그때 제 목표였고, 그것만으로도 하루가 꽉 찼습니다. 7,000명 규모의 공채에서 1,300명의 면접 대상을 골라내는 기준을 설계하던 프로젝트도 비슷했습니다. 그 자리에 앉아 보면 알게 됩니다. 사람은 1만 건을 읽지 못합니다. 검색하고, 정렬하고, 상위 몇 백 건을 봅니다. 이것을 게으름이라고 부를 수 없습니다. 물리적으로 다른 방법이 없습니다. 그래서 검색에 걸리는 일이 문장을 다듬는 일보다 앞섭니다.
키워드를 채우는 전략이 곧 무력해지는 이유
여기까지 읽고 나면 결론이 하나로 향하는 것처럼 보입니다. 공고의 단어를 최대한 많이 심으라는 것입니다. 그 전략은 지금 일부 효과가 있고, 그래서 곧 사라집니다.
경제학자 찰스 굿하트가 1975년에 남긴 관찰이 이것을 설명합니다. 어떤 지표가 정책의 목표가 되는 순간, 그 지표는 상태를 알려주는 기능을 잃습니다. 사회과학자 도널드 캠벨도 같은 시기에 같은 이야기를 했습니다. 평가에 쓰이는 지표일수록 오염되기 쉽다는 것입니다.
키워드도 같은 길을 걷습니다. 소수가 공고의 단어를 심으면 그 단어는 신호로 작동합니다. 모두가 심으면 단어는 판별력을 잃습니다. 자기소개서가 폐지되기 시작한 것도 같은 이유이며, 그 뒤에 회사가 무엇으로 검증을 옮기는지는 자소서 폐지와 반나절 면접 이후의 준비에서 이어 다뤘습니다. 그러면 심사는 다음 층위로 이동합니다. 그 단어 옆에 검증 가능한 사실이 붙어 있는지를 보는 층위입니다. 최근 도구들이 문맥을 함께 보게 된 것도 이 흐름과 같은 방향입니다.
그래서 안전한 자리는 최적화가 아니라 대조 가능성입니다. 대조 가능한 문장은 자동 심사에서도 유사도를 얻고, 사람이 열었을 때도 7초를 버티고, 면접에서 되물었을 때도 무너지지 않습니다. 같은 문장 하나가 세 관문을 함께 통과합니다. 이 원리는 경력기술서를 업무 나열에서 성과 신호로 바꾸는 방법에서 다룬 것과 같고, 그 재료를 어떻게 미리 모아두는지는 성과 기록을 이직 전에 남기는 방법에서 따로 이야기했습니다.
그래서 이력서를 어떻게 바꿔야 하는가
세 지점에 각각 대응하는 순서로 정리하겠습니다.
첫째, 이력서보다 지원서 문항을 먼저 확인합니다. 필수 요건에서 걸리면 나머지는 읽히지 않습니다. 연차나 자격 요건이 애매하게 걸린다면 문항의 응답과 이력서의 서술이 서로 어긋나지 않는지부터 맞추세요.
둘째, 내 회사의 용어를 공고의 용어로 번역합니다. 사내에서만 쓰던 팀 이름, 제품 코드명, 자체 프로세스 명칭은 검색 질의에 걸리지 않습니다. 같은 일을 공고가 부르는 이름으로 한 번 더 적어 두세요. 단어를 바꿔치기하라는 뜻이 아니라 같은 사실에 이름을 하나 더 달아 두라는 뜻입니다.
셋째, 문서를 기계가 읽을 수 있게 만듭니다. 텍스트로 선택되는 PDF로 저장하고, 핵심 정보를 표나 다단 편집 안에 넣지 않고, 머리글과 꼬리말에 연락처를 숨기지 않고, 섹션 이름은 경력과 학력처럼 흔한 단어로 씁니다. 지나치게 짧은 이력서가 검색에서 불리하다는 것도 앞서 본 연구가 시사하는 바입니다. 다만 늘리는 방식은 수식어가 아니라 근거여야 합니다.
넷째, 모든 항목에 대조할 근거를 붙입니다. 무엇이 문제였고, 무엇을 선택했고, 어떻게 됐는지가 한 줄 안에 들어가면 됩니다. 숫자가 없는 직무라면 범위와 빈도와 전후 비교로 적으면 충분합니다. 이렇게 준비한 문장은 이직 사유를 묻는 면접 질문 앞에서도 그대로 쓰입니다.
채용을 운영하는 쪽에도 두 가지를 남기고 싶습니다. 자동 순위의 상단만 열어보는 습관을 점검하고, 주기적으로 하위 구간을 표본으로 열어보시길 권합니다. 그리고 필수 요건 문항이 진짜 자격인지 다시 보셔야 합니다. 연차와 학력 문항은 조용히 사람을 지우는데, 그 기준이 성과와 연결된다는 근거는 생각보다 약합니다. 이 문제는 스킬 기반 채용으로 전환하는 흐름과 면접관의 직감을 구조로 대체하는 방법에서 더 다뤘습니다. 마지막 관문의 허술함에 대해서는 레퍼런스 체크 쪽 이야기가 있습니다.
결론
자동 심사를 두려워할 일은 아니지만, 오해할 일도 아닙니다. 이력서는 대개 판정당해서 떨어지지 않습니다. 발견되지 않아서, 그리고 열린 뒤 대조할 것이 없어서 떨어집니다.
그러니 서류에서 계속 막힌다면 문장을 더 다듬기 전에 질문을 바꿔보시길 권합니다. 이 이력서가 검색에 걸릴 단어를 갖고 있는가, 열렸을 때 7초 안에 대조될 문장을 갖고 있는가. 두 질문에 답할 수 있으면 도구가 무엇으로 바뀌든 그 답은 유효합니다. 심사의 기술은 계속 바뀌지만, 검증 가능한 기록이 강해지는 방향은 바뀌지 않았습니다.
참고 자료
- SHRM (2025). 2025 Talent Trends: The Role of AI in HR Continues to Expand (HR 실무자 2,040명 조사)
- Wilson, K., & Caliskan, A. (2024). Gender, Race, and Intersectional Bias in Resume Screening via Language Model Retrieval. Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society.
- Dastin, J. (2018). Amazon scraps secret AI recruiting tool that showed bias against women. Reuters / MIT Technology Review.
- Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015). Algorithm Aversion: People Erroneously Avoid Algorithms After Seeing Them Err. Journal of Experimental Psychology: General, 144(1), 114–126.
- Ladders (2018). Eye-Tracking Study: Recruiters Look at Resumes for 7.4 Seconds.
- Goodhart, C. (1975). Problems of Monetary Management: The U.K. Experience.
- Campbell, D. T. (1979). Assessing the impact of planned social change. Evaluation and Program Planning, 2(1), 67–90.
