스타트업과 지원자 간 문화 적합성 평가를 위한 인간-AI 협업 면접 시스템 설계 연구

스타트업은 일반적으로 조직 규모가 작고, 설립 초기 단계의 불확실성을 안고 있는 경우가 많다. 이로 인해 조직문화나 인재상에 대한 정의가 명확하지 않으며, 채용 절차가 표준화되어 있지 않아 채용 과정 중 담당자의 경험이나 직관에 크게 의존하는 경향을 보인다(Cardon & Stevens, 2004; Coad et al., 2014). 특히 초기 스타트업의 경우 창업자 본인이 직접 인재 채용을 수행하는 경우가 많고, 전담 인사 시스템이나 명확한 채용 기준 없이 즉흥적으로 인력을 충원하는 사례가 일반적이다(Cardon & Stevens, 2004; Leung, 2003). 이로 인해 사업적 시점마다 조직에 적합한 인재를 객관적으로 판단하고 선별하는 데 어려움을 겪는다.

또한, 스타트업은 설립 초기 특성상 낮은 고용 안정성, 불확실한 수익 구조, 부족한 복지 제도 등으로 인해 대기업 대비 경쟁력 있는 인재 유치에 한계가 있으며(Chung & Parker, 2023), 조직에 대한 외부의 신뢰도나 평판 또한 낮아 우수 인재가 선호하지 않는 경우가 많다. 즉, 공급 측면에서도 인재가 스타트업을 기피하는 경향이 존재하고, 수요 측면에서도 적절한 인재 선별 기준이 없어 인사 실패가 반복되는 문제가 나타난다(Cardon & Stevens, 2004; Rocha & Grilli, 2023). 이러한 구조적인 제약은 스타트업 채용의 비효율성을 심화시키고, 결과적으로 조직문화와 맞지 않는 인재 채용으로 이어질 수 있다.

CB Insights(2014)는 스타트업 실패의 주요 원인 중 하나로 ‘잘못된 팀 구성’을 지적하며, 구성원 간 문화적 불일치가 갈등, 협업 저하, 성과 하락으로 연결된다고 설명한다. 또한 Leadership IQ(2020)의 연구에 따르면 신규 채용 인력의 46%가 18개월 이내에 퇴사하거나 부적응을 경험하며, 이 중 89%는 기술 부족이 아닌 동기, 감성지능, 태도 등의 문제에서 비롯된다고 밝혔다. 이는 스타트업 채용에서도 동일하게 적용되며, 기술적 역량 중심의 평가에서 벗어나 태도와 조직문화 적합성을 평가할 수 있는 정성적 기준의 부재가 문제로 지적된다.

본 연구에서는 이러한 문제 인식을 바탕으로, 스타트업 채용에서 조직문화 적합성 평가가 왜 중요한지, 그리고 이를 어떻게 구조화하고 설계할 수 있는지를 중심으로 논의를 전개하고자 한다. 궁극적으로 스타트업의 채용 실패는 인력 교체 비용 증가, 내부 갈등 확산, 조직 생산성 저하, 장기 생존 가능성의 약화 등 심각한 부작용을 초래할 수 있다. 따라서 본 연구에서는 조직문화 적합성이라는 비가시적 요소를 효과적으로 진단하기 위해, 정량·정성 데이터를 통합하고 인간-AI 협업 구조에 기반한 평가 체계를 제안하고자 한다. 이는 인사 담당자가 보다 일관성 있고 신뢰도 높은 기준을 마련할 수 있도록 지원하는 동시에, 스타트업의 인재 선발에서 실질적인 오류를 줄이는 데 기여할 수 있을 것이다.

본 연구에서 스타트업의 채용 환경에 집중하여 문제점을 식별하고 개선 방안을 제안하고자 하는 이유는 기업의 규모와 성장 단계에 따라 컬처핏이 작동하는 방식은 본질적으로 다르기 때문이다. Table 2와 같이, 조직의 규모와 성장 단계에 따라 컬처핏이 어떻게 다르게 작동하는지를 살펴보고자 한다. 대기업은 일반적으로 상시 근로자 수 1,000명 이상 또는 매출액 1조원 이상 규모의 조직으로, 체계적 인사제도와 안정된 문화가 확립되어 있다. 중견기업은 300명 이상, 1,000명 미만의 인력을 보유하며, 성장 안정성과 변화 수용성을 동시에 추구하는 조직으로 정의된다. 반면, 스타트업은 100명 미만의 소규모 조직이거나 설립 7년 이하의 초기 기업으로, 빠른 의사결정과 실험적 조직문화가 특징이다(중소기업기본법 제2조; 중견기업 성장촉진 및 경쟁력 강화에 관한 특별법). 이러한 규모 구분은 조직문화의 성숙도, 구조의 경직성, 인사 시스템의 체계에 영향을 미치며, 각 기업군별로 ‘컬처핏’의 개념이 다르게 작동되는 배경을 설명하는 기준으로 활용된다.

Table 2

Comparative Analysis of Culture-Fit Assessment by Organizational Size

대기업은 이미 확립된 절차와 체계 안에서 개인과 조직의 유사한 가치를 의미하는 보충적 적합성(supplementary fit)을 통해 안정적 성과를 추구하며, 중견기업은 기존 문화와의 조화 및 변화 대응 능력을 동시에 고려한다. 반면, 스타트업은 급변하는 시장 환경과 유동적인 조직 구조 속에서, 기존 문화에 없는 새로운 가치와 시각을 더해 조직을 재정의하고 확장할 수 있는 보완적 적합성(complementary fit)을 특히 중요시한다. 이뿐만 아니라, Table 3에 정의된 바와 같은 특징을 보인다. 이러한 차이는 조직의 성장 단계, 전략적 목표, 경쟁 환경에서 기인하며, 특히 스타트업에서는 단순히 조직에 적응하는 인재를 넘어 문화의 공동 창출자로서 팀의 방향성에 기여할 수 있는 인재가 핵심이라는 점에서 컬처핏의 의미가 확장된다. 이와 같은 인재상의 예시는 대표적인 조직문화 적합성(Person-Organization Fit, 이하 P-O Fit)의 구성 요소이며, 다음 장에서 구체적으로 정의된다

Table 3

Supplementary & Complementary Fit (Kristof, 1996)

조직문화 적합성은 개인이 속한 조직의 가치, 신념, 행동 양식과 얼마나 일치하는지를 의미하며, 이는 개인의 직무 만족도, 조직 몰입, 성과, 이직 의도 등 다양한 변수에 영향을 미치는 핵심 개념이다(Kristof, 1996). 오랜 연구에 따르면 P-O Fit이 높을수록 구성원은 조직 내에서 더 높은 심리적 안정감과 성취감을 경험하여, 연속적으로 조직은 지속 가능한 성과를 창출할 수 있다(Chatman, 1989).

과거에는 이러한 적합성을 주로 가치 차원에서 이해했으나, 최근 연구는 이를 보다 다차원적인 개념으로 확장하고 있다. Cable & DeRue(2002)는 개인의 성장 욕구와 조직이 기대하는 행동 간 상호작용을 통해 P-O Fit이 형성된다고 보았으며, Kristof-Brown et al.(2023)은 원격근무, 글로벌 협업, 디지털 전환 등의 변화 속에서 조직문화 적합성이 단순한 가치 일치를 의미하는 가치 적합성을 넘어 행동 규범에서의 적합성과 적응 역량까지 포괄하는 개념으로 진화하고 있다고 강조하였다. Table 4는 이러한 구성 요소별로 적합성 평가 포인트를 정리하고 있다.

Table 4

Components of Person-Organization Fit

또한, 최근 HR·조직 연구에 따르면 AI 및 데이터 기반 채용 환경에서 P-O Fit의 중요성이 더욱 부각되고 있음을 알 수 있다. 특히 AI기술이 조직문화와 개인 특성 간의 복잡한 패턴을 정량적으로 분석할 수 있게 됨에 따라(Lee & Kim, 2021), P-O Fit은 과거의 단발적 일치 여부를 측정했던 정적 상태를 넘어, 환경 변화에 대응하여 개인과 조직이 상호 조율해 동적인 과정의 적응적 상태의 개념으로 이해되고 있다(Kristof-Brown et al., 2023; Chen et al., 2024). 즉, 조직 가치에 당장 완벽히 부합하는 사람만을 찾는 것이 아니라, 향후 변화에 맞춰 성장·학습하며 협업할 수 있는 잠재력을 가진 인재를 평가하는 방향으로 이동하고 있음을 의미한다. 이러한 적합성은 단순 성향의 유사성을 넘어서 직무 만족도, 조직 몰입도, 이직률 등 구성원의 태도, 정서, 행동 양식 등에 영향을 미치는 조직행동 변수로 작용되며, Kristof-Brown et al.(2005)의 메타 분석 결과에 따르면, P-O Fit이 직무 만족과 조직 몰입의 증가, 이직 의도 및 이직률 감소와 유의한 상관관계를 보임은 이미 확인된 바가 있다.

이에 따라 전통적인 P-O Fit 측정 도구인 Organizational Culture Profile(OCP)(O’Reilly et al., 1991)도 진화하고 있다. 정성적 가치 평가를 넘어, 구조화된 인터뷰, 행동 기반 질문, 정량적 평가, 시뮬레이션 기반 모델 등이 활용되며, 지원자의 가치관뿐만 아니라 협업 역량, 행동 패턴, 학습 민첩성까지 종합적으로 고려하는 평가 방식이 강조된다(Schneider et al., 2013).

이러한 구조화된 평가 프레임워크는 채용 과정을 단순히 ‘현재의 적합성’을 근거하여 판단하는 절차에서, ‘미래 협업 가능성과 성장성’을 진단하는 전략적 판단 과정으로 전환한다는 점에서 의의가 있다. 특히 AI 기반 채용 시스템에서는 Table 5의 질문 유형과 같은 평가 항목이 데이터 입력 요소로 활용되어, 지원자의 가치관, 행동 패턴, 학습 가능성 등을 종합적으로 분석할 수 있다.

Table 5

Structured Interview Questions and Evaluation Criteria Based on P-O Fit

결국 P-O Fit은 조직과 개인 간 가치 일치 여부만이 아니라, 조직문화 이해도, 행동 규범의 적응력, 미래 성장 가능성을 통합적으로 판단하는 개념이다. 따라서, 본 연구를 통해 제안되는 AI 면접 시스템의 프로토타입 설계 역시 이 세 가지 요소를 기반으로 하여, 조직의 전략적 목표와 개인의 성장 궤적이 장기적으로 일치할 수 있도록 하는 평가 모델을 구축하고자 한다.

인간중심 AI(Human-Centered AI, 이하 HCAI)는 기존의 기술 효율성 중심 AI 개발 방향에서 벗어나, 인간의 권리와 가치를 중심에 둔 설계를 추구하는 패러다임이다. 이는 단순히 인간을 대체하는 기술이 아니라, 인간의 능력과 책임감을 강화하고 인간 중심의 경험을 증진시키는 기술로서 기능해야 한다고 강조한다(Shneiderman, 2020).

HCAI는 크게 두 가지 관점에서 설명된다. 첫째, 프로세스 관점에서는 사용자 관찰, 반복적 개선, 사용성 평가 등의 사용자 중심 설계 원칙을 통해 AI 시스템을 개발한다(Shneiderman, 2020). 둘째, 제품 관점에서는 자동화 기능을 갖추되, 사용자가 통제권을 유지할 수 있도록 설계된 ‘슈퍼툴(supertool)’로서 AI를 지향한다. 디지털 카메라나 내비게이션 시스템처럼 사용자의 창의성과 효율을 동시에 지원하는 기술이 그 예시이다.

이러한 HCAI를 바라보는 관점을 토대로, 핵심 목표는 세 가지로 요약된다. 첫째, 인간 중심 가치 실현을 통해 자기효능감, 창의성, 책임감, 사회적 연결성을 증진하는 기술을 설계하는 것이며, 둘째, 기술을 통한 사회적 선(善) 추구로서 AI4Good, 몬트리올 선언과 같은 사회적 실천과의 연계를 지향한다. 마지막으로, 셋째, 자동화와 인간 통제의 균형을 통해 높은 수준의 자동화와 높은 수준의 인간 주도성을 동시에 실현하는 설계를 추구한다.

인공지능의 기술 발전이 가속화되면서 다양한 산업과 사회 전반에 걸쳐 AI 기술이 적용되고 있다. 이에 따라 기존의 성능 및 효율성 중심의 기술 지향적 접근은 점차 한계를 드러내고 있으며(Crawford, 2021), AI 기술이 인간의 가치와 사회적 책임을 고려한 방향으로 설계되어야 한다는 목소리가 커지고 있다. 이러한 맥락에서 등장한 것이 인간중심 AI 개념이다.

대표적인 사례로는 자율주행 분야의 인간과 기술 간의 책임 및 역할 분담을 단계적으로 구분한 표준화된 프레임워크가 될 수 있다. SAE International(2021)에서 제시한 자율주행 레벨 분류는 시스템 자동화 수준과 인간 개입 정도를 기준으로, 인간과 기술 간의 역할 및 책임 범위를 명확히 정의한다. 구체적으로는, Level 0(No Automation)부터 Level 5(Full Automation)까지 총 6단계로 나누어 운전이라는 과업에서 인간과 시스템의 역할 정도를 구분한다. Level 0의 경우 모든 운전 작업을 인간이 수행하고 시스템은 단순한 경고나 정보 제공 기능만 수행하는 반면, Level 5에서는 모든 조건과 환경에서 시스템이 완전한 자율주행을 수행하며 인간의 개입이 전혀 필요하지 않다. 중간 단계에 해당되는 Level 1과 2에서는 조향 또는 가감속과 같은 특정 물리적 제어를 부분적으로 자동화 하되, 운전자의 지속적인 모니터링과 개입 대기 상태는 필수이다. Level 3과 4에서는 특정 조건에서는 시스템이 주행을 전담하되 상황에 따라 인간의 제어권 인수가 요구되거나 제한된 조건에서만 완전 자율이 가능하다.

본 연구에서 제안하는 AI 협업 단계 또한 이러한 자율주행 프레임워크의 핵심 원리를 참고하여 채용의 맥락에 적용한 것이다. 자율주행 레벨이 “운전 상황에서의 통제권 이동”을 설명한다면, 본 연구의 6단계는 “채용 의사결정 과정에서의 통제권과 책임의 이동”을 설명하는 개념적 대응 관계를 갖는다. 그러나 자율주행 단계가 물리적 제어 중심으로 설계된 반면, 채용 과정은 평가 판단, 윤리적 개입, 결과 책임 등 비물리적이고 사회적 요소를 포함한다는 점에서 차이가 존재한다. 따라서 본 연구는 SAE J3016의 단계적 자동화 개념을 참조하되, 인간의 판단과 윤리적 책임이 중요한 채용 맥락에 맞추어 확장·재구성한 인간-AI 협업 프레임워크를 제안하게 된다.

본 연구의 주요 연구 주제가 되는 HCAI는 AI를 인간의 판단을 대체하는 주체가 아닌, 인간의 역량 증진 및 협업을 지원하는 도구로 간주한다. 이는 인간의 자율성과 책임을 중심에 두고 기술이 이를 보조하도록 설계하는 접근이며, HCAI는 ‘신뢰할 수 있고 책임 있는 방식으로 인간의 역량을 강화하는 AI 시스템’으로 정의된다(Shneiderman, 2020).

구체적인 개념은 단순히 기술을 인간 친화적으로 사용하는 수준을 넘어, AI 설계 및 운용 전반에 인간 가치, 사회적 맥락, 윤리적 책임을 반영하는 프레임워크로 발전하고 있다. 예를 들어, HCAI의 핵심을 ‘설명 가능한 AI(Explainable AI)’로 규정하며 사용자 신뢰와 투명한 소통 구조를 필수 조건으로 제시한 연구가 있다(Ehsan & Riedl, 2020). 또한 인간-AI 협업에서 인터페이스 설계와 피드백 루프의 중요성을 강조하며, 인간 참여를 적극 유도하는 설계 패턴의 필요성을 지적한 바 있다(Amershi et al., 2019). 이러한 연구는 전면적 자동화가 아닌, 인간-AI 간 협업 구조 설계를 중심으로 기술 발전의 방향을 ‘정확성과 속도’에서 ‘신뢰성과 협력’ 중심으로 전환하려는 시도로 이해할 수 있다. 본 연구에서도 이러한 HCAI의 관점을 바탕으로, AI기반 채용 시스템에서 인간과 AI간 협력 구조가 어떻게 설계되어야 하는지를 탐색하고자 한다.

AI 시스템을 인간 중심으로 설계하려는 최근 흐름은 단순한 도구를 넘어, 인간과 AI가 상호 보완적으로 협업하는 구조에 대한 논의로 확장되고 있다. 다양한 연구자들은 HCAI 설계의 핵심 가치로 인간의 자율성 보장, 투명성, 윤리성, 안정성, 협업 중심성을 제시하며, 이러한 요소들은 기술이 인간의 판단을 대체하기보다 지원하고 강화하는 방향으로 기능해야 함을 강조한다(Shneiderman, 2020; Ehsan & Riedl, 2020; Amershi et al., 2019). 본 연구에서는 이러한 선행연구에서 제시된 원칙을 종합하여, 인간-AI 협업의 실질적 구현 방안을 모색하고자 한다. 특히 인간의 주도성과 AI 자동화 수준의 균형을 중심으로 협업 구조를 네 가지 단계로 구분한다. 이는 향상(Enhance), 증폭(Amplify), 보완(Augment), 강화(Empower) 유형으로 정리되는데, 각 유형은 인간과 AI의 상호작용 방식과 역할 분담 정도에 따라 구분된다.

먼저, ‘향상’ 유형은 인간의 주도성이 낮고 AI 자동화 수준이 높은 단계로, 주로 반복적인 업무를 AI가 자동화하여 처리함으로써 인간의 경험과 작업 효율성을 향상시키는 데 초점을 둔다. 둘째, ‘증폭’ 유형은 인간의 주도성이 중간 수준이고 AI 자동화 수준이 중간에서 높은 단계에 해당한다. AI가 인간의 인지 능력을 증폭시키고, 방대한 정보에서 필요한 내용을 추출 및 분석하여 인간의 의사결정을 돕는 역할을 수행하게 된다. 셋째, ‘보완’ 유형은 인간의 주도성이 높고 AI 자동화 수준이 중간 정도인 단계로, AI는 인간에게 필요한 정보 구조를 제공하거나 다양한 분석 결과를 제시하여 인간의 판단을 보완하여 최종적인 결정은 인간이 주도적으로 내리게 된다. 마지막으로 ‘강화’ 유형은 인간의 주도성이 매우 높고 AI 자동화 수준이 가장 낮은 단계이다. 인간이 전체적인 전략적 판단을 주도하고, AI는 그 과정에서 필요한 보조적인 정보나 실행 도구를 제공함으로써 인간의 역량을 최대한 강화할 수 있는 역할을 수행한다.

AI 시스템 설계에서 인간과의 관계를 단순히 보조 또는 자동화 기능으로만 구분하는 것은 기술의 복잡성과 사회적 맥락을 충분히 반영하지 못한다. 이에 따라 Shneiderman(2020)을 비롯한 여러 연구에서는 AI의 자율성 수준과 인간 개입의 강도를 기준으로 양자 간 관계를 세분화하여 정의할 필요성을 제기해왔다. 특히 인간 중심 AI의 구현을 위한 설계 프레임워크에서는, 인간과 AI가 어떠한 방식으로 의사결정 주도권과 통제권을 공유하는가가 핵심 논점으로 제시된다. 이러한 관점에서, 본 연구는 앞서 사례로 언급된 자율주행의 자동화 레벨 분류 체계를 참고하여, 인간-AI 협업 수준을 AI의 자율성과 인간 개입 정도에 따라 여섯 단계로 체계화하여 Table 6에 정리했다.

Table 6

Summary of AI-Human Collaboration Levels

본 연구에서 제안하는 Level 1은 인간이 전적으로 판단과 실행을 담당하며, AI가 전혀 개입하지 않는 단계로 자율주행 단계 중 ‘수동 운전’에 해당한다면, Level 2는 AI가 다양한 대안 세트를 제시하여 인간의 선택을 지원하는 수준으로, 자율주행의 ‘Driver Assistance’로 조향 또는 가감속을 지원하는 정도로 부합한다. 즉, AI는 방향 제시자로서 가능성을 넓히지만 최종 판단은 전적으로 인간에게 있다. Level 3은 AI가 여러 옵션 중 일부를 선별하고, 인간이 이를 승인하거나 거부하는 단계로 ‘조건부 자동화’에 해당한다. 즉, AI는 제한된 상황에서 판단을 주도하지만, 인간이 여전히 제어권을 회수할 수 있는 구조다. Level 4는 AI가 일정 수준의 자율성을 바탕으로 실제 실행을 수행하되, 사전적으로 인간의 승인(human-in-the-loop)이 필수인 단계로, 의료나 국방 등 고위험 분야에 적합하다. Level 5는 AI가 자율적으로 실행하되, 인간은 사후적으로 개입하여 필요 시 중단 혹은 결과를 수정할 수 있는 단계로, 자율주행의 ‘완전 자동화’ 직전 단계에 해당한다. 이 단계는 효율성과 위험이 공존하며, 인간은 AI의 결정과 실행을 취소하거나 중단시킬 수 있는 권한으로 통제권을 간접적으로 유지한다. 마지막 Level 6은 인간의 승인이나 개입 없이 AI가 독립적으로 판단과 실행을 수행하는 완전 자율화 단계로, 모든 책임과 결과는 시스템 내부 로직에 의해서만 결정된다.

이와 같은 6단계 모델은 AI 기술의 발전 수준뿐 아니라, 인간 개입의 시점(사전·사후), 통제 방식(승인·감시·거부), 그리고 책임 구조의 명확화를 함께 고려하여 인간–AI 협업 설계의 기준점을 제공한다. 특히 채용, 의료, 교육, 금융 등과 같이 인간적 판단과 신뢰가 핵심적인 영역에서는, 각 업무의 리스크와 책임 수준에 따라 적정한 협업 레벨을 사전에 정의하고 이에 맞는 인터페이스·운영 정책·감독 체계를 설계하는 것이 필수적이다.

본 연구는 인간-AI 협업 기반 조직문화 적합성 면접 서비스를 설계함에 있어, 실질적인 서비스 기회 요소를 발굴하고 서비스 방향성을 구체화하기 위한 기초 작업으로 사용자 조사를 실시하였다. 사용자 조사의 주요 목적은 스타트업 채용 과정에서 조직문화 적합성 평가와 관련하여 실제로 경험되는 문제와 요구를 심층적으로 파악하고, 이에 대한 사용자들의 인식 및 AI 기반 채용 서비스에 대한 기대를 탐색하는 데 있다. 이를 통해 서비스 초기 설계 단계에서 사용자 중심의 요구를 반영하고, 인간-AI 협업이 효과적으로 작동할 수 있는 접점을 발견하고자 하였다.

조사 방법으로는 질적 탐색 연구의 일환으로 반구조화된 인뎁스 인터뷰를 활용하였다. 이 방식은 스타트업의 채용 업무 담당자와 실무자의 실제 경험, 문제 인식, 니즈를 유연하게 탐색하기에 적합하다 판단되었다. 인터뷰는 대면 또는 온라인 화상회의(Zoom)를 통해 진행되었으며, 회당 약 40~60분 내외로 이루어졌다. 모든 인터뷰는 참여자의 사전 동의를 얻어 녹음되었다. 수집된 데이터는 주제 분석(thematic analysis)과 어피니티 다이어그램 기법으로 분석하였으며, 인터뷰에서 도출된 주요 의미 단위를 정리하고, 이를 기반으로 조직문화 적합성 면접에서 AI가 개입할 수 있는 실질적 협업 기회 요소를 정리하였다.

본 연구에서는 인간-AI 협업 기반 조직문화 적합성 면접 서비스의 기회 요소를 도출하기 위해, 스타트업 채용 과정에서 핵심적인 역할을 수행하는 이해관계자를 사용자 조사 대상으로 선정하였다. 특히 본 서비스의 주요 사용자군으로 정의되는 스타트업 내 HR 담당자를 중심으로 조사 대상을 설정하였다. 이는 연구 목적이 스타트업의 채용 실패를 예방하고자 하는 데 있으며, 실질적인 채용 판단과 조직문화 적합성 평가에 관여하는 실무자의 경험을 바탕으로 보다 현실적인 요구를 파악하고자 하였기 때문이다. 여기서 스타트업 HR 담당자는 인재 채용을 주도하고 면접 서비스에 직접적으로 관여하는 실무자 전반을 포함하는 개념으로, 인사 담당자뿐 아니라 팀 리더, 면접관, 채용 결정권자 등 채용 전 과정에 실질적으로 참여하는 인물을 모두 아우른다.

이러한 기준에 따라 인터뷰는 2025년 4월 14일부터 4월 24일까지 11일간 진행되었으며, 조직문화 적합성 평가 경험이 있는 스타트업 대표 6명과 실무자 2명을 대상으로 인당 45~60분가량의 인뎁스 인터뷰를 실시하였다. 인터뷰 참여자의 상세 프로필은 Table 7과 같다.

Table 7

Interview Participants

인터뷰 질문은 5가지 카테고리 내에서 구성된 30개 문항으로 진행되었으며, 각 문항은 다음과 같은 목적에 따라 설계되었다. (1)조직문화 적합성에 대한 인식과 실제 채용 평가 기준 파악, (2)AI 기반 채용 시스템에 대한 인식과 도입 조건 확인, (3)지원자-조직 간 적합성 평가에서 요구되는 소프트스킬 탐색, (4)감성지능, 리더십, 책임감 등 비인지적 역량의 평가 방식과 AI 보완 가능성 확인, (5)행동 기반 면접 및 비언어적 신호에 대한 판단 기준과 AI 적용 가능성 탐색.

수집된 인터뷰 내용은 질적 데이터를 구조화하여 의미 단위 간 상관관계를 파악하기 위해 주제 분석 기법을 활용하였다. 인터뷰 전사본에서 의미 있는 발화 중심으로 핵심 데이터 단위(Meaning Unit)를 도출하고, 이를 응축된 의미 단위(Condensed Meaning Unit), 하위 범주(Sub-category), 범주(Category)로 체계화하여 유사성 기반으로 개념을 정리하였다. 이 과정은 어피니티 다이어그램 기법과 병행하여 진행되었으며, 두 명의 연구자가 독립적으로 코딩을 수행한 뒤 교차 검토를 통해 최종 주제를 도출하였다.

Table 8에 정리된 분석 결과, 총 4개의 주요 주제와 11개의 하위 주제가 도출되었으며, 이는 추후 4가지 서비스 기회 요소 도출 시 모두 활용되었다. 특히 이 중 일부 범주는 스타트업 채용 과정에서 P-O Fit을 실천적으로 구현하기 위한 과정을 구체적으로 보여준다.

Table 8

Qualitative Content Analysis

첫 번째 범주인 ‘채용 시 선호되는 인재상 정의’는 P-O Fit의 ‘Person’ 요소와 직결되며, 조직이 어떤 사람을 ‘맞는 사람’으로 판단하는지를 보여준다. 인터뷰에 따르면, 정서 기반 커뮤니케이션 능력, 책임감 있는 태도, 팀워크 중심의 협업 태도, 환경 적응력 등이 반복적으로 강조되었다. 이들은 감정에 휘둘리지 않으면서도 솔직하고 유연하게 소통하며, 조직 내 관계에서 조화롭게 행동할 수 있는 특성으로서, 조직문화에 자연스럽게 스며들 수 있는 사람에 대한 조직의 기대치를 구체적으로 보여준다. “못하는 건 못한다고, 안 되는 건 안 된다고 솔직히 말해야 한다,” “커뮤니케이션 안 되는 직원은 필요 없다” 등의 인터뷰 내용은 감정에 휘둘리지 않되, 솔직하면서도 유연한 소통을 중요시함을 보여준다. 또한 “태도나 비언어적 표현은 지식보다 더 중요할 수 있다”는 언급처럼, 조직은 단순 역량보다 태도와 협업 적응력을 더 중요하게 평가한다. 즉, 앞서 문헌조사를 통해 파악한 바와 같이 스타트업에서는 보완적 적합성이 가능한 직원을 선호함을 확인할 수 있었다.

두 번째 범주인 ‘조직문화 적합성 판단 기준’은 P-O Fit의 ‘Organization’ 측면을 구성하며, ‘맞는 사람’을 판단하기 위해선 조직 스스로가 먼저 ‘우리는 어떤 조직인가’를 명확히 정의할 수 있어야 한다는 전제를 반영한다. 인터뷰에서는 단순한 직무 적합성보다는 팀과 조직의 문화적 맥락에 잘 어울릴 수 있는 태도와 성향을 중시하며, 특히 팀워크와 소통을 주도적으로 수행할 수 있는 적응력 역량이 강조되었다. “직무 역량은 어느 정도는 보고 배우면 되는데, 태도는 그게 안 되면 조직에 오래 버티기 힘들다”라거나, “조직문화에 맞지 않으면 실력 있어도 팀워크가 계속 깨지더라”와 같은 응답은, 이러한 주장을 뒷받침한다. 또한, 이러한 적합성을 평가하기 위해서는 조직문화 진단이 선행되어야 하며, 평가 기준 역시 조직 특성과 연동되어 구조화되어야 한다는 필요성이 제기되었다. 또한, 태도에 대한 키워드가 다수 수집되었는데, 이는 P-O Fit의 근거가 되는 구조화 질문 중 가치관 질문에 대한 답변을 통해 확인해 볼 수 있는 내용임을 알 수 있다.

세 번째 범주인 ‘AI 평가에 대한 인식’은 P-O Fit 평가 과정에서 AI의 보완적 역할 가능성과 한계를 동시에 조명한다. 응답자들은 AI가 조직의 감정적 맥락이나 문화적 분위기를 정밀하게 해석하긴 어렵다는 점에 “지원자가 진짜 그런 사람이 맞는지 AI가 맥락 없이 판단하면 위험하다고 생각해요”와 같은 우려를 표하면서도, “AI가 표정, 말투 같은 비언어 정보까지 함께 분석해주면 오히려 사람보다 더 공정할 수도 있을 것 같아요”와 같이, AI가 정량화된 근거를 제공하는 보조 도구로 활용되기를 기대하는 의견도 다수 존재했다. 이는 AI가 전면적 평가자가 되기보다는, 사람의 판단을 보완하는 정량 분석 도구로 기능하는 방향이 현실적이라는 시사점을 제공한다.

마지막으로, ‘채용 평가 방식의 현황과 한계’ 범주는 현재 평가 방식이 직관에 크게 의존하고 있음을 드러낸다. “면접과 자기소개서에서는 열정을 보였지만, 입사 후에는 경력이 과장됐다고 느꼈다”, “포트폴리오가 본인 것인지 알기 어렵다”는 응답은 서류 기반 평가의 한계를 보여주는 대표적인 사례다. 이에 따라 “과거 행동을 실제로 드러내는 행동기반 질문에는 연기가 통하지 않는다”는 언급처럼, 행동 기반 질문을 통한 경험 검증의 필요성이 강조되었다. 한편 일부는 “비언어적 신호는 중요하지 않다”고 응답했지만, 전반적으로는 표현의 진위를 가리기 위한 다각적 평가 방식의 필요성에 공감이 형성되었다. 전반적으로 앞서 Table 5에 언급된 구조화 질문을 통해 Table 4에 언급된 P-O Fit의 주요 구성 요소인 가치 적합성, 행동 규범 적합성, 적응 및 성장 적합성에 대한 확인이 반드시 필요함을 시사한다.

이렇게 도출된 4개의 주제와 그 하위 내용은, 인터뷰 분석을 통해 정리된 총 4가지 인사이트를 기반으로 다음과 같은 1차 기회 요소로 정리되었다. 1) 조직 구성원 기반 조직문화 진단 및 기업의 인재상 정의, 2) 지원자별 맞춤 질문 생성 및 면접 전략 자동 배포 시스템, 3) 실시간 답변 및 행동 분석을 통한 인재상과의 핏 정밀 검증, 4) 기업-지원자 간 최종 핏 통합 평가 및 피드백 자동화. 이 네 가지 기회 요소는 조직문화 적합성 평가가 단발성 판단이 아닌 면접 전-중-후 단계 전체에 걸쳐 연속적으로 작동해야 한다는 전제하에 설정되었으며, 전체 채용 프로세스 흐름은 여정 지도로 Figure 1과 같이 시각화되었다. 여정 지도는 사용자(채용 담당자)의 경험을 기반으로, 채용 과정의 상호작용과 문제 지점을 구조화하여 실질적인 서비스 개선 기회를 발견하기 위한 도구로 활용되었으며, 각 면접 단계별로 위의 기회 요소를 구현할 수 있는 핵심 과업 8개가 함께 도출되어 실질적인 서비스 설계의 출발점으로 정리되었다.

Figure 1

Experience map

본 장에서는 조직문화 기반 인재 채용의 면접 과정에서 도출된 8가지 과업을 중심으로, 각 과업의 AI 협업 적합성과 수행 과정에서 나타난 페인포인트 및 니즈를 종합하여 Table 9에 정리하였다. 면접 전 설계 단계에서는 조직문화 진단, 인재상 정의 및 평가 기준 수립, 평가 질문 설계 등의 업무에서 AI가 효과적으로 활용될 수 있다. 특히 OCP(Organizational Culture Profile) 응답 데이터를 기반으로 조직 고유의 가치와 협업 성향을 분석하고, 이를 통해 조직의 핵심 가치를 정량적으로 도출할 수 있다. 이렇게 도출된 가치에 따라, 이를 평가할 수 있는 적합한 행동지표 기반의 면접 질문을 자동으로 생성하고, 질문 유형별로 평가 정합성을 판단하는 기준을 설정하는 데에도 AI의 역할이 가능하다.

Table 9

Human-in-the-loop for AI system

면접 중 실행 단계에서는 AI와의 협업을 통해 면접자 답변을 실시간으로 분석하여 질문 유형에 따라 응답을 자동 분류하고, 후속 질문 자동 생성 및 추천하는 기능이 가능하다. 또한, 영상 및 음성 데이터를 활용한 비언어 표현 분석 등을 통해 평가의 객관성과 일관성을 높일 수 있다.

면접 후 최종 결정 단계에서는 사전에 정의된 인재상과의 적합도를 평가하거나, 복수의 면접자를 비교하여 보완적, 보충적 관점에서의 조직문화 적합성을 분석할 수 있다. 이러한 분석을 통해 인재 채용 과정에서 인간의 전문적 판단과 AI의 정량적 분석 능력이 상호 보완적으로 작용할 수 있는 협업 모델의 가능성을 확인하였다.

본 장에서는 앞서 Table 8에서 정의된 네 가지 서비스 기회 요소였던 1) 조직 구성원 기반 조직문화 진단 및 기업의 인재상 정의, 2) 지원자별 맞춤 질문 생성 및 면접 전략 자동 배포 시스템, 3) 실시간 답변 및 행동 분석을 통한 인재상과의 핏 정밀 검증, 4) 기업-지원자 간 최종 핏 통합 평가 및 피드백 자동화를 중심 플로우로, 실제 면접 경험 기반으로 정리된 8개 핵심 과업을 재구성하고, 각 기회요소로 파악되었던 영역별로 HCAI관점에 따라 인간-AI 협업의 적합 방식과 역할을 정리하였다. 이는 단순히 기술 적용 가능성을 나열하는 것이 아니라, 조직문화 기반 채용이라는 맥락에서 인간의 개입과 AI의 처리 역량이 어떻게 유기적으로 작동할 수 있는지를 구조적으로 정리한 결과이다. 본 분석은 면접 전-중-후 전반의 흐름에 따라 앞서 정의된 구체적인 과업을 HCAI 협업 중심 관점에서의 정의되었던 네 가지 기회 요소로 다시 구조화한다. 이후, 각 과업의 구체적 행동 요인의 성격에 따라 AI 협업 방식의 4가지 유형인 향상, 증폭, 보완, 강화로 연결하여 Table 10과 같이 정리하였다.

Table 10

Insight for Human-in-the-loop

먼저, A 영역인 ‘조직문화 구조화 및 인재상 정의 지원’에서는 조직 내부의 언어 데이터(OCP 응답, 협업 대화 등)를 NLP 기반으로 분석하여 조직 고유의 핵심 가치를 자동 도출하고 클러스터링하는 작업이 수행된다. 이는 인간이 수행하기 어려운 방대한 언어 데이터를 해석하는 작업으로, AI의 분석 능력을 활용하는 증폭 방식이 적합하다. 이후 도출된 조직 가치에 따라 인재상의 행동 특성과 평가 척도를 자동 제안하고, 중복되거나 모호한 항목을 정제하는 과정에서는 인간의 도메인 전문성과 AI의 구조화 능력이 결합된 보완 방식이 적용된다.

B 영역인 ‘구조화된 면접 질문 설계 및 배포 자동화’는 질문 유형(가치관/행동기반/상황판단)에 따른 행동지표 기반 질문 생성을 중심으로, 질문-지표 간 매핑 문서화, 지원자 맞춤형 질문 세트 구성 등 면접 설계 과정 전반을 자동화하는 것을 목표로 한다. 이 역시 규칙성과 반복성이 강한 구조화된 작업으로서 보완 방식의 AI 개입이 효과적이다.

C 영역인 ‘비정형 정보 분석 및 실시간 평가 지원’에서는 면접 중 실시간으로 수집되는 정성적 응답 데이터를 AI가 유형별로 구조 분석하고, 정합성 판단 및 후속 질문을 자동 추천함으로써 평가자의 인지 부담을 경감시킨다. 이는 면접자의 사고 맥락을 이해해야 하는 작업으로 보완 방식의 협업이 요구된다. 또한 응답자의 표정, 시선, 말투, 미세떨림 등 비언어적 표현을 영상 및 음성 기반으로 자동 감지하고 정량화함으로써, 인간 평가자의 해석 편차를 보완하는 기능은 증폭 방식의 대표적인 예시로 볼 수 있다.

마지막으로 D 영역인 ‘평가 결과 통합 및 피드백 자동화’는 질문 유형별 응답 데이터를 기반으로 평가 리포트를 자동 생성하고, 지원자 간 적합성을 정량적으로 비교 분석하는 기능을 포함한다. 이를 통해 지원자와 기업 사이의 보완적 보충적 적합성은 물론, 가치 적합성, 행동 규범과 적응 및 성장 적합성도 함께 수치화하여 파악할 수 있다. 또한, 유사 구성원 프로파일과의 비교 예측 등을 통해 최종 우선순위 결정을 지원하는 강화 방식이 적용된다. 또한 평가 내용을 기반으로 합격·불합격 결과를 커스터마이징된 피드백 메시지로 자동 생성하고, 조직문화 관련 정보를 포함한 의사소통 품질을 향상시키는 기능은 반복성과 정성 판단이 결합된 증폭 방식의 협업이다. 마지막으로, 입사 이후에는 면접에서 평가한 조직문화 적합성과 실제 업무 수행 간의 일치 여부를 검증하는 과정이 필요하다. 구성원 피드백이나 업무 지표를 통해 입사자의 태도와 팀 적응을 평가하며, 이는 면접 기준의 유효성을 점검하는 역할을 한다. 반복 평가 구조의 정비와 자동화를 지원하는 보완 방식의 AI 협업이 적합하다.

이상의 네 가지 서비스 기회 영역은 인간의 전문성과 AI의 처리 능력이 상호 보완적으로 작용할 수 있는 구조를 제시함으로써, 기존 채용 프로세스의 객관성, 정합성, 효율성 향상에 기여할 수 있도록 설계되었다.

먼저, 연구 1의 프로토타입 사용성 평가는 Table 14와 같이 총 다섯 가지 관점으로 구성하였다. 먼저 Morville(2004)의 허니콤 모델과 Nielsen의 사용성 정의를 기반으로 한 사용성 평가 항목을 설정하였으며, 이를 통해 사용자가 각 기능을 학습하거나 조작하는 과정에서 어려움을 느끼지 않는지 확인하였다. 다음으로는, 설명 가능한 AI(XAI), 인간-AI 상호작용 설계, 인간중심 AI 원칙, 그리고 조직문화 적합도를 포함하여 본 연구에서 제시하는 프로토타입의 주요 평가 항목을 다섯 가지로 구성하였다. 이러한 항목들은 단순한 기능 검증이 아니라, 인간과 AI의 협업 경험이 어떻게 인식되고 수용되는지를 다층적으로 측정하기 위함이다.

Table 14

AI Service Experience Evaluation Criteria

테스트 분석 결과 인간과 AI의 협업 경험의 인식과 수용과정을 평가한 5가지 항목인 사용성, 신뢰성, 상호작용성, 협업 적합성, 결과 정합성은 Table 15에 평균과 정성 분석의 주요 포인트가 정리되었다. 사용성 속성에서는 평균 4.42점, 신뢰성 속성에서는 평균 3.96점, 상호작용성 속성에서는 평균 4.15점, 협업 적합성 속성에서는 세부 항목 평균 4.61점, 결과 정합성 속성에서는 평균 4.02점으로, 협업 적합성이 가장 높게 평가되었다. 전체 평균은 4.23점으로, 대부분의 연구 대상자들이 5개의 기회요인과 각 시나리오에 대하여 협업 적합성, 사용성, 상호작용성 측면에서 고르게 높은 점수를 준 것으로 이해할 수 있다. 결과적으로, AI 개입이 인간의 판단 및 통제권과 조화를 이루는지에 대한 평가인 협업 적합성이 4.61점으로 가장 높게 평가되었다. 이는 즉, 사용자는 언제든지 AI의 판단을 사용자의 의사에 따라 수용, 거부, 수정할 수 있었다고 해석된다. 하지만 신뢰성 속성은 평균 3.96점으로, 다른 속성들에 비해 다소 낮은 평가를 받은 것으로 나타났다.

Table 15

AI Service Experience Evaluation Results

프로토타입 테스트 중 함께 진행한 정성 인터뷰를 통해 주요 평가 항목(사용성, 신뢰성, 상호작용성, 협업 적합성, 결과 정합성) 내용을 정성 분석했을 때 주요 포인트 또한 Table 13에 함께 정리되었고, 상세 내용은 다음과 같다.

먼저, 사용성 측면에서 면접 질문 자동 생성, 응답 정합성 시각화, 질문 분배 및 면접 결과 피드백 초안 작성 기능은 실무자의 인지적·시간적 부담을 효과적으로 감소시키는 것으로 평가되었다. 특히 AI를 활용한 초안 작성 및 템플릿 추출 기능은 업무 효율성 향상에 기여하는 것으로 나타났다. 다만, 기업 특성을 반영한 커스터마이징 범위 확대의 필요성이 지적되었다. 다시 말해, 모든 기업에 동일하게 템플릿화해서 제공될 초안 수준에서 나아가, 본 기업만의 문화와 특성이 담긴 초안의 구조로 구성되기를 기대한다는 의견이 존재했다.

신뢰성 측면에서는 몰입형 시나리오 기반 테스트의 한계로 인해 전반적으로 다소 낮은 평가를 받았다. 사용자들은 AI 기반 기능들이 다소 일반적인 내용을 제공한다는 피드백을 반복적으로 제시하였으며, 자동화된 기능이 실질적 신뢰를 얻기 위해서는 결과 도출 과정에 대한 명확한 설명이 필요하다고 강조하였다. 다만, 실사용 상황을 고려하였을 때, 과업4와 같은 면접 중 실시간 후속 질문 생성 시에는 키워드 중심으로, 내용을 파악하기 편리한 방안으로 화면 구성이 풀어내 지기를 제안하기도 하였다. 또한, 비언어 정보 분석, 정합성 점수, 우선순위 제안 등의 결과가 어떤 판단 기준과 가중치를 기반으로 생성되었는지에 대한 설명 부족이 결과 수용의 주요 한계로 나타났지만, 본 서비스의 신뢰 여부는 결국 서비스 이용을 통한 채용 후, 직원과 회사의 핏이 적합함을 점진적으로 체감되면, 서비스에 대한 신뢰도 자체는 자연스럽게 올라갈 것이란 의견도 공통적으로 보였다.

한편, 상호 작용성 측면에서는 면접 중 실시간으로 이루어지는 면접자 답변 분석 후 후속 질문 안내, 비언어적 행동 분석 기능은 면접 시간을 효율적으로 활용하는 긍정적 효과로 평가되었다. 그러나 해당 항목과 관련해서도, 일부 사용자는 시스템의 실시간 개입이 면접관의 집중력을 저해할 수 있다는 우려를 표하며, 인지적 흐름을 방해하지 않는 인터페이스 설계의 중요성이 다시 한 번 언급되었다.

협업 적합성 측면에서는 AI가 반복적이고 구조화 가능한 업무를 자동화하면서도 사용자가 언제든지 개입하여 수정 및 조정할 수 있는 구조가 효과적으로 작용하였다. 면접 질문이나 피드백 메시지 작성에서 자동화된 초안을 바탕으로 사용자가 직접 맥락에 따라 문장을 다듬는 구조는 인간중심 AI의 실천적 설계 원칙을 구현한 예시로 볼 수 있다. 또한, 면접 전후의 과업에서, 본래는 면접 준비 파일, 이력서 파일 등 다양한 관련 문서를 모두 별도로 열어놓고 봐야하는 어려움이 존재했지만, 하나의 시스템 내에서 AI의 가이드에 따라 관련 문서를 쉽게 접근할 수 있다는 점도 협업 적합성의 일부 긍정 포인트로 언급되었다. 다만, 기업 고유 문화를 더욱 잘 드러낼 수 있는 표현 방법에 대한 LLM 학습을 통해 보완이 필요할 사항으로 예상된다.

마지막으로, 결과 정합성에 관해서는 시스템이 제시하는 결과가 조직의 인재상이나 문화적 맥락과의 부합도는 사용자의 수용 여부를 결정짓는 핵심 기준으로 작용하였다. 질문이나 피드백이 조직 고유의 언어, 톤, 가치 기준과 어긋날 경우, 표현의 부자연스러움이 결과 전반에 대한 신뢰 저하로 직결되었다. 이는 AI 기반 결과물이 기능적 완성도와 함께 문화적 일관성 및 정서적 정합성을 동시에 갖추어야 실제 업무 맥락에서 효과적으로 수용될 수 있음을 시사한다.

이 외 추가적인 의견으로는, 특히 면접관들 간 의견 차이가 존재할 시 본 서비스의 유용성을 더욱 긍정적으로 평가한다는 의견도 다수 분석되었다. 특히나, 두 명 이상의 후보자 중 최종 합격 의견이 일치하지 않을 때, 시스템이 제시하는 지표가 가장 객관적인 판단 근거가 될 수 있다는 점에 전반적으로 동의하였다. 일부 사용자는 이를 단순한 평가 도구를 넘어, 향후 채용 과정에서 보다 명확한 판단 기준을 구축하는 데 기여할 수 있는 데이터 축적의 측면에서 긍정적으로 인식하였다. 이러한 결과는 앞서 문헌조사를 통해 언급한 스타트업의 특성과도 맞닿아 있다. 인사 업무에 대한 전공 배경이 없는 채용 담당자들이 기존 조직문화를 유지하면서도 보완적 적합성을 지닌 인재를 선발하는 과정에서, 본 시스템이 기업 입장에서도 유의미한 참고 데이터로 활용될 수 있음을 확인하였다.

연구 2에서는 참여자 인식 기반 향상 문항을 활용하여, 본 연구에서 제안하는 서비스 사용 시 조직문화 적합성 관점에서 보다 적합한 인재를 채용하는 과정에서 실제 업무가 개선될 수 있는지를 평가하였다. 참여자 인식 기반 향상 문항은 프로토타입 사용 전후의 변화를 동일한 시점에서 회상하여 비교하도록 설계되었다. 이는 실제 채용 담당자들이 속한 조직마다 사용하는 채용 관련 도구의 종류와 활용 수준이 크게 상이하며, 경우에 따라 별도의 도구를 사용하지 않는 사례도 존재하기 때문이다. 이러한 환경적 차이로 인해 본 프로토타입 수준의 서비스를 기존 방식과 동일 기준에서 직접 비교하는 것은 타당하지 않다고 판단되었으며, 이에 본 연구에서는 참여자가 과거에 경험한 채용 프로세스를 회상하고 이를 바탕으로 본 연구에서 제안된 시스템 도입 후의 기대 변화를 종합적으로 평가하도록 하였다. 설계는 이와 같은 회상 기반 자기보고 방식에 근거한 것으로, 특정 솔루션 도입 전후를 동일 시점에서 회상하여 비교할 경우 응답 변동 편향을 최소화하고, 인지적 변화나 자기보고식 평가에서 보다 타당한 결과를 얻을 수 있다는 장점이 있다(Lam & Bengo, 2003).

이와 같이 인식 기반으로 평가한 세부 항목은 AI 채용 시스템 도입 기대 성과로 거론되는 여섯 가지 항목 중 네 가지를 중심으로 구성하였다(Son & Oh, 2023). 선행연구에 따르면, AI 채용 시스템의 주요 도입 성과는 시간 효율성 증가, 업무 효율성 증가, 커뮤니케이션 용이성 향상, 객관성 향상, 더 넓은 지원자 풀 확보, 공정성 향상의 여섯 가지로 정리된다. 그러나, 본 연구의 프로토타입은 채용 전 과정보다는 면접 준비 과정에 초점을 맞춘 서비스이므로, 기업의 아웃바운드 채용 활동에 해당하는 더 넓은 지원자 풀 확보와 인사 담당자와 지원자 간 조율 업무와 관련된 커뮤니케이션 용이성 향상은 제외하였다. 결론적으로 Table 16에 정의된 시간 효율성, 업무 효율성, 객관성 향상, 공정성 향상의 네 가지 항목을 중심으로, 제안된 서비스의 도입 전후 인식 변화를 7점 리커트 척도(1=매우 그렇지 않음, 7= 매우 그러함)로 평가하도록 설계하였다.

Table 16

Perception-Based Performance Improvement Evaluation Criteria

연구 2는 온라인 설문 형태로 진행되었으며, 최소 3회 이상 면접관으로 면접 참여 경험이 있는 사람을 대상으로 진행되었다. 설문 시작 시 면접 참여 경험 여부를 체크하는 스크리닝 질의로, 3회 이상 면접관 경험이 없는 경우 설문 참여를 제한하였다.

구체적인 설문 진행 방법은 앞서 Table 12에서 정리되었던 면접 전-중-후 단계에 따른 4가지의 기회요인별로 포함된 업무 테스크를, 설문 참여자는 기존에 어떻게 진행해 왔는지를 회상하도록 하는 주관식 질문에 답변하고, 본 서비스에서 제안하는 새로운 방식을 충분한 설명과 함께 이미지로 확인한 뒤 Table 15에 정의된 시간 효율성, 업무 효율성, 객관성, 공정성에 대한 평가를 기존 방식과, 본 연구에서 제안하는 새로운 방식에 대해 각각 수행하게 하였다. 그리고 마지막으로, 이전 방식에 비해, 본 서비스에서 제안하는 방식이 각 네 가지 지표에서 얼마만큼 개선되었다고 생각하는지를 평가하는 질의로 마무리하였다.

연구 2는 총 30명을 대상의 온라인 설문으로 진행되었다. 참여자 성별은 남성과 여성이 각각 15명으로 동일했으며, 연령은 30대가 16명으로 가장 큰 비중을 차지했고, 50대 5명, 40대 4명, 20대 3명 순으로 집계되었다. 설문 응답자는 다양한 조직 규모와 직급에서 면접관 경험을 보유하고 있었으며, 회사 규모는 중소기업·스타트업(48.6%)이 가장 높았고, 중견기업(18.9%)과 대기업(16.2%)도 고르게 분포하였다. 직급은 대리·중간 관리자(34.2%)가 가장 많았으며, 팀장·매니저(21.1%)와 임원·대표(21.1%) 등 실제 채용 의사 결정권을 가진 비율도 높았다. 직무는 인사·채용(27.9%), 기획(20.9%), 디자인(18.6%), 개발(14.0%) 순으로 구성되어, 다양한 실무 관점에서 면접 경험을 반영하고 있음을 확인할 수 있다.

또한 설문 시작에 앞서 면접 과정에서 느꼈던 어려움과 불편함을 자유롭게 기술하도록 한 결과, 참여자들이 경험한 핵심 문제는 크게 세 가지로 나타났다. 첫째, 면접관 간 질문 기준·방향이 서로 달라 중복 질문, 질문 누락, 면접 순서 혼선, 지원자 정보 혼재 등 평가 일관성 부족 문제가 반복된다는 점이었다. 둘째, 제한된 시간과 정보 속에서 지원자의 실제 업무 역량, 협업 스타일, 조직문화 적합성을 판단하는 것이 어렵다는 평가 정확성의 한계가 지적되었다. 셋째, 이력서 관리, 일정 조율, 면접 노쇼 대응, 면접 역량 부족 등 운영 리소스 부담이 크다는 점도 공통적으로 언급되었다. 이러한 문제는 면접의 신뢰성·효율성·객관성 전반에 영향을 미치는 것으로 나타났으며, 주요 사례는 Table 17에 정리하였다.

Table 17

Summary of Reported Difficulties in Past Interview Procedures

이어 본 연구에서는 네 가지 기회요인별로 기존 방식과 신규 서비스 간 체감 효과 차이를 검증하기 위해 대응표본 t-검정을 실시하였다(Table 18). 분석 결과, 시간 효율성, 업무 효율성, 객관성, 공정성 평가에 있어, 모든 기회요인에서 신규 서비스가 기존 방식보다 유의미하게 더 높은 점수를 보였다(p<.001). 특히 시간 효율성과 업무 효율성에서 큰 차이가 나타났는데, 이는 신규 서비스의 질문 생성·추천, 분석 자동화, 평가 정리 기능이 실제 면접 준비 및 진행 과정에서 실질적인 업무 부담 감소와 시간 절약 효과로 이어짐을 의미한다. 또한 주관성과 공정성에서도 신규 서비스가 일관된 개선을 보이며, 면접관 간 편차를 줄이고 체계적인 기준을 제공하는 데 효과적이라는 점이 확인되었다.

Table 18

Paired T-Test Results

기회요인별 구체적인 차이를 살펴보면 다음과 같다. 첫째, 조직 구성원 기반 조직문화 진단 및 기업의 인재상 정의 과정에서 기존 방식은 대부분 문서화가 이루어지지 않고, 구성원의 경험이나 감각에 의존하는 경우가 많았다. 일부는 경영진 인터뷰나 회의를 통해 비공식적으로 수행되었으나, 공식적인 HR 프로세스의 부재로 인해 부서별/개인별 기준 차이가 발생하는 것을 확인했다. 결과적으로 기존 방식은 네 가지 평가 항목 모두 낮은 점수(3.37~3.73)를 보였다. 반면 신규 서비스는 자동 진단·구조화·시각화 기능을 통해 모든 항목에서 5.57~5.70점으로 크게 향상되었으며, 이는 모두 통계적으로 유의미함(p<.001)을 확인하였다.

둘째, 지원자별 맞춤 질문 생성 및 면접 전략 수립 과정에서 기존 방식도 사전 이력서 검토는 이루어졌지만, 질문 구조가 일관되지 않고 면접관 간 역할 분배나 평가 기준 공유가 부족해 중복 질문 혹은 질문 누락이 발생하는 경우가 많았다. 조직문화 적합성 평가 및 행동 기반 질문 역시 체계적으로 준비되기 어려웠다. 이에 비해 신규 서비스는 지원자별 맞춤 질문 생성, 면접 전략 안내, 질문 분배 자동화 등을 통해 평가 항목 전체에서 유의미한 개선을 보였다.

셋째, 실시간 답변 및 행동 분석을 통한 컬처핏 검증 과정에서는 기존 면접관들이 실시간 기록 부담, 후속 질문 생성의 어려움, 행동 기반 평가 기준의 모호성 등으로 어려움을 겪었다. 면접에 집중하기 어려운 상황이 반복되며 평가 품질 또한 저하되는 경험으로 인해 이번에도 역시 모든 평가 항목에서 신규 서비스가 더 높게 나타났다. 특히, 실시간 분석, 후속 질문 추천, 자동 기록 기능을 제공하여 모든 평가 항목이 유의하게 상승했으며, 특히 업무 효율성에서 가장 높은 개선 폭이 나타났다.

마지막으로, 기업과 지원자 간 최종 핏을 통합적으로 평가한 뒤 합격자를 결정하는 최종 의사결정 단계에서 기존에는 기준이 명확하지 않고, 상황과 사람에 따라 결과가 크게 달라지는 비구조적 프로세스였다. 또한, 면접관끼리의 의견 조율은 대부분 주관적·정성적 의견 취합 수준이었으므로, 신규 서비스가 모든 평가 항목에서 유의미하게 높게 평가되었다.

종합하면, 연구 2의 결과는 신규 서비스가 기존 면접 방식의 구조적 한계를 명확히 해소하며, 시간 효율성, 업무 효율성, 객관성, 공정성 측면에서 전반적인 면접 경험을 유의미하게 향상시키는 서비스임을 실증적으로 입증하였다.

결론적으로 앞서 진행된 연구 1에서의 사용성 평가와 연구 2의 업무 개선도 평가 결과를 종합하면, 신뢰성 영역에서 추가적인 보완이 필요함에도 불구하고, 제안된 인간–AI 협업 기반 시스템은 기존 면접 프로세스의 핵심 문제점(과도한 주관성, 정보 누락, 일관성 부족, 기록 부담, 의사결정 지연)을 실질적으로 해결하며, 면접관의 업무 부담을 크게 덜어주는 것으로 나타났다. 특히 연구 1에서 확인된 인간 중심적 개입 가능성과 연구 2에서 검증된 정량적 효율성 향상 측정은 상호보완적 관계로 작용하여, AI가 인간의 판단을 강화하는 방식으로 설계될 때 면접의 품질과 효율성을 동시에 개선할 수 있음을 보여준다. 따라서 본 연구는 조직문화 기반 채용이라는 복잡한 의사결정 상황에서 AI의 역할은 대체가 아닌 협업적 보조자이며, 이러한 설계 원칙이 사용자 수용성뿐 아니라 실제 효율성 측면에서도 높은 효과를 발휘할 수 있음을 실증적으로 제시한다.

본 연구는 AI가 우리 삶에 점차 깊숙이 개입하고 있는 현실 속에서, 무조건적인 AI 활용만이 최선이 아니라는 관점을 전제로 시작하였다. 이에 따라 기술의 전면적인 자동화보다는 인간과의 협업을 전제로 하는 인간중심 AI(HCAI) 관점을 면접 시스템에 실천적으로 적용하였다는 점에서 학문적 의의를 지닌다.

기존 AI 기반 채용 시스템이 기술적 정확성과 효율성에만 집중해온 것과 달리, 본 연구는 조직문화 적합성이라는 정성적이고 맥락 의존적인 평가 영역에서 AI를 도입하여, 인간의 판단 주도성과 개입 권한을 유지한 상태에서 AI가 실질적으로 기여할 수 있는 역할과 방식을 탐색했다. 이 과정에서 Shneiderman (2020)을 비롯한 여러 학자들이 제안한 인간중심 AI 프레임워크를 기반으로, 인간-AI 협업의 자율성과 개입 수준에 따라 향상(Enhance), 증폭(Amplify), 보완(Augment), 강화(Empower)의 네 가지 협업 유형을 구체화하였다. 각 유형은 AI 개입의 깊이와 역할에 따른 단계별 차이를 포함하며, 면접 시스템 설계에서 상황별로 적용 가능한 협업 방식을 이론적으로 체계화하였다는 점에서 HCAI 이론의 실천적 확장에 기여할 수 있다.

또한, 본 연구는 조직문화 적합성 기반의 면접 절차를 구조화하고, 각 단계에 적합한 인간-AI 협업 강도를 설계 및 검증했다는 점에서도 학문적 의의가 있다. 협업 유형 내에서도 AI의 개입 깊이와 역할에 따른 단계별 차이를 명확히 설정하여, 조직문화 진단, 인재상 정의, 질문 설계, 응답 분석 등 면접의 전 과정에 적용하였고, 시나리오 기반 사용자 실험을 통해 유형별 활용 가능성과 효과성을 실증적으로 검토하였다. 이를 통해 사용자들이 AI의 맥락적 개입에 대해 높은 신뢰성과 만족도를 보였으며, HCAI 이론이 실제 면접 시스템 설계에서 어떻게 구현될 수 있는지를 보여주는 실증적 근거를 제시했다. 이는 기존 AI 기반 채용 시스템의 한계를 넘어, AI를 단순 보조 도구가 아닌 인간과 함께 협업하는 주체로서 사용자 목적과 경험(UX)에 기반한 방향으로 재정의하려는 이론적 확장을 시도했다는 점에서 의의가 있다.

실무적으로는 본 연구는 자원과 인사 경험이 부족한 초기 스타트업 및 소규모 기업에 적합한 실질적인 조직문화 적합성 평가 대안을 제시하였다는 점에서 의미가 있다. 기존 대기업 중심의 표준화된 평가 도구는 스타트업 고유의 문화와 맥락을 반영하기 어렵고, 일률적인 기준을 강제한다는 한계가 있었다. 본 연구에서 제안한 시스템은 각 조직이 자체적으로 인재상과 조직문화를 정의할 수 있도록 설계되어, 조직의 상황과 니즈에 맞는 맞춤형 평가 환경을 제공한다. 이는 실제 도입 시 사용자 신뢰와 수용성을 높이는 전략적 기반이 될 수 있다. 특히, 조직문화 적합성이라는 영역은 본질적으로 정성적이며, 객관적인 수치로 환산하기 어려운 분야임을 고려할 때, 본 시스템은 채용 업무 담당자가 실질적으로 체감할 수 있는 유연한 평가 구조를 지원한다. 또한, AI를 단순히 판단을 대체하는 도구가 아닌, 인간의 인식과 판단을 보완하는 협업적 파트너로 작동하도록 설계함으로써, 실무자가 의사결정 과정에서 주도권을 유지할 수 있다는 점 역시 실질적 강점으로 작용한다.

더 나아가, 연구 2의 정량적 분석 결과는 본 시스템이 실무 운영 측면에서도 유의미한 개선 효과를 제공할 수 있음을 보여준다. 구체적으로, 참여자들은 기존의 문화 적합성 기반 면접 방식과 비교했을 때 본 시스템이 시간 효율성, 업무 효율성, 객관성, 공정성 측면에서 모두 개선 가능성이 높다고 평가하였다. 이는 스타트업 채용 과정에서 반복적으로 지적되어 온 인력 부족, 준비 과정의 비효율, 평가 기준의 불일치 등 실무적 문제들을 체계적으로 완화할 수 있음을 시사한다. 즉, 본 시스템은 문화 적합성이라는 본질적 난제를 다루면서도, 실무자가 실제 업무 흐름에서 체감할 수 있는 개선 효과를 제공한다는 점에서 높은 실용성을 가진다. 또한 연구 2에서는 동일한 방식으로 네 개의 핵심 기회요인을 평가한 결과, 프로토타입이 면접 전·중·후 단계의 업무 부담을 분산시키고 판단의 일관성을 높이는 방향으로 작동할 수 있음을 정량적 근거로 확인하였다.

무엇보다 중요한 점은, 본 시스템이 조직문화 평가에 있어 표준화된 하나의 정답지를 제시하려는 시도가 아니라, 각 기업이 스스로 정답지를 정의하고 설계할 수 있도록 지원하는 방식이라는 점이다. 이는 고정된 평가 프레임을 일괄 적용하는 것이 아니라, 기업마다 서로 다른 가치관·문화적 특성·인재상에 맞춘 평가 기준을 구성할 수 있는 실질적인 자율성을 보장한다는 데에서 핵심적인 실무적 시사점이 있다. 결과적으로, 이 시스템은 조직의 고유한 인사 전략과 채용 철학을 존중하면서도 데이터 기반의 신뢰도 높은 채용 결정을 가능하게 하며, 장기적으로는 각 기업이 자체적인 채용 성공 기준 데이터를 축적해 나가는 데 실질적인 기여를 할 수 있을 것으로 기대된다.

본 연구는 다음과 같은 세 가지 한계점을 바탕으로 향후 연구 방향을 제안한다. 첫째, 본 연구의 사용성 평가는 국내 스타트업 종사자의 소수만 대상으로 한 정성 인터뷰 데이터를 기반으로 진행되었으므로, 조직문화 관점에서 스타트업 전반에 공통적으로 적용 가능한 가치관, 협업 태도, 조직문화 적합성과 관련된 질문 중심으로 면접 구조를 정의하였다. 따라서, 특정 산업을 아우르는 맞춤화를 통해 직무 적합성의 판단을 포함하기에는 한계가 있다. 따라서 향후 연구에서는 다양한 산업군과 조직 구조를 반영한 확장된 실험 설계를 통해 포괄적인 타당성을 확보할 필요가 있다. 둘째, 본 연구는 단편적인 시점에서 시나리오 기반의 사용성 평가를 진행하였기 때문에, 실제 서비스 이용에 대한 판단으로 보기에 제한적일 수 있다. 참여자의 인식 기반으로 AI 채용 시스템의 전 후의 성과로 효율성, 객관성, 공정성 등의 항목을 평가하였으며, 업무의 개선 효과가 검증되었으나, 앞으로는 본 시스템을 실제 도입한 뒤, 이를 통해 채용된 인재가 조직문화에 얼마나 잘 적응하는지를 추적하는 종단적 연구(longitudinal study)가 필요하다. 마지막으로, 본 연구는 실제 작동 시스템이 아닌 프로토타입 수준의 기능을 제한적으로 구현하고 평가하였으며, 실제 기업 환경에서의 활용 가능성을 충분히 검증하지 못했다. 향후 연구에서는 MVP 모델 개발을 통해 기술적 고도화와 함께 실험적 파일럿 테스트를 수행하여, 채용 평가부터 입사 후 후속 관리까지 이어지는 실제 업무 맥락에서 시스템의 효과성과 신뢰성을 검증할 필요가 있다.

본 연구의 목적은 조직문화 적합성을 기반으로 한 스타트업 채용 과정에서, AI와 업무 담당자의 협업 수준을 인간중심 AI 관점에서 탐색하고 검증하는 데 있었다. 이러한 연구 결과는 향후 실제 서비스 운영의 토대가 될 수 있으며, 서비스가 현장에서 활용되는 과정에서 사용성과 효과성을 축적해 나감으로써 시스템의 완성도와 고도화를 달성할 수 있을 것이다.