AI가 추천하는 내부 이동, 어디까지 믿을 수 있는가

도입은 아직 초기인데, 규제가 먼저 도착했습니다

AI 기반 내부 이동 매칭을 실제 발령 프로세스에 반영한 국내 기업은 아직 많지 않습니다. SHRM의 2026년 조사에서도 HR 기능에 AI를 도입한 조직은 39% 수준이고, 절반 이상은 아직 시작하지 않았습니다. 국내로 좁히면 이 비율은 더 낮을 가능성이 큽니다.

그런데 규제는 이미 시행됐습니다. 「인공지능 발전과 신뢰 기반 조성 등에 관한 기본법」(AI 기본법)이 2026년 1월 22일 시행되고 시행령이 7월 21일 전면 적용되면서, 채용을 포함한 인사 영역이 고영향 AI로 분류됐습니다. 고영향 AI 사업자와 이용 조직에는 위험관리, 설명가능성 확보, 사람에 의한 감독, 안전 · 신뢰 관련 문서화 의무가 부과됩니다.

규제가 채용을 짚은 이유는 단순합니다. AI가 사람의 커리어를 바꾸는 결정에 관여하고 있기 때문입니다. 내부 이동도 다르지 않습니다. 후보를 추리고, 순위를 매기고, 한 명을 고르고, 나머지는 선택되지 않습니다. 그 결과는 발령을 통해 직무와 소속, 이후의 경력 경로를 바꿉니다. 규제가 어디까지 미치는지와 별개로, 왜 이 사람이었는지 설명할 수 있어야 한다는 요구는 달라지지 않습니다.

오히려 그 요구는 더 가까운 곳에서 옵니다. 외부 채용에서 탈락한 지원자는 대부분 떠나지만, 내부 이동에서 밀린 사람은 다음 주에도 같은 사무실에 출근하고 담당자에게 직접 물어볼 수 있습니다. 되돌리는 방식도 다릅니다. 잘못된 채용은 조용히 종료할 수 있지만, 잘못된 발령은 또 한 번의 발령으로만 되돌릴 수 있고 그 기록은 당사자의 인사 이력에 남습니다.

그래서 내부 이동에서는 "좋은 추천을 받았는가"보다 "그 추천을 왜 받아들였는지 설명할 수 있는가"가 더 큰 문제가 됩니다. 아래 네 가지는 그 설명을 가능하게 하는 조건이자, 도구를 고르는 단계에서 미리 확인해야 할 요구사항이기도 합니다.

검증 기준 1. 무엇을 근거로 추천했는가

AI가 내부 이동 후보를 추천할 때, 그 판단은 특정 데이터 조합에서 나옵니다. 스킬 태그, 과거 프로젝트 경험, 성과 이력, 조직 내 협업 데이터 등이 대표적입니다. 문제는 이 조합이 매칭마다 다르게 작동한다는 점입니다. 어떤 추천은 스킬 일치도를 중심으로, 어떤 추천은 성과 이력을 중심으로 산출될 수 있습니다.

담당자가 확인해야 할 첫 번째 질문은 단순합니다. 이 후보가 왜 1순위로 올라왔는지, 어떤 데이터 항목이 가장 크게 반영됐는지 설명할 수 있는가입니다. 설명하지 못한 채 발령을 진행하면, 나중에 이의 제기가 들어왔을 때 대응할 근거가 없습니다. 해외 HR 리스크 관련 자료에서도 반복되는 지적입니다. AI 산출물을 근거로 결정을 내렸다면 왜 그 결정을 받아들였는지 설명할 수 있어야 하며, 설명하지 못하는 결정은 감사나 이의 제기 상황에서 방어하기 어렵다는 것입니다.

실제로 자주 벌어지는 장면은 이렇습니다. 매칭 점수 87점, 82점, 79점으로 후보 세 명이 순서대로 나열되어 있고, 담당자는 그 점수 차이가 스킬 때문인지, 경력 연차 때문인지, 최근 프로젝트 성과 때문인지 알지 못한 채 1위 후보로 발령을 진행합니다. 이후 2위 후보가 이의를 제기하면, 담당자는 점수만 있고 설명할 근거가 없어 곤란해집니다.

실무적으로는 이렇게 확인합니다. 추천 결과 화면에서 후보별 매칭 근거인 스킬 일치도, 경력 유사도, 성과 데이터 등이 항목별로 분해되어 보이는지, 아니면 하나의 점수나 순위로만 제공되는지를 먼저 봐야 합니다. 점수만 보이고 근거가 보이지 않는 도구라면, 그 추천은 발령 근거로 그대로 쓰기보다 참고자료로만 활용하는 것이 안전합니다.

검증 기준 2. 그 데이터 자체에 이미 치우침이 있는가

두 번째로 확인할 것은 매칭에 쓰인 데이터 자체의 구조입니다. AI는 과거 데이터를 학습해 패턴을 찾아내는 방식으로 작동하기 때문에, 과거 인사 데이터에 이미 존재하던 쏠림이 추천 결과에 그대로 반영될 수 있습니다. 특정 부서 출신이 유독 자주 추천되거나, 특정 연차 이상만 상위권에 오르는 패턴이 대표적입니다.

예를 들어 과거 발탁 인사가 특정 본부 출신에게 집중되어 있었다면, 그 데이터를 학습한 AI는 같은 본부 출신을 계속 상위로 추천할 가능성이 있습니다. 이것은 AI가 잘못 작동한 것이 아니라, 과거에 존재했던 편향을 정직하게 그대로 재현한 것에 가깝습니다. 문제는 그 재현이 반복될수록 편향이 데이터로 다시 쌓이고, 다음 추천에 또 한 번 강화된다는 점입니다.

Gartner는 AI를 활용한 인사 판단에서 리더십 차원의 원칙으로, 인간의 의사결정 권한을 명확히 하고 편향과 설명가능성 기준을 강제하며 모델의 변화, 즉 드리프트를 지속적으로 모니터링해야 한다는 점을 강조합니다. 한 번 검증했다고 끝나는 문제가 아니라, 매칭 결과가 특정 집단에 반복적으로 쏠리지 않는지 주기적으로 확인해야 하는 문제라는 뜻입니다.

실무 확인 방법은 두 가지입니다. 첫째, 최근 몇 차례의 추천 결과를 모아 부서, 연차, 직군별 분포를 살펴봅니다. 특정 조건에 후보가 몰린다면 데이터 편향 가능성을 의심해야 합니다. 둘째, 추천에서 배제된 후보 중 실제로는 적합했을 법한 인원이 있는지 역으로 점검합니다. 추천된 사람만 보면 편향을 알아채기 어렵고, 추천되지 않은 사람을 봐야 빠진 패턴이 보입니다.

검증 기준 3. AI가 보지 못하는 것은 무엇인가

세 번째 기준은 데이터로 남지 않는 맥락입니다. 팀 내 관계, 최근에 있었던 조직개편, 표면화되지 않은 업무 배분처럼 시스템에 기록되지 않는 정보가 실제 발령의 성패를 좌우하는 경우가 많습니다. AIHR은 내부 이동에 AI를 적용할 때도 매니저가 핵심 의사결정 지점에 반드시 개입해야 한다고 설명하는데, 이는 AI가 틀려서가 아니라 AI가 애초에 접근할 수 없는 정보가 있기 때문입니다.

데이터상으로는 완벽한 매칭이어도, 그 후보가 최근 팀 내 갈등의 당사자였거나, 이동하려는 부서가 곧 조직개편을 앞두고 있다는 사실을 AI는 알지 못합니다. 이런 정보는 담당자와 현장 매니저의 머릿속에만 있는 경우가 대부분이고, 바로 이 지점에서 사람의 판단이 AI의 추천을 보완해야 합니다.

여기에 하나 더 확인할 것이 있습니다. 앞의 세 가지를 아무리 꼼꼼히 점검해도, 최종 승인 권한이 실질적으로 AI 순위에 있다면 검증은 형식에 그칩니다. 담당자가 매칭 근거를 확인하고 편향 가능성을 점검했더라도, 결국 1순위를 그대로 발령했다면 검증 절차와 발령 결과 사이에 담당자의 판단이 개입한 흔적이 남지 않습니다. 이의 제기가 들어왔을 때 왜 그 순위를 받아들였는지, 어떤 근거로 최종 확정했는지를 담당자 스스로 설명할 수 있어야 검증이 의미를 갖습니다.

아래 체크리스트는 위 네 가지 검증 기준을 실무에서 바로 적용할 수 있도록 정리한 것입니다. 매칭 결과를 발령안에 반영하기 전, 담당자가 스스로 점검하는 용도로 활용할 수 있습니다.

이 네 가지를 확인하지 않은 채 추천 순위를 그대로 발령안에 옮기는 것은, 검증되지 않은 판단을 조직의 이름으로 실행하는 것과 같습니다. 반대로 이 네 가지를 매번 확인하는 절차가 자리 잡으면, AI 추천은 담당자의 판단을 대신하는 도구가 아니라 판단의 속도와 정확도를 높이는 도구로 자리 잡습니다.

판단은 사람이, 근거 확인은 elizax가

위 체크리스트를 매번 수작업으로 확인하는 것은 현실적으로 부담이 큽니다. 매칭 결과가 나올 때마다 근거 데이터를 따로 추출하고, 과거 추천 이력을 모아 분포를 계산하는 일을 담당자 개인이 반복하기는 어렵습니다.

elizax(일라이자엑스)의 People Intelligence Agent 이동 배치 기능은 검증 기준 1에서 다룬 근거 투명성 문제를 매칭 화면에서부터 해결합니다. 후보를 하나의 점수나 순위로만 보여주지 않고, 역량과 경력이 사내 포지션과 어떤 지점에서 일치했는지를 담당자가 항목별로 직접 확인할 수 있는 형태로 제공하기 때문입니다.

검증 기준 2에서 다룬 데이터 편향 문제 역시, 특정 조직이나 연차에 추천이 쏠리는지를 별도로 집계하지 않아도 담당자가 추천 이력을 항목별로 다시 열어 확인할 수 있는 구조를 갖추고 있어, 편향 여부를 점검하는 부담을 줄여줍니다. 검증 기준 3에서 다룬 조직 맥락 문제 역시, 이동 배치 기능이 최종 결정을 대신 내리는 것이 아니라 매칭 결과를 담당자와 매니저의 판단 앞에 근거로 올려놓는 방식으로 설계되어 있어, 시스템에 없는 정보는 여전히 사람이 채워야 한다는 원칙이 그대로 유지됩니다.

elizax는 hunel의 발령 데이터와 같은 기반 위에 있습니다. 추천, 검토, 최종 확정, 발령이 끊기지 않는 하나의 이력으로 남습니다. "사람이 판단했다"를 주장이 아니라 조회 가능한 기록으로 만드는 구조이며, 이는 AI 기본법의 문서화 요구에 대응하는 실질적 기반이 됩니다.

이 가이드에서 다룬 검증 기준을 우리 조직의 내부 이동 프로세스에 어떻게 적용할 수 있을지 궁금하다면, HCG와 직접 상담해보세요.