AI는 너를 못 읽는다

거울이라는 착각

사람들은 AI 채용평가를 더 공정한 거울로 받아들인다. 사람 면접관의 편견과 기분, 출신 학교에 대한 호불호를 걷어내고 지원자를 있는 그대로 비춰주리라는 기대다. 채용 담당자도 그렇게 판다. 수만 명의 자기소개서를 며칠 만에 처리하고, 표정과 음성에서 일관성 점수를 뽑고, 게임 기반 검사로 인지 성향을 측정한다.

그런데 거울은 비추기만 한다. 채용 AI는 비추지 않는다. 입력을 받아 점수라는 출력으로 바꾼다. 둘은 전혀 다른 동작이다. 거울 앞에서는 그대로 있어도 된다. 채점기 앞에서는 그대로 있으면 안 된다. 모델이 읽을 수 있는 형식으로 자신을 미리 가공해야 한다. 청년이 실제로 겪는 압력은 평가받는 압력이 아니라, 평가 가능한 형태로 자기 자신을 번역해야 하는 압력이다.

질문을 바꿔보자. 이 기술은 단독으로 작동하는가. 아니다. 채용 AI는 자연어 모델과 음성 인식, 표정 분석, 그 뒤의 직무역량 데이터셋이 결합된 파이프라인이다. 그렇다면 이 결합은 청년의 자기서사를 무엇으로 바꾸는가.

융합은 늘 입력단을 먼저 바꿨다

기술이 산업을 바꿀 때 눈에 띄는 건 출력이지만, 진짜 변화는 입력단에서 일어났다. 바코드가 그랬다. 1970년대 바코드는 계산을 빠르게 해주는 도구처럼 보였다. 실제로 바꾼 건 상품 그 자체였다. 모든 물건은 스캐너가 읽을 수 있는 코드를 몸에 붙여야 유통망에 들어갈 수 있게 됐고, 코드 없는 물건은 존재하지 않는 물건이 됐다. 기계가 읽는 형식이 사물의 자격 요건이 된 셈이다.

신용평가도 같은 길을 밟았다. 한 사람의 성실함과 평판, 관계망이라는 두꺼운 서사가 FICO 점수라는 세 자리 숫자로 압축됐다. 압축은 편리했고, 곧 그 숫자가 사람보다 먼저 도착했다. 집을 빌릴 때도 사업을 시작할 때도 숫자가 사람을 대신했다. 서사가 점수를 설명하는 게 아니라, 점수가 서사를 결정하기 시작했다.

채용 AI는 이 계보에서 가장 내밀한 버전이다. 바코드는 사물을, 신용점수는 금융 이력을 번역했다. 채용 AI는 인격을 번역한다. 한 사람이 자기 인생에서 무엇을 의미 있게 여겼는가, 어떤 실패를 어떻게 견뎠는가 하는 자기서사가 직무적합도 벡터로 환산된다. 청년은 이제 자소서를 쓸 때 사람 독자가 아니라 모델 독자를 상상한다. 키워드를 심고, 문장을 표준화하고, AI가 감점하지 않을 안전한 서사를 고른다. 표현이 아니라 통과가 목적이 된다.

누가 새로 등장하는가

이들이 결합되면 어떤 새로운 경제 주체가 등장하는가. 세 부류가 이미 자라고 있다.

하나는 번역 대행업이다. AI 자소서 첨삭, AI 면접 코칭, AI가 선호하는 답변 템플릿을 파는 시장이다. 청년에게 모델한테 읽히는 법을 가르치는 일이다. 다른 하나는 평가 모델 자체를 파는 HR테크 기업이다. 이들이 정의한 직무역량 데이터셋이 곧 '좋은 인재'의 정의가 된다. 그 정의는 과거 채용 데이터에서 학습되니, 과거에 뽑힌 사람들을 닮은 사람을 미래의 정답으로 굳혀버린다. 마지막은 이 점수를 받아 쓰는 다른 산업이다. 채용에서 만들어진 인격 점수는 거기서 멈추지 않는다.

지금은 작아 보여도 결국 인프라가 될 지점이 바로 여기다. '평가 가능한 자아'라는 형식이 한 번 표준이 되면, 그 형식은 교육으로 역류한다. 대학과 입시 컨설팅은 모델이 좋아하는 서사를 역설계해 학생에게 미리 입힌다. 보험과 핀테크는 같은 인격 벡터를 위험 평가에 재활용하고 싶어 한다. 채용 AI는 단순한 인사 도구가 아니라, 한 사람을 데이터로 환산하는 표준 규격의 출발점이다. 바코드가 모든 사물의 입구가 됐듯이.

반론은 날카롭다. 사람 면접관이야말로 학벌과 인상으로 편견을 휘둘렀고, AI는 적어도 같은 잣대를 모두에게 적용하니 더 낫지 않냐는 것이다. 일리가 있다. 다만 균일한 잣대와 공정한 잣대는 다르다. 모두를 같은 틀로 자르는 건 균일함이지 정의가 아니다. 게다가 그 틀이 무엇을 자르는지를 청년은 볼 수 없다. 사람 면접관에게는 되물을 수 있었다. 모델에게는 왜 떨어졌는지 물을 창구조차 없다.

부산에서, 한국이 잡을 자리

한국은 이 융합의 양쪽에 다 서 있다. 세계에서 가장 빠르게 AI 채용을 도입한 나라 중 하나이면서, 동시에 자기서사 강박이 가장 강한 사회다. 부산의 한 청년이 수도권 기업의 AI 면접을 보고, 같은 점수가 어디에 어떻게 쓰였는지 끝내 모른 채 탈락 통보를 받는 일은 이미 흔하다.

기회는 평가 모델을 더 잘 만드는 데 있지 않다. 그건 이미 글로벌 HR테크가 가져갈 자리다. 한국이 잡을 자리는 번역의 반대 방향, 즉 점수를 다시 사람의 언어로 되돌리는 설명 계층이다. 왜 이 점수가 나왔는지, 어떤 입력이 어떻게 가중됐는지를 지원자에게 돌려주는 설명가능성 인프라. 평가 데이터가 채용을 넘어 어디로 흐르는지 추적하고 차단하는 데이터 권리 계층. EU가 AI 채용을 고위험으로 규제하기 시작한 지금, 설명 가능한 채용 AI는 규제 대응이자 수출 가능한 제품이 된다. 모델을 만드는 경쟁이 아니라, 모델과 사람 사이를 통역하는 경쟁이다.

미래는 채용 AI라는 하나의 기술에서 오지 않는다. 그것이 교육과 금융, 데이터 권리와 만나는 접점에서 온다. 그 접점에서 결정되는 건 누가 합격하느냐가 아니라, 한 인간을 어떤 형식으로 읽을 것이냐다. 청년에게 모델이 읽을 수 있게 자신을 다시 쓰라고 요구하기 전에, 우리는 그 형식을 누가 설계하고 누가 되읽을 수 있는지를 먼저 물어야 한다. 연결 지점을 쥔 쪽이 다음 산업의 문법을 쓴다.