Executive Summary

주요 수치

출처: Cui·Dias·Ye, Signaling in the Age of AI (arXiv:2509.25054v2) · 로버트 하프 2026년 3월 10일 발표.

채용 서비스 기업 로버트 하프가 2025년 11월 미국 채용 담당자 2,000여 명에게 물은 결과를 2026년 3월에 냈다. 인사 책임자의 67%가 AI로 만든 지원서를 검토하느라 채용 절차가 느려졌다고 답했고, 그중 20%는 2주 넘게 늦어졌다고 했다. 65%는 지원이 몰리면서 후보의 역량을 확인하기가 더 어려워졌다고 답했다. 팀의 업무 부담이 늘었다는 응답은 84%였다.

지원자 쪽 사정은 정반대다. 공고를 넣으면 지원서가 나오는 도구가 흔해졌고, 예전 같으면 반나절이 걸리던 일이 한 번의 클릭으로 끝난다. 한쪽에서는 문턱이 사라졌는데 다른 쪽에서는 일이 늘었다.

이 어긋남을 형식 모형으로 다룬 논문이 9월 24일 arXiv에 올라왔다. 스탠퍼드의 이타이 애슐라기·라메시 조하리·아누슈카 머시와 코넬의 존 클라인버그가 함께 쓴 「Can Labor Markets Function in the Age of AI? The Evaluation Bottleneck in Hiring」이다. 첫 장에 "Preliminary Draft – Comments Welcome!"이라고 적혀 있다. 동료평가를 거치기 전 초고라는 뜻이다.

"AI는 지원자가 지원자 풀에 들어가는 일을 쉽게 만들 수 있지만, 그렇다고 회사가 어느 지원자와 잘 맞는지를 가려내는 일까지 쉬워지는 것은 아니다."

애슐라기·조하리·클라인버그·머시, arXiv:2609.30058 서론

논문의 주장은 지원이 늘어서 회사가 바쁘다는 이야기가 아니다. 건수와 별개로, 지원서 한 장이 담고 나르는 정보 자체가 묽어진다. 같은 도구가 같은 공고를 읽고 비슷한 문장을 뽑아내면, 잘 맞는 사람의 지원서와 그저 그런 사람의 지원서가 서로 닮는다. 읽는 쪽에서는 글을 읽어 봐야 구별이 되지 않는다.

모형의 뼈대는 단순하다. 지원자에게는 눈에 보이는 경력이 있거나 없고, 눈에 보이지 않는 적합도가 있다. 지원서는 이 적합도에 잡음이 섞여 나온 신호다. AI가 널리 쓰일수록 그 잡음이 커진다.

회사가 합리적으로 판단한다면 두 가지를 섞어서 점수를 낸다. 하나는 그 사람의 지원서가 말하는 내용이고, 다른 하나는 그 사람이 속한 경력 집단의 평균이다. 섞는 비율은 잡음이 정한다. 지원서가 믿을 만하면 내용 쪽에 무게가 실리고, 지원서가 흐리면 집단 평균 쪽에 무게가 실린다. 논문이 4장에서 증명한 것이 이 한 줄이다. AI 포화도가 오르면 지원서 내용에 주는 가중치가 내려가고, 그만큼 경력이라는 거친 표지가 점수를 더 많이 결정한다.

그래서 같은 변화가 사람마다 다르게 닿는다. 논문은 지원자를 경력 유무와 적합 여부로 넷으로 갈라 각 집단의 평균 점수가 어느 방향으로 움직이는지를 따진다. 잘 맞는 지원자는 원래 자기 경력 집단의 평균보다 위에 있었다. 개별 정보의 무게가 줄면 그 위쪽 몫을 잃는다. 안 맞는 지원자는 평균보다 아래에 있었으므로, 같은 변화가 점수를 끌어올린다. 약점이 덜 드러나기 때문이다.

손해를 보는 쪽은 잘 맞는 두 집단이고, 이득을 보는 쪽은 안 맞는 두 집단이다. 그리고 그 양쪽 끝에 경력이 없는 사람과 경력이 있는 사람이 하나씩 서 있다.

경력이 있고 잘 맞는 사람도 점수가 내려간다. 다만 덜 내려간다. 그 사람이 속한 경력 집단의 평균 자체가 높기 때문이다. 개별 정보의 무게가 줄어들면 회사의 눈은 집단 평균으로 옮겨 가는데, 그 평균이 이미 그를 어느 정도 변호한다. 경력이 없는 쪽에는 그 변호가 없다.

"다시 말해 이들에게는, 지원서에 주어지는 무게가 줄어든 것을 벌충해 줄 기존 경력이 없다."

arXiv:2609.30058, 명제 5.1 해설

점수만 내려가고 끝나면 이야기가 여기서 멈춘다. 그런데 회사의 심사에는 비용이 든다. 이력서를 넘겨 보는 일과 달리, 실제로 한 사람을 제대로 검증하는 데에는 사람의 시간이 들어간다. 그래서 회사는 문턱을 세워 두고 그 위에 있는 사람만 본다. 점수가 내려간다는 말은 문턱 아래로 떨어진다는 말이 된다.

논문은 이 대목에서 두 가지 실패를 정의한다. 첫째는 회사가 아무도 심사하지 않는 경우다. 가장 점수가 높은 지원자조차 회사의 문턱에 못 미치면 회사는 그냥 채용을 접는다. 그런데 사회 전체로 보면 그 사람은 볼 가치가 있었다. 둘째는 더 좁은 실패다. 지원한 무경력·적합 지원자가 한 사람도 빠짐없이 심사 목록에서 빠지는 경우다. 그중 적어도 한 명은 사회적으로 볼 가치가 있었는데도 그렇게 된다.

두 문턱이 다른 이유는 계산에 넣는 몫이 다르기 때문이다. 회사는 채용이 성사됐을 때 회사가 얻을 몫만 센다. 그 일자리를 얻은 사람이 얻을 몫은 회사의 장부에 들어가지 않는다. 그래서 사회의 문턱이 회사의 문턱보다 낮고, 두 문턱 사이에 갇힌 사람들이 생긴다. AI가 지원서를 흐리게 만들수록 그 사이 구간으로 밀려드는 사람이 늘어난다.

잡음이 아주 커지는 극한에서 이 실패는 예외가 아니라 규칙이 된다. 논문은 지원서의 잡음이 무한히 커지는 수열을 따라가면 두 실패가 일어날 확률이 1로 간다는 것을 보인다. 그 지점에서 회사의 사후 판단은 경력 집단의 사전 확률로 수렴한다. 지원서를 읽는 일이 아무것도 바꾸지 못하므로, 회사는 경력이 있는 사람만 보거나 아무도 보지 않는다.

이 블로그는 신입 채용을 두 번 다뤘다. 요구하는 문턱이 올라간 일과 채용이 줄었다는 믿음이 실제 수치와 어긋나는 일이다. 둘 다 무엇을 얼마나 뽑느냐의 이야기다. 이 논문은 다른 축에 있다. 요구도 규모도 그대로일 때, 가려내는 근거가 바뀌면 밀려나는 사람이 생긴다.

이것이 모형 안의 결론이라는 점은 분명히 해 둘 필요가 있다. 두 실패는 각각 조건이 붙은 명제이고, 실제 노동시장이 그 조건 안에 들어와 있는지를 이 논문이 측정한 것은 아니다. 논문은 현장 데이터를 다루지 않는다. 그 몫은 다른 연구에 있다.

이 메커니즘이 실제 시장에서 관측된 기록은 1년 앞서 나와 있다. 예일대 경제학과의 징이 추이, 가브리엘 디아스, 저스틴 예가 쓴 「Signaling in the Age of AI: Evidence from Cover Letters」다. 이론 논문도 서론에서 이 연구를 인용해, AI가 지원서의 맞춤 정도와 콜백을 함께 올렸지만 맞춤 정도가 가진 예측력은 떨어뜨렸고 그 결과 고용주가 과거 이력에 더 기대게 됐다고 적는다.

무대는 프리랜서닷컴이다. 2023년 4월 19일 이 플랫폼은 'AI 비드 라이터'를 열었다. 일감 설명을 읽고 자기소개서 초안을 클릭 한 번으로 써 주는 도구다. 연구진은 그 전후로 PHP와 인터넷 마케팅 두 분야의 입찰을 240일치 모았다. 2023년 1월 19일부터 9월 15일까지 549만 9,707건의 입찰, 26만 4,082명의 지원자, 10만 6,714개의 일감이다. 한 일감에 평균 51.5건의 입찰이 들어온다. 도구는 실제로 널리 쓰여서, 자격이 있는 이용자의 62%가 한 번 이상 써 봤고 전체 자기소개서의 17%가 이 도구의 도움을 받아 작성됐다.

먼저 좋은 소식부터 보자. 도구를 실제로 쓴 입찰은 연락을 받을 확률이 3.56%p 올랐다. 도구가 열리기 전 평균 콜백률 7.02%에 견주면 51% 증가다. 도구를 쓸 수 있는 자격만 기준으로 삼으면 0.43%p다. 자기소개서를 공고에 맞춰 쓰는 일이 지금까지 제대로 되지 않고 있었다는 뜻이기도 하다. 다만 연구진 스스로 두 가지 단서를 단다. 콜백에 관한 결과는 10% 유의수준에서만 유의하고 5% 수준에서는 그렇지 않으며, 효과는 두 달이 지나면서 사그라들었다.

도구가 열린 뒤, 자기소개서가 공고에 얼마나 맞물리는지와 연락을 받을 확률 사이의 상관은 51% 떨어졌다. 잘 맞춰 쓴 지원서라는 사실이 전에는 합격을 예측했는데 이제는 그 힘의 절반을 잃었다. 모두가 잘 맞춰 쓸 수 있게 되면 잘 맞춰 썼다는 사실이 아무것도 말해 주지 않는다.

회사는 그 자리를 비워 두지 않았다. 같은 기간 콜백과 지원자의 평판 점수 사이의 상관이 5% 올랐다. 평판 점수는 그 사람이 이 플랫폼에서 해 온 일감의 이력을 플랫폼이 요약해 매기는 값이고, 지원 목록의 기본 정렬 순서를 정하는 값이기도 하다. AI가 손대기 어려운 신호로 무게가 옮겨 간 것이다. 이론 논문이 "경력이라는 거친 관찰 가능치"라고 부른 자리에 현실에서는 이 점수가 앉아 있다.

그런데 그 이동이 일어난 범위는 좁다. 연구진은 같은 평판 점수가 최종 채용 결정을 예측하는 힘은 늘지 않았다고 함께 적는다. 바뀐 것은 누구를 불러 볼지 고르는 단계이지 누구를 뽑을지 정하는 단계가 아니다. 이론 논문이 겨냥한 병목도 정확히 그 앞 단계다.

논문의 뒷부분은 해법을 도덕이 아니라 회사의 손익으로 푼다. 비싼 본 심사에 들어가기 전에 싼 중간 평가를 한 단계 놓는 것이다. 과제 샘플, 실기 테스트, 짜인 형식의 예비 면접 같은 것들이다. 논문은 인턴십이나 박사과정에 들어가기 전에 연구를 해 보는 자리, 수습직처럼 한시적으로 일해 보는 형태도 같은 구실을 한다고 적는다. 경력이 얇은 사람이 실제로 해 보임으로써 적합도를 증명할 통로다.

왜 회사가 이걸 자발적으로 하게 되는가. 정보를 한 번 더 얻는 일은 회사의 기대 수익을 절대 깎지 않기 때문이다. 결과가 나쁘게 나오면 그 사람을 거르고, 좋게 나오면 본 심사로 넘긴다. 어느 쪽이든 아무것도 모르는 상태보다 낫다. 그러니 그 정보를 얻는 값이 정보의 가치보다 싸기만 하면 회사는 중간 평가를 한다. 논문은 조건을 명시하고 그 아래에서 회사의 사전 기대 효용이 엄밀히 커진다는 것을 보인다. 시켜서 하는 일이 아니라 회사가 스스로 고르는 일이라는 뜻이다.

혜택이 어디로 가는지도 논문은 짚는다. 바로 본 심사를 하기에는 점수가 낮지만 버리기에는 아까운 구간이 있다. 1단계로 끝나는 채용에서 이 구간의 사람들은 그냥 탈락한다. 중간 평가가 생기면 이들은 좋은 결과를 받았을 때 본 심사로 올라간다. 그리고 AI 포화도가 충분히 높아지면, 이 구간에 들어오는 사람이 늘어나 지원한 무경력·적합 지원자의 거의 전부가 여기에 해당하게 된다.

"지원하기가 쉬워진 것과 믿을 만한 평가를 받기가 쉬워진 것은 같은 일이 아니다."

arXiv:2609.30058 결론

현실의 회사들이 이미 어느 방향으로 움직이는지는 앞서 본 로버트 하프 조사에 적혀 있다. 지원이 몰리는 상황에 어떻게 대응하고 있느냐는 물음에 서류 검토에 시간을 더 쓴다는 답이 42%, 후보 한 명당 면접 횟수를 늘린다는 답이 38%, 일반적인 AI 답변이 나오지 않도록 공고 문구를 고쳤다는 답이 32%였다. 이 조사는 모형을 검증하려고 설계된 것이 아니고 연구진과 무관한 별개의 설문이다. 두 번째 항목이 논문이 말한 중간 평가와 같은 모양이라는 점은 이 글이 읽은 것이다.

다만 방향이 같다고 해서 곧바로 좋은 소식은 아니다. 면접을 늘리는 일에는 지원자의 시간도 들어간다. 논문의 조건은 중간 평가가 싸고 동시에 충분히 변별력이 있어야 한다는 것인데, 현실에서 늘어나는 단계가 늘 그 조건을 만족시키지는 않는다. 값이 비싸고 변별력이 없는 단계는 무경력자를 걸러 내는 또 하나의 문턱이 될 뿐이다.

이 논문이 그린 구조는 우리가 데이터 품질 현장에서 매번 만나는 구조와 같다. 지원서는 지원자에 관한 관측 데이터이고, 채용은 그 데이터로 내리는 분류 판단이다. 데이터가 늘었는데 판단이 어려워졌다면, 늘어난 것은 양이고 줄어든 것은 변별력이다. 우리가 AI-Ready Data를 말할 때 수집량보다 수집 조건을 먼저 묻는 이유가 여기에 있다.

같은 일이 라벨에서도 벌어진다. 어노테이션 도구가 좋아지면 라벨은 빠르게 쌓이는데, 쌓인 라벨이 서로 구별되지 않으면 그 데이터로 학습한 모델은 쉬운 축으로 도망간다. 이미지의 내용 대신 촬영 장비를 배우고, 환자의 상태 대신 병원을 배운다. 회사가 적합도 대신 경력을 보게 되는 것과 정확히 같은 일이다. 모델도 회사도 남아 있는 가장 또렷한 표지를 집는다.

논문이 내놓은 처방 역시 우리에게 익숙하다. 기존 신호를 더 정교하게 다듬는 대신, 값싼 검증 단계를 하나 더 만들어 새 증거를 얻으라는 것이다. 데이터 품질 진단에서 우리가 하는 일도 그렇다. 전체를 다시 라벨링하는 대신 작은 표본을 떠서 의심되는 축을 한 번 갈라 본다. 그 한 번이 전체를 다시 만드는 일보다 훨씬 싸고, 무엇을 고쳐야 하는지를 정한다.

구직자에게도 남는 이야기가 있다. 이 연구들 중 어느 것도 AI를 쓰지 말라고 하지 않는다. 오히려 추이와 디아스와 예의 데이터에는 반대 방향의 관찰이 하나 들어 있다. AI가 만든 초안을 다듬는 데 시간을 더 쓴 사람일수록 연락과 수주를 받을 확률이 높았다는 것이다. 초안을 그대로 낸 지원서는 다른 사람의 초안과 닮고, 오래 고친 지원서는 그 사람을 닮는다. 다만 실제로 고친 사람은 드물었다. AI가 도운 자기소개서의 75%가 넘는 몫이 도구를 누른 지 1분 안에 그대로 제출됐다. 논문이 재고 있던 것은 도구의 성능이 아니라 그 도구를 쓴 결과물이 얼마나 남들과 달라졌는가다.

여기까지 읽어 주셔서 감사하다. 이 글이 인용한 모형과 명제는 arXiv:2609.30058에서, 프리랜서닷컴 분석 수치는 arXiv:2509.25054에서 확인할 수 있다. 여러분의 조직에서 지원서 대신 무엇을 보기 시작했는지, 그 판단이 실제로 더 잘 맞았는지 이야기를 나눠 주시면 좋겠다.

학술 논문

• 1.Ashlagi, I., Johari, R., Kleinberg, J., Murthy, A. (2026). "Can Labor Markets Function in the Age of AI? The Evaluation Bottleneck in Hiring." arXiv:2609.30058 (preliminary draft).
• 2.Cui, J., Dias, G., Ye, J. (2025). "Signaling in the Age of AI: Evidence from Cover Letters." arXiv:2509.25054v2, 예일대 경제학과(코울스 재단 연구비 지원).
• 3.Galdin, A., Silbert, J. (2025). "Making Talk Cheap: Generative AI and Labor Market Signaling." arXiv:2511.08785.

업계 조사

• 4.Robert Half. (2026). "Robert Half survey: 67% of HR leaders report AI-generated applications are slowing hiring." 2026년 3월 10일 보도자료.