Barb Hyman, Sapia.ai 설립자 겸 CEO – 인터뷰 시리즈

Barb Hyman, Sapia.ai의 설립자 겸 CEO는 법률, 경영 컨설팅, 마케팅, 학습 및 개발, 인사, 기술 분야를 아우른 풍부한 경력을 가진 비즈니스 리더입니다. 그녀는 Herbert Smith Freehills에서 변호사로 경력을 시작한 뒤 Boston Consulting Group으로 옮겨 컨설팅에 종사했으며, 여기서 프로젝트 리더로 승진하고 이후 호주·뉴질랜드 전역에서 학습 및 개발, 인사, 마케팅을 총괄하는 고위 직책을 맡았습니다. Hyman은 시드니에 있는 Museum of Contemporary Art에서 마케팅 및 스폰서십 책임자를 역임했으며 REA Group에서 People & Culture 전무 일반 관리자를 지냈습니다. 그녀는 2018년에 Sapia.ai를 설립하면서 조직 리더십과 인재 관리 경험을 바탕으로 인공지능을 활용해 기업이 인재를 평가하고 채용하는 방식을 근본적으로 재고했습니다.

Sapia.ai는 구조화된 대화형 후보자 평가에 중점을 둔 AI 기반 채용 기술 회사입니다. 이 플랫폼은 채팅 기반 인터뷰를 활용해 대규모로 후보자를 일관되게 평가하며, 고용주가 기술과 적합성을 판단하도록 돕고 전통적인 이력서 검토 및 편향을 초래할 수 있는 기타 신호에 대한 의존도를 낮춥니다. Sapia.ai에 따르면 자사의 기술은 1천만 명이 넘는 후보자를 평가했으며, 구조화된 평가 과학과 AI 기반 인재 인텔리전스, 맞춤형 후보자 피드백, 기존 지원자 추적 및 인사 시스템과의 통합을 결합합니다. 또한 회사는 설명 가능성, 공정성, 기업 수준의 규정 준수를 강조하며, AI 인터뷰, 직무 분석, 인터뷰 일정 관리, 인재 인텔리전스, AI 기반 경력 코칭을 아우르는 포괄적인 플랫폼을 제공합니다.

Sapia.ai를 설립하기 전, 당신은 Boston Consulting Group에서 컨설팅, 법률, 마케팅, 학습 및 개발, 그리고 최종적으로 REA Group에서 People & Culture 리더십을 아우르는 경력을 쌓았습니다. 그 여정에서 어떤 경험이 채용을 근본적으로 재고해야 한다는 확신을 주었으며, Sapia.ai로 해결하고자 했던 문제는 무엇이었나요

현재 사람을 평가하는 방식은 부서졌습니다 — 특히 채용 분야에서.

우리는 이력서에 의존합니다. 우리는 전체 사람을 보지 못합니다. 우리는 가장 중대한 결정 — 누굴 채용하고, 누굴 승진시킬지 — 를 직감과 대리 지표에 의존해 내립니다. 미러 채용이 만연합니다: 언제부터 누군가가 다닌 학교나 대학이 지능의 대리 지표가 되었나요? 그렇지 않습니다. 그것은 이점의 대리 지표일 뿐입니다.

이 중 일부는 나의 개인적인 이야기와 관련이 있습니다. 저는 이민자이며, 제가 운이 좋은 이민자 범주에 속한다는 것을 알고 있습니다: 저는 백인이고 사람들이 발음하기 쉬운 이름을 가지고 있습니다. 제 가족은 대학에 진학한 사람이 없었으며, 아버지는 상점 주인이었습니다. 그럼에도 불구하고 저는 놀라운 기회를 얻었고, 다섯 번의 경력을 거쳐 지금 이 자리에 있습니다. 전 세계 20억 명의 노동자를 생각할 때, 제가 인정받는 재능, 추진력, 비판적 사고를 정확히 가지고 있지만 우리 자신의 경험이라는 프리즘에 가려 보이지 않는 사람들을 떠올립니다. 편견은 빠른 결정을 내리는 훌륭한 지름길이며, 바로 그 때문에 채용은 이미 유리한 사람들에게 계속 보상을 제공합니다. 이는 결코 공정하거나 합리적이라고 느껴지지 않았습니다.

이 이야기의 다른 절반은 컨설팅에서 비롯되었습니다. MBA를 마친 뒤, 실제 연구 없이 이사회에 들어가 추천을 하는 일은 없던 세계로 들어갔습니다. 그럼에도 불구하고 기업이 내리는 가장 중대한 결정(누가 입사하고, 누가 리더가 되며, 누가 문화를 형성하는가)은 여전히 직감이나 대학 이름처럼 얇은 대리 지표에 의존합니다. 사람은 재무제표에 나타나지는 않지만, 특히 전문 서비스 분야에서는 자산입니다. 이러한 불일치는 저에게 터무니없게 보였습니다.

레오나르도 다 빈치가 이 형식을 고안한 이후로 이력서 자체는 근본적으로 변하지 않았습니다. 위키피디아에는 180가지가 넘는 인간 편향이 문서화되어 있습니다. 북미 지원자 중 3분의 1은 구직 신청을 마친 후 두 달이 지나도 답변을 받지 못합니다. 이것은 인재 문제와는 무관합니다. 인재는 고르게 분포되어 있지만 기회는 그렇지 않기 때문입니다.

Sapia로 해결하고자 했던 것은 단순히 하나의 결정이 아니라 구직 경험에서 비롯되었습니다. 제 팀은 이 점을 두고 저를 비웃지만, 저는 언제나 채용을 데이트에 비유해 왔습니다. 이것은 관계입니다. 직장에서 사람들과 보내는 시간이 파트너와 보내는 시간보다 더 많습니다. 그렇다면 중요한 모든 다른 결정에 적용하는 것과 같은 엄격함—데이터—으로 채용 결정을 내리지 않을 이유가 무엇입니까?

당신은 대부분의 조직이 AI 도입을 효율성 프로젝트로 접근하지만 실제로는 신뢰 프로젝트로 시작해야 한다고 주장했습니다. 실천에서 “신뢰”는 어떤 모습이며, 기업은 생산성, 비용 절감, 도입률 등 전통적인 지표와 함께 이를 어떻게 측정해야 할까요?

저는 CHRO로서 이를 배웠습니다: 변화의 이유를 투명하게 밝히지 않으면 신뢰가 첫 번째 희생양이 됩니다. 그리고 대부분의 기업이 AI 도입을 뒤집어 생각하고 있다고 생각합니다. 그들은 생산성 향상, 예를 들어 절감된 시간, 채용당 비용 등을 측정하지만, 실제로 지속 여부를 결정하는 요소—직원들이 AI 사용 방식과 그 이유를 신뢰하는지—를 측정하는 데는 멈추지 않습니다.

신뢰는 조직 문화의 기반입니다. 그것은 실제 지표 옆에 놓인 부드러운 지표가 아니라, 실제 지표가 기반을 두는 것입니다 — 그것이 실제 지표가 세워지는 토대입니다. 이를 어떤 관계를 생각하듯이 생각해 보세요. 높은 신뢰는 여러분에게 자유도를 제공합니다. 낮은 신뢰는 모든 것을 작게 만들고, 활력이 떨어지며, 편안함이 감소합니다. 그리고 안전하다고 느끼지 못할 때 누구도 최고의 업무를 수행하지 못합니다. 조직도 마찬가지입니다.

하지만 직장에서 AI를 활용한 많은 사례가 실제로 사람들의 데이터를 그들에 맞서 무기로 사용하고 있습니다. 예를 들어 누군가의 소셜 미디어를 스크래핑해 그 사람이 좋은 인재인지, 좋은 위험인지, 나쁜 위험인지를 추론하는 경우가 있습니다. 나는 그 결정이 내려진 회의를 상상할 수 없으며, 사람들이 그 사실을 알게 되는 순간 문화가 부식되지 않을 것이라고 누가 생각했는지 상상조차 할 수 없습니다.

따라서 AI 도입을 진지하게 생각한다면, 신뢰는 첫날부터 생산성 및 비용 절감과 나란히 측정되는 지표가 되어야 합니다. 사람들에게 직접 물어보세요: 우리가 이것을 사용하는 이유를 이해하고 있나요? 공정하게 사용되고 있다고 믿나요? 두 질문 모두에 “예”라고 답할 수 없다면, 여러분이 축하하는 효율성 향상은 조용히 소모되고 있는 문화에 대한 대출에 불과합니다.

AI를 활용한 채용에서 가장 큰 우려 중 하나는 모델이 과거 고용 데이터를 학습해 조직이 없애려는 인간 편견을 강화할 가능성이 있다는 점입니다. 기업은 어떻게 AI가 기존 채용 편견을 단순히 자동화하지 않도록 방지할 수 있으며, 이러한 시스템에 처음부터 어떤 안전장치를 구축해야 할까요?

이것이 대부분의 AI 채용 대화에서 놓치는 정확한 함정이며, 내가 Sapia를 그렇게 만든 이유입니다. 과거 채용 데이터(누가 채용됐고, 누가 승진했으며, 누가 첫 인터뷰를 받았는지)를 기반으로 모델을 학습시키면 편견을 제거하는 것이 아니라 산업화하는 것입니다. 기계에게 이미 가지고 있는 인력의 모든 미러 채용 결정, 모든 “문화 적합” 판단, 모든 직감 기반 지름길을 복제하도록 가르치는 것이죠. 그것은 혁신이 아닙니다. 그것은 규모의 편견이며, 더 빠르고 객관성의 외관을 입혀 도전하기 어렵게 만들 뿐입니다.

따라서 안전장치는 알고리즘보다 더 앞서 시작해야 합니다. 우리는 이력서, 사진, 이름, 대학 등 특권과 잠재력을 연관짓는 전통적인 대리 변수들로 학습하지 않습니다. 입력에 편견이 담겨 있다면, 하위 단계의 정교한 모델링으로는 이를 해결할 수 없습니다. 이는 “쓰레기는 들어가면 쓰레기가 나온다” 문제와 같은데, 여기서 쓰레기는 수십 년에 걸친 인간 편견이 이력서라는 형태로 꾸며진 것입니다.

두 번째 요소는 모델을 실제로 무엇에 대해 측정하느냐입니다. “AI가 작동한다”는 말만으로는 충분하지 않으며, 성별, 인종, 연령, 장애 등 측정 가능한 모든 보호 특성에 대해 지속적으로 부정적 영향을 테스트해야 합니다. 이는 출시 전 일회성 감시가 아니라 지속적인 감시입니다. 편견은 한 번 고치는 버그가 아니라, 사람들의 삶에 중대한 결정을 내리는 어떤 시스템이든 지속적으로 감시해야 하는 대상입니다.

그리고 세 번째—사람들이 흔히 놓치는 부분—외부의 시각이 필요합니다. 모델에 대한 독립적인 제3자 감사, 공개된 방법론, 시스템이 무엇을 하고 무엇을 하지 않는지에 대한 진정한 투명성. 만약 여러분이 AI 채용 도구를 만든 사람들만이 검토하도록 하고, 그들이 재정적으로 방어하려는 동기를 가지고 있다면, 신뢰 문제를 실제로 해결한 것이 아니라 단지 그 문제를 다른 곳으로 옮긴 것에 불과합니다.

‘알고리즘이 그렇게 했다’는 변명은 변명일 뿐이며, 처음부터 안전장치를 구축하지 않았다는 인정입니다. 기억하세요, AI는 공정성에 대한 인간의 책임을 없애지 못합니다.

채용은 알고리즘이 직접 누군가의 경력에 영향을 미칠 수 있는 매우 높은 위험을 가진 AI 적용 사례입니다. 조직은 자동화할 수 있는 결정과 항상 의미 있는 인간 감독 하에 남아 있어야 하는 결정을 어디에서 구분해야 할까요?

제가 그 기준을 정한다면 이렇게 말하고 싶습니다: AI는 사람을 더 명확히 볼 수 있도록 도와줄 수 있지만, 그 사람의 운명을 혼자 결정해서는 안 됩니다. 결정에 보조를 제공하는 것과 전적으로 외주하는 것 사이에는 실질적인 차이가 있습니다. 채용은 그 구분을 잘못하면 실제로 누군가의 삶을 바꾸는 몇 안 되는 영역 중 하나입니다.

그렇다면 자동화가 자리 잡을 수 있는 영역은 어디일까요? 인간이 일관되고 공정하게 보기 어려운 신호를 드러내는 경우, 예를 들어 수천 개의 인터뷰 답변을 피로 없이, 나쁜 날 없이, 무의식적으로 자신과 닮은 후보자를 선호하지 않고 읽어내는 경우가 있습니다. 이는 하루에 여덟 번째 인터뷰를 진행하는 피곤한 채용 담당자보다 AI가 더 잘 수행할 수 있는 작업입니다. 진정한 소프트 스킬을 선별하고, 모든 후보자를 동일한 기준으로 평가하도록 통찰을 구조화하는 것이 바로 기계가 실제 가치를 더하는 부분입니다. 우리는 그런 일관성을 갖추도록 설계되지 않았으니까요.

최종 결정—누가 채용되고, 누가 거절되며, 누가 재검토되는가—는 책임을 질 수 있는 인간에게 맡겨야 합니다. 모델이 출력한 내용을 무조건 승인하는 고무 도장이 아니라, 시스템이 무엇을 측정하고 있는지 이해하고, 잘못된 결과라고 판단될 때 질문을 제기하며, 이를 무시할 수 있는 실제적이고 의미 있는 감독이 필요합니다. 인간이 AI의 권고에 의미 있게 도전할 수 없다면, 그것은 감독이 아니라 인간의 변명에 불과합니다.

저는 또한 되돌릴 수 없거나 불투명한 것에 대해서는 선을 그어야 합니다. 후보자가 왜 진행되지 않았는지 이해할 수 있는 설명을 받을 수 없다면, 시스템이 얼마나 “accurate”하든 관계없이 실패한 것입니다. 그리고 모델이 회사 내 누구도 실제로 설명할 수 없는 결정을 내린다면—그 모델을 만든 사람들을 포함해서—그것은 채용 도구가 아니라 누군가의 경력이 들어 있는 블랙 박스입니다. 제가 모든 조직에 제시하고 싶은 테스트는 간단합니다: 거절한 후보자와 마주 앉아 평이한 언어로 왜 그런 결정을 내렸는지 설명할 수 있겠습니까? 솔직한 답이 “I don’t actually know, the model decided”라면, 프로세스의 잘못된 부분을 자동화한 것입니다.

Sapia.ai는 개방형 대화를 위해 사용되는 생성 AI와 후보자 점수를 매기는 데 사용되는 보다 결정론적 시스템을 구분합니다. 특히 AI 출력이 일관되고, 감사 가능하며, 방어 가능해야 할 때 이 구분이 왜 중요한가요?

사람들은 “AI”라는 말을 듣고 하나의 것으로 가정하지만, 채용에서는 바로 그 혼합이 문제의 근원입니다. 우리는 의도적으로 작업을 두 부분으로 나눕니다. 개방형 대화와 고위험 점수 평가는 완전히 다른 요구사항을 가지고 있기 때문이며, 두 기술이 동일하다고 가장하면 기업은 설명도 못하고 방어도 못하며 신뢰도 할 수 없는 시스템을 얻게 됩니다.

생성 AI는 대화 계층에서 뛰어납니다 — 후보자와 자연스럽고 인간적인 교감을 나누고, 좋은 후속 질문을 제시하며, 경험을 양식이 아닌 대화처럼 느끼게 합니다. 여기에서는 유연성, 뉘앙스, 그리고 약간의 예측 불가능성이 필요합니다. 왜냐하면 실제 대화는 스크립트화되지 않기 때문입니다.

하지만 후보자와 대화를 나누는 단계에서 점수를 매기는 단계로 넘어가는 순간, 시스템에 요구되는 모든 것이 뒤바뀝니다. 점수 매기는 과정은 일관되어야 합니다: 같은 답변은 후보자 1이든 1,000이든, 월요일 아침이든 금요일 오후든 동일한 평가를 받아야 합니다. 또한 감사 가능해야 하는데, 이는 후보자가 어떤 점수를 받았는지 정확히 보여줄 수 있어야 함을 의미합니다. 모델이 “figured it out”이라는 믿음만으로는 충분하지 않습니다. 그리고 방어 가능해야 합니다. 왜냐하면 그 점수에 누군가의 생계가 걸려 있기 때문이며, “생성 모델이 이 답변이 좋다고 느꼈다”는 설명은 규제기관, 언론인, 혹은 왜 채용되지 않았는지 알고 싶어 하는 후보자와의 대화에서 살아남지 못합니다.

생성 모델은 그 특성상 확률적입니다 — 같은 질문을 두 번 하면 미묘하게 다른 결과가 나올 수 있습니다. 이는 대화에서는 장점이지만 점수 매기기에서는 심각한 위험 요소가 됩니다. Sapia에서는 실제로 누군가의 결과를 결정하는 과정에 결정론적 시스템을 사용합니다. 우리는 동일한 입력이 일관되게 동일한 출력을 생성하고, 그 추론 과정을 추적할 수 있으며, 두 유사한 후보자가 동등하게 대우받는지를 증명할 수 있는 모델을 구축합니다.

실제로 이는 관심사의 분리입니다: 생성 AI가 인간과 같은 대화에 뛰어나게 하고, 결정론적이며 감사 가능한 시스템이 공정하고 설명 가능하며 검증하에 방어할 수 있는 결정의 무게를 짊어지게 합니다.

설명 가능성은 책임 있는 AI의 필수 요건으로 자주 논의되지만, 많은 고급 모델은 여전히 사용자가 이해하기 어렵습니다. AI가 채용 결정에 영향을 미쳤을 때 후보자나 직원이 합리적으로 기대할 수 있는 설명의 수준은 어느 정도일까요?

저는 후보자들이 현재 대부분의 기업이 제공하는 것보다, 그리고 솔직히 대부분의 기업이 제공할 수 있다고 생각하는 것보다 더 많은 것을 받을 자격이 있다고 생각합니다. “The algorithm decided”는 정교함으로 포장된 실패의 인정입니다.

제가 생각하는 핵심은 이렇습니다: 후보자는 언제든지 평이한 언어로 자신이 어떤 기준으로 평가받았는지, 그리고 대략 왜 그 결과에 도달했는지를 이해할 수 있어야 합니다. 근본적인 수학이나 모델 가중치 출력이 아니라, 좋은 매니저가 직접 대면해서 말해 주는 것과 비슷합니다: 우리가 찾던 역량은 이것이고, 당신이 강점이었던 부분은 이것이며, 이번에는 가장 적합하지 않았던 부분은 이것입니다. 이는 완전히 합리적인 기준이며, 이 기준을 충족하지 못하는 시스템은 사람의 생계에 관한 결정을 내릴 자격이 없습니다.

따라서 우리에게 설명 가능성은 처음부터 아키텍처에 내재되어야 합니다. 추적할 수 없는 것을 설명할 수 없기 때문입니다.

제가 조금 반박하고 싶은 부분은 설명 가능성이 후보자에게 모델 작동 방식에 대한 기술 교육을 요구한다는 생각입니다. 이는 잘못된 기준이며, 실제로는 설명될 수 있도록 설계되지 않았을 때 흔히 변명으로 사용됩니다. 좋은 의사는 진단의 생화학적 과정을 설명하지 않고, 발견한 내용과 그것이 환자에게 의미하는 바를 알려줍니다. 채용에서 AI도 인간이 읽을 수 있는 정직함이라는 동일한 기준을 적용해야 합니다.

진정한 테스트는 제가 인간 감독에게 적용하는 것과 동일합니다: 후보자가 “왜 진행되지 않았나요?”라고 물었을 때 구체적이고 정직하며 본인에게 해당되는 답변을 받을 수 있겠습니까? AI가 그런 답변을 제공하지 못한다면, 설명 가능한 시스템을 구축하지 않은 것입니다. 아무도 묻지 않기를 바라는 시스템을 만든 셈입니다.

기업들은 종종 직원과 관리자가 AI 도구를 사용하고 있는지에 초점을 맞추지만, 실제로 그 결과를 신뢰하는지는 간과합니다. 조직이 기술에 대한 진정한 신뢰 없이 AI 도입을 이루었다는 것을 나타내는 경고 신호는 무엇일까요?

채택은 가장 쉽게 조작할 수 있는 지표이며, 바로 그 때문에 많은 기업이 이를 성공으로 착각합니다. 제가 모든 직원이 AI 도구를 “사용하고 있다”고 말한다면, 그것이 그들이 도구를 신뢰한다는 것을 거의 의미하지 않습니다 — 단지 의무이거나 가장 쉬운 방법이기 때문이거나, 아직 회피할 방법을 찾지 못했기 때문일 수 있습니다.

첫 번째 경고 신호는 우회 행동입니다. 사람들이 AI 도구를 사용하면서도 조용히 기존 프로세스를 병행하고 있다면 — 출력물을 수동으로 재검증하고, 별도의 메모를 유지하며, 혹시 모를 상황에 대비해 그림자 시스템을 운영한다면 — 이는 보험 정책이 붙은 준수 행위에 불과합니다. 사용량 수치는 훌륭해 보이지만, 실제로는 모두가 도구가 틀릴 수도 있다고 생각하고 있습니다.

두 번째는 침묵입니다. 진정으로 신뢰하는 문화에서는 무언가 이상하게 보이면 시스템에 도전하고 질문을 제기하며, 부적절한 결과를 표시합니다. 채택은 이루어졌지만 신뢰가 없을 때는 그 반대가 나타납니다. 사람들은 싸울 가치가 없다고 판단해 질문을 멈추고, 그 침묵은 리더십에 의해 만족으로 오해됩니다. 실제로는 포기의 신호입니다.

세 번째 경고는 설문조사에서 사람들이 말하는 것과 서로에게 이야기하는 것 사이의 차이입니다. 공식 채택 대시보드가 전반적으로 녹색인데, 휴게실에서 실제 대화가 “네, 우리는 그냥 말하는 대로 하는 게 논쟁보다 쉬우니까요”와 같은 경우라면, 이는 전환되지 않은 문화라는 뜻입니다.

가장 깊은 경고 신호이자 나에게 가장 중요한 것은 사람들이 전혀 자신의 판단을 제시하지 않게 되는 경우입니다. 이는 포기입니다. 도구에 대한 진정한 신뢰는 자신의 전문성이 다른 결론을 제시할 때에도 여전히 이의를 제기하고 안전하게 의견을 표출할 수 있다는 의미입니다. 만약 관리자가 조용히 AI가 말하는 대로만 따르게 된다면, 여러분은 의존성을 구축한 것입니다.

따라서 진정한 테스트는 “사람들이 사용하고 있는가”가 아니라 “선택 사항이라면 사람들은 계속 사용하고 싶어 할까, 그리고 도구가 실수를 했을 때 솔직히 알려줄까”입니다. 대부분의 기업은 이 두 질문을 실제로 묻지 않았습니다. 이것이 보통의 단서가 됩니다.

AI 채용 도구는 인간 채용 담당자가 할 수 없는 규모와 일관성으로 후보자를 평가할 수 있지만, 채용에는 맥락과 뉘앙스가 필요합니다. 오늘날 AI가 인간 판단을 능가할 수 있는 영역은 어디이며, 인간이 여전히 필수적인 영역은 어디라고 보십니까?

AI는 후보자의 배경과 경험에 관계없이 대규모 후보 풀을 평가하고, 특정 요구가 있는 후보에게 맞춤형 평가를 제공하는 훌륭한 도구가 될 수 있습니다. 인간 채용 담당자는 상위 대학 출신이거나 이전에 건강 문제가 없었던 후보자를 더 선호할 가능성이 있습니다. AI는 수백 건의 지원서를 다룰 때 인간이 할 수 없는 공정하고 동등한 평가를 수행합니다. 그렇지만 후보자가 기업 문화에 적합한지, 고객이 요구하는 기준을 충족하는지는 여전히 인간 판단이 필수적입니다.

AI가 채용, 코칭, 성과 관리 및 기타 인력 의사결정에 깊이 통합됨에 따라, AI 지원 결정이 불공정하거나 잘못된 결과를 초래했을 때 책임 구조는 어떻게 설정되어야 할까요?

AI에 대한 책임은 인간이 최종 의사결정자를 유지하면서 채용 워크플로에 투명성, 설명 가능성 및 엄격한 편향 테스트를 포함할 때 유지됩니다. 우리는 책임 있는 AI 관행을 촉진하기 위해 FAIR™ 모델을 출시했습니다. 이 모델은 다음을 권고합니다:

• 편향 없음: 편향을 테스트하고 4/5 규칙, 오류율 동등성 및 기타 관련 편향 테스트와 같은 적절한 통계적 측정을 사용하여 결과가 공정한지 확인합니다.
• 타당성: AI 기반 증거는 실제 데이터에 기반하며 예측하려는 결과와 연결됩니다.
• 설명 가능성: 결과를 해석할 수 있는 명확한 문서와 도구를 갖추고, AI가 후보자에 대해 식별한 내용과 그것이 점수에 어떻게 기여했는지를 명시합니다.
• 포용성: 이는 지원 단계부터 의사결정까지 후보자가 전체 과정에서 공정하게 대우받도록 보장하는 것을 의미합니다. 채용 경험 전반에 걸친 사람, 프로세스, 기술 및 AI가 함께 작동하는 종단‑끝 관점을 제공합니다.

앞으로 AI가 HR 시스템 내에서 주로 의사결정 계층으로 자리잡을 것이라고 보십니까, 아니면 후보자와 직원이 기회를 더 잘 이해하고, 기술을 개발하며, 경력을 탐색하도록 돕는 대화형 역할이 더 중요해질 것이라고 보십니까?

가장 첨단 기술조차도 인간의 손길, 인간의 판단, 그리고 인간의 감독이 필요합니다. AI는 이 과정을 지원하여 모든 후보자가 공정하고 동등한 기회를 얻을 수 있도록 합니다. Sapia에서는 이를 “인간-루프 접근 방식”이라고 부르며, 인간과 기계 지능을 결합해 예측 가능하고 책임감 있으며 개인화된 스마트 채팅 경험을 만들고 있습니다. 이를 위해 우리는 고객을 온보딩하여, 정확성과 공정성을 지속적으로 검증하면서 AI 모델이 시간이 지남에 따라 발전하도록 가르칩니다.

우리의 인간 중심 접근 방식은 후보자에게 제공하는 내용에도 반영됩니다. 우리는 최근 Phai라는 경력 코치를 출시했으며, 이는 멘토 역할을 수행해 구직자에게 개인화된 안내, 강점 매핑 및 면접 준비를 제공하여 다음 기회를 자신 있게 맞이할 수 있도록 돕습니다. 이는 면접 결과와 관계없이 후보자의 동기를 유지시키는 긍정적인 도구입니다.

훌륭한 인터뷰에 감사드립니다. 더 자세히 알고 싶으신 독자분들은 Sapia.ai를 방문해 주세요.