서치라이트AI 인재 리스트 제작 프로세스 6단계

"AI 리크루터를 쓴다"는 말은 많이 들어봤지만, 실제로 AI 채용 솔루션이 인재 리스트를 어떻게 만드는지 그 과정을 처음부터 끝까지 본 적은 거의 없으실 겁니다.

먼저 오해를 풀겠습니다. 서치라이트AI 다이렉트 소싱의 리스트는 AI가 자동으로 뽑아주는 결과물이 아닙니다. 채용 도메인을 이해하는 사람이 설계하고, AI가 실행하고, 다시 사람이 판단하는 과정의 결과물입니다. AI는 속도를 담당하고, 사람은 정확도를 담당합니다.

핵심 결과물인 '인재 리스트'에는 포지션별 최적합 후보자 50명 이상이, 역량 태그와 적합 사유, 추천 순위까지 포함되어 있습니다.

이 글에서는 실제 고객 프로젝트를 기반으로, 리스트 하나가 만들어지는 전 과정을 공개합니다!

➡️서치라이트AI 서비스 프로세스를 한눈에 보고 싶다면?

실제 프로젝트: 플랫폼 기업 A사의 '광고 PO' 채용

A사는 자체 플랫폼에서 광고 사업을 운영하는 기업으로, 글로벌 확장을 추진하며 광고 서비스 프로덕트 오너(PO) — 쉽게 말해, 광고 제품의 총책임자 — 를 찾고 있었습니다. 광고 상품 기획부터 광고 관리 시스템 설계까지, 광고주와 이용자 양쪽의 경험을 동시에 개선할 시니어 PO가 필요한 상황이었습니다.

STEP 1. 포지션 정의 — "누구를 찾아야 하는가"를 구조화합니다

리스트 작업의 시작은 고객사 현업 리더와 내부 채용 전문가의 대화에서 출발합니다. 포지션 정의 미팅을 통해 JD(채용공고)만 받는 것이 아니라, JD에 쓰여 있지 않은 맥락까지 끌어냅니다:

• 포지션 브리핑: 이 포지션이 실제로 무엇을 하는 자리인지
• 적합 후보자: 필수 조건, 우대 조건, 선호 업종 등
• 부적합 후보자: 명확한 지양 케이스 등

A사의 경우, 이렇게 정리되었습니다:

여기서 핵심은 "지양 케이스"의 명시입니다. 대부분의 채용 공고는 "원하는 사람"만 정의하고 시작합니다. 하지만 "이런 사람은 아니다"까지 명확히 정의해두면, 이후 AI 스크리닝에서 경계선 판단의 정확도가 올라갑니다.

STEP 2. 서칭 인사이트 추출 — 채용공고를 검색 가능한 언어로 번역합니다

포지션이 정의되면, 이를 실제 검색 가능한 키워드와 조건으로 변환합니다. 이 과정을 '서칭 인사이트 추출'이라고 부릅니다. 해당 직무 시장을 아는 사람의 경험이 키워드의 정밀도를 결정합니다.

A사 프로젝트에서 추출된 서칭 인사이트:

이번 사례의 핵심은 "데이터 드리븐"의 구체화입니다. 단순히 "데이터 기반 의사결정"이 아니라, "정량 데이터 기반으로 가설검증을 통해 제품 기획 및 고도화한 경험"으로 세분화했죠.

• "광고를 파는 쪽(SSP)과 사는 쪽(DSP)의 차이를 아는가"
• "판매자 관리 도구와 광고 관리 도구가 왜 다른 제품인지 이해하는가"

이런 도메인 감각이 없으면 키워드를 잘못 설계합니다. 키워드가 잘못되면 아무리 좋은 AI를 써도 엉뚱한 사람이 검색됩니다. 검색의 품질은 키워드 설계자의 도메인 전문성에 달려 있다고 해도 과언이 아닙니다.

STEP 3. Boolean 서칭 — 분산된 인재 데이터에서 후보 풀을 구성합니다

서칭 인사이트가 정리되면, 이를 불리언(Boolean) 검색 쿼리로 변환하여 인재 탐색을 실행합니다. 불리언 검색이란, "이 단어 OR 저 단어"처럼 여러 키워드를 조합해서 한 번에 검색하는 방식입니다. 링크드인 같은 인재 DB에서 조건에 맞는 사람을 빠르게 찾아내는 핵심 도구입니다.

아래는 실제 프로젝트에서 사용한 검색 쿼리입니다. 처음 보면 복잡해 보이지만, 핵심은 단순합니다 — "이 키워드 중 하나라도 프로필에 있는 사람을 찾아라"는 뜻입니다.

1차 서칭 — 광고 도메인 직접 경험자

("Ad Platform" OR "광고 플랫폼" OR "광고" OR "Ads" OR "AD Tech"
OR "ADTech" OR "SSP" OR "DSP" OR "DMP" OR "Ad Network"
OR "광고 센터" OR "타겟팅 광고" OR "보상형 광고")

• 직무: Product Manager / Product Owner / PO / 서비스 기획 (현직)
• 지역: South Korea
• 결과: 171명

2차 서칭 — 인접 도메인(커머스/플랫폼) 경험자로 확장

("이커머스" OR "e-commerce" OR "ecommerce" OR "커머스" OR "쇼핑"
OR "마켓플레이스" OR "marketplace" OR "셀러 센터" OR "셀러툴"
OR "seller center" OR "상품 광고" OR "리테일 미디어" OR "retail media")

• 결과: 73명 추가

총 244명의 후보 풀이 구성되었습니다.

1차에서 광고 도메인 직접 경험자를 먼저 확보하고, 2차에서 인접 도메인(커머스, 마켓플레이스)까지 넓혀서 "광고 PO로 전환 가능한" 인재까지 포착합니다.

"이커머스 셀러 센터를 만들어본 PM은 광고 센터도 설계할 수 있다"는 판단, "리테일 미디어 경험자가 플랫폼 광고 PO로 전환 가능하다"는 판단 — 이것은 알고리즘이 내리는 판단이 아닙니다. 인접 도메인 간의 역량 전이 가능성을 아는 사람만이 2차 서칭의 방향을 설계할 수 있습니다. AI는 이 설계된 쿼리를 실행하는 역할일 뿐이죠.

STEP 4. 판단 루브릭 설계 — AI에게 "어떻게 판단할지"를 가르칩니다

244명을 사람이 하나하나 읽을 수는 없습니다. 여기서 AI가 투입됩니다.

하지만 AI는 스스로 "이 사람이 좋은 광고 PO인가"를 판단할 수 없습니다. "무엇을 기준으로, 어떤 가중치로 평가할 것인가"를 사람이 먼저 설계해야 합니다. 이것을 판단 루브릭(Rubric)이라고 부릅니다.

쉽게 말하면, 시험의 채점 기준표입니다. "이 항목은 30점, 저 항목은 25점, 몇 점 이상이면 합격" — 이런 구조를 AI에게 주는 것입니다.

루브릭은 해당 포지션의 채용을 여러 번 해본 사람, 그 직무가 실제로 어떻게 작동하는지 아는 사람만이 설계할 수 있습니다. "광고/플랫폼 도메인 경험에 30%를 줄 것인가, 20%를 줄 것인가"는 기술의 문제가 아니라 도메인 전문성의 문제입니다.

A사 프로젝트에서 실제로 사용한 채점 기준표입니다. 5개 항목에 가중치를 다르게 배분하고, 각 항목별로 "적합/경계선/부적합"의 기준을 구체적으로 정의합니다:

필수 기준 (가중치 합계 100%)

우대 기준 (가산점)

• 글로벌/외부 채널 경험
• 백오피스/어드민 시스템 경험
• 성장 조직 적응력

결정론적 제외 조건

• 최근 이직 5개월 이하
• 기능 나열 중심 경험만 보유
• 비즈니스 임팩트 증거 부재

이 루브릭이 AI 스크리닝의 판단 기준표 역할을 합니다. 같은 AI라도 루브릭이 정밀할수록 결과가 달라집니다. 결국 AI의 품질을 결정하는 것은 AI 자체가 아니라, 루브릭을 설계하는 사람의 전문성입니다.

STEP 5. AI 스크리닝 — 244명을 83명으로 압축합니다

루브릭이 설계되면, 자체 AI 에이전트가 2단계로 스크리닝을 수행합니다.

1차 스크리닝: 도메인 미스매치 제거

경량 AI 모델이 244명을 빠르게 훑어, 명백한 도메인 미스매치를 제거합니다.

제거 사유 예시:

• "금융 도메인 PM, 광고/플랫폼 경험 부재" -> 제외
• "의료기기 PM, B2B 경험만, 양면 플랫폼 경험 없음" -> 제외
• "제약 마케팅 PM, 플랫폼 경험 없음" -> 제외

1차에서 19명이 제거되었습니다. 모두 광고/커머스/플랫폼과 완전히 다른 도메인(제약, 의료기기, 금융, 제조 등)의 경력자였습니다.

2차 스크리닝: 심층 평가 + 기업 맥락 증강

고성능 AI 모델이 나머지 후보를 루브릭 기준별로 심층 평가합니다.

이 단계에서 핵심적인 차별점은 기업 맥락 보강입니다. 후보자의 이력서만 보는 것이 아니라, 그 사람이 다녔던 회사가 어떤 회사인지 — 업종, 규모, 성장 단계 — 를 외부 데이터에서 가져와 평가에 반영합니다.

예를 들어, 이력서에 "A사 PM 3년"이라고만 적혀 있으면 판단이 어렵습니다. 하지만 "A사는 이커머스 플랫폼이고, 시리즈C 투자를 받았고, 월 거래액이 500억 이상"이라는 맥락이 더해지면, 이 후보자가 어떤 규모와 복잡도의 제품을 다뤄봤는지 추론이 가능해집니다.

STEP 6. 최종 리스팅 — Tier 분류와 사람의 최종 판단

AI 스크리닝이 끝나면, 루브릭 기준별 점수를 태그로 변환합니다.

• 7점 이상: 해당 역량 태그 부여
• 5~6점: 경계선 — 사람이 직접 프로필을 보고 판단
• 4점 이하: 해당 역량 해당사항 없음

그 결과 최종 83명의 추천 후보 리스트(숏리스트)가 완성되었습니다:

여기서 AI와 사람의 역할 분담이 가장 명확하게 드러납니다:

• AI가 한 일: 244명을 루브릭 기준으로 평가, 점수화, Tier 분류, 제외 사유 자동 생성
• 사람이 한 일: 루브릭 설계, 경계선(5~6점) 후보 직접 검토, 2순위 이하 전원 프로필 확인, 최종 Tier 확정

1순위 후보들은 AI 평가의 신뢰도가 높았습니다. 하지만 2순위부터는 사람이 한 명 한 명 프로필을 직접 확인합니다. 이 구간의 후보들은 대부분 정보가 부족하거나, 경력이 독특해서 AI가 확신할 수 없는 케이스입니다.

예를 들어, 이력서에 "서비스 기획"이라고만 적혀 있는데, 실제로는 광고 상품의 매출 구조를 설계한 경험이 있을 수 있습니다. 반대로, 화려한 이력이지만 실제로는 기능 나열형 기획만 해본 사람일 수도 있습니다.

AI에게 전부 맡기면 이 구간에서 좋은 인재를 놓치거나, 부적합한 인재가 포함됩니다. 서치라이트AI 다이렉트 소싱의 설계 원칙은 명확합니다: AI는 확실한 것을 빠르게 처리하고, 사람은 불확실한 것을 정밀하게 판단합니다.

리스트의 완성 — 고객이 받는 결과물

최종 리스트에는 후보자별로 다음이 포함됩니다:

• 기본 프로필 (경력, 학력, 현 소속)
• 역량 태그 (루브릭 기준별 해당 여부)
• 적합 사유 (왜 이 후보가 이 포지션에 맞는지)
• 추천 Tier (1/2/3순위)
• AI 초개인화 컨택 메시지 (이 후보에게 보낼 1:1 맞춤 메시지)

A사 프로젝트의 경우, 리드 접수(2/26)부터 리스트 작업 완료까지 약 1주일이 소요되었습니다. 전통적인 헤드헌팅이 같은 규모의 후보 풀을 구성하는 데만 4~6주가 걸리는 것을 감안하면 매우 효율적이라는 걸 알 수 있습니다.

결론: AI 채용의 핵심은 "사람의 전문성을 얼마나 잘 시스템에 담느냐"입니다

리스트 하나가 만들어지는 과정을 처음부터 끝까지 보여드렸습니다. 6단계를 다시 보면, 사람이 개입하지 않는 단계는 없습니다:

1. 포지션 정의 — 사람이 고객사와 대화하며 "찾는 사람의 결"을 구조화합니다
2. 서칭 인사이트 — 사람이 도메인 전문성으로 JD를 검색 가능한 키워드로 번역합니다
3. Boolean 서칭 — 사람이 인접 도메인 간 역량 전이 가능성을 설계합니다
4. 판단 루브릭 — 사람이 평가 기준과 가중치를 설계합니다
5. AI 스크리닝 — AI가 사람이 설계한 기준으로 244명을 평가합니다
6. 최종 리스팅 — 사람이 경계선 후보를 직접 확인하여 Tier를 확정합니다

AI가 단독으로 관여하는 건 5단계뿐입니다. 나머지 5단계는 전부 사람의 도메인 전문성이 결과의 품질을 결정합니다.

서치라이트AI 다이렉트 소싱이 만드는 리스트는 채용을 아는 사람이 설계하고, AI가 실행하고, 다시 사람이 검증한 — 구조화된 채용 판단 과정의 결과물입니다.

핵심 인재 채용, AI에게 전부 맡기기엔 불안하신가요?

서치라이트AI 다이렉트 소싱은 채용 전문가의 판단과 AI의 속도를 결합합니다. 포지션 정의부터 인재 리스트 제작까지, 사람이 함께합니다.

무료 상담 신청하기

자주 묻는 질문(FAQ)

Q. AI 리크루터와 기존 헤드헌팅의 차이는 무엇인가요?

기존 헤드헌팅은 컨설턴트의 네트워크와 경험에 의존합니다. AI 리크루터는 구조화된 판단 기준(루브릭)과 데이터 기반 스크리닝을 결합하여, 더 넓은 후보 풀에서 더 일관된 기준으로 인재를 선별합니다. 핵심 차이는 속도가 아니라 판단의 구조화 수준입니다.

Q. AI가 후보자를 평가할 때 편향(Bias)은 없나요?

AI 단독 평가에는 편향 위험이 있습니다. 서치라이트AI 다이렉트 소싱에서는 사람이 설계한 루브릭으로 평가 기준을 통제하고, 경계선 후보는 전원 사람이 직접 검토합니다. AI는 확실한 판단만 담당하고, 불확실한 판단은 사람에게 넘기는 구조입니다.

Q. 인재 리스트 제작에 얼마나 걸리나요?

포지션 복잡도에 따라 다르지만, 리드 접수부터 리스트 완성까지 평균 1주 소요됩니다. 전통적인 헤드헌팅이 동일 규모의 후보 풀을 구성하는 데 4~6주가 걸리는 것과 비교하면, 구조화된 프로세스의 효율성을 확인할 수 있습니다.