AI 채용 트렌드 분석, 기업 공고로 유료 서비스 만들기

기업이 AI를 어디에 쓰려는지, 채용 공고만으로 읽어낼 수 있을까. 클코단에서는 소비자 취향을 맞추는 서비스보다 기업의 인력 확보 움직임을 추적하는 사업에 관심이 제기됐다. 채용 데이터 업체들이 기술 수요 분석을 제공하는 지금, 작은 팀이 만들 제품과 공고 해석의 한계를 살펴봤다.

채용 공고에서 기업 전략을 읽는 사업은 이미 있다

LinkUp은 기업 채용 페이지에서 직접 공고를 수집한다. 신규 등록·수정·삭제 정보도 제공한다고 설명한다. 경쟁사의 모집 직무와 지역을 비교하는 기업 분석도 공식 활용 사례에 포함한다. 방에서 제안된 아이디어는 이미 존재하는 채용 데이터 시장과 연결된다.

Lightcast는 공고에 정부 통계와 경력 데이터를 결합한다. 공식 데이터 소개에 따르면 회사명·직무명·기술 표현을 표준화하고 중복도 처리한다. 자동 분류는 전문가가 검토한다고 설명한다. 두 업체의 차이는 수집 목록보다 고객에게 제공하는 분석 범위에서 드러난다.

그렇다고 작은 서비스의 사업성이 입증된 것은 아니다. 기업별 기록을 오래 쌓는 데 가치가 있다는 의견은 방에서 나왔다. 다만 구매 고객이나 지불 의사가 확인된 사례는 제시되지 않았다. 데이터 업체의 존재는 시장의 근거이며, 새 제품의 매출을 보장하는 근거는 아니다.

AI라는 단어의 개수와 도입 수준은 다르다

LinkUp이 최근 소개한 스위스 채용 공고 연구는 이 구분을 보여준다. 연구진은 공고 본문에서 기술과 미래 지향적 표현이 함께 등장하는 자료를 골라 기술별 언급과 산업 분포를 분석했다. 해당 표본에서는 AI 언급이 많았다. 반면 클라우드는 산업별로 더 고르게 퍼져 있었다.

많이 등장하는 기술과 널리 쓰이는 기술은 같은 순위가 아니었다.

이 결과를 한국 기업 전체의 AI 도입률로 옮길 수는 없다. 특정 국가와 기간, 특정 표현을 포함한 공고를 분석했기 때문이다. 작은 서비스에서도 수집한 사이트가 어느 업종에 치우쳤는지에 따라 결과가 달라진다.

가령 개발 업무 설명에 모델 학습이 적힌 경우와, 회사 소개에 AI 기업이라는 표현만 붙은 경우는 구분해야 한다. 업무상 활용 능력, 모델 개발 업무, 회사 홍보 문구를 별도 항목으로 분류하는 방식이 가능하다. 이때 분류 근거가 된 문장을 함께 저장해야 독자가 판단을 다시 확인할 수 있다.

Claude Code로 만들 때 입력과 산출물을 정하는 법

Greenhouse의 Job Board API는 첫 수집 경로를 구체화할 수 있는 공식 사례다. 문서에 따르면 공개 공고를 조회하는 GET 요청에는 인증이 필요하지 않는다. 공고 목록 요청에 `content=true`를 붙이면 본문과 부서, 사무소 정보도 포함된다.

요청 경로는 `GET /v1/boards/{board_token}/jobs?content=true`다. 여기서 `board_token`은 대상 기업의 Greenhouse 채용 게시판을 가리킨다. 응답에는 공고 식별자, 제목, 수정 시각, 원문 주소 등이 들어온다. 공개 조회 기능과 상업적 재배포 허용은 별개이므로, 이용 범위는 따로 확인해야 한다.

이를 이용한 최소 제품은 다음처럼 설계할 수 있다. 수집 대상 게시판 목록을 `companies.csv`에 넣고, 날짜별 응답을 JSON으로 보관한다. 같은 공고의 이전 기록과 새 기록을 비교한 뒤, AI 관련 업무와 요구 기술을 추출한다. 산출물은 기업별 신규 공고, 요구 기술 변경, 근거 문장, 원문 주소를 담은 보고서다.

이 구성이 방에서 완성됐다는 제품을 그대로 재현한 것은 아니다. 공식 API를 바탕으로 제안하는 구현 예시일 뿐이다. Anthropic은 Claude Code가 파일을 읽고 수정하며 명령을 실행하는 개발 도구라고 설명한다. 수집기와 비교 코드를 만들 때 이 기능을 활용할 수 있다.

개발 요청에는 입력 파일, API 경로, 저장 항목, 비교 기준을 명시하면 된다. 예를 들어 사라진 공고는 채용 완료가 아니라 목록에서 미확인된 상태로 기록하도록 요구한다. 결과 검증에서는 원문 일부와 추출 결과를 대조한다. 같은 데이터를 다시 처리했을 때 중복이 생기는지도 확인한다.

국내 데이터를 붙이면 수집 범위부터 달라진다

공공데이터포털에는 한국고용정보원의 워크넷 채용정보 API와 기관별 채용 자료가 등록돼 있다. 워크넷 항목은 채용 목록과 상세정보를 제공하는 서비스로 소개된다. 국내 기관의 공고를 모두 같은 API에서 같은 형식으로 얻을 수 있다는 의미는 아니다.

작은 팀이라면 자료별 제공 항목과 갱신 주기부터 확인해야 한다. 비교할 수 있는 대상부터 묶는 설계가 현실적이다. 기업명, 직무, 근무지, 본문, 게시 시점의 확보 여부를 기록해야 한다. 본문이 없는 자료에서는 요구 기술을 추출할 수 없다. 과거 자료가 없다면 관측 이전의 변화도 복원할 수 없다.

공공·금융 분야는 별도의 구분도 필요하다. AI 개발자를 뽑는 기관과 지원자 심사에 AI를 사용하는 기관은 서로 다른 분석 대상이다. 두 가능성은 방에서 함께 언급됐다. 다만 특정 기관의 실제 도입을 확인할 근거는 없었다.

Greenhouse 문서에는 지원서와 직무 요건을 비교하는 AI 기능의 안내 필드가 별도로 등장한다. 지원자 평가 기술의 사용 여부와 채용하려는 사람의 역량은 데이터에서도 나눠 다룰 수 있다. 금융권 공고에 AI 직무가 있다는 이유로 해당 기업의 채용 심사가 자동화됐다고 쓰면 분석 대상이 뒤바뀐다.

유료 가치는 변화의 근거를 확인하는 데 있다

독자에게 유용한 산출물은 AI 관련 공고가 많은 기업 목록에서 한 단계 더 나아간다. 예를 들어 AI 교육을 파는 사업자라면, 기존 직무에 새로운 활용 역량이 추가된 기업을 따로 살펴볼 수 있다. 개발 대행사는 모델 운영이나 데이터 구축 업무가 명시된 공고를 잠재 수요의 단서로 삼을 수 있다.

다만 채용 의향이 외주 구매 의향을 뜻하지는 않는다. 이런 보고서가 영업 시간을 줄였는지, 고객이 원문 확인에 썼던 수고를 덜었는지가 제품 검증의 질문이다. 누가 구매할지 정하지 않은 채 공고 수만 늘려서는 방에서 기대한 데이터 자산의 가치를 설명하기 어렵다.

집계 방식도 보고서의 신뢰를 바꾼다. Greenhouse는 공고의 식별자와 실제 직무의 식별자를 구분한다. 일반적인 인재 등록용 게시물도 별도로 설명한다. 게시물 개수를 그대로 채용 인원으로 읽으면 API가 구분한 의미부터 잃는다.

그래서 변화 알림에는 신규 게시, 본문 수정, 재등장, 조회 실패를 구별할 필요가 있다. 반복 노출을 사업 확장으로, 일시적인 미조회를 채용 종료로 해석하지 않도록 만드는 장치다. 고객에게 보여줄 숫자가 어떤 관측에서 나왔는지도 남아야 한다.

이 사업이 설득해야 할 고객은 반복해서 기업의 변화를 확인하는 사람이다. 어느 기업의 어떤 요구가 바뀌었는지, 무엇을 근거로 그렇게 분류했는지 되짚을 수 있어야 한다. 고객이 그 기록으로 조사 시간을 줄이고 판단을 수정할 수 있을 때, 축적한 공고는 판매할 서비스가 된다.