채용·SAP·반도체·법무, 직무별로 본 AI 자동화 현주소

채용공고부터 이력서 종합까지, HR 실무가 먼저 움직였다

채용 담당자 사이에서 시작된 질문은 단순했다. "직무마다 AI를 실제로 어떻게 쓰고 있나." 채용 공고를 자동으로 올리고 지원자 이력서를 종합 정리하고 채용 트렌드를 수집하는 작업은 이미 손에서 AI로 넘어갔다. 그런 경험담이 방에서 오갔다.

국내 상위 100대 기업 가운데 약 73%가 AI 기반 채용 솔루션을 도입했거나 도입을 검토 중이라는 조사 결과가 있다. 해외에서도 채용 과정에 AI를 활용하는 기업 비율이 2024년 26%에서 2025년 43%로 뛰었다. 2026년에는 기업 80%가 채용 과정 일부에 AI를 쓸 것이라는 전망도 나온다. 키워드 매칭을 넘어 맥락을 이해하는 자연어 처리로 서류 심사와 역량 분석, 입사 후 성과 예측까지 손을 뻗는 추세다.

ATS에 MCP를 물리면 무엇이 달라지나

방에서 나온 이야기 중 가장 구체적인 건 내부 ATS 시스템에 MCP를 연동해 실제 채용 맥락을 반영한 백테스트를 진행 중이라는 사례였다. Anthropic이 2024년 말 공개한 MCP는 AI가 외부 시스템에 붙는 방식을 표준화한 개방형 프로토콜이다. 공개 서버가 9400개를 넘고 월간 SDK 다운로드가 9700만 건에 이를 만큼 빠르게 퍼졌다. 채용 소프트웨어 쪽에서도 승인된 AI 도구가 권한 범위 안에서 ATS 데이터에 접근해 지원자 요약이나 병목 분석을 자동화하는 연동 구조가 나오고 있다. 일부 도입 기업은 채용 소요 시간을 40~70% 줄였다고 밝힌다.

과거 채용 데이터를 그대로 백테스트에 쓴다는 건 AI가 실제로 뽑을 만한 사람을 골랐는지 검증하겠다는 뜻이다. 다만 이 지점이 그대로 규제 대상이기도 하다. 한국 AI기본법은 채용처럼 개인의 권리에 중대한 영향을 미치는 판단을 '고영향 AI'로 분류해 2026년 1월 22일부터 규제하고 있다. 고영향 AI로 분류되면 판단 기준을 설명할 수 있어야 하고 결과에 사람의 검토가 반드시 들어가야 한다.

지원자 입장에서 나오는 반응은 결이 다르다. AI가 역량보다 키워드를 우선할 거라는 우려, 좁은 기준에 안 맞으면 사람이 이력서를 보지도 않을 거라는 불신이 여전히 크다. 채용 담당자들 사이에서도 속도는 확실히 빨라졌다. 다만 그만큼 결과물을 검증하는 부담이 새로 생겼다는 반응도 적지 않다.

SAP 리포트, 개발자 없이 현업이 DB를 직접 두드리다

방에서는 SAP 리포트 작업을 AI가 대신하면서 훨씬 편해졌다는 경험도 공유됐다. 개발자를 거치지 않고 현업이 직접 데이터베이스를 조회하는 방식이다. SAP가 내놓은 AI 코파일럿 Joule이 이 흐름과 맞닿아 있다. 자연어로 "이번 달 외상매출금이 가장 많은 고객을 알려줘" 같은 질문을 던지면 실시간으로 데이터를 조회해 요약해 준다.

Joule의 핵심은 RAG(검색 증강 생성) 구조다. 언어 모델이 지어낸 답이 아니라 실제 SAP 데이터에서 찾은 값으로 답하도록 설계돼 있다. 그래서 결산이나 손익, 고객잔액 같은 민감한 수치를 다룰 때도 실제 업무 데이터와 어긋나지 않게 맞춘다. 예전에는 리포트 한 건을 뽑으려 개발팀에 티켓을 넣고 며칠을 기다려야 했다. 지금은 현업이 질문을 던지고 몇 분 안에 답을 받는다.

반도체 설계는 이미 ROI를 말하는 단계

반도체 설계 분야에서는 AI가 이미 작업에 들어가 ROI를 말하는 단계라는 언급이 방에서 나왔다. 눈에 띄는 대목이었다. 실제로 시높시스는 자사 EDA 솔루션에 얹은 '시높시스.ai 코파일럿'으로 설계 생산성이 2~5배 빨라졌다고 밝히고 있다. 문서 검색과 스크립트 생성은 수시간에서 수분으로 줄었다. 정형 검증과 RTL 코드 생성을 아우르는 생성형 AI 기능은 며칠 걸리던 검증 주기를 분 단위로 당겨 생산성을 35% 이상 끌어올렸다는 수치도 나온다. 경력이 짧은 엔지니어의 적응 속도도 30% 빨라졌다는 설명이다.

케이던스 역시 EDA에 에이전트 기능을 얹어 사람이 수작업으로 하던 검증·최적화 공정을 AI로 넘기는 방향으로 가고 있다.

다만 설계 현장의 반응이 전부 낙관적인 건 아니다. 설계 목표를 정하는 과정 자체가 여러 사람의 조율을 필요로 한다. 반도체 설계 특유의 순차적 의사결정 구조 때문에 AI가 완전히 자율적으로 설계를 끝내는 수준까지는 아직 멀었다는 회의적인 시각도 엔지니어들 사이에 있다. 속도는 확실히 빨라졌다. 다만 결정을 누가 최종적으로 내리느냐는 문제는 그대로 남아 있다는 얘기다.

법무·세무는 이제 막 시작하는 단계

방에서는 법무법인과 세무법인의 AX(AI 전환)를 살펴보고 있다는 의견도 나왔다. 이 두 업종은 채용이나 반도체 설계보다 확산 속도가 느리다. 지난 6월 서울에서 열린 리걸테크 행사는 아예 'AI 전환의 최전선'을 주제로 내걸었다. 김앤장과 율촌을 비롯한 대형 로펌이 참여했다. 국내 로펌 중에는 24시간 AI 상담 서비스를 운영하며 야간·주말에도 즉시 답변을 내놓는 곳도 등장했다.

회계·세무 쪽은 이미 숫자로 성과를 보여주는 단계에 가깝다. 삼일PwC는 AI 어카운턴트와 문서 처리 AI를 도입해 연간 20만 시간을 절감했다고 밝혔다. 세금 신고를 자동화한 한 스타트업 솔루션은 처리 시간을 5시간에서 30분으로 줄였다는 사례도 내놓았다. 국내 기업의 95%가 재무·회계·감사 업무에 AI 도입이 필요하다고 답했다. 실제 도입률도 전년보다 11%포인트 늘었다. 정부도 AI 자동화 투자에 세액공제를 주는 방식으로 이 흐름을 밀고 있다.

채용과 반도체 설계처럼 ROI가 숫자로 나오는 직무가 있는가 하면, 법무·세무처럼 이제 막 도구를 살펴보기 시작한 직무도 있다. 그 격차를 가르는 건 기술 자체보다 그 직무가 다루는 데이터가 얼마나 정형화돼 있는지, 결과에 대한 책임을 누가 지느냐가 얼마나 명확한지다. 채용 분야에서 고영향 AI 규제가 실제로 어떻게 작동하는지가 다른 직무의 AI 도입 속도를 가늠할 다음 시험대다.