인원보다 업무 변화부터 그려야 한다
AI 인력계획은 사람 수보다 자동화·증강·재설계 뒤의 업무 변화를 먼저 본다. 정원이 줄거나 동결돼도 AI 초안 검수, 예외 처리, 데이터 정리, 프롬프트·보안·승인 업무가 생기므로 headcount 표만으로는 업무량을 설명할 수 없다.
이 글의 결론은 분명하다. AI 인력계획의 단위는 직무명이 아니라 업무 시나리오여야 한다. HRD와 인사전략 담당자는 채용 수요를 묻기 전에 업무를 자동화, 증강, 재설계, 유지, 중단으로 나누고, 각 시나리오별로 build, buy, borrow, bot 선택지를 비교해야 한다. 교육은 이 선택지 중 하나이지, 모든 스킬 갭을 해결하는 만능 처방이 아니다.
정원표를 열기 전에 자동화·증강·재설계 시나리오를 나눈다
AI 시대의 인력계획은 더 이상 연초 정원표를 조금 조정하는 일이 아니다. 사람, 업무, 기술, 외부 인력, 예산, 리스크를 함께 놓고 여러 시나리오를 비교하는 전략 의사결정이다. 채용 인원과 인건비만 보면 AI가 실제 업무 구조를 어떻게 바꾸는지 놓치게 된다.
McKinsey의 HR Monitor 2026은 이 전환이 아직 초기 단계임을 보여준다. 10개국 HR 전문가 1,303명을 조사한 결과, 대부분의 기업은 조직 단위 인력계획을 수행하지만 3년 이상을 내다보는 장기 전략적 인력계획을 하는 곳은 11%에 그쳤다. 이 자료는 생성형 AI가 인간과 기술의 비율을 바꾸고, 조직이 반응적 headcount 조정에서 역량 및 시나리오 기반 인력 의사결정으로 이동해야 한다고 본다.
Deloitte의 2026 Global Human Capital Trends도 같은 방향을 가리킨다. 89개국 9,000명 이상의 비즈니스·HR 리더 조사에서, 비즈니스 리더 10명 중 7명은 향후 3년의 핵심 경쟁전략이 빠르고 민첩한 조직이 되는 것이라고 답했다. Deloitte는 전통적인 비즈니스 성장 곡선이 압축되고 있으며, AI 시대의 가치는 기술만으로가 아니라 인간과 기계가 함께 일하는 방식을 재상상할 때 나온다고 설명한다.
따라서 인력계획은 “AI를 도입하면 몇 명이 남는가”를 묻기 전에 “업무가 어떤 모습으로 바뀌는가”를 물어야 한다. AI가 초안을 만들면 사람은 검토자로 바뀌는가. 고객 문의가 자동 분류되면 상담원은 예외 처리와 감정 대응에 더 집중하는가. 개발자가 코드를 더 빨리 쓰면 보안 검토와 품질 보증 업무는 얼마나 늘어나는가. 이런 질문 없이 headcount만 줄이면 조직은 비용을 줄였다고 생각하지만 실제로는 보이지 않는 업무 부하를 현장에 떠넘기게 된다.
인원 수를 맞춘 조직은 AI 도입 후 더 바빠진다
착시는 세 가지다. 첫째, 자동화는 업무를 없애기보다 초안 검수·약관 확인·민감 표현 수정으로 바꾼다. 둘째, 사용 범위·금지 데이터·인간 검토·품질 기준 없이 도구만 주면 생산성보다 검수 부담이 커진다. 셋째, 교육만으로 업무량·역할·권한·시스템·성과지표는 바뀌지 않는다. 정원 동결 뒤 검수와 예외 처리가 늘고 채용·외주·교육·AI가 중복되는 실패를 막으려면 HRD가 업무 시나리오와 전환 숙련을 함께 설명해야 한다.
AI 인력계획의 단위는 직무명이 아니라 반복 업무 묶음이다
AI는 직무명 전체가 아니라 자료 수집, 초안, 데이터 정리, 고객 분류, 예외 판단, 승인, 리스크 검토, 이해관계자 조율 같은 업무 묶음을 바꾼다.
BCG Henderson Institute의 2026년 분석은 이 점을 잘 보여준다. BCG는 향후 2-3년 안에 미국 일자리의 50-55%가 AI로 재구성될 수 있다고 추정한다. 동시에 이 분석은 자동화 가능성이 곧 일자리 소멸을 뜻하지 않는다고 강조한다. 4-5년 안에 10-15%의 미국 일자리가 잠재적으로 제거될 수 있다는 추정도 제시하지만, 이는 실업 예측이 아니라 현재 AI 역량과 업무 자동화 가능성을 바탕으로 한 시나리오다.
BCG는 과업을 노동 대체 가능성과 수요 확장성으로 본다. 반복 업무는 대체되고, 다른 업무에는 판단·조정·문제 정의가 남으며, 비용 하락이 수요와 새 역할을 늘릴 수도 있다. 업무 인벤토리에는 빈도, 시간, 예외율, 품질, 리스크, 고객 영향, 스킬, 담당자, 시스템을 기록한다. 월말 보고가 자동화돼도 오류·예외·경영진 질문·통제 판단과 이를 위한 품질·소통 교육은 남는다.
자동화·증강·재설계는 서로 다른 교육 처방을 요구한다
업무는 다섯 갈래로 나눈다. 첫째, 규칙적·저위험 업무의 자동화에는 전환 교육·재배치·검수 책임이 필요하다. 둘째, 초안·추천·요약을 쓰는 증강에는 판단·검수·품질 기준이 필요하다. 셋째, 승인·셀프서비스·역할·데이터 흐름을 바꾸는 재설계에는 역할 정의·관리자 가이드·현장 실습·성과지표가 필요하다. 넷째, 의료·금융·제약·안전·개인정보·노동관계의 유지에는 사용 경계와 human-in-the-loop가 필요하다. 다섯째, 불필요한 보고·승인·회의를 중단하려면 의사결정 권한과 운영 기준이 필요하다.
build-buy-borrow-bot 표는 사람을 줄이는 표가 아니라 전환 순서를 정하는 표다
build-buy-borrow-bot은 업무 공백을 내부 육성, 채용, 계약직·파트너, AI agent·자동화로 해결하는 비교표다.
KPMG는 AI agents가 전략적 인력계획에 들어오면서 조직이 인간 인력과 디지털 노동자를 함께 고려해야 한다고 설명한다. KPMG의 관점에서 전략적 인력계획은 가장 중요한 과업, 필요한 스킬, 그 스킬을 인간 또는 디지털 자원 중 어디서 확보할지를 정하는 과정이다. build, buy, borrow, bot은 이 판단을 구조화하는 방법이다.
실무 기준은 네 가지다. 첫째는 시간이다. 내부 육성에 6개월이 걸리는데 사업 기회가 2개월 뒤라면 buy나 borrow가 필요할 수 있다. 둘째는 비용이다. 외부 채용이 비싸고 공급이 부족하다면 내부 전환이나 bot이 현실적일 수 있다. 셋째는 리스크다. 업무가 고객 신뢰, 규제, 안전과 연결되어 있다면 bot 단독 처리보다 사람 검토가 필요하다. 넷째는 전략성이다. 앞으로 조직의 핵심 역량이 될 업무는 외주나 bot에만 맡기기보다 내부에 학습 자산을 남겨야 한다.
HRD는 전환 인력, 현재 스킬, 숙련 시간, 현업 과제, 코칭·학습 여력을 보고 build를 판단한다. buy·borrow를 택해도 표준 업무, 품질, 온보딩, 지식 이전을 설계한다.
| 선택지 | 적합한 상황 | HRD가 확인할 질문 |
|---|---|---|
| Build | 내부 인력이 유사 스킬을 갖고 있고 전환 시간이 허용될 때 | 누가 전환 가능한가, 몇 주 안에 어떤 과제를 통과해야 하는가 |
| Buy | 시장에서 즉시 필요한 전문성을 확보해야 할 때 | 채용 후 내부 업무 맥락을 어떻게 빠르게 학습시킬 것인가 |
| Borrow | 수요가 일시적이거나 특수 전문성이 필요할 때 | 외부 인력의 산출물을 내부 역량으로 어떻게 전환할 것인가 |
| Bot | 반복성과 데이터 접근성이 높고 리스크가 통제될 때 | 어떤 업무를 AI가 처리하고 어떤 지점에서 사람이 승인하는가 |
표의 목적은 bot·증강·외부 보완·내부 육성의 전환 순서를 정하는 것이다.
HRD는 미래 조직도보다 전환 가능한 경로를 증명해야 한다
HRD는 자동화 뒤 이동 경로, 증강 뒤 검수·판단 역량, 새 AI 운영·데이터 검증·예외 처리 담당자를 설명해야 한다.
HRD가 맡아야 할 일은 다섯 가지다. 첫째, 핵심 업무를 과업 단위로 쪼개고 자동화·증강·재설계 후보를 정리한다. 둘째, 전환 가능한 직원군과 필요한 브릿지 교육을 산정한다. 셋째, build-buy-borrow-bot 선택지별 교육 비용과 전환 리스크를 제시한다. 넷째, 이동 배치 전후의 실습 과제, 관리자 피드백, 적응 지표를 설계한다. 다섯째, 인력계획 회의에서 교육으로 해결 가능한 공백과 채용·외주·AI 도입이 필요한 공백을 구분한다.
HRD는 감원 목표·headcount·생산성 보장·IT 아키텍처·도구 선정을 단독 결정하지 않는다. 과정 목록 대신 상담원의 품질 검수·고난도 클레임·지식베이스 운영 같은 전환 경로와 요구 스킬, 실습, 적용 기간, 관찰 기준, 재배치 대안을 제시한다.
90일 파일럿은 업무 두세 개만 깊게 본다
90일 파일럿은 영업 제안서, 고객 문의 분류·1차 답변, 월말 보고, 품질 이상 보고, 코드 리뷰처럼 관찰 가능한 업무 두세 개에 집중한다.
1-2주차에는 부서·업무·KPI·리스크·데이터·스폰서를 정한다.
3-4주차에는 입력·처리·판단·예외·산출물·승인자·시스템·시간·빈도·오류를 기록한다.
5-6주차에는 기술·데이터·예외율·리스크·고객 영향·human-in-the-loop로 자동화·증강·재설계·유지·중단 heatmap을 만든다.
7-10주차에는 2-3개 업무에서 초안·분류·요약·검색·검수 실험과 판단·금지 데이터·예외 교육을 병행한다.
11-12주차에는 비용·속도·리스크·품질·장기 역량으로 build-buy-borrow-bot을 비교한다. 13주차에는 시간, 품질 오류, human review load, 수용도, 숙련도, 재배치 인원, 리스크, 산출물당 비용으로 확장을 판단한다.
| 기간 | 주요 활동 | 산출물 |
|---|---|---|
| 1-2주 | 파일럿 부서·업무 선정, KPI와 리스크 기준 합의 | 파일럿 charter, 기준 KPI |
| 3-4주 | 업무 단위 분해, 시간·빈도·예외율·품질 기준 수집 | 업무 인벤토리 |
| 5-6주 | 자동화·증강·재설계·유지·중단 분류 | AI 영향도 heatmap |
| 7-10주 | 소규모 AI 실험과 역할별 교육 적용 | 실험 결과, 교육 전이 데이터 |
| 11-12주 | build-buy-borrow-bot 비용·속도·리스크 비교 | 인력 시나리오 2-3안 |
| 13주 | 확장 여부와 예산 보고 | scale/no-scale 제안서 |
한국 기업교육이 바꿔야 할 인력계획 회의
한국 기업의 인력계획 회의는 대개 부서별 정원, 채용 요청, 인건비, 이직률, 충원 일정으로 진행된다. 이 틀은 여전히 필요하지만 AI 시대에는 충분하지 않다. 이제 회의 안에 업무 시나리오 표가 들어와야 한다. “이 부서에 몇 명이 필요한가”만 묻지 말고 “이 부서의 어떤 업무가 어떻게 바뀌는가”를 물어야 한다.
첫 번째 변화는 Finance와 HRD의 대화 방식이다. Finance는 비용 절감을 보고 싶어 하고, HRD는 교육 투자를 말한다. 두 관점은 충돌하기 쉽다. 업무 시나리오 표가 있으면 대화가 구체화된다. 자동화로 실제 절감되는 시간이 얼마인지, 그 시간이 고객 대응이나 품질 개선으로 재투입되는지, 전환 교육 비용은 얼마인지, 외부 채용 대비 내부 육성이 얼마나 현실적인지 비교할 수 있다.
두 번째 변화는 현업 리더의 책임이다. 현업은 “AI를 넣으면 편해질 것”이라는 막연한 기대나 “우리 업무는 AI가 못 한다”는 방어적 반응을 넘어서야 한다. 업무를 분해하고, 어떤 단계가 반복적이며, 어떤 단계가 판단 중심인지 설명해야 한다. AI 인력계획은 HR이 책상에서 만드는 표가 아니라 현업 리더가 업무 구조를 드러낼 때 가능하다.
세 번째 변화는 HRD의 평가 방식이다. 교육 이수율이 아니라 전환 성공률을 봐야 한다. 전환 배치 후 30일, 60일, 90일 동안 산출물 품질, 리드타임, 오류율, 관리자 관찰, 직원 부담, 고객 경험이 어떻게 바뀌는지 확인해야 한다. AI 교육을 들었다는 사실보다 AI가 들어간 업무에서 어떤 행동이 안정화됐는지가 중요하다.
일본 기업은 人手不足을 채용 문제로만 보면 안 된다
일본어판에서 더 자세히 다루겠지만, 일본 기업의 AI 인력계획은 人手不足와 연결된다. OECD의 Artificial Intelligence and the Labour Market in Japan은 일본의 AI 직장 활용이 국제 비교에서 뒤처져 있지만, 많은 일본 직원이 향후 AI 사용 증가를 예상한다고 제시한다. 또한 일본의 노동력 부족 인식은 2025년 6월 조사 기준 코로나19 이전 수준을 넘어 악화 흐름을 보였고, 일본 정부는 노동력 부족 대응에 AI와 디지털 기술 활용을 포함시키고 있다.
한국 기업에도 시사점이 있다. 인력 부족은 채용만으로 해결되지 않는다. 특히 제조, 물류, 고객응대, IT, 데이터, 품질, 안전처럼 숙련 형성에 시간이 걸리는 영역에서는 사람을 더 뽑는 계획과 업무를 바꾸는 계획을 동시에 세워야 한다. AI는 채용을 대체하는 도구가 아니라 업무를 재배치하고 학습 투자를 다시 설계하게 만드는 압력이다.
AI 인력계획 실행 전에 확인할 질문
AI 인력계획을 시작할 때 HRD와 인사전략 담당자가 확인해야 할 질문은 다음과 같다.
| 점검 영역 | 핵심 질문 | 산출물 |
|---|---|---|
| 업무 단위 | 직무명 대신 반복 업무 묶음으로 분해했는가 | 업무 인벤토리 |
| 현재 업무량 | 시간, 빈도, 예외율, 오류 유형을 기록했는가 | baseline 데이터 |
| AI 영향 | 자동화·증강·재설계·유지·중단을 구분했는가 | AI 영향도 heatmap |
| 사람 역할 | AI 도입 후 판단·검수·예외처리 업무를 정의했는가 | 역할 변화표 |
| 인력 선택지 | build-buy-borrow-bot을 같은 기준으로 비교했는가 | 시나리오 비교표 |
| 교육 개입 | 전환 교육, 실습 과제, 관리자 피드백을 설계했는가 | 브릿지 학습 경로 |
| KPI | 시간 절감뿐 아니라 품질, 리스크, 과부하를 봤는가 | KPI 대시보드 |
이 체크포인트의 목적은 AI 도입을 늦추는 것이 아니다. 오히려 AI 도입을 실제 성과로 연결하기 위한 최소 기준이다. 업무를 보지 않고 사람 수만 조정하면 조직은 빠르게 움직이는 것처럼 보이지만, 실제로는 예외 처리와 검수 부담을 현장에 숨긴다.
AI 인력계획의 출발점은 headcount가 아니라 업무 시나리오다
AI 시대의 인력계획은 headcount 표가 아니라 업무 시나리오 표에서 시작해야 한다. 어떤 업무가 자동화되고, 어떤 업무가 사람의 판단으로 증강되며, 어떤 업무 흐름은 다시 설계되어야 하는지 보지 않으면 채용, 교육, 외주, AI 도입은 서로 따로 움직인다.
HRD의 역할은 더 중요해진다. HRD는 “AI 교육을 몇 명에게 제공했는가”를 넘어서, 어떤 직원이 어떤 업무로 전환 가능한지, 어떤 공백은 교육으로 해결할 수 없어서 채용이나 외부 조달이 필요한지, 어떤 업무는 bot과 사람이 함께 처리해야 하는지 설명해야 한다. 교육은 인력계획의 후속 조치가 아니라 업무 재설계의 핵심 변수다.
이 변화는 기업교육 플랫폼의 역할도 넓힌다. 플랫폼은 단순 이수 관리보다 업무 변화와 학습 경로, 전환 과제, 현장 적용 데이터를 연결해야 한다. 다만 플랫폼만으로 인력계획이 바뀌지는 않는다. 먼저 조직이 업무 시나리오를 보고, 그 시나리오에 맞게 사람과 AI의 역할을 다시 정해야 한다.
함께 읽을 글
출처
- McKinsey & Company, “HR Monitor 2026: A turning point for the people function”, 2026. https://www.mckinsey.com/~/media/mckinsey/business%20functions/people%20and%20organizational%20performance/our%20insights/hr%20monitor%202026%20a%20turning%20point%20for%20the%20people%20function/hr-monitor-2026-a-turning-point-for-the-people-function_final.pdf
- Deloitte, “2026 Global Human Capital Trends”, 2026-03-04. https://www.deloitte.com/us/en/insights/topics/talent/human-capital-trends.html
- BCG, “AI Will Reshape More Jobs Than It Replaces”, 2026-04-03. https://www.bcg.com/publications/2026/ai-will-reshape-more-jobs-than-it-replaces
- KPMG, “Rethinking Strategic Workforce Planning with AI Agents”, 2025. https://kpmg.com/us/en/articles/2025/strategic-workforce-planning-with-ai-agents.html
- OECD, “Artificial Intelligence and the Labour Market in Japan”, 2025. https://www.oecd.org/en/publications/artificial-intelligence-and-the-labour-market-in-japan_b825563e-en.html
- IPA, “デジタルスキル標準（DSS）策定の背景・目的”, page updated 2026-07-09. https://www.ipa.go.jp/jinzai/skill-standard/dss/about.html
- 厚生労働省, “中小企業リスキリング支援事業”, accessed 2026-07-10. https://reskilling.mhlw.go.jp/
- Mercer, “Global Talent Trends 2026”, 2026. https://www.mercer.com/insights/people-strategy/future-of-work/global-talent-trends/