# HR에서의 AI는 유니레버만의 이야기가 아닙니다. 중소기업의 이야기이기도 합니다

> 유니레버에서 중소기업으로: 엔터프라이즈 워크플로우를 월 500유로로 4주 만에 재현하기

Source: https://www.electe.net/ko/post/l-ai-in-hr-non-roba-da-unilever-roba-da-pmi

Site guide: https://www.electe.net/ko/llms.txt

매주 유럽의 여러 기업과 이야기를 나누다 보면 항상 같은 말을 듣습니다:
**“HR AI는 대기업들을 위한 것이다. 우리는 유니레버가 아니다.”**

이것은 값비싼 오해입니다.

현실은 이렇습니다: 대기업이 수백만 유로를 절감하는 데 사용하는 것과 동일한 패턴을, 중소기업도 **월 100~500유로**로, 프리미엄 도구와 약간의 자동화, 그리고 이미 보유한 데이터를 활용해 재현할 수 있습니다.

## **엔터프라이즈 vs 중소기업: 격차는 생각보다 훨씬 작습니다**

유니레버는 연간 250,000건의 지원서를 AI로 처리해 100만 유로를 절감합니다.
50명 규모의 스타트업은 자체적으로 소규모 자동화 워크플로우를 구축해 월 100~200유로를 투자하고 주당 10~15시간을 절약합니다.

엔터프라이즈급 기술이 필요한 게 아닙니다. 필요한 것은 논리입니다: 자동화하고, 표준화하고, 예측하는 것입니다.

_(이는 DIY 구현을 위한 소프트웨어 라이선스 비용입니다. 설정에는 복잡도에 따라 일회성으로 20~100시간의 내부 작업이 필요합니다.)_

## 데이터가 이를 뒷받침합니다

Mastercard는 AI 기반 인재 마켓플레이스로 2,100만 달러를 창출했습니다.
하지만 중소기업도 월 20유로짜리 Zapier 자동화로 스크리닝 시간을 75% 단축할 수 있습니다.
오픈소스 모델(Random Forest, XGBoost)은 HRIS 데이터만으로 이직률 예측에서 85~95%의 정확도를 달성합니다.

## 진입 비용: 대폭 하락

오늘날 HR AI는 0유로부터 시작할 수 있습니다:

- 이력서 파싱 → 무료
- 예측 모델 → 오픈소스
- 자동화 → Zapier/Make, 월 20유로부터
- ATS → 프리미엄

내부 설정에 20~40시간을 투자하면, 중소기업도 다음과 같은 시스템을 구축할 수 있습니다:

- 주당 15~20시간의 수작업 제거
- 퇴사 위험이 있는 직원을 미리 파악
- 채용 소요 시간 40~60% 단축

_복잡성은 줄어들고, 기회는 늘어납니다._

## 📊 실제 사례: 롬바르디아 지역 제조업 중소기업(직원 120명)

자체 구축한 예측 모델이 HR 부서가 전혀 인지하지 못했던 고위험 직원 3명을 찾아냈습니다. 그중 2명에게 개입한 결과, 회사는 9만 유로의 이직 비용을 절감했습니다. 1년차 총 투자 비용: 5,000유로. ROI: 1,700%.

실제 설정 과정(3주):

- HRIS 과거 데이터(3년치) 추출: 초과근무, 급여, 최종 승진일, 만족도 설문, 퇴사 데이터
- 과거 퇴사자 180명 + 현재 재직 중인 직원 300명 데이터로 Random Forest 모델 학습
- 가장 예측력이 높은 변수: 주당 12시간 이상 초과근무, 3년 이상 승진 정체, 만족도 점수 6/10 미만

결과: 모델은 6개월 내 퇴사 확률 85% 이상인 직원 3명에게 플래그를 표시했습니다.
그중 2명은 뚜렷한 위험 신호를 전혀 보이지 않았습니다(“8년 이상 안정적으로 근무, 불만 징후 없음”).

플래그 이후 수동 분석:

- 직원 A: 지속적인 초과근무(주당 15시간) + 4년간 승진 없음 → 외부 제안을 받은 상태였음
- 직원 B: 시장 대비 급여 18% 낮음 + 만족도 5/10 → LinkedIn을 적극적으로 탐색 중이었음
- 직원 C: 새로운 커리어를 위해 이미 이직을 결심한 상태 → 퇴사 면담에서 확인됨

개입: 급여 인상 +12%(A와 B) + 서면 경력 개발 계획 + 초과 근무 감소.
A와 B는 유지됨. **C는 유지가 불가능했음.**

_“HRIS에 이미 수년 전부터 데이터가 있었습니다. CSV를 추출하고 파이썬 스크립트를 돌리는 데 데이터 분석가 8시간이 걸렸을 뿐입니다. 가치는 정교한 기술이 아니라 이미 보유하고 있던 데이터를 들여다보는 데 있었습니다.” — HR 매니저_

질문은 “우리가 감당할 수 있을까?”가 아닙니다. 진짜 질문은: 도입할 20~40시간을 확보할 수 있는가? 그렇다면 규모에 상관없이 투자 회수는 거의 보장됩니다.

## 중소기업이 엔터프라이즈급 AI를 어떻게 재현할 수 있는가(엔터프라이즈 예산 없이)

**유니레버 워크플로우 분해: 각 단계에서 실제로 일어나는 일**

유니레버의 Future Leaders Programme용 AI 채용 프로세스는 업계의 표준입니다. 2016년에 출범한 이 프로세스는 연간 30,000개 포지션에 대해 180만 건의 지원서를 처리하며 채용 소요 기간을 4~6개월에서 4주로 단축했습니다.

### 1단계 → LinkedIn을 통한 지원(10~15분)

지원자는 전통적인 이력서 없이 LinkedIn 프로필을 바로 연결합니다. 이 방식 덕분에 인재 풀이 840개 대학에서 2,600개 대학으로 확대되었습니다.

### 2단계 → Pymetrics 게임(20~30분)

12개의 신경과학 기반 게임이 주의력, 의사결정, 위험 감수 성향, 감정 인식, 회복탄력성 등 91개의 인지적·정서적 특성을 측정합니다. 시스템은 이 프로필을 최고 성과자들의 벤치마크와 비교합니다. 지원자의 98%가 이 단계를 완료합니다(전통적 방식의 50% 대비).

### 3단계 → HireVue 화상 인터뷰(30분)

비동기 화상 면접입니다. 2021년부터는 안면 분석이 제외되었습니다: 예측력이 낮고(0.25%~4%) 편향 문제가 있었기 때문입니다.
AI는 이제 의미론적 콘텐츠와 발화 패턴만 분석합니다. 최대 80%까지 필터링합니다.

### 4단계 → Discovery Center Day

250,000건의 지원서 중 최종 후보자 3,500명. 연간 채용 인원 800명.

**입증된 결과:**
채용 담당자 시간 -75%, 연간 £100만 절감, 인력 다양성 +16%, 성별 균형 달성, 오퍼 수락률 64%에서 82%로 상승 ✅

_인공지능은 어떤 수작업 프로세스로도 드러낼 수 없는 연결고리, 기회, 경로를 밝혀냅니다. 숨겨져 있던 것이 눈에 보이게 됩니다._

## 2. 내부 인재 마켓플레이스를 뒷받침하는 기술

내부 인재 마켓플레이스(Internal Talent Marketplace)는 내부 이동성을 위한 AI의 가장 진화된 형태입니다.
Gloat는 자기 보고, 직무 이력, 시장 신호로부터 스킬 데이터를 수집하며, 동적 온톨로지를 활용합니다.

**Mastercard "Unlocked" 사례**
결과: 2,100만 달러 절감, 90만 시간 확보, 62% 도입률, 만족도 +80%, 유지율 +30%.

**Schneider Electric "Open Talent Market" 사례**
2개월 만에 60% 도입률, 36만 시간 확보, 1,500만 달러 이상 절감, NPS 60.

## 3. 실제로 이직률을 예측하는 변수들

IBM Watson 모델은 35개의 변수를 사용합니다.

가장 예측력이 높은 변수들:

- OverTime
- JobSatisfaction
- YearsSinceLastPromotion
- MonthlyIncome
- JobInvolvement

📊 **일반적인 정확도:**

- Random Forest: 84-87%
- XGBoost/CatBoost: 85-95%
- Logistic Regression: 75-80%

`import pandas as pd`
`from sklearn.model_selection import train_test_split`
`from sklearn.ensemble import RandomForestClassifier`

`# IBM HR Analytics 데이터셋 로드 (Kaggle에서 무료 제공)`
`df = pd.read_csv('IBM-HR-Attrition.csv')`
`y = df['Attrition'].map({'Yes': 1, 'No': 0})`
`X = pd.get_dummies(df.drop('Attrition', axis=1))`

`# 모델 학습`
`X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)`
`rf = RandomForestClassifier(n_estimators=40)`
`rf.fit(X_train, y_train)`

`# 상위 5개 예측 변수`
`importances = pd.Series(rf.feature_importances_, index=X.columns)`
`print(importances.nlargest(5))`

이 코드는 Google Colab에서 무료로 실행됩니다. 일반적인 출력 결과: MonthlyIncome, OverTime, Age, TotalWorkingYears, YearsAtCompany가 상위 예측 변수로 나타납니다.

## 도구 경제학: €0에서 €500/월까지 (DIY)

HR용 AI 도구 시장은 대중화되었습니다. 진입 수준 투자 비용은 €50,000+에서 €0-500/월로 급감했습니다. **내부에서 직접 구현하는 경우**입니다. 이는 직접 설정해야 하는 소프트웨어 도구 비용이며, 완제품 형태의 서비스가 아닙니다.

**프리미엄 스택 (€0/월 - 자체 설정):**

- ATS: Breezy HR (무료 티어, 활성 채용공고 1개)
- 화상 인터뷰: myInterview (기본 무료)
- 평가: TestGorilla (연장된 무료 체험판)
- 이력서 파싱: pyresparser (오픈소스)
- 예측 모델: Python + scikit-learn (오픈소스)
- 분석: Google Sheets + 템플릿

**중소기업 10-50명 직원용 스택 (€100-300/월 - 내부 구현):**

- LinkedIn Recruiter Lite: €170/월
- Zapier/Make: €20/월 (워크플로우 설정 필요)
- pyresparser: 무료
- Python 모델: 무료 (기본 Python 역량 필요)

**중소기업 50-200명 직원용 스택 (€500-1,500/월 - 내부 팀):**

- 완전한 ATS: €200-400/월 (설정 + 유지보수)
- 평가 플랫폼: €150-300/월
- 분석 대시보드: €100-200/월
- 고급 자동화: €50-100/월

**중요한 참고사항:** 이 예산은 **소프트웨어 라이선스 비용**이며, 구현 시간은 포함되지 않습니다. 기본 역량이 필요합니다(Zapier 설정, Python 스크립트 실행, API 문서 읽기). 직원 10-50명 기업의 경우: 초기 설정에 20-40시간 소요. 50-200명 기업의 경우: 4-8주에 걸쳐 60-100시간 소요.

장점: 한번 구현하면 유지보수는 최소화되고(월 2-5시간) ROI는 지속됩니다.

## 즉각적인 성과 #1: 하루 만에 자동 이력서 스크리닝

이력서 자동 파싱은 노코드 도구(Zapier)와 최소한의 Python 스크립트를 결합해 6-8시간 내에 구현할 수 있습니다.

**옵션 A: Zapier만 사용 (코딩 불필요, 2-3시간)**

코드 작성 없이 완전한 파이프라인 구축:

1. **트리거:** _hr@electe.net_으로 첨부파일이 포함된 새 이메일 수신
2. **액션:** Zapier Parser가 이력서에서 데이터(이름, 이메일, 전화번호, 스킬)를 자동으로 추출
3. **액션:** 추출된 데이터로 Google Sheet에 행 생성
4. **액션:** 채용담당자에게 Slack 알림: "새 이력서 수신: \[이름\] - \[스킬\]"
5. **액션:** 후보자를 이메일 시퀀스에 추가 (예: "감사합니다, 곧 연락드리겠습니다")

**비용:** Zapier Professional €20/월
**설정 시간:** 클릭 및 설정으로 2-3시간
**필요 역량:** 코딩 불필요, 웹 인터페이스에 대한 친숙함만 필요

**옵션 B: Zapier + Code by Zapier (Python/JS 인라인, 4-5시간)**

Zapier Parser만으로 부족하다면 Zapier 내에 직접 커스텀 로직을 추가하세요:

1. 트리거: 첨부파일이 포함된 새 이메일
2. **액션: Code by Zapier (Python)** - 고급 인라인 파싱:

`# Zapier에서 직접 실행되는 Python 코드`
`import re`
`cv_text = input['cv_text']`
`email = re.findall(r'[\w\.-]+@[\w\.-]+', cv_text)[0]`
`phone = re.findall(r'\+?\d[\d\s\-\(\)]{8,}', cv_text)[0]`
`return {'email': email, 'phone': phone, 'text': cv_text}`

1. 액션: Google Sheet 행 생성
2. 액션: Slack 알림
3. 액션: 이메일 시퀀스

**비용:** Zapier Professional 월 20유로(Code 포함)
**설정 시간:** 4~5시간(개발 + 커스텀 로직 테스트)
**필요 스킬:** Python/JavaScript 기초

**옵션 C: 외부 서버에서 pyresparser 사용(최대 파싱, 6~8시간)**

매우 복잡한 이력서나 대량 처리(월 500건 이상)의 경우:

`# 전용 서버에서 실행하는 스크립트`
`pip install pyresparser`
`from pyresparser import ResumeParser`
`data = ResumeParser('/path/to/resume.pdf').get_extracted_data()`
`# 출력: name, email, mobile, skills, college, degree, experience`

Zapier가 웹훅으로 서버를 호출하고, 파싱된 JSON을 받아 Sheet/Slack/Email로 진행합니다.

**비용:** Zapier 월 20유로 + DigitalOcean 월 5유로
**설정 시간:** 6~8시간(서버 설정 + 배포)
**필요 스킬:** Python + 배포 지식 또는 외부 개발자

⚡ 일반적인 절감 효과: 월 200건 이상 처리하는 경우 주당 15시간 이상.

_자동화의 복리 효과: 낮은 고정비, 늘어나는 절감액._

## 10주 완성 플레이북(DIY)

**전제 조건:** 사내 기술 인력(개발자, 데이터 분석가) 활용 가능 또는 설정을 지원할 프리랜서를 위한 2,000~3,000유로 예산.

**1주차:** pyresparser + Zapier 파이프라인으로 이력서 자동 파싱. 첫 측정 가능한 절감: 10~15시간.

**2주차:** HR 데이터 감사, Sheets/Airtable로 내보내기, 핵심 지표 대시보드 설정(채용 소요 기간, 채용 비용, 인원 현황).

**3주차:** 과거 데이터셋 기반 이직 예측 모델, 사용 가능한 변수로 학습, HR 매니저와 검증.

**4주차:** 반복 워크플로우를 위한 Zapier 자동화(면접 일정, 온보딩 체크리스트, 휴가 신청). 최종 ROI 계산.

**5~10주차:** 반복과 확장. ROI가 검증된 부분에서만 복잡성을 추가하세요.

_📥 이 워크플로우가 당신의 상황에 적용될 수 있는지 알아보고 싶으신가요?_
_여기서 설명한 Google Sheet 템플릿, Python 스크립트, Zapier 자동화는 이미 실제로 작동하고 있습니다. 당신의 환경에 맞게 조정해보세요._

## 결론

흔한 착각은 엔터프라이즈급 예산이나 값비싼 컨설턴트가 필요하다고 생각하는 것입니다.
스크리닝 자동화, 평가 표준화, 리스크 예측이라는 로직은 오픈소스와 접근 가능한 SaaS 도구로 충분히 재현할 수 있습니다.

가치는 비싼 도구가 아니라 방법론에 있습니다.
ROI는 첫해에 쉽게 600%를 넘습니다.

**참고.** 이 글의 Python 코드와 Zapier 예제는 이미 작동하는 상태입니다. 복사해서 당신의 상황에 맞게 조정하고 바로 실행하세요. 추가 템플릿은 필요 없습니다. 시작하는 데 필요한 모든 것이 이미 준비되어 있습니다.