스킬 기반 HR을 도입했는데 기대만큼 작동하지 않는다면, 이유는 대개 하나입니다. 스킬을 '정의'했을 뿐, '측정'하지는 못하고 있기 때문입니다. 직무별 스킬 맵은 마련했지만, 구성원이 해당 스킬을 실제로 어느 수준까지 갖추고 있는지에 대한 평가는 여전히 자기평가 설문에 의존하고 있는 것이죠.
스킬 기반 HR의 성패는 제도가 아니라 '측정'에서 갈립니다. 그리고 그 측정의 핵심은 결과물이 아니라 '과정'을 보는 데 있습니다.
역량과 스킬이 측정에서 어떻게 갈리는지부터, 수많은 스킬 중 어디부터 측정해야 하는지, 그리고 가장 측정이 까다로운 'AI 활용 스킬'을 데이터로 만드는 방법까지.
전 직군 AI 역량평가 운영 경험을 바탕으로 그 기준을 안내합니다.
스킬 기반 HR이란, 직무 타이틀·연차·학력 같은 대리 지표 대신 구성원이 실제로 무엇을 할 수 있는지를 기준으로 채용·배치·교육·평가를 운영하는 인사 방식입니다. 사람을 '어떤 자리(Job)에 속한 사람'이 아니라 '어떤 스킬을 가진 사람'으로 보는 관점의 전환을 말합니다.
스킬 기반 HR이 부상하는 근본 원인은 '직무'라는 단위 자체가 현실을 더 이상 반영하지 못하는 데 있습니다. 글로벌 컨설팅 기업 딜로이트의 '스킬 기반 조직' 조사에 따르면, 직원의 71%는 이미 자기 직무기술서(JD) 밖의 일을 하고 있었고, 같은 직급·직함에서 똑같은 일을 한다는 응답은 24%에 그쳤습니다.
그리고 AI는 이 흐름을 가속합니다. 보스턴컨설팅그룹의 2026년 글로벌 AI 인력 분석에 따르면, 전 세계 직원의 60% 이상이 향후 3년 이내에 AI로 인해 본인 업무의 절반 이상이 재편될 것으로 전망했습니다.
이 같은 결과는, 한국도 마찬가지입니다. 대한상공회의소가 500여 개 기업 인사 담당자를 대상으로 실시한 2025년 하반기 기업 채용 트렌드 조사에서 기업 69.2%가 "채용 시 AI 역량을 고려한다”라고 답했습니다.
이러한 변화에 맞춰 글로벌 기업들은 이미 스킬 기반 HR로의 전환을 실행하고 있습니다.
IBM : ‘Skill As New Currency’ 개념 도입
스킬을 모든 HR 의사결정의 기준으로 활용하는 체계로 전환했습니다. 구성원의 스킬이 학위보다 더 중요한 평가 기준이 되며, 연 2회 스킬 자가 진단과 개발 충실도 모니터링을 통해 보유 스킬의 가치를 기본급 인상과 연계하는 시스템을 구축했습니다.
유니레버 : ‘역할 = 스킬의 집합’ 관점 도입
직무명이 아니라 역할을 구성하는 스킬 단위로 일을 분해하고, 사람을 직무가 아닌 보유 스킬 기준으로 배치하는 체계로 전환했습니다. AI 기반 사내 인재 마켓플레이스 ‘FLEX’를 통해 구성원이 자신의 보유·희망 스킬을 등록하면 적합한 프로젝트에 매칭되며, 이를 활용해 코로나 당시 9,000명을 8~10주 만에 재배치하는 등 스킬 기반의 유연한 인력 이동 시스템을 구축했습니다.
딜로이트 2025 글로벌 휴먼 캐피털 트렌드에 따르면 스킬 데이터를 HR의 의사결정에 유의미하게 활용하는 조직은 16%에 그쳤습니다. 효과는 입증됐지만 거기 도달한 기업은 소수라는 뜻이고, 그 병목은 '측정'에 있습니다.
스킬 기반 HR로 넘어갈 때 가장 흔한 실수는, 기존 '역량 모델'을 그대로 둔 채 이름만 '스킬'로 바꾸는 것입니다. 두 개념은 측정의 관점에서 다릅니다.
구분 | 역량(Competency) | 스킬(Skill) |
정의 단위 | 지식·행동·태도의 묶음 | 특정 과업을 수행하는 구체적 능력 |
추상도 | 높음 | 낮고 구체적 |
관찰 가능성 | 관찰자의 해석에 의존 | 행동·산출물로 직접 관찰 |
역량이 '측정 불가능한 것'은 아닙니다. 다만 추상적인 채로 두면 누가 어떤 근거로 판정하느냐에 따라 흔들릴 뿐입니다.
역량을 제대로 측정하려면, 그것을 관찰 가능한 행동 단위로 분해해야 합니다. 스킬 기반 HR의 본질은 역량을 버리는 게 아니라, 역량을 측정 가능한 행동으로 분해하는 것입니다.
문제는 그다음입니다. 스킬 맵까지는 그려도 "이 스킬을 무엇으로 측정하느냐"에서 대개 자기평가와 서베이로 돌아갑니다.
글로벌 인사 컨설팅 기업인 머서(Mercer)에 따르면 가장 흔한 방식은 본인·리더가 숙련도를 직접 매기는 '평정(rated)'인데, 도입은 쉽지만 신뢰도가 낮습니다. 특히 숙련도가 낮을수록 자기 실력을 높게 보는 더닝-크루거(Dunning-Kruger) 효과 탓에 자기평가 점수는 실제 수행 능력과 자주 어긋납니다.
결국 측정이 빠진 스킬 기반 HR은 이름만 바꾼 또 하나의 주관적 평가입니다. 자기평가로 채운 스킬 맵 위에서 내리는 채용·배치·교육 결정은 여전히 '느낌'에 기댑니다.
모든 스킬을 한꺼번에 수행 기반으로 측정할 수는 없습니다. 스킬은 직무마다 수십, 수백 개로 갈라지고, 이를 전부 실제로 시켜보며 재려면 비용도 시간도 감당하기 어렵습니다.
현실적인 질문을 해야 합니다. "어떻게 다 재느냐"가 아니라 "어디부터 재느냐"로.
우선순위 기준은 두 가지입니다. ① 지금 가장 빠르게 중요해지는 스킬인가 ② 그런데 마땅한 측정 방법이 없는 스킬인가 이 둘을 동시에 만족하는 영역이 바로 'AI 활용 스킬'입니다.
거의 모든 직무에 AI가 들어오면서, 같은 직무 안에서도 AI를 잘 쓰는 사람과 못 쓰는 사람의 성과 격차가 빠르게 벌어지고 있습니다. 앞서 본 것처럼 기업 10곳 중 7곳이 채용에서 AI 역량을 최우선으로 고려할 만큼, AI 활용 스킬은 직무 성과를 가르는 핵심 변수가 됐습니다.
문제는 이 스킬을 잴 척도가 없다는 점입니다. 회계·코딩 같은 기존 스킬은 자격증·산출물이라도 있지만, 'AI를 잘 쓴다'는 능력은 표준 척도가 없어 대부분 "써본 적 있다" 수준의 자기평가에 의존합니다. 채용 시장은 AI 활용 스킬을 1순위로 보는데, 정작 객관적으로 잴 기준은 비어 있는 상태인 것이죠. 측정 인프라를 여기서부터 세우는 것이 투자 대비 효과가 가장 큰 이유입니다.
그렇다면 남은 질문은 하나입니다. 이 AI 활용 스킬을, 도대체 무엇으로 측정할 것인가?
AI 활용 스킬에서 결과물만 보는 건 위험합니다. 같은 결과물이라도 누가 어떻게 만들었는지에 따라 가치가 다르고, 좋은 결과가 운에서 나올 수도 있기 때문입니다. 한 번 잘 나온 답을 그대로 복사한 사람과, AI를 단계적으로 끌고 가 원하는 답을 만들어낸 사람은 결과물이 같아도 실력이 전혀 다릅니다.
이제는 결과에 이르는 과정을 봐야 합니다. 어떤 의도로 질문을 설계했고, AI의 답을 어떻게 다듬었으며, 결과를 어떻게 검증했는가를 봅니다.
이 과정 데이터가 'AI를 아는 사람'과 'AI로 성과를 내는 사람'을 가릅니다.
프로그래머스 AI 역량평가는 응시자가 LLM과 나눈 대화 로그 전체를 분석해, 단순한 결과물만이 아니라 문제 해결 과정 전반에서 드러나는 AI 활용 역량을 함께 평가합니다.
이 과정에서 목표를 어떻게 설정하는지, 필요한 맥락과 정보를 어떻게 구조화하는지, 해결 과정을 어떻게 설계하는지, 결과를 어떻게 검토하고 개선하는지를 종합적으로 확인합니다.
핵심은 '프롬프트 한 줄을 잘 썼는가'가 아니라, AI를 협업 도구로 얼마나 체계적으로 다뤘는가입니다. 목표를 정의하고, 맥락을 구조화하고, 결과를 검증하고, 반복해서 개선하는 흐름은 '한 번 잘 던진 질문'으로는 나오지 않습니다. 실제 평가를 운영해 보면, 비슷한 결과물을 낸 두 사람도 이 과정에서는 전혀 다른 평가를 받습니다. 결과물만 봐서는 보이지 않던 실력 차이가 드러납니다.
직군마다 주어지는 과제는 다릅니다. 개발자에게는 코드 디버깅을, 마케터에게는 캠페인 기획을, 기획자에게는 데이터 분석을 맡깁니다. 하지만 결과는 동일한 평가 기준이라는 공통 척도 위에 남습니다. 평가축이 동일하기 때문에 부서별·직급별 스킬 분포를 한 장의 지도처럼 비교할 수 있습니다.
AI 활용 스킬이 데이터가 되면, HR이 내리는 결정의 근거가 달라집니다. 이미 여러 조직이 이 데이터를 실제 의사결정에 쓰고 있습니다.
‘AI를 잘 다룬다’는 자기소개서 문장이 아니라, 지원자가 실제 과제에서 AI를 다루는 과정 데이터로 판단합니다.
실제로 금융권 기업과 IT 대기업 등에서 채용에 이 방식을 활용하고 있습니다. 지원자가 많을수록 서류만으로 가리기 어려운 'AI 실무 활용도'를, 객관적 데이터로 사전에 거르는 것입니다.
부서별·직급별 AI 활용 수준의 분포를 보면, 막연한 '우리 조직은 AI에 약하다'가 '어느 직군이 어떤 영역에서 약하다'는 구체적 진단으로 바뀝니다.
교육이든 재배치든 어디서부터 손대야 할지가 데이터로 보입니다.
교육의 효과는 늘 증명이 어렵습니다. 프로그래머스 AI 역량평가는 전·후 테스트를 동일한 기준으로 진행해, 점수 차이로 교육 효과를 측정합니다.
실제로 국내 다수 대학이 이 방식으로 교과의 전후 역량 변화를 측정하고 있습니다. '몇 명이 수료했는가'가 아니라 '어떤 역량이 얼마나 늘었는가'로 교육 ROI를 말할 수 있게 되는 것이죠.
다만 측정은 끝이 아니라 시작입니다. 스킬 기반 HR의 목적은 부족한 스킬을 가려내는 데서 멈추지 않고, 그 빈자리를 채우는 리스킬링·업스킬링으로 이어지는 것이니까요. 측정이 정확할수록 "누구에게, 어떤 스킬을" 교육할지가 분명해집니다.
📍
인사 담당자 관점에서 궁금해할 프로그래머스 AI 역량평가는?
개발자만이 아니라 기획·마케팅·영업·HR 등 전 직군을 평가합니다. 각 직무 맥락에 맞춘 실제 업무 과제로 보기 때문에, 직군이 달라도 '실무에서 AI를 쓰는 능력'을 그대로 측정할 수 있습니다.
최대 3천 명이 동시에 응시해도 안정적으로 운영됩니다. 대규모 공채 스크리닝부터 전사 진단까지, 인사팀이 일정을 쪼개지 않고 한 번에 진행할 수 있습니다.
컨설팅이나 교육 상품으로 끝나지 않습니다. 구성원의 AI 활용 스킬이 비교 가능한 데이터로 남아, 채용·배치·교육 결정에 바로 근거로 쓸 수 있습니다.
스킬 기반 HR의 성패는 거창한 제도가 아니라, 스킬을 믿을 수 있는 데이터로 만들 수 있느냐에서 갈립니다. 수많은 스킬을 한 번에 측정할 수 없다면, 가장 빠르게 중요해지면서 가장 측정이 안 되는 AI 활용 스킬부터 시작하는 것이 가장 효율적인 출발점입니다.
자기평가가 아니라 실제 수행 '과정'을 비교 가능한 공통 기준으로 측정하는 것. 거기서부터 채용·배치·교육이 데이터 위에서 움직입니다.
우리 조직의 AI 활용 스킬을 측정 가능한 데이터로 만드는 첫 단계가 궁금하다면, 아래에서 직무 맥락에 맞는 측정 설계를 확인해 보세요.