사람을 아는 헤드헌팅 AI 서비스
ZiiN의 AI 동료, 지니는 단순한 챗봇이 아닙니다.
헤드헌팅 업무를 처리합니다.
안 쓰는 기능은 없는 기능입니다.
기능에 업무를 맞추지 않고 업무에 기능을 맞췄습니다.
헤드헌터 20년의 전문성으로 인공지능을 훈련시켰습니다.
연봉도, 고객사 이름도 나가면 안 됩니다.
경력 있는 컨설턴트는 알지만 신입은 모릅니다.
사이트마다 넣는 자리가 다르고, 항목도 다르고, 포맷도 다릅니다.
JD 하나 넣으면 사이트별 양식에 맞춰 지니가 만듭니다.
나가면 안 되는 건 애초에 들어가지 않습니다.
사람은 확인만 하시면 됩니다.
사이트에서 후보자 한 명 열어보는 데도 돈이 나갑니다.
그렇게 돈 주고 모은 이력서, 지금 어디 있나요?
후보자는 헤드헌팅 회사의 유일한 자산입니다.
쌓아놓기만 한 이력서, 당장 써먹을 데이터로 만드세요.
데이터가 쌓인 만큼 회사도 성장합니다.
“이력서 고쳐주다 하루 보내는 일이 없어졌습니다. 그 시간에 사람을 한 명 더 만납니다.”
“공고를 여섯 군데 올리는 데 오전을 다 썼는데, 지금은 검토만 합니다.”
“쌓아만 두던 이력서에서 후보가 나옵니다. 밖에서 다시 찾을 일이 줄었습니다.”
※ 시안용 예시입니다. 실제 고객 후기로 교체해야 합니다.
“이력서가 10만 장 쌓였는데 찾을 수가 없었습니다.
윈도우 탐색기가 너무 느려서 애플 노트북을 따로 샀습니다.
맥은 파일 안에 있는 단어도 검색되니까요.그래도 반도체 공정 10년, 영어 되는 팀장급은 못 찾았습니다.”
어느 헤드헌팅 회사 대표 이야기입니다.
ZiiN은 그 자리에서 시작했습니다.
현장에서 반복해서 막히던 일을 풀다 보니, 헤드헌팅 업무를 위한 세 가지 기술과 이를 계속 발전시키는 한 가지 개발 원칙이 남았습니다.
헤드헌팅 업무를 해결하는 세 가지 기술
복잡한 필터 대신, 헤드헌터가 평소 쓰는 말로 후보자를 찾습니다.
후보자가 열 명일 때는 이름만 봐도 어느 회사에 다녔는지 떠올릴 수 있습니다. 천 명쯤 되면 파일명에 학교와 회사, 경력을 적기 시작합니다. 하지만 만 명이 넘어가면 파일명과 폴더로 나누는 방법도 무너집니다.
이력서를 데이터베이스로 바꾼 뒤에도 문제는 남았습니다. 사용자가 “인서울, 박사”라고 검색했을 때 조건에 맞는 후보자가 천 명 넘게 있었지만 결과는 0명이었습니다. 시스템이 ‘박사’를 학위가 아니라 자격증으로 이해했기 때문입니다.
문제는 데이터가 없는 것이 아니라, 사람이 원하는 말을 데이터베이스가 이해하지 못한다는 것이었습니다.
ZiiN은 “반도체 공정 10년, 영어가 되는 팀장급” 같은 말을 학교·학위·전공·경력·직무 조건으로 바꾸어 원본 데이터에서 찾습니다. 헤드헌터는 검색 프로그램의 언어를 새로 배울 필요가 없습니다.
사례별 예외를 쌓지 않고, 다음 이력서에도 통하는 판단 기준을 찾습니다.
성능 좋은 언어모델은 이력서 한 장을 제법 잘 만듭니다. 하지만 같은 일을 만 번, 십만 번 되풀이하면 이야기가 달라집니다. 실제 비교에서 고성능 모델은 운영용 경량 모델보다 일곱 배 이상 느렸고 세 배가 넘는 토큰을 사용했습니다.
처음에는 오류가 생길 때마다 지침을 보탰습니다. 경력 설명 속에 흩어진 해외 출장을 놓치자 ‘해외’와 관련된 주변 문장까지 찾게 했습니다. 빠졌던 출장은 살아났지만, 다른 이력서에서는 국내에서 해외 고객을 담당한 일까지 해외 체류 경험으로 들어갔습니다.
하나의 이력서를 고친 지침이 다른 이력서를 망쳤습니다. 필요한 것은 예외 하나가 아니라 모두에게 통하는 판단 기준이었습니다.
사람이 원문과 결과를 비교하고 실패의 공통 원인을 찾습니다. 새로운 기준을 적용한 뒤에는 이전에 잘 만들어졌던 이력서까지 다시 확인합니다. 이 과정을 ZiiN은 ‘이력서 진화 루프’라고 부릅니다.
AI는 더 넓게 찾고, 사람은 경력의 의미를 읽어 최종 후보를 결정합니다.
처음에는 채용 의뢰서의 조건을 더 엄격하게 적용하면 추천이 정확해질 것이라고 생각했습니다. 하지만 모든 세부 표현이 탈락 조건처럼 작동하자, 의미가 같은 경험도 말이 다르다는 이유로 사라졌습니다. 추천할 사람을 찾는 기능이 0명이라는 답을 내놓기 시작했습니다.
그렇다고 좋은 언어모델에게 모든 판단을 맡길 수도 없었습니다. 어떤 조건을 양보할지, 인접한 경력을 어디까지 인정할지는 정답 하나로 정리할 수 없는 헤드헌터의 판단이기 때문입니다.
추천은 AI가 정답을 결정하는 일이 아니라, 사람이 놓쳤을 후보자를 찾아 검토할 수 있게 준비하는 일이어야 했습니다.
ZiiN은 비교적 명확한 기본 조건을 확인하고 후보자를 폭넓게 찾습니다. 여러 후보자 가운데 누구를 고객사에 추천할지는 헤드헌터가 경력과 상황을 읽고 결정합니다.
세 기술을 만들고 계속 고치는 공통 원칙
원인을 먼저 찾고, 꼭 필요한 코드만 만들며, 성공하는 길 하나만 남깁니다.
처음에는 이력서를 회사 양식으로 바꾸는 기능 하나만 필요했습니다. AI는 새로운 문제가 생길 때마다 고쳤다고 답했고 결과도 나왔습니다. 하지만 시간이 지나 잘되던 기능이 흔들리자 전체를 들춰봤습니다.
프롬프트는 사례별 지침으로 불어나 있었고 비슷한 함수와 실행 파일이 여러 벌 생겨 있었습니다. 실패한 실험과 임시 보정도 그대로였습니다. 누적 수십만 줄까지 커진 코드를 살려 고치려고 했지만, 어디를 손대야 하는지 찾는 일부터 어려웠습니다. 지우려고 해도 모든 경로가 서로 얽혀 있어 몇 번은 구조 전체를 버리고 다시 만들었습니다.
AI는 눈앞의 문제를 통과시킬 해결책을 빠르게 만듭니다. 하지만 무엇을 남기고 무엇을 버릴지는 사람의 장기적인 의도를 저절로 알지 못합니다.
그래서 증상이 아닌 원인을 찾는 ‘문제 해결’, 새로 만들기 전에 덜 만들 방법부터 찾는 ‘최소 구현’, 최종 결과를 만드는 공식 경로 하나만 남기는 ‘SSP(Single Success Path)’를 한 묶음으로 만들었습니다. 이제 완료란 한 번 작동하는 상태가 아니라, 사람이 이해하고 계속 고칠 수 있는 상태를 뜻합니다.
지니무엇이든 물어보세요 친절하게 안내해 드립니다.