2026 채용 환경은 두 가지 평행 현실을 가지고 있습니다. 한편에서는 창립자들이 AI 지원 점수를 사용하여 역할당 200명의 후보자를 스크리닝하고 있으며, 몇 분 만에 후보자별로 서면 이유를 제시합니다. 다른 한편에서는 AI 채용 도구가 NYC 지역 법률 144에 따라 편견 감사 를 받으며, EU AI 법안에 따라 고위험으로 분류되고, EEOC 지침에 따라 법정에서 도전받고 있습니다. 이 두 가지 일이 동시에 발생하고 있으며, 종종 동일한 소프트웨어 스택 내에서 동일한 회사에서 일어나고 있습니다. 이중 현실을 이해하는 창립자들은 내구성 있는 채용 시스템을 구축합니다. AI를 순수 자동화 또는 순수 책임으로 처리하는 창립자들은 속도나 준수를 모두 잃게 됩니다.
올해 AI 채용에서 실제로 변화한 것
2026 환경을 정의하는 세 가지 변화가 있습니다. 첫째, 스크리닝 레이어가 키워드 일치에서 여러 신호 평가로 이동했습니다. 이는 시스템의 결과가 더 이상 빈도 점수가 아니라 채용 관리자가 몇 초 만에 감사할 수 있는 서면 설명이라는 것을 의미합니다. 둘째, 규제 검토가 강화되었습니다. NYC 지역 법률 144는 2023년 7월부터 적극적으로 시행되었으며, NYC 채용에 사용되는 모든 자동화된 고용 결정 도구에 대해 연간 편견 감사와 후보자 통지를 요구합니다. EU AI 법안의 부록 III에서는 채용, 신청 필터링 및 후보자 평가에 사용되는 AI 시스템을 고위험으로 분류하며, 모든 의무는 2026년 8월 2일부터 시행됩니다. 셋째, 구매자 기반이 변화했습니다. 중견 기업 및 스타트업 팀은 이제 5년 전 대기업이 지배하던 양으로 AI 지원 ATS 플랫폼을 구매하고 있으며, 이는 레거시 공급자에 대한 가격 압박과 소규모 팀이 자동화된 선별 없이는 엄격한 채용을 수행할 수 없는 운영적 사실에 의해 촉발되었습니다.
변하지 않은 헤드라인 통계
ATS 레이어에서 이력서 거부는 여전히 가장 일반적인 지원자 불만 사항입니다. 2018년 Ladders의 아이 트래킹 연구는 7.4초의 평균 이력서 검토 시간을 측정하였으며, 이는 10년 후에도 여전히 인용됩니다. 기본 행동이 변하지 않았기 때문입니다. 변한 점은 이제 7초의 스캔이 AI 지원 순위 레이어 이전이 아니라 이후에 발생한다는 것입니다. 후보자의 첫 번째 상호작용은 모델과 이루어집니다. 채용 관리자의 첫 번째 읽기는 모델의 출력입니다.
스크리닝 레이어: 키워드 매칭에서 추론으로
AI가 후보자를 스크리닝하는 방식의 변화는 2025-2026년의 가장 큰 실질적 변화입니다. 키워드 일치에 기반한 레거시 ATS 플랫폼은 이력서를 직무 설명과 일치하는 토큰 수를 세어 점수를 매겼습니다. 출력은 설명 없이 점수였으며, 점수의 유효성은 전적으로 후보자가 키워드를 얼마나 적극적으로 삽입했는지에 달려 있었습니다. 그런 모델은 여러 차원에서 이력서를 평가하고 평가를 설명하는 서면 단락을 생성하는 여러 신호 점수 매김으로 대체되고 있습니다. 임팩트 스코어링은 이러한 접근 방식을 채택한 예시로, 정량화된 성과, 경험 관련성, 경력 경로 및 기술 정렬을 평가한 다음, 0-100의 복합 점수와 서면 설명 단락을 생성합니다. 변화는 두 가지 이유로 중요합니다. 첫째, 스크리닝 출력은 감사 가능해지며, 이는 이제 NYC의 규제 요건이며 EU에서도 빠르게 다가오는 요건입니다. 둘째, 스크리닝 출력은 유용해집니다: 이유를 읽는 채용 관리자는 모델 오류를 발견하고, 자신의 판단에 따라 조정하며, 짧은 시간 안에 더 나은 선별 결정을 내릴 수 있습니다. 키워드 점수는 불투명하지만, 이유 단락은 인터뷰 결정의 작업 초안입니다.
설명 가능성이 이제 의무인 이유
NYC 지역 법률 144는 발표된 결과와 함께 편견 감사를 요구합니다. EU AI 법안은 채용 도구를 포함한 고위험 AI 시스템에 대해 기술 문서, 인간 감독 및 지속적인 모니터링을 요구합니다. 두 규제 체계 모두 불투명한 모델로는 기능적으로 만족시키기 불가능합니다. 설명 없이 점수만 출력하는 모델은 의미 있게 감사를 받을 수 없으며, 감사는 형식적이 됩니다. 각 후보자에 대해 이유를 게시하는 모델은 검토되고, 이의 제시되며, 수정될 수 있는 기록을 생성합니다. 설명 가능성은 추가할 수 있는 기능이 아니라, 채용에서 AI의 법적 사용에 대한 기반입니다.
현재 규제 환경이 요구하는 것
세 가지 프레임워크가 2026년 AI 채용 도구가 직면한 의무를 정의합니다. NYC 지역 법률 144는 가장 운영적으로 구체적입니다. 이는 NYC 기반의 채용 또는 승진에 사용되는 자동화된 고용 결정 도구에 적용되며, 독립 감사자의 지난 12개월 이내의 편견 감사를 요구하고, 감사 결과를 공개 게시하며, 대체 평가를 요청할 기회를 제공하는 후보자 통지를 요구합니다. 첫 번째 위반에 대해서는 $500, 이후 위반에 대해서는 $1,500의 벌금이 부과되며, 이는 개별적으로는 적은 금액이지만 후보자당 누적됩니다.
EU AI 법안은 더 광범위합니다. 부록 III에서는 채용, 응용 프로그램 필터링, 후보자 평가, 작업 할당 및 성과 모니터링에 사용되는 AI를 고위험으로 나열합니다. 고위험 시스템의 의무에는 위험 관리 프로세스, 기술 문서, 훈련 데이터 거버넌스, 투명성 공개, 인간 감독 요건, 정확도 및 강화도 테스트 및 시장 후 모니터링이 포함됩니다. 모든 의무는 2026년 8월 2일부터 시행되어야 하며, 이는 EU 거주 후보자가 있는 벤더나 구매자에게 중요한 날짜입니다.
미국 연방 지침은 여전히 덜 구체적이지만 점점 더 활성화되고 있습니다. EEOC는 2023년에 AI를 이용한 채용에 대해 고용주가 차별적인 영향에 대해 Title VII 하에 책임이 있음을 강조하는 지침을 발표했습니다. 일련의 주 법률(일리노이주 AIVID, 메릴랜드 AI 채용 투명성, 캘리포니아의 AB-2930 진행 중)은 연방 프레임워크와 동시에 작동하는 패치워크를 형성하고 있습니다.
스타트업 창립자에게 의미하는 바
뉴욕 기반의 후보자를 고용하는 경우, AI 스크리닝 도구는 활성 편견 감사가 필요합니다. EU 거주 후보자를 고용한다면, AI 법의 의무가 2026년 8월까지 귀하의 벤더에 적용됩니다. 미국 전역에서 고용한다면, 차별적인 영향에 대한 EEOC 책임이 이미 적용됩니다. 실질적으로, 이러한 준수 요건을 지원하지 않는 AI 공급자는 구매자에게 위험을 초래하며, 이를 지원하는 공급자는 점점 더 안전한 선택이 되고 있습니다.
Amazon에서 AI를 책임감 있게 배치하면서 배운 것
CurriculoATS 이전에 창립자는 Amazon의 추천 시스템에서 작업했습니다. 가장 직접적으로 전이된 교훈: 인간에게 영향을 미치는 AI 시스템은 감사 가능하고 이의 제기할 수 있어야 합니다. Amazon의 추천 모델은 특정 사용자 집단에 불리한 결과를 생성할 때 지속적으로 평가받고, 재훈련되며 도전받습니다. 동일한 기준이 채용 AI에도 적용되며, 각 결정의 이해관계가 훨씬 더 높습니다. 이제 채용에서 AI 유용성을 위해 3가지 원칙은 협상할 수 없습니다. 설명 가능성: 모든 점수에는 사람이 읽을 수 있는 이유가 따라야 합니다. 감사 가능성: 시스템은 성과 지표뿐만 아니라 문서가 있는 편견 감사를 지원해야 합니다. 이의 제기 가능성: 후보자는 결정을 이의 제기할 수 있어야 하며, 인간에 의해 검토되어야 합니다. CurriculoATS는 이 모든 요구를 충족하도록 설계되었습니다. 임팩트 스코어링 레이어는 각 후보자에 대한 서면 이유 단락을 게시합니다. 편견 감사 인프라는 준수를 위해 문서화되어 있습니다. 기각 이메일이 발송되기 전에 인간 검토 레이어가 설계상 요구됩니다. 이러한 것은 다른 분야에서 대규모로 배치된 AI에게는 일반적이지만, 채용이 이제 동일한 기준으로 측정되고 있다는 점이 새롭습니다.
이제 "채용에서 AI"는 단일 범주가 아닙니다.
세 가지 하위 범주는 의미 있는 위험 프로파일이 다릅니다. 이력서 스크리닝을 위한 AI는 가장 규제가 엄격하고 가장 설명할 수 있습니다. 비디오 인터뷰 분석을 위한 AI는 가장 논란이 많으며 여러 관할권에서 도전받고 있습니다. 소싱을 위한 AI는 가장 규제가 적지만, 동의 및 공개에 대한 더 심각한 질문을 제기합니다. AI 채용 도구를 평가하는 창립자는 각 공급자가 어떤 하위 범주에서 운영되는지 이해해야 하며, 준수 방식이 크게 다릅니다.
2026 스타트업 채용 스택은 실제로 어떤 모습일까
중요도 순으로 다섯 가지 구성 요소.
- 설명 가능한 AI 스크리닝. 후보자별 서면 이유를 갖춘 다중 신호 점수 매김. 편견 감사 가능.
- 점수 카드가 있는 구조화된 파이프라인. 동일한 단계, 동일한 기준, 각 인터뷰에서 서면 피드백. HBR 연구에 따르면 비구조적 루프보다 직무 성과 예측이 두 배 더 효과적입니다.
- 캘린더 및 제안 통합. 일정 조정에 대한 단일 진실 공급원, 수준별로 사전 작성된 제안 템플릿, 각 단계 전환 시 자동 알림.
- 편견 감사 및 준수 문서. 연간 독립 감사, 후보자 대면 통지, EU 후보자를 채용하는 경우 EU AI 법의 기술 문서.
- 90일 품질 추적. 스크리닝 모델을 조정하기 위해 결과 데이터 피드백. AI가 실제로 성공을 예측하는지를 확인합니다.