본문 바로가기
HR-Tech.

[HR Tech.] #01 ChatGPT를 활용한 헤드헌팅 추천 문구 작성

크리숨 2024. 2. 15. 19:27

 

안녕하세요. HR의 혁신을 연구하는 크리숨입니다.

이번 아티클은 개발자와 헤드헌터였던 경험을 살려 간단한 ChatGPT 활용 사례를 싣게 되었습니다.

 

Intro

  • 기존에 합격한 우수한 합격자의 지원서류와 추천 문구를 AI에 학습시켜, 헤드헌터가 새로운 추천서를 작성할 때 추천 문구를 편리하게 추천해주는 시스템의 구현 가능성과 기대 성과를 예측해봅니다.

 

AI의 헤드헌팅의 도입 가능성

  • 바야흐로 ChatGPT 시대입니다. 요즘에는 ChatGPT 등을 중심으로 LLM이 발달하면서 AI의 비즈니스 도입 영역이 점차 증가하고 있습니다.
  • B2B 비즈니스 중에서도 민감한 인사 데이터를 다루는 헤드헌팅 서비스의 특성상 아직도 많은 프로세스에 컨설턴트에 의한 하이 터치 서비스가 요구되고 있습니다.
  • 많은 헤드헌터와 HR 담당자들의 궁극적인 소원은 AI를 통한 후보자와 잡 매칭일 것입니다.
  • 그러나 오늘은 리써치와 잡매칭 영역이 아니라 헤드헌팅 추천서에 포함되는 ‘추천 문구’에 관하여 포커스를 좁히고, 실제 사례를 가지고 직접 ChatGPT로 작업한 내용을 다룹니다.
  • 개인 정보 유출이 우려될 수 있는 내용은 마스킹 처리하였습니다. 또한 제가 Learning 과정 중에 실험적으로 사용한 방법이기 때문에 더 효과적이고 효율적인 방법들이 있을 수 있습니다.

 

헤드헌팅과 Documentation

헤드헌팅 과정에서 발생되는 주요 문서들

  • 추천 문서 (Resume, CV, Cover Letter, 에세이, 포트폴리오 등)
  • Reference Note (후보자 평판 추천서)
  • 이메일 : 클라이언트, 후보자, 써치펌 내부
  • 채용 공고, Job Description 작성

 

추천 문서

  • 헤드헌팅 추천 시에 후보자 추천서에는 ‘후보자의 지원서류(이력서, 자기소개서)'와 ‘개인 정보’ 그리고 ‘추천 문구’ 등이 포함됩니다.
  • 후보자 추천 문구는 구인 회사에게 첫 인상을 심어주는 매우 중요한 요소입니다. 추천 문구는 후보자를 종합적으로 분석해야 하고 동시에 눈을 사로 잡을 수 있도록, 창의적이면서도 엣지 있게 요약 작성해야 하는 매우 까다로운 작업입니다.
  • 후보자 1명의 추천 문구 작성 소요 시간은 평균적으로 국문 10분, 영문 20분 정도 입니다. 추천서 전체의 작성 시간은 국문 2시간, 영문 4시간 정도 소요 됩니다.
  • 헤드헌터의 숙련도에 따라 시간은 단축될 수 있으나, 한 포지션당 3~5명의 추천서를 작성해야 합니다. 한 포지션의 추천서에 공을 제대로 드리려면 하루로도 부족할 수 있습니다. 항시 바쁜 헤드헌터에게 추천서 작성은 부담이 매우 큰 작업입니다.

 

환경 이해

  • 국내 헤드헌팅 시장은 약 6,000억원 규모로 추정됩니다.
  • 원티드, 리멤버(드라마앤컴퍼니), 사람인, 잡코리아와 같은 잡포털 유형과 로버트월터스, 유니코써치 등과 같이 국내외에 이름 있는 써치펌부터 중소 규모까지 다양한 써치펌이 있습니다.
  • 써치펌들 간의 업무 방식은 폐쇄적이고 상호 간에 confidential이 유지되고 있어 정확한 파악이 매우 어렵습니다.-
  • 모든 조건이 동일한 상황이라면, 후보자 추천성과 달성의 핵심은 우수한 후보자를 얼마나 빠르게 확보하고, 추천하고, 채용 담당자의 마음을 사로잡는지에 달려 있습니다.

 

ChatGPT(GPT-4)의 국문 서류 적용

  • 먼저 ChatGPT(GPT-4)로 과거에 실제 합격했던 후보자의 국문 이력서+자기소개서와 채용공고를 매칭하여 추천 문구를 작성을 요청해보았습니다.
  • 단, 한 번에 원하는 내용을 얻어내기 어려워 프롬프트를 여러 차례 추가하여 분석하였습니다.

 

1차 시도 (단순 추천 문구 작성 요청)

1차 시도
  • 1차 시도에서는 JD와 이력서의 중요 부분들을 군데 군데 언급하는 수준에 머물렀습니다.
  • 또한 국문을 영문으로, 영문을 다시 국문으로 번역한 탓에 어색한 표현들이 많았습니다.

 

2차 시도 (400자로 내용 축약 요청)

2차 시도
  • 분량이 줄어들면서 내용이 눈에 잘 들어오게 되었습니다.
  • 하지만 여전히 어색한 표현을 많이 사용하고 있습니다.

 

3차 시도 (키워드 중심으로 축약 요청)

3차 시도
  • ‘이력’과 관련해서 중요한 키워드들은 잘 뽑아내었습니다.
  • 하지만 이력서와 자기 소개서의 표면이 아니라 이면의 내용까지 끌어오지는 못했습니다.

 

4차 시도 (업무 스타일, 업무 태도, Personality 추가 요청)

4차 시도
  • 4차 시도에서는 업무 스타일, 업무 태도, Personality를 추가하도록 하였더니 약간의 분석을 통한 창의적인 내용들을 얻을 수 있었습니다.

 

4차 시도와 실제 추천 문구 비교

4차 시도와 실제 문구 비교
  • 이번에는 4차 시도에서 발췌한 키워드를 정리하여, 실제 추천 문구와 비교하였습니다.
  • 서로 의미적으로 겹치는 문구는 노란색으로 표시하였습니다. 직관적으로 약 40%의 일치율을 보였습니다.
  • 흥미로운 점은 헤드헌터가 사용하지 않은 표현으로 ‘상세한 기술 지식을 갖춘 전문가, ‘새로운 환경에서의 적응력과 효과적 업무 수행 능력 보유’을 추천하였다는 것입니다. 이는 후보자의 실제 성향과도 가까운 특성입니다.

 

소결론

  • ChatGPT는 처음에는 단순히 이력서 및 자기소개서를 요약한 수준에 그쳤으나, 프롬프트를 추가하면서 이력서에 나타나지 않는 업무 태도나 업무 스타일, Personality에 대한 부분을 일부 유추해내었습니다. 또한 ‘새로운 환경에서의 적응력’과 같이 헤드헌터가 사용하지 않은 표현도 제안하였습니다.
  • 1차 시도에서는 30점 정도의 만족도에 그쳤습니다. 하지만 간단한 프롬프트 튜닝 결과 직관적이거나 창의적이고, 독창적인 표현들은 아무래도 미흡하였지만 종합적으로 검토하였을 때 70점 수준의 (기대 외로 괜찮은) 추천 문구 작성 능력을 보여주었습니다.

 

궁금증

  • 여러 후보자의 추천 문구 작성을 요청했을 때 추천 문구 마다 얼마나 차별적으로 작성할 수 있을지 추가 분석이 필요한 것으로 판단되었습니다.
  • 또한 국문이 아니라 영문에서는 보다 효과가 높을지도 분석이 필요하였습니다.

 

ChatGPT(GPT-4)의 영문 서류 적용 (5명)

  • 이번에는 프롬프트를 다듬어서 5명의 후보자의 지원서류와 채용 공고를 매칭시켰습니다.

 

 

5명의 추천 문구 비교
  • 영문 추천 문구의 경우에도 주관적으로 70점의 만족도도 초안으로 활용해도 무리가 없을 수준을 보여주었습니다.
  • 후보자 간의 추천 문구의 차별성에 있어서도 충분히 유의미할 것으로 기대되었습니다.
  • 단, 헤드헌터에 의한 고유의 표현과 첨삭은 필요할 것으로 전망되었습니다.

 

중간 결론. 소기의 목표 달성

한 포지션 5명의 추천 문구 소요 시간 100분 → 30분으로 단축

  • 5명의 후보자의 추천 문구 작성을 위해서는 총 100분 (20분 * 5)이 소요됩니다.
  • ChatGPT를 이용하는 경우 10분 정도면 5명 각각의 추천 문구 초안을 만들 수 있었습니다.
  • ChatGPT가 만들어준 초안을 활용하면 헤드헌터가 총 30분 이내에 추천 문구 작성을 끝낼 수 있을 것으로 전망되었습니다.

 

추가 과제

  • 상기의 분석을 종합하면 별도의 LLM 모델을 사용하기 보다는, ChatGPT을 지속적으로 활용하는 것이 좋을 것으로 판단되었습니다.
  • 다만 기존의 추천서 문구를 학습시키는 Supervised Fine-tuning과 나아가서는 헤드헌터의 개입이 가능한 InstructGPT 도입이 필요할 것으로 판단되었습니다.

 

GPT / Supervised Fine-Tuning / InstructGPT 사용 시의 효과 차이

* 출처 : Aligning language models to follow instructions (OpenAI)

  • ChatGPT 단독 사용이 아니라 사람의 개입은 신뢰도와 효용성을 높입니다.

 

GPT Fine-tuning

 

  • Fine-Tuning 모델의 적용은 추후 MBA Capstone 과정에서 배우고 익혀서 다룰 예정입니다.

 

GPT Fine Tuning 유료 모델 비용

Fine Tuning 유료 모델
  • 이력서와 자기소개서 그리고 JD 분석을 위해서는 Davinci 모델 도입이 필요합니다.

 

Closing

  • 간단한 프롬프트 엔지니어링으로 추천 문구의 퀄리티를 높일 수 있었습니다.
  • 100점은 아니지만 짧은 시간 고민한 것 치고는 reasonable한 결과를 얻을 수 있었습니다.
  • 70점 이상의 영역은 추가적인 연구가 필요합니다.

 

Reference

 

티스토리툴바