대표적인 생성형 AI인 대규모 언어 모델(LLM, Large Language Model)은 직무 기술서 자동 생성, 후보자 안내 메일 작성, 인터뷰 질문 설계, 교육 콘텐츠 및 피드백 메시지 작성 등 HR의 일상적인 콘텐츠 제작 업무를 빠르고 정밀하게 처리할 수 있게 해준다. 이는 HR의 업무 부담을 크게 줄이며, 더 나아가 포용적이고 다양성을 고려한 언어를 사용하는 데에도 도움을 준다. 또한 생성형 AI는 예측형 AI의 한계를 보완한다. 예측형 AI는 데이터를 기반으로 미래 행동을 예측하지만, 그 결과를 전달하고 실현하기 위한 언어적, 설계적 표현이 필요하다. 이때 생성형 AI는 예측 결과를 바탕으로 실제 실행 가능한 커뮤니케이션과 콘텐츠를 생산함으로써, ‘분석’에서 ‘실행’으로의 전환을 돕는다.
--- 「01_AI와 HR 데이터」 중에서

요약 기능은 주로 텍스트 생성 모델(text generation models)을 활용하며, 다음과 같은 문장으로 출력된다. “이 후보자는 5년 이상의 백엔드 개발 경력을 보유했으며, Java와 Spring Framework에 숙련되어 있습니다.” 한편, 점수화는 AI가 특정 직무 또는 역량 기준에 따라 지원자의 적합도를 수치로 표현하는 것이다. 예를 들어, 업무 연관성, 경력 연차, 기술 키워드 일치율 등을 기준으로 0~100점의 점수를 매긴다. 이러한 점수는 지원자 간 비교 및 우선 검토 대상을 가려내는 데 사용된다. 이 기능은 사람의 직관적 판단을 보완하는 ‘보조 의사결정 장치’로서 역할 한다.
--- 「03_AI 기반 스크리닝」 중에서

커버레터(Cover Letter. 이력서, 자기소개서)에서도 정량적 성과는 중요하다. 첫 단락에서 “지난 2년간 개발자 및 디자인 직군 중심으로 총 73명을 채용하며, 지원자 경험 개선 및 채용 전환율 제고를 주도해 왔습니다”와 같이 자신의 핵심 성과를 요약하는 문장이 필요하다. 중간에는 기업이 요구하는 직무와 자신이 수행한 프로젝트의 연결성을, 마지막에는 기업의 문화와 가치에 공감하는 지원 동기를 설득력 있게 전달해야 한다.
--- 「06_AI 채용 대응 전략과 준비」 중에서

국내 일부 기업들은 AI 기반의 면접 솔루션을 도입했으나, 신뢰성과 정확성 문제로 논란을 겪고 있다. 예를 들어, 국내 대기업들의 채용 과정에서 AI 면접 시스템이 사용되었으나, 구직자들은 평가 기준의 불명확성과 예측 불가능성에 대해 불만을 토로했다. 또한 AI 시스템이 지원자의 실제 역량보다 말의 속도나 목소리 톤 같은 비본질적인 요소에 지나치게 민감하게 반응한다는 비판도 있었다. 실제로 몇몇 사례에서는 높은 평가를 받은 지원자들이 실제 업무에서 기대에 크게 못 미치는 성과를 보여, AI 평가의 예측 타당성이 의문시되었다. 이는 AI 기술을 채용에 도입할 때 명확한 설명 가능성과 신뢰성 확보가 반드시 선행되어야 함을 시사한다.