AI가 직원의 이직, 퇴직을 예측할 수 있을까? (송지훈 엔씨소프트 마케팅분석팀장)

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

AI로 직원의 이직·퇴직 위험을 예측할 가능성은 있지만, 실제 활용에는 미래 시점별 위험과 관련 요인을 설명하고 예측 성능을 검증하는 과정이 필요하다.

📌 핵심 요점

1. 소규모 조직에서도 예측을 시도할 수 있다. LLM의 사전 지식과 이탈·잔류 사례의 맥락을 활용해 적은 HR 데이터를 보완하는 접근이 제안된다. 다만 직원 100명 안팎이나 300명 미만 조직에서의 구체적인 성능 수치는 제시되지 않았다.
2. 이탈 여부보다 미래 시점별 위험이 중요하다. 구상 중인 생존 분석은 특정 특성을 가진 직원의 1년·3년·5년 후 이탈 확률을 살펴본다. 이미 이직을 결심한 사람을 찾아내는 데 그치지 않고, 사전 지원에 활용하려는 목적이다.
3. 예측의 활용 가치는 요인과 맥락의 설명에 있다. 노동 패널 데이터의 직무 만족도·조직 몰입도·생애주기 변수를 활용하고 있으며, 출산이나 승진 누락 이후의 변화도 분석하려 한다. 평가·온보딩·교육 기록 등으로 데이터 범위를 넓힐 가능성도 제시된다.
4. 분석 자동화가 설계와 해석의 전문성까지 대체하지는 않는다. 엔씨소프트에서는 에이전트로 상시 업무를 자동화하고 마케팅 데이터 인프라를 구축하고 있다. 현업의 직접 분석이 늘어도 실험 설계, 가설 설정, 통계 해석과 코드·중간 결과 검토는 여전히 필요하다.
5. 생산 속도가 빨라질수록 학습과 리더의 판단 부담을 관리해야 한다. 신입에게는 전처리와 코딩의 시행착오를 통한 학습 기회가 줄어들 수 있다. 리더에게는 결과 해석과 부서 설득의 부담이 늘 수 있어, 원리 학습과 기록의 재해석을 업무 과정에 포함필요가 있다.

🧩 배경과 문제 정의

• AI 에이전트가 반복 업무와 데이터 분석을 자동화하면서, 분석가의 역할과 현업 부서의 데이터 활용 방식이 달라지고 있다.
• 분석 결과를 쉽게 만들 수 있어도 실험 설계, 가설 설정, 통계 해석에는 전문성이 필요하다. 시행착오가 줄어들면서 신입 직원이 데이터와 업무 원리를 익힐 경로도 과제가 된다.
• 직원 이탈 예측은 데이터가 적은 조직에서도 가능한지, 이탈 여부를 넘어 시점과 요인을 설명해 사전 대응에 활용할 수 있는지가 핵심 문제다.

🕒 시간순 섹션별 상세정리

1. 게임 업데이트와 마케팅 성과를 연결하는 데이터 인프라

• 엔씨소프트 마케팅 분석 업무에서는 에이전트로 상시 업무를 자동화하고, 원하는 분석을 AI가 수행할 수 있도록 데이터 인프라를 구축하고 있다. [01:34]
• 마케팅·사업 온톨로지는 게임 업데이트나 BM 상품 출시를 광고·마케팅 지표와 연결해, 어떤 이용자에게 영향을 주었고 게임 안에서 어떤 변화가 생겼는지 분석하는 것을 목표로 한다. [01:57]

2. 분석가 채용 감소와 데이터 분석 역량의 중요성

• 데이터 분석가 채용이 줄어드는 전반적인 분위기 속에서 직무의 존속에 대한 고민이 생겼지만, 데이터를 분석하는 역량 자체는 오히려 중요해질 수 있다는 판단이다. [03:10]
• 현업 부서는 완성된 분석 보고서보다 원자료를 요청하며, AI 도구로 직접 더 깊이 분석하려는 모습을 보인다. [03:39]

3. 시행착오가 사라질 때 생기는 학습의 공백

• 데이터 전처리와 코딩 과정에서 데이터를 붙이고 빼며 겪는 시행착오는 이해와 성장의 경로였다. AI가 결과를 바로 제공하면 결과의 의미를 충분히 이해하고 여러 측면에서 해석할 수 있는지가 문제가 된다. [05:17]
• 전처리 과정의 실수는 데이터의 특성을 익히고 결과에 문제가 있는지 판단하는 경험적 지식을 만든다. 커리어를 시작하는 사람은 이러한 경험을 쌓기 어려울 수 있다. [06:27]

4. AI에 분석을 맡겨도 설계와 해석의 주도권은 필요하다

• 분석 업무를 하나씩 위임하다 보면 프로젝트의 큰 설계와 결과를 업무 영역에서 해석하는 판단까지 AI에 넘어갈 수 있다. 분석가는 이 과정에서 주도권을 잃지 않도록 주의해야 한다. [07:41]
• AI가 생략한 중간 과정을 확인하기 위해 코드와 단계별 결과를 살피고, 최종 결과에서 분석 과정을 거슬러 검토하는 방식이 필요하다. [08:31]

5. 효율성과 신입 직원의 원리 학습을 함께 확보하는 방법

• 문제 정의와 검증이 사람의 역할로 남더라도 이를 수행할 지식과 경험을 배울 경로가 줄어들면, 사회 초년생의 성장에 어려움이 생긴다. [09:49]
• 일부 분석팀은 신입 직원에게 일정 기간 AI 없이 업무를 해보게 한다. 손계산이나 손코딩처럼 도구 사용에 앞서 원리와 업무 도메인을 익히는 과정으로 볼 수 있다는 의견이다. [10:44]

6. AI의 불확실성을 다루는 코드 검증과 중간 과정 학습

• 숫자의 정확성이 중요한 데이터 분석에서는 AI가 틀릴 가능성이 문제가 된다. 확률 모델의 불확실성과 분석의 엄밀성을 어떻게 함께 다룰지가 쟁점이다. [12:21]
• 오류 가능성은 존재하지만, 코드 생성과 생성된 코드를 검증하는 로직이 발전하면서 전처리도 개선되고 있다는 평가다. [12:52]

7. 결과물 생산이 빨라질수록 커지는 리더의 해석 부담

• 개별 분석가의 코딩·전처리·분석 과정은 압축됐지만, 리더는 결과의 가정과 의미, 예측치의 적절성을 설명하며 이해관계자와 유관 부서를 설득해야 한다. [14:08]
• AI가 병렬로 생산하는 결과가 많아지면 리더가 동시에 처리해야 할 정보도 늘어난다. 리더의 인지적 처리 능력에 따라 리더십 효과가 달라질 수 있다는 가설이 제기된다. [15:03]

8. 세컨드 브레인은 기록의 축적보다 재해석이 중요하다

• 한정된 인지적 자원을 관리하기 위해 업무 지식과 의사결정 관련 정보를 지속적으로 정리하고, AI가 참고할 수 있는 세컨드 브레인으로 활용하는 방안이 드러난다. [16:54]
• 일별 기록을 주 단위로 구조화하고 옵시디언이나 LLM 위키 같은 방식으로 지식 체계를 만들 수 있다. 다만 기록을 직접 해석하고 자신의 언어로 재가공해 업무 지식으로 만드는 과정이 더 중요하다. [17:36]

9. HR에서 분석 직무로 옮기며 달라진 주장의 기준

• 직무 전환 자체를 목표로 삼기보다 HR 역량을 높이기 위해 통계를 공부했고, 조직 설문과 진단 데이터를 분석하는 행동과학 방법론을 발전시키면서 분석 직무로 이동했다. [19:53]
• 데이터 분석에서는 논리적으로 설득하는 데 그치지 않고, 검증 가능한 분석 결과를 근거로 주장해야 했다. 이 차이가 업무의 어려움과 공수를 늘렸다. [20:30]

10. 유창한 AI 문장이 늘수록 명료한 데이터의 가치가 커진다

• 언어 모델의 유창한 표현이 조직에 늘어날수록, 실제 판단을 뒷받침하는 명료한 데이터와 엄밀성이 더 중요해질 수 있다는 전망이다. [21:48]
• AI로 매끄럽게 작성한 성과관리 문구가 구성원의 신뢰를 떨어뜨릴 수 있다는 연구 사례와, 구성원이 AI로 쓴 이메일·공지를 알아차린다는 연구 사례가 근거로 드러난다. 정확한 숫자의 설득력이 커질 수 있다는 해석이다. [22:21]

11. 소규모 HR 데이터에 LLM의 사전 지식을 활용하는 예측

• LLM이 가진 사전 지식을 활용해 소규모 데이터를 보완하거나 튜닝하면, 데이터가 적은 환경에서도 예측을 개선할 수 있지 않겠느냐는 방법론이 제안되고 있다. [23:25]
• 직원이 300명 미만이거나 100명 정도인 조직처럼 데이터셋이 작은 환경에서도 LLM의 사전 지식으로 어느 정도 예측력을 확보할 수 있다는 견해다. 구체적인 성능 수치는 제시되지 않는다. [23:45]

12. 이탈 여부보다 미래 시점별 위험을 보는 생존 분석

• 이탈 여부만 분류하면 이미 이직을 결심했거나 이직할 수밖에 없는 시점의 예측이 될 수 있어, HR 관점에서 유의미한 정보가 아닐 수 있다. [24:49]
• 적용하려는 생존 분석은 특정 특성을 가진 사람이 1년·3년·5년 후 이탈할 확률을 제시하는 방식이다. 확정적인 이탈 시점보다 미래 시점별 위험을 파악하려는 접근이다. [25:13]

13. 출산과 승진 누락 이후의 변화가 직원 관리의 단서가 된다

• 예측 자체보다 어떤 요인이 이직을 만들어내는지가 핵심이다. 이직을 탐색 과정의 결과로 보는 기존 이론과 함께, 출산이나 승진 누락 같은 갑작스러운 사건으로 설명하는 이론도 있다. [25:51]
• 출산 후 어느 시점에 이직 위험이 높아지는지, 승진 누락 이후 직무 만족도와 조직 몰입도가 어떻게 변하며 이직과 연결되는지 설명하는 분석을 구상하고 있다. [26:19]

14. 정기 설문 외에 업무에서 자연스럽게 생기는 데이터 활용

• 실제 분석에서는 조직 몰입도가 가장 큰 영향을 주는 변수였지만, 회사의 환경과 특성에 따라 수집하기 어려울 수 있다. [27:21]
• LLM을 활용하면 연말 평가, 입사 당시 정보, 온보딩·교육 과정의 기록 등 다양한 형태의 데이터를 활용할 가능성이 넓어진다. 이탈뿐 아니라 역량이나 승진 관련 분석에도 활용할 수 있을 것으로 본다. [27:36]

15. 이탈 사례의 맥락을 제공하는 예측과 튜닝

• 보유 데이터를 언어 모델에 입력하는 것만으로 이탈 예측이 완성되지는 않는다. 데이터와 함께 분석 과정의 설계, 방법론 이해, 적절한 프롬프트 구성이 필요하다. [28:20]
• 이직한 사람과 이직하지 않은 사람이 각각 어떤 상황을 겪었는지 프롬프트에 사례로 제공하는 인컨텍스트 학습 방식이 묶인다. 이러한 맥락만으로도 좋은 예측치를 얻을 수 있다는 연구 제안이 있다. [28:49]

16. 이동 경로 예측 연구와 고객 퍼널 분석의 접점

• 통신 네트워크의 이동 데이터를 언어 모델에 제공하고, 지금까지 방문한 장소를 바탕으로 다음 방문 장소를 예측하도록 튜닝하는 연구들이 있다. 마케팅 업무를 직접 다룬 연구는 아니라는 한계가 함께 드러난다. [29:29]
• 현재 업무에 적용하고 있지는 않지만, 마케팅에서도 고객 퍼널을 분석하는 일이 중요하다는 점이 연결된다. 제공된 구간에서는 구체적인 적용 방식이나 결과까지 이어지지 않는다. [29:53]

17. 텍스트 데이터와 언어모델을 활용한 행동 예측·조직 분석

• 이용자가 A 광고와 B 광고를 본 뒤 게임에 유입되거나 매출을 발생시키는 행동을 텍스트 기반 데이터로 예측해 볼 수 있다는 가능성이 드러난다. [30:01]
• 대화도 텍스트로 바꿀 수 있어 데이터의 범위는 넓지만, 실제 활용에는 가공 방식과 활용 목적, 추가로 사용할 텍스트의 선택이 필요하다. 현재 업무에서는 대부분 정형화된 데이터를 사용하고 있어 이러한 고민을 폭넓게 다루지는 않고 있다. [30:24]

18. 직무를 과업으로 나누어 변화에 대비하고 AI 활용의 주도권 확보

• AI 등장 이후에는 선배 분석가의 경력을 참고하는 것만으로 자신의 진로를 정하거나 팀원에게 동기와 비전을 제시하기 어려워졌다. 빠른 변화 속에서 리더의 주요 고민은 변화 관리다. [31:57]
• AI의 영향을 모두 정확하게 예측하기는 어렵다. 데이터 전처리·알고리즘 개발·시각화처럼 직무를 세부 과업과 필요한 능력으로 나누면 마케팅과 인사 등 서로 다른 직무의 공통점도 드러난다. 과업별 영향은 예상보다 크거나 작을 수 있으므로, 일을 과업의 묶음으로 바라보며 대비하는 것이 현실적이라는 관점이다. [32:25]

🧾 결론

• 직원 이탈 예측은 가능성을 검토하고 테스트하는 단계로 소개되며, 소규모 조직에서도 충분한 정확도를 확보했다는 결론까지 제시되지는 않는다.
• HR에서 유용한 예측은 이탈 여부뿐 아니라 미래 시점별 위험과 관련 요인을 보여주고, 직원이 오래 일할 조건을 설계하는 데 연결되어야 한다.
• LLM에 데이터를 입력하는 것만으로 분석이 완성되지는 않는다. 목적에 맞는 방법론, 사례 맥락, 프롬프트 구성과 검증이 함께 필요하다.
• 분석가는 AI가 만든 결과의 가정과 의미를 이해하고, 업무 맥락에 맞게 해석하는 주도권을 유지해야 한다.

📈 투자·시사 포인트

• 기업의 AI 활용을 살펴볼 때는 도입 여부와 함께 데이터 인프라, 분석 설계 역량, 결과 검증과 실제 업무 연결 방식을 볼 필요가 있다.
• AI가 결과물 생산을 빠르게 해도 해석과 설득에는 시간이 필요하다. 조직의 생산성을 평가할 때 리더의 처리 부담과 신입의 학습 경로도 함께 고려해야 한다.
• HR 분석의 활용 범위는 정기 설문에서 평가·온보딩·교육 기록으로 넓어질 가능성이 있다. 다만 데이터의 가공 방식과 활용 목적을 정하는 일이 선행되어야 한다.
• 이 자료에는 AI 도입의 비용 절감이나 매출 효과를 판단할 수 있는 수치가 없다. 특정 기업의 투자 성과를 추정하기보다 조직 운영과 분석 역량의 변화에 대한 시사점으로 읽는 것이 적절하다.

⚠️ 불확실하거나 확인이 필요한 부분

• 소규모 HR 데이터에 LLM을 활용하는 접근의 구체적인 예측 성능, 검증 조건과 튜닝 효과는 제시되지 않았다. 작은 조직에서도 예측력을 확보할 수 있다는 견해와 검증된 성과를 구분해야 한다.
• 생존 분석과 출산·승진 누락 이후 변화의 분석은 적용하거나 구상하려는 접근으로 설명된다. 실제 조직에서 사전 대응 효과까지 확인했는지는 알 수 없다.
• 조직 몰입도가 가장 큰 영향을 준 변수라는 설명은 해당 분석에 관한 결과다. 다른 회사에서도 같은 중요도를 보이는지, 관련 요인이 이탈의 원인으로 검증되었는지는 추가 확인이 필요하다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 직원 이탈 분석의 목적을 정하고, 이탈 여부와 1년·3년·5년 후 위험 중 어떤 정보가 사전 대응에 필요한지 명확히 한다.
• 직무 만족도·조직 몰입도·생애주기 변수와 평가·온보딩·교육 기록 중 실제로 확보하고 활용할 수 있는 데이터를 점검한다.
• 이탈·잔류 사례의 맥락을 제공하는 예측을 시도할 때, 실제 데이터에서의 성능과 사례·프롬프트 조정의 영향을 확인한다.
• AI가 생성한 코드와 단계별 결과를 검토하고, 선택한 방법론과 통계 해석이 분석 목적에 맞는지 확인한다.

❓ 열린 질문

• 직원 수가 적은 조직에서 LLM의 사전 지식은 어느 정도의 예측력 개선을 제공하며, 어떤 조건에서 효과가 달라질까?
• 미래 시점별 이탈 위험을 파악한 뒤 어떤 지원을 제공해야 직원이 조직에 오래 머무는 데 도움이 될까?
• 조직 몰입도를 직접 수집하기 어려운 회사에서 평가·온보딩·교육 기록은 얼마나 유용한 정보를 제공할까?