McKinsey AI 고객 인터뷰, 준비된 지원자들을 즉석에서 시험대에 올리다

McKinsey는 일부 신입 지원자에게 시뮬레이션 고객과 10분간 대화할 기회를 제공하며, McKinsey AI 고객 인터뷰를 실시간 판단력 시험으로 만들고 있다. 아바타는 비즈니스 리더 역할을 맡고, 사람 평가자들은 각 지원자가 어떻게 듣고, 응답하고, 조정하는지를 관찰한다.

이 파일럿이 주목받는 이유는 해당 소프트웨어가 지원자에게 점수를 매기거나 다음 단계 진출 여부를 결정하지 않는 것으로 알려졌기 때문이다. AI는 예측하기 어려운 대화를 제공하지만, 지원자 평가 책임은 McKinsey 파트너와 평가자들이 계속 맡는다.

이 설계는 자동화 채용을 둘러싼 일반적인 불안을 뒤집는다. 당면한 질문은 알고리즘이 누군가를 탈락시키는지 여부가 아니다. 표준화된 디지털 고객이 준비된 케이스 인터뷰가 흔히 가리는 자질을 드러낼 수 있는지다.

McKinsey AI 고객 인터뷰에서 달라지는 점

McKinsey는 대본에 따른 채용 절차의 일부를 지원자에게 실시간으로 반응할 수 있는 대화로 대체하고 있다.

AI client interview 보도에 따르면, 북미의 비즈니스 애널리스트 직무에 지원한 일부 학부생 지원자들이 이 시뮬레이션을 경험하게 된다. 보도된 도입 범위는 가을 채용 시즌 동안 수백 명의 지원자를 포괄한다.

지원자들은 McKinsey 사무실 안에서 약 10분간 아바타와 대화한다. 사람 평가자들은 같은 공간에 남아 상호작용을 관찰한다.

보도에 따르면 아바타는 시장이나 추천안을 명확히 설명받아야 하는 교수 출신 경영진 등의 역할을 맡을 수 있다. 이러한 역할은 파트너가 고객 역할을 반복해서 연기할 필요 없이 서로 다른 대화 압박을 만든다.

파일럿에 참여한 McKinsey 파트너 Saleem Zafar는 이 시뮬레이션이 컨설턴트가 업무에서 마주하는 상황의 약 80%를 반영한다고 말한 것으로 알려졌다. 이 수치는 직무 범위를 독립적으로 검증한 지표가 아니라 McKinsey의 추정치다.

이 시스템은 비합리적이거나 모욕적인 고객을 모방하려는 목적이 아니다. 대신 질문을 던지고, 우려를 표하며, 지원자의 접근 방식에 반응하는 그럴듯한 이해관계자를 제시한다.

이 차이는 중요하다. 의도적으로 혼란스러운 봇은 대체로 인위적 스트레스 속에서의 침착성만 시험할 것이다. 일관되면서도 반응하는 고객은 누군가가 우려를 포착하고 방향을 바꾸는지 평가할 수 있다.

평가자들은 지원자가 고객이 중요하게 여기는 내용을 듣는지 관찰하는 것으로 알려졌다. 또한 지원자가 그러한 신호에 따라 행동하는지, 아니면 준비해 둔 의제를 계속 밀어붙이는지도 살핀다.

새로운 과제는 이미 여러 단계로 구성된 채용 과정에 추가된다. McKinsey의 기존 Solve assessment는 게임과 유사한 환경을 활용해 다른 지원 자료와 함께 문제 해결 능력을 평가한다.

McKinsey는 일부 사무소에서 AI 지원 케이스도 실험해 왔다. 이 과제에서 지원자는 비즈니스 문제를 해결하는 과정에서 AI 시스템을 하나의 자원으로 활용한다.

아바타 파일럿은 다른 점을 시험한다. AI를 컨설턴트가 이해하고 영향을 미쳐야 하는 사람을 대표하는, 테이블 건너편의 존재로 배치한다.

이 차이는 이 글의 핵심 긴장을 만든다. McKinsey는 지원자를 더 현실적으로 파악하고자 하지만, 합성된 대화가 실제 사람과의 업무 성과를 예측한다는 점을 입증해야 한다.

가짜 고객이 더 연습하기 어려운 이유

이 시뮬레이션은 기존 인터뷰를 준비하기는 쉽게 하지만 해석하기는 어렵게 만드는, 다듬어진 답변을 겨냥한다.

컨설팅 지원자들은 시장 진입 케이스, 수익성 프레임워크, 행동 사례, 추천안 형식을 연습하는 데 수개월을 보낼 수 있다. 광범위한 준비 산업은 지원자들이 익숙한 문제 구조를 알아보도록 돕는다.

준비 자체가 본질적으로 기만적인 것은 아니다. 이는 명확한 구성, 정량적 엄밀성, 간결한 의사소통 등 유용한 습관을 가르친다.

하지만 지나친 연습은 진정한 판단력과 훈련된 전달력의 차이를 좁힐 수 있다. 실제로 고객에게 필요한 것을 알아차리는 사람이 한 명뿐이어도, 두 지원자는 유사한 프레임워크를 사용할 수 있다.

반응형 아바타는 이 공식을 바꾼다. 지원자는 분석을 끝낸 뒤 마지막에 발표만 할 수 없다. 어떤 신호가 주목할 가치가 있는지 판단하면서 대화를 이끌어야 한다.

가령 시뮬레이션 속 시장이 예상 절감액보다 서비스 차질을 더 우려한다고 해 보자. 재무적 이점만 계속 강조하는 지원자는 이해관계자의 실제 반론을 놓친 것이다.

다른 지원자는 운영상 우려를 인정하고, 어느 지역사회가 가장 큰 위험에 놓였는지 묻고, 추천안을 수정할 수 있다. 이러한 대응은 단순한 발표 능력이 아니라 경청과 적응력을 드러낸다.

전통적인 케이스 인터뷰도 이런 특성을 평가할 수 있지만, 진행 방식은 다르다. 어떤 면접관은 자주 말을 끊는 반면, 다른 면접관은 충분한 힌트를 주거나 조용히 기다릴 수 있다.

시뮬레이션 고객은 세션마다 비교 가능한 반론을 제시할 수 있다. 이는 평가자들이 지원자를 비교할 때 더 안정적인 출발점을 제공한다.

특히 여러 사무소에서 수백 명을 평가하는 기업에는 일관성이 매력적이다. 이는 면접관의 스타일, 피로, 열의로 생기는 우발적인 차이를 줄일 수 있다.

이 과제는 컨설팅 업무 내부의 변화도 반영한다. 생성형 AI는 이제 조사, 요약, 분석, 브레인스토밍, 문서 제작을 지원한다.

이러한 도구는 정보 생성을 더 빠르게 만든다. 그러나 이해관계자의 우려를 파악하거나 질문을 받으며 추천안을 방어해야 할 필요를 없애지는 않는다.

초기 McKinsey AI 인터뷰 파일럿은 지원자가 케이스 진행 중 AI를 어떻게 활용하는지에 초점을 맞췄다. McKinsey의 Marie Christine Padberg는 AI-assisted cases에 대한 상세한 분석에서 AI를 팀의 또 다른 비즈니스 애널리스트로 설명했다.

이 형식은 지원자가 현명하게 업무를 위임하고, 모델 출력을 비판적으로 검토하며, 스스로 결론을 내리는지를 살핀다. 시뮬레이션 고객 형식은 AI가 고객의 자리를 차지할 때 지원자가 의사소통할 수 있는지를 묻는다.

두 파일럿은 함께 신입 인재 준비도에 대한 더 넓은 정의를 시사한다. 분석을 만들어내는 일도 중요하지만, 기계가 생성한 분석과 인간의 우려를 관리하는 일은 이전보다 더 중요하다.

이 변화는 주로 암기한 구조에서 강점을 얻는 지원자에게 압박을 가한다. 명확성을 잃지 않으면서 대화를 진단하고 접근 방식을 바꿀 수 있는 지원자에게 유리하다.

이는 인터뷰 코치와 대학에도 압박을 준다. 이제 준비에는 프레임워크, 암산, 최종 추천안뿐 아니라 대본 없는 이해관계자와의 교류도 포함되어야 한다.

지원자에게는 여전히 구조적 사고가 필요하다. 새로운 교훈은 구조가 지원자가 대화를 듣지 못하게 막는 것이 아니라 대화를 이끌어야 한다는 점이다.

AI는 고객을 연기할 뿐, 심사하지 않는다

가장 중요한 안전장치는 동시에 핵심적인 전환이다. 보도에 따르면 AI가 평가 대상 상황을 만들고, 채용 결정은 사람이 내린다.

많은 자동화 채용 시스템은 채용 과정의 더 이른 단계에서 작동한다. 이력서를 선별하고, 지원서를 순위화하며, 평가를 분석하거나, 대규모 예비 인터뷰를 진행한다.

지원자들은 그러한 시스템이 어떤 특성을 활용하는지 알기 어려운 경우가 많다. 알고리즘이 탈락 결정에 영향을 미쳤는지, 오류에 어떻게 이의를 제기할 수 있는지도 모를 수 있다.

보도된 McKinsey의 설계는 직접적인 자동 점수 산정을 피한다. 아바타는 지원자와 대화하지만, 성과를 해석하는 것은 사람 평가자다.

이 경계는 법적·윤리적으로 중요하다. 채용 결정을 추천하는 대화형 모델은 표준화된 시나리오만 제시하는 모델과는 다른 우려를 낳는다.

그렇다고 이 기술이 중요하지 않다는 뜻은 아니다. 아바타는 여전히 어떤 질문이 제기되는지, 어떻게 반응하는지, 언제 정보를 도입하는지를 결정한다.

이러한 대화 선택은 평가자에게 제공되는 증거를 형성한다. 시스템이 유사한 지원자에게 다르게 반응한다면, 결과 비교의 신뢰도는 낮아진다.

그럼에도 인간이 책임을 유지하면 모델이 불확실한 추론을 자동 순위로 바꾸는 일을 막을 수 있다. 또한 평가자는 대화 기록이나 수치 점수 외의 맥락도 고려할 수 있다.

이 접근 방식은 알고리즘 필터라기보다 역할극 평가에 가깝다. 고용주들은 오랫동안 발표, 그룹 과제, 배우, 모의 고객 대화를 활용해 직장 내 행동을 평가해 왔다.

AI는 이 방식을 더 쉽게 재현할 수 있게 한다. 합성 캐릭터는 설정되지 않는 한 피로해지거나, 대본을 잊거나, 승인된 시나리오를 벗어나 즉흥 연기하지 않는다.

또한 여러 사무소에 동일한 근본 과제를 제시할 수 있다. McKinsey는 관찰하고자 하는 행동을 유지하면서 표면적 세부 사항은 바꿀 수 있다.

그러나 사람의 채점은 또 다른 요건을 만든다. 평가자에게는 명확한 루브릭이 필요하다. 이것이 없다면 표준화된 아바타는 주관적 심사자에게 일관되지 않은 증거만 제공할 뿐이다.

유용한 루브릭은 경청과 동의를 구분해야 한다. 강한 지원자는 시뮬레이션 고객의 말을 모두 받아들였다는 이유만으로 높은 평가를 받아서는 안 된다.

컨설턴트는 때때로 이해관계자의 가정에 이의를 제기해야 한다. 관련된 역량은 우려를 인식하고, 그 근거를 검토하며, 다른 방안이 여전히 더 낫다는 이유를 설명하는 것이다.

평가자들은 대화 방식과 추론의 질도 구분해야 한다. 자신감, 억양, 말하는 속도, 경영진 언어에 대한 친숙함은 성과를 예측하지 못하면서도 인상에 영향을 줄 수 있다.

따라서 시스템의 가치는 전체 평가 과정에 달려 있다. 일관된 아바타는 평가 기준이 직무와 관련 있고, 문서화되어 있으며, 일관되게 적용될 때에만 도움이 된다.

McKinsey는 모델, 상세 루브릭, 검증 방법론, 대화 데이터 보존 규칙을 공개하지 않았다. 또한 기존 인터뷰와 결과를 비교한 근거도 발표하지 않았다.

이러한 미공개 사항이 파일럿에 결함이 있음을 입증하는 것은 아니다. 다만 외부 관찰자가 이 과제가 일상적인 컨설팅 상황 대부분을 반영한다는 McKinsey의 주장을 아직 검증할 수 없다는 뜻이다.

지원자에게 실질적인 신호는 분명하다. 회사는 대화 압박 속에서 경청하고, 적응하며, 답변의 주도권을 유지할 수 있는지를 관찰하고자 한다.

고용주에게 주는 교훈은 더 제한적이다. 인간 의사결정자를 유지하는 일은 가치가 있지만, 그것만으로 AI 매개 평가가 공정하거나 정확해지는 것은 아니다.

표준화가 공정성을 뜻하지는 않는다

반복 가능한 디지털 고객은 면접관 간 편차를 줄일 수 있지만, 반복 가능성만으로 평가가 지원자를 공정하게 대한다는 점을 입증할 수는 없다.

표준화는 모든 지원자가 유사한 질문을 접할 수 있으므로 객관적으로 들린다. 그러나 공정성은 시스템이 음성을 인식하고 서로 다른 의사소통 패턴에 반응하는 방식에도 달려 있다.

아바타는 특정한 예상 방식으로 말하는 지원자에게는 일관되게 행동할 수 있다. 억양, 침묵, 장애, 간접적인 의사소통이 대화를 바꿀 경우에는 예측 가능성이 떨어질 수 있다.

작은 전사 오류조차 의미를 바꿀 수 있다. 누락된 한정 표현이나 잘못 인식된 숫자는 대화를 다른 방향으로 이끌 수 있다.

사람 평가자들은 시스템이 그 어려움을 만들었다는 사실을 인식하지 못한 채 그 결과를 볼 수 있다. 그러면 지원자는 상호작용 속에 숨겨진 실패의 부담을 떠안게 된다.

이러한 위험 때문에 편의 제공은 필수적이다. McKinsey는 이미 기존 평가를 위해 장애 관련 조정이 가능하다고 지원자들에게 알리고 있다.

아바타 파일럿에도 그에 못지않게 명확한 절차가 필요하다. 지원자는 다른 형식을 요청하는 방법과 시스템이 자신을 오해했을 때 어떤 일이 일어나는지 알아야 한다.

고지 역시 중요하다. 지원자는 대화가 녹음되는지, 데이터가 얼마나 오래 저장되는지, 향후 버전 학습에 활용되는지 여부를 이해해야 한다.

McKinsey는 평가자가 대화 기록, 녹화본, 또는 실시간 상호작용만 확인하는지를 설명해야 한다. 각 형식은 서로 다른 맥락적 오류의 가능성을 낳는다.

편향은 시나리오 설계에도 스며들 수 있다. 특정한 임원 행동 모델을 중심으로 구축된 고객 페르소나는 이미 그 사회적 환경에 익숙한 지원자에게 유리하게 작용할 수 있다.

공정한 AI 채용에 관한 연구는 중립성에 대한 광범위한 주장을 왜 면밀히 검토해야 하는지 보여준다. 알고리즘 공정성의 서로 다른 정의는 충돌할 수 있으며, 편향된 데이터는 과거의 불이익을 재현할 수 있다.

보도에 따르면 McKinsey의 시스템은 지원자를 자동으로 순위화하지 않으므로, 자동 채점에 관한 연구가 이 파일럿에 완벽히 적용되지는 않는다. 다만 모델의 행동과 이를 해석하는 사람들에게는 여전히 같은 경고가 적용된다.

인간의 감독은 명백한 실패를 포착할 수 있지만, 사람들 역시 매끄럽게 보이는 시스템을 지나치게 쉽게 신뢰할 수 있다. 실물 같은 아바타는 그 응답을 실제보다 더 권위 있어 보이게 만들 수 있다.

가장 강력한 검증 방법은 이 평가를 이후의 직무 성과와 비교하는 것이다. McKinsey는 높은 점수를 받은 지원자가 입사 후 더 나은 경청자, 조언자, 팀원이 되는지를 물어야 한다.

또한 인구통계학적 집단, 교육 배경, 억양, 편의 제공 상태에 따라 결과를 비교해야 한다. 전체 합격률만으로는 차이가 왜 나타나는지 설명할 수 없다.

또 다른 유용한 검사는 반복 세션 간의 일관성을 살펴보는 것이다. 동일한 전략이 실질적으로 다른 대화를 만들어낸다면, 아바타는 표준화가 줄이는 것보다 더 많은 잡음을 도입할 수 있다.

지원자의 반응도 중요하다. 평가가 예측력을 가질 수는 있지만, 지원자가 이를 불투명하거나 침해적이거나 불필요하게 연극적이라고 느낀다면 신뢰를 훼손할 수 있다.

더 넓은 채용 시장은 이미 자동화와 개인적 접촉 사이의 긴장을 안고 있다. 일부 기업은 지원자가 원격 면접 중 챗봇을 사용할 수 있기 때문에 대면 단계를 복원했다.

이전의 대면 채용 전환에는 McKinsey, Google, Cisco가 포함됐다. 고용주들은 신원을 확인하고 도움 없이 발휘하는 기본 역량을 관찰하고자 했다.

새 파일럿은 이러한 본능을 결합한다. 지원자는 직접 참석하고, 인간 평가자가 관찰하며, AI는 통제된 대화형 과제를 제공한다.

이 하이브리드 방식은 감독 없는 봇 면접보다 더 수용될 가능성이 있다. 다만 그 정당성은 여전히 투명한 규칙과 해당 과제가 관련 행동을 측정한다는 증거에 달려 있다.

McKinsey가 검증 결과를 공개하기 전까지 가장 공정한 표현은 실험적이라는 것이다. 이 파일럿은 그럴듯한 평가 환경을 만들지만, 예측 가치는 아직 입증되지 않았다.

컨설팅 경쟁사들은 서로 다른 경로를 시험하고 있다

McKinsey의 실험은 더 광범위한 컨설팅 업계의 변화에 속하지만, 주요 기업들은 AI 시대의 판단력을 평가하는 단일 모델에 아직 합의하지 못했다.

Boston Consulting Group의 공개 채용 절차는 여전히 역량 면접, 케이스 면접, 팀 대화를 강조한다. 이 회사의 면접 절차는 문제 해결력, 분석 능력, 의사소통, 호기심, 협업을 핵심으로 제시한다.

BCG는 일부 오피스에서 AI 관련 평가도 파일럿으로 운영했다. 보도된 형식에는 지원자에게 케이스 진행 중 언어 모델 접근 권한을 부여하고, 직장 시나리오에서 AI를 어떻게 활용할지 묻는 방식이 포함된다.

이러한 시험은 AI를 지원자의 도구로 곁에 둔다. 지원자가 언제 이를 사용해야 하는지, 출력을 어떻게 평가해야 하는지, 언제 제안을 거부해야 하는지를 살핀다.

반면 McKinsey의 가상 고객은 AI를 지원자의 맞은편에 둔다. 지원자는 시스템을 조력자가 아니라 이해관계자로 다뤄야 한다.

Bain은 지원자들이 AI가 채용 과정에서 더 눈에 띄게 활용될 것을 예상해야 한다는 신호를 보냈다. 다만 세부 형식은 상황에 따라 달랐던 것으로 알려졌으며, 공개적으로는 덜 구체화돼 있다.

이 차이는 업계 내 미해결 질문을 드러낸다. 컨설팅 기업은 AI 활용 능력, AI 감독 능력, 고객 커뮤니케이션, 혹은 이 세 가지 모두를 평가해야 할까?

도구 활용 면접은 지원자가 입사 후 마주할 업무 흐름과 맞닿아 있다. 컨설턴트는 점점 더 모델에 지시를 내리고, 출력을 검토하며, 생성된 자료를 다른 증거와 결합해야 한다.

고객 시뮬레이션은 직무의 또 다른 부분을 측정한다. 분석 결과를 청중의 실제 우려에 대응하는 권고안으로 전환할 수 있는지를 시험한다.

어느 형식도 컨설팅 업무를 완전히 대변하지는 못한다. 실제 프로젝트는 수주 또는 수개월에 걸쳐 진행되고, 팀이 참여하며, 짧은 과제로는 재현할 수 없는 조직 정치가 포함된다.

10분 제한은 이 문제를 더욱 부각한다. 평가자에게는 집중된 표본을 제공하지만, 더 느리고 신중한 판단보다 빠른 언어 처리 능력에 보상할 수 있다.

이러한 상충 관계는 전통적인 케이스 면접에도 이미 존재한다. 아바타가 이를 새로 만드는 것은 아니지만, 낯선 인터페이스는 압박을 더 키울 수 있다.

따라서 McKinsey가 보고한 80%라는 주장은 신중하게 해석해야 한다. 시뮬레이션은 일반적인 상호작용 범주를 다룰 수 있지만, 그 깊이와 결과, 관계까지 재현하지는 못한다.

시장 아바타는 권고안에 이의를 제기할 수 있다. 하지만 실제 시장의 반응 뒤에 쌓인 신뢰, 정치적 제약, 제도적 기억을 재현할 수는 없다.

이 과제는 행동 표본으로 이해하는 것이 가장 적절하다. 이는 지원자가 이해관계자를 어떻게 다루는지 보여주는 추가적인 관점 하나를 제공할 뿐, 축소된 컨설팅 프로젝트는 아니다.

이러한 관점은 경쟁사와의 비교를 이끌어야 한다. McKinsey의 아바타가 더 눈에 띄거나 기술적으로 정교해 보인다고 해서 반드시 앞서 있는 것은 아니다.

핵심 질문은 이 과제가 채용 결정을 개선하는지 여부다. 강력한 평가 기준을 갖춘 단순한 인간 주도 케이스가 검증이 약한 첨단 시뮬레이션보다 더 나은 성과를 낼 수 있다.

이들 기업은 AI 도입에 관해 고객에게 조언한다는 점에서 신뢰성 시험대에도 서 있다. 자체 채용 절차는 다른 곳에서 권고하는 거버넌스를 실제로 적용하는지 보여줄 것이다.

기업이 지원자에게 신중한 모델 평가를 요구한다면, 같은 규율로 채용 모델도 평가해야 한다. 여기에는 실패 모드 테스트와 인간의 책임 문서화가 포함된다.

따라서 경쟁은 가장 많은 AI를 배치하는 데 있지 않다. AI 보조 컨설팅에 적합한 인재를 선발한다는 신뢰할 만한 증거를 찾는 데 있다.

McKinsey AI 고객 면접이 다음으로 입증해야 할 것

세 가지 신호가 이 파일럿이 의미 있는 채용 방식으로 발전할지, 아니면 제한적인 채용 실험으로 남을지를 보여줄 것이다.

첫 번째 신호는 확대다. 보도에 따르면 가을 파일럿에는 McKinsey 전체 지원자 풀이 아니라 북미 지역의 수백 명의 비즈니스 애널리스트 지원자가 참여한다.

McKinsey가 이 과제를 더 많은 직무나 지역으로 도입한다면, 이는 운영 가치에 대한 내부 신뢰를 보여줄 것이다. 조용한 철회는 증거 부족, 지원자 저항, 또는 구현 문제를 시사할 수 있다.

확대만으로 품질이 입증되지는 않는다. 기업은 평가가 성과를 예측한다는 사실을 증명하기 전에 효율적인 평가 방식을 확장할 수 있다.

두 번째 신호는 검증이다. McKinsey는 성공의 의미를 정의하고, 아바타 성과가 이후 면접 또는 직장 성과와 상관관계를 보이는지 공개해야 한다.

유용한 증거에는 세션 간 일관성, 지원자 집단 간 차이, 편의 제공 결과, 인간 역할극 과제와의 비교가 포함될 수 있다.

그러한 지표가 없다면 사실성에 대한 주장은 기술적 설명에 머문다. 이 과제가 더 뛰어난 컨설턴트를 가려내거나 더 공정한 결정을 낳는다는 점을 보여주지는 못한다.

세 번째 신호는 경쟁사의 대응 방식이다. BCG, Bain 및 다른 고용주들이 이해관계자 시뮬레이션을 도입한다면, AI 역할극은 인식 가능한 평가 범주가 될 수 있다.

다른 반응 역시 유의미할 것이다. 경쟁사들은 AI 보조 케이스가 오늘날 컨설턴트가 문제를 조사하고 분석하는 방식을 더 직접적으로 반영한다는 이유로 이를 선호할 수 있다.

지원자는 두 가능성 모두에 대비해야 한다. 도구를 감독할 수 있을 만큼의 AI 이해도와, 시뮬레이션 고객에게 정중하게 이의를 제기할 수 있을 만큼의 대화 감각이 필요하다.

그 준비가 모든 아바타 페르소나에 대한 답변을 암기하는 것을 뜻해서는 안 된다. McKinsey AI 고객 면접의 핵심 목적은 경직된 스크립트를 드러내는 데 있다.

지원자는 대신 반복 가능한 경청 루프를 연습할 수 있다. 우려를 파악하고, 그 의미를 확인하며, 분석에 미치는 영향을 설명하고, 다음에 무엇을 해야 하는지 말하는 방식이다.

또한 채용 담당자에게 실무적인 세부 사항을 물어봐야 한다. 관련 질문에는 세션 녹화 여부, 편의 제공 가능 여부, 인간 평가자가 상호작용을 활용하는 방식 등이 포함된다.

컨설팅 외의 지식 노동자도 이 모델이 확산될 수 있으므로 주목할 필요가 있다. 영업, 제품 관리, 고객 성공, 의료 행정, 리더십 채용은 모두 이해관계자와의 대화를 포함한다.

고용주는 배우를 섭외하거나 모든 면접관에게 역할 수행을 훈련시키지 않고도 시뮬레이션으로 일관된 시나리오를 제시할 수 있다.

이러한 편의성은 AI 역할극을 매력적으로 만들 것이다. 동시에 지원자가 지침, 편의 제공, 평가 조건에 관한 증거를 보관해야 할 필요성도 커질 것이다.

여러 채용 절차를 관리하는 지원자에게는 비공개 AI 지식 베이스가 도움이 될 수 있다. 기밀 평가 자료를 노출하지 않으면서 직무 세부 정보, 채용 담당자 안내, 연습 메모, 후속 질문을 연결해 보관할 수 있다.

더 근본적인 질문은 아바타가 고객처럼 말할 수 있는지 여부가 아니다. 현대의 대화형 시스템은 이미 짧은 비즈니스 대화를 이어갈 수 있다.

진정한 시험은 고용주가 연출과 증거를 구분할 수 있는지에 있다. 설득력 있는 상호작용은 관련 역량을 측정하고 책임 있는 인간 판단을 뒷받침할 때에만 유용하다.

향후 몇 차례의 채용 주기 동안 공개된 검증, 더 광범위한 도입, 명확한 지원자 보호 장치를 지켜봐야 한다. 이 신호들이 시뮬레이션 고객이 지속 가능한 채용 계층이 될지를 결정할 것이다.

그때까지 이 형식은 타당한 전제와 미완성의 증거 기반을 가진 실험으로 다뤄야 한다. 내일 합성 고객을 마주한다면, 실제로 무엇을 요구하는지 들을 수 있을 만큼 연기를 멈출 수 있을까?