안녕하세요. 15년 차 SCM 및 시스템 자동화 전문가 에이드네(Aidne)입니다.

채용 시즌만 되면 인사팀 김 대리의 하루는 이메일 수신함에 쌓인 ‘[입사지원]’ 제목의 메일을 클릭하는 것으로 시작됩니다. PDF 첨부파일을 다운로드하고, 열어서 경력 기술서를 읽고, 핵심 스펙을 다시 엑셀 시트에 복사하여 붙여넣는 이른바 ‘엑셀 노가다’가 반복되죠. 마치 끝이 보이지 않는 불량품 검수 컨베이어 벨트 앞에 서 있는 것과 같습니다.

업무 생산성을 갉아먹는 이 병목 현상, 언제까지 사람의 손으로 직접 해결하시겠습니까? 오늘은 단순 반복되는 이력서 검토 업무를 혁신적으로 줄여줄 입사 지원자 이력서 필터링 보조 AI 시스템 구성 방법을 현업 실무자의 관점에서 아주 깊이 있게 파헤쳐 보겠습니다.

이력서 검토 업무의 병목 현상과 AI 파이프라인 도입의 필요성

수백 명의 지원자가 몰리는 포지션에서 사람이 직접 이력서를 스크리닝하는 것은 엄청난 리소스 낭비입니다. 피로도가 누적되면 훌륭한 인재를 놓치는 휴먼 에러(Human Error)가 발생하기 마련이죠. 우리가 구축할 AI 시스템의 핵심은 ‘합격자를 결정하는 것’이 아닙니다. 사람(면접관)이 검토할 가치가 있는 고품질의 이력서만 남겨두는 1차 필터링 컨베이어 벨트를 자동화하는 것입니다.

Make와 ChatGPT를 활용한 이력서 필터링 AI 워크플로우 구축 실전

수박 겉핥기식의 툴 소개는 접어두고, 실제 현업에서 노코드 자동화 툴인 Make(구 Integromat)와 OpenAI API를 연결하여 어떻게 데이터 파이프라인을 세팅하는지 구체적인 4단계 워크플로우를 살펴보겠습니다.

1단계: Gmail 트리거 및 첨부파일 자동 추출

첫 번째 단계는 지원서가 접수되는 즉시 시스템을 가동하는 트리거(Trigger)를 설정하는 것입니다. Make에서 ‘Watch Emails’ 모듈을 생성하고, 검색 쿼리에 subject:"입사지원" has:attachment를 입력합니다. 이 모듈은 새로운 지원 메일이 도착할 때마다 자동으로 작동하여, 메일 본문과 PDF 또는 Word 형식의 이력서 첨부파일을 서버로 다운로드합니다.

2단계: PDF 텍스트 파싱(Parsing)

다운로드한 PDF 파일은 AI가 읽을 수 있는 순수 텍스트(Raw Text) 형태로 변환되어야 합니다. Make 내장 모듈인 ‘PDF to Text’ 또는 클라우드 변환 API(예: CloudConvert)를 거쳐 이력서의 모든 텍스트 데이터를 추출합니다. 이 과정에서 불필요한 이미지나 서식은 제거되고, 오직 지원자의 텍스트 정보만 다음 컨베이어 벨트로 넘어갑니다.

3단계: OpenAI(ChatGPT) 프롬프트 엔지니어링 및 데이터 추출

이제 추출된 텍스트를 ‘OpenAI (Create a Chat Completion)’ 모듈로 보냅니다. 여기서 가장 중요한 것은 시스템 프롬프트(System Prompt)의 정교함입니다. 단순한 요약이 아니라, 우리가 원하는 구조화된 JSON 형태로 데이터를 뱉어내도록 지시해야 합니다.

프롬프트 예시: “너는 15년 차 전문 채용 담당자야. 다음 이력서 텍스트에서 [이름, 연락처, 총 경력 연수, 핵심 기술 스택 3가지, 직무 적합도 점수(1~10점)]를 추출하여 반드시 JSON 형식으로만 반환해. 경력이 3년 미만이면 직무 적합도 점수를 5점 이하로 줘.”

4단계: 구글 스프레드시트 기록 및 슬랙(Slack) 알림 디스패치

AI가 분석하고 점수를 매긴 정형 데이터는 ‘Google Sheets (Add a Row)’ 모듈을 통해 김 대리가 보던 엑셀 시트에 실시간으로 차곡차곡 기록됩니다. 동시에 직무 적합도 점수가 8점 이상인 고성과 예상 지원자가 발견되면, ‘Slack (Create a Message)’ 모듈이 작동하여 채용 담당자 채널에 “🚨 A급 지원자 이력서 접수 알림: 홍길동 (경력 5년, 적합도 9점)” 이라는 메시지를 쏴줍니다.

전사적 AI 워크플로우 확장을 위한 B2B 시스템 기획

이러한 단위 업무의 자동화는 단순한 개인의 생산성 향상에서 끝나지 않습니다. B2B 의사결정권자라면 이 작은 워크플로우를 자사의 ATS(채용 관리 시스템)나 전사적 자원 관리(ERP) 시스템과 연동하는 거대한 데이터 파이프라인으로 확장할 수 있어야 합니다. 수천만 원을 호가하는 무거운 솔루션을 도입하기 전에, 이러한 가벼운 노코드 AI 디스패처를 구축하여 실무진의 페인 포인트를 검증하는 것이 훨씬 스마트한 투자입니다.

게시물 어떻게 하루 500통의 이력서를 5분 만에 필터링할까? 채용 담당자를 위한 AI 시스템 구축 가이드이 aidneblog에 처음 등장했습니다.

안녕하세요. 15년 차 SCM 및 자동화 전문가 에이드네(Aidne)입니다.

채용 시즌만 되면 인사팀 막내나 실무 담당자들의 모니터 앞은 그야말로 ‘컨베이어 벨트’가 됩니다. 하루에도 수십, 수백 통씩 쏟아지는 지원 메일을 열고, PDF 이력서를 다운로드하고, 핵심 스펙을 찾아 엑셀에 한땀 한땀 복붙하는 ‘김 대리의 엑셀 노가다’가 시작되는 것이죠. 이런 단순 반복 작업은 실무자의 에너지를 갉아먹을 뿐만 아니라, 정작 중요한 ‘인재 검증’에 쓸 시간을 빼앗아 갑니다.

오늘은 이 지긋지긋한 수작업을 끝내버릴 입사 지원자 이력서 필터링 보조 AI 시스템 구성 방법을 공개합니다. 단순한 툴 소개가 아니라, 당장 현업에 적용할 수 있는 Make(구 Integromat)와 ChatGPT API 기반의 실무 밀착형 워크플로우를 딥다이브 해보겠습니다.

채용 시즌, 인사팀을 덮치는 ‘이력서 컨베이어 벨트’의 비효율성

SCM(공급망 관리)에서 병목 현상(Bottleneck)이 발생하면 전체 생산 라인이 멈추듯, 채용 과정에서도 이력서 검토 단계의 병목은 훌륭한 인재를 놓치는 치명적인 결과로 이어집니다. 지원자는 결과를 기다리다 지쳐 다른 회사로 떠나고, 실무자는 채용 트래커를 작성하느라 야근을 밥 먹듯 하게 됩니다. 이제는 사람의 눈과 손이 아니라, 데이터 파이프라인과 AI를 통해 1차 필터링을 자동화해야 할 때입니다.

Make와 ChatGPT를 활용한 이력서 필터링 AI 시스템 구축 워크플로우

이 시스템의 핵심은 ‘데이터 수집 – 분석 및 요약 – 적재 및 알림’의 3단계 파이프라인을 구축하는 것입니다. 코딩을 몰라도 Make와 같은 강력한 노코드(No-code) 툴을 활용하면 누구나 나만의 AI 자동화 봇을 만들 수 있습니다.

1단계: 이메일 트리거 (Gmail 연동 및 첨부파일 추출)

먼저 지원서가 접수되는 이메일 채널을 모니터링합니다. Make에서 Gmail – ‘Watch Emails’ 모듈을 트리거로 설정합니다. 검색 쿼리에 subject:지원 OR subject:이력서 has:attachment를 입력하여, 지원 관련 첨부파일이 있는 메일만 걸러냅니다. 메일이 들어오면 ‘Iterator’ 모듈을 사용해 다수의 PDF 첨부파일을 개별적으로 분리하여 다음 단계로 넘겨줍니다.

2단계: 텍스트 파싱 및 AI 요약 (PDF to Text & ChatGPT 프롬프팅)

PDF 형태의 이력서를 AI가 읽을 수 있는 텍스트로 변환해야 합니다. PDF.co나 Google Cloud Vision 모듈을 연결해 PDF에서 텍스트를 추출(Parse)합니다. 추출된 방대한 텍스트 데이터는 곧바로 OpenAI (ChatGPT) – ‘Create a Completion’ 모듈로 전달됩니다. 여기서 프롬프트 엔지니어링이 시스템의 퀄리티를 좌우합니다.

💡 실무 프롬프트 예시:
“너는 10년 차 전문 IT 채용 담당자야. 다음 이력서 텍스트에서 [이름, 이메일, 연락처, 총 경력 연수, 핵심 기술 스택 3가지]를 추출하고, 우리의 채용 공고(JD) 기준에 부합하는지 100점 만점으로 평가한 뒤 2줄로 요약해. 결과는 반드시 JSON 포맷으로 반환해.”

3단계: 구글 시트 데이터 적재 및 슬랙 알림 (Google Sheets & Slack)

ChatGPT가 정형화된 JSON 데이터로 답변을 주면, Parse JSON 모듈로 데이터를 항목별로 쪼갭니다. 이후 Google Sheets – ‘Add a Row’ 모듈을 통해 채용 트래커 엑셀 시트에 이름, 경력, 기술 스택, AI 평가 점수를 자동으로 기입합니다. 마지막으로 Slack – ‘Create a Message’ 모듈을 연결해 채용 담당자 채널에 “[새로운 지원자 접수] 홍길동 님 / 매칭 점수: 85점 / 핵심 스택: Python, AWS”라는 알림을 쏩니다. 담당자는 슬랙 알림만 보고 면접 진행 여부를 결정하면 됩니다.

단순 반복을 넘어 전사적 AI 워크플로우로의 확장

이러한 이력서 필터링 보조 시스템은 단순한 시작점에 불과합니다. 이 파이프라인을 완벽히 이해했다면 인보이스 자동 처리, 고객 CS 메일 분류 등 회사의 모든 문서 기반 반복 업무를 AI 자동화 솔루션으로 대체할 수 있습니다. B2B 의사결정권자라면 이제 개별 직원의 생산성 향상을 넘어, 전사적인 AI 워크플로우 도입을 통해 압도적인 인건비 절감과 프로세스 혁신을 기획해야 할 시점입니다.

게시물 수백 통의 이력서 검토 끝! Make와 ChatGPT로 입사 지원자 필터링 AI 자동화 시스템 구축하는 방법이 aidneblog에 처음 등장했습니다.