지난 2~3년간, 한국 HR Tech 시장에서 굵직한 인수합병이 연달아 터졌다.
아크앤파트너스는 리멤버에 투자한 뒤 슈퍼루키, 자소설닷컴, 브래스캔영을 차례로 인수했다. EQT는 리멤버를 인수한 뒤 더존비즈온까지 품었다. 어피니티에쿼티파트너스는 잡코리아를 인수한 뒤 나인하이어와 잡플래닛을 추가했다.
서로 다른 PE가, 서로 다른 회사를, 서로 다른 시점에 인수했다. 그런데 거래들을 나란히 놓고 보면 우연이라기에는 패턴이 너무 선명하다. 왜 비슷한 시기에, 비슷한 방식으로 움직였는가.
인수 대상을 자원의 성격으로 나누면 깔끔하게 두 축으로 갈린다.
한쪽은 구직자 특화 자원이다. 이력서 관리, 커리어 커뮤니티, 기업 정보, 취업 준비 플랫폼이 이 축에 묶인다. 슈퍼루키, 자소설닷컴, 잡플래닛이 여기에 해당한다. 다른 한쪽은 구인 기업 특화 자원이다. ERP, 그룹웨어, HRM SaaS, ATS가 이 축에 묶인다. 더존비즈온, 나인하이어가 여기에 해당한다.
PE마다 결합 방향은 달랐지만, 각자가 둘 중 하나의 축에서 자원을 모으고 있다는 점은 동일했다. 글로벌 시장으로 시야를 넓혀도 흐름은 같다. 워크데이, ADP, SAP SuccessFactors 같은 기업 사이드 플레이어와 링크드인, 인디드 같은 구직자 사이드 플레이어가 각자의 영역에서 자원을 흡수해왔다. 한국에서 일어난 일은 한국만의 우연이 아니라 글로벌하게 같은 방향으로 진행되고 있는 흐름의 일부다.
PE들이 노린 것은 개별 회사가 아니라 '연결된 자원의 묶음'이었다.
자원이 따로 있을 때와 연결될 때의 차이는 질적이다.
ERP·그룹웨어에는 조직 구조와 재직자 성과 데이터가 있다. 협업툴에는 실제 업무 방식, 커뮤니케이션 패턴, 프로젝트 기여도 같은 살아있는 실무 데이터가 있다. 채용 플랫폼에는 구직자의 경력 궤적과 지원 패턴이 있다. 기업 정보 커뮤니티에는 조직 문화와 내부 평판 데이터가 있다.
각각 따로 있을 때는 그저 단편적인 서비스다. 그러나 이 네 가지가 같은 데이터 계층 위에서 연결되는 순간, 전혀 다른 질문이 가능해진다. "이 사람이 이 조직에서 오래 일할 수 있는가"라는 질문에 지원서 한 장이 아니라 구조화된 근거로 답할 수 있게 된다. 특히 협업툴 데이터는 이력서에 드러나지 않는 실제 업무 패턴을 담고 있다는 점에서, 매칭 정확도를 결정짓는 핵심 변수가 된다.
연결된 데이터는 이탈 비용이 높은 고유 시장(Captive Market)을 만든다. 기업이 이 구조 안에 들어오면, 데이터가 쌓일수록 빠져나가기 어려워진다. PE들이 노린 것은 결국 이 구조였다.
이 구조를 데이터 루프라 부를 수 있다. 서비스가 같은 계층에서 연결되는 것이 루프의 시작이고, 그 안에서 공고 조건, 합불 사유, 면접 평가, 입사 후 성과, 퇴사 이유가 다음 채용에 반영되며 시스템이 스스로 정교해지는 순환이 루프의 완성이다.
데이터 루프의 관점에서 보면, HR Tech 시장에 대한 흔한 오해 하나가 무너진다. 더 정교한 AI 모델, 더 복잡한 알고리즘을 가진 쪽이 이긴다는 생각이다.
현실은 다르다. AI의 성능은 데이터의 품질과 연결 구조에 종속된다. 아무리 뛰어난 모델이라도 비정형·비표준화된 데이터를 학습하면 결과는 부정확하다. 반대로 평범한 모델이라도 표준화된 데이터가 유기적으로 연결되어 있으면 실용적인 정확도가 나온다. 기술 자체의 차별화는 빠르게 평준화되지만, 데이터 연결 구조는 한 번 자리 잡으면 쉽게 복제되지 않는다.
승부는 누가 더 빠르게 표준화된 데이터를 유기적으로 연결하느냐에서 갈린다. 기술 경쟁이 아니라 데이터 연결 속도와 구조의 경쟁이다.
연결만 한다고 끝이 아니다. 루프가 하나의 단일 흐름으로만 작동하면 정확도에 한계가 생긴다. 모든 기업, 모든 직군, 모든 경력자를 동일한 기준으로 평가하는 루프는 결국 평균에 수렴하는 결과만 낸다.
스타트업 초기 멤버 채용과 대기업 중간관리자 채용은 적합도의 기준 자체가 다르다. 영업직군과 개발직군이 요구하는 협업 패턴도 다르고, 3년차와 10년차가 이직을 결정하는 요인도 다르다. 이 차이를 하나의 루프로 뭉개면 데이터가 쌓일수록 오히려 노이즈가 늘어난다.
업종별, 직군별, 경력 단계별, 조직 규모별로 각각 다른 기준과 가중치를 가진 복수의 루프가 동시에 작동해야 한다. 각 계층 안에서만 순환하는 정밀한 피드백이 가능해질 때, "이 직군, 이 규모, 이 경력에서 성과를 낸 사람"의 패턴이 독립적으로 쌓이고, 그 위에서 작동하는 AI 매칭은 전혀 다른 수준의 정확도를 낸다.
데이터의 양이 아니라 구조가 승부를 가르는 이유가 여기에 있다.
이 구조는 저절로 만들어지지 않는다. 세 가지 선행 조건이 있다.
첫째, 채용 조건의 표준화다. "영업 경험 있는 분"이 아니라 "기업 영업 3년 이상, 신규 고객사 주 5개 이상 개발 경험"처럼 필터링 가능한 구조화된 키워드로 정의되어야 한다. 비정형 공고 위에서는 AI가 학습할 수 없고, 루프는 시작되지 않는다.
둘째, 내부 데이터의 정형화다. ERP·그룹웨어는 물론, 협업툴 안에 쌓인 프로젝트 히스토리, 커뮤니케이션 패턴, 업무 기여 이력이 같은 계층 구조로 분류되어야 외부 채용 데이터와 연동된다. 협업툴 데이터는 그동안 HR 데이터로 취급되지 않았지만, 실제로는 가장 정직한 직무 적합도 데이터다.
셋째, 피드백의 태깅과 계층 분류다. 합불 사유, 입사 후 성과, 이탈 이유가 단순히 쌓이는 것이 아니라 직군·경력·조직 규모별로 분류되어 태깅되어야 한다. 이 구조가 갖춰질 때 루프는 단일 흐름이 아니라 다차선으로 순환하기 시작한다.
데이터가 표준화되고 계층별 루프가 작동하기 시작하면, AI 헤드헌팅은 필연적 결과다.
수십 명을 직접 검토하는 방식은 비정형 데이터 환경에서나 불가피한 선택이었다. 데이터가 계층화되고 표준화된 환경에서는 서류 검토 대상이 수십 명에서 5명 이내로 줄어들고, 채용 기간은 1~2개월에서 1~2주로, 비용은 기존 수수료의 3분의 1 수준으로 수렴한다.
중요한 것은 이 효율이 단순한 비용 절감이 아니라는 점이다. 매칭 성공률 자체가 높아진다. 계층별 루프가 축적될수록 "이 직군, 이 조건에서 오래 살아남은 사람"의 패턴이 선명해지고, AI는 그 패턴에 더 가까운 사람을 먼저 보여준다. 속도, 비용, 성공률이 동시에 개선되는 구조가 계층별 데이터 루프가 만드는 시너지의 실체다.
지금까지의 흐름을 정리하면 시장의 단계가 명확해진다.
1단계는 PE들이 각자의 축에서 자원을 결합하는 것이었고, 이미 끝났다. 2단계는 결합한 자원을 계층별 데이터 루프로 유기적으로 연결하는 것이며, 향후 5년의 과제다. 같은 PE 포트폴리오 안에 있어도 각 서비스의 데이터 구조가 다르고, 사용자 계정 체계가 다르고, 분류 기준이 다르다. 법적 연결과 데이터적 연결은 전혀 다른 문제다. 이 연결을 누가 먼저, 얼마나 정교하게 완성하느냐가 자기 축의 Captive Market 장악을 결정한다.
3단계는 아직 오지 않았다. 각자의 축에서 Captive Market이 완성되면, 다음 시나리오는 자연스럽게 하나로 향한다. 구직자 특화 생태계와 구인 기업 특화 생태계를 동시에 보유한 단일 플레이어의 등장이다. 두 축의 계층별 데이터 루프가 교차 검증되기 시작하는 순간, HR 시장의 구조 자체가 바뀐다.
이 통합은 유기적 성장으로는 불가능하다. 각자의 축에서 이미 Captive Market을 장악한 플레이어가 존재하는 상황에서, 두 축을 동시에 확보하는 유일한 방법은 대규모 인수합병이다. 구직자 특화 생태계를 가진 PE와 구인 기업 특화 생태계를 가진 PE 사이의 대형 딜, 혹은 글로벌 전략적 투자자의 크로스 인수가 향후 HR Tech 시장에서 가장 큰 사건이 될 것이다.
더 정교한 기술을 가진 쪽이 이기는 시장이 아니다. 더 빠르게 표준화된 데이터를 계층별로 연결하고, 두 축을 먼저 통합하는 쪽이 HR의 최종 판을 가져간다.