1. Intro
최근 저는 신규 인재 확보를 위해 노력하던 HR팀에서 채용 프로세스에서 상당한 비효율성이 있다는 점을 발견했습니다. 특히 담당 부서와의 이력서 필터링과 폰 스크리닝(전화 면접) 과정에서 불필요한 리소스가 과도하게 소모되는 문제에 직면했습니다. 이러한 비효율성을 개선하고 더욱 효과적인 인재 소싱을 위해 HR팀은 Gemini-CLI를 활용한 AI 기반 채용 프로세스 도입을 결정했습니다. 물론 Gemini-CLI는 회사에서 Google Workspace를 이용하고 있기 때문에 좀 더 쉽게 도입이 가능했습니다.
현재 채용 프로세스는 다음과 같습니다.
1.
채용 플랫폼을 통한 구직자 이력서 수집
2.
담당 부서 인터뷰 후 이력서 필터링
3.
수집된 이력서 기반의 기본 질문 설정 및 폰 스크리닝 진행
4.
면접 및 최종 채용 프로세스 진행
이 중 2단계와 3단계에서 다음과 같은 문제점들이 두드러지게 나타났습니다.
•
담당 부서 인터뷰 과정 자체에서 발생하는 리소스 소모: 부서별로 귀중한 시간과 인력을 할애해야 합니다.
•
폰 스크리닝 및 후속 절차에 드는 리소스: 전화 면접 내용 평가, 이력서 재검토, 추가 면접 여부 결정에 상당한 시간과 노력이 투입됩니다.
결론적으로, 이러한 문제들은 각 부서의 과도한 리소스 낭비로 이어집니다. 이는 특정 지원자에 대한 정보 부족과 반복적인 수동 이력서 검토에 많은 시간을 쏟기 때문입니다. Gemini-CLI를 도입하면 이러한 비효율을 해소하고, 더욱 전략적이고 효율적으로 인재를 확보할 수 있을 것으로 기대했고, 그 효과에 대한 내용을 작성해보았습니다.
2. Prompt & Commands
2.1 Gemini-CLI 실행환경 tree 구조
Gemini-CLI를 실행할 때 macOS 환경의 tree 구조를 간단히 표현하면 아래와 같습니다.
•
resumes : 이력서를 보관하는 디렉토리
•
resumes_to_md : 이력서 데이터를 읽기 위해 PDF를 Text 파일로 만들어 보관하는 디렉토리
•
prompts : 이력서를 평가하기 위한 구체적인 명령을 작성하여 보관하는 디렉토리
•
scripts : PDF를 Text로 변경하기 위한 Python 스크립트 혹은 필요한 python 스크립트 생성
•
outputs : 평가 결과를 Markdown 형태로 출력한 결과를 보관하는 디렉토리
/Users/0x0w1/AI_Transformation
├───.env
├───commands.txt
└───HomeRoom/
├───output_template.md
├───pyproject.toml
├───uv.lock
├───outputs/
│ ├───홍길동_이력서평가.md
│ ├───김덕배_이력서평가.md
│ └───고길동_이력서평가.md
├───prompts/
│ ├───resume_prompt_v2.txt
│ └───resume_prompt.txt
├───resumes/
│ ├───홍길동_이력서.pdf
│ ├───김덕배_이력서.pdf
│ └───고길동_이력서.pdf
├───resumes_to_md/
│ ├───홍길동_이력서.md
│ ├───김덕배_이력서.md
│ └───고길동_이력서.md
└───scripts/
└───pdf_to_markdown.py
Plain Text
복사
2.2 실무 평가 Prompts 예제
Prompt 내용 예시
Backend Engineer 평가를 위한 AI 프롬프트 예제를 보여드리면, Prompt 내용 예시와 같습니다. 이렇게 작성된 프롬프트는 Gemini가 이력서를 평가하기 위한 구체적인 명령의 역할을 합니다. 프롬프트 내용을 요약해보면 다음과 같습니다.
•
평가 목표 : 기업 인사 담당자로서 Senior Backend Engineer 직무 지원자 평가
•
평가 기반 : 제공된 [직무 프로필], [평가 항목], [이력서 데이터] 활용
•
평가 항목 :
◦
총 100점 만점
◦
각 항목별 점수 및 상세 평가 내용 필수 포함
•
주요 평가 요소 : 문제 접근 방식, 기술 활용 수준, 정량/정성적 성과
•
평가 원칙 :
◦
이력서 명시 내용으로만 평가
◦
개발 언어/프레임워크 버전 업그레이드 및 학습 가능성 배제
•
결과물 형식 :
◦
마크다운 문서 (헤드라인, 서브헤드라인, 리스트, 볼드체 활용)
◦
파일 이름: [{이름}]_이력서평가.md
◦
저장 위치: outputs 디렉토리
2.3 Python 스크립트와 output 템플릿
Gemini-CLI에서 gemini-2.5-flash 모델이 PDF 파일을 직접 읽지 못하는 문제가 간헐적으로 발생했습니다. 이 문제를 해결하기 위해, PDF에서 텍스트 데이터를 추출하여 이력서 평가에 활용할 수 있는 Python 스크립트를 작성했습니다. 이 스크립트를 사용하여 추출된 정보는 resumes_to_md 디렉토리에 저장됩니다.
Python 생성 요청 명령어
인자값으로 전달받은 PDF 경로의 파일을 읽어서, 작성된 Text 데이터를 추출한 뒤 ".md" 파일로 resumes_to_md 디렉토리에 저장하는 Python 스크립트를 작성해줘.
Plain Text
복사
output_template.md
# [{이름}] 이력서 평가 보고서
---
## 📋 종합 평가 (총점: 90점)
- **채용 추천:** **면접 추천 (Accepted) | 추가 확인 필요 (Check Required) | 부적합 (Rejected)**
- **종합 의견:** 상세 평가 항목의 총평을 종합하여 500자 이내의 문장으로 평가합니다.
---
## 📊 상세 평가 항목
### 1. 경력의 깊이 및 연관성 (15/15)
- **평가 항목 ({평가점수}/{총점})** :
### 2. 직무 핵심 역량 (25/30)
- **평가 항목 ({평가점수}/{총점})** :
### 3. 언어 활용도 및 우대 기술 적합성 (25/30)
- **주요 개발 언어**:
- **평가 항목** :
### 4. 성과 및 핵심 기여도 (25/25)
- **정량적 성과 (10/10)**:
- 평가 내용
- **정성적 성과 (10/10)**:
- 평가 내용
- **리더십 경험 (5/5)**:
- 평가 내용
Plain Text
복사
2.4 이력서 평가 요청 명령어
이력서 평가를 위해 준비된 프롬프트와 Python 스크립트를 활용하여 자동으로 이력서를 평가하고 있습니다. 간헐적으로 Gemini가 출력하는 결과에 알 수 없는 문자열이 포함되는 경우가 있어, 생성된 데이터를 모두 확인하여 이러한 문자열을 보완하는 기능도 추가했습니다.
1. @resumes 디렉토리 내에 있는 pdf 파일(이력서)들을 확인해서 markdown 형태로 평가한 내용을 작성해줘.
2. 평가를 위한 prompt는 @prompts/resume_prompt_v2.txt 를 참조해주고, markdown 파일의 output 형태는 @output_template.md 파일의 형태를 지켜야해.
3. 그리고 평가 markdown 파일은 @outputs/ 저장해줘.
4. WebFetch 명령어를 이용하여 PDF 파일을 읽는 과정에서 실패할 경우 `uv run` 명령어를 이용해서 pdf_to_markdown.py 파일을 이용해서 PDF 내의 TEXT 데이터를 추출하고, 이 데이터를 이용해서 평가해줘.
5. "4."까지 실행을 완료하고, @outputs 디렉토리에 생성이 완료된 .md 파일에서 � 문자가 있는 부분을 문맥에 맞게 적절히 고쳐줘.
Plain Text
복사
3. Conclusion
Gemini-CLI 명령어를 이용하여 명령을 내려주게 되면, 원하는 작업을 차례로 수행해줍니다. 단, 작업하는 도중에 파일을 생성하거나 Python 스크립트를 실행하거나 할 경우 권한을 요청하는 경우도 있는데, 이 경우 적절히 권한 허용하겠다는 선택지를 선택하면 명령을 수행하는 데 문제가 없습니다.
이러한 AI 기반 작업은 이력서의 정성적/정량적 기준을 1차적으로 분석하고 정리해줍니다. 덕분에 HR팀은 프롬프트를 통해 회사에 필요한 인재 정보를 구체적으로 파악할 수 있으며, AI가 평가한 내용을 바탕으로 회사에 적합한 인재인지 판단할 수 있는 명확한 근거를 얻게 됩니다. 결과적으로, 이는 타 부서와의 이력서 확인 절차를 생략하고 리소스를 크게 절약할 수 있는 효과적인 솔루션이 될 수 있었습니다.
4. Retro
요즘 AI 전환에 대한 고민이 깊어지는 가운데, 개발자로서 저는 AI 활용을 넘어 비즈니스에 직접적인 솔루션을 구축하는 경험을 했습니다. 특히 HR 매니저님과 긴밀히 협력하여 AI로 채용 관련 문제를 해결한 경험은 매우 특별했습니다. 솔루션 도입 후 진행한 HR 매니저님과의 인터뷰를 통해 다음과 같은 업무 효율 및 부가가치 향상 효과를 확인할 수 있었습니다.
•
지원자 선별 정확도 향상 : 폰 스크리닝 전 이력서 소싱 단계에서 필요한 경력을 갖춘 지원자를 정확히 식별하여, 최종 지원자 선택의 정확도를 높였습니다.
•
부서별 인력 수요 명확화 : 각 부서에 필요한 인력에 대한 구체적인 정보를 파악할 수 있게 되었습니다.
•
리소스 절감 및 인사이트 확보 : 인력에 대한 추가 확인이 필요할 경우, 1차적으로 인사이트를 얻을 수 있는 근거 자료를 AI가 생성해주어 리소스를 크게 절약할 수 있었습니다.
앞으로도 이러한 방법을 포함하여 AI를 이용한 업무 개선을 해보고자 합니다.