AI 면접을 따라 해보려다
발견한 다른 사업의 기회

사람을 뽑다 만든 도구가 사업을 바꿨다

AI 채용 도구로 출발한 기업이 2026년 9월 기업가치 40억 달러 평가를 받았다. 주인공은 미국의 micro1, 창업자 알리 안사리(Ali Ansari)다. 기업가치는 투자가 평가한 회사의 가치이지 보유 현금도, 창업자 개인이 실현한 이익도 아니다.[5]

처음부터 AI 학습 데이터를 팔던 회사는 아니었다. 창업자는 학생 시절 교과서를 재판매하고 온라인 과외 사업을 운영했다. 대학에서는 기업의 웹사이트·앱 제작 외주를 맡았는데, 일이 들어올 때마다 적합한 개발자를 찾아 실력을 확인하는 일이 병목이 됐다.[1]

면접에 쓰는 시간을 줄이려고 기존 AI를 연결해 개발자 선별 도구를 만들었다. 2023년 공개된 시스템은 GPT-4와 Whisper로 질문·음성·코딩 과제를 처리하고, 통과자에게 추가로 사람 면접을 진행하는 방식이었다. 자체 대형 언어모델을 처음부터 개발한 것은 아니다.[2]

그 도구가 기업에 팔리는 상품이 됐고, 검증된 개발자 공급 서비스로 확대됐다. 그러던 중 기존 데이터 기업 고객이 단기간에 수백 명의 개발자를 요청했다. 일반 스타트업 채용과 다른 수요였다. 회사는 전문가를 ‘채용시켜 주는 사업’보다 전문가가 생산한 AI 학습·평가 데이터를 직접 납품하는 사업이 더 큰 시장이라고 판단했다.[4]

2026년 10월에는 AI가 실제 업무를 연습할 수 있도록 기업의 업무 데이터를 확보하는 계획까지 발표했다. 회사가 성장한 이유는 면접 소프트웨어를 계속 팔았기 때문만이 아니다. 이미 해결하던 문제를 더 큰 구매자가 필요로 하는 방향으로 옮겼기 때문이다.[8]

지원자가 아니라 AI 연구소가 큰돈을 낸다

초기 고객은 개발자를 채용하는 기업이었다. 그 기업이 사는 것은 면접 화면이 아니라 검증에 필요한 시간과 시행착오를 줄이는 서비스다. 후보자를 많이 모으는 것만으로는 부족하고, 고객이 필요로 하는 개발 역량을 어느 정도 확인해 줘야 한다.[3]

시장 전환 이후의 핵심 구매자는 AI 모델을 훈련하고 평가하는 연구소와 기업이다. AI 모델이 법률·의료·소프트웨어 문제에 답하려면 정답과 판단 근거, 오류를 찾아내는 전문적인 검증이 필요하다. AI 기업이 모든 분야의 전문가를 직접 채용하기보다, 필요한 작업을 외부 공급업체에 맡기는 경우가 생긴다.[5]

micro1은 전문가를 모집하고 역량을 확인한 뒤, 데이터 제작·답변 평가·훈련 환경 제작 프로젝트에 배정한다. 의뢰 기업은 납품받은 자료와 평가 결과의 품질에 돈을 지불한다. AI 면접은 이제 독립 상품이면서 공급망에 전문가를 들이는 입구이기도 하다.[4]

이 구조는 누구에게나 통하지 않는다. 개발자를 수백 명 평가하려는 고객은 면접 자동화에 높은 가치를 느낄 수 있지만, 작은 가게 사장은 지원자 한 명이 지원을 포기하는 것조차 부담스러울 수 있다. 고객이 달라지면 같은 기능의 가치는 달라진다.

전문가 공급은 임금과 작업 품질을 함께 관리해야 하는 사업이다. 수요가 늘어도 공급 가능한 검증 전문가와 고객 계약이 없으면 자동으로 매출이 발생하지 않는다.

매출이 커져도 전부 회사 돈은 아니다

개발자 외주와 AI 면접 소프트웨어에서 수익이 생기던 회사는 전문가를 고객의 프로젝트에 배정하는 방식으로 확장했다. 돈의 흐름은 AI 고객의 프로젝트 비용 → 전문가의 작업 보수와 검수·운영비 → 공급업체에 남는 몫이다. 구체적인 정산율과 계약서는 공개되지 않았다.

2026년 8월 TechCrunch는 micro1이 연 환산 총매출 속도(gross run rate) 5억 달러에 도달했다고 보도했다. 여기에는 전문가들에게 지급될 금액이 포함된다. 같은 보도는 micro1이 그 금액의 약 60~70%를 전문가 보수 등으로 지출하는 구조라고 설명했다. 그래서 총매출 5억 달러를 회사의 순매출이나 이익으로 읽으면 안 된다.[6]

2026년 10월 12일, 창업자는 회사 공식 글에서 연 환산 10억 달러 속도를 넘어섰다고 발표했다. 8월의 5억 달러 보도와 10월의 10억 달러 발표는 서로 다른 시점이며, 10월 수치의 총액·순액 산정 상세와 독립 검증 범위는 제한적이다. 연 환산 수치는 해당 시점의 사업 속도를 1년으로 펼친 값일 뿐, 실제로 지난 1년간 확정된 매출이 아니다.[7]

기업가치 40억 달러도 2026년 9월 투자 유치의 평가액이다. 매출 속도가 빠르게 늘어난다는 사실이 기업이 지속적으로 흑자라는 것을 증명하지는 않는다. 공식 글은 과거 흑자 운영을 강조했지만 감사된 수익 명세를 공개한 것은 아니다.[5][7]

사업을 확장하며 micro1은 실제 기업의 업무 기록을 활용한 AI 훈련 환경으로도 나아갔다. 2026년 10월 9일 발표한 향후 12개월간 10억 달러 규모 데이터 확보 계획은 향후 목표이지 이미 집행한 현금이 아니다.[8]

AI 면접이 훌륭해도 지원자가 떠나면 끝이다

AI 면접의 강점은 분명하다. 표준화된 질문으로 많은 사람을 빠르게 평가하고, 기업이 직접 면접에 쓰는 시간을 줄인다. 하지만 모든 산업에서 필요한 것은 ‘더 정확한 탈락’이 아니다. 애초에 지원자가 모자라는 현장은 면접에 들어온 사람의 숫자를 유지하는 일부터 중요하다.

한국의 AI 채용 관련 연구에서는 AI 면접을 도입한 기업에 대한 지원 의향이 낮아질 수 있다는 결과가 나왔다. 다만 대학생 대상 연구이며, 조선업 초보자나 음식점 아르바이트의 실제 이탈률을 실측한 것은 아니다.[10]

2025년 고용노동부 조사에서 청년 응답자의 63.8%는 기업의 AI 채용 운영에 찬성했다. 그러나 조사 대상은 청년 재직자, 기업 조사는 주로 국내 상위 500대 기업이었고, AI 평가의 공정성과 기준 불투명성을 걱정하는 답변도 있었다. AI에 긍정적인 청년이 많다는 사실만으로 인력난 업종의 지원자들이 추가 면접을 기꺼이 수행한다고 볼 수는 없다.[9]

면접 결과를 신뢰할 수 있는지도 별개 문제다. 경력과 의지가 좋아 보여도 첫 출근 후 예상과 실제 작업이 달라 그만둘 수 있다. 이것은 거짓말을 적발하는 기술로 해결되는 문제가 아니다. 현실적 직무 소개에 관한 메타분석은 작업환경과 어려운 점을 미리 알리는 방식이 기대와 이직에 영향을 줄 수 있음을 보고했지만, 특정 업종에서 어느 정도 효과가 나는지는 따로 시험해야 한다.[11]

더 큰 위험은 외형적 평가를 실력이나 성실성으로 오해하는 것이다. 얼굴 표정·말투를 분석해 책임감이나 근속기간을 확정할 근거는 없다. 개인정보·차별·평가 설명 가능성도 무시할 수 없다. 결국 AI 면접을 도입한 것과 채용 결과가 좋아진 것은 서로 다른 주장이다.

성공한 제품을 그대로 가져오면 실패할 수도 있다

micro1의 AI 면접 도구를 한국의 작은 가게와 현장 업체에 적용할 수 있을까? 처음에는 간단해 보인다. 짧은 사전면접을 자동화하면 사장이 시간도 아끼고 좋은 직원을 더 쉽게 고를 것 같다. 그런데 실제 채용 환경을 가정해 보니 반대 장면이 떠오른다.

지원자 열 명 가운데 두 명을 뽑아야 하는 회사는 비교 자료가 필요하다. 그러나 지원자 자체가 부족한 회사에서는 사전면접 링크 한 번이 지원자의 마지막 인내심을 시험할 수도 있다. 사장은 평가 정확도가 높아진다는 약속보다 면접에 나타날 사람이 줄어드는 위험을 더 크게 느낄 수 있다.

이 검토는 실제 앱을 배포하거나 지원자에게 실험한 결과가 아니다. 실제 사업 운영에서 겪는 제약을 가상의 상품 설계에 대입한 사고실험이다. 그럼에도 상품 개발 전에는 반드시 필요한 질문을 던진다. 누가 돈을 내는가? 누가 새로운 절차를 감당하는가? 불편이 커지는 사람은 누구인가?

같은 시스템도 대량 채용을 하는 IT 기업에는 시간을 절약하는 도구지만, 일손이 급한 사업장에는 지원 장벽이 될 수 있다. 그렇다면 도구를 개선하는 것보다 고객과 문제를 다시 정의해야 한다.

이 단계에서 얻은 결론은 AI 면접의 전면 실패가 아니다. 성공한 기술의 시장 적합성은 그 기술의 유명세가 아니라 고객의 행동과 제약에 달려 있다는 점이다.

AI 면접 링크를 보내기 두려운 사장이라면

작은 매장에서는 사장이 면접에 쓰는 시간보다 한 명의 지원자를 잃는 비용이 더 클 수 있다. 특히 청소·주유·현장 제조처럼 선호도가 낮고 채용이 잦은 분야에서는 면접 평가의 정밀도를 높이는 순간에도 모집의 문턱이 높아질 위험이 있다.

한 가지 접근은 ‘지원자에게 AI 면접을 보게 한다’에서 ‘지원자는 평소처럼 지원하고, 사장이 놓칠 정보를 정리해 준다’로 바꾸는 것이다. 이 방식은 지원자의 추가 입력을 최소화할 수 있지만 실제 효용은 아직 검증되지 않았다.

그렇다면 한국의 작은 가게에서는 누가 유료 고객일까? 사장이 지원자를 잃지 않으면서 실제 면접 전에 무엇을 더 알 수 있는지가 중요하다. 지원자의 출근 가능일, 근무시간, 업무에 대한 이해, 실제 직무 관련 경험처럼 비교 가능한 정보는 도움이 될 수 있다. 그러나 이런 항목은 고급 AI 없이도 간단한 질문표로 확인할 수 있다.

여기서 남는 질문은 면접 기술이 아니다. 사업주가 돈을 낼 만큼의 차이를 만들어주는 정보가 무엇인지다. 도구를 먼저 만든 뒤 고객을 찾는 대신, 이미 비용을 치르는 문제부터 확인해야 한다.

좋은 직원을 고르기 전에 지원자부터 부족하다

현장 업체의 채용 문제를 계속 따라가면 한층 불편한 현실이 드러난다. 초보자가 부족하고, 입사한 뒤 금방 그만두는 경우도 생긴다. 반대로 기술을 익힌 사람이 더 좋은 조건을 찾아 옮기는 것은 근로자에게 합리적인 선택일 수 있다. 이 둘을 단순한 ‘성실성 부족’으로 묶어서는 안 된다.

2024년 주요 조선 5개사의 협력업체 421곳을 대상으로 한 고용노동부 실태조사를 인용한 2025년 보도에서는 상용직 성격의 ‘본공’ 평균 시급이 1만 2,104원, 물량팀은 1만 8,269원, 외국인 근로자는 1만 438원으로 나타났다. 이 수치는 10년 경력자의 평균 임금이 아니라 해당 집단의 평균이다. 물량팀은 고용·보험·퇴직금 조건이 달라 시급만으로 비교할 수도 없다.[13]

2026년 최저시급은 1만 320원이다. 2024년 조사 시급과 연도가 달라 차액을 2026년의 실질 임금격차처럼 계산해서는 안 된다. 다만 하청업체의 숙련 보상이 충분히 늘어나지 못하면 최저임금 인상과 맞물려 경력 차이에 따른 임금 격차가 압축될 수 있다는 구조적 문제는 검토할 만하다.[15]

정부는 이미 2023년 조선업 상생 패키지에서 원·하청의 임금·복지 격차와 협력업체 기성금 제약을 문제로 제시했고, 2024년에는 숙련도별 평가·차등 보상체계를 논의했다. 그러므로 ‘최저임금 하나가 인력난의 유일한 원인’이라고 단정하기는 어렵다. 원청·하청 계약조건, 작업강도, 지역 노동시장과 이동 선택지가 함께 작용한다.[12][14]

오랫동안 쌓아온 기술을 다른 산업으로 옮기기 어렵다면 임금에 불만이 있어도 같은 업종에 남을 유인이 생긴다. 반면 초보자는 처음부터 다른 업종을 선택할 수 있다. 경력에 따라 직장을 떠나는 비용 자체가 다를 수 있다. 이는 노동시장 구조에 관한 해석이지 모든 근로자의 선택을 설명하는 단일 원인은 아니다.

외국인 기능인력 채용 확대는 인력수급 경로가 달라졌음을 보여준다. 다만 같은 최저임금이라도 출신국의 소득 수준과 한국 내 선택지에 따라 매력도가 다를 수 있을 뿐, 외국인이 모두 임금에 만족한다는 뜻은 아니다. 체류자격과 작업환경, 권리 보호도 함께 살펴야 한다.[16]

이 문제를 AI 면접으로 해결하려 한다면, 기술은 정확해져도 일자리를 선택할 이유 자체는 바뀌지 않는다. 원래의 사업 아이디어가 현장의 구조적 문제와 부딪히는 지점이다.

본업의 문제를 해결하지 못할 때 생긴 다른 질문

기업은 해결할 수 없는 제약 앞에서도 매달 월급을 지급하고 사업을 계속해야 한다. 임금을 올려 인력을 확보하고 싶어도 전체 직원의 임금체계와 계약단가 때문에 당장 실행하기 어렵다면, 기존 문제에만 매달리는 전략에는 한계가 있다.

여기서 시선을 바꾸면 질문도 달라진다. 본업의 어려움을 즉시 없앨 수 없다면, 이미 하고 있는 활동에서 다른 가치를 찾아낼 수는 없을까? 개발자를 뽑기 위해 만든 도구에서 데이터 사업을 발견했던 micro1과 구조가 닮아 있다. 다만 두 사례의 시장과 지속성은 전혀 다르다.

예를 들어 어떤 업체는 매달 꾸준히 신규 인력을 채용한다. 그 활동은 본업에서 인건비 부담을 늘리는 동시에, 일정 요건에서는 정부의 고용지원 대상이 될 수도 있다. 새로운 서비스를 발명하지 않아도 기존 사업 활동을 다른 제도와 연결하는 방식이다.

그런데 이런 지원 가능성을 본업의 영구적인 경쟁력으로 착각하면 위험하다. 정책의 대상·한도·집행 절차는 변경될 수 있고, 지원을 받으려고 채용을 늘리는 행위가 실제 생산성과 비용에 맞지 않으면 지원금보다 손실이 커질 수 있다. 지원금이 없는 상태에서도 사업이 유지되는지 따로 계산해야 한다.

한 번의 발견이 사업의 방향을 바꿀 수 있지만, 발견이 정확한지와 그 기회가 얼마 동안 유효한지는 다른 질문이다.

채용 지원 안내문이 새로운 사업 기회가 된다면?

인력난을 겪는 작은 사업장을 생각해 보자. 직원을 구하고 교육하는 일은 매번 비용이 된다. 당장 사람을 구하는 문제를 해결하지 못하니 채용 자체가 부담스럽다.

그런데 우연히 신규채용 지원사업 안내문 한 장을 보게 된다면 어떨까? 채용의 어려움에만 집중할 때는 보이지 않던 정보다. 이미 채용을 하고 있는 사업장이라면 질문이 달라질 수 있다.

“어차피 필요한 사람을 뽑는다면, 그중 지원 자격에 맞는 채용을 기존 제도와 연결할 수 있지 않을까?”

이제 안내문에 적힌 자격 조건과 신청 절차를 확인한다. 한 제도를 살펴보다 보면 비슷한 목적의 다른 사업도 찾아볼 수 있다. 새로 인력을 뽑아 지원금을 받겠다는 발상이 아니라, 원래 필요해서 하는 채용 중 지원 요건에 해당하는 활동이 있는지 알아보는 것이다. 본업의 매출만 보던 계산에 다른 가능성이 더해진다.

여기서 정보의 격차가 나타난다. 같은 지원사업이 공개돼 있어도 어떤 기업은 요건을 확인해 신청하고, 어떤 기업은 그 정보 자체를 놓친다. 또 제도를 알아도 신청 비용이나 내부 여건 때문에 실행하지 않을 수 있다. 기회를 모르고 지나치는 것과, 알고도 실행하지 않는 것은 사업 결과에서 얼마나 다른 차이를 만들까?

새로운 상품을 만들지 않고도 기존 활동을 새로운 수요나 제도와 연결하는 사고방식이다. 개발자 선별 도구에서 AI 학습 데이터라는 새로운 수요를 발견한 micro1의 사업 전환과도 이 지점에서 만난다. 다만 민간 고객의 계약과 정부의 지원제도는 사업 구조가 다르다.

물론 발견한 정보가 곧바로 수익이 되는 것은 아니다. 실제 고용 상태, 지원 대상과 기간, 중복 제한 등 해당 사업의 요건을 충족한 경우에만 지원금을 정당하게 받을 수 있다. 정부가 과업을 발주해 대가를 지급하는 공공계약과도 수익의 성격이 다르다.

지원제도는 예산과 운영 시기에 따라 조건이 달라질 수 있다. 처음 찾은 기회가 다음 해에도 똑같이 남아 있다고 가정해서는 안 된다. 기회를 발견하는 능력과 지속 가능성을 판단하는 능력은 또 다른 문제다.

모두가 알게 된 뒤에도 같은 기회일까?

처음에는 지원사업의 존재를 모르는 기업이 많을 수 있다. 시간이 지나 정보가 확산되면 신청이 늘거나 예산이 소진되고, 다음 모집에서는 조건이 달라질 수도 있다. 같은 기회라도 발견한 시점과 실제 신청 시점에 따라 사업성이 달라질 수 있다.

그래서 기회는 발견 시점만으로 평가할 수 없다. 실행한 뒤에도 제도가 유지되는지, 지원금이 줄면 회사가 버틸 수 있는지, 신청·보고·현장확인에 드는 관리비용이 얼마인지 따져야 한다.

예측하기 어려운 외부 기회를 발견하더라도, 그 기회가 법률·제도·플랫폼 운영자의 규칙에 달려 있다면 지속성에는 구조적 한계가 있다. micro1도 경쟁업체와 고객의 수요 변화 속에서 새로운 상품을 계속 만들어야 한다. 2026년 회사가 발표한 데이터 확보 계획은 이런 변화의 한 방향이지만 미래 계약과 수익을 보장하지는 않는다.[8]

결국 이 이야기를 따라오며 처음 세운 가설은 뒤집혔다. AI 면접을 한국의 작은 가게에 팔자는 생각에서 출발했지만, 실제 현장 조건을 대입하자 도구의 적합성부터 의심하게 됐다. 그러다 본업의 제약을 완전히 없애기보다 이미 존재하는 다른 수요와 제도에서 가치를 찾는 방법으로 질문이 이동했다.

성공한 회사의 결과를 복제할 수는 없다. 하지만 문제를 만나고, 가설을 세우고, 현장에 대입하고, 통하지 않으면 방향을 바꾸는 발견의 과정은 다시 시도할 수 있다. 그 과정에서 다음 질문이 어디로 이어질지는 처음부터 정해져 있지 않다.

매출·면접효과·지원금에서 확인한 범위

미국 기업의 성장과 2026년 수치는 당사자 공식 발표·언론 취재를 교차 확인했다. 기업가치, 연 환산 총매출, 순매출, 영업이익, 미래 투자 계획은 별개 지표로 구분했다. 10월 연 환산 10억 달러는 회사 발표이며 상세 정산내역은 독립적으로 확인하지 못했다.

한국 채용시장에 대한 적용은 실제 제품 도입 결과가 아닌 사고실험이다. 국내 AI 채용 연구와 조선업 실태조사는 조사 대상과 시점이 달라 직접 비교하지 않았다. 고용지원사업은 제도별 자격과 모집 조건이 다르므로 구체적인 적용 여부는 각 사업의 공식 공고를 기준으로 판단해야 한다.

1. Los Angeles Times · 2026.02.07. 중고 교과서·과외 사업, 버클리 시절 웹·앱 외주와 내부 개발자 선별 도구의 기원. 자료 원문 ↗
2. VentureBeat · 2023.11. 초기 GPT Vetting의 GPT-4·Whisper 활용, 코딩 평가와 AI 뒤의 사람 면접에 대한 창업자 설명. 자료 원문 ↗
3. VentureBeat · 2024. 지원자의 역량에 맞춘 음성 기술면접·코딩 문제·평가 보고서로 제품화한 방식. 자료 원문 ↗
4. Inc. · 2026년 보도. 데이터 기업의 대규모 개발자 모집 요청, 2024년 탐색·2025년 사업 전환, 경쟁업체 등장. 자료 원문 ↗
5. Forbes · 2026.09.22. 40억 달러 기업가치와 1억 달러 이상 투자 유치 관련 취재, 대규모 전문가 데이터 공급 사업. 자료 원문 ↗
6. TechCrunch · 2026.08.20. 8월 총매출 기준 연 환산 5억 달러, 전문가 지급액 포함과 플랫폼에 남는 매출의 구분, 경쟁사 규모. 자료 원문 ↗
7. micro1 공식 Q3 업데이트 · 2026.10.12. 회사 자체 발표: 연 환산 10억 달러 속도 및 핵심 팀 약 180명. 연간 실현 매출이나 순이익 검증은 아님. 자료 원문 ↗
8. micro1 공식 발표 · 2026.10.09. 기업 업무 데이터를 라이선스받아 AI 학습 환경에 활용하고 향후 12개월간 최대 10억 달러를 투입하겠다는 계획; 실제 집행액은 아님. 자료 원문 ↗
9. 고용노동부·한국고용정보원 · 2025.11.28. 상위 500대 기업 대상 AI 채용 동향과 청년 조사. 소규모 음식점·조선업 구직자의 직접 대표조사는 아님. 자료 원문 ↗
10. 한국학술지인용색인(KCI) · 국내 AI 채용 연구. 한국 대학생 대상 연구에서 AI 면접 방식이 지원 의도에 부정적으로 작용한 결과와 대상·방법의 한계. 자료 원문 ↗
11. Academy of Management Journal · 메타분석. 현실적 직무 소개(RJP) 40개 연구 종합: 기대 조정·이직과의 관련성; 한국 조선소 실증 성과는 아님. 자료 원문 ↗
12. 고용노동부 · 2024.09.26. 조선업 협력사 숙련등급·차등 보상체계와 장기근속 관련 일터혁신 포럼. 자료 원문 ↗
13. 뉴스토마토 · 2025.10.13., 고용노동부 실태조사 인용. 2024년 주요 조선 5개사 협력사 421곳 조사: 본공 시급 12,104원, 물량팀 18,269원, 외국인 노동자 10,438원 등. 자료 원문 ↗
14. 고용노동부 · 2023.03.08. 조선업 원·하청 임금·복지 격차, 기성금과 신규입직자 유인 문제에 대응하는 상생 지원사업 발표. 자료 원문 ↗
15. 고용노동부 · 2025.08.05. 2026년 적용 최저임금 10,320원. 2024년 협력사 조사 수치와 연도가 다름. 자료 원문 ↗
16. 고용노동부 · 2025.12.24. 조선업 외국인력 활용 및 국내 근로자의 근무여건 개선을 함께 검토해야 한다는 정책 논의. 자료 원문 ↗