기업들은 AI 인재 20명을 찾는 게 아니다 — ‘첫 AI 리더 1명’을 찾고 있다

AI 인재를 찾는다고 말했지만, 아직 ‘무슨 사람’을 찾는지 정하지 못했을 수 있다

기업이 ‘AI 인재를 찾고 있다’고 말해도 실제 필요한 역할은 Chief AI Officer, Head of AI, AI Product, Applied AI, Data, MLOps, FDE 등으로 크게 갈린다.

Solomon Page는 2026년 9월 AI leadership 전담 retained executive search practice를 출범시키면서, 많은 고객사가 대규모 AI팀보다 먼저 한 명의 AI 리더를 채용하고 있다고 설명했다.

첫 번째 AI 리더라는 점이 중요하다. 전임자의 빈자리를 채우는 Search가 아니라 회사 안에 아직 완성되지 않은 역할 자체를 처음 만드는 Search일 수 있기 때문이다.

Solomon Page가 강조한 어려움은 후보자 sourcing보다 Role Definition이었다

Solomon Page의 Ryan Kellner는 AI Search에서 어려움이 qualified candidate를 찾는 데만 있지 않다고 설명했다. Search가 시작되기 전에 회사가 그 역할을 통해 무엇을 달성하려는지 정의하는 것이 핵심이라는 것이다.

공식 발표에 따르면 이 practice는 Chief AI Officer, Head of AI, Director of AI, Head of Data Science뿐 아니라 Applied LLM Engineer, Agentic AI Engineer, Forward Deployed Engineer, RAG Engineer, AI Solution Architect, MLOps, AI Product, AI Research, AI Security 등까지 다룬다.

하나의 ‘AI 인재’라는 표현 아래 실제 business problem과 capability가 다른 역할들이 이미 빠르게 분화되고 있다는 뜻이다.

‘Chief AI Officer를 찾아주세요’는 아직 Search Specification이 아닐 수 있다

회사의 병목이 AI 연구능력인지, 제품화인지, 데이터인지, 현장 적용인지, 조직 전환인지에 따라 찾아야 할 사람은 달라진다.

모델 자체가 약하다면 Research·ML leadership이 중요할 수 있고, PoC가 production으로 가지 못한다면 Applied AI·Platform·Transformation 쪽이 더 중요할 수 있다. 고객 현장 적용이 문제라면 FDE나 Solution Architecture capability가 핵심이 될 수 있다.

같은 AI 리더라는 직함이라도 회사가 풀려는 문제가 다르면 완전히 다른 Talent Market으로 들어가야 한다.

AI 채용 우선순위는 C-suite 한 곳에 몰려 있지 않다

Riviera Partners의 2026 Future of Tech Leadership 연구는 북미와 유럽의 senior technology executive 958명을 조사했다.

그 조사에서 Individual Contributor를 높은 채용 우선순위로 꼽은 조직은 54%, AI 관련 VP 이하 기술역할은 48%, Manager·Senior Manager급 technical leadership은 35%, C-suite leadership은 29%였다.

즉 모든 회사가 Chief AI Officer를 가장 먼저 원하는 것은 아니다. 어떤 회사에는 첫 AI 리더가 필요하고, 다른 회사에는 그 리더 아래에서 실제 시스템을 만드는 builder layer가 더 시급하다.

Advanced AI execution에 도달한 조직은 19%였다

같은 Riviera 연구의 AI Execution Maturity Model에서는 Advanced 단계가 19%, Developing 57%, Emerging 25%로 나타났다.

이 데이터가 Solomon Page 고객군과 동일한 모집단은 아니다. 하지만 많은 기업의 AI 과제가 단순히 한 명을 채우는 문제보다 조직구조·리더십·governance·builder capability를 함께 설계하는 문제라는 추가 맥락을 제공한다.

따라서 ‘AI 인재가 필요한가’보다 ‘우리 AI 실행의 어느 지점이 막혀 있는가’를 먼저 묻는 편이 Search 정확도를 높일 수 있다.

새로운 직무에서는 Search가 JD 이후가 아니라 JD 이전으로 이동한다

기존 Search는 JD → Candidate Search → Recommendation의 순서로 진행되기 쉽다. 하지만 조직에 없던 역할을 처음 만들 때는 JD 자체가 아직 가설일 수 있다.

이때 순서는 Business Problem → Role Definition → Capability Definition → Talent Market → Candidate → Search에 가까워진다.

직함으로 바로 검색하기보다 회사 문제를 역할로 바꾸고, 역할을 capability로 쪼개고, 그 capability가 실제로 만들어진 산업과 회사를 찾은 뒤 사람을 찾는 방식이다.

잘못 정의한 사람을 열심히 찾는 것이 더 비싼 실패일 수 있다

Search가 실패하면 흔히 후보자가 부족했다고 생각한다. 실제로 Riviera 조사에서도 qualified candidate pipeline 부족 47%, 원하는 속도보다 느린 채용 43%, candidate quality 불균형 42%, 보상·equity 기대치 40%가 주요 과제로 나타났다.

하지만 Search는 그보다 앞에서 실패할 수도 있다. 회사에 필요한 것이 AI Product·Transformation 리더인데 순수 Research 경력만 찾는다면 후보자는 훌륭해도 회사의 병목을 해결하지 못한다.

이 경우 문제는 사람의 품질이 아니라 Problem과 Role의 번역이 잘못된 것이다.

BANSEOG VIEW | Search는 사람 이름보다 회사의 문제를 먼저 찾아야 한다

새로운 직무일수록 넓은 후보자 DB와 네트워크만으로는 충분하지 않다. 어떤 문제를 해결해야 하는지, 그 문제에 필요한 capability가 무엇인지 먼저 정의해야 한다.

그다음 그 capability가 실제로 존재하는 Talent Market을 찾고, 마지막에 Candidate Search로 들어가는 편이 합리적이다.

AI는 이 변화를 가장 빠르게 보여주는 시장일 뿐이다. Physical AI, 바이오 신사업, 반도체 신공정, 글로벌 전환처럼 기존 조직에 없던 역할에서도 같은 문제가 나타날 수 있다.

헤드헌팅의 가장 비싼 실패는 좋은 사람을 못 찾는 것이 아니라, 잘못 정의한 사람을 아주 열심히 찾는 것일 수 있다.