채용 플랫폼에서 200명의 채용 후보 검토부터 제안 발송까지, Claude Code가 다 하게 만들기

📝 한줄 요약

리멤버 채용 플랫폼(기업용)에서 채용 후보를 찾고, 프로필을 검토하고, 맞춤 제안문을 작성하고, 실제 제안 발송까지 이어지는 작업을 Claude Code로 거의 자동화했습니다. 200명의 프로필을 리뷰하는 것을 병렬화로 시도했했습니다. 그 결과, 매일 2~3시간쯤 들이려던 후보 리뷰 작업을 10분 이내로 줄였고, 이제는 제가 직접 붙어서 보지 않아도 새로운 후보 검색과 검토를 계속 시킬 수 있게 됐습니다.

🎯 이런 분들께 도움돼요

• 채용은 해야 하는데 직접 후보를 뒤지고 연락하는 운영 일을 오래 붙잡고 있는 스타트업 대표

• 채용 운영 시간을 줄이고 싶은 실무자

• AI를 단순 문서 작성이 아니라 실제 운영 자동화에 붙여보고 싶은 사람

😫 문제 상황 (Before)

예전에도 Claude를 채용 업무에 쓰고는 있었습니다. 다만 방식이 조금 이상했습니다. 제가 리멤버에서 후보 프로필을 하나씩 열고, 내용을 브라우저에서 직접 선택해서 복사한 다음, 후보 검토 지침이 들어 있는 웹 버전의 Claude 프로젝트에 붙여 넣는 식이었습니다.

겉으로 보면 AI를 쓰는 것 같지만, 실제로는 제가 AI의 손발 역할을 하고 있었습니다. 반복적인 클릭, 복사, 붙여넣기, 다음 후보로 이동하는 일은 사람이 맡고, AI는 그 위에서 판단만 하는 구조였던 셈입니다. 덕분에 검토 자체는 조금 수월해졌지만, 사람이 중간에서 계속 움직여야 한다는 점은 그대로였습니다.

채용은 정말 좋은 분을 뽑기 위해서는 매일 시간을 들여서 해야 하는데 못하고 있었습니다. 그래서 이번에는 “판단만 도와주는 AI”가 아니라, 브라우저 안에서 반복 작업까지 직접 처리하는 AI로 바꿔보고 싶었습니다. 그래서 맨날 에이전트가 대신 검토해 주게 말이죠.

🛠️ 사용한 도구

• 도구명: Claude Code

• 모델: Claude Sonnet 4.6

• 특이사항: 브라우저 화면을 읽고 조작하는 확장 기능을 연결했고, 여러 페이지를 동시에 처리하기 위해 서브에이전트 방식도 함께 사용했습니다.

🔧 작업 과정

사람 손을 빼고, 후보 검토 흐름을 통째로 넘겨보기

처음부터 실제 발송까지 바로 맡기지는 않았습니다. 채용 플랫폼에서 메시지가 실제로 나가버리는 일은 부담이 있었기 때문입니다. 그래서 가장 먼저 한 일은 “이 흐름이 안전하게 돌아가는지”를 확인하는 테스트였습니다.

처음에는 제안문을 실제로 보내지 않고, 후보별 제안 내용을 .md 파일로 저장하게 했습니다. 먼저 후보를 읽고, 기준에 맞게 판단하고, 그 사람에게 보낼 메시지를 작성하는 단계까지 잘 되는지부터 본 것입니다.

그때 사용한 요청은 아주 업무형에 가까웠습니다.

지금 크롬 브라우저에 열려있는 리멤버 인재 검색 페이지에서 @remember-profile-review-test.md 에 있는 지침을 실행해줘.

Claude Code는 후보 프로필을 열어보면서 교육 기획 방향으로 커리어를 보고 있는지, 개발 지식이 아주 없지는 않은지, 최근 접속이 한 달 이내인지 같은 기준으로 적합 여부를 나눴고, 적합 후보에 대해서는 맞춤 제안문까지 작성했습니다.

여기서 인상적이었던 건 단순히 “요약을 잘했다”가 아니었습니다. 실제 운영 흐름에 맞춰 프로필 검토 → 제안 생성까지 자연스럽게 이어졌다는 점이었습니다. 작년에 비슷한 시도를 했을 때는 이런 연결이 거의 되지 않았는데, 이번에는 실제로 실무에 붙일 수 있겠다는 감각이 왔습니다.

제안문 작성에서 끝내지 않고, 실제 발송까지 이어가기

초기 테스트가 어느 정도 안정적으로 돌아가는 걸 확인한 뒤에는 한 단계 더 나아갔습니다. 이번에는 후보를 검토하고 제안문을 만드는 것에서 끝내지 않고, 제안 보내기 버튼을 눌러 실제 입력까지 이어지게 해봤습니다.

remember-profile-review.md 파일 내에 지침을 일단 담고요,

열려 있는 Remember 인재검색 웹페이지의 프로필 목록에 있는 각각의 프로필을 클릭해서 상세 프로필 내용을 파악한 뒤 아래 작업을 진행해줘.

1. 아래 조건들을 모두 만족하면 적합 판정, 하나라도 만족하지 않으면 부적합 판정을 하기
  (1) 이 사람은 교육 기획 방향으로 커리어를 고려하고 있는 사람인지 판단하기
  (2) 개발 지식이 아예 없지 않고, 어느 정도 알고 있는 사람인지 판단하기
  (3) 최근 접속이 한 달 이내인 사람
  (4) 아직 제안을 보내지 않은 사람

2. 부적합 판정을 한 프로필의 경우, 아무것도 하지 말고 다음 프로필로 넘어가줘. 적합 판정을 한 프로필의 경우, 
    (1) 그 프로필의 "제안하기" 버튼을 클릭한 다음 아래 템플릿에 맞춰서 이 프로필 개인 맞춤형으로 "제목"과 "내용"을 각각 작성하여 채운 뒤, 
    (2) "어떤 포지션을 채용하시나요?"의 드랍다운 메뉴에서 "AI 교육 담당자 (0-5년)"을 선택하고, 
    (3) 아래의 보내기 버튼을 클릭해서 개인 맞춤형 제안을 보내줘. 
    

<제안 템플릿>

제목: AI 활용을 가장 잘하는 AI 교육 매니저 직무 제안드립니다

내용:

저는 한번의 엑싯 이후 지피터스로 두 번째 창업을 한 김태현이라고 합니다. 

지피터스는 일방향의 강의가 아닌 함께 직접 해보며 배우는 AI 교육 서비스를 제공합니다. 또한, 이 경험을 바탕으로 조직의 AX를 돕는 웹서비스를 만들고 있습니다. 

저희 지피터스의 AI 교육 담당자 직무를 제안드리고 싶습니다.이력서에서 [이 인재의 이력서에서 AI 교육과 관련이 높은 경력을 짧게 정리] 부분을 인상깊게 보았고, 적임자시라고 생각하게 되었습니다.

저희 팀은 조직이 AI를 가장 잘 쓰는 방안을 끊임 없이 시도하고 있습니다 -- 예를 들어 현재는 모두가 클로드 코드로 업무를 하고, OpenClaw 에이전트를 교육 매니저로 사용하고 있습니다. 저희 팀에 합류하신다면, AI에 정말 진심인 동료들과 함께 이런 시도를 하면서, AI 시대의 가장 앞서가는 인재가 될 수 있습니다.

제안을 수락해 주신다면, 가볍게 온라인으로 커피챗 나누고 싶습니다.

수락 부탁드립니다!

</제안 템플릿>

인재 검색 결과 페이지의 링크를 포함해서 아래와 같은 프롬프트를 쳤습니다.

크롬 브라우저를 열고 [URL] 페이지를 연 다음에 remember-profile-review.md 파일의 지침 내용을 수행해줘.

놀라웠던 부분은 드롭다운 메뉴 처리였습니다. 제안을 보내는 화면에는 어떤 채용 공고로 제안을 보낼지 선택하는 드롭다운이 있었는데, 저는 그걸 미리 상세하게 지시하지 못했습니다. 그런데도 Claude Code가 화면을 보고 문맥을 판단해서 적절한 공고를 스스로 선택했습니다.

이 장면에서 “아, 이제는 단순히 텍스트를 잘 쓰는 도구가 아니라 화면을 읽고 스스로 다음 행동을 정하는 도구가 됐구나”라는 느낌을 받았습니다. 제가 일일이 “이 버튼 누르고, 여기서 이 항목 고르고, 다음 입력칸에 붙여 넣어”라고 설명하지 않아도 실제 작업을 이어가는 모습이 꽤 인상적이었습니다.

한 명 자동화가 되자, 10페이지 병렬 처리로 확장하기

한 명, 한 페이지 수준에서 흐름이 되기 시작하니 다음 질문이 생겼습니다. “그러면 이걸 여러 페이지에 동시에 돌릴 수도 있지 않을까?”였습니다.

리멤버 검색 결과 페이지에는 한 페이지당 20명의 후보가 있습니다. 저는 여기서 멈추지 않고, 페이지네이션으로 이어진 여러 결과 페이지를 한꺼번에 처리하게 해봤습니다.

이때는 페이지네이션 링크를 먼저 가져오고, 각 페이지마다 별도 서브에이전트를 붙이는 식으로 요청했습니다.

크롬 브라우저로 리멤버 검색 결과 페이지를 연 다음에 가장 아래에 있는 페이지네이션 컨트롤의 1부터 10까지의 링크를 가져와. 그리고 각각의 링크에 대해서 @remember-profile-review.md 지침을 수행하는 서브에이전트를 생성해서 실행해줘.

솔직히 이건 저도 “과연 될까?” 싶었습니다. 한 페이지 20명도 적지 않은데, 그런 페이지를 10개나 동시에 나눠서 보게 하면 중간에 꼬이거나 흐름이 깨질 줄 알았습니다. 그런데 실제로는 페이지 단위로 역할을 나눠 처리하는 방식이 꽤 안정적으로 동작했습니다.

여기서 큰 전환이 생겼습니다. 전에는 제가 직접 후보를 넘겨줘야 AI가 검토를 시작할 수 있었다면, 이제는 AI가 여러 페이지를 스스로 따라가며 후보를 검토하는 구조로 넘어간 것입니다. 채용 운영의 속도와 규모를 한 번에 바꿀 수 있겠다는 확신이 생긴 순간이었습니다.

✅ 결과 (After)

Before vs After

결과물

• 브라우저 안에서 실제 제안 발송까지 이어지는 자동화 흐름

• 페이지네이션 기준 최대 10페이지 (즉 총 200명) 병렬 검토 실험

💬 이 과정에서 배운 AI 활용 팁

효과적이었던 것

1. 처음부터 크게 벌리지 않고, 한 명 처리 흐름이 먼저 되는지 확인한 뒤 확장하는 방식이 효과적이었습니다.

2. 검토 → 제안 생성 → 입력처럼 하나의 워크플로를 먼저 안정화한 다음, 페이지 단위로 병렬화하니 훨씬 잘 작동했습니다.

이렇게 하면 안 돼요

1. 처음부터 실제 발송까지 한 번에 맡기면 부담이 커서 검증이 어렵습니다.

2. 한 명 처리 흐름이 불안정한데 곧바로 대량 병렬 처리로 가면 어디서 문제가 생겼는지 파악하기 어렵습니다.

🌍 다른 업무에 적용한다면?

이 방식은 채용만의 이야기는 아닙니다. 사람이 웹 화면에서 반복적으로 읽고, 분류하고, 입력하는 일이 있다면 비슷한 구조로 바꿔볼 수 있습니다. 예를 들어 영업 리드 정리, 고객 문의 분류, 파트너 리스트 검토, 교육 신청자 검토 같은 일도 같은 패턴입니다. 핵심은 AI에게 판단만 맡기는 데서 멈추지 않고, 그 판단이 실제 다음 액션으로 이어지게 만드는 것입니다.

🚀 앞으로의 계획

다음 단계는 리멤버 하나에서 끝내지 않는 것입니다. 이번에 만든 흐름을 다른 채용 채널에도 붙여서, 여러 플랫폼에서 후보를 찾고 검토하고 연락하는 멀티채널 아웃바운드 구조로 확장해보고 싶습니다.