아마존 면접 1,000번의 침묵
10년치 인터뷰 데이터가 드러낸 탈락의 구조
왜 이 한 편인가
후인의 1,000건 면접 데이터를 단순한 "면접 팁" 기사로 읽지 않고, AI 도구가 실행을 평준화하는 시점에서 조직이 사람에게 무엇을 새로 요구하기 시작했는지의 구조적 신호로 읽었다. 같은 주 공개된 Intercom의 AI 생산성 2배 사례, 빅테크의 AI 토큰 예산 초과 데이터와 교차하면, 면접 현장의 변화가 채용 관행이 아니라 시대 전환의 전선임이 드러난다. 국내 매체가 이 세 신호를 하나의 구조로 묶어 해석한 사례는 아직 없다.
현상
아마존에서 10년간 약 1,000건의 엔지니어 면접을 진행한 스티브 후인(Steve Huynh)이 그 관찰을 책으로 정리해 공개했다(Pragmatic Engineer). 그가 발견한 패턴은 단순하다. 탈락한 후보자 대부분이 기술 실력이 아니라 자신이 한 일을 어떻게 말하느냐에서 무너졌다.
해석
이 데이터가 가리키는 구조는 개인의 소통 능력 문제가 아니다. 신호: 후인이 관찰한 탈락 패턴의 공통점은 "무엇을 했는가"는 말하지만 "왜 그 결정을 내렸는가", "어떤 트레이드오프를 고려했는가"를 생략한다는 것이었다. 패턴: 빅테크 면접이 기술 검증에서 판단 검증으로 이동했다는 점이다. 알고리즘 문제 풀이 능력 외에도, 복잡한 상황에서 의사결정 구조를 언어화하는 능력이 합격을 가른다. 의미: 엔지니어가 AI 도구를 써서 코드 산출량을 늘리는 시대에, 채용 기업이 오히려 "이 사람이 판단을 내릴 수 있는가"를 더 꼼꼼하게 들여다보기 시작했다는 신호다(Pragmatic Engineer).
이 흐름은 AI 엔지니어링 생산성 논의와 교차된다. Intercom이 9개월 만에 엔지니어링 산출물을 두 배로 끌어올린 사례를 공개하면서(Lenny's Newsletter), AI 도구로 실행 속도를 높이는 일은 이미 기본값이 됐다. 그런데 동시에 기업들은 AI 토큰 지출이 예산을 초과하는 상황에 직면하고 있다(Pragmatic Engineer). 속도는 올라갔지만 비용 판단, 우선순위 결정, 트레이드오프 선택은 여전히 사람에게 남는다. 면접 현장이 그 능력을 더 선명하게 측정하려 드는 것은 우연이 아니다.