Paperis 아티클
"일자리의 93%가 위험"이라는 분석엔, 잘 인용되지 않는 나머지 절반이 있다.
이 글은 AI가 연구 논문을 바탕으로 작성한 교육·정보 제공용 콘텐츠이며, 전문가의 조언을 대체하지 않습니다. 오류를 발견하셨나요? 알려주세요
© 2026 네오쿤스(Paperis) · 링크 공유는 환영합니다. 전문 전재·재배포는 사전 허가가 필요합니다.
"절반의 일자리가 곧 기계에게 넘어간다." 이 한 문장이 지난 10년간 우리를 불안하게 했다. 그리고 지금, 생성AI는 그 불안을 한 단계 끌어올렸다. 과거의 기계는 한 사람의 '작업 하나'를 대신했지만, 요즘 거론되는 자율 에이전트는 여러 단계의 추론과 도구 사용을 거쳐 직무 전체(workflow)를 통째로 수행하려 한다. 한 분석은 이 에이전트형 노출도를 O*NET 직무 데이터로 계산해, 금융·법률·의료·영업·사무 등 정보집약 직군의 93.2%가 2030년까지 '중간 위험' 임계를 넘는다고 추정했다 — 신용분석가·판사 같은 직업이 특히 높았다 (arXiv:2604.00186).
숫자만 보면 종말처럼 들린다. 그런데 같은 분석에는 잘 인용되지 않는 다른 절반이 있다. 그 모델은 인간-AI 협업·AI 거버넌스·도메인 AI 운영 등 17개의 '새로 생겨나는 직업군'도 동시에 식별했다 (arXiv:2604.00186). 파괴와 창출이 한 장의 표에 같이 적혀 있는 셈이다.
이 글은 그 표의 양면을 따라간다. 공포에서 출발해, 자동화의 역사가 실제로 어떤 결을 그렸는지, 생성AI에 관한 최신 증거가 무엇을 보여주는지, 그리고 — 솔직하게 — 우리가 아직 모르는 것이 무엇인지까지. 한 가지 먼저 밝혀 둘 것이 있다. 여기 인용하는 논문은 거의 전부 동료심사 전 프리프린트(arXiv)다. 노동시장의 미래는 본래 예측이 갈리는 주제이고, 그래서 어느 한 줄을 결론으로 읽으면 안 된다는 사실이 이 이야기의 일부이기도 하다.
공포에는 근거가 있었다. 로봇과 AI를 다룬 연구들이 "현재 일자리의 약 절반이 자동화 위험에 있다"는 추정을 내놓았고, 이 숫자가 대중의 불안을 키웠다 (arXiv:1706.06906). 자동화로 인한 대규모 노동 대체를 전제로, 보편기본소득(UBI)을 해법으로 검토한 연구가 나올 정도였다 (arXiv:2009.09198).
흥미로운 건, 그 절반이라는 추정을 만든 전문가들 자신이 대중보다 더 신중했다는 점이다. 로보틱스·AI 전문가를 대상으로 한 설문에서, 전문가들도 향후 20년 안에 상당수 직업이 자동화 위험에 있다고 봤지만, 그 시점은 비전문가들의 예상보다 수십 년 더 뒤였다. 컴퓨터가 인간 수준 성능에 도달하는 시기 자체를 더 늦게 잡았기 때문이다. 연구진은 "기술적 장벽이 사회에 준비할 시간을 더 줄 수 있다"며, 대중의 속도 기대를 낮춰야 한다고 적었다 (arXiv:1706.06906). 공포의 첫 단추부터, 가장 잘 아는 사람들은 한 박자 느리게 말하고 있었다.
자동화 논쟁이 처음은 아니다. 수십 년의 연구가 분명히 한 것이 있다면, 기술변화는 승자와 패자를 동시에 낳는다는 사실이다. 기계는 인간이 하던 일부 일을 대체하지만, 동시에 다른 종류의 일에서는 인간의 생산성을 높인다 ().
20세기 후반의 주역은 '숙련편향 기술변화(SBTC)'였다. 새 기술이 고숙련 노동의 수요를 끌어올리면서, 패자는 임금 분포의 아래쪽에 몰렸다. 다만 같은 기술 충격을 받은 나라들의 임금 불평등이 제각각이었다는 사실은, 기술 자체만큼이나 노동시장 제도가 결과를 매개한다는 점을 보여줬다 (arXiv:2001.06003). 정보통신기술(ICT)을 보면 결이 더 또렷하다. ICT 자본은 숙련 노동과 '보완'하며 숙련 프리미엄을 키웠고 (arXiv:1904.09857), 한 연구는 ICT가 성별 임금격차는 좁히고, 숙련 임금격차는 넓히며, 노동소득분배율은 떨어뜨렸다고 정리했다 (arXiv:2005.12600). 하나의 기술이 한쪽 격차는 줄이고 다른 격차는 늘리는, 양면적 작용이다.
노동소득분배율 — 경제 산출 중 노동에 돌아가는 몫 — 의 하락은 산업국들의 공통 수수께끼다. 한 연구는 이를 인구 고령화 같은 비(非)경제적 요인과도 연결지으며, 노동분배율을 "기존 산출을 자동화하려는 힘과, 인간 노동이 필요한 새 산출을 요구하는 수요 사이의 동적 균형"으로 모델링했다 (arXiv:2308.14982). 즉 자동화가 한쪽에서 노동 몫을 깎는 동안, 새로운 수요가 다른 쪽에서 노동을 다시 불러들인다는 그림이다.
여기서 핵심 분기점이 등장한다. 같은 AI라도 '자동화(automation)'냐 '증강(augmentation)'이냐에 따라 결과가 갈린다는 통찰이다. 한 영향력 있는 논문은 인간을 흉내 내는(human-like) AI에 과도하게 집중하면 '튜링의 함정'에 빠진다고 경고했다. 기계가 인간 노동의 더 나은 대체재가 될수록 노동자의 협상력은 약해지지만, AI가 인간을 흉내 내기보다 증강하는 쪽으로 설계되면 노동자는 창출된 가치의 몫을 요구할 힘을 유지한다는 것이다. 문제는 현재 기술자·경영자·정책가에게 증강보다 자동화 쪽 인센티브가 과하다는 점이다 (arXiv:2201.04200).
공포의 서사는 '대체'에 집중한다. 그러나 증거의 결은 더 복잡하고, 일부는 정반대 방향을 가리킨다.
가장 반직관적인 결과는 노동소득분배율과 임금의 관계에서 나온다. 흔한 걱정은 "AI가 노동 몫을 깎으면 임금이 내려간다"는 것이다. 그런데 한 이론·실증 연구는 정반대를 증명했다. 규모수익불변·완전경쟁 경제에서 임금을 최대화하는 노동분배율은 자본-노동 비율에만 의존하며, 노동분배율이 그 수준보다 높을 때는 추가 자동화가 분배율을 깎으면서도 임금을 올린다. 미국과 다른 11개 산업국 데이터로 보니 12개국 모두 노동분배율이 그 임금최대화 수준보다 높았고, 따라서 추가 자동화가 임금을 끌어올려야 한다는 결론이었다. 실제로 이들은 1954~2019년 미국 실질임금 성장의 16%가 노동분배율 하락에서 비롯됐다고 추정했다 (arXiv:2601.06343). 물론 같은 논문은 이 임금 이득에도 불구하고 자동화발 분배 변화가 사회·정치적 도전을 낳는다고 단서를 달았다.
왜 자동화가 노동을 전부 삼키지 못할까. 한 모델은 그 답을 인간 수요의 모양에서 찾았다. 인간의 필요는 '롱테일' — 개별로는 작지만 모이면 거대한, 끝없는 니치 목록 — 을 선호한다. 그래서 경제는 '성숙한 산출의 공급 자동화'와 '새로운 니치 산출에 대한 수요 혁신'이 경쟁하는 무대가 되고, 새 수요가 계속 생겨나는 한 노동의 몫은 0으로 수렴하지 않는다 (arXiv:2307.14525).
미시 증거도 이 양면성을 뒷받침한다. 2015~2022년 미국을 분석한 한 연구는 AI를 노동 대체형(automation AI)과 노동 증강형(augmentation AI)으로 갈라 측정했다. 결과는 뚜렷했다. 자동화 AI는 저숙련 직군의 새 일자리·고용·임금을 깎았지만, 증강 AI는 새로운 일(new work)을 만들어내고 고숙련 임금을 올렸다 (arXiv:2503.19159). 같은 'AI'라는 단어 아래 정반대의 두 힘이 공존하는 것이다.
심지어 인간의 노동 가치 자체가 옮겨 갈 수 있다. 한 이론은 AI-증강 환경에서 인간 노동의 가치가 '실행(execution)'이 아니라 '주도성(agency)' — 판단을 내리고 방향을 설정하고 AI 시스템의 작동 틀을 설계하는 능력 — 에서 점점 더 나온다고 주장한다 (arXiv:2501.01448). 또 다른 연구는 AI 역량이 영역마다 '울퉁불퉁(jagged)'하다는 점에 주목해, AI가 인간보다 강한 영역에서 발전하면 노동소득이 항상 오르지만, AI가 약한 영역에서의 발전은 인간-AI 소통 방식에 따라 노동의 한계생산성을 높일 수도 낮출 수도 있다고 분석했다 (arXiv:2408.16443).
'자동화'라는 말조차 실제론 다른 일을 할 때가 있다. 셀프계산대를 분석한 한 연구는 그것을 '유사 자동화(pseudo-automation)'라 불렀다. 일을 실제로 없애는 게 아니라, 노동을 직원에게서 (무급) 고객에게로 떠넘기고, 남은 직원의 일은 오히려 감시·문제해결·규칙집행 중심으로 더 까다로워졌다는 것이다 (arXiv:2410.02888). 자동화의 외피 아래에서 일이 사라진 게 아니라 재구성됐다.
생성AI는 과거 자동화와 결이 다르다. 창의적·인지적이며 거의 모든 직무에 스며들 수 있어, 자동화에 면역이라 여겨지던 직군까지 건드린다. 캐나다 하원에 제출된 한 브리프는 "생성AI도 과거 기술처럼 대량 실업으로 이어지진 않을 수 있지만, 기존 자동화 예측 모델의 가정은 더 이상 들어맞지 않는다"고 정리했다 (arXiv:2311.03595). 그래서 우리는 과거 데이터가 아니라 지금 막 쌓이는 증거를 봐야 한다.
가장 직접적인 신호는 기업 지출 데이터에서 나왔다. 한 연구는 미국의 대형 경비관리 플랫폼 결제 데이터로 2021~2025년 기업들이 온라인 노동 마켓(Upwork·Fiverr 등)과 AI 모델 제공사에 쓴 분기별 지출을 추적했다. ChatGPT 출시(2022년 10월)를 공통 충격으로 삼은 이중차분 분석에서, 온라인 노동 의존도가 높던 기업일수록 AI를 더 일찍·더 강하게 도입하면서 동시에 외주 노동 지출을 줄였다. 가장 노출된 기업에서 온라인 노동 지출 $1 감소는 AI 지출 $0.03 증가와 연결됐는데, 이는 외주 태스크를 AI로 대체할 때 비용이 자릿수 단위로 절감됨을 뜻한다. 연구진은 이를 "생성AI가 생산에서 인간 노동의 부분적 대체재로 쓰이고 있다는 첫 직접적 미시 증거"라고 못 박았다 (arXiv:2602.00139).
노동 공급 쪽에서도 같은 충격이 보인다. 온라인 작업 플랫폼의 프리랜서들을 분석한 연구는, ChatGPT 출시 직후 단기적으로 노동 수요가 줄고 노동 공급이 늘었으며, 프리랜서들이 입찰 수를 줄이고 포지셔닝을 바꿨다고 보고했다. 다만 변화는 작업 영역마다 달랐고, 고숙련 프리랜서는 조정 비용이 커 재포지셔닝이 덜했다 (arXiv:2403.15262). 직무 수준에서도 결이 뒤섞인다. 직무 태스크와 AI 취약도를 결합한 한 분석은 의외로 더 고숙련일수록, 분석적 비루틴 태스크일수록 AI 자동화에 취약하다는 점을 보였고, 임금 효과는 직군마다 갈렸다 — 루틴 태스크가 많은 직군은 AI 취약도가 높을수록 오히려 임금 성장이 컸다 (arXiv:2404.06472). "단순직부터 사라진다"는 통념과 어긋나는 대목이다.
그렇다면 단기 순효과는? 한 연구는 LLM 노출도가 다른 직군들의 소득·실업을 합성대조군 방법으로 비교했다. 결과는 노출이 높은 직군의 소득이 ChatGPT 도입 이후 오히려 늘었고, 실업률은 변하지 않았다. 즉 초기 조정은 '노동자 재배치(실업)'가 아니라 '소득' 채널로 일어났다는 것이다 (arXiv:2509.15510). 적어도 지금까지의 단기 데이터에서는, 두려워한 대량 실업의 신호가 아직 또렷하지 않다.
이 변화는 예측의 단서가 되기도 한다. 한 연구는 뉴스·레딧의 LLM 관련 온라인 담론 강도가 채용 공고·순고용·재직기간·실업기간 같은 고용 지표를 1~7개월 앞서 예측한다는 것을 보였다 (arXiv:2511.16028). 노동시장의 지각변동이 통계에 잡히기 전에, 사람들의 대화가 먼저 흔들린다는 얘기다.
여기까지 보면 "파괴와 창출이 균형을 이룬다"고 안심하고 싶어진다. 그러나 정직한 그림에는 두 개의 큰 그늘이 있다. 순효과가 불확실하다는 것, 그리고 그 불확실성이 균등하게 분배되지 않는다는 것이다.
먼저 측정 자체가 흔들린다. 여러 정부와 기업이 AI 노출도 점수를 써 왔지만, 한 연구가 미국 주별 실업보험 데이터(2010~2020)로 검증하니 개별 노출도 모델은 어느 것도 실업률·실업위험·이직률을 예측하지 못했다. 오직 여러 모델을 묶은 앙상블만 의미 있는 예측력을 보였는데, 이는 경쟁하는 모델들이 AI 영향의 서로 다른 면을 포착하고 있을 가능성을 시사한다. 연구진의 결론은 신중했다 — "동적이고 맥락을 반영하며 검증된 방법이 필요하다" (arXiv:2308.02624). 그러니 어느 한 노출도 숫자를 운명처럼 읽어선 안 된다.
다음으로, 충격은 균등하게 흩어지지 않고 군집한다. 306개 직업을 인지·육체·대인 숙련 차원으로 매핑한 연구는, 자동화와 AI가 '숙련상 인접한' 직군들에 몰린다는 점을 보였다. 직군 간 이동성은 숙련 거리가 멀어질수록 떨어지므로, 충격이 인접 직군에 군집하면 노동자들이 빠져나갈 출구가 막히고 임금 효과가 증폭된다. 이 모델에서 노동수요 충격의 20~50%가 임금으로 전가됐고(표준 모델의 30%보다 큼), 이동성으로 회복되는 손실은 20%에 그쳤다(표준 추정 30%보다 작음) (arXiv:2504.04047). 평균은 괜찮아 보여도, 특정 직군에 충격이 집중되면 그 안의 사람들에겐 평균이 위로가 되지 않는다.
양극화의 지형도 나라마다 다르다. 인도와 미국을 비교한 연구는 개도국이 '이중 취약' — 저숙련 직군과 자동화 위험이 높은 직군 양쪽에 고용이 몰려 있고, AI 준비도까지 낮은 — 상태에 놓일 수 있음을 보였다 (arXiv:2501.15809). 개도국 노동시장의 루틴 태스크 집약도를 성별로 본 연구는, 직종 분리(occupational segregation) 탓에 자동화 위험이 남녀에게 다르게 분포한다는 점까지 더했다 (arXiv:2504.07689). '평균적 노동자'라는 추상에 가려, 누가 더 위험에 노출되는가가 흐려질 수 있다는 경고다.
마지막으로, 노동 재배치는 자동화 특유의 현상이 아니라 더 넓은 결의 일부다. 컨설팅 산업의 오프쇼어·니어쇼어를 분석한 연구는, 노동 displacement가 가격을 연 약 0.5% 낮추고 기업이 경쟁력을 유지하려면 매년 외주를 늘려야 한다는, 점진적이고 누적적인 조정 동학을 보여줬다 (arXiv:2012.15144). 변화는 한 번의 절벽이 아니라 긴 비탈일 때가 많다. 그래서 정책도 단일 해법보다 — 예컨대 UBI의 한계를 짚으며 최신 재훈련 체계를 강조한 연구처럼 (arXiv:2009.09198) — 결을 따라 설계돼야 한다.
종합하면, "AI가 일자리를 다 없앤다"도 "걱정 말라, 늘 새 일이 생긴다"도 정직한 요약이 아니다.
대체는 실재한다. 기업은 이미 외주 노동을 AI로 부분 대체하기 시작했고 (arXiv:2602.00139), 자동화형 AI는 저숙련 일자리와 임금을 깎으며 (arXiv:2503.19159), 충격은 빠져나가기 어려운 인접 직군에 군집한다 (arXiv:2504.04047).
그러나 창출과 보완도 실재한다. 같은 노출 분석이 17개의 새 직업군을 식별했고 (arXiv:2604.00186), 증강형 AI는 새 일과 고숙련 임금을 키웠으며 (arXiv:2503.19159), 노동분배율 하락이 임금을 올린 역사도 있고 (arXiv:2601.06343), 인간 수요의 롱테일은 노동을 계속 불러들인다 (arXiv:2307.14525). 단기 데이터에서 대량 실업의 신호는 아직 또렷하지 않다 (arXiv:2509.15510).
그리고 순효과는 아직 갈린다. 노출 점수는 개별로는 미래를 못 맞히고 (arXiv:2308.02624), 결과는 '자동화냐 증강이냐'(arXiv:2201.04200), '대체냐 재배치냐'(arXiv:2410.02888, arXiv:2501.01448), 그리고 제도와 정책(arXiv:2001.06003)에 따라 달라진다. 가장 잘 아는 전문가들조차 변화의 속도를 대중보다 늦게 잡는다 (arXiv:1706.06906).
그러니 이 주제 앞에서 방패가 되는 건 공포도 낙관도 아니다. 증거 기반의 균형 감각이다. AI가 일자리를 없앨지를 묻는 대신, 어떤 일을 어떻게 재구성할지, 충격이 누구에게 군집하는지, 그리고 우리가 자동화와 증강 중 무엇에 인센티브를 줄지를 물어야 한다 (arXiv:2201.04200). 일자리의 미래는 이미 정해진 운명이 아니라, 설계와 정책이 함께 쓰는 문장이다.
이 글은 경제·노동시장 정보 제공을 위한 것이며, 인용한 근거의 대부분은 동료심사 전 프리프린트(arXiv)입니다. 노동시장 예측은 본래 불확실하며, 추후 후속 연구로 세부 내용이 갱신될 수 있습니다.
노출도 · 에이전트형 AI
역사의 결 — 숙련편향·자동화·노동분배율
반전의 결 — 보완·창출·임금
생성AI — firm-level 증거
양극화 · 정책 · 신중론