Paperis.

© 2026 네오쿤스. All rights reserved.

공지사항이용약관개인정보처리방침환불 정책콘텐츠·제거 요청

상호: 네오쿤스 · 대표자: 김근태 · 사업자등록번호: 751-04-03501 [사업자정보 확인] · 통신판매업 신고: 제 2026-서울서초-3586호 (서초구청)

주소: 서울특별시 서초구 서초대로 266, B103-S36호(서초동) · Tel: 010-7254-2475 · 이메일: support@paperis.app · 고객센터 운영 시간: 평일 10:00–16:00 (한국 시간, 주말·공휴일 제외) · 호스팅 서비스 제공자: Vercel Inc.

Paperis.
AI가 일자리를 없앨까 — 「노출」이 「실직」이 되기까지

Paperis 아티클

AI가 일자리를 없앨까 — 「노출」이 「실직」이 되기까지

미국 노동자의 80%가 일의 10% 이상에서 대형 언어 모델의 영향을 받을 수 있다는 숫자와, 지금까지 실제로 잰 고용 변화 사이에는 여러 단계가 있습니다.

🔥논쟁✦AI 생성경제·금융 · 2026년 11월 18일

내 분야 논문을 오디오로

관심 분야·저널을 고르면 Paperis가 핵심 논문을 요약하고 음성으로 변환해 드려요. 출퇴근길에 들어보세요.

Paperis 무료로 시작하기 →

AI가 일자리를 없앨까 — 「노출」이 「실직」이 되기까지

미국 노동자의 80%가 「영향권」이라는 숫자

미국에서 일하는 사람의 약 80%는 자기 일 가운데 적어도 10%가 대형 언어 모델, 곧 ChatGPT처럼 글을 읽고 써 주는 AI의 영향을 받을 수 있습니다. 약 19%는 일의 절반 이상이 영향을 받을 수 있습니다. 2023년에 공개된 한 연구가 미국 노동시장을 이 모델에 비춰 훑어 내놓은 계산이고, 소득이 높은 일자리일수록 더 많이 걸린다는 결과도 함께 나왔습니다 (arXiv:2303.10130).

워킹페이퍼(working paper)는 학술지 심사를 거치기 전에 연구자가 먼저 공개한 원고입니다. 이 계산도 처음에는 arXiv에 워킹페이퍼로 공개됐고, 이후 학술지 Science(2024)에 실린 연구입니다. 생성 AI와 일자리에 관한 연구에는 아직 워킹페이퍼로만 나온 것이 많아서, 연구마다 등급을 함께 밝힙니다.

저자들의 결론은 이런 모델이 경제 곳곳에 두루 쓰이는 범용 기술의 특징을 보이고, 그래서 경제·사회·정책에 상당한 함의를 가질 수 있다는 것입니다. 이 숫자는 쉽게 「일자리의 몇 %가 사라진다」는 제목으로 바뀌는데, 같은 저자들은 이 모델이 언제 개발되고 언제 실제로 쓰일지는 예측하지 않는다고 적어 두었습니다 (arXiv:2303.10130). 영향을 받을 수 있다는 것과 일자리가 없어진다는 것 사이에는 몇 단계가 더 있습니다.

비슷한 숫자는 10년 전에도 있었습니다. 2010년대 중반 미국과 유럽에서 상당한 몫의 일자리가 「컴퓨터화 위험」, 곧 자동화될 위험에 있다는 연구들이 나왔고, 그 연구들이 일자리 없는 미래에 대한 걱정을 다시 불렀습니다 (DOI: 10.1787/5jlz9h56dvq7-en).

이 글은 그 몇 단계를 차례로 따라갑니다. 먼저 이런 숫자가 어떻게 만들어지는지 보고, 지난 자동화, 특히 산업용 로봇이 일자리에 실제로 무엇을 했는지 본 뒤, 생성 AI가 나온 뒤 지금까지 잰 결과로 갑니다. 근거는 대부분 미국과 유럽의 자료이고, 한국 수치는 OECD의 나라별 비교 한 곳에만 나옵니다. 연구마다 범위가 한 일터, 한 플랫폼, 한 나라, 짧은 기간으로 좁으니 그 범위를 숫자와 함께 들고 갑니다.

직업 통째로 잴 때와 과업으로 잴 때

과업(task)은 한 직업이 실제로 하는 낱낱의 일입니다. 회계 사무원의 하루에는 숫자를 입력하는 일도, 거래처와 통화하는 일도, 맞지 않는 장부를 붙들고 원인을 찾는 일도 들어 있습니다.

자동화 위험을 크게 잡았던 2010년대 초의 연구들은 이 과업들을 한데 묶어 직업 단위로 판정했습니다. 연구자 칼 프레이와 마이클 오즈번이 제안한 방식으로, 기술이 직업 전체를 한꺼번에 자동화한다고 가정합니다. OECD의 2016년 워킹페이퍼는 이 가정이 위험을 부풀릴 수 있다고 봤습니다. 고위험으로 분류된 직업에도 자동화하기 어려운 과업이 상당히 남아 있기 때문입니다 (DOI: 10.1787/5jlz9h56dvq7-en).

그 워킹페이퍼는 같은 직업 안에서도 사람마다 하는 과업이 다르다는 점을 반영해 21개 OECD 나라를 과업 단위로 다시 쟀습니다. 자동화될 수 있는 일자리는 평균 9%였습니다. 나라마다 차이가 있어 한국은 6%, 오스트리아는 12%였고, 저자들은 이 차이가 일터를 짜는 방식, 앞서 자동화에 들인 투자, 일하는 사람들의 교육 수준의 차이를 반영할 수 있다고 적습니다 (DOI: 10.1787/5jlz9h56dvq7-en). 같은 기술을 놓고도 직업을 단위로 재느냐 과업을 단위로 재느냐에 따라 자동화 위험에 놓인 일자리의 크기가 크게 달라집니다.

첫 절의 80%는 처음부터 과업 단위로 만든 숫자이고, 과업으로 재고도 큽니다. 재는 것이 다르기 때문입니다. OECD의 9%는 일자리가 자동화될 수 있는지를 잰 숫자이고, AI 노출은 과업이 빨라질 수 있는지를 잽니다. AI 노출(AI exposure)은 한 직업의 과업 가운데 AI를 쓰면 같은 품질로 훨씬 빨리 끝낼 수 있는 과업의 몫을 잰 점수입니다. 그 원고의 계산으로는 미국 노동자가 하는 과업 전체의 약 15%가 대형 언어 모델만으로 그렇게 빨라질 수 있고, 그 위에 얹은 소프트웨어와 도구까지 치면 그 몫이 과업의 47~56%로 커집니다 (arXiv:2303.10130). 47~56%는 과업의 몫이고, 일자리의 몫과는 다른 숫자입니다.

두 가지 자 — 왼쪽은 과업 단위로 잰 AI 노출(미국 노동자 80%가 일의 10% 이상, 19%가 절반 이상), 오른쪽은 일자리 단위로 잰 OECD 자동화 위험(평균 9%, 한국 6%, 오스트리아 12%)

그림: Paperis가 본문 내용만으로 그린 도식

노출 점수는 어느 과업에 AI가 닿는지를 잽니다. 그 과업을 하던 사람이 어떻게 되는지는 그 점수에 들어 있지 않고, 결과 자료로 따로 재야 합니다.

위험 점수를 실제 결과와 맞춰 보니

10년이 지나자 그 예측을 결과와 맞춰 볼 수 있게 됐습니다. OECD의 2021년 후속 워킹페이퍼는 21개 나라에서 지난 10년 동안 자동화 위험이 높은 일자리에 무슨 일이 있었는지 봤습니다. 나라 전체로 일자리가 순으로 사라졌다는 근거는 없었고, 21개 나라 모두 고용이 늘었습니다. 나라 안을 들여다보면 다릅니다. 위험이 높은 일자리의 고용은 6% 늘어, 위험이 낮은 일자리의 18%에 크게 못 미쳤습니다 (DOI: 10.1787/10bc97f4-en).

21개 나라 지난 10년 — 자동화 위험이 높은 일자리 고용 6% 증가, 낮은 일자리 18% 증가

그림: Paperis가 본문 내용만으로 그린 도식

느리게 늘어난 고위험 직업에는 학력이 낮은 사람이 몰려 있었습니다. 학력이 낮은 사람들은 2012년에 이미 고위험 직업에 몰려 있었고, 그 뒤로 더 몰렸습니다. 그런데도 이들의 고용률은 다른 학력 집단에 견주어 떨어지지 않았는데, 학력이 낮은 사람의 수가 그 일자리에 대한 수요와 함께 줄었기 때문입니다. 워킹페이퍼는 앞으로 자동화 위험이 점점 더 학력이 낮은 사람에게 쏠리고, 코로나19 위기가 자동화를 앞당겼을 수 있다고 적습니다 (DOI: 10.1787/10bc97f4-en).

미국에서도 비슷한 맞춰 보기가 있습니다. 미국 시카고 연방준비은행의 2026년 워킹페이퍼는 프레이·오즈번의 직업별 컴퓨터화 위험 추정과, 마이크로소프트의 AI 비서 코파일럿 사용 기록으로 만든 「AI 적용 가능성」 점수를 미국 직업 통계에 맞춰 2019~2024년을 봤습니다. AI 적용 가능성이 높은 직업은 이 기간에 고용과 임금이 전체적으로 늘었습니다. 컴퓨터화 위험이 높거나 중간인 직업은 위험이 낮은 직업보다 고용 성적이 약했고, 임금은 모든 위험 집단에서 올랐습니다. 저자들은 AI와 자동화에 대한 노출이 적어도 단기에는 일자리 감소로 기계적으로 이어지지 않으며, 과업 단위의 노출 측정은 고용 감소의 직접 예보보다 직업이 재편된다는 신호로 읽는 편이 낫다고 결론짓습니다 (DOI: 10.21033/wp-2026-12).

생성 AI가 나오기 전의 자료로 같은 질문을 던진 원고도 있습니다. 2010~2020년 미국 각 주의 실업보험 기록으로 직업별 실업을 본 한 워킹페이퍼(arXiv)는, 정부와 업계가 써 온 AI 노출 점수 가운데 어느 하나도 실업률이나 실업 위험, 이직률을 예측하지 못했다고 보고합니다. 여러 점수를 한데 묶으면 예측력이 상당했고, 저자들은 점수마다 AI 영향의 다른 면을 잡고 있을 수 있다고 해석하고, 시간과 맥락을 반영하고 실제 결과로 검증된 노출 측정이 필요하다고 결론짓습니다 (arXiv:2308.02624).

OECD의 자동화 위험 점수는 어느 일자리가 덜 자랄지는 가리켰지만, 나라 전체의 일자리가 줄어든다는 예보로는 맞지 않았습니다. AI 노출 점수는 하나만으로는 실업을 예측하지 못했고, 미국에서 AI 적용 가능성이 높은 직업은 오히려 고용과 임금이 늘었습니다. 「아무 일도 없었다」로 읽으면 고위험 일자리의 6%와 저학력 쏠림이 지워지고, 「곧 사라진다」로 읽으면 21개 나라의 고용 증가가 지워집니다.

기계가 과업을 가져갈 때 생기는 두 힘

2019년 기준으로 지난 30년 동안 미국의 고용 증가는 느려졌습니다. 경제학자 대런 아세모글루와 파스쿠알 레스트레포는 이 느림을 과업이 사람과 기계 사이에 어떻게 나뉘는지로 풀었습니다 (DOI: 10.1257/jep.33.2.3).

자동화는 사람이 하던 과업을 기계가 넘겨받게 합니다. 대체 효과(displacement effect)는 기계가 사람이 하던 과업을 넘겨받으면서 노동 수요가 줄어드는 힘입니다. 이들의 이론 틀에서는 이 힘 때문에 자동화가 생산성을 높이면서도 노동 수요를 줄일 수 있고, 국민소득 가운데 노동이 가져가는 몫은 언제나 줄입니다 (DOI: 10.1257/jep.33.2.3).

반대로 미는 힘도 있습니다. 자동화로 비용이 줄면 자동화되지 않은 과업의 노동 수요가 늘고, 자본이 더 쌓이고 기존 기계가 나아지면서 수요가 더 늘어납니다. 같은 저자들은 NBER 워킹페이퍼에서 이 반작용이 불완전하다고 적습니다. 반작용이 강할 때에도 자동화는 노동자 한 사람당 산출을 임금보다 더 많이 늘리고, 국민소득에서 노동의 몫을 줄입니다. 저자들은 새 기술이 요구하는 기술과 사람들이 가진 기술이 어긋나는 문제, 그리고 자동화가 다른 생산성 기술을 희생하며 지나치게 빠르게 도입되고 있을 가능성도 함께 짚습니다 (DOI: 10.3386/w24196).

저자들이 더 강한 반작용으로 꼽는 것은 새 과업입니다. 복원 효과(reinstatement effect)는 사람이 더 잘하는 새 과업이 생겨 노동이 다시 쓰이는 힘입니다. 이들의 이론 틀에서 이 힘은 노동의 몫과 노동 수요를 언제나 높입니다. 저자들은 미국 산업 자료로 지난 30년을 나눠 보고, 고용이 느리게 늘어난 까닭이 대체 효과가 빨라진 것(특히 제조업), 복원 효과가 약해진 것, 생산성 증가가 그전 수십 년보다 느렸던 것으로 설명된다고 봤습니다 (DOI: 10.1257/jep.33.2.3).

자동화가 노동 수요에 미는 두 힘 — 대체 효과는 줄이고 복원 효과는 늘린다(개념도)

그림: Paperis가 본문 내용만으로 그린 도식

새 과업이 실제로 생기는지는 직업 이름으로 셀 수 있습니다. 경제학자 데이비드 오터와 동료들은 80년 치 새 직업명을 모아 미국 인구조사 자료와 특허에 이었습니다. 오늘날 고용의 과반이 1940년 이후 새로 생긴 직무 분야에 있었습니다. 새 일이 생기는 자리는 1940~1980년에는 중간 임금의 생산직·사무직이었고, 1980년 이후에는 고임금 전문직과, 그다음으로 저임금 서비스직으로 옮겨 갔습니다 (DOI: 10.1093/qje/qjae008).

같은 연구는 새 일이 어디서 오는지도 봤습니다. 새 일은 그 직업의 산출을 보완하는 혁신과 수요 증가에 반응해 생겼고, 과업을 자동화하는 혁신은 새 일의 등장을 늦췄습니다. 저자들의 결론은 이렇습니다. 지난 40년 동안 자동화 혁신이 노동 수요를 깎는 효과는 세졌고, 보완하는 혁신이 노동 수요를 늘리는 효과는 세지지 않았습니다 (DOI: 10.1093/qje/qjae008).

새 일이 생긴다는 것은 역사에서 확인된 사실이지만, 그 속도가 대체의 속도를 저절로 따라잡는다는 보장은 없습니다. 자동화의 결말은 두 힘의 줄다리기로 정해지고, 미국의 지난 수십 년은 대체 쪽이 세지고 복원 쪽이 따라가지 못한 시기였습니다.

로봇으로 잰 결과

산업용 로봇은 두 힘이 합쳐진 결과를 실제로 잴 수 있는 기술입니다. 산업마다 로봇을 들인 정도가 다르니, 그 산업이 많이 모여 있는 지역일수록 로봇을 더 많이 맞습니다. 아세모글루와 레스트레포는 이 차이로 미국 지역 노동시장을 비교했습니다. 1990년 이후 로봇을 가장 많이 맞은 지역은 그 이전에는 다른 추세를 보이지 않았고, 노동자 1,000명당 로봇이 하나 늘 때 인구 대비 취업자 비율은 0.2%포인트, 임금은 0.42% 내려갔습니다 (DOI: 10.1086/705716).

독일의 결과는 달랐습니다. 독일 행정자료로 1994~2014년을 본 미니애폴리스 연방준비은행 워킹페이퍼에서, 로봇을 많이 쓰는 산업이 모인 지역의 총고용은 로봇 때문에 변하지 않았습니다. 제조업 일자리가 준 만큼 사업 서비스업 일자리가 늘었습니다 (DOI: 10.21034/iwp.13). 같은 연구진이 학술지에 낸 판은 제조업에서 밀려난 몫이 서비스업의 새 일자리로 완전히 상쇄됐다고 적습니다 (DOI: 10.1093/jeea/jvab012).

로봇을 많이 맞은 독일의 공업 지역을 이 연구들의 결과만으로 그려 보면 이렇습니다. 그 지역에서 이미 일하던 제조업 노동자는 일자리를 잃을 위험이 커지지 않았고, 줄어든 제조업 일자리는 전부 막 노동시장에 들어오는 젊은 사람을 덜 뽑은 데서 나왔습니다 (DOI: 10.21034/iwp.13). 기존 노동자는 오히려 같은 회사에 더 안정적으로 남았고, 이것은 노동자들이 원래 일하던 공장에서 새 과업을 맡은 데서 나왔습니다 (DOI: 10.1093/jeea/jvab012). 많은 노동자가 원래 일터에서 직종을 바꾸는 방식으로 적응했습니다 (DOI: 10.21034/iwp.13). 젊은 사람들은 진로도 바꿔 직업훈련 대신 대학을 더 골랐고, 관리자나 기술 과학자처럼 로봇과 보완되는 일을 하는 사람들은 이득을 봤습니다 (DOI: 10.1093/jeea/jvab012). 같은 지역에서 노동생산성은 오르고 소득 가운데 노동의 몫은 줄었습니다 (DOI: 10.21034/iwp.13).

유럽 8개 나라를 견준 연구에서는 결과가 갈렸습니다. 로봇은 대체로 제조업 고용을 줄였지만, 지역 노동시장의 고용이 통계적으로 뚜렷하게 준 곳은 이탈리아, 노르웨이, 영국이었고 독일, 스웨덴, 덴마크, 핀란드, 스페인에서는 통계적으로 뚜렷한 영향이 없었습니다. 저자들은 일자리를 만드는 보완 기술에 대한 투자와, 로봇 덕분에 해외로 나갔던 생산이 돌아온 일을 그 차이의 설명으로 검토해 둘 다 어느 정도 뒷받침된다고 봅니다 (DOI: 10.1093/icc/dtae012).

미국 안에서도 시기에 따라 방향이 바뀌었습니다. 2005~2016년을 5년 단위로 나눠 본 연구에서, 로봇 노출은 앞 시기에는 고용을 줄였고 뒤 시기에는 고용을 늘렸습니다. 지역 임금도 처음에는 내려갔다가 점차 회복해 최근에는 올랐습니다. 이 변화를 이끈 것은 자동차 산업으로, 그곳에서 디지털화와 자동화는 노동생산성을 높였을 뿐 아니라 새 과업도 만들었습니다 (DOI: 10.1177/00197939221137822).

같은 로봇이 나라와 시기에 따라 일자리를 줄이기도 하고 늘리기도 했습니다. 그리고 독일에서 제조업 일자리 감소는 전적으로 신규 채용이 줄어든 데서 왔고, 기존 노동자의 실직 위험은 늘지 않았습니다. 부담은 주로 막 일을 시작하려던 젊은 사람에게 갔습니다.

생성 AI가 일터에 들어가자 — 상담 현장과 글쓰기 실험

생성 AI의 생산성 효과는 개별 일터에서 잴 수 있었습니다. 고객지원 상담원 5,172명에게 생성 AI 기반의 대화형 보조 도구가 시차를 두고 도입된 현장에서, 도구를 쓰게 된 상담원의 시간당 해결 건수가 평균 15% 늘었습니다. 효과는 사람마다 크게 달랐습니다. 경험이 적고 숙련도가 낮은 상담원은 속도와 질이 모두 좋아졌고, 가장 경험 많고 숙련된 상담원은 속도가 조금 늘고 질이 조금 떨어졌습니다. 도구는 상담원의 배움을 도왔고, 고객은 더 정중해졌으며 관리자를 바꿔 달라는 요구도 줄었습니다 (DOI: 10.1093/qje/qjae044).

고객 상담 센터에서 헤드셋을 쓴 상담원이 통화하며 보는 모니터 한쪽에 AI의 답변 제안 상자가 옅게 떠 있다

그림: Paperis 삽화

통제된 실험도 같은 쪽을 가리킵니다. 사전에 분석 계획을 등록한 온라인 실험에서, 대학을 나온 전문직 453명에게 각자의 직업에 맞춘 글쓰기 과제를 주고 무작위로 절반에게만 ChatGPT를 쓰게 했습니다. 걸린 시간은 평균 40% 줄고 결과물의 질은 18% 올랐으며, 사람 사이의 격차도 줄었습니다. ChatGPT를 써 본 사람은 실험 2주 뒤 실제 일에서 그것을 쓰고 있다고 답할 가능성이 2배, 2달 뒤에는 1.6배였습니다 (DOI: 10.1126/science.adh2586).

상담 현장에서는 경험이 적은 사람이 가장 많이 얻었고, 글쓰기 실험에서는 사람 사이의 격차가 줄었습니다. 범위는 좁습니다. 앞의 것은 한 상담 현장, 뒤의 것은 실험용 글쓰기 과제이고, 둘 다 생산성을 쟀을 뿐 고용을 재지는 않았습니다. 같은 일을 더 빨리 하게 되면 사람을 덜 뽑을 수도 있고 일을 더 많이 맡길 수도 있는데, 어느 쪽인지는 이 연구들이 답하지 않습니다.

건별로 사고파는 일 — 대체가 잡힌 곳

줄어든 쪽의 증거는 건별로 일을 사고파는 시장에서 뚜렷하게 나왔습니다. 한 대형 온라인 플랫폼의 프리랜서를 본 연구에서, ChatGPT와 이미지 생성 AI인 DALL-E 2·Midjourney가 나온 뒤 영향을 크게 받는 직종의 프리랜서는 일감과 수입이 모두 줄었습니다. 다른 이미지 생성 모델이 나왔을 때도 비슷했습니다. 과거 실적이 좋으면 피해가 덜하다는 근거는 나오지 않았고, 오히려 최상위 프리랜서가 더 크게 영향을 받았다는 시사적인 근거도 있었습니다. 저자들은 생성 AI가 조직 안에서 사람의 숙련이 하는 역할을 바꾸고 노동 수요 전체를 줄일 수 있다고 봅니다 (DOI: 10.1287/orsc.2023.18441).

같은 흐름은 기업이 돈을 쓰는 방식에서도 보입니다. 미국의 한 대형 경비 관리 플랫폼의 결제 자료로 2021년 3분기부터 2025년 3분기까지를 본 워킹페이퍼(arXiv)에서, ChatGPT 이전에 업워크·파이버 같은 온라인 노동 시장에 많이 쓰던 기업일수록 AI를 더 일찍, 더 많이 들였고 동시에 외주 노동 지출을 줄였습니다. 가장 노출된 기업에서 외주 노동 지출이 1달러 줄 때 AI 지출은 약 0.03달러 늘었습니다. 저자들은 외주로 사던 과업을 AI 서비스로 바꾸면서 비용이 자릿수 단위로 줄었다는 뜻으로 해석합니다. 효과는 기업마다 달랐고 서서히 나타났습니다. 저자들은 이것을 생성 AI가 생산에서 사람의 노동을 일부 대체하고 있다는 첫 직접적인 미시 증거로 내놓습니다 (arXiv:2602.00139).

프리랜서 플랫폼의 감소는 실재하지만, 그것은 건별로 사고파는 외주 일감에서 잰 결과이고 회사 안 일자리 전체의 결과와 같지 않습니다. 범위도 함께 붙습니다. 프리랜서 연구는 한 플랫폼의 출시 직후이고, 기업 지출 연구는 한 결제 플랫폼에 잡힌 기업들의 외주 지출입니다. 지금까지 대체가 뚜렷하게 잡힌 곳은 고용 계약 없이 한 건씩 사던 과업입니다.

덴마크 — 물살은 빠른데 수면은 잔잔하다

경제학자 안데르스 훔룸과 에밀리 베스테르고르는 대규모 AI 도입 설문을 덴마크의 행정 노동시장 기록에 이었습니다. 워킹페이퍼의 제목은 「잔잔한 수면, 빠른 물살」입니다. 물살은 이랬습니다. AI 노출이 큰 직업의 고용주 대부분이 챗봇 도입을 추진했고, 노동자들은 생산성이 좋아졌다고 답했으며, AI와 관련된 새 과업이 널리 퍼져 있었습니다 (DOI: 10.3386/w33777).

수면을 재는 데 쓴 방법은 이중차분입니다. 이중차분(difference-in-differences)은 변화를 겪은 집단과 겪지 않은 집단이 그 전후에 각각 얼마나 변했는지 견주어, 그 차이를 변화의 효과로 읽는 방법입니다. 결과는 노동자 수준에서도 사업장 수준에서도 소득과 기록된 근로시간에 대한 효과가 0에 가까웠고, 추정이 정밀해서 ChatGPT 출시 2년 뒤까지 2%보다 큰 효과는 배제됐습니다 (DOI: 10.3386/w33777, 워킹페이퍼).

움직인 것은 일의 짜임이었습니다. 고용주들은 과업을 다시 나눠 AI를 받아들였고, 그 안에는 콘텐츠 생성, AI 감독, AI 통합 같은 새 과업이 있었습니다. AI를 도입한 노동자들은 AI가 더 쓰이는 고임금 직업으로 옮겨 갔지만, 평균 소득을 움직일 만큼 많지는 않았습니다. 저자들의 결론은 기술 변화가 소득이나 근로시간에 드러나기 훨씬 전에 일을 바꾼다는 것입니다 (DOI: 10.3386/w33777).

덴마크의 0은 「출시 뒤 2년 동안 2%보다 큰 효과는 없었다」는 뜻이고, 앞으로도 없다는 뜻은 아닙니다. 한 나라, 챗봇이라는 한 종류의 도구, 2년이라는 기간이 그 숫자의 범위입니다. 저자들 스스로 일의 구조는 이미 움직이고 있다고 적었습니다.

미국 구인 광고에서도 재편의 신호가 보입니다. 미국 클리블랜드 연방준비은행의 2026년 워킹페이퍼에 따르면, 미국 구인 광고에서 AI를 언급하는 비율이 2024년 초부터 크게 늘었고, 그 증가는 대형 언어 모델에 노출이 큰 직업에 몰렸습니다. 노출이 큰 직업에서는 상대적으로 줄던 구인 공고가 안정되고, 공고에 적힌 임금이 오르고, 채용과 이직이 함께 늘었습니다. 새로 뽑힌 사람의 실제 임금은 올랐지만 계속 일한 사람의 임금은 내려갔고, 저자들은 그 직업의 노동시장이 덜 빡빡해졌기 때문일 수 있다고 봅니다 (DOI: 10.26509/frbc-wp-202624).

로봇에서 부담이 주로 막 들어오는 젊은 사람에게 갔다면, 생성 AI에서도 신입 자리를 봐야 합니다. 그 근거는 아직 얇습니다. 미국 전국 구인 공고를 과업 단위로 쪼개 AI 노출을 잰 한 워킹페이퍼(arXiv)는, 노출의 전체 감소 가운데 52%가 기업이 뽑는 일자리의 종류를 바꾼 데서, 39.5%가 일자리 안의 과업을 다시 짠 데서 나왔다고 봅니다. 상급 일자리는 더 일찍, 주로 뽑는 자리를 바꾸는 방식으로 조정됐고, 초급 일자리는 두 방식이 섞인 더 넓은 방식으로 조정됐습니다 (DOI: 10.48550/arxiv.2605.23159). 초급 자리가 다른 길로 바뀌고 있다는 데까지가 이 원고가 보여 주는 것이고, 신입 채용이 얼마나 줄었는지는 답하지 않습니다.

노출에서 실직까지 — 단계마다 확인된 것

제목의 물음, 곧 「노출」이 「실직」이 되기까지를 지금까지 본 결과만으로 한 단계씩 따라가 보겠습니다. 단계마다 서로 다른 연구가 확인한 것을 나란히 둡니다. 한 단계가 다음 단계를 일으켰다는 연결은 이 연구들이 확인하지 않았습니다.

첫 단계는 노출입니다. 미국 노동자가 하는 과업의 약 15%는 대형 언어 모델만으로, 도구까지 치면 47~56%가 같은 품질로 훨씬 빨라질 수 있습니다 (arXiv:2303.10130). 여기까지는 가능성의 숫자입니다.

둘째 단계는 도입입니다. 덴마크에서는 노출이 큰 직업의 고용주 대부분이 챗봇 도입을 추진했습니다 (DOI: 10.3386/w33777). 실험에서 ChatGPT를 써 본 사람은 2주 뒤와 2달 뒤에 실제 일에서 그것을 쓰고 있다고 답할 가능성이 더 높았습니다 (DOI: 10.1126/science.adh2586). 덴마크의 노출 큰 직업에서는 도입이 이미 넓게 퍼졌습니다.

셋째 단계는 과업의 생산성입니다. 상담 현장에서 시간당 해결 건수 15% 증가, 글쓰기 실험에서 시간 40% 단축이 나왔고, 상담 현장에서는 경험이 적은 사람이 가장 많이 얻었습니다 (DOI: 10.1093/qje/qjae044; DOI: 10.1126/science.adh2586).

넷째 단계는 고용주가 사람을 덜 뽑느냐입니다. 생성 AI에서 이 단계가 뚜렷하게 확인된 곳은 건별 외주 시장입니다 (DOI: 10.1287/orsc.2023.18441; arXiv:2602.00139). 회사 안 일자리에 대해서는 덴마크 연구가 채용 자체가 아니라 소득과 근로시간을 쟀고, 2년 동안 2%를 넘는 효과가 없었습니다 (DOI: 10.3386/w33777). 로봇의 역사에서는 이 단계가 미국 지역 노동시장에서 1990년 이후 나타났고, 독일에서는 신규 채용이 줄어드는 형태로 나타났습니다 (DOI: 10.1086/705716; DOI: 10.21034/iwp.13). 미국에서도 2005~2016년에는 시기에 따라 방향이 바뀌었습니다 (DOI: 10.1177/00197939221137822).

다섯째 단계는 새 과업입니다. 덴마크에서는 AI 감독과 AI 통합 같은 과업이 이미 생겼고 (DOI: 10.3386/w33777), 80년 치 자료에서는 오늘날 고용의 과반이 1940년 이후 생긴 직무 분야에 있습니다 (DOI: 10.1093/qje/qjae008). 이 단계가 넷째 단계를 얼마나 메울지는 지난 40년의 경험이 보장하지 않습니다.

지금까지 본 연구에서 생성 AI는 도입과 과업 생산성 단계에서는 뚜렷하게 관측되고, 사람을 덜 뽑는 단계는 건별 외주 시장에서만 뚜렷합니다. 노출 점수 하나로 다섯 단계를 건너뛰어 「실직」을 말하면, 그 사이에서 아직 재는 중인 것들이 모두 빠집니다.

경제 전체로 올리면 — 그리고 아직 모르는 것

개별 일터의 생산성 이득을 경제 전체로 합치면 얼마나 될까요. 아세모글루의 2024년 연구(NBER에서 먼저 공개되고 이후 학술지 Economic Policy에 실림)는 과업 단위의 비용 절감이 경제 전체에 주는 효과를, 영향을 받는 과업의 몫과 그 과업들의 평균 비용 절감으로 어림합니다. 총요소생산성(total factor productivity)은 노동과 자본을 더 넣지 않고도 늘어나는 산출의 몫으로, 같은 투입으로 더 많이 만들어 내는 경제 전체의 솜씨입니다. 기존의 노출 추정과 과업 단위 생산성 추정을 넣으면, 앞으로 10년 동안 총요소생산성 증가는 0.66%를 넘지 않습니다 (DOI: 10.3386/w32487).

저자는 이 숫자도 크게 잡힌 것일 수 있다고 봅니다. 초기 증거가 배우기 쉬운 과업에서 나왔는데, 앞으로의 효과 일부는 맥락에 따라 판단이 달라지고 정답을 잴 객관적 기준이 없는 어려운 과업에서 나올 것이기 때문입니다. 그래서 10년 예측은 0.53% 미만으로 더 낮아집니다. 분배에 대해서는, AI가 예전 자동화 기술만큼 불평등을 키울 가능성은 낮지만 노동소득 불평등을 줄인다는 근거도 없고, 자본소득과 노동소득의 격차는 넓힐 것으로 예측합니다. 이론적으로는 AI가 특정 과업에서 숙련이 낮은 노동자의 생산성을 높이더라도 그들에게 새 과업을 만들어 주지 않으면 불평등이 오히려 커질 수 있고, AI가 만드는 새 과업 가운데 일부는 온라인 조작용 알고리즘 설계처럼 사회적 가치가 음수일 수 있다고도 적습니다 (DOI: 10.3386/w32487). 저자 자신의 평가는 「사소하지는 않지만 크지 않다」입니다.

통계가 무엇을 늦게 잡는지도 열린 물음입니다. 2026년의 한 워킹페이퍼(arXiv)는 기술 변화가 기존 일 안의 조정과 새 일의 창출이라는 두 경로로 노동 수요에 작용하는데, 급여 통계는 앞의 것을 곧바로 잡고 뒤의 것을 늦게 잡는다고 봅니다. 컴퓨터 시대에는 1978년 이후 생긴 회사들이 1998년 급여의 42%를 차지했고, 자동화에 가장 노출된 산업에서는 기존 회사가 줄어드는 일이 새 회사가 자라는 일보다 먼저 나타났고, 저자들은 그 순서가 기간 초반에는 뚜렷하고 끝으로 갈수록 시사적인 수준이라고 적습니다. 2026년 1분기까지의 미국 사업장 일자리 흐름에서는 언어 모델 노출에 따른 차이가 어느 쪽에서도 보이지 않았는데, 저자들은 이 결과가 자신들의 모형이 예측한 모습이면서 동시에 효과가 아예 없는 모습과도 구별되지 않는다고 적습니다. 저자들은 창업 과업에 대한 노출을 쓴 다른 연구들에서 신규 창업이 10~20% 늘었다는 결과도 인용합니다. 저자들의 결론은 새 일을 늦게 기록하는 통계가 여러 해 동안 대체를 부풀려 보이게 한다는 것입니다 (DOI: 10.48550/arxiv.2611.17530).

누가 이득을 보느냐도 정해지지 않았습니다. 두 세기 치 기술 노출을 잰 한 연구는 20세기의 기술 진보가 학력이 높고 임금이 높고 여성 비율이 높은 직업의 수요를 꾸준히 늘렸다고 보고합니다. 같은 연구의 보정 모형은 중기 시나리오에서 AI가 이 흐름을 뒤집어, 학력이 낮고 임금이 낮고 남성 비율이 높은 직업 쪽에 유리할 것으로 예측합니다 (DOI: 10.1353/eca.2025.a994512). 첫 절의 연구는 소득이 높은 일자리일수록 노출이 크다고 봤고, OECD는 자동화 위험이 학력이 낮은 사람에게 쏠린다고 봤습니다. 측정하는 기술과 방법에 따라 답이 갈리는 자리입니다.

정리하면 아직 모르는 것은 넷입니다. 덴마크의 0이 2년 뒤에도 유지되는지, 신입 자리가 줄어드는지, 새 일이 통계에 언제 잡히는지, 늘어난 생산의 몫이 노동과 자본 가운데 어디로 가는지입니다.

지금까지 잰 결과는 「일자리가 대량으로 사라졌다」도, 「앞으로도 아무 일 없다」도 받치지 않습니다. 일의 내용은 이미 바뀌고 있고, 그 변화가 고용과 소득에 언제 얼마나 닿을지는 아직 재는 중입니다. 「80%가 영향권」이라는 숫자는 그 첫 단계, 곧 AI가 어느 과업에 닿는지를 잰 숫자입니다.

근거 논문

  • "GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models" (2023) — arXiv:2303.10130 — 미국 노동자 약 80%가 과업의 10% 이상, 약 19%가 50% 이상 영향 가능. 과업의 15%(소프트웨어 포함 47~56%)가 같은 품질로 훨씬 빨라질 수 있음. LLM은 범용기술의 특징을 보이며 상당한 경제·사회·정책적 함의. 개발·도입 시점은 예측하지 않음(arXiv판 인용, 이후 Science 2024 게재).
  • "The Risk of Automation for Jobs in OECD Countries: A Comparative Analysis" (2016) — DOI: 10.1787/5jlz9h56dvq7-en — (OECD 워킹페이퍼) 직업 단위 접근은 자동화 가능성을 과대평가할 수 있음. 과업 단위로 21개국 평균 9%, 한국 6%·오스트리아 12%.
  • "What happened to jobs at high risk of automation?" (2021) — DOI: 10.1787/10bc97f4-en — (OECD 워킹페이퍼) 21개국 나라 단위 순감소 근거 없음, 고위험 일자리 고용 증가 6% vs 저위험 18%. 저학력 쏠림, 앞으로 위험이 저학력에 집중.
  • "Rethinking Automation Risk: AI Applicability and Occupational Outcomes, 2019–24" (2026) — DOI: 10.21033/wp-2026-12 — AI 적용 가능성 높은 직업도 고용·임금 증가, 컴퓨터화 고·중위험 직업은 고용 약세, 임금은 전 집단 상승. 노출은 재편의 신호(시카고 연준 워킹페이퍼).
  • "AI exposure predicts unemployment risk" (2023) — arXiv:2308.02624 — 2010~2020 주별 실업보험 자료에서 개별 AI 노출 점수는 실업을 예측하지 못하고 앙상블은 예측력 있음(프리프린트).
  • "Automation and New Tasks: How Technology Displaces and Reinstates Labor" (2019) — DOI: 10.1257/jep.33.2.3 — 대체 효과는 노동 몫을 언제나 줄이고 새 과업의 복원 효과는 늘린다. 미국 30년의 느린 고용 증가는 대체 가속·복원 약화·생산성 둔화로 설명.
  • "Artificial Intelligence, Automation and Work" (2018) — DOI: 10.3386/w24196 — 생산성 효과·자본 축적·기계 개선의 반작용은 불완전하고, 가장 강한 반작용은 새 노동집약적 과업. 숙련 미스매치와 과도한 자동화 가능성(NBER 워킹페이퍼).
  • "New Frontiers: The Origins and Content of New Work, 1940–2018" (2024) — DOI: 10.1093/qje/qjae008 — 현재 고용의 과반이 1940년 이후 생긴 직무. 보완 혁신은 수요를 늘리고 자동화 혁신은 줄이며, 지난 40년 자동화의 수요 잠식은 세지고 보완 효과는 세지지 않음.
  • "Robots and Jobs: Evidence from US Labor Markets" (2019) — DOI: 10.1086/705716 — 노동자 1,000명당 로봇 1대 → 인구 대비 취업자 비율 0.2%p, 임금 0.42% 하락. 1990년 이전 사전 추세 없음.
  • "Adjusting to Robots: Worker-Level Evidence" (2018) — DOI: 10.21034/iwp.13 — 독일 1994~2014 지역 총고용 효과 없음, 제조업 감소를 사업 서비스업이 상쇄. 기존 노동자 위험 증가 없음, 감소분은 신규 진입자 채용 감소뿐. 노동생산성↑·노동 몫↓(미니애폴리스 연준 워킹페이퍼).
  • "The Adjustment of Labor Markets to Robots" (2021) — DOI: 10.1093/jeea/jvab012 — 독일에서 제조업 대체가 서비스업 새 일자리로 완전히 상쇄. 부담은 막 진입하는 젊은 노동자, 젊은 층은 직업훈련에서 대학으로, 보완 직업은 이득.
  • "Robots and reshoring: a comparative study of automation, trade, and employment in Europe" (2024) — DOI: 10.1093/icc/dtae012 — 유럽 8개국: 이탈리아·노르웨이·영국은 고용 감소, 독일·스웨덴·덴마크·핀란드·스페인은 유의한 영향 없음. 보완 기술 투자와 리쇼어링이 일부 설명.
  • "The Evolving Impact of Robots on Jobs" (2022) — DOI: 10.1177/00197939221137822 — 미국 2005~2016 로봇 노출은 앞 시기 고용 감소, 뒤 시기 증가. 자동차 산업이 주도, 새 과업 창출.
  • "Generative AI at Work" (2024) — DOI: 10.1093/qje/qjae044 — 고객지원 상담원 5,172명, 시간당 해결 건수 평균 15%↑. 경험 적은 상담원은 속도·질 개선, 최숙련자는 속도 소폭↑·질 소폭↓.
  • "Experimental evidence on the productivity effects of generative artificial intelligence" (2023) — DOI: 10.1126/science.adh2586 — 사전등록 실험, 대졸 전문직 453명. 시간 40%↓·질 18%↑, 사람 간 격차 축소.
  • "The Short-Term Effects of Generative Artificial Intelligence on Employment: Evidence from an Online Labor Market" (2024) — DOI: 10.1287/orsc.2023.18441 — 한 대형 플랫폼에서 영향 큰 직종 프리랜서의 일감·수입 감소. 과거 실적이 완충하지 못하고 최상위가 더 영향받는다는 시사적 근거.
  • "Payrolls to Prompts: Firm-Level Evidence on the Substitution of Labor for AI" (2026) — arXiv:2602.00139 — 기업 결제 자료 2021Q3~2025Q3, 온라인 노동 지출 1달러 감소당 AI 지출 약 0.03달러 증가. 부분 대체의 미시 증거(프리프린트).
  • "Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI" (2025) — DOI: 10.3386/w33777 — 덴마크 설문+행정자료, 도입은 넓고 새 과업도 퍼졌지만 소득·근로시간 효과는 정밀한 0(ChatGPT 2년 뒤 2% 초과 배제). 과업 재편이 먼저(워킹페이퍼).
  • "The Recent Evolution of AI-Related Labor Demand" (2026) — DOI: 10.26509/frbc-wp-202624 — 미국 구인 광고의 AI 언급 2024년 초부터 증가, 노출 직업에서 공고 안정·임금 상승·채용과 이직 증가, 재직자 임금 하락(클리블랜드 연준 워킹페이퍼).
  • "Generative AI and the Reorganization of Labor Demand" (2026) — DOI: 10.48550/arxiv.2605.23159 — 미국 구인 공고 노출 감소의 52%는 채용 재배치, 39.5%는 일자리 내 재설계. 상급 자리는 먼저 재배치로, 초급 자리는 더 넓은 혼합으로(프리프린트).
  • "The Simple Macroeconomics of AI" (2024) — DOI: 10.3386/w32487 — 10년 총요소생산성 증가 0.66% 이하, 어려운 과업을 감안하면 0.53% 미만. 자본-노동 소득 격차 확대 예측. 저숙련 생산성 향상도 불평등을 키울 수 있음, 일부 새 과업은 사회적 가치가 음수(NBER판 인용, 이후 Economic Policy 게재).
  • "AI and the Two Margins of Work: Why Job Losses Show Up Before Job Creation" (2026) — DOI: 10.48550/arxiv.2611.17530 — 급여 통계는 기존 일의 축소를 곧바로, 새 일을 늦게 기록. 2026Q1까지 언어 모델 노출에 따른 차이 없음. 새 일을 늦게 잡는 통계는 대체를 과장(프리프린트).
  • "Technology and Labor Markets: Past, Present, and Future; Evidence from Two Centuries of Innovation" (2025) — DOI: 10.1353/eca.2025.a994512 — 20세기 기술은 고학력·고임금·여성 비율 높은 직업 수요를 늘림. 보정 모형은 AI가 그 흐름을 뒤집을 것으로 예측.

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.