건당 보수를 2.3배 올렸더니 월급은 그대로였다 — 배분 알고리즘이 보상 설계를 되돌리는 법

2024년 1월, 시애틀은 배달앱 노동자에게 최저보수를 보장하는 조례를 시행했다. 분당 0.44달러에 마일당 0.74달러를 더하거나, 최소 건당 5달러. 규정만 놓고 보면 완승이다. 실제로 건당 기본보수는 5.37달러에서 12.52달러로 뛰었다. 2.3배다. 그런데 6,000명 가까운 노동자의 280만 건을 추적한 결과, 이 플랫폼에 깊이 발을 담근 기사들의 월 소득은 조례 시행 전과 사실상 같았다.

보수 단가를 두 배 넘게 올렸는데 월급이 그대로라면, 중간에서 무언가가 그만큼을 되돌려놓았다는 뜻이다. 되돌린 주체는 사업주의 협상력도, 시장의 수요 감소도 아니었다. 일감을 누구에게 얼마나 보낼지 결정하는 배분 알고리즘이었다. 그리고 이 구조는 배달 플랫폼만의 이야기가 아니다. 사내에서 AI로 프로젝트와 인력을 매칭하기 시작한 조직은 정확히 같은 함정 위에 서 있다.

한 줄 요약: 노동자의 몫은 단가가 아니라 배분이 결정하며, 배분 알고리즘을 관측·규율 대상으로 올리지 않으면 어떤 보상 설계도 조용히 되돌려진다.

단가를 올리자 일감이 내려왔다

시애틀 데이터가 보여주는 건 단순한 실패가 아니다. 훨씬 정교한 상쇄다. 기본보수는 분명히 올랐다. 대신 팁이 큰 폭으로 줄어 인상분의 3분의 1 이상을 상쇄했다. 플랫폼들이 배달 완료 전 팁을 미리 남기는 기능을 껐기 때문이다. 남은 인상분은 일감의 양이 흡수했다. 조례 시행 두 달 만에 고참여 기사들의 월 배달 건수는 최소 20% 줄었고, 대기 시간 대비 실제 작업 시간의 비율인 가동률은 11%포인트 떨어졌다. 콜과 콜 사이 대기가 5분씩 늘었고, 이동 거리도 건당 0.25~0.30마일 길어졌다.

주목할 대목은 총 근로시간에는 유의미한 감소가 없었다는 점이다. 기사들은 여전히 같은 시간 앱을 켜두고 도로 위에 있었다. 단지 그 시간의 더 많은 부분이 기다리는 시간으로 바뀌었을 뿐이다. 규정이 보호한 것은 ‘한 건의 가격’이었고, 규정이 손대지 않은 것은 ‘몇 건을 받는가’였다.

네 숫자를 따로 읽으면 안 된다. 이건 네 개의 사실이 아니라 하나의 사건이다. 단가가 2.3배가 되는 순간 배분이 20% 줄었고, 두 변화가 만나 월 소득이 정확히 제자리에 놓였다. 개인적으로는 이 대칭성이 이 연구에서 가장 서늘한 부분이라고 본다. 우연한 부작용이라기엔 상쇄가 너무 깔끔하다.

flowchart TD
    A["보상 규칙 변경: 건당 단가 인상"] -->|플랫폼 비용 상승| B["배분 알고리즘 재조정"]
    B --> C["매칭 건수 감소 / 대기 시간 증가"]
    B --> D["팁 UI 변경으로 부가소득 축소"]
    C --> E["월 소득 원위치"]
    D --> E
    E -->|관측되지 않음| A

구직자가 넘쳐도 노동자 몫이 남는 이유

그렇다면 배분은 언제 노동자에게 유리하게 작동하는가. 온라인 긱 플랫폼의 잉여 배분을 분석한 연구가 이 질문에 답한다. 이 시장은 일자리보다 구직자가 훨씬 많다. 교과서대로라면 노동자 몫은 바닥까지 밀려야 한다. 그런데 실제로는 노동자가 거래에서 발생하는 잉여의 상당 부분을 가져간다.

이유는 두 가지 마찰에 있다. 하나는 수요 측 탐색 마찰이다. 일을 맡기는 쪽이 적합한 사람을 찾는 데 비용이 든다. 다른 하나는 노동자 차별화다. 사람마다 강점과 이력이 달라서 서로 완전한 대체재가 되지 못한다. 이 두 가지가 살아 있는 한, 노동자는 ‘누구로도 바꿀 수 있는 한 명’이 아니라 ‘이 일에 특정한 값이 매겨지는 한 명’으로 남는다.

여기서 논지가 한 바퀴 돈다. 마찰과 차별화는 결국 배분이 얼마나 자유롭게 재조정될 수 있는지를 결정하는 조건이다. 발주자가 클릭 한 번으로 동등한 대체 인력을 무한히 부를 수 있다면 배분은 순식간에 재편되고 단가 인상은 곧바로 물량으로 회수된다. 반대로 특정 노동자를 지목해야 할 이유가 남아 있다면 배분은 그렇게 쉽게 움직이지 못한다. 시애틀에서 상쇄가 그토록 매끄러웠던 배경에는, 시행 3개월 만에 신규 진입자가 배달 건수의 과반을 차지할 만큼 대체 인력이 빠르게 유입됐다는 사실이 있다.

같은 충격, 다른 결과 — 배분 규칙이 있던 시장

배분이 전부라면, 배분에 규칙이 있는 시장에서는 결과가 달라야 한다. 실제로 그렇다. 미국 행정 조세 데이터로 차량공유 도입이 택시·리무진 업종에 미친 영향을 추적한 연구를 보면, 플랫폼 진입 이후 저소득 택시 기사의 이탈률이 뚜렷하게 높아졌다. 고소득 기사의 이탈률은 거의 영향을 받지 않았다. 소득 하위층이 먼저 밀려난 것이다.

결정적인 건 시장별 차이다. 규제가 약한 시장에서는 저소득·고소득 기사 모두 소득 감소를 겪었다. 반면 규제가 있는 시장에서는 그 손실이 완화되거나 아예 나타나지 않았다. 같은 기술 충격, 같은 플랫폼, 다른 결과다. 이 대비를 놓치면 앞선 시애틀 사례를 “임금 하한은 소용없다”로 잘못 읽게 된다. 정확한 독해는 그 반대다. 가격만 규율하고 배분을 방치한 규칙은 무력화되고, 진입과 배분에 함께 개입한 규칙은 실제로 노동자를 보호했다. 규제가 실패한 게 아니라, 규제 대상이 절반이었던 것이다.

사내 AI 배정 도구가 같은 구조를 복제하는 지점

이 이야기가 남의 일처럼 들린다면, 지금 조직에서 돌아가는 도구 목록을 떠올려보자. 사내 인재 마켓플레이스, AI 기반 프로젝트 어사인먼트, 스킬 임베딩으로 후보를 정렬해주는 워크포스 플래닝 모듈, 상담·티켓을 자동 라우팅하는 배정 엔진. 이들은 전부 배분 알고리즘이다. 단가를 정하지 않을 뿐, 누가 어떤 일을 얼마나 받는지를 매일 결정한다.

HR은 보상 테이블과 등급 체계는 촘촘하게 관리한다. 그런데 배정 엔진이 지난 분기에 누구에게 어떤 난이도의 일을 얼마나 보냈는지는 대개 아무도 열어보지 않는다. 시애틀이 보여준 상쇄가 조직 안에서 재현되는 지점이 정확히 여기다. 직무급을 손보고 성과급 재원을 늘려도, 좋은 프로젝트가 특정 인력에게 반복 배정되고 나머지에게는 대기 시간만 쌓이면 실질 처우는 움직이지 않는다. 오히려 보상 인상이 원가 압박으로 돌아와 배정이 더 보수적으로 바뀔 수도 있다.

국내 상황도 다르지 않다. 플랫폼 종사자를 둘러싼 논의는 주로 보수 수준, 수수료 구조, 산재보험 적용 같은 ‘가격과 자격’에 집중돼 왔다. 정작 어떤 콜이 누구에게 먼저 뜨는지를 정하는 배차 로직은 대체로 영업비밀의 영역에 남아 있다. 같은 공백이 사무직 조직에도 그대로 옮겨 붙는 중이다. 국내 기업들이 도입하기 시작한 사내 인재 마켓플레이스나 AI 기반 업무 배정 모듈은 도입 시점에 보안·개인정보 검토는 거치지만, 배정 결과가 특정 집단에 쏠리는지를 정기적으로 들여다보는 절차를 갖춘 곳은 드물다.

그래서 실행의 출발점은 도구를 늘리는 쪽이 아니다. 배정 로그를 보상 데이터와 같은 등급의 인사 데이터로 승격시키는 일이다. 누구에게 어떤 등급의 일이 몇 건 갔는지, 대기 상태로 머문 시간이 얼마인지가 분기마다 집계되지 않는 배정 엔진은 관측되지 않는 임금 결정 장치나 다름없다. 그 위에서 매칭 로직이 사람의 차별화 정보를 살려두는지 점검해야 한다. 직무 코드와 연차만으로 후보를 정렬하는 모델은 구성원을 서로 완전한 대체재로 만들어버리고, 대체 가능해진 사람의 몫은 시장에서 그랬듯 조직 안에서도 줄어든다. 마지막으로, 보상 제도를 바꿀 때는 같은 분기에 배정 분포가 어떻게 반응했는지를 반드시 함께 읽어야 한다. 단가와 물량을 따로 보는 순간 상쇄는 보이지 않는다.

솔직히 이 작업은 화려하지 않다. 새 AI 도구를 도입하는 것보다 훨씬 덜 눈에 띄고, 성과로 보고하기도 애매하다. 다만 이미 도입한 도구가 사실상의 임금 결정 권한을 쥐고 있다면, 그 권한을 관측 가능하게 만드는 일이 지금 HR이 붙잡아야 할 핵심이다.

규칙은 절반만 지어졌다

시애틀 조례를 만든 사람들이 무능했던 게 아니다. 그들은 임금을 다루는 법을 알았다. 다만 상대는 임금만으로 움직이는 시스템이 아니었다. 배달 한 건의 값을 법으로 정하는 동안, 그 한 건이 누구에게 몇 번 가는지는 여전히 코드가 정했다. 규칙과 코드가 서로 다른 층위에서 작동하면, 늦게 움직이는 쪽이 진다.

조직 안에서 이 두 층위를 모두 쥘 수 있는 부서는 사실상 HR뿐이다. 보상 규칙도 HR이 설계하고, 배정 도구를 도입할지 말지도 HR이 결정한다. 그런데 지금 대부분의 조직에서 둘은 서로 다른 회의에서 다뤄진다. 보상은 인사위원회에서, 배정 엔진은 IT 도입 검토에서. 아쉬운 지점이 여기다. 다음 보상 개편안을 올릴 때, 같은 자리에 지난 분기 배정 분포표를 함께 올려놓을 수 있는가. 그 표가 없다면 개편안의 절반은 이미 코드가 결정해둔 셈이다.

💡 실무 시사점: 보상 설계의 효과는 배분 데이터를 함께 보지 않으면 검증할 수 없다. 사내 AI 배정·매칭 도구의 로그를 보상 데이터와 동급의 인사 데이터로 승격시키고, 매칭 로직이 구성원의 차별화 정보를 보존하는지 점검하며, 보상 제도 변경 시 같은 기간 배정 분포의 반응을 함께 읽어야 한다.

#배분알고리즘 #AI인재배정 #보상설계 #플랫폼노동 #HR데이터

참고 링크

• NBER, “Impact of Minimum Pay Rules on Gig Delivery Drivers” (2026)
• NBER, “Who Benefits from Online Gig Economy Platforms?” (2025)
• NBER, “Driving the Gig Economy” (2024)

작성: 서재홍 | NODE