리스킬링의 역설 — AI 자동화가 만드는 ‘기술 인접’ 함정

AI 도입률 88%, 그런데 왜 고용 지표는 조용한가

2026년 스탠포드 HAI AI Index에 따르면 전 세계 기업의 88%가 최소 하나 이상의 AI 시스템을 운영 중이다. 코딩 벤치마크 성능은 100%에 수렴하고, AI가 미국 소비자에게 제공하는 경제적 가치는 연간 1,720억 달러로 추산된다. 그런데 한국 통계청이 발표한 2026년 2월 고용동향을 보면, 취업자 수는 전년 대비 23.4만 명 증가에 그쳤고 고용률은 69.2%로 0.3%p 상승에 불과하다. 청년 실업률은 오히려 7.7%로 0.7%p 올랐다. 이 간극이 뜻하는 바는 명확하다. AI 도입 속도와 노동시장 구조 변화 사이에는 시차가 아니라 구조적 단절이 있다. 이 글의 핵심 주장은 이것이다: 스킬 기반 전환(reskilling)이 자동화의 해법처럼 보이지만, 자동화가 기술 인접 직종에 집중되는 ‘거리 의존 대체’ 패턴에서 스킬 전환은 근로자를 같은 위험 풀에 재배치할 뿐이다 — 문제는 개인의 스킬 부족이 아니라 자동화 경쟁의 구조적 외부성이다.

거리 의존 대체 — 자동화는 왜 ‘옆 직종’을 먼저 먹는가

자동화가 노동시장을 바꾸는 메커니즘에 대해 경제학은 오랫동안 단순한 가정을 해왔다. 기술이 특정 직종을 대체하면 근로자가 다른 직종으로 이동한다는 것이다. 그런데 2025년 발표된 한 연구가 이 가정의 핵심 결함을 지적한다. 306개 직종을 인지·수작업·대인 스킬 차원으로 매핑한 결과, 자동화와 AI는 스킬 공간에서 기술적으로 인접한 직종에 집중적으로 클러스터링된다.

이것이 왜 중요한가. 기존 모델은 노동 수요 충격의 약 30%가 임금으로 전이된다고 추정했다. 그런데 거리 의존 탄력성(Distance-Dependent Elasticity of Substitution)을 적용하면 그 수치가 20~50%로 뛰어오른다. 동시에 직업 이동을 통한 손실 회복률은 표준 모델의 30%에서 20%로 떨어진다. 솔직히, 이 숫자의 조합이 말하는 것은 잔인하다. 자동화가 당신의 직종을 위협할 때, 당신이 가장 쉽게 갈 수 있는 곳이 바로 다음 타겟이라는 뜻이다.

OECD가 말하는 ‘스킬 우선’의 논리 — 그리고 그 논리의 사각지대

OECD는 2026년 보고서에서 스킬 우선(skills-first) 노동시장을 강력히 옹호한다. 학위보다 역량 중심으로 채용·훈련·이동을 설계하면 정보 비대칭이 줄고, 고용 기회가 확대되며, 경제적 회복력이 강화된다는 논리다. 이 프레임워크 자체는 나무랄 데가 없다. 문제는 이 논리가 전제하는 세계와 실제 세계의 괴리에 있다.

OECD 모델은 스킬이 이동 가능한 자산이라고 가정한다. A 직종에서 축적한 데이터 분석 역량을 B 직종으로 들고 가면 새 가치가 창출된다는 것이다. 그런데 거리 의존 대체 연구가 보여주는 현실은 다르다. 데이터 분석 스킬을 가진 사무직이 전환할 수 있는 직종은 — 스킬 거리상 — 마찬가지로 데이터 처리를 핵심으로 하는 직종이다. 그리고 그 직종이야말로 AI가 다음으로 자동화할 대상이다.

개인적으로는 이 지점이 가장 아쉽다. OECD 보고서는 스킬 우선이 어떤 방향으로 작동해야 하는지를 말하지 않는다. 같은 스킬 도메인 내에서의 수평 이동과, 완전히 다른 스킬 도메인으로의 수직 도약을 구분하지 않는다. 전자는 거리 의존 함정에 그대로 빠지고, 후자는 현실적으로 개인에게 요구하기 어렵다.

자동화 군비 경쟁 — 왜 기업은 ‘적정선’을 넘기는가

개별 기업 입장에서 AI 도입은 합리적 선택이다. 비용을 절감하고 생산성을 올린다. 그런데 2025년에 발표된 또 다른 연구는 이 합리성에 숨겨진 외부성을 드러낸다. 기업이 자동화로 절감한 비용은 온전히 해당 기업의 몫이다. 하지만 자동화로 인한 수요 감소(해고된 근로자의 소비 감소)는 시장 전체에 분산된다. 이 비대칭이 만드는 결과: 모든 기업이 사회적 최적 수준을 초과한 자동화 경쟁에 돌입한다.

이건 좀 무서운 대목인데, 연구진은 이 문제가 경쟁이 심해질수록, AI 성능이 좋아질수록 더 악화된다고 밝힌다. 직관에 반한다. 보통은 기술이 좋아지면 상황이 나아진다고 생각하니까. 그런데 이 모델에서는 AI가 더 유능해질수록 각 기업이 자동화로 얻는 사적 이득이 커지고, 동시에 집단적 수요 손실도 커진다.

여기서 스킬 우선 접근법의 한계가 다시 드러난다. OECD가 제안하는 스킬 기반 재훈련은 공급 측면의 해법이다. 근로자를 더 유연하게 만들어 수요 변동에 대응하게 한다. 그런데 수요 측면에서 구조적 과잉 자동화가 진행되고 있다면, 공급 측 유연성은 더 빠르게 대체되는 것을 의미할 수도 있다.

한국 고용시장의 ‘조용한 전환’ — 숫자가 숨기는 것

다시 한국으로 돌아오자. 2026년 2월 취업자 2,841만 명, 전년 대비 23.4만 명 증가. 이 숫자만 보면 안정적이다. 그런데 이 안정성이 오히려 위험 신호일 수 있다. 기업 88%가 AI를 도입했는데 고용 충격이 안 보인다면, 두 가지 가능성이 있다. 하나는 AI가 아직 노동을 대체하지 않고 보완하고 있다는 것. 다른 하나는 — 거리 의존 대체 모델이 시사하듯 — 충격이 눈에 보이지 않는 형태로 축적되고 있다는 것이다.

청년 실업률이 7.7%로 0.7%p 오른 것은 후자를 시사한다. 청년층은 노동시장 진입 단계에 있어 스킬 포트폴리오가 좁다. 거리 의존 모델에서 스킬 범위가 좁은 근로자일수록 자동화 클러스터에 갇힐 가능성이 높다. 이들에게 “데이터 분석을 배워라”, “프롬프트 엔지니어링을 배워라”고 말하는 것은 — 그 스킬이 AI 인접 영역에 있는 한 — 함정의 중심으로 안내하는 셈이 된다.

피구세 vs 스킬 투자 — 진짜 정책 논쟁의 지형

여기서 두 연구의 처방이 정면으로 충돌한다. OECD는 스킬 투자 확대와 인프라 구축을 요구한다. 자동화 외부성 연구는 자동화 자체에 대한 과세를 요구한다. 둘 다 틀리지 않았지만, 둘의 우선순위는 전혀 다르다.

스킬 투자는 이행을 매끄럽게 한다. 자동화세는 이행 자체의 속도를 조절한다. 거리 의존 대체가 현실이라면 — 그리고 데이터는 현실이라고 말한다 — 매끄러운 이행은 의미가 제한적이다. 근로자가 아무리 빠르게 새 스킬을 습득해도, 그 스킬의 유효기간이 자동화 사이클보다 짧다면 영원한 전환 상태에 놓이게 된다.

핵심이다: 문제의 본질은 근로자의 적응 속도가 아니라, 자동화가 인접 영역을 침식하는 속도가 적응보다 구조적으로 빠르다는 점이다. 이것은 개인의 노력으로 해결할 수 있는 문제가 아니다. 시장 실패에는 시장 외부의 개입이 필요하다.

한 줄 요약: 리스킬링은 개인의 생존 전략이지 시스템의 해법이 아니다. 자동화의 거리 의존 집중 패턴이 존재하는 한, 스킬 전환은 근로자를 다음 위험 영역으로 이동시킬 뿐이다.

HR이 이 구조에서 할 수 있는 것

그러면 조직 내 HR은 무엇을 할 수 있는가. “리스킬링 프로그램을 만들라”는 답이 아니다. 적어도 기존 방식의 리스킬링은 답이 아니다.

거리 의존 대체 모델이 시사하는 첫 번째 실무적 함의: 스킬 전환의 방향을 ‘인접’이 아닌 ‘이격’으로 설계해야 한다. 데이터 입력 담당자를 데이터 분석가로 키우는 것(인접 이동)이 아니라, 대인 관계·판단·맥락 해석 역량으로 전환시키는 것(이격 이동)이 자동화 클러스터를 벗어나는 유일한 경로다. 이건 더 어렵고, 더 비싸고, 더 오래 걸린다. 하지만 인접 이동이 위험 풀 재진입이라면, 이격 이동만이 실제로 안전하다.

두 번째 함의: 직무 설계 자체를 자동화 외부성의 렌즈로 재검토해야 한다. 한 직무의 스킬 구성이 다른 직무와 높은 인접성을 보인다면, 그 직무군 전체가 동시에 자동화될 가능성이 있다. HR은 조직 내 직무 포트폴리오의 스킬 다양성을 측정하고, 지나치게 동질적인 스킬 클러스터를 해체할 필요가 있다.

💡 실무 시사점 — HR이 이번 분기에 점검할 3가지:

① 리스킬링 방향 감사. 현재 운영 중인 재훈련 프로그램이 스킬 인접 영역으로의 수평 이동을 추진하고 있다면, 거리 의존 함정에 빠질 가능성을 점검할 것. 인지-대인-수작업 축 간 교차 이동을 포함하는지 확인.

② 직무 포트폴리오 스킬 클러스터 분석. 조직 내 주요 직무군을 3차원 스킬 맵에 배치해볼 것. 하나의 자동화 파동이 동시에 위협하는 직무군(스킬 거리 1 이내)이 전체의 30% 이상이면 위험 신호.

③ 자동화 도입 속도의 내부 거버넌스. AI 도입이 HR과 무관하게 IT·경영진 주도로 진행되고 있다면, 수요 외부성에 대한 내부 견제가 부재한 것. 자동화 결정에 인력 영향 평가(workforce impact assessment)를 의무화할 것.

#리스킬링 #자동화외부성 #직무설계 #스킬맵 #HR거버넌스

참고 링크

• Stanford HAI, “The 2026 AI Index Report” (2026)
• Stanford HAI, “As AI Shifts Jobs, How Do We Prepare the Workforce?” (2026)
• arXiv, “The AI Layoff Trap” (2025)
• arXiv, “The Labor Market Incidence of New Technologies” (2025)
• OECD, “A Skills-First Labour Market” (2026)
• 통계청, “2026년 2월 고용동향” (2026)

작성: 서재홍 | NODE