점진적 파도라서 안전하다는 착각 — AI 자동화의 진짜 위험은 느림 자체에 있다

AI가 일자리를 대체한다는 공포는 이제 일상이 됐다. 매달 빅테크 감원 뉴스가 쏟아지고, 생성형 AI의 성능 곡선은 가파르다. 그런데 정작 6만 건 이상의 과업 평가와 240만 명의 경력 추적 데이터가 말하는 현실은 의외로 조용하다. AI 자동화는 충격파가 아니라 점진적 파도라는 게 학계의 합의다. 기업들은 이를 근거로 해고 대신 재교육을 선언하고, 정책 당국은 “아직 시간이 있다”고 말한다. 그러나 점진성 자체가 함정이다. 느린 도입이 만들어낸 ‘아직 괜찮다’는 착시 아래서, 축소 직종 노동자의 소득은 20년간 5%씩 조용히 침식되고, 주니어 일자리 자동화는 전문가 양성 파이프라인을 끊으며, AI는 스스로의 학습 방식을 바꿀 역량을 키우고 있다.

한 줄 요약: AI 자동화의 점진성은 안전의 근거가 아니라, 대비를 미루게 만드는 구조적 함정이다.

“충격파는 없다” — 6만 건이 증명한 낙관론의 근거

미국 노동부 O*NET 분류 기반 6,000개 이상 텍스트 과업을 대상으로 60,000건 이상의 평가를 수행한 대규모 연구가 있다. 결론은 명쾌했다. AI 자동화는 특정 직종을 한꺼번에 무너뜨리는 충격파(crashing waves)가 아니라, 광범위한 영역에서 조금씩 성능이 올라가는 점진적 상승(rising tides) 패턴을 보인다는 것이다. 2024년 2분기 기준 프론티어 모델의 과업 성공률은 약 60%였고, 2025년 3분기에는 70%를 넘었다. 추세대로라면 2030년에는 텍스트 기반 과업 대부분에서 88~97% 성공률에 도달할 전망이다.

뉴욕 연방준비은행의 기업 서베이도 이 낙관론에 힘을 싣는다. AI를 도입한 서비스 기업 비율이 2024년 25%에서 2025년 40%로 뛰었지만, 같은 기간 AI로 인한 감원을 실행한 기업은 고작 10%에 머물렀다. 제조업에서는 0%다. 대신 재교육 계획을 밝힌 서비스 기업은 23.8%에서 52.8%로 두 배 이상 늘었다. “AI의 노동시장 영향은 일자리 제거보다 필요 역량의 변화에 가깝다”는 것이 연구 책임자의 결론이었다.

여기까지만 보면 안심할 만하다. 점진적이고, 기업도 해고보다 재교육을 택하고, 충격파는 없다. 그런데 이 낙관론에는 치명적인 사각지대가 있다.

기술적 80%, 경제적 23% — 라스트 마일이라는 착시

점진적 파도가 안전하다는 믿음의 이면에는 라스트 마일 문제가 있다. 컴퓨터 비전 분야를 정밀 분석한 연구에 따르면, 기술적으로 자동화가 가능한 과업은 전체의 80%에 달하지만, 실제로 경제적 타당성을 갖춘 과업은 23%에 불과하다. 현재 시점에서 미국 비농업 일자리 중 AI 자동화가 경제적으로 매력적인 비중은 겨우 8%다.

이 수치를 보면 “역시 아직 멀었다”고 생각하기 쉽다. 그런데 개인적으로는, 이 23%라는 숫자가 오히려 더 위험한 신호라고 본다. 왜냐하면 경제적 비타당성이 기업에게 ‘재교육을 서두를 이유’가 아니라 ‘기다릴 명분’을 제공하기 때문이다. AI 시스템 비용이 기하급수적으로 떨어져도 자동화 가능 과업은 선형적으로만 늘어난다는 것이 연구의 핵심 발견이다. 이 비대칭이 기업 의사결정자에게 “급할 것 없다”는 메시지를 보낸다.

그러나 AI-as-a-Service 플랫폼이 등장하면 판이 바뀐다. 개별 기업이 감당하지 못할 초기 개발 비용을 플랫폼이 분산시키면, 자동화 가능 과업 비중이 8%에서 88%로 뛸 수 있다는 것이 같은 연구의 시뮬레이션 결과다. 라스트 마일은 ‘좁혀지지 않는 거리’가 아니라, 플랫폼 경제학이 임계점을 넘는 순간 한꺼번에 사라질 수 있는 거리다.

20년, 240만 명, 5% — 점진적 파도의 실제 청구서

점진적이니 괜찮다는 논리가 작동하려면, 느린 변화 속에서도 노동자가 적응할 시간을 확보하고 소득을 지킬 수 있어야 한다. 그런데 현실의 데이터는 정반대를 말한다.

2000년부터 2020년까지 미국 노동자 240만 명의 경력을 추적한 연구가 있다. 이 기간 고용 규모가 25% 이상 축소된 직종에 종사한 노동자들은, 그렇지 않은 직종의 노동자들에 비해 누적 소득이 약 5% 낮았다. 직종 이동은 상당히 활발하게 일어났지만, 이동이 곧 회복을 의미하지는 않았다. 이동한 이후에도 소득 격차는 경력 전체에 걸쳐 지속됐다. 이건 좀 아쉬운 대목인데, 스웨덴·노르웨이의 유사 연구에서도 임금 격차는 거의 동일하게 관찰됐다. 노동시장 구조가 다른 나라에서도 같은 패턴이 나타난다는 건, 이 문제가 특정 제도의 결함이 아니라 점진적 직종 축소 자체의 구조적 속성임을 시사한다.

한국도 예외가 아니다. 2026년 5월 기준 취업자 수는 전년 대비 4만 명 감소했고, 15~64세 고용률은 70.2%로 0.3%p 하락했다. 청년 실업률은 7.2%로 0.6%p 올랐다. 충격파는 없다. 그러나 수치는 분명히 나빠지고 있다. 점진적 파도가 조용히 밀려오는 중이다.

주니어를 자동화하면 시니어도 사라진다

AI를 ‘저렴하지만 오류가 있는 인지(cheap, fallible cognition)’로 재정의한 연구는, 낙관론과 비관론 모두를 거부한다. AI의 노동시장 운명은 기계적 대량 실업도, 자동적 풍요도 아닌 제도적 균형이라는 것이다. 이 연구가 짚어낸 가장 날카로운 지점은 따로 있다. 주니어 업무의 자동화가 전문가 양성 파이프라인을 끊을 수 있다는 경고다.

엔트리 레벨 과업은 단순히 현재의 산출물을 만들어내는 것만이 아니다. 그 과정에서 어떤 질문을 해야 하는지 감각(question-sense)을 익히고, 미래의 판단력(future judgment)을 형성한다. AI가 이 과업을 대체하면 비용은 줄어들지만, 10년 뒤 시니어를 채울 인재 풀이 마른다. 솔직히 이 논점은 재교육 낙관론의 가장 큰 맹점이다. 뉴욕 연준 서베이에서 재교육 계획을 밝힌 기업이 52.8%에 달했지만, 재교육의 전제는 ‘교육받을 주니어가 존재한다’는 것이다. 주니어 포지션 자체가 자동화되면 교육할 대상이 사라진다.

이 연구는 대안도 제시한다. AI를 생산성 도구로만 쓰지 말고, 교육 도구로 설계해야 한다는 것이다. 답을 생성하는 AI 옆에서 주니어가 “왜 이 답인지”를 질문하고, 결과를 해석하고, 책임을 지는 경험을 쌓을 수 있어야 한다. 답 생성이 풍부해진 세상에서 진짜 가치 있는 인간의 일은 문제를 정의하고, 가설을 세우고, 결과를 해석하고, 책임을 지는 것으로 이동한다.

AI는 이미 자기 학습법을 수정하기 시작했다

점진적 파도가 영원히 점진적일 것이라는 가정도 검증이 필요하다. 최근 공개된 벤치마크는 AI 에이전트가 자신의 훈련 알고리즘을 직접 개선할 수 있는지를 테스트했다. 10개 연구 리포지토리에서 6개 시스템, 29개 설정을 돌린 결과, 최고 점수는 0.250(기존 알고리즘과 최적해 사이 거리의 약 1/5 수준)이었다. 아직은 인간 연구자를 대체하기엔 멀다.

그러나 한 가지 수치가 눈에 띈다. 추론 능력이 강화된 AI 에이전트에서, 학습 메커니즘 자체를 변경하려는 시도가 8%에서 64%로 뛰었다. 그리고 실제로 학습 방식을 바꾼 에이전트의 평균 점수는 0.226으로, 기존 방식을 유지한 에이전트의 0.126을 크게 앞섰다. 아직 점수는 낮지만, AI가 표면적 최적화가 아니라 근본적 알고리즘 수정을 시도할 역량을 갖추기 시작했다는 신호다.

이 데이터를 라스트 마일 문제와 겹쳐놓으면 그림이 달라진다. 현재는 경제적 타당성이 23%에 불과해서 자동화가 느리다. 그러나 AI가 자체 훈련 효율을 높이기 시작하면, AI 시스템의 한계비용이 급락한다. 라스트 마일을 좁히는 건 인간 엔지니어의 노력만이 아니라, AI 자체의 자기 개선 루프가 될 수 있다. 점진적 상승 곡선이 2030년에 88~97% 성공률에 도달한다는 전망은, 이 자기 개선 효과를 충분히 반영하지 못했을 가능성이 높다.

재교육 53%의 이면 — 선언과 실행 사이

뉴욕 연준 서베이에서 향후 6개월 내 재교육을 실행하겠다고 밝힌 서비스 기업은 52.8%다. 이 숫자가 희망적으로 보이는 건, ‘계획’과 ‘실행’을 구분하지 않았기 때문이다. 실제로 지난 6개월간 재교육을 실행한 기업은 23.8%에 그쳤다. 계획과 실행 사이에 29%p의 간극이 있다.

이 간극은 라스트 마일 문제의 기업 내부 버전이다. AI 자동화가 경제적으로 아직 23%만 타당하다면, 재교육에 투자할 긴박감도 23% 수준에 머무른다. 기업이 합리적이라면, 아직 자동화가 비경제적인 과업의 노동자를 재교육하는 데 선제 투자할 유인이 약하다. “필요해지면 그때 하겠다”가 합리적 선택이 되는 구조다.

그러나 NBER 데이터가 보여준 것처럼, 직종 축소의 소득 효과는 축소가 ‘시작된 후’에 누적된다. 재교육이 ‘필요해진 시점’은 이미 소득 손실이 시작된 시점이다. 한국의 상황도 다르지 않다. 취업자가 줄고, 청년 실업률이 오르고 있지만, AI 전환에 대한 기업의 재교육 투자는 아직 선언 단계에 머물러 있다. 점진적이라는 진단이 맞을수록, 대비의 긴박감은 떨어지고, 대비가 늦을수록 누적 비용은 커진다. 이것이 점진성의 역설이다.

💡 실무 시사점 — HR이 이번 분기에 점검할 3가지:

① 주니어 포지션의 AI 과업 비율을 측정하라. 엔트리 레벨 업무 중 AI가 대체 중인 비율이 50%를 넘으면, 그 포지션은 ‘비용 절감 대상’이 아니라 ‘전문가 파이프라인 리스크’로 재분류해야 한다.

② 재교육 ‘계획’이 아니라 ‘실행률’을 KPI로 잡아라. 재교육 계획 대비 실행률을 분기별로 추적하고, 간극이 20%p 이상이면 투자 구조에 문제가 있는 것이다.

③ 직종 축소 시그널을 모니터링하라. 자사 핵심 직종의 채용 공고 수, 보상 수준, 이직 패턴을 분기 단위로 추적하라. 25% 축소 임계점에 도달하기 전에 인력 재배치를 시작해야 누적 소득 손실을 방지할 수 있다.

#AI자동화 #재교육실행률 #전문성파이프라인 #라스트마일

참고 링크

• 뉴욕 연방준비은행, “AI’s Impact on Labor and Hiring” (2026)
• arXiv, “Crashing Waves vs. Rising Tides: Findings on AI Automation from Thousands of Worker Evaluations” (2025)
• arXiv, “Cheap, Fallible Cognition and the Political Economy of Expertise” (2026)
• 브루킹스 연구소, “The Last Mile Problem in AI” (2026)
• NBER, “Declining Occupations and Career Outcomes in the United States” (2026)
• 통계청, “2026년 5월 고용동향” (2026)
• arXiv, “AI4AI-Bench: Benchmarking LLM Agents in Algorithmic Design for Recursive Self-Improvement” (2026)

작성: 서재홍 | NODE