실업률 2.7%가 가리는 것 — AI 시대, ‘고용 숫자’ 너머의 직무 침식을 읽다

한국의 실업률은 2.7%다. OECD 평균의 절반에 가까운 이 숫자를 보면, AI가 일자리를 빼앗는다는 우려는 기우처럼 들린다. 같은 시기, 실리콘밸리에서는 80만 건의 ChatGPT 업무 메시지를 분석한 보고서가 “AI가 업무를 대체하는 게 아니라 확장한다”는 결론을 내놓았다. 그런데 이 두 개의 ‘좋은 소식’을 학술 데이터와 나란히 놓으면 전혀 다른 그림이 보인다. AI가 일자리를 ‘확장’한다는 빅테크 서사와 달리, AI 노출 직종의 질적 악화는 ChatGPT 이전부터 시작됐고, 한국의 낮은 실업률은 이 침식을 가리는 통계적 착시다. HR이 실제로 대비해야 할 것은 ‘고용 숫자’가 아니라 ‘직무 내부의 질적 전환’이다.

실업률 2.7%라는 안심 숫자의 이면

경기가 둔화되는데 실업률은 오히려 내려간다. KDI가 이 역설을 파고들었더니, 낮은 실업률을 설명하는 변수의 68% 이상이 ‘좋은 이유’가 아니었다. 두 가지 요인이 동시에 작동했다. 첫째, 구직 자체를 포기하는 청년이 늘었다. ‘쉬었음’ 응답 비율은 3.2%에서 5.6%로 뛰었다. 일을 찾지 않는 사람은 실업자로 집계되지 않는다. 둘째, 디지털 채용 플랫폼이 매칭 효율을 11% 끌어올리면서, 구직 기간이 짧아졌다. 빨리 취업하는 것이 좋은 일자리에 취업하는 것과 같지는 않은데도.

이 데이터를 AI 노출 직종 연구와 교차시키면 불편한 장면이 나타난다. AI에 많이 노출된 직종—번역, 콘텐츠 작성, 데이터 입력 등—에서 임금과 고용 조건의 악화가 감지된 시점은 2022년 초다. ChatGPT가 세상에 나오기 수개월 전이다. AI 도구의 확산이 아니라, AI 도구가 올 것이라는 예상만으로도 이미 시장은 움직이기 시작했다. 실업률은 그대로인데 직무의 질은 달라진 것이다.

빅테크가 말하는 ‘업무 확장’을 뜯어보면

80만 건의 ChatGPT 업무 메시지를 분석한 최근 연구 결과는 인상적이다. 직종별 업무 메시지 중 43.5%가 원래 자기 직무가 아닌 다른 직종의 업무였다. HR 담당자의 메시지 중 69%가 HR이 아닌 업무—디자인, 마케팅, 데이터 분석—에 관한 것이었다. 고객경험(CX) 담당자는 77%에 달했다. 이 숫자만 보면, AI 덕분에 모두가 멀티플레이어가 되고 있다는 낙관론이 자연스럽다.

그런데 이 연구의 전제를 짚어볼 필요가 있다. 분석 대상은 ChatGPT 사용자의 메시지다. AI를 쓰지 않는 사람, AI에 밀려 이미 시장에서 나간 사람은 데이터에 없다. 개인적으로는 이 부분이 핵심이다. 생존자의 데이터만 분석하면 결론은 언제나 긍정적이다. 전쟁터에서 돌아온 군인의 건강 상태를 조사하면 “전쟁은 건강에 해롭지 않다”는 결론이 나오는 것과 같다.

더 흥미로운 패턴은 기업 규모와의 관계다. 2~5인 소규모 조직에서 교차 업무 비율이 18.9%인 반면, 100인 이상 대기업에서는 16.3%로 낮아진다. 소규모 기업에서는 AI가 ‘한 사람이 여러 역할을 해야 하는 현실’의 도구로 쓰이고, 대기업에서는 기존 전문성 구조가 유지되는 것이다. 솔직히, 이건 확장이라기보다 소규모 사업장의 생존 전략에 가깝다.

ChatGPT 이전부터 시작된 직무의 녹슬음

빅테크의 낙관론과 정반대 방향을 가리키는 학술 연구가 있다. AI에 많이 노출된 직종의 일자리 질이 악화되기 시작한 시점은 2022년 초—ChatGPT 공개(2022년 11월)보다 수개월 앞선다. 번역, 카피라이팅, 기초 데이터 분석 같은 업무에서 단가 하락과 계약 조건 악화가 먼저 나타났고, 실제 AI 도구 보급은 그 뒤를 따랐다.

흥미로운 예외가 하나 있다. AI 관련 교육을 받은 졸업자들은 ChatGPT 이후 오히려 더 나은 고용 결과를 보였다. 같은 기술이 한쪽에서는 기존 직무를 침식하고, 다른 쪽에서는 새 기회를 만든 것이다. 이 비대칭이야말로 HR이 직시해야 할 현실이다. AI는 전체 고용 규모를 줄이는 것이 아니라, 준비된 사람과 그렇지 않은 사람 사이의 격차를 벌린다.

KDI 데이터와 연결하면 구조가 더 선명해진다. 디지털 플랫폼의 매칭 효율이 11% 개선됐다는 것은, 채용이 더 빠르게 이루어진다는 뜻이다. 하지만 ‘빠른 매칭’이 ‘좋은 매칭’은 아니다. 이전보다 낮은 조건의 일자리에 더 빨리 취업하는 것이라면, 실업률은 내려가되 노동의 질은 함께 내려간다. 실업률 통계는 이 차이를 보여주지 않는다.

고용보호법은 강화됐는데, 직무는 녹아내린다

OECD가 올해 고용전망 보고서에서 집중한 것은 이중 노동시장(dual labour market) 문제다. 정규직에 대한 해고 규제와 비정규직 계약에 대한 규제 사이의 격차를 좁히는 것이 각국의 과제라는 분석이다. 2025년까지의 법제 개혁을 검토한 결과, 많은 국가가 비정규직 보호를 강화하는 방향으로 움직였다.

그런데 AI가 만드는 변화는 이 프레임 자체를 흔든다. AI 자동화 위험을 분석한 연구에 따르면, 자동화에 가장 취약한 직무의 특성은 고용 형태(정규직/비정규직)가 아니라 업무의 표준화 정도다. 규칙 기반의 반복 업무, 명확한 입출력 구조를 가진 업무가 먼저 대체된다. 정규직이든 비정규직이든, 하는 일이 코드로 바꿀 수 있는 것이라면 위험은 동일하다.

이건 좀 아이러니한 상황이다. 각국 정부가 ‘고용 형태’의 이중구조를 해소하느라 에너지를 쏟는 동안, AI는 ‘직무 내용’이라는 완전히 다른 축에서 새로운 이중구조를 만들고 있다. AI를 활용해 업무를 재설계할 수 있는 직무와 그렇지 못한 직무 사이의 격차다. 고용보호 입법이 아무리 정교해져도, 보호 대상인 직무 자체가 사라지면 법의 효력은 공허해진다.

자본에는 로봇세, 노동에는 재훈련이라는 공식의 한계

AI 시대의 재정정책을 다룬 NBER 연구는 여러 시나리오를 시뮬레이션했다. 생산성이 크게 올라가면 세수가 늘어 재정 여력이 생기지만, 동시에 소득불평등이 심화되고 자본소득 비중이 커지면서 기존 조세 구조로는 대응이 어려워진다는 결론이다. AI가 만드는 경제적 이득이 자본 소유자에게 집중되는 시나리오에서는, 근로소득세 중심의 세제가 근본적으로 흔들린다.

이 분석을 한국 맥락에 대입하면 묘한 비대칭이 드러난다. KDI가 보여준 것처럼 한국의 실업률은 낮고, 디지털 매칭 효율은 올라갔다. 겉으로는 AI 전환이 순조로워 보인다. 하지만 NBER의 시나리오가 경고하는 것은 바로 이런 ‘순조로운 전환’ 속에서 불평등이 쌓인다는 점이다. 일자리는 유지되지만 임금은 정체되고, 생산성 향상의 과실은 AI 인프라를 소유한 쪽으로 흘러간다.

‘로봇세를 매기고 그 재원으로 재훈련 프로그램을 돌리자’는 표준적 처방이 있다. 그런데 이 공식은 전제가 있다—재훈련의 대상이 명확해야 한다는 것이다. AI 노출 직종이 ChatGPT 이전부터 이미 침식되고 있었다면, 재훈련의 타이밍은 이미 늦었을 가능성이 있다. 재훈련 프로그램을 설계할 때 HR이 참고하는 노동시장 데이터 자체가 ‘구직포기’와 ‘빠른 저질 매칭’으로 왜곡돼 있다면, 프로그램의 방향도 틀어질 수 있다.

HR이 읽어야 할 숫자는 채용 공고 건수가 아니다

여기까지의 데이터를 종합하면 하나의 결론이 나온다. AI 시대에 HR이 추적해야 할 지표는 채용 건수나 실업률이 아니라, 직무 내부의 질적 변화다. 같은 직함을 가진 사람이 하는 일의 내용이 달라지고 있다. 80만 건의 ChatGPT 메시지에서 HR 담당자의 업무 중 69%가 비HR 업무였다는 사실은, HR이라는 직무 자체가 재정의되고 있다는 신호다.

문제는 이 재정의가 ‘확장’인지 ‘희석’인지는 맥락에 따라 다르다는 것이다. 100인 이상 기업에서는 전문 분업 구조가 유지되면서 AI가 보조 도구로 기능하지만, 5인 미만 기업에서는 한 사람이 AI로 여러 직무를 커버하는 ‘원맨밴드’ 구조가 강화된다. AI 교육을 받은 졸업자는 더 나은 기회를 잡지만, 그렇지 않은 사람의 직무는 조용히 단가가 내려간다. 실업률 통계에는 둘 다 ‘고용된 사람’으로 잡힌다.

한 줄 요약: AI가 일자리를 ‘확장’한다는 빅테크 서사와 달리, AI 노출 직종의 질적 악화는 ChatGPT 이전부터 시작됐다. 한국의 2.7% 실업률은 이 침식을 가리는 통계적 착시이며, HR이 대비해야 할 것은 ‘고용 숫자’가 아니라 ‘직무 내부의 질적 전환’이다.

💡 실무 시사점 — HR이 이번 분기에 점검할 3가지:

① 직무기술서(JD)의 현행화 감사. AI 도입 이후 실제로 하는 업무가 JD와 얼마나 괴리됐는지 측정한다. 괴리가 크다면 직무 재설계가 필요하다는 신호다. JD에 없는 업무를 AI로 처리하고 있다면, 그 업무의 가치와 보상 체계를 재검토해야 한다.

② ‘쉬었음’ 인력의 재진입 경로 설계. 구직포기 인력은 실업 통계에 잡히지 않지만, 잠재적 인재풀이다. 특히 AI 노출 직종 경력자 중 이탈한 사람들에게 AI 리스킬링을 결합한 재진입 프로그램을 제공하면, 경쟁사보다 먼저 숨은 인재를 확보할 수 있다.

③ 채용 KPI를 ‘충원 속도’에서 ‘직무 적합도 유지율’로 전환. 디지털 매칭이 빨라졌다고 좋은 채용은 아니다. 입사 6개월 후 실제 수행 업무와 채용 시 직무 간 일치도를 추적하는 지표를 도입한다. 미스매칭 비율이 높다면, AI가 직무를 바꾸는 속도를 채용 프로세스가 따라가지 못하고 있다는 증거다.

#직무재설계 #AI리스킬링 #고용통계착시 #HR전략 #직무적합도

참고 링크

• OpenAI, “How AI is expanding what people do at work” (2026)
• arXiv, “AI-exposed jobs deteriorated before ChatGPT” (2026)
• arXiv, “The Human-AI Substitution Principle” (2026)
• KDI, “최근 낮은 실업률의 원인과 시사점” (2026)
• OECD, “Recent trends in employment protection legislation” (2026)
• NBER, “How Might Fiscal Policy Respond to the Rise of Artificial Intelligence?” (2026)

작성: 서재홍 | NODE