AI가 빌려 쓰는 전문성, 갚을 사람이 사라지고 있다

요즘 AI 도입 성과를 보고하는 자리에서 빠지지 않는 숫자가 있다. “직원 75%가 AI로 생산성이 올랐다고 답했다.” 그런데 같은 조사에서 실제 조직 성과가 유의미하게 개선됐다고 답한 기업은 13%에 불과했다. 이 62%포인트 간극은 단순히 측정의 문제가 아니다. 6개국·6,000명 데이터와 수십 년치 노동시장 연구를 교차해보면, 하나의 불편한 구조가 드러난다. AI가 지금 보여주는 생산성은 AI 이전 세대가 쌓아놓은 전문성을 ‘빌려 쓰는’ 것이고, 기업들은 그 전문성의 공급원을 스스로 해체하고 있으며, 한국은 스킬 투자 수익률이 OECD 평균의 3분의 1에 불과해 이 역설이 가장 먼저 현실화될 구조를 갖고 있다.

75% 대 13%, 이 간극이 진짜 말하는 것

6,000명의 디지털 직군 종사자(미국·영국·호주)를 대상으로 한 Work AI Index 조사 결과, AI가 주당 평균 11시간의 업무를 자동화한다고 응답했다. 개인 차원에서는 분명 체감되는 효율이다. 그런데 이 11시간 옆에 놓인 또 다른 숫자가 있다. 직원들이 AI에 맥락을 주입하고, 결과물의 오류를 잡고, 최종 산출물을 검증하는 데 쓰는 시간이 주당 6.4시간 — 거의 하루치 근무 시간이다. 연구자들은 이 보이지 않는 노동에 ‘봇시팅(botsitting)’이라는 이름을 붙였다.

핵심은 이 봇시팅이 단순 반복이 아니라는 점이다. 맥락 주입(2.3시간)은 조직의 암묵지 — 의사결정 관행, 이해관계자 선호, 프로젝트 히스토리 — 를 AI가 이해할 수 있는 형태로 번역하는 작업이다. 오류 식별과 수정(2.2시간)은 AI가 생성한 결과물이 맥락에 맞는지 전문가적 판단을 동원하는 과정이다. 이 작업을 수행할 수 있으려면, 해당 영역에 대한 깊은 도메인 전문성이 전제돼야 한다.

여기서 하나의 질문이 생긴다. 그 전문성은 어디서 왔는가?

AI가 ‘빌려 쓰는’ 전문성의 정체

5,000명의 고객 서비스 상담원을 대상으로 한 현장 실험에서, AI를 사용한 초보 상담원의 생산성이 34% 상승했다. 숙련 상담원에게는 유의미한 효과가 없었다. 이 결과는 보통 “AI가 숙련 격차를 줄인다”는 긍정적 프레임으로 소비된다. 그런데 이 34%의 메커니즘을 뜯어보면, AI가 실제로 한 일은 숙련 상담원들이 수년에 걸쳐 축적한 암묵지를 코드화해서 초보에게 전달한 것이다.

솔직히, 이건 마법이 아니라 차입이다. “우리가 목격하는 생산성 기적은, 상당 부분 AI가 등장하기 전에 전문성을 쌓은 사람들이 만들어낸 것이다” — 이 진단이 불편한 이유는, 차입에는 만기가 있기 때문이다.

BCG 컨설턴트를 대상으로 한 실험은 이 구조의 취약점을 더 선명하게 보여준다. AI의 역량 범위 안에서는 속도와 품질이 모두 개선됐지만, AI의 역량 범위를 벗어난 과제에서는 성과가 19%포인트 하락했다. 연구자들은 이를 ‘들쭉날쭉한 기술 경계(jagged technological frontier)’라 불렀다. AI를 쓰면 잘하는 일은 더 잘하게 되지만, AI가 모르는 영역에서 인간은 오히려 판단력을 잃는다. AI 보조에 의존하던 사고 패턴이 AI 없는 상황에서도 관성적으로 적용되기 때문이다.

공급원이 차단되고 있다 — 주니어 16% 감소의 의미

수백만 건의 급여 데이터를 분석한 결과, AI 노출도가 높은 직종에서 22~25세 근로자의 고용이 16% 감소했다. 시니어 고용은 거의 변하지 않았다. 6,500만 명의 이력서와 28만 개 기업 채용 데이터를 추적한 별도 연구에서도 같은 패턴이 확인됐다 — AI를 적극 도입한 기업일수록 주니어 채용을 급격히 줄였다. 해고가 아니라, 아예 뽑지 않는 것이다.

이 현상을 연구자들은 ‘연공 편향적 기술 변화(seniority-biased technological change)’라 명명했다. AI가 주니어의 일을 대체하니까 주니어가 필요 없어지는 것처럼 보이지만, 현실은 정반대다. 시니어의 전문성 — AI에 맥락을 주입하고, 결과물을 검증하고, AI가 틀렸을 때 바로잡는 능력 — 은 주니어 시절의 시행착오에서 형성된다. 10년 뒤 봇시팅을 할 시니어가 없으면, AI는 맥락 없이 돌아가는 기계가 된다.

개인적으로는, 이 세 숫자를 나란히 놓으면 가장 선명해지는 그림이 있다. 주니어 고용이 줄고(-16%), AI 의존 환경에서 아이디어 다양성이 줄고(-10%), AI 없이는 판단이 무너진다(-19%p). 이건 효율화가 아니라 전문성 생태계의 단절이다.

AI 훈련 자체에도 같은 구조적 문제가 있다. AI 시스템의 예측 정확도를 극대화하는 방식으로 훈련하는 것이 통상적이지만, 실제로 인간이 그 예측을 활용해 의사결정을 내리는 환경에서는 “무조건적 예측 정확도를 극대화하는 것이 일반적으로 차선”이라는 연구 결과가 나왔다. AI가 인간의 의사결정 패턴을 고려해 훈련돼야 한다는 뜻인데, 이는 곧 AI를 제대로 훈련시키려면 인간 전문가의 판단 데이터가 필요하다는 역설로 이어진다.

한국이 가장 먼저 도착할 수 있는 이유 — 스킬 보상의 구조적 결함

여기까지는 글로벌 현상이다. 한국은 왜 이 역설의 최전선인가? 숫자가 말한다.

한국에서 인지 능력을 1표준편차 끌어올리면 임금이 2.5~3.0% 오른다. 독일(7.4%), 미국(8.1%), 일본(6.4%)과 비교하면 3분의 1 수준이다. 반면 한 해 더 근속하면 임금이 2.05% 오른다(일본 1.03%, 미국 0.89%). 스킬을 올려서 얻는 보상과 그냥 앉아서 얻는 보상이 거의 같다면, 합리적인 개인이 업스킬링에 투자할 이유가 없다.

이건 좀 다른 각도에서 봐야 한다. 글로벌 수준에서 ‘빌린 전문성’ 문제가 심각하다면, 한국에서는 그 전문성을 갚을(재생산할) 인센티브 자체가 구조적으로 결여돼 있다. 스킬 기반 임금제를 운영하는 기업은 9.5%, 직무급을 도입한 기업은 8.6%에 불과하다. 나머지는 호봉이나 관행에 따라 임금을 결정한다. 이 구조에서 AI 시대에 필요한 전문성 재생산을 기대하는 건 연료 없이 엔진을 돌리겠다는 것과 같다.

20대 인지 능력 하락이 합류하는 지점

전문성 파이프라인 위기는 채용 감소만의 문제가 아니다. 파이프라인에 남아 있는 인력의 기초 역량 자체가 하락하고 있다.

국제 비교 데이터에서 한국 20대 근로자의 수리력은 OECD 6위에서 평균 수준(8위)으로, 문해력은 4위에서 8위로 떨어졌다. 더 우려되는 건 경력 중 역량 감소 속도다. 25~29세에서 40~44세로 넘어가는 동안 수리력이 14.1점, 문해력이 18.9점 하락하는데, 이 하락 폭은 미국·일본·독일을 크게 웃돈다. 직장 생활을 하면서 인지 능력이 더 빠르게 소모된다는 뜻이다.

2026년 5월 기준, 한국의 청년(15~29세) 고용률은 43.8%로 전년 대비 2.4%포인트 하락했고, 전체 취업자 수는 4만 명 감소했다. 이 숫자들을 전문성 파이프라인 관점에서 읽으면 그림이 달라진다. 기업이 주니어를 덜 뽑고(고용 감소), 남은 주니어의 기초 역량은 떨어지고(인지 능력 하락), 역량을 올릴 인센티브도 없는(임금 구조) 삼중 함정이다.

‘빌린 전문성’의 만기는 언제인가

“생산성 붐은, 이런 의미에서, 미래로부터 현재로의 이전이다.” 이 문장이 함축하는 타임라인은 이렇다. 지금 AI를 감독하는 시니어 인력은 대개 30대 후반에서 50대다. AI 이전 환경에서 10~20년간 도메인 전문성을 쌓은 세대다. 이들이 은퇴하기 시작하는 10~15년 뒤, 그 자리를 채울 시니어가 있으려면 지금 주니어가 유입되고 훈련돼야 한다.

그런데 지금 기업들은 주니어 채용을 줄이고 있고, 남은 주니어에게도 AI가 답을 알려주는 환경을 제공한다. 배움은 어려운 문제와 씨름하고 실패하는 과정에서 일어나는데, AI가 그 ‘실패의 기회’를 차단한다. 현재 배포된 AI 시스템 대부분이 교육적 도구가 아니라 ‘답변 엔진’으로 설계돼 있다는 점도 문제를 악화시킨다.

봇시팅의 구조도 이 문제를 증폭한다. AI 시스템에 조직의 핵심 정보가 접근 불가능하다고 답한 직원이 53%에 달한다. 맥락이 부족한 조직에서 AI 관련 피로를 호소하는 비율은 50%로, 맥락이 풍부한 조직(18%)의 거의 3배다. 맥락 인프라에 투자하지 않으면 봇시팅 부담이 시니어에게 집중되고, 시니어의 소진은 전문성 전수의 기회까지 줄인다.

파이프라인을 복구하는 법 — 세 가지 지렛대

이 문제의 해법은 ‘AI를 덜 쓰자’가 아니다. AI가 전문성을 소비하는 속도보다 재생산하는 속도를 빠르게 만드는 것이다. 데이터가 가리키는 지렛대는 세 가지다.

첫째, 봇시팅을 개인 역량이 아닌 조직 인프라로 전환하는 것. AI에 맥락을 주입하는 작업이 개별 직원의 부담으로 남아 있는 한, 그 비용은 보이지 않고 보상되지 않는다. 맥락 레이어(context layer) — 조직의 업무 관행, 의사결정 히스토리, 이해관계자 지도를 AI가 접근할 수 있게 구조화한 인프라 — 에 투자해야 한다. 생산성과 품질을 동시에 추적하는 기업에서 AI 효과에 만족한 비율은 83%였고, 생산성만 추적한 기업에서는 68%였다.

둘째, 주니어 채용을 유지하되 역할을 재설계하는 것. AI가 정보 검색을 대체했으니 주니어의 역할은 ‘AI가 모르는 정보를 제공하는 것’으로 바뀌어야 한다. 현장의 암묵지, 맥락의 변화, 제약 조건의 업데이트 — 이런 정보는 실무에 직접 참여해야만 축적된다. 주니어를 AI의 대체 대상이 아니라 AI의 필수 보완재로 위치시키는 조직 설계가 필요하다.

셋째, 한국 기업의 스킬 보상 체계를 수술하는 것. 스킬 향상의 임금 프리미엄이 2.5%인 구조에서는 어떤 업스킬링 프로그램도 자발적 참여를 이끌어내기 어렵다. 직무급·스킬급 전환이 구호가 아니라 전문성 재생산의 핵심 인프라라는 인식이 필요하다. AI 시대에 연공급은 전문성 파이프라인을 말리는 구조적 위험 요인이다.

💡 실무 시사점 — HR이 이번 분기에 점검할 3가지:

① 봇시팅 감사(audit)를 실시하라. 부서별로 AI 관리에 소요되는 시간을 측정하고, 그 시간이 가치를 창출하는지 아니면 도구가 아직 준비되지 않았다는 증거인지 판별하라.

② 주니어 채용 파이프라인을 AI 전략과 연동하라. AI 도입 계획을 세울 때 “이 AI를 10년 뒤 누가 감독할 것인가”를 명시적으로 답하라. 주니어 축소가 장기 AI 효과를 잠식하는지 시뮬레이션하라.

③ 스킬 보상 격차를 측정하라. 자사의 스킬 프리미엄(역량 향상 대비 임금 변동)과 근속 프리미엄(연차 대비 임금 변동)을 비교하라. 후자가 전자보다 크면, 업스킬링 투자의 ROI가 구조적으로 마이너스다.

#봇시팅 #빌린전문성 #스킬프리미엄 #AI생산성역설 #주니어파이프라인

한 줄 요약: AI 생산성의 75%는 AI 이전 세대의 전문성에서 나오는데, 기업들은 그 전문성의 재생산 파이프라인을 스스로 해체하고 있고, 한국은 스킬 보상 구조 때문에 이 역설이 가장 먼저 현실화될 위치에 있다.

참고 링크

• HBR, “How Much Time Do Your Employees Spend Botsitting?” (2026)
• Brookings Institution, “Borrowed Expertise: Why AI’s Productivity Boom May Not Survive the Generation That Built It” (2026)
• OECD, “OECD Employment Outlook 2026 — Skills at Work” (2026)
• NBER, “Training AI for When Humans Will Use It” (2026)
• KDI, “AI의 거시경제 영향 분석” (2026)
• 통계청, “2026년 5월 고용동향” (2026)

작성: 서재홍 | NODE