AI는 일자리를 없애지 않는다, 입구를 잠근다

AI가 일자리를 빼앗는다는 공포는 이제 지겹다. 그런데 정작 데이터를 펼쳐놓으면 이상한 그림이 나온다. AI 대체 가능성이 가장 높다는 고소득·고학력 직종은 멀쩡한데, AI와 별 상관없어 보이는 청년 고용률만 조용히 깎이고 있다. 한국은행의 AI 노출 분석, 글로벌 노동시장 실증 연구, 국제노동기구의 직업별 노출 지수, 그리고 국내 최신 고용통계를 교차하면 하나의 패턴이 뚜렷하다. AI는 기존 일자리를 없애는 것이 아니라 노동시장의 입구를 잠그고 있고, ‘채용 없는 생산성 성장’의 첫 번째 피해자는 청년이다.

“고소득자가 위험하다”는 경고가 놓치는 것

한국은행이 AI 특허 데이터를 기반으로 산출한 직업별 AI 노출 지수는 직관과 어긋난다. 가장 높은 대체 가능성을 보이는 집단은 공장 노동자도, 단순 사무직도 아니다. 고소득·고학력 근로자다. AI가 이전 자동화 기술과 다른 이유가 여기 있다. 산업용 로봇이 반복적·육체적 업무를 대체했다면, AI는 비반복적·인지적 업무 — 분석, 기획, 의사결정 보조 — 를 파고든다.

이 분석만 보면 결론이 명쾌해 보인다. 고숙련 일자리가 무너질 차례라는 것. 그런데 같은 시기 발표된 글로벌 실증 연구는 정반대 결론을 내놓는다. 2010년부터 2023년까지 기업과 직종 단위로 AI 노출을 추적한 결과, AI 노출이 높은 직종의 노동 수요는 분명 감소했다. 그러나 전체 고용 효과는 미미했다(modest). 이유가 있다. AI를 도입한 기업에서 생산성이 올라가면서 오히려 인력 수요가 늘어난 것이다. 한쪽에서 줄어든 일자리를 다른 쪽의 생산성 이득이 메워버렸다.

솔직히, 이건 좀 이상하다. 고소득 일자리가 가장 위험하다는 경고와, 전체 고용에는 별 영향 없다는 결론이 동시에 성립할 수 있을까? 가능하다. 단, 그 사이에 하나의 메커니즘이 끼어 있다면. AI가 고숙련 일자리를 위협하는 동시에 그 일자리를 보호하는 이중 효과를 낸다면 — 위협받는 바로 그 직종에서 생산성이 가장 크게 올라가고, 기업이 그 이득을 유지하기 위해 기존 인력을 붙잡는다면 — 숫자는 정합한다.

전체 고용이 느는데 청년만 줄어드는 역설

2026년 3월 기준 한국의 취업자 수는 2,870만 5천 명. 전년 동월 대비 20만 6천 명이 늘었고, 15~64세 고용률 69.7%는 역대 3월 최고치다. 고용시장은 좋다 — 전체적으로는. 그런데 연령대를 나눠보면 풍경이 바뀐다. 청년층(15~29세) 고용률은 43.6%로, 전년 동월 대비 0.9%p 하락했다.

전체는 역대 최고, 청년만 감소. 인구 감소로 청년 자체가 줄어든 탓도 있다. 그러나 인구 효과만으로 고용률 하락을 설명하기는 어렵다. 고용률은 해당 연령 인구 대비 비율이기 때문이다. 청년 인구가 줄어도 그 안에서 취업하는 비율까지 떨어진다면, 이건 다른 힘이 작용하고 있다는 신호다.

글로벌 실증 연구가 발견한 “기업 단위 생산성 상쇄”를 다시 읽어보면 의미가 달라진다. AI를 도입한 기업은 생산성이 올라 인력을 유지하거나 늘린다. 그런데 이 ‘인력’은 누구인가. 이미 그 기업 안에서 AI 도구를 쓰고 있는 재직자다. 신규 채용이 아니라 기존 인력의 생산성 확대로 같은 산출량을 낸다면, 기업 입장에서 굳이 사람을 더 뽑을 이유가 줄어든다.

‘변환’이라는 낙관이 감추는 것

국제노동기구(ILO)는 29개국 5만 2천여 개 데이터포인트를 분석해 직업별 GenAI 노출 지수를 업데이트했다. 결론의 핵심은 낙관적이다. 최고 수준의 AI 노출에 해당하는 근로자는 전 세계 고용의 3.3%에 불과하고, 대부분의 일자리는 사라지기보다 변환(transformed)될 것이라는 분석이다.

그런데 여기에 숨어 있는 수치가 있다. 고소득 국가에서는 전체 고용의 34%가 GenAI에 노출돼 있다. 저소득 국가의 11%와 비교하면 세 배가 넘는다. 그리고 최고 노출 범주에서 성별 격차가 두드러진다. 여성 4.7% 대 남성 2.4%. 사무직이 가장 높은 노출을 보이는데, 사무직의 성별 편중이 그대로 반영된 결과다.

문제는 이 ‘변환’이 자동으로 일어나지 않는다는 점이다. 같은 시기 발표된 글로벌 직장 트렌드 분석은 불편한 현실을 짚는다. 정식 AI 교육을 받고 있는 근로자는 25%에 불과하다. 기업의 AI 투자 중 95%가 기대 수익에 도달하지 못하고 있다. 변환이 일어나려면 훈련이 필수인데, 훈련은 이뤄지지 않고 있다. 개인적으로는, 이 간극이야말로 가장 위험한 지점이라고 본다. ILO가 말하는 ‘변환’은 가능성이지 필연이 아닌데, 현장은 이미 ‘변환이 될 것’이라는 전제 아래 교육 투자를 미루고 있다.

하루 2시간의 행방 — 생산성 이득은 누구에게 돌아가나

AI를 쓰는 근로자는 하루 평균 2시간을 절약한다. 이건 실제 체감하는 수치다. 문서 초안, 데이터 정리, 회의록 요약 — 이전에 2시간 걸리던 일이 30분이면 끝난다. 기업 입장에서 이 2시간은 돈이다. 같은 인력으로 더 많은 산출을 얻거나, 더 적은 인력으로 같은 산출을 유지할 수 있다.

한국노동연구원의 제조업 AI 연구는 이 구조를 산업 현장에서 확인한다. AI가 제조업에 도입되면서 생산성은 올라가되 고용 구조가 바뀌고 있다. R&D 인력의 AI 도구 활용, 생산현장의 자동화 확대 — 기존 인력이 AI를 도구로 흡수하면서 역할이 재구성되는 양상이다. 여기서 핵심은, 이 재구성의 수혜자가 이미 조직 내부에 있는 사람이라는 것이다.

한국은행이 20년간의 데이터로 전망한 수치를 다시 보면 퍼즐이 맞물린다. AI 노출이 10%p 높은 직종은 향후 20년간 고용 비중이 7%p 감소하고, 임금 상승률이 2%p 낮아질 것으로 예측된다. 그런데 이 감소는 즉각적 해고가 아니다. 신규 채용을 줄이는 방식으로, 자연감소를 통해 천천히 진행된다. 은퇴하는 사람의 자리를 AI가 메우고, 남은 사람은 AI와 함께 생산성을 높인다. 기업은 신규 채용의 필요를 느끼지 못한다.

95%가 실패해도 채용이 늘지 않는 구조

AI 투자의 95%가 기대 수익에 미달한다는 수치는 역설적으로 채용 억제를 강화한다. 투자 실패가 반복되면 기업은 성공한 5%에 자원을 집중하게 된다. 그리고 그 5%의 성공은 대개 기존 고숙련 인력이 AI 도구를 활용한 케이스다. 결과적으로 기업의 AI 전략은 “새로운 인력을 AI로 무장시키는 것”이 아니라 “이미 검증된 인력에게 AI를 쥐어주는 것”으로 수렴한다.

글로벌 임원의 82%는 한 사람이 평생 하나의 경력 경로를 따르는 시대가 끝났다고 인정한다. 그런데 이 인정이 신규 채용의 유연화로 이어지는 것은 아니다. 오히려 기존 인력의 직무 전환에 투자하는 방향으로 흐른다. 이건 합리적 선택이다 — 검증되지 않은 신규 인력보다 이미 조직 맥락을 아는 재직자에게 새 스킬을 가르치는 편이 ROI가 높으니까.

이 합리성이 노동시장 전체에 쌓이면 구조적 문제가 된다. SME가 전체 경제의 90% 이상을 차지하지만 에이전틱 AI 도입에서 크게 뒤처져 있다. 대기업은 AI로 기존 인력의 생산성을 높여 채용을 줄이고, 중소기업은 AI를 도입할 여력조차 없어 저생산성에 머문다. 양쪽 모두 채용을 늘릴 동기가 없다. 이 구조가 지속되면 노동시장의 ‘입구’는 점점 좁아진다.

입구를 다시 열려면

데이터가 말하는 것은 명확하다. AI 시대의 고용 위기는 ‘기존 일자리 소멸’이 아니라 ‘신규 진입 경로 차단’이다. 그리고 이건 기술의 문제가 아니라 기업의 인력 투자 방식의 문제다. AI가 생산성을 높이는 것 자체는 좋은 일이다. 문제는 그 이득이 재직자에게만 순환하면서 노동시장의 신진대사가 멈추는 것이다.

이건 좀 아쉽다 — AI 훈련을 받는 근로자가 25%에 불과하다는 것은, 기업이 ‘변환’의 책임을 개인에게 전가하고 있다는 뜻이기도 하다. ILO가 말하는 ‘대체가 아닌 변환’이 실현되려면, 그 변환의 경로에 아직 들어오지 못한 사람 — 졸업 예정자, 경력 전환자, 비정규직 — 까지 포함하는 설계가 필요하다.

한 줄 요약: AI는 일자리를 없애는 것이 아니라 노동시장의 입구를 잠그고 있다. 고숙련 재직자는 생산성 이득으로 보호받고, 청년·신규 진입자가 ‘채용 없는 생산성 성장’의 첫 번째 피해자가 되고 있다.

실무 시사점 — HR이 이번 분기에 점검할 3가지:

① AI 생산성 이득의 재분배 설계. 하루 2시간 절감이 기존 인력의 업무량 축소에만 쓰이고 있다면, 그 여력의 일부를 신규 인력 온보딩·멘토링에 재배치할 수 있는지 검토하라. 채용 동결이 합리적 선택처럼 보여도, 3년 후 조직의 연령 편중과 기술 편중 리스크를 함께 계산해야 한다.

② AI 교육의 범위를 재직자 바깥으로 확장. 25%만 교육받는 현실에서 우선순위는 재직자겠지만, 인턴·계약직·협력사 인력까지 AI 리터러시 프로그램을 열어라. 이들이 향후 정규 채용 풀이 된다. 교육 투자의 ROI를 ‘현 직원 생산성’이 아닌 ‘채용 파이프라인 구축’으로 측정하는 시각이 필요하다.

③ 채용 지표에 ‘진입 경로 건전성’ 추가. 전체 고용률만 보면 문제가 안 보인다. 신규 채용 비율, 평균 근속 연수 변화, 주니어 포지션 대비 시니어 비율을 분기별로 추적하라. 입구가 닫히고 있는지 여부는 이 지표에서 먼저 드러난다.

#AI채용전략 #생산성재분배 #청년고용 #HR데이터

참고 링크

• 한국은행, “AI와 노동시장 변화” (2026)
• NBER, “Artificial Intelligence and the Labor Market” (2025)
• ILO, “Generative AI and Jobs: A Refined Global Index of Occupational Exposure” (2025)
• IMD, “Workplace Trends for 2026: Preparing for the New Labor Market Reality” (2026)
• 한국노동연구원, “AI 기반 제조업 혁신과 고용” (2026)
• 통계청, “2026년 3월 고용동향” (2026)

작성: 서재홍 | NODE