AI 생산성의 함정 — 코드 라인 +741%가 릴리스 +30%로 쪼그라드는 세계

2026년 6월 한국 취업자 수는 전년 대비 6만 3,000명 늘었다. 5월의 마이너스에서 겨우 플러스로 돌아선 수치다. 그런데 이 미미한 증가분마저 뜯어보면 이상하다. 60세 이상에서 21만 1,000명이 늘었고, 15~29세 청년에서 19만 7,000명이 줄었다. 같은 달, 한국 사업체(30인 이상)의 AI 도입률은 5.0%로 집계됐고, 도입 기업의 고용 총량에는 “통계적으로 유의미한 감소가 없다”는 분석이 나왔다. 글로벌에서는 AI 코딩 도구가 코드 생성량을 741% 늘렸지만, 실제 소프트웨어 릴리스는 30%만 늘었다. AI 채용 시스템은 인간보다 편향을 1.3~2.1배 증폭시킨다. AI는 일자리를 파괴하지 않는다 — 과업 수준 생산성이라는 긍정적 지표 뒤에서 일자리의 질을 조용히 침식하고 있고, 그 침식이 통계에 잡히지 않는 것이 진짜 위험이다.

한 줄 요약: AI는 일자리 ‘수’가 아니라 일자리 ‘질’을 갉아먹고 있으며, 과업 지표의 개선이 그 침식을 가린다.

고용 +6.3만의 해부 — 숫자가 감추는 구조

통계청이 발표한 2026년 6월 고용동향의 헤드라인은 그 자체로 이미 약하다. 취업자 2,915만 4,000명, 전년 동월 대비 +6만 3,000명. 고용률은 63.4%로 전년보다 0.2%p 하락했다. 실업률 2.8%로 안정적으로 보이지만, 비경제활동인구가 18만 1,000명 늘었고 구직단념자가 16만 명 증가했다. 일자리를 찾기를 포기한 사람이 늘어나면 실업률은 낮아진다 — 이 숫자를 ‘안정’으로 읽으면 안 된다.

연령별로 쪼개면 풍경이 완전히 달라진다. 60세 이상에서 +21만 1,000명이 증가한 반면, 15~29세 청년은 -19만 7,000명으로 44개월 연속 감소 중이다. 청년 고용률은 43.9%로 전년 대비 1.7%p 하락, 26개월 연속 내리막이다. 30대에서 +6만 5,000명이 늘었지만, 40대는 -1만 9,000명, 50대는 +3,000명으로 사실상 정체다. 솔직히, 전체 +6만 3,000명이라는 숫자 자체가 60세 이상의 +21만에 기대고 있고, 나머지 연령대를 합치면 순감소라는 사실이 이 통계의 실체다.

산업별 데이터는 더 날카롭다. 보건·복지 분야가 +21만 4,000명으로 유일한 대규모 증가를 보인 반면, 제조업은 -9만 7,000명(24개월 연속 감소), 건설업은 -6만 7,000명(26개월 연속 감소), 전문·과학·기술서비스업은 -6만 명이 줄었다. 전문·과학·기술 분야의 감소가 특히 눈에 걸린다 — AI 자동화의 영향이 반영되기 시작한 것인지, 아직 단정할 수는 없지만 주시할 신호다.

국책 연구기관의 분석은 이 구조를 한 마디로 요약한다: “고용 없는 성장.” GDP 성장률 전망을 3.0%로 상향 조정하면서도 취업자 전망은 오히려 하향 조정했다. 이유가 명확하다. 성장의 핵심 동력인 반도체 산업의 고용유발계수가 2.4로, 전산업 평균 8.2의 3분의 1도 안 된다. AI 수요에 힘입은 반도체 수출 호황이 GDP를 끌어올리지만, 그 성장이 고용으로 이어지지 않는 구조적 괴리가 심화되고 있다.

AI 도입률 5%가 말해주지 않는 것

한국노동연구원(KLI)이 사업체패널조사(30인 이상 사업체)를 분석한 결과, 2023년 말 기준 한국 사업체의 AI 도입률은 5.0%다. 2022년 1.5%에서 세 배 넘게 뛰었다. 500인 이상 대기업은 16.9%, 대기업집단은 20.0%, 공공부문은 22.1%가 도입한 반면, 중소기업은 2.4%에 불과하다. OECD 평균 도입률 8.7%(2023)와 비교해도 낮은 수준이다. 그리고 핵심 발견: AI를 도입한 기업에서 전체 고용 규모에 통계적으로 유의미한 감소가 관찰되지 않았다.

여기서 멈추면 “AI는 일자리를 빼앗지 않는다”는 안심 메시지가 된다. 하지만 같은 보고서의 세부 데이터는 다른 이야기를 한다. AI 도입 기업에서 고숙련 인력 비중이 4년간 +5.3%p 상승한 반면, 저숙련 인력은 -4.4%p 감소했다. 미도입 기업의 같은 기간 변화(고숙련 +1.7%p, 저숙련 -1.3%p)와 비교하면 격차가 선명하다. 총량은 같은데 구성이 바뀐 것이다. 더 불편한 사실: AI 도입 기업의 실질 1인당 매출액 성장률은 도입 전 13.9%에서 도입 후 7.0%로 오히려 둔화됐다. 미도입 기업(11.8% → 7.9%)보다 감속이 더 크다. 별도의 이중차분 분석에서도 AI 도입의 생산성 효과는 통계적으로 유의미하지 않았다.

이 KLI 데이터를 글로벌 맥락에 놓으면 패턴이 선명해진다. 노벨상 수상자 16명을 포함한 경제학자 200명 이상이 서명한 스탠퍼드 디지털경제연구소의 공동성명은 “AI가 산업혁명보다 더 빠른 속도로 경제를 변형시킬 수 있다”고 경고했다. 미국에서는 화이트칼라 고용이 29개월 연속 감소 중이고, 22~25세 소프트웨어 개발자 고용은 정점 대비 20% 떨어졌다. 그런데 같은 기업에서 30세 이상 개발자 고용은 6~12% 늘었다. AI 노출이 높은 직종에서 초기 경력자의 고용만 선택적으로 무너지고 있다.

코드 라인 +741%가 릴리스 +30%로 쪼그라드는 이유

과업 지표와 결과 지표 사이의 괴리를 가장 정밀하게 해부한 연구가 NBER에서 나왔다. 10만 명 이상의 개발자를 2022년부터 2026년까지 추적하며, AI 코딩 도구 세 세대의 효과를 생산 단계별로 측정한 연구다. 결과는 충격적이다.

단계별 감쇠가 핵심이다. 코드 라인 수 +741% → 커밋 +180% → 풀 리퀘스트 +65% → 완성 프로젝트 +50% → 실제 릴리스 +30% → 개별 개발자 산출물 ~10%. 7배 넘게 늘어난 코드가 최종 단계에서 10분의 1로 쪼그라든다. 연구진은 이를 ‘약한 고리 가설(weak-link hypothesis)’이라 부른다. 소프트웨어 생산이 상호 보완적 단계로 구성돼 있고, AI가 일부 단계만 가속할 때, 최종 산출물은 여전히 가장 느린 단계(인간이 수행하는 리뷰, 테스트, 배포)에 묶인다는 것이다. AI와 인간 노동의 대체탄력성은 0.25로 극히 낮아, 사실상 보완재에 가깝다.

개인적으로는 이 연구에서 가장 주목하는 발견이 있다. 각 세대가 발전할수록 과업 단계의 증폭률은 급격히 커지지만, 최종 단계의 증가율은 거의 제자리다. AI가 강력해질수록 과업-결과 격차가 벌어진다. 1세대(자동완성)에서 커밋 +40%, 3세대(자율 에이전트)에서 커밋 +180% — 하지만 릴리스는 1세대나 3세대나 비슷한 수준이다. 더 빠르게 더 많은 코드를 쏟아내는 것이 더 빠른 소프트웨어 전달로 이어지지 않는다.

이것이 소프트웨어 산업만의 이야기일까. 그렇지 않다. ‘과업은 빨라지는데 결과는 나아지지 않는’ 구조는 AI가 도입되는 모든 영역에서 반복될 수 있다. 이력서 심사 속도가 3배 빨라졌지만 채용의 질은? 보고서 요약이 10분 만에 끝나지만 의사결정의 정확도는? 과업 단계의 숫자만 보고하면, 결과 단계의 정체나 악화는 보이지 않는다.

채용 AI가 편향을 ‘산업화’하는 방법

과업 지표와 결과 사이의 괴리가 가장 위험하게 드러나는 영역이 채용이다. AI 채용 도구는 이력서를 빠르게 심사한다 — 이건 과업 지표다. 그런데 공정하게 심사하는가 — 이건 결과 지표다. 연구 결과는 불편하다.

케임브리지대학 연구팀이 상용 AI 채용 도구 여러 종을 인간 면접관 패널과 비교했다. AI 시스템의 편향 증폭률은 인간 대비 1.3~2.1배였다. 세부적으로 보면, 기술직에서 동등 자격 여성 후보자를 남성 대비 탈락시킬 가능성이 AI는 1.7배, 인간은 1.2배였다. 이름에서 유추되는 인종에 따른 차별은 AI가 2.1배, 인간이 1.4배. 45세 이상 후보자에 대한 연령 차별은 AI가 인간보다 23% 더 심했다.

이건 좀 충격적인 숫자다. AI를 도입하는 이유 중 하나가 ‘인간의 편향을 줄이기 위해서’인데, 실제로는 편향이 더 커지고 있다. 메커니즘이 핵심이다. AI는 과거의 ‘성공적 채용’ 데이터에서 패턴을 학습한다. 과거 채용이 특정 인구통계에 편향돼 있었다면, AI는 그 편향을 인간보다 더 효율적으로 재생산한다. 인간 면접관은 의식적 노력이나 조직 문화로 자신의 편향을 부분적으로 교정할 수 있지만, AI에는 그런 자기 수정 메커니즘이 없다.

더 교묘한 문제가 있다. AI는 명시적 인구통계 정보가 없어도 대리 변수(proxy variable)를 통해 차별한다. 우편번호는 인종과 상관관계가 있고, 대학 이름은 사회경제적 지위와, 취미·관심사 서술은 성별과 연결된다. AI는 이 대리 변수들을 인간보다 더 효과적으로 포착해서 가중치를 부여한다 — 인간이 의식하지 못하는 차별을 AI는 체계적으로 실행한다. 그 결과, AI가 심사한 후보자 풀은 인간이 심사한 것보다 40% 더 동질적이고, 소수자 후보가 최종 면접에 도달하는 비율이 28% 낮다.

그런데 이 모든 일이 벌어지는 동안, 과업 지표는 훌륭하다. 심사 속도는 빨라졌고, 비용은 줄었고, ‘처리 건수’는 늘었다. 포춘 500 기업의 35%가 AI 채용 도구를 쓰지만, 정기 편향 감사를 실시하는 기업은 12%에 불과하다. 과업 지표의 개선이 결과 지표의 점검을 면제해주는 착각 — 이것이 AI 도입의 가장 위험한 부작용이다.

여섯 보고서가 교차하는 지점 — ‘고용 없는 성장’의 세 겹

여기까지 따라왔다면 하나의 패턴이 보일 것이다. 한국 고용 통계에서 헤드라인(+6.3만)과 실체(60세 이상이 전체의 3배)의 괴리. 사업체 AI 도입에서 채택률(5.0%)과 실효성(도입 후 성장 둔화)의 괴리. 코딩 도구에서 코드 라인(+741%)과 릴리스(+30%)의 괴리. 채용 AI에서 처리 효율(향상)과 공정성(악화)의 괴리. 모두 같은 구조다: 측정하기 쉬운 지표는 개선되고, 측정하기 어려운 질은 침식된다.

그리고 이 구조는 ‘고용 없는 성장’과 정확히 겹친다. GDP를 3%로 끌어올린 반도체 산업의 고용유발계수는 전산업 평균의 3분의 1이다. AI 코딩 도구가 코드 라인을 7배 늘렸지만 개별 개발자의 산출물은 10% 남짓 늘었다. AI 채용이 심사 건수를 3배로 올렸지만 다양성은 28% 줄었다. 양적 지표의 증가가 질적 결과로 전환되지 않는 현상이 거시경제, 소프트웨어 공학, 인사 관리에서 동시에 벌어지고 있다.

국내 정책 연구기관은 이 상황을 “폭풍 전 고요”로 진단한다. AI 도입이 고용 통계에 반영되기까지 2~3년의 시차가 있다는 것이다. 한국의 디지털 인프라 수준이 높아 AI 도입 속도가 빠른 만큼, 지연 효과가 현실화될 때 충격도 클 수 있다는 경고다. 재교육 프로그램으로 성공적으로 전환하는 이직자는 전체의 3~5%에 불과하다. 정부는 2030년까지 첨단산업 청년인력 20만 명 양성 계획을 발표했지만, 현재 청년 고용은 44개월째 줄어들고 있다.

결과를 측정할 것인가, 과업을 측정할 것인가

문제의 근원은 명확하다. 조직이 AI 도입의 성과를 과업 수준 지표로 측정하고 있다는 것. 이력서를 몇 건 심사했는가(과업), 코드를 몇 줄 생성했는가(과업), 보고서를 몇 분 만에 요약했는가(과업). 이런 지표는 AI가 압도적으로 잘한다. 그래서 도입 결정이 정당화되고, 예산이 확대되고, 관리 감독이 느슨해진다.

하지만 조직이 정말 알아야 하는 것은 다르다. 채용의 질이 올라갔는가(결과). 제품 출시가 빨라지고 안정적인가(결과). 구성원의 역량이 성장하고 있는가(결과). NBER 연구진의 표현대로라면, “소프트웨어 전달의 병목은 타자 속도에 있던 적이 없다.” HR 전달의 병목도 이력서 읽는 속도에 있던 적이 없다.

그렇다면 HR은 무엇을 해야 하는가. 추상적인 ‘사람에 투자하라’ 같은 답은 의미가 없다. 지금 이 분기에 점검할 수 있는 것들을 구체적으로 짚어보자.

실무 시사점 — HR이 이번 분기에 점검할 3가지:

① AI 도입 ROI를 ‘결과 지표’로 재측정하라. 채용 AI를 쓰고 있다면, 처리 속도가 아니라 입사 후 6개월 성과·다양성 지수·이탈률을 추적해야 한다. AI 코딩 도구를 도입했다면, 라인 수가 아니라 배포 주기·장애 발생률·유지보수 비용을 봐야 한다. 과업 지표만 보고하는 벤더에게 결과 지표를 요구하는 것 자체가 첫 번째 행동이다.

② 초기 경력자의 ‘보이지 않는 퇴출’을 모니터링하라. 미국에서 22~25세 개발자 고용이 20% 줄고 한국에서 청년 고용이 44개월째 감소하는 건 우연이 아닐 수 있다. AI 도입 후 전체 인원이 유지되더라도, 연령·경력·숙련도별 구성 변화를 분기별로 추적해야 한다. 중간 경력이 빠지고 시니어만 남는 구조가 되면 조직은 5년 후 역량 절벽을 맞는다.

③ AI 도구 사용자의 역량 퇴화 징후를 측정하라. NBER 연구가 보여준 주니어 개발자의 역량 퇴화는 코딩에만 해당하지 않는다. AI에 의존하는 반복 업무 담당자의 독립 수행 능력이 떨어지고 있지 않은지, AI 없이도 핵심 판단을 내릴 수 있는지를 정기적으로 확인해야 한다.

#AI도입ROI #결과지표전환 #초기경력자모니터링 #역량퇴화점검

폭풍 전 고요를 어떻게 쓸 것인가

한국 노동시장은 지금 기묘한 균형점에 있다. AI 도입률은 올라가고 있지만 고용 통계에 급격한 충격은 아직 나타나지 않았다. 이것을 ‘다행’으로 읽을 수도 있고, ‘경고’로 읽을 수도 있다. 여섯 개 보고서를 교차시키면 후자 쪽이 설득력이 크다.

NBER의 생산 단계별 데이터는 AI가 강력해질수록 과업-결과 격차가 벌어지고 있음을 보여준다. AI 채용 도구의 편향 데이터는 과업 효율이 올라가는 동안 결과의 질이 악화되고 있음을 보여준다. 한국 고용 데이터는 +6.3만이라는 헤드라인 뒤에서 청년 -19.7만, 제조업 -9.7만이라는 구조적 균열이 깊어지고 있음을 보여준다. 이 세 흐름이 만나는 지점에서, “AI 때문에 해고당한 사람은 별로 없다”는 안심은 맞지만 완전히 핵심을 비켜간다.

핵심은 해고가 아니다. AI가 만들어내는 변화는 더 느리고, 더 조용하고, 더 파악하기 어렵다. 코드 라인은 7배 늘어나면서 릴리스는 30%만 늘어나는 것. 고용은 유지되면서 청년과 중숙련 인력이 빠져나가는 것. 채용 처리 건수는 늘면서 다양성이 줄어드는 것. 이 조용한 침식이 2~3년 후 통계에 나타났을 때, 그때는 이미 교정할 타이밍을 놓친 뒤다. HR의 일은 그 전에 결과를 측정하기 시작하는 것이다.

참고 링크

• 한국노동연구원, “사업체의 AI 도입 현황 및 영향에 대한 탐색적 분석” (2025)
• Stanford Digital Economy Lab, “We Must Act Now: AI’s Transformation of the Economy” (2026)
• NBER, “Writing Code vs. Shipping Code: Productivity Effects Across Generations of AI Coding Tools” (2026)
• MIT Technology Review, “AI is more likely than humans to form biases when hiring” (2025)
• 통계청, “2026년 6월 고용동향” (2026)
• KDI, “최근 취업자 수 증가세에 대한 평가 및 향후 전망” (2026)

작성: 서재홍 | NODE