스탠퍼드가 본 AI 일자리 공포론: 아직 대량 실직은 안 보이지만, 주니어 채용은 진짜 흔들리는 중

AI가 지금 일자리를 박살내고 있냐고 물으면, 데이터는 아직 ‘그 정도는 아님’ 쪽임

• 스탠퍼드 SIEPR 브리프의 핵심은 꽤 차분함. AI 일자리 종말론은 시끄럽지만, 현재 집계 데이터에서 대규모 실직은 뚜렷하게 안 보임

  • Anthropic CEO 다리오 아모데이는 AI가 화이트칼라 일자리 절반을 없애고 실업률을 20%까지 밀어 올릴 수 있다고 말한 적이 있음
  • 그런데 실제 노동시장 데이터를 보면, 지금까지는 그런 급격한 붕괴보다 ‘부분적인 압박’에 가까움

• AI에 많이 노출된 직군의 실업률이 오르긴 했지만, 덜 노출된 직군보다 더 빠르게 오른 건 아님

  • 2022년 이후 AI 노출 상위 20% 직군의 실업률은 0.77%p 상승
  • 같은 기간 AI 노출 하위 20% 직군은 0.85%p 상승
  • 이 숫자만 보면 AI 때문에 특정 직군이 먼저 무너지는 그림이라기보다, 노동시장 전체가 식는 그림에 가까움

• 소프트웨어 개발자 채용도 ‘AI 때문에 끝났다’고 단정하기엔 데이터가 애매함

  • 코딩 비중이 큰 직군의 고용 증가세는 둔화됐지만, 여전히 플러스임
  • 온라인 소프트웨어 개발자 채용 공고는 최근 1년 동안 다른 직군보다 더 빠르게 늘었다는 데이터도 있음
  • 엔터프라이즈 AI를 도입한 기업은 도입 후 2년 동안 고용이 10% 늘었고, 특히 1인당 AI 지출이 큰 기업에서 효과가 컸다고 함

진짜 찜찜한 쪽은 신입·주니어 채용임

• 신규 졸업자 노동시장은 확실히 빡세졌고, 여기에는 AI가 일부 끼어 있을 가능성이 있음

  • 2026년 초 신규 졸업자 실업률은 5.6%
  • 3년 전보다 1.6%p 오른 수치임
  • 주니어 업무에 흔한 리서치, 분석, 초안 작성 같은 태스크가 생성형 AI와 많이 겹침

• ChatGPT 출시 이후 AI 노출 직군의 초급 노동자 고용이 줄었다는 연구가 있음

  • Brynjolfsson, Chandar, Chen 연구는 소프트웨어 개발자와 고객지원 담당자 같은 직군에서 초기 커리어 노동자의 고용 감소를 관찰함
  • 반면 같은 직군의 고연차 노동자 고용은 비교적 안정적이거나 계속 증가함
  • 연구자들은 이들을 ‘탄광 속 카나리아’에 비유함. 충격이 온다면 가장 먼저 맞는 집단이라는 뜻임

• 하지만 2022년 감소를 전부 AI 탓으로 돌리긴 어려움

  • 미국 연준은 2022년 3월부터 인플레이션 대응을 위해 공격적으로 금리를 올렸고, 이건 ChatGPT 공개보다 몇 달 빠름
  • 팬데믹 때 과잉 채용했던 테크 기업들이 인원을 줄인 영향도 있음
  • 원격근무 확산으로 현장 학습이 느려지면서, 기업들이 신입보다 경력직을 선호하게 됐다는 해석도 나옴

• 통제를 더 넣은 후속 분석에서는 초급 노동자 고용 감소가 2024년부터 더 뚜렷해짐

  • 이 시점에는 AI 도입률도 올라갔고 모델 성능도 훨씬 좋아졌음
  • 그래서 2022년의 변화는 거시경제 충격이 컸을 수 있지만, 2024년 이후 변화는 AI 영향이라는 설명이 더 그럴듯해짐

생산성 효과는 있음. 근데 ‘누구에게, 어떤 업무에’가 핵심임

• 생성형 AI는 실험 환경에서 대체로 생산성을 올렸고, 특히 덜 숙련된 사람에게 효과가 크게 나오는 경우가 많았음

  • 대형 콜센터 연구에서 생성형 AI 비서는 전체 생산성을 15% 올림
  • 초보·저숙련 상담원은 시간당 해결 건수가 30% 증가
  • 반대로 고숙련 상담원은 성능 개선이 없었고, 응답 품질이 약간 떨어지기도 함

• 개발 업무에서도 속도 개선은 꽤 인상적으로 나옴

  • GitHub Copilot 사용자는 특정 개발 작업을 56% 더 빠르게 완료했다는 실험 결과가 있음
  • 다만 다른 연구에서는 기업별 효과가 10-30%로 더 낮게 나옴
  • 즉 ‘코딩 AI 쓰면 무조건 56% 빨라짐’ 같은 식으로 받아들이면 낚임

• 글쓰기, 법률, 의료 기록 같은 업무에서도 속도 개선이 관찰됨

  • ChatGPT 접근 권한은 모든 능력대의 작업자에게 글쓰기 시간을 줄여줬고, 특히 저숙련 작성자의 품질을 끌어올림
  • 젊은 변호사들은 계약서 초안 작성 같은 법률 업무를 더 빠르게 처리함
  • AI scribe는 의료 노트 작성 속도를 일부 개선했지만, 부정확성이 있어 의사 검토가 필요했음

• 문제는 AI 성능이 ‘매끈한 직선’이 아니라 들쭉날쭉하다는 점임

  • Dell’Acqua 등은 AI의 능력을 jagged, 즉 작업별로 잘했다가 못했다가 하는 형태로 설명함
  • 어떤 답변이 쓸 만한지 판단하려면 결국 숙련자의 감각이 필요함
  • 케냐 기업가 대상 연구에서는 저숙련 창업자가 AI의 일반론적 조언을 그대로 따랐다가, AI 없이 사업한 사람보다 매출과 이익이 더 낮아진 사례도 나옴

• 창의성 쪽에서는 생산성과 다양성이 충돌함

  • AI를 쓰면 저숙련 작가의 이야기 품질은 올라갔지만, AI가 만든 이야기들은 서로 훨씬 비슷해졌음
  • 과학자들이 AI 도구를 도입하면 논문 수는 늘었지만, 연구 주제 수와 과학자 간 교류는 줄었다는 연구도 있음

기업 도입은 빠르지만, 아직 경제 전체를 뒤집을 정도로 균일하진 않음

• AI 도입률은 조사에 따라 숫자가 엄청 갈림

  • 미국 Census Bureau의 Business Trends and Outlook Survey 기준으로는 약 20%의 기업이 AI를 사용
  • 미국 기업 임원 대상 조사에서는 직원의 80% 이상이 업무에서 AI를 쓴다는 결과도 있음
  • Ramp 데이터에서는 고객사의 50% 이상이 AI 도구나 AI 벤더에 돈을 쓰고 있음
  • 가구 대상 전국 대표 조사에서는 취업 응답자의 40% 이상이 직장에서 AI를 쓴다고 답함

• 숫자가 갈리는 이유는 표본과 계산 방식 때문임

  • 큰 기업일수록 AI를 더 많이 도입하므로, 단순 기업 수 기준과 고용 가중 기준의 결과가 달라짐
  • Ramp 고객은 전체 기업을 대표하지 않고, 기술기업 쪽으로 기울어 있음
  • 연준 연구는 전국 표본을 쓰는 Census 추정치를 상대적으로 더 신뢰할 이유가 있다고 봄

• AI 도입은 기술기업, 금융 같은 정보집약 업종에 먼저 몰려 있음

  • 흔한 도입 분야는 영업·마케팅, IT, 전략, 재무, 회계임
  • 도입 기업 안에서도 대부분은 한두 기능에 제한하거나 여러 업무에서 낮은 빈도로 쓰는 정도임
  • McKinsey 조사에서도 대부분 기업은 실험과 파일럿 단계에 있고, 파일럿을 넘어 확장한 곳은 일부 대기업에 그침

• 현재까지 기업 AI 도입이 고용 규모를 크게 바꿨다는 증거도 약함

  • Census 데이터에서 고용 영향이 있다고 답한 기업은 5%뿐이고, 고용 증가와 감소 응답이 비슷함
  • 애틀랜타 연준 조사에서 임원의 80%는 AI 투자가 아직 인원수나 생산성을 바꾸지 못했다고 답함
  • 덴마크 대규모 연구는 AI 도입이 업무와 시간 배분을 재구성하지만, 고용·근무시간·소득에는 아직 영향을 주지 않았다고 봄

결론은 ‘AI는 별거 없다’가 아니라 ‘시간축을 봐야 한다’임

• 기술 혁명은 보통 기업과 노동시장을 바꾸는 데 몇 년에서 수십 년이 걸림

  • 로버트 솔로는 1987년에 “컴퓨터 시대는 어디서나 보이지만 생산성 통계에는 안 보인다”고 말했음
  • PC도 1980년대에 많이 도입됐지만, 기업용 소프트웨어·직원 재교육·조직 재설계가 따라붙은 뒤인 1990년대 후반에야 경제적 효과가 뚜렷해짐

• AI가 ‘일반적인 기술’인지, 아니면 2027년쯤 세계를 뒤집을 예외적 기술인지는 아직 갈림

  • 일반 기술론은 과거 기술 혁명처럼 일부 직업을 줄이면서도 새 직업과 산업을 만들 것이라고 봄
  • 예외론은 AI 도입 속도, 인지 노동에 대한 직접 영향, 여러 화이트칼라 직군을 동시에 건드리는 범용성을 근거로 듦

• 한국 개발자 입장에서는 공포론보다 구조 변화를 보는 게 더 유용함

  • 주니어가 맡던 반복적 코드 작성, 리서치, 문서 초안 작업이 줄면 성장 경로가 바뀜
  • 반대로 AI를 잘 검증하고 업무 흐름에 녹이는 역량은 더 중요해짐
  • 회사가 AI를 샀는지보다, 병목을 어디서 줄이고 어떤 검증 루프를 만들었는지가 생산성 차이를 만들 가능성이 큼

---

기술 맥락

• 이 글에서 가장 중요한 선택은 ‘AI 도입 여부’가 아니라 ‘AI를 어떤 업무 단위에 붙일 것인가’예요. 같은 생성형 AI라도 콜센터 응답, 코드 작성, 법률 초안, 의료 기록처럼 작업이 달라지면 성능과 리스크가 완전히 달라지거든요.

• 기업들이 아직 전사 통합보다 파일럿에 머무는 이유도 여기에 있어요. AI가 한 태스크를 30% 빠르게 만들어도, 전체 프로세스의 병목이 승인, 검토, 고객 커뮤니케이션에 있으면 회사 전체 생산성 통계에는 잘 안 잡혀요.

• 개발팀에 대입하면 Copilot을 켜는 것만으로 끝나는 문제가 아니에요. 코드 리뷰 기준, 테스트 커버리지, 보안 검토, 레거시 코드 이해 같은 주변 시스템이 같이 바뀌어야 실제 생산성으로 이어져요.

• 주니어 채용 이슈도 단순히 ‘AI가 신입 일을 대체한다’보다 복잡해요. 신입이 배우던 반복 업무가 자동화되면 당장은 효율적이지만, 중장기적으로는 숙련자를 키우는 파이프라인이 약해질 수 있거든요.