앤트로픽이 3월 5일 공개한 ‘Labor market impacts of AI: A new measure and early evidence’를 보면, 생성형 인공지능은 아직 대규모 실업을 만들어냈다고 보기 어렵다. 그러나 그 결론은 안심의 신호라기보다 변화의 방식이 예상과 다를 수 있음을 보여준다. 지금 AI의 충격은 해고 통계보다 먼저 채용 흐름, 특히 청년층의 첫 진입 경로에서 감지되고 있다. 고용 붕괴가 아니라 고용 구조 재편, 일자리 소멸이 아니라 일자리 진입 방식의 변화가 시작되고 있다는 뜻이다.

생성형 인공지능을 둘러싼 논의는 그동안 지나치게 두 갈래로 나뉘어 있었다. 한쪽에서는 “AI가 곧 사무직을 대체할 것”이라는 위기론이 힘을 얻었고, 다른 한쪽에서는 “실제 현장은 아직 멀었다”는 신중론이 맞섰다. 이번 분석은 그 두 입장 사이의 간극을 좁힌다. AI가 이론적으로 할 수 있는 일과 실제로 현장에서 쓰이고 있는 일은 분명히 다르며, 노동시장 변화는 그 차이 위에서 조용히 진행되고 있다는 것이다. AI의 영향은 아직 ‘실업률 폭등’이라는 형태로 나타나지 않았지만, 이미 어떤 직무가 더 많이 노출돼 있고 어떤 인구집단이 더 민감한 위치에 서 있는지는 비교적 선명하게 드러나고 있다.

이번에 제시된 핵심 개념은 ‘관측 노출도(Observed Exposure)’다. 이는 AI가 원리상 할 수 있는 업무를 단순히 나열하는 데서 멈추지 않고, 실제 사용 데이터까지 결합해 “현장에서 자동화가 얼마나 현실화되고 있는가”를 측정하려는 시도다. 다시 말해, 생성형 AI의 노동시장 영향력을 따질 때 이제는 추상적 가능성이 아니라 실제 사용 흔적과 자동화 정도, 업무 맥락까지 함께 봐야 한다는 문제의식이 반영돼 있다. 바로 이 지점에서 이 연구는 단순한 기술 낙관론이나 기술 공포론을 넘어 보다 현실적인 질문을 던진다. 지금 AI는 어디까지 와 있으며, 가장 먼저 누구의 일자리 문턱을 바꾸고 있는가.

‘AI가 할 수 있는 일’과 ‘AI가 실제로 하고 있는 일’은 다르다

생성형 AI가 노동시장에 미칠 충격을 가늠하는 기존 방식은 대체로 “이 업무를 AI가 할 수 있느냐”를 기준으로 삼아 왔다. 예컨대 어떤 직무의 과업이 대규모언어모델(LLM)로 두 배 빠르게 처리될 수 있다면, 그 직무는 AI에 많이 노출돼 있다고 보는 식이다. 이런 접근은 직관적이지만 한계도 명확하다. 할 수 있다는 것과 실제로 쓰인다는 것은 다르기 때문이다. 기술이 가능해도 법과 규제, 조직 문화, 책임 소재, 검증 절차, 특정 소프트웨어 환경 같은 현실적 장벽이 가로막고 있으면 현장 확산은 더디게 진행된다.

이번 분석은 바로 그 지점을 파고들었다. 미국의 직업정보 데이터베이스 O*NET가 정리한 약 800개 직업의 과업 목록, 앤트로픽의 실제 사용 데이터, 그리고 각 과업이 이론적으로 어느 정도 자동화 가능한지를 추정한 선행 연구를 결합해 새로운 지표를 만들었다. 여기서 중요한 것은 단순 사용 여부가 아니라 사용의 성격이다. 업무와 무관한 대화보다 실제 직무 맥락에서 이뤄진 사용에 더 높은 비중을 두고, 인간이 보조를 받는 증강형 사용보다 AI가 더 직접적으로 과업을 처리하는 자동화형 사용에 더 큰 가중치를 부여했다. 즉 “AI가 도와주는가”보다 “AI가 실제로 일을 대신하고 있는가”에 더 민감한 잣대인 셈이다. 이 방식이 보여준 첫 번째 사실은 의외로 단순하다. AI의 실제 적용 범위는 아직 이론적 가능성에 한참 못 미친다. 예를 들어 컴퓨터·수학 관련 직무는 이론적으로 대다수 과업이 LLM에 노출돼 있는 분야로 나타났지만, 실제 플랫폼 사용 데이터를 반영해 산출한 적용 범위는 그보다 훨씬 낮았다. 오피스·행정, 법률, 비즈니스·금융, 예술·미디어 등도 마찬가지였다. AI가 할 수 있을 법한 일은 많지만, 조직이 그 가능성을 실제 업무에 깊숙이 이식한 정도는 아직 제한적이라는 의미다.

이 간극은 매우 중요하다. 기술혁신이 등장할 때마다 사회는 종종 ‘가능성의 최대치’를 ‘현재의 현실’로 착각한다. 그러나 실제 노동시장은 기술 성능 하나로만 움직이지 않는다. 업무 표준화 수준, 데이터 접근권, 품질 책임, 감독 체계, 현장의 신뢰, 조직의 투자 여력 등이 함께 맞물려야 자동화는 비로소 일자리 구조를 바꾼다. 그래서 이번 분석은 “AI는 이미 다 할 수 있다”는 인식도, “아직 별일 없다”는 방심도 모두 절반만 맞는 말이라고 일깨운다. AI의 역량은 빠르게 커지고 있지만, 노동시장에서의 침투는 아직 불균등하고 부분적이다. 문제는 바로 그 부분적 변화가 특정 직군과 특정 세대에 집중될 수 있다는 점이다.

가장 먼저 노출된 직무는 어디인가

실제 사용 흔적과 자동화 비중을 바탕으로 정리한 결과, 가장 높은 노출도를 보인 직무는 컴퓨터 프로그래머였다. 이어 고객 서비스 대표, 데이터 입력 담당자, 의료기록 전문인력, 시장조사 분석 및 마케팅 전문인력, 도매·제조 판매직, 금융·투자 분석가, 소프트웨어 품질보증 분석가, 정보보안 분석가, 컴퓨터 사용자 지원 직무 등이 상위권에 올랐다. 공통점은 명확하다. 이들은 텍스트 처리, 정보 정리, 반복적 판단, 코드 작성과 수정, 질의응답, 문서 변환, 기록 관리처럼 언어와 정보 중심의 과업 비중이 높다. 반대로 AI 노출도가 거의 0에 가까운 직무도 적지 않았다. 요리사, 오토바이 정비사, 구조요원, 바텐더, 식기세척원, 탈의실 관리원 같은 직무가 여기에 포함됐다. 이 일들은 물리적 공간에서 몸을 움직이며 수행해야 하고, 현장 상황에 대한 즉각적 감각과 대면 상호작용이 중요하다. 기술 담론에서 자주 간과되는 사실이 바로 여기에 있다. 생성형 AI는 현재로서는 육체노동 전반을 대체하는 기술이 아니라, 언어와 정보의 흐름을 재구성하는 기술에 가깝다. 따라서 AI의 초기 충격은 전통적으로 ‘좋은 일자리’로 여겨졌던 고학력 사무직에서 더 먼저 감지될 가능성이 높다.

이 대목은 오래된 자동화 논쟁을 다시 돌아보게 한다. 산업화 시기 기계화는 신체노동을 우선 바꿨고, 디지털화는 계산과 저장, 전송의 비용을 급격히 낮췄다. 그런데 생성형 AI는 단순 반복 사무를 넘어, 한때 인간 고유 영역처럼 여겨졌던 글쓰기, 코드 작성, 요약, 문서 정리, 고객 응대, 분석 초안 생산까지 건드리기 시작했다. 그렇다고 해서 곧바로 인간 전체가 밀려난다는 뜻은 아니다. 다만 직무 내부의 과업 구성이 달라지고, 그 과정에서 어떤 사람은 생산성이 높아지고 어떤 사람은 입직 기회가 줄어드는 방식으로 충격이 분화될 수 있다. 이 연구가 의미 있는 이유는 바로 그 미세한 차이를 과업 단위에서 포착하려 했다는 데 있다.

이번 분석에서 가장 눈길을 끄는 대목은 “AI 노출이 높은 직업군에서 실업이 체계적으로 증가했다는 증거는 아직 없다”는 결론이다. 연구진은 미국 Current Population Survey 자료를 활용해 2016년 이후 실업률 흐름을 비교했고, 특히 ChatGPT 공개 이후 고노출 직군과 비노출 직군 간 차이를 살폈다. 그 결과 노출이 큰 집단의 실업률이 유의미하게 뛰었다고 보기 어려웠다. 다시 말해, 적어도 현재까지는 AI가 대규모 해고의 직접 원인으로 확인되지는 않았다는 뜻이다. 이 결과를 단순히 “AI는 별 영향이 없다”로 받아들이면 오독에 가깝다. 오히려 중요한 것은 충격의 양상이 당초 예상과 다를 수 있다는 점이다. 노동시장의 변화는 언제나 해고로만 나타나지 않는다. 기업은 기존 인력을 한꺼번에 내보내기보다 충원을 늦추고, 신규 채용 계획을 줄이고, 동일한 인력으로 더 많은 일을 하게 만드는 방식으로 먼저 반응할 수 있다. 특히 고정비와 조직 안정성을 중시하는 사무직 영역에서는 ‘정리해고’보다 ‘덜 뽑기’가 더 조용하고 현실적인 조정 방식이 될 수 있다.

실업률 통계만으로는 이 미세한 조정을 포착하기 어렵다는 점도 중요하다. 어떤 직무에서 채용이 줄어들더라도 노동자들이 다른 분야로 이동하거나 구직 자체를 미루면, 표면적 실업률은 크게 출렁이지 않을 수 있다. 더구나 생성형 AI가 영향을 미치는 영역은 전통적인 경기침체와도 다르다. 금융위기나 팬데믹은 수요 위축과 대면 제약처럼 거시적 충격이 폭넓게 작동했지만, AI는 특정 과업과 특정 직무에 비대칭적으로 스며든다. 그래서 전체 고용지표가 조용하다고 해서 변화가 없다고 단정할 수는 없다. 이번 연구가 실업보다 먼저 채용과 진입의 흐름을 함께 살펴본 이유도 여기에 있다.

청년층에게 먼저 닫히는 문, ‘채용 둔화’라는 초기 신호

가장 민감한 결과는 22세에서 25세 사이 청년층에서 나타났다. 분석에 따르면 AI 노출이 높은 직무로의 신규 진입률은 ChatGPT 공개 이후 하향 흐름을 보였고, 연구진은 이를 사후 평균 기준 약 14% 감소로 제시했다. 절대 규모로 보면 월별 입직률이 약 0.5%포인트 줄어든 정도지만, 이는 노동시장 입구에 서 있는 청년층에게 결코 가볍지 않은 변화다. 더구나 연구진은 이 결과가 통계적으로 아주 강한 수준은 아니라고 신중하게 선을 그으면서도, 적어도 ‘초기 신호’로 볼 만하다고 평가했다. 이 변화가 뜻하는 바는 크다. 고용시장에서 가장 먼저 타격을 받는 사람은 항상 기존 정규직만이 아니다. 오히려 경력 없는 신입, 막 졸업한 청년, 첫 직무를 통해 직업 정체성을 만들어가야 하는 이들이 더 취약할 수 있다. 생성형 AI가 들어오면 기업은 “경험 많은 직원 1명이 AI를 활용해 예전보다 더 많은 일을 처리할 수 있다”고 판단할 가능성이 높다. 그러면 가장 먼저 줄어드는 것은 중간 수준 업무가 아니라 주니어가 맡아 배우던 초급 업무일 수 있다. 보고서가 보여준 청년층 입직률 감소는 바로 이 구조를 떠올리게 한다.

이 문제는 단순히 채용 수치 하나의 변화로 끝나지 않는다. 청년기의 첫 일자리는 단순 소득원이 아니라 숙련 형성의 출발점이기 때문이다. 신입사원은 반복 업무와 보조 업무를 통해 직무 언어를 익히고, 문서 구조를 배우고, 조직의 판단 방식을 체득한다. 그런데 생성형 AI가 이 초급 업무의 상당 부분을 흡수해 버리면, 조직은 신입을 덜 뽑으면서도 당장의 효율을 유지할 수 있다. 그 결과 청년은 “경험이 없어서 채용되지 않고, 채용되지 않아서 경험을 쌓지 못하는” 이중 장벽에 부딪힐 수 있다. AI 시대의 위기는 어쩌면 실업률 통계가 아니라 ‘첫 경력의 붕괴’에서 먼저 시작될지 모른다.

교육의 의미도 이 지점에서 다시 묻게 된다. 대학은 오랫동안 졸업생을 노동시장으로 연결하는 관문 역할을 해왔지만, 이제는 단순 지식 습득만으로는 진입 문턱을 넘기 어려워질 수 있다. AI가 초안 작성, 문서 요약, 기본 코딩, 일반적 고객응대까지 수행하기 시작하면, 기업은 “기본 업무를 가르치며 키울 신입”보다 “AI를 활용해 곧바로 문제를 해결할 수 있는 사람”을 원할 가능성이 높다. 다시 말해, 청년층의 고용 충격은 실업보다 ‘요구 역량의 급격한 재편’으로 먼저 체감될 수 있다.

AI는 누구의 일을 먼저 바꾸는가…화이트칼라의 역설

이번 분석에서 상위 노출 직군 노동자들의 특성을 살펴보면 또 하나의 역설이 드러난다. AI 노출도가 높은 집단은 평균적으로 더 고학력이고, 더 고임금이며, 여성 비율이 더 높고, 백인 및 아시아계 비중이 상대적으로 크다. 특히 대학원 학위 소지 비율은 저노출 집단보다 훨씬 높았고, 시간당 임금도 평균적으로 47%가량 높았다. 이는 생성형 AI의 초기 영향이 전통적인 저숙련·저임금 일자리보다, 오히려 고학력 전문직과 화이트칼라 사무직에서 더 두드러질 수 있음을 시사한다.

이 결과는 “기술은 단순노동부터 대체한다”는 익숙한 상식을 흔든다. 물론 자동화의 긴 역사를 보면 반복적이고 표준화된 일부터 기술에 잠식돼 왔다. 그러나 생성형 AI는 신체 대신 언어를, 팔 대신 문서를, 손 대신 인터페이스를 움직인다. 그래서 예전 같으면 안전지대로 여겨졌던 법률 보조, 금융 분석, 마케팅 리서치, 의료 기록 관리, 프로그래밍, 고객 응대 같은 영역이 오히려 높은 노출을 보인다. 고학력이라는 이유만으로 안전하지 않다는 사실, 그리고 전문직 내부에서도 수행 과업이 언어화·문서화돼 있을수록 위험이 커질 수 있다는 사실이 분명해지고 있는 셈이다.

그렇다고 전문직 자체가 무너진다는 뜻은 아니다. 더 정확히 말하면, 전문직 내부에서 무엇이 핵심 역량으로 남는지가 달라진다. AI가 초안 작성과 정형적 분석을 담당할수록 인간에게 요구되는 것은 맥락 판단, 책임 있는 의사결정, 대면 설득, 복합 이해관계 조정, 윤리적 판단, 그리고 결과 검증의 역량일 가능성이 높다. 문제는 이 변화가 직무를 더 고도화하는 방향으로만 작동하지 않을 수 있다는 점이다. 조직은 상위 숙련자 몇 명과 AI의 결합으로 기존 팀 구조를 더 슬림하게 만들 수도 있다. 이 경우 중간층과 입문층의 자리는 동시에 좁아질 수 있다.

여성 비율이 상대적으로 높은 직무가 더 많이 노출돼 있다는 점도 가볍지 않다. 고객 서비스, 행정, 기록 관리, 문서 중심 사무직 등은 전통적으로 여성 노동 비중이 높은 영역이 적지 않다. 따라서 AI가 이런 업무의 일부를 자동화할 경우, 성별에 따른 직무 분포와 노동시장 불평등에도 새로운 변수가 생길 수 있다. AI를 둘러싼 논의가 종종 기술 성능과 기업 생산성에 치우치지만, 실제 사회적 파장은 젠더, 세대, 학력, 직무 위계와 교차하는 방식으로 나타날 가능성이 크다. 이 연구는 바로 그 접점을 초기 단계에서 보여준다.

성장률 전망이 낮아지는 직업들, ‘미래 일자리’의 재정의

연구진은 미국 노동통계국(BLS)이 2024년부터 2034년까지 내놓은 직업별 고용 전망과 관측 노출도를 비교했다. 그 결과 AI 노출이 높은 직업일수록 향후 고용 증가율 전망이 다소 낮아지는 경향이 확인됐다. 관측 노출도가 10%포인트 올라갈 때마다 BLS의 고용 성장 전망치는 약 0.6%포인트 떨어졌다. 관계 자체는 강하지 않지만, 적어도 실제 사용 데이터를 반영한 노출 지표가 독립적으로 산출된 공식 고용 전망과 어느 정도 같은 방향을 가리키고 있다는 점은 의미가 있다. 흥미로운 것은 이론적 가능성만 반영한 기존 노출 지표로는 이런 상관관계가 뚜렷하지 않았다는 점이다.

이 결과가 말하는 것은 단순하다. 노동시장 변화의 방향을 읽으려면 기술의 추상적 잠재력보다 실제 적용 깊이를 보는 편이 더 낫다는 것이다. 그리고 그 방향은 대체로 “정보 중심 사무직의 성장률 둔화”로 요약될 수 있다. 물론 어떤 직업이 완전히 사라질 것이라는 식의 단선적 해석은 경계해야 한다. 실제로 소프트웨어 개발자나 변호사처럼 노출도가 높은데도 성장 전망이 양호한 직업도 있다. 이는 AI 노출이 곧 직업 소멸을 뜻하지 않는다는 점, 그리고 직무 내부 과업이 재편되면서 오히려 생산성이 높아져 수요가 늘어날 여지도 있음을 보여준다.

그러나 성장률이 둔화된다는 사실만으로도 사회적 의미는 작지 않다. 많은 청년과 재직자는 특정 직무를 “앞으로 유망하다”는 이유로 준비한다. 그런데 그 유망성의 근거가 단순 수요 증가가 아니라 AI를 활용한 소수 정예 체제로 재구성된다면, 같은 직무를 준비하는 사람 수에 비해 실제 기회는 더 줄어들 수 있다. 노동시장의 문제는 늘 절대 숫자보다 상대적 경쟁에서 더 선명하게 체감된다. 일자리가 완전히 사라지지 않아도 진입이 어려워지고 상향 이동이 막히면, 당사자에게는 충분히 위기로 느껴진다.

AI가 일자리를 없애는가라는 질문은 늘 너무 직선적이다. 현실에서 기술의 충격은 대체보다 재배치로 먼저 온다. 어떤 과업은 사라지고, 어떤 과업은 인간의 책임으로 남고, 어떤 과업은 인간과 AI의 협업 형태로 다시 조정된다. 이번 분석이 자동화형 사용과 증강형 사용을 구분해 가중치를 달리 둔 것도 그 때문이다. 같은 AI 활용이라도 사람이 참고용으로 쓰는 경우와, 시스템이 과업을 거의 대신하는 경우는 노동시장 의미가 다르다.

지금까지 관측된 양상은 ‘전면 대체’보다 ‘부분 자동화’에 가깝다. 즉 한 직업 전체가 사라지기보다 직무 안의 일부 업무가 먼저 바뀌고 있다. 코딩 업무라면 보일러플레이트 작성, 디버깅 보조, 문서화 같은 부분이, 고객서비스라면 정형 질문 응답과 요약 정리가, 시장분석이라면 데이터 정리와 초안 작성이 먼저 AI 영향권에 들어가는 식이다. 그러면 조직은 같은 직무명을 유지한 채 채용 기준과 업무 배분만 바꿀 수 있다. 외형상 직업은 남아 있어도 그 안의 숙련 구조는 크게 달라진다.

이 변화는 노동자의 자율성과 책임 구조에도 영향을 준다. AI가 초안을 쓰고 인간이 검토하는 체계가 널리 확산되면, 많은 직무는 생산자라기보다 검증자와 책임자에 가까워질 수 있다. 문제는 초급 인력이 검증할 판단력과 기준을 어떻게 획득하느냐이다. 과거에는 직접 써보고, 실수하고, 수정받으며 숙련을 쌓았다. 그러나 AI가 초급 과업을 대신하면, 사람은 결과물을 보기는 해도 과정을 익힐 기회를 잃을 수 있다. 생성형 AI 시대의 숙련 위기는 단지 일자리 수의 문제가 아니라 학습 경로의 문제이기도 하다.

대학과 교육은 무엇을 준비해야 하나

이 연구는 미국 노동시장을 다룬 분석이지만, 한국의 대학과 교육기관에도 직접적인 질문을 던진다. 무엇보다 “어떤 역량을 가르칠 것인가”보다 “어떤 방식으로 노동시장 진입 역량을 증명하게 할 것인가”가 더 시급한 문제가 될 수 있다. AI가 요약, 초안 작성, 기초 분석, 기본 코딩 같은 업무를 상당 부분 처리할 수 있다면, 단순한 결과물 제출만으로는 학생의 실력을 증명하기 어려워진다. 동시에 기업은 AI를 도구로 활용하면서도 문제를 정의하고, 결과를 검증하고, 실제 맥락에 맞게 수정할 수 있는 사람을 원하게 된다.

이제 대학 교육은 지식 전달과 리포트 생산 중심에서 벗어나야 한다. 학생이 어떤 프롬프트를 써서 얼마나 그럴듯한 초안을 만들 수 있는지보다, 그 초안을 실제 상황에 맞게 비판적으로 검토하고 수정할 수 있는지, AI가 놓친 이해관계와 위험을 식별할 수 있는지, 협업과 설명 책임을 수행할 수 있는지가 더 중요해진다. 수행평가와 프로젝트, 구술 검증, 실제 문제 해결형 과제, 맥락 기반 포트폴리오가 중요해지는 이유도 여기에 있다.

특히 입직 장벽이 높아질 가능성을 고려하면, 대학은 학생의 첫 경력 형성 자체를 더 적극적으로 설계해야 한다. 인턴십과 캡스톤, 산학협력 프로젝트가 단지 스펙 항목이 아니라 노동시장 진입의 대체 경로가 될 수 있기 때문이다. AI가 초급 업무를 흡수할수록 학생은 졸업 이전에 더 높은 수준의 현장 적응력과 문제 해결 능력을 증명해야 한다. “배우면서 성장할 신입”을 기다려주는 조직이 줄어든다면, 교육은 더 이상 졸업장만으로 역할을 다했다고 말할 수 없다.

정책 영역에서도 관점 전환이 필요하다. 그동안 기술 변화에 대한 정책 논의는 주로 실직자 보호, 재교육, 사회안전망 확대에 초점을 맞춰 왔다. 물론 이것은 여전히 중요하다. 하지만 생성형 AI의 초기 충격이 해고보다 채용 둔화, 특히 청년층의 입직 감소로 나타난다면 정책의 관찰 창구도 달라져야 한다. 실업률이 안정적이라는 이유만으로 안심할 수 없고, 졸업 후 첫 취업까지 걸리는 시간, 신입 채용 공고의 질과 수, 초급 사무직의 진입 구조 같은 지표를 더 면밀히 봐야 한다.

청년고용 정책도 양적 취업률 중심에서 벗어나야 한다. 어떤 청년이 어떤 직무에, 어떤 숙련을 축적할 수 있는 경로로 진입하고 있는지를 봐야 한다. AI에 많이 노출된 직무일수록 신입 자리가 줄고 숙련 있는 중간 인력 위주로 재편된다면, 청년은 겉으로는 취업을 해도 전공과 무관한 대체 일자리로 밀려날 수 있다. 이런 현상은 단기 실업 통계보다 장기적인 임금 궤적과 경력 형성에 더 큰 상처를 남긴다.

정부와 공공기관은 생성형 AI의 확산을 단지 산업 경쟁력 관점으로만 보지 말고, 노동시장 진입 사다리 유지라는 관점에서도 접근해야 한다. AI 활용 역량 교육만이 아니라, AI가 대체하기 어려운 인간 중심 과업을 강화하는 훈련, 직무 전환을 위한 모듈형 학습 체계, 신입 채용 인센티브, 경력 초기자의 현장 경험 보장 장치 등이 필요해질 수 있다. 기술은 언제나 생산성을 높이는 방향으로 움직이지만, 사회는 그 생산성의 배분과 진입 기회를 따로 설계해야 한다.

이번 분석이 던지는 가장 중요한 메시지는 단순한 낙관도 비관도 아니다. AI는 아직 대규모 실업을 만들지 않았다. 이 문장은 사실이다. 동시에 AI는 이미 노동시장 구조를 바꾸기 시작했다. 이 역시 사실이다. 둘은 모순되지 않는다. 오히려 함께 읽어야 한다. 많은 사람은 기술 충격을 뉴스 헤드라인에 잡힐 만큼 선명한 사건으로 떠올리지만, 현실의 변화는 종종 조용히 시작된다. 신규 채용 공고가 줄고, 초급 업무가 줄어들고, 직무 설명서가 바뀌고, 교육기관이 요구하는 역량이 달라지는 식으로 말이다. 그렇게 시작된 변화는 몇 년 뒤에야 “왜 어느 순간부터 첫 직장이 이렇게 어려워졌지”라는 체감으로 되돌아온다.

이번 연구는 바로 그 초기 국면을 보여준다. 이론적 가능성과 실제 사용의 간극, 고노출 직무의 윤곽, 고학력 화이트칼라에 집중된 초기 영향, 실업률의 정적, 그리고 청년층 입직 둔화의 미세한 신호가 한 그림 안에 들어와 있다. 아직은 경고등이 아니라 계기판의 작은 변화에 가깝다. 그러나 사회가 진짜 놓치기 쉬운 것은 늘 이런 작은 변화들이다.

한국 사회도 예외일 수 없다. 오히려 교육열이 높고 사무직 선호가 강하며 청년의 첫 일자리 경쟁이 치열한 구조를 생각하면, 생성형 AI의 충격은 한국에서 더 예민하게 나타날 가능성도 있다. 문서와 보고, 기획과 정리, 커뮤니케이션과 행정이 많은 조직일수록 AI는 조용히 깊이 스며든다. 그리고 그 변화는 해고 명단보다 채용 공고의 문장, 신입에게 기대하는 수준, 대학 과제의 방식, 기업의 내부 교육 체계에서 먼저 드러날 수 있다.

결국 질문은 “AI가 사람을 대체하느냐”가 아니다. 더 정확한 질문은 이것이다. AI는 사람의 어떤 과업을 흡수하고, 그 결과 누구의 생산성을 높이고, 누구의 첫 기회를 줄이며, 어떤 숙련의 사다리를 없애고, 어떤 새로운 역량을 요구하는가. 이번 분석은 그 질문에 대한 답을 아직 완성하지는 못했다. 그러나 적어도 어디를 봐야 하는지는 분명히 짚어냈다. 지금 우리가 주목해야 할 것은 실업의 폭발이 아니라, 노동시장 입구에서 벌어지는 조용한 재편이다. AI 시대의 고용 위기는 어쩌면 책상 앞에서 일하는 사람에게 더 먼저, 그리고 처음 사회에 들어서는 청년에게 더 깊게 다가오고 있을지 모른다.

#생성형AI, #노동시장, #청년고용, #화이트칼라, #자동화, #채용둔화, #직무재편, #대학교육, #AI일자리