핵심 요약
첫째, AI 노출이 가장 높은 상위 10분위 전공(주로 컴퓨터과학·정보시스템) 졸업생의 초기 취업률이 5%p 하락했다. ChatGPT 출시 직후부터 이 전공들의 졸업 후 첫 분기 고용이 급격히 감소하기 시작했으며, 이전 시기에는 관찰되지 않던 뚜렷한 구조적 단절이다.
둘째, 이들의 초기 분기 소득이 약 13% 감소했으며, 이는 대침체(Great Recession) 시기에 졸업한 것과 유사한 규모의 경제적 충격이다. 실질 소득 기준으로 2016년 이전 수준까지 회귀했으며, 2년이 지나도 격차가 완전히 해소되지 않았다.
셋째, 소득 하락의 약 절반은 고임금 산업(정보통신, 전문·과학·기술 서비스)에서 저임금 산업(소매업, 숙박·음식 서비스)으로의 대규모 산업 이동에 기인한다. 이는 단순한 실업이 아닌 ‘하향 취업(underemployment)’의 문제임을 시사한다.
넷째, 졸업 시점이 핵심적 변수다. AI의 영향은 노동시장 진입 시점에서 가장 강력하게 작용하며, 시간이 지남에 따라 감쇠하지만 가장 높은 노출 전공에서는 2년 후에도 유의미한 격차가 남는다.
다섯째, AI가 교육 신호(educational signals)의 정보 가치를 약화시켜 채용을 위축시킬 수 있다. AI 도구가 학생들의 과제와 작업물을 대체하면서 성적 인플레이션이 발생하고, 고용주가 졸업생의 실제 역량을 판별하기 어려워지는 현상이 채용 감소의 한 원인일 수 있다.
배경 및 이론적 맥락
지난 몇 년간 대형언어모델(LLM)과 생성형 AI의 급속한 발전은 소프트웨어가 자율적으로 수행할 수 있는 과업의 범위를 크게 확장했다. 이전의 자동화 물결이 예측 가능한 수작업이나 사무적 활동을 대체했다면, 생성형 AI는 정보 처리, 의사소통, 비정형 인지 활동까지 자동화의 영역을 넓히고 있다. 이는 고학력·고숙련 직종의 핵심 업무에 해당하는 영역이다.
이러한 변화는 신규 대졸 취업자에게 특히 중요한 의미를 갖는다. 선행 연구들은 졸업 시점의 노동시장 상황이 초기 취업과 소득에 영향을 미치며, 나아가 장기적 경력 궤적까지 좌우한다는 점을 일관되게 보여주었다(Oreopoulos et al., 2012; Altonji et al., 2016). AI가 특정 전공의 노동 수요를 위축시킨다면, 그 졸업생들의 경력에 장기적인 영향을 줄 수 있다.
연구 방법론
이 연구는 미국 센서스국의 고등교육 취업 성과(PSEO) 데이터를 활용했다. 24개 주, 350개 이상의 대학에서 2016~2024년 사이에 배출된 약 665만 건의 학사 졸업 기록(미국 전체의 약 29%)을 분석했다.
AI 노출도는 Eloundou et al.(2024)의 GPT-4 Beta 지표를 기반으로 측정했다. 이 지표는 GPT-4가 특정 직업의 과업 수행 시간을 절반 이상 줄일 수 있는지를 평가한 것으로, 각 전공별로 졸업생들이 진출하는 직업의 AI 노출도를 가중평균하여 전공 수준의 AI 노출 지수를 구성했다. 이렇게 구성된 전공별 AI 노출도를 10분위로 나누고, 하위 6분위를 기준 집단으로 설정했다.
핵심적인 방법론적 강점은 전공을 노출 변수로 사용한다는 점이다. 전공은 졸업 전에 결정되므로, 취업 후 직업이나 산업에 의존하는 기존 연구들과 달리 내생성 문제를 상당 부분 완화한다. 졸업생들은 LEHD(종단 고용-가구 역학) 데이터와 연결되어 고용, 소득, 산업, 이직 패턴을 추적했다.
연구 결과
1. 취업률: 즉각적이고 집중된 하락
ChatGPT 출시 이후, AI 노출 상위 10분위 전공 졸업생의 초기 취업률이 5%p 하락했다. 7~8분위도 평균 2%p 하락했지만, 효과는 최상위 분위에 압도적으로 집중되어 있다. 이 최상위 분위는 주로 컴퓨터과학, 정보시스템, 소프트웨어 개발 관련 전공으로 구성되어 있다.
시간이 지남에 따라 격차가 축소되었지만, 졸업 1년 후에도 -4.2%p, 2년 후에도 -2.0%p의 유의미한 격차가 남았다.
2. 소득: 대침체 수준의 충격
최상위 노출 분위의 초기 분기 소득이 약 13% 감소했다. 이는 선행 연구에서 추정된 대침체 시기 졸업의 연간 소득 손실(9~10%)보다 더 큰 규모다. 2025년까지 해당 그룹의 분기 소득은 기준 집단 대비 14 로그 포인트 하락했으며, 졸업 2년 후에도 3.3 로그 포인트의 격차가 잔존했다.
3. 산업 이동: 고임금에서 저임금으로
소득 하락의 약 절반은 산업 간 이동에 기인한다. 최상위 노출 전공 졸업생들은 정보(Information) 부문에서 3%p 이상, 전문·과학·기술 서비스 부문에서 6%p 가까이 이탈한 반면, 숙박·음식 서비스(+2%p)와 소매업으로 대규모 유입되었다. 이는 IT 전공 졸업생들이 자신의 전문 분야가 아닌 저임금 서비스 산업에서 일하게 되는 체계적인 하향 취업을 보여준다.
4. 이직률 변화
ChatGPT 출시 직후 모든 그룹의 이직률이 급감했으나, 2023년 중반 졸업자부터는 반등 조짐이 나타났다. 이는 초기에 하향 취업한 졸업생들이 이후 더 나은 일자리로 이동하려는 시도를 시사하며, 격차가 시간에 따라 축소되는 패턴과 일치한다.
결론 및 의미: ‘힌턴의 역설’의 관점에서
이 연구는 AI가 엔트리 레벨 노동시장에 미치는 영향에 대한 가장 정밀한 실증 증거 중 하나다. 그리고 그 결과는 ‘힌턴의 역설(Hinton’s Paradox)’이 경고하는 바를 실증적으로 뒷받침한다.
엔트리 레벨의 역설: AI는 전체 고용에서 대규모 실업을 야기하지 않지만, 신규 진입자에게는 불균형적으로 큰 타격을 준다. 경력자는 AI 노출 직업에서도 별다른 영향을 받지 않는 반면, 졸업 직후의 청년들은 취업의 양과 질 모두에서 심각한 타격을 받는다. 이것이 바로 ‘엔트리 레벨의 역설’이다.
인지 외주화와 교육 신호의 약화: 연구진은 AI가 학생들의 과제를 대체하면서 교육적 신호(성적, 작업물)의 정보 가치가 약화되고, 이것이 고용주의 채용 결정에 영향을 줄 수 있다고 분석한다. AI 시대에 교육이 인적 자본의 진정한 신호로 기능하려면, 교수법과 평가 방식의 근본적 변화가 필요하다.
작은 성취의 중요성: 하향 취업한 졸업생들이 이후 이직을 통해 더 나은 일자리로 이동하려는 패턴은, 비록 불리한 출발일지라도 작은 단계적 조정을 통해 경력을 회복해가는 과정을 보여준다. 그러나 이 회복이 완전할지, 경력 궤적에 영구적 흔적을 남길지는 아직 판단하기 이르다.
결국 이 연구가 던지는 질문은 분명하다: AI 시대에 ‘전공 선택’과 ‘졸업 시점’이라는 두 변수가 청년의 경제적 운명을 과거 어느 때보다 강력하게 결정짓고 있다면, 우리의 교육 시스템과 노동시장 정책은 이에 어떻게 대응해야 하는가?
출처
Orr, C., Tucker, L. C., & Warren, L. (2026). Graduating into Disruption: Labor Market Outcomes for AI-Exposed College Majors. CES Working Paper 26-56, U.S. Census Bureau. https://www.census.gov/library/working-papers/2026/adrm/CES-WP-26-56.html
<AI 활용 내역> Claude. (2026), Claude, [대형언어모델(LLM)]. https://claude.ai/ 논문의 핵심 내용을 요약하고 한국어 리뷰를 작성하는 데 활용했으며, 결과물은 연구자가 최종 검토 후 수정해 블로그에 반영했다.
Donghun Chung, Kwangwoon University, Seoul, Korea 
댓글 남기기