채용률이 회복되어도 신입이 들어갈 자리가 회복된 것은 아닐 수 있다. 이 연구는 고용의 총량보다 채용과 이직의 흐름을 분리해야 하는 이유를 보여준다.
핵심 요약
첫째, AI 노출이 가장 높은 산업·주 단위 상위 20% 집단에서 22~24세 고용은 ChatGPT 출시 후 10분기 동안 회귀 보정 기준 약 12% 감소하였다. 저자의 계절성 보정을 적용한 선호 추정치는 12.4%이다. 이것은 AI가 원인임을 확정한 수치가 아니라 노출 수준과 고용 변화의 관계를 나타내는 추정치이다.
둘째, 고용 감소의 주된 경로는 대규모 해고 증가보다 신규 채용의 감소였다. 출시 무렵 채용 건수는 약 9% 급감했고, 관측 가능한 마지막 네 분기 평균은 대응하는 기준 네 분기보다 12.7% 낮았다. 이탈 건수도 감소하여 고용 감소를 일부 상쇄하였다.
셋째, 2025년 초 채용률은 대체로 회복했으나 채용 건수는 회복하지 않았다. 고용 기반이 줄면서 분모가 작아졌기 때문이다. 채용률의 정상화만으로 취업 기회가 정상화되었다고 해석하면 안 된다.
넷째, 더 엄격한 삼중차분에서는 팬데믹 무렵부터 시작된 경력 초기 인력의 상대적 약화가 보인다. 저자는 재택근무, 진입 지연, 통화정책과 AI에 대한 기업의 불확실성을 함께 논의한다. 본 연구는 CES 워킹페이퍼이며 동료심사 학술지 논문이나 Census Bureau의 공식 입장이 아니다.
배경 및 이론적 맥락
기술이 일자리를 대체한다는 설명은 이미 고용된 사람의 업무가 자동화되어 이탈이 늘어나는 경로를 떠올리게 한다. 그러나 경력 초기 노동시장에서는 기업이 새 사람을 덜 뽑는 것만으로도 고용 규모가 줄어든다. 채용되지 않은 사람은 해고 통계에 나타나지 않는다. 그러므로 고용의 저량과 채용·이탈의 유량을 구별해야 한다.
저자는 신입 채용을 미래 숙련에 대한 투자로 보는 관점을 제시한다. AI의 현재 도입률이 낮더라도 기업이 미래 기술 능력과 조직 개편 시점을 불확실하게 느끼면, 채용을 미루고 선택의 여지를 보존할 수 있다. 이미 쓰는 AI에 의한 업무 대체와 앞으로 쓸 AI를 예상한 채용 유예는 다른 메커니즘이다. 이 불확실성 설명은 관찰된 시점과 도입률 사이의 간극을 해석하는 가설이며 직접 검증한 매개효과가 아니다.
연구 방법론
Lee C. Tucker는 미국의 Quarterly Workforce Indicators(QWI) 공개 집계 자료를 사용하였다. QWI는 행정자료 기반 고용주·근로자 연계 체계에서 만들어진 분기 통계이며 민간부문 고용을 폭넓게 포괄한다. 개별 이력서 표본에 비해 포괄성이 높고, 고용·채용·이탈·기업의 일자리 증감을 함께 볼 수 있다는 장점이 있다. 반면 개인의 직업이나 졸업 여부는 직접 관찰하지 못하며 분기 주기와 거친 연령 구간이라는 제약이 있다.
직업별 AI 노출 지표를 2015~2019년 American Community Survey의 직업·산업 고용 구성으로 산업 수준에 연결하였다. 핵심 집단은 AI 노출이 높은 산업·주 단위 상위 20%이며 경력 초기 인력은 22~24세로 정의된다. 대졸 신입만을 뜻하지 않는다. 주요 고용 관측은 2025년 2분기까지이며 채용·이탈의 가용 마지막 시점은 지표별로 다르다.
사건연구는 ChatGPT 출시 전후 노출 집단과 다른 집단의 변화를 비교하고, 삼중차분은 같은 산업·주의 고령 근로자와 비교하여 공통 산업 충격을 더 제거한다. 그럼에도 청년과 고령자에게 다르게 작용하는 동시 충격은 남을 수 있다. 저자는 산업 수준의 국소투영과 역사적 분해로 통화정책 충격도 검토하였다. AI 노출은 실제 기업별 도입 여부와 다르며 두 지표를 동일시해서는 안 된다.
연구 결과
고용의 원자료 감소와 회귀 보정 감소는 다르다. 가장 노출된 집단의 22~24세 고용은 2022년 4분기에서 2025년 2분기 사이 원자료 기준 15.2% 감소하였다. 계절성 영향을 줄이기 위해 마지막 네 분기와 기준 네 분기를 비교한 저자의 선호 회귀 추정치는 12.4% 감소이다. 이 수치들은 감소 인원의 총계나 취업률의 %포인트 변화가 아니다.
채용은 출시 무렵 약 9% 감소한 뒤 지속적으로 낮았다. 마지막 네 분기 평균 채용 건수는 기준보다 12.7% 낮았지만 2025년 1분기 채용률은 이전 수준에 가까워졌다. 분모인 고용 기반이 줄었기 때문에 두 결과는 양립한다. 이탈 건수는 네 분기 평균 기준 11.5% 감소하였다. 이탈에는 자발적 퇴사 등이 포함되므로 이를 해고 수치라고 부를 수 없다.
삼중차분은 단순 사건연구의 해석에 제동을 건다. 경력 초기 인력의 상대적 약화 중 일부는 팬데믹 무렵부터 이어져 AI 도입 이후의 변화로 모두 돌리기 어렵다. 다만 기업의 일자리 증감 및 고령자 이탈과 청년 대체채용 간 관계에서는 출시 시점의 불연속 변화가 남는다. QWI는 누가 누구의 자리를 직접 대체했는지 보여주지 않으므로, 대체채용 분석은 집계 자료의 관계이지 개별 결원 충원 추적이 아니다.
통화정책 분석은 2025년 2분기까지 상대적 청년 고용 감소의 최대 약 4분의 1이 2023년까지의 통화정책 충격과 관련될 가능성을 제시한다. 그러나 이 충격이 고노출 집단의 급격한 채용 감소 시점을 설명한다는 증거는 찾지 못했다. 따라서 남은 4분의 3이 모두 AI 때문이라는 식의 잔여 인과 계산은 성립하지 않는다.
결론 및 의의
1. 고용 감소를 유량의 문제로 다시 읽어야 한다. 이 논문의 가장 중요한 기여는 AI 노출과 청년 고용의 관계를 재확인하는 데서 그치지 않고, 고용의 규모가 줄어드는 경로를 채용과 이탈로 분해한 데 있다. 관측 결과는 이미 취업한 사람의 대량 해고보다 진입 문이 좁아지는 상황을 가리킨다. 대학의 진로 지원도 재직자의 업무 자동화뿐 아니라 첫 채용 기회가 사라지는 경로를 따로 살펴야 한다. 다만 22~24세 집계에서 나타난 현상을 특정 졸업생의 실패 원인으로 환원할 수는 없다.
2. 비율의 회복과 기회의 회복은 다르다. 고용 기반이 작아지면 적은 채용 건수도 이전과 비슷한 채용률을 만든다. 대학이나 기업이 청년 일자리 회복을 평가할 때에는 채용률뿐 아니라 실제 채용 건수, 고용 규모, 졸업자 수 대비 진입 성과를 함께 보아야 한다. 이 연구는 마지막 지표를 직접 추정하지 않았지만, 분모를 명시하지 않은 ‘회복’ 판단의 위험을 구체적으로 보여준다. 취업 지원 프로그램의 평가에서도 참가자 비율과 실제 취업 인원을 구별할 필요가 있다.
3. 현재의 자동화와 미래를 예상한 채용 보류를 구별해야 한다. AI가 이미 신입 업무를 수행했기 때문에 채용이 줄었다는 설명과, 기업이 앞으로의 생산 방식이 불확실하여 투자를 미뤘다는 설명은 정책 대응이 다르다. 전자는 과업·기술 전환을, 후자는 투자 위험과 진입 기회의 유지 장치를 더 중요하게 만든다. 저자의 불확실성 가설은 현재 AI 도입률만으로 노동시장 변화를 판단해서는 안 된다는 시사점을 준다. 그러나 설문이나 기업별 연결 자료로 채용 의사결정의 이유를 검증하기 전에는 가설로 남겨야 한다.
4. AI 교육은 도구 숙련과 독립 수행의 증거를 함께 만들어야 한다. 이 연구는 특정 교수법을 시험하지 않았으므로 ‘AI 수업이 취업 감소를 해결한다’고 말할 근거는 없다. 다만 기업의 신입 투자가 위축될 수 있다는 해석을 교육에 적용한다면, 학생이 AI로 결과물을 만드는 능력과 결과의 오류를 찾아 설명·수정하는 능력을 함께 보여주는 평가가 가능하다. 초안 작성, 검증, 수정, 최종 책임의 단계를 나누고 일부 단계는 AI 없이 수행하게 하여 독립 역량을 확인할 수 있다. 이는 본 연구에서 도출한 교육 제안이며 검증된 취업 효과가 아니다.
5. 첫 진입 경험 자체를 교육 자원으로 보아야 한다. 채용 문이 좁아지면 학생은 이력과 현장 학습을 쌓을 기회도 잃을 수 있다. 대학·기업 연계 프로젝트나 인턴십이 실제 책임과 피드백을 제공하도록 설계할 이유가 여기에 있다. 단순히 AI 사용 과제를 많이 시키기보다, 모호한 요구를 확인하고 업무를 끝까지 인수인계하는 경험을 남기는 편이 적절한 적용 방향이다. 이러한 프로그램이 채용을 늘리는지는 별도 평가가 필요하며 무급 경험의 확대나 인턴십의 정규직 대체를 정당화하는 결론도 아니다.
6. 장기적인 숙련 파이프라인은 아직 관측되지 않은 위험이다. 첫 일자리는 다음 일자리로 이동하는 사다리의 시작점이다. 저자는 지속적인 채용 감소가 이 경로에 미칠 가능성을 논의하지만, 이 자료만으로 특정 세대의 장기 소득 손실이나 숙련 붕괴를 확정하지 않는다. 향후 연구는 지연된 진입자가 나중에 따라잡는지, 산업을 바꾸는지, 교육을 연장하는지, 첫 직장의 질과 이후 이동이 어떻게 달라지는지를 추적해야 한다. 대학은 단기 취업 여부와 함께 진입 시기와 경력의 질을 보아야 한다.
7. 인과 해석은 더 엄격하게 유지해야 한다. 행정자료의 포괄성은 표본 대표성 문제를 줄이지만 연구 설계의 교란을 없애지는 않는다. 노출이 높은 산업은 재택근무, 수요 변화, 진입 연령 상승에서도 다를 수 있다. 삼중차분에서 확인된 사전 추세는 이러한 우려를 실제로 뒷받침한다. 따라서 약 12% 감소를 ‘AI가 없앴다’고 단정하거나 통화정책 설명을 제외한 나머지를 전부 AI로 배분해서는 안 된다. 한국의 학력·병역·첫 취업 연령과 고용제도가 다르다는 점도 적용 범위에 포함해야 한다.
8. 다음 연구의 핵심은 도입·기대·행동의 연결이다. 기업별 실제 AI 도입, 미래 도입 기대, 채용 계획과 실현 채용을 고용주·근로자 자료에 연결해야 현재 대체와 기대에 따른 유예를 구별할 수 있다. 더 긴 사후 기간과 개인별 일자리 이동 기록이 있어야 따라잡기 여부도 판단할 수 있다. 교육 분야에서는 AI 사용 능력과 독립 수행 능력을 구분한 평가를 취업·현장 수행 결과와 연결하는 연구가 필요하다. 이 논문의 의의는 확정된 해결책을 주는 데 있지 않고, 무엇을 측정해야 신입 진입의 변화를 정확하게 설명할 수 있는지 보여주는 데 있다.
참고문헌
Tucker, L. C. (2026). You’re (not) hired: Artificial intelligence and early career hiring in the Quarterly Workforce Indicators (CES Working Paper No. 26-27). U.S. Census Bureau. https://www2.census.gov/library/working-papers/2026/adrm/ces/CES-WP-26-27.pdf
본 자료는 워킹페이퍼이며 동료심사 학술지 게재 논문이 아니다.
AI 활용 내역
이 글은 AI(Instinct AI 어시스턴트)를 활용하여 논문의 핵심 내용을 분석·요약하고, 한국어 리뷰 원고를 작성하였습니다. 최종 검토 및 발행은 블로그 운영자가 수행합니다.
댓글 남기기