AI Skills Improve Job Prospects: Causal Evidence from a Hiring Experiment

AI를 잘 쓴다는 이력서의 정보는 채용 담당자에게 어떤 신호가 되는가. 이 연구는 실제 채용 경험이 있는 응답자가 가상 지원자 두 명 중 면접에 초대할 사람을 선택하는 실험으로 AI 역량의 신호 가치를 살펴본다.

핵심 요약

첫째, Stephany, Teutloff와 Leone(2026)는 채용 경험이 있는 1,725명을 대상으로 가상 이력서 쌍을 비교하는 설문 실험을 실시했다. 사무 보조, 그래픽 디자이너, 소프트웨어 엔지니어를 대상으로 AI 역량의 표기 방식과 연령·학력 조건을 바꾸었다. 결과는 실제 면접 초대나 채용 건수가 아니라 실험 안에서 어느 지원자를 선택했는지에 관한 것이다.

둘째, 논문은 AI 역량 신호가 면접 대상으로 선택될 확률을 대략 8~15퍼센트포인트 높인다고 요약한다. 이는 상대적인 8~15% 증가나 임금 상승률이 아니다. 직무와 자격 증명 방식에 따라 결과가 달라지며, 그래픽 디자인에서의 효과는 더 약하다.

셋째, 공식 인증이 언제나 자기보고보다 확실히 우월한 것은 아니다. 불리한 조건이 없는 지원자에서는 AI 역량을 표시했다는 사실 자체가 더 큰 차이를 만들고, 인증 발급 주체 사이의 차이는 작거나 불확실하다. 낮은 학력의 사무 보조 지원자에서는 대학 발급 인증이 특히 유리한 패턴을 보이지만, 이를 모든 직무에서 학위가 필요 없다는 결과로 확대할 수 없다.

넷째, 이 연구는 2026년 3월 수정된 arXiv 프리프린트다. 동료심사를 마친 학술지 논문으로 확인되지 않았다. AI 교육을 받은 사람의 실제 능력이나 취업 성과를 실험한 연구가 아니라, 이력서에 제시된 정보가 평가에 미치는 영향을 실험한 연구라는 구분이 핵심이다.

배경 및 이론적 맥락

채용 담당자는 지원자의 실제 생산성과 적응력을 직접 관찰하기 어렵다. 학력, 경력, 자격증, 이력서의 설명을 통해 이를 추정한다. 논문은 이러한 신호 이론을 AI 역량에 적용한다. AI 관련 정보를 제시하는 것이 기술 변화에 대응할 준비나 업무 수행 잠재력을 알리는 신호로 기능하는지가 질문이다.

여기에는 두 가지 구분이 필요하다. 하나는 실제 능력을 키운 효과와 능력이 있다고 표시한 효과의 구분이다. 다른 하나는 AI 역량 자체의 표기와 그 역량을 인증하는 발급 기관의 추가 신호를 구분하는 것이다. 이 연구의 실험이 직접 다루는 것은 후자에 가까운 채용 판단이다. 교육이 인적 자본을 얼마나 축적했는지는 측정하지 않는다.

생성형 AI로 매끄러운 지원서를 만들기 쉬워지면 문서의 품질만으로 지원자의 능력을 추정하기 어려워질 수 있다. 논문은 이러한 정보 혼탁의 문제를 배경으로 삼으면서도, AI 역량을 명시한 신호가 여전히 평가받는지 검토한다. 다만 이력서 표기의 효과가 확인된다고 해서 지원서의 진실성 문제나 인증의 질 문제가 해결되었다는 뜻은 아니다.

연구 방법론

조사는 2025년 8~9월 Prolific을 통해 실시되었다. 응답자는 인사 담당자, 팀 리더, 관리자 등 전문적인 채용 의사결정 경험이 있는 사람으로 선별되었다. 최종 표본은 1,725명이다. 부록 D의 국가 구성표는 영국 921명, 미국 729명, 독일 58명, 국가 무응답 17명으로 보고한다. 본문 표본 설명은 영국과 미국만 열거해 전체 표본 구성 설명이 완전히 일치하지 않는다. 여기서는 부록의 수치를 기준으로 하며, 국가별 대표 표본으로 보지 않는다.

응답자는 나란히 제시된 두 가상 이력서 가운데 면접에 초대할 사람 한 명을 선택했다. 논문은 1인당 10~15개의 비교와 총 22,195개의 이력서 쌍 비교를 보고한다. 부록의 설문 흐름은 15개 과제를 설명한다. 응답자는 직무와 6개월 계약·무기한 계약 조건에 배정되었으며, 실제 지원자에게 연락하거나 채용한 것은 아니다.

AI 조건은 표기 없음, 자기보고, LinkedIn Learning 인증, 대학 발급 마이크로크리덴셜, 기술기업 발급 인증의 다섯 가지다. 역량 설명은 직무에 맞추었다. 사무 보조에는 일정 관리와 보고 자동화, 그래픽 디자인에는 AI 이미지 도구와 시각적 아이디어 개발, 소프트웨어 엔지니어에는 AI 디버깅과 언어모델 API 활용 등이 들어갔다. 따라서 단일한 ‘AI를 안다’라는 문구만의 효과는 아니다.

일부 비교에서는 약 60세 지원자를 약 32세 지원자와 비교하거나 낮은 학력 지원자를 높은 학력 지원자와 비교했다. 일부 우위 지원자에게는 AI가 아닌 직무 관련 인증도 주어, 인증의 일반적 효과와 AI 관련 신호를 구분하려 했다. 이력서 내용은 생성형 AI를 활용해 구성했고, 경력과 직무 관련성 등의 일관성을 검토했다. 실험 처치는 역량 표기와 그에 맞는 경력 설명을 포함한 정보 묶음으로 읽어야 한다.

분석은 지원자 수준과 이력서 쌍 수준의 로지스틱 회귀를 사용한다. 직무, 계약 형태, 불리한 조건, 인증 등을 고려하며, 같은 채용 담당자가 여러 번 응답한 의존성을 반영하기 위해 응답자 수준의 군집 표준오차를 사용한다. 채용 담당자의 AI 사용과 태도는 별도로 조사했다. 이러한 담당자 특성 자체는 무작위 배정한 처치가 아니다.

연구 결과

불리한 연령·학력 조건이 없는 비교에서 두 지원자가 동등하게 선택된다면 기준은 0.50이다. 직무를 합친 분석에서 대학 인증과 기업 인증 조건의 예측 선택 확률은 각각 약 0.61과 0.62다. 자기보고나 LinkedIn 인증과의 신뢰구간은 상당 부분 겹친다. 인증 조건의 점추정치가 높다는 사실만으로 모든 인증이 자기보고보다 통계적으로 확실히 우월하다고 단정하지 않는다.

직무별 차이도 크다. 불리한 조건이 없는 소프트웨어 엔지니어의 AI 표기 조건은 자기보고 약 0.60에서 LinkedIn 인증 약 0.71의 예측 확률을 보인다. 사무 보조는 대략 0.55~0.60이며, 그래픽 디자이너의 자기보고는 0.50 부근이다. 따라서 초록의 8~15퍼센트포인트 요약을 모든 직무와 모든 표기 방식에 공통으로 적용할 수 없다.

나이가 많은 지원자의 AI 표기 없는 조건은 동등 선택 기준인 0.50보다 낮은 예측 선택 확률을 보인다. 일부 AI 인증 조건에서는 이 확률이 0.50 부근으로 올라간다. 낮은 학력의 사무 보조 지원자에서는 대학 인증의 유리한 패턴이 두드러진다. 이 결과는 설정된 경쟁 상대와 이력서 조건 안에서 불리함이 완화될 수 있음을 뜻한다. 실제 연령 차별이 사라졌거나 학위의 가치가 전반적으로 대체되었다는 증거는 아니다.

AI를 자주 사용하는 채용 담당자는 AI 역량을 표시한 지원자를 더 많이 선택했다. 높은 사용 집단에서 AI 역량을 표시한 소프트웨어 엔지니어의 예측 확률은 약 0.75에 접근한다. 그러나 담당자의 사용 경험은 실험적으로 조작되지 않았다. 담당자에게 AI 교육을 제공하면 같은 변화가 생긴다는 인과효과와는 다르다.

자유응답 분석에서도 직무별 평가 차이가 나타난다. 그래픽 디자인 조건에서는 AI 역량에 대한 부정적 반응이 43.8%, 긍정적 반응이 49.0%로 보고되며, 다른 두 직무보다 부정적 비중이 높다. 이는 창작에서 AI 사용에 대한 우려와 약한 선택 효과가 함께 나타난다는 자료다. 창작의 진정성 우려가 효과를 일으킨 유일한 원인이라고 확정한 매개효과는 아니다.

결론 및 의의

첫째, 이 논문의 가장 직접적인 기여는 ‘AI가 일자리를 없애는가’라는 총량 질문과 다른 차원의 증거를 제시한 데 있다. 특정 일자리의 지원자를 평가할 때 AI 역량을 나타내는 정보가 선택에 영향을 줄 수 있다. 노동 수요 전체가 증가했는지, 신규 채용 자리가 더 생겼는지, 초급 직무의 규모가 회복되었는지는 이 설계가 답하지 않는다. 지원자 간 상대적 평가가 유리해지는 것과 전체 취업 기회가 늘어나는 것은 다른 현상이다.

둘째, 실험에서 확인한 인과효과의 대상은 실제 능력이 아니라 제시된 정보다. 응답자는 지원자가 업무를 수행하는 모습을 보지 않았다. AI 활용 능력과 관련 경력을 이력서에 표시한 정보 묶음에 반응했다. 이를 ‘AI 수업을 들으면 취업 확률이 15% 높아진다’로 번역하면 처치, 결과, 단위를 모두 바꾸게 된다. 논문이 보여주는 것은 가상 비교 안에서의 선택 효과이며, 교육의 취업 수익률은 별도의 추적 연구가 필요하다.

셋째, 강제 선택 방식의 확률은 현실의 절대 면접 확률이 아니다. 두 명 중 한 명을 반드시 고르므로 두 후보의 선택은 서로 연결된다. 0.50은 모든 구직자가 현실에서 절반의 확률로 면접을 본다는 뜻이 아니다. 실제 채용에서는 아무도 초대하지 않거나 여러 명을 초대할 수 있고, 지원자 수와 공석 수, 내부 인력과의 경쟁도 작동한다. 이 실험의 확률을 개인의 구직 성공 예측치로 제시하지 않아야 한다.

넷째, 인증의 추가 가치를 과장하지 않는 것이 교육기관에 특히 중요하다. 불리한 조건이 없는 지원자에서는 AI 역량 표기 자체의 가치가 크고 발급 기관 간 차이는 불확실하다. 낮은 학력의 사무 보조 지원자에서 나타난 인증의 유리한 패턴은 대상과 직무를 특정한 결과다. 대학이 모든 학생에게 동일한 AI 인증을 제공해야 한다거나 고가 인증일수록 효과가 크다는 결론은 없다. 인증의 비용 대비 효과와 실제 학습의 질은 이 연구에서 평가하지 않았다.

다섯째, 대학 수업의 적용 질문은 자격증 개수를 늘리는 것보다 전공 업무와 AI 역량을 어떻게 연결할지에 있다. 학생이 어떤 작업에 AI를 사용했고, 결과를 어떤 기준으로 검증했으며, 오류를 어떻게 수정했는지를 설명하는 과제를 설계할 수 있다. 사무 업무의 자동화, 시각적 결과물의 검토, 코드의 테스트처럼 직무별로 다른 검증 과정을 요구하는 방식이다. 이는 논문으로부터 도출한 교육 설계 제안이지, 해당 과제가 학습이나 취업 성과를 높인다고 이 실험이 검증한 것은 아니다.

여섯째, 신입 졸업자의 진입에 관한 함의도 구분해서 읽어야 한다. 논문의 젊은 지원자는 대략 32세이며 직무 관련 경력이 제시되어 있다. 무경력 대학 졸업생만을 대상으로 한 실험이 아니다. 졸업 예정자가 자신의 AI 활용 경험을 직무 언어로 구체화할 수 있다는 가설은 세울 수 있지만, 그 신호가 부족한 실무 경력을 얼마나 보완하는지는 아직 모른다. 연령 비교의 결과를 곧바로 신입 구직자에게 적용해서는 안 된다.

일곱째, 신호의 가치와 검증 가능한 능력을 함께 다루어야 한다. 자기보고만으로도 선택에 영향을 주는 결과는 낮은 비용의 역량 표현이 중요할 수 있음을 보여준다. 그러나 이는 실제로 갖추지 않은 능력을 표시하라는 조언이 아니다. 교육기관은 학생이 자신의 기여와 AI의 기여를 구분하고, 도구 없이 설명할 수 있는 원리와 도구를 사용해 검증할 수 있는 절차를 함께 갖추도록 도울 수 있다. 이러한 평가 방식의 효용은 후속 실험으로 확인해야 한다.

여덟째, 창작 직무에서의 약한 효과는 AI 교육을 줄여야 한다는 뜻으로도 바로 연결되지 않는다. 채용 담당자가 도구 활용과 창작 능력의 관계를 어떻게 해석하는지가 중요할 수 있다. 결과물의 출처, 사용 권한, 수정 판단, 미적 선택의 이유를 보여주는 과정 자료가 도움이 되는지 시험할 수 있다. 논문은 이런 포트폴리오 처치를 비교하지 않았으며, AI를 사용하지 않는 창작이 항상 더 우수하다는 품질 평가도 수행하지 않았다.

아홉째, 담당자의 AI 사용에 따른 차이를 모두 편견으로 부를 수는 없다. 사용 경험이 많은 담당자가 관련 역량의 효용을 더 잘 이해할 수도 있고, 자신의 선호를 과도하게 투영할 수도 있다. 실험은 두 설명을 분리하지 않는다. 기업은 직무별 평가 기준과 실제 작업 검증을 마련하는 방향을 검토할 수 있으나, 채용 담당자의 AI 사용을 늘리는 것만으로 채용의 질이나 공정성이 개선된다고 단정할 근거는 없다.

열째, 접근성의 문제는 여전히 남는다. 일부 지원자의 불리함을 완화할 수 있는 신호라도, 교육 시간과 비용, 도구 접근권, 인증의 인지도가 불균등하면 새로운 격차가 생길 수 있다. 논문이 이러한 장기적 불평등 변화나 한국 노동시장의 효과를 직접 추정한 것은 아니다. 교육정책의 판단에는 프로그램 비용, 실제 역량 향상, 참여 가능성, 취업 이후 성과를 함께 확인해야 한다.

열한째, 후속 연구는 실제 지원과 면접, 채용, 임금, 입사 후 성과로 이어지는 경로를 확인해야 한다. 무경력 졸업생을 별도로 포함하고, AI 역량의 실제 수준과 표기 여부를 분리하며, 동일한 학습 내용에 서로 다른 인증을 붙이는 실험도 필요하다. 여러 직무와 국가에서 반복하고, AI 역량 표기가 보편화된 이후에도 신호의 차별화 가치가 유지되는지 추적할 수 있다. 이 논문에서 얻을 가장 유용한 결론은 ‘AI 인증이 취업을 보장한다’가 아니라 ‘어떤 역량의 증거를 어떤 직무의 평가자가 어떻게 읽는가’를 교육과 채용의 공동 질문으로 삼아야 한다는 것이다.

참고문헌

Stephany, F., Teutloff, O., & Leone, A. (2026). AI skills improve job prospects: Causal evidence from a hiring experiment (Version 2) [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2601.13286

2026년 3월 4일 수정된 버전 2를 기준으로 했다. 원문과 부록을 확인했으며, 학술지 게재 및 동료심사 완료는 확인되지 않았다. 연구진의 결과와 이 글에서 도출한 해석·적용 제안을 구별했다.

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.