기업의 고용이 늘어도 신입의 자리가 같은 속도로 늘어나는 것은 아니다. 이 연구는 생성형 AI 도입 이후의 고용 총량과 경력별 구성을 구분하고, 기업 수준의 성장과 경제 전체의 고용을 나누어 해석한다.
핵심 요약
첫째, Chandar와 Klein Teeselink(2026)는 41개국의 채용 공고와 온라인 직업 이력을 이용해 생성형 AI 도입 기업의 해외 사업체를 분석했다. 본문은 2026년 9월 20일자 워킹페이퍼이며, 동료 심사를 마친 학술지 논문으로 제시된 자료는 아니다.
둘째, 2026년 3월까지 AI 도입 기업의 해외 사업체에서 주니어 고용 비중은 비교 사업체보다 1.9%포인트 낮아졌다. 그러나 주니어 고용 인원에 대한 약 -2.5% 추정치는 통계적으로 유의하지 않았다. 경력직 고용의 약 6.7% 증가가 비중 하락의 주된 요인이었다. ‘주니어 비중 감소’를 곧바로 ‘그만큼 신입이 해고되었다’로 바꿀 수 없다.
셋째, 전체 고용은 약 3.3% 높은 것으로 추정되었지만, 유의성은 10% 수준에 그쳤다. 이것은 도입 사업체가 비교 사업체보다 성장했다는 결과이지, AI가 세계 전체의 일자리를 3.3% 늘렸다는 증거가 아니다.
넷째, 국가별 추정이 가능한 31개국 중 23개국에서 주니어 비중의 추정치가 음수였고, 7개국에서 유의했다. 직업별로는 컴퓨터·수학 직업의 고용 비중이 0.8%포인트 늘면서 그 직업 안의 주니어 비중은 3.3%포인트 줄었다. 성장하는 직업에서도 경력 초기 진입 경로가 좁아질 가능성을 보여준다.
배경 및 이론적 맥락
논문은 AI의 노동시장 효과를 세 경로로 설명한다. 노동 절약은 AI가 과업을 대신하거나 같은 산출에 필요한 노동을 줄이는 효과다. 노동 확장은 새로운 과업이 생기거나 특정 인력이 맡는 과업의 범위가 넓어지는 효과다. 규모 효과는 비용이 낮아진 기업이 판매와 생산을 늘리면서 노동 수요도 확대하는 효과다.
같은 기술은 한 기업 안에서도 어떤 인력의 수요를 줄이고 다른 인력의 수요를 늘릴 수 있다. AI에 많이 노출된 직업이라는 정보만으로 대체와 보완의 방향을 정할 수 없는 이유다. 기존 과업의 생산성 향상도 산출 수요와 과업 사이의 관계에 따라 노동 수요를 다르게 바꾼다.
기업의 성장과 경제 전체의 고용 역시 다른 대상이다. 도입 기업이 가격을 낮추고 경쟁 기업의 시장점유율을 가져오면 비교 기업보다 성장할 수 있다. 이때 경제 전체의 노동 투입이 증가했다고 단정할 수는 없다. 논문의 일반균형 모형은 임금, 가격, 노동 공급의 조정에 따라 기업 간 비교와 전체 고용의 방향이 반대가 될 수도 있음을 보여준다. 이는 이론적 가능성이지, 이 자료가 경제 전체의 고용 감소를 직접 입증했다는 뜻은 아니다.
연구 방법론
자료는 Revelio Labs가 공개 온라인 기록으로 구성한 채용 공고와 직업 이력이다. 직업 이력은 주로 LinkedIn 프로필에 기반한다. 전체 자료의 규모는 약 12억 5천만 건의 공고와 1억 5천4백만 개의 직위 기록이다. 개인 1억 5천4백만 명을 무작위로 추출한 조사라는 뜻은 아니다. 관측 기간은 2021년 1월부터 2026년 3월이다.
기본 패널은 41개국의 사업체 395,638개다. 사업체는 회사의 특정 국가 내 운영 단위다. 2022년 10월에 직위가 50개 이상이고 최소 세 직업을 포함하며, 관측 기간 내내 활동한 사업체 등을 남겼다. 도구변수 분석 대상은 본사와 다른 나라에 있는 해외 사업체 100,813개이며, 실제 매칭 비교에는 도입 사업체 26,102개와 고유 비교 사업체 27,697개가 들어간다. 자료 전체의 크기와 최종 추정 표본을 구분해야 한다.
AI 도입은 공고에서 추정한다. 생성형 AI 관련 용어를 포함한 후보 공고를 찾고, 언어모델로 실제 생성형 AI 사용·개발·경험 요구에 관한 공고인지 판별했다. 약 136만 건이 확인되었다. 2022년 11월 이후 관련 공고를 한 건 이상 낸 회사를 도입 기업으로 분류했다. 이것은 소프트웨어 사용 기록으로 직접 확인한 도입이 아니며, 공고 없이 AI를 사용하는 회사는 비교 집단에 섞일 수 있다.
주니어는 Revelio의 경력 수준 1~2단계인 entry와 junior, 경력직은 3~7단계로 정의했다. 분류는 직함, 회사·산업, 경력 이력과 나이 등을 결합한 추정이다. 따라서 주니어가 곧 최근 대학 졸업자이거나 특정 연령대인 것은 아니다.
같은 나라와 산업 안에서 도입 사업체마다 최대 다섯 비교 사업체를 매칭했다. 기준은 도입 전 고용 규모, AI 노출, 주니어 비중이다. 추가로 해외 사업체의 본사가 위치한 도시권에서 다른 다국적 기업들의 AI 도입률을 도구변수로 사용했다. 주변 기업의 도입이 본사와 해외 사업체로 확산된다는 논리다. 본사 도시권 단위로 표준오차를 군집화했다.
모든 도입 사업체의 공통 기준 시점은 실제 첫 사용일이 아니라 ChatGPT가 나온 2022년 11월이다. 2022년 10월 대비 변화의 사건연구를 추정하고, 2026년 3월을 최종 비교 시점으로 삼았다. 도구변수 추정의 인과 해석에는 주변 도입률이 해당 회사의 AI 도입을 통해서만 해외 사업체 고용에 영향을 준다는 배제 제약과 단조성 등이 필요하다. 조건이 성립할 때도 결과는 주변 환경 때문에 도입 여부가 달라지는 사업체의 국소적 효과이지 모든 기업의 평균 효과는 아니다.
연구 결과
주니어 비중은 1.9%포인트 감소했고, 도입 사업체의 기준 시점 고용가중 주니어 비중은 57.1%였다. 전자는 비중의 절대 변화이며 후자 대비로는 약 3.3%다. 전체 고용의 약 3.3% 증가 추정치와 숫자가 같아도 서로 다른 지표다. 고용 인원의 효과는 로그 계수를 논문처럼 대략적인 백분율로 표현한 값이다.
표 3에서 주니어 고용의 로그 계수는 -.025, 경력직은 .067, 전체는 .033이다. 경력직 증가는 1% 수준에서 유의하고 주니어 감소는 유의하지 않다. 전체 증가는 10% 수준에서만 유의하다. 주니어 비중 감소는 1% 수준에서 유의하다. 비중 하락이 확인되어도 인원 감소의 확실성이 같은 것은 아니다.
22개 직업군 중 21개에서는 전체 고용에서 차지하는 비중의 변화가 절댓값 0.5%포인트 미만이었다. 컴퓨터·수학 직업은 0.8%포인트 늘었고, 해당 직업 안의 주니어 비중은 3.3%포인트 줄었다. 여러 직업 비교에 대한 Bonferroni 보정 뒤에도 이 직업의 비중 증가와 주니어 비중 감소는 유의했다. 모든 노출 직업의 일자리가 일괄적으로 줄었다는 패턴은 아니다.
국가별 분석은 도구변수의 1단계 F 통계량이 10 이상인 31개국에 제한했다. 주니어 비중 감소는 23개국에서 음의 추정치였고, 미국·영국·스페인·폴란드·브라질·멕시코·사우디아라비아의 7개국에서 유의했다. 무작위효과 메타분석의 평균은 -1.1%포인트다. 이는 모든 41개국에서 같은 크기의 효과가 확인되었다는 뜻이 아니다.
모형을 이용한 분해에서 AI 노출이 가장 높은 경력직의 고용은 가장 낮은 경력직 대비 약 5% 증가했다. 이 추정은 5% 수준에서 유의했다. 주니어의 같은 비교는 약 -2%지만 최종 시점에서 유의하지 않았다. 전체 규모 효과의 약 2.5% 추정치 역시 유의하지 않았다. 이 분해는 낮은 노출 집단의 역할에 관한 가정과 1차 근사에 의존하므로 생산성을 직접 측정한 결과로 읽어서는 안 된다.
결론 및 의의
첫째, 가장 중요한 의의는 고용 비중과 고용 인원을 분리하는 데 있다. 신입 비중이 줄었다는 말은 신입 인원이 줄었거나 경력직 인원이 더 빨리 늘었거나 두 변화가 겹쳤다는 뜻이다. 이 연구에서는 경력직 증가가 더 분명하다. 신입의 상대적 위치가 약해진다는 해석과 신입 대규모 해고가 입증되었다는 주장은 다르다. 노동시장 분석과 대학의 진로 안내는 이 구분에서 출발해야 한다.
둘째, 성장하는 직업도 진입 기회가 자동으로 넓어지지는 않는다. 컴퓨터·수학 직업의 비중 증가와 그 안의 주니어 비중 감소가 함께 나타났다. 학생에게 특정 전공의 성장 전망만 설명하면 어떤 경력 단계가 그 성장을 얻는지 놓칠 수 있다. 다만 이 연구는 대학 전공별 취업률을 측정하지 않았으므로, 이를 특정 학과 진학의 수익률이나 졸업생 취업 확률로 환산해서는 안 된다.
셋째, AI 노출은 위험의 방향을 정하는 단일 점수가 아니다. 노출이 높은 경력직은 낮은 경력직보다 고용이 증가했다. 같은 직업 안에서 맡는 과업, 책임, 판단의 범위가 다르면 기술의 효과도 달라질 수 있다는 해석이다. 연구가 경력직의 어떤 능력 때문에 수요가 늘었는지 직접 관찰한 것은 아니다. 경험, 검토 능력, 관리 역할이 원인이라는 설명은 후속 검증이 필요한 가설이다.
넷째, 기업의 상대적 성장으로 사회 전체의 고용 효과를 평가해서는 안 된다. 도입 기업이 비교 기업보다 커지는 것은 새로운 수요를 만들었기 때문일 수도 있고 기존 수요를 가져왔기 때문일 수도 있다. 논문은 이 둘이 다른 추정 대상임을 이론적으로 보여준다. 실제 전체 고용, 임금, 노동시장 이탈을 판단하려면 대표성 있는 자료와 시장 간 연결을 포함한 연구가 필요하다. 여기의 3.3%를 국가 전체에 적용하는 것은 범위를 넘는 해석이다.
다섯째, 대학 교육에 대한 적용은 ‘AI 사용법을 배우면 취업 문제가 해결된다’가 아니다. 과업을 수행하는 것뿐 아니라 문제를 정의하고 결과의 근거를 검토하며 다른 사람에게 판단을 설명하는 훈련을 설계할 수 있다. 이는 경력 단계별 효과가 다르다는 결과에서 도출한 교육적 제안이다. 논문은 이런 수업을 실험하지 않았고 특정 교육이 신입 채용을 늘린다는 증거도 제공하지 않는다.
여섯째, 교육자는 도구가 대신한 과업 뒤에 학생에게 어떤 경험이 남는지 점검할 수 있다. 초안 작성이나 기초 분석이 자동화되면 학생이 완성물을 얻는 속도와 독립적인 판단을 배우는 속도가 같지 않을 수 있다. AI 없이 먼저 판단하고, AI 제안과 비교하며, 채택·거절의 이유를 기록하는 활동은 시험할 만한 설계다. 이 역시 본 연구가 측정한 학습 효과가 아니라 진입 경로의 변화에 대응하기 위한 가설이다.
일곱째, 기업과 대학이 함께 만드는 실습은 경력직을 흉내 내는 결과물보다 실제 책임의 범위를 단계적으로 늘리는 경험을 목표로 할 수 있다. 오류 찾기, 자료 확인, 작은 의사결정, 피드백에 따른 수정 과정을 학생의 작업으로 남기는 방식이다. AI가 줄인 초급 과업이 곧 훈련 기회의 감소로 이어지는지, 다른 과업으로 대체할 수 있는지는 이 논문만으로 알 수 없다. 멘토링과 현장 경험의 효과를 별도로 검증해야 한다.
여덟째, 큰 자료는 대표성 문제를 없애지 않는다. LinkedIn은 관리자와 전문직을 상대적으로 많이 포함하며 국가별 포착률도 다르다. 분석은 지속적으로 활동하고 일정 규모 이상인 해외 다국적 기업 사업체에 집중한다. 영세 사업체, 새 기업과 폐업, 비공식 노동, 온라인 프로필이 적은 노동자의 경험은 다를 수 있다. 한국의 대학 졸업자 전체에 같은 수치를 적용할 근거는 없다.
아홉째, 도입 측정은 행정 기록이 아닌 공고의 신호다. 회사가 공고를 내기 전에 이미 AI를 썼을 수 있고, 사용하면서도 공고를 전혀 내지 않을 수 있다. 모든 기업에 같은 2022년 11월 시점을 적용한 분석은 실제 도입 시점별 효과를 정확히 추적하는 설계와 다르다. 저자들은 이런 오분류가 효과를 약하게 보이게 할 가능성을 설명하지만, 그것을 확정된 보정 방향이나 ‘실제 피해는 더 크다’는 결론으로 바꿔서는 안 된다.
열째, 도구변수는 인과 추론의 시도이지 모든 대안 설명을 제거하는 장치가 아니다. 본사 지역의 경기, 조직 운영 방식의 모방, 노동시장 변화가 해외 사업체로 전달될 수 있다. 논문은 대체 도구변수, 직접 매칭 비교, 합성 차분의 차분 등으로 결과를 점검하지만 배제 제약은 완전히 검증할 수 없다. 강한 1단계 관계와 도입 전 추세 검사는 도움이 되나 이 가정을 증명하지는 않는다.
열한째, 신입 진입 문제를 더 정확히 알려면 고용 잔고에서 채용·퇴직·승진의 흐름으로 나아가야 한다. 이 연구의 주요 추정은 경력별 고용 수준과 비중이다. 비중 하락이 채용 감소, 승진, 이동, 퇴직 중 무엇으로 생겼는지 모두 식별한 것은 아니다. 최근 졸업자 여부, 구직 기간, 첫 직장의 질, 기업 내 훈련과 경력 이동을 연결하면 대학과 학생이 직면한 문제가 더 명확해진다.
열두째, 장기 결과는 아직 열려 있다. 관측 기간은 ChatGPT 출시 이후 약 3년이며, 임금과 훈련, 전공 선택과 기업 조직이 충분히 조정된 장기 균형은 아니다. AI 도입의 강도와 실제 사용 과업을 직접 측정하고, 대표성 있는 고용 자료와 교육 이력을 연결하는 후속 연구가 필요하다. 이 논문의 메시지는 ‘AI가 일자리를 늘린다’ 또는 ‘신입을 없앤다’ 중 하나를 고르는 것이 아니라, 어느 기업에서 어떤 경력 단계의 수요가 어떻게 바뀌는지 구분해서 묻자는 것이다.
참고문헌
Chandar, B., & Klein Teeselink, B. (2026). How does AI change labor demand? Evidence from 41 countries [Working paper]. SSRN. https://doi.org/10.2139/ssrn.7498743
2026년 9월 20일자 공개 워킹페이퍼 본문과 Stanford Digital Economy Lab·SSRN·Crossref 서지정보를 확인했다. 학술지 동료 심사 완료 논문으로 취급하지 않았다. 수치는 본문의 추정 결과이며, 교육 및 졸업자 진입에 관한 제안은 별도로 구분했다.
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.
답글 남기기