유명한 사례 연구에서는 AI에 노출된 직업의 젊은 노동자가 줄었다. 그러나 노르웨이 전체 직업을 노출도 순서로 세우면 같은 감소가 나타나지 않는다.
핵심 요약
첫째, Hernæs와 Kostøl(2026)은 노르웨이 민간부문 고용 전수 행정자료로 생성형 AI 노출이 높은 직업에서 젊은 노동자의 고용이 줄었는지를 검토한다. IZA Discussion Paper No. 18767의 2026년 6월본으로, 동료심사를 거치지 않은 워킹페이퍼다.
둘째, 분석 자료는 2021년 1월부터 2026년 2월까지의 월별 고용 기록이다. 직업은 4자리 STYRK-08 코드로 나누고, 주된 AI 노출 지표는 Eloundou 등(2024)의 GPT-4 노출 점수다. 모든 직업을 노출도 순서의 5분위로 나눈 뒤 21~30세, 31~40세, 41~50세, 51~60세 연령집단별로 고용을 비교한다.
셋째, 전체 결과는 AI 고용 위기를 보여주지 않는다. 2022년 10월부터 2026년 2월까지 노출이 가장 높은 직업의 고용은 0.1% 늘었고, 가장 낮은 직업은 0.3% 늘었다. 두 증가율의 차이는 작고 통계적으로 유의하지 않다.
넷째, 선택된 직업만 보면 다른 그림이 나온다. 소프트웨어 개발자와 고객서비스 상담원에서는 21~30세 고용이 2022년 10월 대비 줄었다. 반면 전체 직업을 분위로 비교하면 21~30세에서 노출 최상위 분위가 최하위 분위보다 뒤처지지 않는다. 소프트웨어 개발 같은 사례가 전체 직업으로 일반화되지 않는다는 뜻이다.
다섯째, 자동화형 사용 지표로 나누면 가장 젊은 집단에서 더 부정적인 기울기가 보이지만, 개별 추정치는 유의하지 않다. 저자들은 이를 확정적 결과가 아닌 시사적 증거로 해석한다. 사전 추세, 금리 인상, 코로나 이후 정보기술 수요 조정 같은 다른 요인을 분리하지 못한다는 점도 분명히 밝힌다.
배경 및 이론적 맥락
이 논문의 출발점은 Brynjolfsson 등(2025)의 ‘탄광 속 카나리아’ 가설이다. 채용과 신규 진입은 기존 재직자의 고용보다 빠르게 조정되므로, AI가 초급 업무를 대체한다면 젊은 노동자의 고용이 먼저 줄 것이라는 생각이다. 미국 급여자료 연구는 AI에 가장 노출된 직업의 22~25세 노동자에서 상대적 고용 감소를 보고했다.
이론적 기준은 과업 기반 모형이다. AI는 사람이 하던 과업을 자동화할 수 있다. 동시에 남은 과업의 생산성을 높이고 새로운 과업을 만들 수도 있다. 따라서 순고용 효과는 대체, 생산성 증가, 새 과업 창출의 균형에 달려 있고, 사전에 부호가 정해지지 않는다. 저자들은 Gans와 Goldfarb(2025), Imas와 Shukla(2026)가 말한 과업 보완성도 언급하지만, 이 논문의 분석에서는 직업별 노출 점수가 선형적으로 합산된다고 보고 이 문제를 따로 다루지 않는다.
노르웨이는 AI 사용이 많은 나라로 소개된다. 논문은 2026년 보고서 기준 AI 사용 세계 3위, 유럽 개인 생성형 AI 사용 1위, 기업 AI 도입 비율 2021년 11%에서 2025년 30%로 증가했다는 외부 자료를 인용한다. 반면 임금 협상은 비교적 집중되어 있고 고용 보호가 강하므로, 조정이 임금보다 고용량에서 나타날 가능성이 크다고 본다.
이 논문은 AI의 노동시장 효과를 확정하는 논문이 아니다. 만들려는 것은 모니터링 도구에 가깝다. AI 능력이 빠르게 변하므로 한 번의 추정으로 결론을 내리기보다, 전수자료로 월별 격차를 계속 추적하자는 접근이다. 저자들은 이를 위해 공개 대시보드 kiindeksen.no를 운영한다.
연구 방법론
자료는 노르웨이 고용주 월별 보고체계 A-ordningen에서 만든 ARBLONN 등록부다. 자영업을 제외한 공식 고용 전체를 포괄하며 월 약 310만 건의 고용 기록이 있다. 분석은 microdata.no에서 내려받은 직업×연령×월 집계표와, Frisch Centre의 개인수준 자료를 이용한 검증으로 나뉜다. 고용은 해당 월에 양의 현금 소득이 있는 급여 고용으로 정의된다. 5명 미만 셀은 집계표에서 가려져 0으로 처리되므로 실제 0과 가림 처리가 섞인다.
표본은 민간부문 21~60세다. 21세 미만은 교육 이행의 영향이 크고 60세 초과는 은퇴 시점의 영향이 커서 제외했다. 연령은 21~30세를 초기 경력, 51~60세를 고경력으로 둔 10년 단위 4개 집단이다. 공공부문은 같은 노출 분위라도 실제 직업 구성이 크게 달라 합쳐서 비교하지 않았다. 고용은 2022년 10월을 1로 둔 지수로 나타내고, 계절 요인은 2021~2024년의 평균 편차로 조정했다.
AI 노출은 세 가지 방식으로 측정한다. 주된 지표는 Eloundou 등(2024)의 GPT-4 노출 점수로, 2023년 초 기준 이론적 LLM 노출을 뜻하며 자동화나 실직 위험이 아니다. 또 Handa 등(2025)의 Claude 사용 기반 자동화와 증강 점수를 이용한다. 두 지표는 미국 SOC 코드에서 ISCO-08을 거쳐 STYRK-08에 연결되며, 이 과정에서 Eloundou 점수 연결 코드의 57.7%에 부분 일치가 있다. 이 점은 측정오차의 가능성이 크다.
추정은 세 단계다. 첫째, 노출 분위별 고용 지수를 그린다. 둘째, 연령집단별로 직업과 월 고정효과를 둔 Poisson 사건연구와 차이의 차이 모형을 추정한다. 셋째, 개인수준 자료에서 기업×분위와 기업×월 고정효과를 둔 모형을 추정해 기업 내 재배치와 기업 구성 변화를 구분한다. 처치 이전 추세가 평행하지 않기 때문에 Rambachan과 Roth(2023)의 HonestDiD 민감도 분석도 사용한다. 이 설계는 AI 도입을 직접 관찰하지 않고 직업 노출을 처치의 대리변수로 쓴다.
연구 결과
첫째, 전체 연령을 합친 민간부문에서는 노출 최상위 분위가 최하위 분위와 뚜렷이 벌어지지 않았다. 2025년 12월~2026년 2월 평균을 2022년 10월과 비교한 분위별 고용 변화에서 최상위와 최하위의 차이는 -0.21%포인트이고 표준오차는 2.38이다. 대시보드의 ‘KI-지수’는 -0.2다. 한 달씩 자료 범위를 늘려 다시 계산하면 이 수치는 약 +1.7에서 -0.2 사이를 움직이며, 모든 시점에서 0과 구별되지 않는다.
둘째, 사례 직업은 다르다. 소프트웨어 개발에서는 2022년 11월 이전에 고용이 늘다가 이후 31~40세와 51~60세는 계속 늘었고, 41~50세는 평탄해졌으며, 21~30세는 빠르게 감소했다. 논문은 젊은 소프트웨어 개발자의 1인당 감소율을 약 18%로 제시하며 이를 미국의 -20%와 스웨덴의 원자료 -44%와 비교한다. 고객서비스는 더 약한 같은 방향을 보인다. 전기기사와 방문 요양보호사 같은 저노출 직업에서는 젊은 노동자의 감소가 없다.
셋째, 연령별 분위 비교에서는 사례 직업의 감소가 일반화되지 않는다. 21~30세에서 최상위 분위의 사후-사전 차이는 +0.021(표준오차 0.022)로 유의하지 않다. 31~40세는 +0.078로 1% 수준에서 유의한 양의 값이고, 41~50세는 -0.015, 51~60세는 +0.010이며 모두 유의하지 않다. 신규 채용도 어느 연령집단에서도 체계적인 기울기가 없다.
넷째, 기업 내 추정도 같은 방향이다. 기업 고정효과 모형에서 최상위 분위의 고용 계수는 21~30세에서 0과 구별되지 않고, 31~40세는 +0.050, 41~50세는 -0.021로 10% 수준에서만 유의하다. 집계표 기반 추정과 개인수준 자료 기반 추정의 차이는 어느 연령집단에서도 최대 0.003 로그포인트다. 자료원이 결과를 좌우하지 않는다는 뜻이다. 기업 규모 20명 이상 제한은 초기 경력 계수를 +0.020에서 +0.010으로 낮춘다.
다섯째, 처치 이전 추세는 평행하지 않다. 최상위 분위의 사전 경로 변동폭은 연령집단에 따라 0.11~0.18 로그포인트이고, 이는 사후 변화만큼 크거나 더 크다. HonestDiD 분석에서 21~30세 추정의 기존 신뢰구간이 이미 0을 포함하므로, 모든 강건 구간도 0을 포함한다. 저자들은 이를 ‘뒤집을 음의 효과가 없는, 비교적 정확한 영(0)’으로 읽는다. 다만 이것이 AI 효과가 없다는 증명은 아니다.
여섯째, 자동화와 증강을 나누면 약한 시사점이 있다. 자동화 노출 최상위 분위는 모든 연령집단에서 음의 점추정치를 보이고 가장 젊은 두 집단에서 격차가 벌어지는 듯하지만, 개별 추정치는 유의하지 않다. 증강 노출은 31~40세에서 양의 유의한 값이 있다. 22~25세만 따로 본 Brynjolfsson 등의 설계 복제에서는 평균 격차가 약 3 로그포인트로 작지만, 2025년 봄 이후 최상위 분위가 떨어져 2026년 2월에 약 35 로그포인트까지 벌어진다. 논문은 이 복제에서 사전 추세가 기각된다고 밝힌다.
일곱째, 임금 지표에서도 뚜렷한 분기는 없다. 다만 6월 휴가수당과 12월 상여로 계절성이 커서 이 결과는 약한 증거다. 저자들은 노르웨이의 2단계 임금교섭과 강한 고용 보호를 근거로, 조정이 일어난다면 임금보다 고용량에서 먼저 나타날 가능성이 크다고 해석한다.
결론 및 의의
결과를 먼저 구분한다. 논문이 보고한 사실은 세 가지다. 전체 민간부문에서는 AI 노출이 높은 직업의 고용이 노출이 낮은 직업보다 뚜렷이 덜 늘지 않았다. 소프트웨어 개발과 고객서비스에서는 젊은 노동자의 고용이 줄었다. 그러나 전체 직업을 노출 분위로 나눈 21~30세 비교에서는 같은 감소가 없다. 이 세 사실은 서로 모순되지 않는다. 선택된 직업의 감소는 실제이지만, 노출이 높은 모든 직업의 일반 규칙은 아니라는 뜻이다.
이 결과의 가장 큰 의의는 사례 연구의 일반화 한계를 보여준 점이다. 소프트웨어 개발처럼 AI 도구의 영향을 받기 쉬운 직업은 눈에 띄는 사례가 된다. 그러나 사례 직업은 연구자의 선택에 달려 있다. 전수 분포를 쓰면 같은 사례를 전체 직업의 맥락에 놓고 평가할 수 있다. 신규 졸업자 취업 논의에서도 특정 직업군의 감소와 노동시장 전체의 감소를 구분해야 한다는 점이 분명해진다. 이는 앞서 다룬 연구들과 이 논문을 구별하는 지점이기도 하다. 이 논문은 새 인과 설계보다 전수 분포와 지속 관측을 제안한다.
이론적으로는 순효과가 사전에 정해지지 않는다는 기존 틀을 지지한다. 대체가 있어도 생산성 증가와 새 과업이 상쇄할 수 있다. 다만 이 논문은 그 세 경로를 분리해 측정하지 않았다. 따라서 ‘영(0)에 가까운 순효과’를 ‘AI가 대체하지 않는다’로 읽을 수 없고, ‘AI가 증강한다’로 읽는 것도 근거가 없다. 자동화 지표에서 보이는 약한 음의 기울기는 방향성이 있는 가설일 뿐, 이 자료에서 확정된 결과가 아니다.
이 논문의 해석에서 가장 조심해야 할 부분은 외부 요인이다. 노르웨이 중앙은행은 정책금리를 2021년 9월 0%에서 2024년 1월 4.5%로 올렸고, 코로나 이후 디지털 서비스 수요도 조정되었을 수 있다. 논문은 이 요인들이 소프트웨어 개발 감소를 AI 없이도 만들 수 있다고 인정한다. 또 노동자가 AI에 노출된 직업을 스스로 피하는 공급 측 재배치도 같은 패턴을 낼 수 있다. 이 연구는 이 세 경로를 AI의 수요 측 대체와 분리하지 못한다.
교육과 AI 수업에 주는 시사점은 이 논문이 직접 검증한 것이 아니라는 전제로 읽어야 한다. 이 논문은 학습, 수업, 교육과정을 분석하지 않았다. 가능한 해석은 이렇다. 학생에게 ‘AI에 노출된 직업은 위험하다’는 단순한 메시지를 주기보다, 직업 안에서 어떤 과업이 자동화되고 어떤 과업이 증강되는지를 분해해 보게 할 수 있다. 논문이 보여준 자동화와 증강의 구분이 그 출발점이 될 수 있다. 이는 검증되지 않은 적용이다.
수업 활동으로는 직업 노출 점수를 그대로 믿지 않고 비판적으로 읽게 하는 과제를 생각할 수 있다. 예를 들어 학생이 한 직업의 과업 목록을 만들고, 이론적 노출 점수와 실제 사용 기반 점수가 어떻게 다를 수 있는지 논의한다. 논문이 지적한 것처럼 Eloundou 점수는 2023년 초의 이론적 능력 평가이고, Handa 점수는 Claude 사용자 대화 기반이어서 직장 도입과 다를 수 있다. 이는 이 논문의 내용을 수업으로 옮긴 제안이며 효과는 검증되지 않았다.
신규 졸업자 진입에 대해서는 이 논문이 ‘안심’과 ‘경고’를 동시에 준다. 전체 직업 분포에서 21~30세의 고용 감소가 확인되지 않는다는 점은, 노동시장 전체에서 신규 진입이 붕괴했다는 서술을 뒷받침하지 않는다. 한편 소프트웨어 개발처럼 일부 직업에서는 젊은 층 고용이 줄었으므로, 전공과 직업 선택에 따른 위험은 다를 수 있다. 다만 이 자료는 졸업 시점, 전공, 학력, 첫 일자리를 관찰하지 않는다. 21~30세 전체 고용이므로 신규 졸업자 진입 효과로 바꿔 읽을 수 없다.
한국 상황에 적용하는 일은 더 조심해야 한다. 노르웨이는 임금 교섭이 집중되어 있고 고용 보호가 강하며 AI 사용률이 높은 나라다. 한국의 대졸 신규 채용, 대기업 공채, 인턴 제도, 수시 채용 구조는 다르다. 노르웨이에서 영에 가까운 순효과가 나왔다고 해서 한국에서도 같다고 말할 수 없다. 반대로 한국의 감소를 AI 탓으로 돌릴 근거도 아니다. 이 논문이 한국 졸업생에게 주는 직접 증거는 없다.
한계는 다음과 같다. 첫째, 직업 노출은 개인이나 기업의 실제 AI 도입이 아니다. 둘째, 처치 이전 추세가 평행하지 않아 결과를 기술적 증거로 읽어야 한다고 저자들도 밝힌다. 셋째, 연령집단은 10년 단위여서 신규 졸업자나 22~25세만을 정확히 보지 못한다. 넷째, 5명 미만 셀의 가림 처리, 부분 일치가 많은 코드 연결, 직업 재분류 가능성이 측정오차를 만든다. 다섯째, 자료가 2026년 2월까지여서 이후 변화는 알 수 없고, AI 능력도 계속 달라지고 있다. 여섯째, 공공부문과 자영업은 분석에서 제외된다.
이 논문에 대한 읽기 방식의 주의점도 있다. 논문 초록의 ‘영(0)’은 ‘효과 없음’의 증명이 아니라 ‘검출되지 않음’이다. 또 이 글에서 인용한 22~25세 복제 결과는 사전 추세가 기각되는 보조 분석이므로 주 결과와 같은 비중으로 읽으면 안 된다. 수치도 직업 분위의 고용 지수이지 신규 졸업자 채용률이 아니다.
후속 연구는 다섯 방향이 가능하다. 첫째, 실제 AI 도입을 관찰하는 기업 수준 자료와 연결해 노출과 도입을 분리해야 한다. 둘째, 졸업 연도, 전공, 첫 일자리를 포함한 졸업생 코호트 자료로 신규 졸업자 진입을 직접 측정해야 한다. 셋째, 금리와 산업 수요의 충격을 통제하는 설계가 필요하다. 넷째, 자동화와 증강을 직업 단위가 아닌 과업 단위로 측정해야 한다. 다섯째, 대시보드처럼 계속 갱신되는 지표가 이후 자료에서 실제로 분기하는지 추적해야 한다. 이 모든 것이 이 논문이 열어 둔 질문이며, 이 글이 답을 제시하는 것은 아니다.
참고문헌
Hernæs, Ø., & Kostøl, A. R. (2026). Has AI widened employment gaps? Tracking early-career employment by occupational exposure in Norway (IZA Discussion Paper No. 18767). IZA Institute of Labor Economics. https://docs.iza.org/dp18767.pdf
IZA 논문 PDF 본문과 부록, RePEc 서지정보를 확인했다. 이 논문은 DOI가 확인되지 않아 정확한 PDF 주소를 적었다. IZA는 이 시리즈가 예비 연구이며 수정될 수 있다고 명시한다. 본 리뷰는 논문이 보고한 사실, 저자들의 이론적 해석, 그리고 아직 검증되지 않은 교육·졸업자 진입 적용을 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.