핵심 요약
첫째, 이승일(2026)은 직업 단위 LLM 노출 측정치를 2018~2024년 노동자 패널 자료에 연결해 한국에서 생성형 AI 직업 노출과 임금 변화의 관계를 분석했다.
둘째, 연속형 이중차분(continuous difference-in-differences)과 사건연구 설계 모두에서, 기본 노출도가 높은 직업의 노동자일수록 2023년과 2024년에 실질 시간당 임금이 상대적으로 유의하게 하락했다.
셋째, 저자는 이 추정치가 실제 AI 도입의 인과적 효과가 아니라 잠재적 직업 노출도를 반영한다는 점을 명시한다.
이 논문은 동료심사 학술지 Applied Economics Letters에 2026년 10월 온라인 게재된 연구다.
배경 및 이론적 맥락
AI 노출과 임금의 관계는 미국 중심으로 축적되어 왔고, 한국 증거는 드물었다. 한국은 노르웨이 연구(Hernæs & Kostøl, 2026)가 인용한 바처럼 AI 사용률이 높은 국가로 꼽히는 만큼, 노출-임금 관계의 초기 신호가 나타날 조건을 갖추고 있다.
직업 노출도를 임금 변화와 연결하는 설계는 미국 연구들(예: AI 노출과 직업별 임금 분석)과 같은 계열이지만, 패널 자료를 사용해 개인 고정특성을 통제한다는 점에서 한 단계 나아간다.
연구 방법론
직업 단위 LLM 노출 측정치를 2018~2024년 노동자 수준 패널 자료에 다대다 직업 크로스워크와 가중 절차로 연결했다. 노출 측정의 출처와 매칭 범위는 온라인 부록에 보고되어 있다.
추정은 연속형 이중차분과 사건연구다. 노출도를 연속 변수로 두고 2022년 말 생성형 AI 확산 이전 대비 이후의 임금 변화가 노출도에 따라 달라지는지 본다. 결과 변수는 실질 시간당 임금이다.
연구 결과
2023년과 2024년에 기본 직업 LLM 노출도가 높은 노동자의 실질 시간당 임금이 통계적으로 유의하게 상대 하락했다. 사건연구 추정에서도 같은 패턴이 나타난다.
저자는 이 결과가 생성형 AI 초기 확산기에 노출이 큰 직업의 임금 변화가 상대적으로 더 부정적이었다는 해석이며, 실제 도입의 인과 효과가 아니라 잠재 노출의 반영이라고 제한한다.
결론 및 의의
이 연구는 한국 노동시장에서도 임금 마진의 초기 신호가 나타난다는 점을 보인다. 미국에서 보고된 젊은 노동자·고노출 직업의 상대적 악화와 같은 방향의 패턴이 한국 패널에서도 관찰된다는 점에서 국제적 비교 가치가 있다.
동시에 이 연구는 측정의 한계를 스스로 명시한다. 노출도는 잠재성의 측정이고, Bick 등(2026)이 보였듯 노출도는 실제 도입 변동의 일부만 설명한다. 따라서 임금 하락을 AI 도입의 효과로 읽는 것은 성급하며, 노출 직업에 작용한 다른 동시기 충격의 가능성을 열어 두어야 한다.
정책 적용에서, 고노출 직업 노동자의 임금 방어를 위한 제도 설계(전직 지원, 임금 보전, 훈련 바우처)를 논할 근거로 쓸 수 있지만, 어떤 제도가 효과적인지는 이 연구 밖의 문제다. 검증되지 않은 적용으로 분류한다.
한계는 짧은 사후 기간(2년), 노출 대리변수, 그리고 Applied Economics Letters의 짧은 논문 형식상 상세 메커니즘 분석이 제한된다는 점이다. 후속 연구는 한국 기업의 실제 도입 자료와 개인 임금의 연계, 연령·근속별 이질성, 더 긴 사후 기간의 추적이 필요하다.
참고문헌
Lee, S. (2026). Occupational exposure to generative AI and worker wages in Korea. Applied Economics Letters. https://doi.org/10.1080/13504851.2026.2744548
동료심사 학술지 게재 논문(2026년 10월 온라인 우선 게재)이다. 저자는 ChatGPT를 영어 문장 교정에 사용했음을 밝히고 내용 전체의 책임은 저자에게 있음을 명시했다. 본문은 해당 논문의 연구와 그로부터 도출한 해석만을 다룬다.
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.