핵심 요약
이 보고서는 캐나다 노동력조사(LFS)의 월별 흐름 자료로 생성형 AI 시대의 채용률과 이직률을 추적한다. 2006년 1월부터 2026년 8월까지 15~64세 임금근로자를 대상으로, 직업을 AI 노출도와 상호보완성에 따라 나누어 채용률과 이직률의 경로를 비교했다. 고용이라는 스톡 지표가 포착하지 못하는 노동 재배치의 신호를 흐름 지표에서 찾으려는 시도다.
핵심 결과는 두 가지다. 첫째, 젊은 근로자(15~29세)의 채용률은 AI 노출도와 무관하게 지난 5년간 하락했다. 상호보완성이 높은 고노출 직업에서 2.9%에서 2.5%로, 상호보완성이 낮은 고노출 직업에서 3.2%에서 3.0%로, 저노출 직업에서 4.0%에서 3.3%로 내렸다. 둘째, 이직률은 노출 그룹과 무관하게 대체로 안정적이었다.
예외적인 움직임은 코딩 집약 직업에서 나타났다. 데이터 과학자, 소프트웨어 개발자 등을 묶은 이 하위 집단의 젊은 근로자 채용률은 2.5%에서 1.9%로 하락해 다른 그룹보다 감소폭이 컸다.
고용 스톡에서 구조적 단절이 보이지 않는다는 이전 분석과 결합하면, 캐나다 노동시장에서는 AI 관련 충격이 대량 해고나 전면적 채용 동결이 아니라, 일부 직업에서의 신규 유입 둔화라는 완만한 형태로 나타나고 있다.
배경 및 이론적 맥락
AI의 고용 효과 논쟁은 대부분 고용률이나 공석 같은 스톡 지표에 의존해 왔다. 그런데 노동시장은 매달 상당한 규모의 유입과 유출이 동시에 일어나는 재배치의 공간이다. 순고용 변화가 없어 보여도 채용 감소와 이직 감소가 상쇄되고 있을 수 있고, 그 반대일 수도 있다. 초기 신호는 흐름에서 먼저 나타난다는 것이 이 분석의 출발점이다.
측정에는 상호보완성 조정 AI 직업 노출 지수(C-AIOE)가 쓰였다. Felten 등이 개발하고 Pizzinelli 등이 상호보완성 차원을 추가한 이 지수는 직업이 AI에 의해 대체될 가능성과 보완될 가능성을 구분한다. 이론적으로 대체 가능성이 높은 직업에서는 채용 감소와 이직 증가가, 보완 가능성이 높은 직업에서는 그 반대가 예상된다. 이 보고서는 그 예상이 캐나다 자료에서 성립하는지를 점검한다.
연구 방법론
자료는 캐나다 통계청 노동력조사로, 2006년 1월부터 2026년 8월까지의 10개 주 임금근로자다. 신규 채용자는 재직 기간이 한 달이라고 답한 응답자로 정의하고, 채용률은 전체 임금근로자 대비 신규 채용자의 비중으로 계산한다. 이직률은 신규 채용에서 순고용 변화를 뺀 값으로 추정한다. 계절조정된 6개월 이동평균을 사용한다.
직업은 C-AIOE 지수에 따라 고노출-고보완, 고노출-저보완, 저노출의 세 그룹으로 나누고, 코딩 집약 직업을 고노출-저보완 그룹의 하위 집단으로 별도 분리한다. ChatGPT 공개 시점인 2022년 11월을 기준으로 전후 경로를 비교하되, 연령대(15~29, 30~49, 50~64)를 구분해 진입 단계 효과를 분리한다. 기술적 분석이므로 인과 추정보다는 체계적인 시계열 비교에 가깝다.
연구 결과
채용률의 하락은 젊은 층에서 모든 노출 그룹에 걸쳐 나타났다. 2022년 11월 이전 6개월과 2026년 8월 이전 6개월을 비교하면, 15~29세의 채용률은 고노출-고보완 직업에서 2.9%에서 2.5%로(-0.4%p), 고노출-저보완 직업에서 3.2%에서 3.0%로(-0.2%p), 저노출 직업에서 4.0%에서 3.3%로(-0.7%p) 하락했다. 하락폭이 가장 큰 곳이 AI 노출이 가장 낮은 직업군이라는 점이 첫 번째 관찰이다.
예외는 코딩 집약 직업이다. 데이터 과학자, 소프트웨어 개발자, 정보시스템 전문가 등으로 구성된 이 하위 집단의 젊은 근로자 채용률은 2.5%에서 1.9%로 하락했다(-0.6%p). 고노출-저보완 직업 전체의 감소(-0.2%p)보다 세 배 크고, 절대 수준으로도 모든 그룹 중 가장 낮아졌다. 30~49세와 50~64세의 채용률은 젊은 층보다 낮은 수준에서 대체로 안정적이었다.
이직률은 다른 그림을 보여준다. 15~29세의 이직률은 고노출-고보완 직업에서 약 2.2%로 2022년 11월 이전과 2026년 8월 이전이 거의 같았고, 이는 최소 지난 20년의 관찰 범위 안에 있다. 고노출-저보완 직업은 평균 약 2.9%, 저노출 직업은 약 3.2%로 각각 역사적 범위 안에서 안정적이었다. 코딩 집약 직업의 이직률은 2.4%에서 3.5%로 상승했지만 표본이 작아 변동성이 컸다고 저자들은 명시한다.
무효 관찰도 결과의 일부다. 해고를 포함한 이직의 급증은 어느 노출 그룹에서도 관찰되지 않았고, 연장자층의 흐름은 젊은 층의 패턴을 낮은 수준에서 그대로 따라갔다. 같은 저자들의 선행 분석(Mehdi and Frenette 2026)이 고용과 공석이라는 스톡에서 구조적 단절을 찾지 못한 것과 결합하면, 캐나다에서는 스톡, 유입, 유출의 세 지표 중 유입, 그것도 특정 직군의 유입에서만 뚜렷한 변화가 나타난다.
결론 및 의의
저자들의 해석은 신중하다. 그들은 이 결과를 AI의 광범위한 고용 충격의 증거로 제시하지 않으며, 노출 그룹 간 발산의 부재와 코딩 직군의 예외적 채용 둔화라는 두 관찰을 병렬로 보고한다. 이 보고서의 가치는 해석보다 측정에 있다. 스톡 지표로는 보이지 않던 직군별 유입 경로의 차이를 20년 시계열 위에서 확인할 수 있게 했다.
우리가 덧붙일 해석은 세 가지다. 첫째, 젊은 층 채용 둔화의 AI 귀인 서술은 캐나다 자료에서 지지가 약하다. 저노출 직업의 하락폭이 가장 크다는 것은 금리 인상기의 총수요 둔화와 팬데믹 이후 채용 과열의 정상화가 지배적 요인임을 시사한다. AI 효과는 수준 변화가 아니라 노출 그룹 간 상대 변화에서 읽어야 하는데, 그 상대 변화는 코딩 직군을 빼면 작다.
둘째, 코딩 직군의 패턴, 즉 채용 감소와 변동성 큰 이직률 상승의 조합은 미국의 신규 졸업자 증거와 같은 방향이다. 기업이 기존 인력을 유지하면서 유입을 줄이는 조정 방식은 해고보다 진입 장벽의 형태를 띤다. 이것이 지속된다면 측정된 실업률보다 진입 대기 청년의 체감 경기가 먼저 악화된다.
셋째, 정책 설계의 함의다. 조기경보는 고용률이 아니라 연령-직군별 유입률로 만들어야 하고, 코딩 직군처럼 표본이 작은 세부 직군의 흐름은 변동성 때문에 단기 해석을 자제해야 한다. 코딩 직군 이직률의 상승(2.4%→3.5%)이 실제 악화인지 소표본 잡음인지는 후속 파동이 가를 문제다.
응용의 한계도 명확하다. 노출 지수는 잠재적 노출이지 실제 도입이 아니며, 같은 직업 내에서도 기업별 도입 격차가 크다는 기업 조사 증거가 있다. 이직률은 순고용 변화에 의존하는 간접 측정이다. 캐나다 결과를 한국에 적용하는 것은 검증되지 않은 응용이다. 청년 진입 구조와 산업 구성이 다르므로 방향만 참고해야 한다. 통계청 연구 간행물로 학술지 동료심사 대상이 아니라는 점도 감안해야 한다.
참고문헌
Mehdi, T., & Frenette, M. (2026). Hiring and job separation rates in the era of generative artificial intelligence: Early evidence. Economic and Social Reports, Statistics Canada. https://doi.org/10.25318/36280001202601000003-eng
캐나다 통계청 연구 간행물(2026년 10월 28일 공개)로 학술지 동료심사 대상은 아니다. 잠재 노출 지수 기반의 기술적 분석이다. 본문은 해당 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.