핵심 요약
Facius와 Iacono(2026)은 노르웨이 행정 등록부 전수 자료로 생성형 AI가 초기 경력 근로자를 대체했는지를 검증한다. 2015년 1월부터 2025년 3월까지, 18~66세 정규직 근로자 약 1억 1,300만 근로자-월, 사전 기간 약 140만 명의 고유 근로자를 관찰한다. 2022년 11월 ChatGPT 공개를 가용성 충격으로 삼고, 22~25세를 초기 경력 집단으로 설정한다.
서술적 패턴은 기존 가설과 일치한다. AI 노출 상위 4분위 직업과 하위 4분위 직업의 고용 격차는 젊은 근로자에서 ChatGPT 이후 크게 벌어져, 2025년 초에는 고노출 직업의 고용이 저노출 직업보다 2022년 10월 대비 약 20%p 낮았다. 26세 이상에서는 반대 부호다.
그러나 세 가지 준실험 설계는 강건한 대체를 찾지 못한다. 기업 내 구성 이중차분은 22~25세에서 음(-0.07)이지만 불유의하고 잡음이 크다. 직업 수준 합성 이중차분의 22~25세 고용 ATT는 -0.013(95% CI [-0.083, 0.058])이다. 14개 추정 셀 중 유의한 두 셀은 모두 양의 값이다.
결정적인 위조 검정이 결론을 만든다. 처리 시점을 2019년 하반기로 거짓 설정한 역산에서 22~25세 고용 ATT는 -0.030으로 실제 추정치보다 절댓값이 크다. 2022년 이후의 하락은 AI 효과가 아니라 기존 세속 추세의 연속으로 읽어야 한다는 것이다. 이 논문은 CESifo 워킹페이퍼(12752)로 동료심사를 거치지 않았다.
배경 및 이론적 맥락
초기 경력 대체 가설은 생성형 AI가 진입 직무의 코딩된 과업을 먼저 수행하기 때문에 신규 진입자가 가장 취약하다고 예측한다. 미국 자료의 선행 연구들은 노출 직업에서 젊은 근로자의 고용과 채용 둔화를 보고했고, 이것이 AI 시대 노동시장 논쟁의 중심 그림이 됐다.
노르웨이는 이 가설의 강한 검정대다. 전수 등록부 자료는 표본 오차를 없애고, 임금 압축과 고용 보호가 강한 제도는 미국과 다른 조정 경로를 제공한다. 미국발 발견이 제도적으로 일반화되는지를 별도로 확인할 필요가 있고, 이 논문은 그 확인을 세 설계의 교차 검증으로 수행한다.
연구 방법론
자료는 노르웨이 행정 등록부다. 직업별 AI 노출은 Massenkoff와 McCrory(2026) 지수로 측정하고 Eloundou et al.(2024) 지수로 견고성을 본다. 직업을 노출 4분위로 나누고 연령을 일곱 구간으로 나누며, 결과 변수는 고용 인원과 실질 월급여(2025년 9월 NOK 기준)다.
설계는 세 갈래다. 기업 내 구성 이중차분은 같은 기업 안에서 고노출·저노출 직업의 구성 변화를 비교한다. 직업 수준 합성 이중차분은 396개 직업(사전 반기 평균 25명 이상 필터로 처리 89개, 대조 261개)에 대해 500회 위조 부트스트랩으로 추정한다. 기업 수준 시프트-셰어는 2015년 직업 포트폴리오로 이후 고용 동태를 예측한다. 모든 설계에 2019년 하반기 역산 위조 검정을 적용한다.
연구 결과
서술 단계에서는 연령 기울기 예측이 그대로 보인다. 22~25세에서 고노출(Q4) 대 저노출(Q1) 고용 격차는 ChatGPT 이후 확대되어 2025년 초 약 20%p에 이르고, 26세 이상에서는 부호가 반대다. 이 그림만으로는 대체 가설이 성립하는 것처럼 보인다.
기업 내 구성 이중차분은 방향만 확인한다. 22~25세의 고노출 직업 고용 변화는 -0.07로 음이지만 통계적으로 불유의하고 매우 잡음이 크다. 균형 패널 제한 때문에 초기 경력 집단의 식별 셀이 45개로 줄고, 대상이 구조적으로 다각화된 대기업으로 제한된다는 점도 명시된다.
합성 이중차분은 효과가 사실상 없음을 보여준다. 22~25세 고용 ATT는 -0.013으로 신뢰구간이 0을 충분히 포함한다. 일곱 연령 구간과 두 결과 변수의 14개 셀 중 p<=0.05인 셀은 31~34세 고용(+0.039)과 50대 이상 임금(+0.014)뿐이며 둘 다 양의 값이다. 어느 연령 집단에서도 강건한 음의 효과가 없다.
역산과 견고성 검사가 해석을 고정한다. 2019년 하반기 거짓 처리의 22~25세 고용 ATT는 -0.030으로 실제 추정치보다 크다. Eloundou 지수로는 결과가 더 약해지고, 처리를 중앙값 초과로 재정의한 경우와 2026년 1분기까지 연장된 SSB 직업 패널에서도 실제 추정치가 역산 위조에 체계적으로 지배된다. 2022년 이후 고노출 직업의 동태는 대부분 기존 추세의 연속이다.
결론 및 의의
저자들의 해석은 신중하다. 젊은 근로자의 계수는 기존 문헌과 같은 음의 방향이지만 작고 불유의하며, 역산 검정은 그마저 AI 기간의 단절로 읽는 것을 배제한다. 저자들은 '강건한 대체의 증거 없음'이라는 제한된 명제만을 주장하며, 서술적 격차가 인과 추정 없이 인용될 때 생기는 과잉 해석을 경고한다.
방법론적 기여는 역산(backdating)을 가용성 충격 설계의 표준 위조 검정으로 제시한 점이다. ChatGPT 공개일을 처리 시점으로 쓰는 연구는 날짜를 인위적으로 앞당겨 같은 추정을 반복해야 하며, 거짓 처리가 실제 추정보다 큰 효과를 내면 그 설계의 식별은 실패한다. 세 설계를 기업 내, 직업, 기업 수준으로 교차시킨 구성도 후속 연구의 참조가 된다.
기존 연구와의 관계는 긴장과 보완이 공존한다. 미국 기반의 초기 경력 대체 보고와 이 논문의 영(null) 결과는 제도 차이, 노출 측정, 설계의 전추세 처리 중 무엇에서 오는지를 남긴다. 유럽 등록부 기반 연구들 사이에서도 결론이 엇갈리므로, 이 논문은 단일 국가의 단일 설계 결과를 일반 법칙으로 읽는 관행에 대한 경고로 기능한다.
적용에는 조심이 필요하다. 정책적으로는 조기 개입 대 관망의 논의에서 '확인된 피해'의 증거 기준을 높인다. 개인에게는 집계 영 결과가 특정 직업이나 기업의 국지적 충격을 배제하지 않는다는 점이 중요하다. 이 적용들은 이 논문이 직접 검정한 내용이 아니라 우리가 덧붙이는 해석이다.
한계는 명확하다. 노출 지수는 잠재 노출이지 실제 도입이 아니고, 관찰은 2025년 3월에 끝나 도입이 본격화된 이후를 담지 못한다. 기업 내 설계는 생존한 대기업에 기울고, 노르웨이의 임금 압축 제도는 다른 노동시장으로의 일반화를 제한한다. CESifo 워킹페이퍼로 동료심사를 거치지 않았다.
참고문헌
Facius, D., & Iacono, R. (2026). Labor market consequences of generative AI: Early evidence from Norway (CESifo Working Paper No. 12752). CESifo. https://www.ifo.de/DocDL/cesifo1_wp12752.pdf
CESifo 워킹페이퍼(2026년 6월)로 동료심사를 거치지 않았다. 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.