AI가 일자리를 없앨까? 생산성 향상과 노동시장의 실제 변화

요즘 AI 이야기를 하다 보면 빠지지 않는 질문이 있다.

“AI가 결국 사람의 일자리를 빼앗게 될까?”

ChatGPT가 처음 대중화됐을 때만 해도 AI는 질문에 답하고 글을 써주는 도구에 가까웠다. 지금은 코드를 작성하고, 자료를 조사하고, 보고서를 만들고, 고객 문의를 처리하며, 여러 작업을 이어서 수행하는 AI Agent까지 빠르게 확산되고 있다.

그래서 관심도 자연스럽게 바뀐다. AI가 얼마나 똑똑한지보다 AI 때문에 내가 하는 일이 어떻게 달라질지가 더 현실적인 문제가 됐다.

그런데 지금까지 나온 연구들을 보면 상황은 생각보다 단순하지 않다. 개별 업무에서는 생산성이 크게 오르는 사례가 분명히 관찰되지만, 국가 전체의 생산성이 AI 때문에 폭발적으로 증가했다고 말하기는 아직 어렵다. 노동시장에서도 대규모 일자리 붕괴는 보이지 않지만, 신입과 일부 AI 노출 직무에서는 변화의 신호가 점점 선명해지고 있다.

생산성

AI가 실제 업무 생산성을 높일 수 있다는 증거는 꽤 쌓였다.

Stanford AI Index 2026가 정리한 연구들을 보면 고객지원 업무에서는 시간당 처리량이 약 14~15% 증가했고, 소프트웨어 개발에서는 산출량이 약 26%, 마케팅 콘텐츠 제작에서는 약 50% 증가한 사례가 보고됐다.

특히 결과를 비교적 쉽게 확인할 수 있고 업무 구조가 명확한 분야에서 효과가 크게 나타난다.

고객센터를 생각하면 이해하기 쉽다. 기존에는 상담원이 질문을 읽고, 매뉴얼을 찾고, 과거 사례를 검색한 뒤 답변을 직접 작성했다. AI를 사용하면 관련 정보를 먼저 정리하고 답변 초안까지 만들어준다. 사람은 내용을 검토하고 필요한 부분을 수정한다.

이 경우 AI가 상담원의 직업을 통째로 대신한 것은 아니다. 대신 검색과 정리, 초안 작성에 쓰이던 시간을 줄였다.

초보자에게 효과가 더 크게 나타나는 경우도 있다. 고객지원 상담원을 대상으로 한 NBER 연구에서는 생성형 AI 도구가 평균 생산성을 14% 높였는데, 신입·저숙련 근로자의 향상 폭은 34%에 달했다. 숙련자의 효과는 상대적으로 작았다.

거시경제 생산성

여기서 한 단계 넓혀 보면 조금 이상한 현상이 나타난다.

개인과 기업에서는 “AI 덕분에 일이 빨라졌다”는 경험이 늘고 있는데, 국가 경제 전체의 생산성 통계에서는 아직 AI 혁명이라고 부를 만큼 뚜렷한 변화가 보이지 않는다.

이때 말하는 노동생산성(Labor Productivity)은 보통 노동시간 한 단위당 얼마나 많은 부가가치를 생산했는지를 의미한다. 직원 한 사람이 빨라졌다는 체감과 달리, 거시경제 생산성은 산업 전체의 산출량과 노동시간을 함께 보는 개념이다.

또 하나 자주 나오는 개념이 다요소생산성(Multifactor Productivity, MFP)이다. 생산 증가분 중 노동시간 증가나 설비·자본 투입만으로 설명되지 않는 부분을 나타낸다. 기술 발전, 업무 방식 개선, 조직 혁신 같은 요소가 여기에 영향을 준다.

OECD의 2026 생산성 보고서에 따르면 OECD 전체의 노동생산성 증가율은 2023년 약 0.6%에서 2024년 1.2%로 높아졌다. OECD는 AI가 일부 부정적 요인을 상쇄했을 가능성을 언급했지만, 이 증가분을 AI의 효과로 직접 산정하거나 인과관계로 확정한 것은 아니다.

즉 개별 업무의 생산성 향상과 거시경제 생산성 향상 사이에는 시간차가 존재할 수 있다.

생산성 역설

이런 현상을 설명할 때 자주 등장하는 것이 생산성 역설(Productivity Paradox)이다.

새로운 기술은 눈에 띄게 발전하고 기업의 투자도 크게 늘어나는데, 정작 공식 생산성 통계에서는 그 효과가 잘 보이지 않는 현상을 말한다.

AI를 회사에 도입한다고 해서 다음 날부터 회사 전체가 빨라지는 것은 아니다. 직원들이 사용법을 익혀야 하고, 기존 업무 프로세스를 바꿔야 하며, 내부 시스템과 연결해야 한다. 보안과 개인정보 정책도 다시 만들어야 하고, AI가 만든 결과를 어떻게 검증할지도 정해야 한다.

한 직원의 보고서 작성 시간이 4시간에서 2시간으로 줄었다고 해도 조직 전체에서는 교육, 검토, 시스템 통합, 프로세스 재설계 같은 비용이 동시에 발생한다.

그래서 개별 업무에서는 큰 효과가 보여도 기업이나 국가 수준에서는 효과가 늦게 나타날 수 있다.

Productivity J-Curve

이 시간차를 설명하는 대표적인 이론이 Productivity J-Curve다.

Erik Brynjolfsson, Daniel Rock, Chad Syverson은 Productivity J-Curve 연구에서 AI 같은 범용기술(General Purpose Technology)이 제대로 효과를 내기 위해서는 새로운 업무 프로세스, 제품, 비즈니스 모델, 교육 같은 보완 투자가 필요하다고 설명한다.

문제는 이런 투자의 상당수가 무형자산이라 공식 통계에 즉시 잘 잡히지 않는다는 점이다.

초기에는 AI를 도입하면서 비용은 들어가지만 효과는 아직 충분히 나타나지 않는다. 그래서 측정되는 생산성이 정체되거나 기대보다 낮게 보일 수 있다. 이후 조직과 업무 구조가 AI에 맞게 재편되면 그동안 쌓아둔 투자의 효과가 나타나면서 생산성이 상승한다.

AI 도입 → 학습·통합·업무 재설계 → 초기 생산성 정체 → 조직 적응 → 생산성 상승

그래프로 그리면 초반에 내려갔다가 이후 크게 올라가는 J자 형태가 되기 때문에 J-Curve라는 이름이 붙었다.

PC와 인터넷도 단순히 장비를 구입하는 것만으로 생산성을 높인 것이 아니다. 회사가 문서를 만들고, 정보를 공유하고, 의사결정을 하는 방식 자체가 바뀌면서 효과가 나타났다. AI도 비슷한 과정을 거칠 가능성이 있다.

일자리

생산성이 올라가면 자연스럽게 다음 질문이 나온다.

“같은 일을 더 적은 사람으로 할 수 있다면 결국 사람이 줄어드는 것 아닐까?”

일부 업무와 직무에서는 실제로 그럴 수 있다. 하지만 현재까지의 데이터를 보면 AI 때문에 경제 전체에서 대규모 고용 감소가 발생했다고 말할 정도의 증거는 없다.

Stanford Digital Economy Lab의 2026년 연구 역시 미국의 수백만 명 규모 급여 데이터를 분석한 결과, 경제 전체에서 광범위한 AI발 일자리 감소는 확인하지 못했다고 설명한다.

대신 고용 변화는 특정 연령과 직무에 집중돼 나타나고 있다.

주니어 노동시장

현재 가장 눈에 띄는 신호는 신입과 초기 경력자다.

Stanford 연구에서 AI 노출도가 높은 직종에 종사하는 22~25세의 고용은, 같은 연령대의 AI 노출이 낮은 직종 고용이 증가한 속도를 따라갔다고 가정했을 때의 경로보다 약 19% 낮았다.

이 숫자를 “AI 때문에 청년 일자리가 19% 사라졌다”라고 해석하면 안 된다. 절대 고용이 19% 줄었다는 의미가 아니며, 연구진 역시 이를 AI의 인과효과로 확정하지 않고 초기 경고 신호를 보여주는 기술적(descriptive) 결과로 제시한다.

다만 변화가 해고보다는 신입 채용 감소를 통해 나타나고 있다는 점은 흥미롭다. 기존 직원을 대량으로 내보내기보다 새로 뽑는 인원을 줄이는 방식으로 조정이 진행되고 있다는 것이다.

왜 주니어에게 먼저 영향이 나타날 가능성이 있을까?

많은 조직에서 신입은 자료 조사, 단순 분석, 문서 초안, 기본 코드 작성, 테스트, 고객 문의 같은 비교적 정형화된 업무로 경험을 쌓는다. 그런데 지금의 생성형 AI가 가장 잘하는 업무도 이 영역과 상당 부분 겹친다.

경력자 한 명이 AI를 이용해 과거에 여러 명이 나눠 하던 초안 작성과 자료 조사를 처리할 수 있다면 기업 입장에서는 신입 채용 규모를 다시 계산할 수 있다.

초보자 효과

그런데 여기에는 역설이 하나 더 있다.

AI는 신입이 담당하던 업무를 자동화하는 동시에, 초보자의 능력을 가장 크게 높여주는 도구이기도 하다.

앞서 언급한 고객지원 연구에서 AI의 효과가 숙련자보다 신입과 저숙련 근로자에게 훨씬 컸던 이유도 비슷하다. AI가 경험 많은 직원의 업무 방식과 지식을 초보자에게 빠르게 전달하는 역할을 하기 때문이다.

따라서 AI는 동시에 두 가지 방향으로 작용한다.

  • 신입이 하던 정형화된 업무의 일부를 자동화한다.
  • 남아 있는 신입의 생산성과 학습 속도를 크게 높인다.

이 둘 중 어느 효과가 더 커질지는 직종과 기업의 운영 방식에 따라 달라질 수 있다.

Automation과 Augmentation

AI와 일자리 문제를 이해할 때 중요한 구분이 Automation과 Augmentation이다.

Automation은 사람이 하던 업무를 AI가 대신하는 것이다. 문서 분류, 단순 고객 문의, 기본적인 데이터 정리처럼 사람의 개입이 거의 필요 없는 형태가 이에 가깝다.

Augmentation은 사람이 AI를 이용해 자신의 능력을 확장하는 것이다. AI가 자료를 정리하고 초안을 만들어주지만 최종적인 분석과 판단은 사람이 하는 방식이다.

Stanford의 최신 고용 분석에서는 AI가 주로 자동화에 사용되는 직업에서 초기 경력자 고용이 상대적으로 약했고, AI가 사람을 보조하는 형태로 많이 사용되는 직업에서는 같은 현상이 뚜렷하지 않았다.

따라서 “AI 노출도가 높은 직업은 위험하다”보다 그 직업에서 AI를 어떤 방식으로 사용하고 있는가가 더 중요한 변수일 수 있다.

AI Agent

AI Agent의 확산은 이 논쟁을 한 단계 더 복잡하게 만든다.

기존 생성형 AI는 하나의 작업을 보조하는 경우가 많았다. 사람이 자료를 찾아오면 AI가 요약하거나, 사람이 요청하면 코드를 작성하는 식이었다.

Agent는 목표를 받은 뒤 자료 검색, 분석, 코드 작성, 파일 생성, 외부 도구 실행 같은 여러 단계를 이어서 수행할 수 있다.

2026년 NBER의 Chaining Tasks, Redefining Work 연구는 이를 Task Chaining 관점에서 설명한다. 생산 활동은 여러 단계로 이루어져 있는데, AI가 연속된 단계들을 하나의 체인으로 묶어 수행할 수 있게 되면 AI 성능의 작은 향상이 직업 수준에서는 비선형적인 생산성 증가로 이어질 수 있다는 것이다.

예를 들어 처음에는 AI가 보고서 초안만 작성했다고 해보자.

다음에는 자료 조사도 한다. 그다음에는 데이터를 분석하고 그래프를 만든다. 이후 결과를 문서로 정리하고 관련자에게 전달하는 단계까지 연결할 수 있다.

개별적으로 보면 작은 자동화이지만, 서로 붙어 있던 업무가 연속해서 자동화되면 직업 안에서 사람이 담당하는 부분 자체가 크게 달라질 수 있다.

체감과 측정

AI를 사용한다고 항상 생산성이 올라가는 것도 아니다.

METR의 무작위 대조실험에서는 익숙한 오픈소스 저장소에서 작업한 숙련 개발자 16명이 2025년 초의 AI 도구를 사용했을 때 작업 시간이 평균 19% 늘었다. 참가자들은 실제로 느려졌는데도 AI가 자신을 약 20% 빠르게 만들었다고 생각했다. 다만 이 결과는 특정 도구와 숙련 개발자, 246개 과제에 한정된 연구이므로 소프트웨어 개발 전체로 일반화해서는 안 된다.

AI가 빠르게 결과를 만들어주는 것과 실제 업무가 빨리 끝나는 것은 다르다. 생성된 결과를 읽고, 틀린 부분을 찾고, 다시 수정하는 검증 비용이 있기 때문이다.

그래서 AI의 생산성 효과는 단순히 모델이 얼마나 똑똑한지만으로 결정되지 않는다.

업무의 성격 × AI 성능 × 사용자의 숙련도 × 검증 비용

이 조합에 따라 결과가 크게 달라진다.

기업의 선택

기업 입장에서 생산성 향상은 또 다른 계산이 된다.

직원 10명이 각각 100만큼의 일을 해 총 1,000을 생산하던 회사가 있다고 해보자. AI 도입으로 한 명이 150만큼의 일을 하게 됐다면 회사의 생산능력은 1,500으로 늘어난다.

회사가 빠르게 성장하고 있고 주문도 늘어난다면 사람을 그대로 유지한 채 더 많이 생산할 수 있다.

반대로 시장에서 필요한 생산량이 여전히 1,000이라면 기업은 더 적은 인원으로 같은 산출량을 만드는 선택을 할 수 있다.

따라서 생산성 향상이 반드시 고용 감소로 이어지는 것도 아니고, 반드시 고용 증가로 이어지는 것도 아니다. 생산성이 오를 때 제품과 서비스의 수요가 얼마나 함께 증가하는지가 중요하다.

Stanford AI Index 2026에서는 조사 대상 조직의 약 3분의 1이 향후 1년 동안 AI 때문에 인력이 줄어들 것으로 예상했다. 반면 거의 절반은 큰 변화가 없을 것으로 전망했다. 기대 자체도 아직 크게 갈리고 있는 셈이다.

조직 구조

개인적으로 AI가 가져올 변화 중 가장 흥미로운 부분은 전체 직업의 소멸보다 조직의 피라미드 구조 변화다.

전통적인 조직에서는 소수의 경력자 아래에 여러 명의 중간 경력자와 신입이 있고, 신입은 비교적 단순한 업무를 맡으며 경험을 쌓았다.

그런데 경력자 한 명이 AI와 Agent를 이용해 자료 조사, 초안 작성, 분석, 코드 작성 같은 업무를 상당 부분 처리할 수 있게 되면 과거와 같은 수의 주니어가 필요하지 않을 수도 있다.

그러면 조직은 넓은 피라미드보다 경력자와 소수 인력이 AI를 활용하는 구조로 조금씩 이동할 가능성이 있다.

하지만 여기에 장기적인 문제가 생긴다. 신입을 적게 뽑으면 몇 년 뒤 경력자가 될 사람도 줄어든다. 기업은 단기적인 생산성 향상과 장기적인 인재 육성 사이에서 새로운 균형을 찾아야 한다.

일자리의 재구성

현재까지의 데이터를 보면 “AI가 모든 사람의 일자리를 없앤다”는 주장도, “AI는 단순한 보조 도구라 일자리에는 별 영향이 없다”는 주장도 둘 다 지나치게 단순하다.

보다 현실적인 변화는 직업을 구성하는 업무가 하나씩 다시 배치되는 것에 가깝다.

AI가 잘하는 업무는 자동화되거나 크게 축소되고, 사람은 판단, 책임, 협상, 관계 형성, 복잡한 문제 해결처럼 현재의 AI가 상대적으로 어려워하는 부분에 더 많은 시간을 사용하게 될 수 있다.

2026년 현재 전체 노동시장에서 AI 때문에 광범위한 일자리 붕괴가 나타났다고 보기는 어렵다. 하지만 초기 경력자와 자동화 비중이 높은 일부 직업에서는 변화의 신호가 분명해지고 있다. 동시에 개별 업무에서는 상당한 생산성 향상이 관찰되고 있고, Agent가 여러 업무를 연결하기 시작하면서 자동화의 단위도 점차 커지고 있다.

그래서 앞으로 중요한 질문은 “AI가 내 직업을 없앨까?” 하나로 끝나지 않는다.

“내 직업을 구성하는 업무 중 무엇이 자동화되고, 무엇이 AI로 강화되며, 그 결과 조직은 사람을 어떻게 다시 배치하게 될까?”

아마 AI 시대의 일자리 변화는 직업 하나가 갑자기 사라지는 모습보다, 이렇게 업무와 조직의 구조가 조금씩 재구성되는 형태로 먼저 나타날 가능성이 크다.

참고 자료

관련 글

추천 글