"일자리 90% AI로 가능" KDI 추정, 청년 일자리는 21만 개 줄었습니다

추정과 계획이 같은 날 나왔습니다

한 연구위원의 발표 제목은 「AI 시대 노동시장: 평가와 전망」이었습니다. 그는 2030년 이후에는 교수와 판검사 같은 전문직 직무도 기술적 자동화 가능 범위에 들어온다고 봤습니다. 이형일 재정경제부 1차관은 AI가 반복 업무 자동화를 넘어 스스로 목표를 세우고 업무를 조율하는 에이전트 단계로 가고 있다고 했고, 김세직 KDI 원장은 AI를 노동시장과 성장 기반을 근본적으로 흔드는 구조적 전환으로 규정했습니다.

같은 날 정부는 국가정책조정회의에서 AI 전환과 탄소중립 전환이 겹치는 복합 전환에 대응하는 5년 단위 법정 계획을 처음 내놨습니다. 국책연구기관의 추정과 그 추정을 전제로 예산을 짜는 부처의 계획이 하루 안에 함께 나왔습니다. 그래서 90·90이 어떤 계산에서 나왔는지는 이제 연구자들만의 관심사로 남지 않습니다.

90·90은 2023년 보고서의 계산입니다

90·90은 이번에 처음 나온 숫자가 아닙니다. 한 연구위원이 2023년 12월 낸 보고서 「인공지능으로 인한 노동시장의 변화와 정책방향」의 추정이고, 2024년 7월 토론회에서 처음 공개됐습니다. 계산은 국내 일자리를 세부 직무로 쪼갠 뒤, AI 전문가와 GPT-4에게 직무마다 AI가 수행할 수 있는지 평가하게 하는 방식이었습니다.

여기에 자동화를 막아 주는 병목 능력이라는 개념이 들어갑니다. 한 일자리에서 병목 능력이 차지하는 비중이 10%를 넘으면 그 일자리는 안전한 쪽으로 분류됩니다.

두 번 나오는 90은 서로 다른 값입니다. 앞의 90은 2030년에 안전하지 않은 쪽으로 분류되는 일자리의 비율이고, 뒤의 90은 기준 10%를 뒤집은 값입니다. 병목 능력이 10% 이하라는 말은 그 일자리 직무의 90% 이상을 AI가 할 수 있다는 말과 같습니다.

그래서 결론은 기준선 하나에 크게 기대고 있습니다. 기준을 5%로 낮추면 병목 능력이 5~10%인 일자리까지 안전한 쪽으로 넘어가 안전한 일자리가 늘어나고, 뒤의 90은 95가 됩니다. 20%로 올리면 안전한 일자리는 줄어들고 뒤의 90은 80이 됩니다. 90·90이 과장인지 따지는 논쟁도 이 10% 기준과 GPT-4·전문가 평가가 적절했는지를 따지는 일이 됩니다.

저자는 2023년에 이미 단서를 달았습니다

보고서에서 저자가 가장 공들여 쓴 대목은 결론보다 단서입니다. 기술적 자동화 가능성이 현실의 자동화로 곧바로 이어지지는 않는다고 명시했고, 기술을 도입하고 활용하는 데는 경제사회적 요인이 작용하며 같은 직무라도 대체로 갈지 생산성 강화로 갈지는 정해지지 않았다고 썼습니다. 전문직 안에서도 일정 수준 이상에서는 강화가, 경력 초기 일자리에서는 자동화가 일어날 가능성이 높다는 예측까지 달았습니다.

기술적 가능성과 실제 사용 사이의 간격은 앤트로픽이 3월 5일 낸 노동시장 보고서에 숫자로 나옵니다. 컴퓨터·수학 직군에서 AI가 이론상 수행할 수 있는 업무는 94%였지만, 실제 Claude 사용이 덮는 범위는 33%였습니다. 사무·행정 직군도 이론상으로는 90%였습니다.

이론상 94%와 실제 33% 사이의 61%포인트가 기업 안에서 왜 생기는지는 같은 날 다룬 글에서 짚었습니다. 경영진의 무관심, 직원이 체감하지 못하는 이득, 준비되지 않은 시스템, 쓰지 않아도 아무 일이 없는 조직이 원인으로 꼽혔습니다. 대한상의 6월 보고서에서는 생성형 AI 도입 로드맵이 없다는 중소기업이 70.4%였습니다.

기술적 가능성이 실제 자동화로 넘어가는 데는 세 겹의 조건이 걸립니다. 사람보다 AI를 쓰는 비용이 싸야 하고, 업무가 AI가 읽을 수 있는 형태로 정리돼 있어야 하며, 의료나 법률처럼 면허가 걸린 직무에서는 책임과 규제가 정리돼야 합니다. 비용이 먼저 떨어져도 업무 기록이 사람 머릿속과 메신저에 흩어진 조직에서는 도입이 시범 사업에서 멈추고, 조직이 준비돼도 면허가 걸린 직역은 제도가 막습니다. KDI의 90·90은 세 조건이 모두 풀린 세계를 잰 값입니다.

청년 일자리가 먼저 움직였습니다

국내 자료는 저자가 2023년에 달아 둔 단서대로 경력 초기부터 움직이고 있습니다. KDI 실증분석에서 AI 도입 확산은 총고용에는 영향을 주지 않았지만, 남성 30~44세와 여성 15~29세 같은 젊은 층의 고용과 임금에는 부정적 효과를 남겼습니다. 한국은행이 지난해 10월 낸 보고서는 더 구체적입니다.

두 연령대의 증감만 맞대면 차이는 2천 개입니다. 일자리 총량은 거의 그대로인데 일하는 사람의 나이 구성이 달라졌고, 총고용 지표만 보면 이 3년은 아무 일도 없던 시기로 기록됩니다. 보고서는 연차가 낮을수록 AI 활용에 따른 업무시간 감소율도 높았다고 적었습니다. 주니어의 정형화된 지식 업무부터 대체되고 시니어의 암묵지는 남는 이 현상을 연공편향 기술변화라고 부릅니다.

미국에서도 같은 방향의 측정이 먼저 나왔습니다. 스탠퍼드 디지털경제연구소는 미국 최대 급여대행사 ADP의 급여 대장을 분석해, AI 노출이 큰 직군의 22~25세 고용이 2022년 말 이후 13% 상대적으로 줄었고 같은 직군의 경력직 고용은 안정적이었다는 결과를 냈습니다. 젊은 소프트웨어 개발자는 고점보다 20% 가까이 빠졌습니다. 연구 제목이 「탄광 속 카나리아」이고, 연구진이 이 지표를 계속 갱신하는 대시보드로 공개하고 있어 한국 정부가 만들겠다는 대시보드의 원형이 됐습니다. 저는 지난해 8월 이 논문을 소개하며 이 추세가 이어지면 직업 시장에 미치는 영향이 클 거라고 적었고, 두 달 뒤 한국은행 보고서에서 같은 모양의 숫자가 나왔습니다. 미국 신입 개발자 시장의 변화는 22~25세 개발자 취업을 다룬 글에 따로 정리했습니다.

앤트로픽 보고서는 이 충격이 실업 통계로는 잘 잡히지 않는다는 점도 보여 줬습니다. 노출이 큰 직군의 젊은 층 실업률은 평평했지만, 22~25세가 노출 큰 직군에 새로 취업하는 비율은 2024년부터 갈라지기 시작해 노출이 없는 직군의 월 2% 안팎보다 0.5%포인트쯤 낮아졌습니다. 두 선의 차이를 출시 이전 기준선 대비로 따진 값은 챗GPT 출시 뒤 평균 마이너스 14.3%(표준오차 7.2)였습니다.

채용이 줄면 사람들은 실업자로 잡히기 전에 노동시장에 들어오지 않거나 다른 직군으로 흩어집니다. 청년 충격을 재려면 해고보다 입직을 세야 하는 이유입니다.

노출 지표의 성적표는 겸손했습니다

앤트로픽 보고서는 스스로 노출 지표의 한계부터 적고 시작합니다. 일자리의 해외 이전 가능성을 잰 유명한 연구가 미국 일자리의 약 4분의 1을 위험군으로 꼽았지만, 10년이 지나자 그 일자리 대부분이 건강하게 늘었다는 사례입니다. 정부의 직업별 고용 전망도 방향은 맞혔지만 과거 추세를 직선으로 늘린 것보다 나은 예측력을 보이지 못했다고 적었습니다.

보고서의 초기 결과도 같은 쪽을 가리킵니다. 2022년 말 이후 노출이 큰 직군 노동자의 실업률이 체계적으로 오른 흔적은 없었습니다. 미국 노동통계국의 2024~2034년 직업별 고용 전망과 대 보면 실제 사용 범위가 10%포인트 높은 직업일수록 전망 성장률이 0.6%포인트 낮았는데, 보고서는 이 관계를 약하다고 평가했습니다. 가장 노출이 큰 직업에는 나이가 많고 여성이며 학력과 임금이 높은 노동자가 더 많았고, 노동자의 30%는 요리사나 오토바이 정비사처럼 사용 범위가 0인 직업에 있었습니다.

지금까지의 측정이 가리키는 곳은 대량 해고보다 젊은 층의 채용 둔화입니다. 한국은행의 청년 일자리 통계와 스탠퍼드의 급여 대장, 앤트로픽의 입직률이 같은 방향을 가리킵니다. 90·90 같은 상한 추정은 어디까지 갈 수 있는지를 보여 주고, 지금 무엇이 움직이는지는 이런 입직 지표가 먼저 보여 줍니다.

해외 기관의 전망은 한참 아래에 있습니다

국제노동기구는 2년간의 실사용 경험을 반영해 2023년 점수를 오히려 낮췄습니다. 그 사이 모델은 더 좋아졌는데도 노출 점수를 내린 것은, 현장에서 업무가 통째로 없어지는 경우보다 업무 모양이 달라지는 경우가 더 많이 관측됐다는 판단에서입니다. 맥킨지는 기술의 잠재력과 실제 채택을 나눠 보기 때문에 30년의 폭을 열어 뒀습니다. KDI의 90·90이 이 스펙트럼의 가장 위에 있는 까닭은 채택 속도를 빼고 기술이 허용하는 상한만 쟀기 때문입니다.

한국에는 ADP 같은 급여 대장이 없습니다

스탠퍼드와 버클리 연구진이 141개국의 AI 노출을 계량한 지도에는 한국이 빠져 있습니다. 필요한 직업별 고용 통계가 공개된 형태로 없어서입니다(141개국 노출 지도를 다룬 글). 한국형 노출지수를 만드는 일에는 이 공백을 메우는 작업도 들어 있습니다.

스탠퍼드 연구와 같은 밀도의 지표를 만들려면 고용보험 피보험자 자료와 사업장 단위 임금 자료를 직군까지 쪼개 붙여야 합니다. ADP는 한 회사가 여러 산업의 직군 코드를 통일된 형식으로 대장 하나에 쌓아 둔 경우이고, 국내에는 그만한 규모의 민간 급여대행사가 없습니다. 같은 수준의 자료는 공공 쪽에 흩어져 있습니다. 고용보험 자료는 고용노동부와 근로복지공단에, 직업 분류는 통계청의 한국표준직업분류와 한국고용정보원의 직업 정보에 나뉘어 있습니다.

이 자료를 개인 단위로 이으려면 개인정보보호법이 정한 가명정보 결합 절차를 거쳐야 하고, 결합은 지정된 결합전문기관에서만 할 수 있습니다. 신청과 심의, 반출 심사를 거쳐 한 번 붙인 자료로는 분기마다 갱신되는 대시보드를 채우기 어렵습니다. 저는 결합 절차를 매번 새로 밟지 않고 같은 지표를 뽑는 상시 결합 체계가 노출지수보다 만들기 어렵다고 봅니다. 지수는 연구 용역으로 만들 수 있지만, 상시 결합은 기관 사이의 권한을 조정해야 가능하기 때문입니다.

정부 계획의 네 갈래와 빠진 한 갈래

소득 기반 고용보험은 임금 대신 소득을 기준으로 가입 자격을 정해, 프리랜서와 플랫폼 노동자처럼 지금 제도 밖에 있는 사람을 고용보험 안으로 들이는 장치입니다. AI 전환에서 먼저 흔들리는 쪽이 경력 초기와 비정형 계약이라는 점에서 순서는 맞습니다. 쉬었음 청년이 사회활동에 참여하면 급여를 주는 참여소득을 검토 중이라는 한겨레 보도도 나왔습니다. 다만 전환기의 소득 공백을 어떻게 메울지는 이번 계획에서 빠졌고 사회적 논의 과제로 넘어갔습니다. 측정과 훈련과 보험은 들어갔지만 훈련받는 동안의 생계비는 계획에 없습니다.

포럼에서 장지연 한국노동연구원 선임연구위원은 이 설계의 다음 물음을 한 문장으로 정리했습니다.

AI 고용 충격의 발생은 기술이 좌우하지만, 그 분배는 제도가 결정한다.— 장지연 한국노동연구원 선임연구위원

장 선임연구위원은 생산성 향상으로 파이는 커지는데 양극화도 함께 깊어지는 비대칭 상황이라고 진단하고, 재원을 넓히는 방법으로 AI 초과이윤 환수와 국부펀드형 장치를 제안했습니다. 기조강연을 맡은 이한주 경제·인문사회연구회 이사장은 삶의 기본적 권리를 보장하는 기본사회 모델을 꺼냈습니다. 자동화 추정과 분배 방안이 같은 국책 포럼의 공식 의제로 함께 올라온 겁니다.

대시보드는 대체를 재고, 창출은 재지 않습니다

한 연구위원의 결론은 조건문입니다. 새 노동수요가 빠르게 생겨야 순고용이 늘 수 있고, 그래서 조직 안의 직무 이동을 돕고 창업 생태계를 키우는 일이 우선이라는 겁니다. 역사적으로는 이 조건이 채워져 왔습니다. 오터 연구팀의 2024년 연구에 따르면 2018년 미국 고용의 63%가 1940년에는 없던 직업이었습니다. 다만 같은 연구에서 자동화형 혁신은 새 일의 등장을 늦추는 쪽으로 작용했습니다.

정부 계획대로라면 대시보드는 대체의 속도를 실시간에 가깝게 보여 줄 겁니다. 한 연구위원 조건문의 앞부분, 곧 새 직무가 얼마나 빨리 생기는지는 그 화면에 들어가지 않습니다. 새 직무를 통계로 잡는 일은 원래 느립니다. 한국표준직업분류는 직업 이름이 굳은 뒤에야 개정되고, 이름이 굳기까지 몇 년이 걸립니다.

민간 거래 자료로 창출을 잰 사례는 있습니다. 미국 핀테크 Ramp의 경제연구소는 기업 21,559곳의 법인카드 AI 지출을 월별 인원 자료와 붙였고, AI 지출 상위 3분의 1 기업에서 도입 뒤 2년 동안 신입이 12.0% 늘었다는 결과를 냈습니다(Ramp 연구를 다룬 글). 저는 국내에서도 기존 직업 코드 안에서 채용 공고의 요구 역량이 달라지는 속도가 쓸모 있는 값이라고 봅니다. 이 자료는 워크넷과 민간 채용 플랫폼에 이미 쌓여 있고, 분류표 개정을 기다리지 않아도 분기마다 셀 수 있습니다.

대시보드 설계에서 확인할 대목도 둘 남았습니다. 계획에는 산업과 연령으로 쪼갠다는 내용까지만 있고 경력 연차로 나누는지는 공개되지 않았습니다. 같은 30대라도 첫 직장을 구하는 사람과 이직하는 사람은 겪는 일이 다르고, 고용보험 대장에는 피보험 기간이 들어 있어 연차 구분은 기술적으로 가능합니다. 훈련 100만 명이라는 목표도 인원수는 세기 쉽고 효과는 세기 어렵습니다. 훈련을 마친 사람이 6개월 뒤 어떤 직군에 있는지를 같은 고용보험 대장으로 추적할 수 있다면, 그 자료가 대시보드에서 가장 쓸모 있는 지표가 됩니다.

읽어 주셔서 고맙습니다.

초이 드림