IMF (1)

IMF – AI와 일의 미래(Gen-AI: Artificial Intelligence and the Future of Work)

ByThe Context

원문: Mauro Cazzaniga and others, Gen-AI: Artificial Intelligence and the Future of Work (Jan 2024)
전문은 원문에서 확인하실 수 있습니다. 아래 글은 번역이 아니라, IMF 연구진의 논증을 한국어로 재구성한 정리입니다.

글의 배경과 개요

이 글은 국제통화기금(IMF) 연구부가 2024년 1월에 펴낸 스태프 토론 노트(Staff Discussion Note)로, 마우로 카차니가(Mauro Cazzaniga)를 비롯한 여덟 명의 이코노미스트가 함께 썼습니다. 생성형 AI가 대중화되고 1년이 지난 시점에, 이 기술이 노동시장을 어떻게 바꿀지를 142개국 고용 자료와 여섯 나라 미시자료, 그리고 모형 시뮬레이션으로 따져본 것입니다. 글 전체를 끌고 가는 질문은 셋으로 압축됩니다. 어느 나라 어느 사람이 AI에 노출되어 있는지, 그 노출이 대체로 끝날지 보완으로 이어질지, 그래서 소득과 부의 분배는 어떻게 달라지는지입니다. 논증 경로는 노출과 보완성이라는 두 축으로 직업을 분류하고, 국가 간·국가 안의 차이를 측정한 뒤, 과거 직업 이동 자료로 노동자의 적응력을 가늠하고, 모형으로 생산성과 불평등을 추정하고, 마지막으로 각국의 준비 상태를 지수로 비교하는 순서를 밟습니다. 결론을 먼저 말하면, AI는 선진국에 더 먼저 더 세게 닿지만 그 선진국이 혜택을 거둘 준비도 가장 잘 갖추고 있다는 것입니다.

핵심 내용 정리

  • 전 세계 고용의 약 40%가 AI에 노출되어 있고, 인지 과업 중심인 선진국은 그 비율이 60%에 이르는 반면 저소득국은 26%에 그칩니다.
  • 노출은 대체와 같은 말이 아니며, 선진국의 노출 일자리 가운데 절반가량만 부정적 영향을 받고 나머지 절반은 AI 덕분에 생산성이 높아질 수 있습니다.
  • 과거 자동화가 중숙련 일자리를 집중적으로 때린 것과 달리 AI의 대체 위험은 고소득 전문직까지 올라오지만, 보완 가능성 역시 소득이 높을수록 커집니다.
  • 그래서 노동소득 불평등의 향방은 AI가 고소득 노동을 대체하느냐 보완하느냐에 달려 있고, 보완성이 강할수록 불평등은 커집니다.
  • 자본수익이 늘어나는 경로는 어느 시나리오에서나 작동하므로, 부의 불평등은 노동소득이 어떻게 되든 증가합니다.
  • 다만 생산성 향상이 충분히 크면 소득 분포의 거의 모든 구간에서 소득 수준 자체는 올라갈 수 있습니다.
  • 대졸자와 젊은 노동자는 보완성이 높은 직업으로 옮겨가기 쉬운 반면 고령 노동자는 재취업과 재훈련에서 불리하며, 준비도에 따라 선진국은 규제와 혁신 역량을, 저소득국은 디지털 인프라와 인적자본을 먼저 갖춰야 합니다.

AI라는 생산성 충격, 그리고 불확실성

생산 가능 범위는 넓어지지만, 그 결과는 모른다

IMF 연구진은 AI를 ‘양의 생산성 충격’으로 봅니다. 경제의 생산 가능 범위를 바깥으로 밀어내고, 노동과 자본 사이의 배분을 다시 짜며, 많은 직무와 산업에 깊은 변화를 일으킨다는 것입니다. 복잡한 문제를 푸는 능력, 예측의 정확도, 의사결정의 질이 모두 올라가고 그만큼 성장과 삶의 조건이 나아질 여지가 열립니다.

문제는 바로 그 넓은 적용 범위가 불확실성의 원천이기도 하다는 점입니다. 쓸 수 있는 영역이 너무 많고 적용 방식이 너무 유연하기 때문에, 경제와 사회에 미칠 결과를 미리 짚어내기가 어렵다는 것입니다. 일자리마다, 산업마다 결과가 다르게 나타나고 기존 격차를 증폭시킬 수 있다는 것이 이 글의 출발점입니다.

연구진은 용어부터 정리합니다. AI는 기계가 인간의 인지 능력을 흉내 내도록 지각하고 해석하고 행동하고 학습하게 만드는 기술 전반을 가리킵니다. 그 안에서 생성형 AI는 방대한 학습 데이터로부터 글에서 이미지까지 새로운 콘텐츠를 만들어내는 정교한 대규모 언어모델(LLM) 같은 시스템을 포함하고, 다른 AI 모델들은 패턴 식별처럼 더 좁은 과업에 특화되어 있습니다. 반면 자동화는 새 콘텐츠를 만드는 것이 아니라 반복 작업을 최적화해 생산성을 끌어올리는 데 초점이 있습니다. 생성형 AI의 등장으로 AI의 적용 범위가 넓어졌고, 그만큼 직무의 내용과 분업의 형태까지 다시 짜이리라는 것이 연구진의 판단입니다.

해설
스태프 토론 노트는 IMF 직원들이 진행 중인 정책 관련 분석을 논평과 토론을 끌어내려고 공개하는 간행물입니다. 동료심사를 거친 학술논문도 아니고 IMF 이사회가 승인한 공식 입장도 아니며, 표지에 적힌 대로 저자 개인의 견해입니다. 기관의 공식 전망으로 읽으면 과하고, 한 연구자의 사견으로 치부하면 모자란 자리에 있습니다.

발표 시점도 읽어 둘 만합니다. 이 노트는 2024년 1월 다보스 세계경제포럼 연차총회 직전에 공개되었고, 같은 날 크리스탈리나 게오르기에바(Kristalina Georgieva) IMF 총재가 「AI Will Transform the Global Economy. Let’s Make Sure It Benefits Humanity」라는 블로그 글로 핵심 수치를 함께 알렸습니다. ‘전 세계 일자리의 40%, 선진국의 60%’라는 숫자가 그 주 내내 국제 언론의 헤드라인을 장식한 배경입니다. 배포 승인자는 IMF 수석이코노미스트이자 연구부장인 피에르올리비에 구랭샤(Pierre-Olivier Gourinchas)입니다.

사회가 허용하느냐가 변수다

연구진이 일찍 꺼내는 변수 하나는 사회적 수용 가능성입니다. AI 도구를 매끄럽게 받아들이는 직군이 있는가 하면, 문화적·윤리적·운영상의 이유로 저항에 부딪히는 직군도 있다는 것입니다. 이 차이는 노동시장에서 특히 두드러집니다.

그래서 결과는 혼재된 양상으로 나타날 가능성이 큽니다. 사람의 감독이 필요한 분야에서는 AI가 노동자의 생산성과 노동 수요를 함께 끌어올릴 수 있는 반면, 다른 분야에서는 상당한 일자리 대체로 이어질 수 있습니다. 여기에 또 하나의 경로가 겹칩니다. 경제 전체의 생산성이 올라가면 총수요가 강해지고, 그 파급 효과로 대다수 노동자에게 오히려 더 많은 일자리 기회가 생길 수 있다는 것입니다. 나아가 산업 간 재배분을 넘어 아예 새로운 산업과 직무가 태어나고 기존의 것들이 사라지는 변화까지 일어날 수 있습니다.

일자리 바깥에도 중요한 경로가 하나 더 있습니다. 자본소득 경로입니다. AI가 효율과 혁신을 밀어올리면 그 기술을 소유했거나 AI 기반 산업에 지분을 가진 쪽의 자본소득이 늘어나고, 이 쏠림이 기존 불평등을 더 키울 수 있습니다.

이번에는 고숙련 직무가 표적이다

연구진이 반복해서 강조하는 대목은 AI가 ‘기술은 주로 중숙련, 때로 저숙련 일자리에 영향을 준다’는 통념을 흔든다는 점입니다. 과거의 자동화와 정보기술 도입은 주로 일상적이고 반복적인 과업을 겨냥했습니다. 그런데 AI의 능력은 인지 기능까지 뻗어 있습니다. 방대한 데이터를 처리하고 패턴을 인식하고 판단을 내리는 일을 해내기 때문에, 복잡성과 깊은 전문성 덕분에 자동화에서 안전하다고 여겨지던 고숙련 직업까지 교란의 대상이 됩니다.

섬세한 판단, 창의적 문제 해결, 복잡한 데이터 해석처럼 고학력 전문직의 영역으로 여겨지던 일들이 이제 AI 알고리즘에 의해 증강되거나 대체될 수 있습니다. 그 결과 직업 사이의 불평등만이 아니라 같은 직업 안의 불평등까지 커질 수 있다는 것이 연구진의 경고입니다. 기술 진보가 주로 저숙련 일자리를 위협한다는 상식이 깨지고, 과거 어떤 기술혁명보다 넓고 깊은 노동시장 변화가 온다는 뜻입니다.

연구진은 각주에서 계산기의 사례를 붙입니다. 계산기가 널리 쓰이기 전까지 회계 담당자는 중숙련에서 고숙련에 속하는 직업이었습니다. 인구의 상당 부분이 교육을 받지 못하던 시절이었기 때문입니다. 계산기가 보급되면서 회계 담당자의 수가 줄었다는 연구를 연구진은 상대적으로 교육 수준이 높은 집단을 때린 기술의 역사적 사례로 인용합니다.

[관점]
이 노트가 나온 뒤 ‘40%’와 ‘60%’라는 숫자만 떼어 일자리 소멸 전망으로 인용되는 일이 대단히 많았습니다. 그러나 연구진이 쓰는 노출은 대체율이 아니라 ‘AI의 응용 범위와 그 직업이 요구하는 인간 능력이 얼마나 겹치는가’를 재는 상대적 지표입니다. 겹침이 크다는 것은 AI가 그 직무 안으로 들어올 여지가 크다는 뜻이지, 사람이 밀려난다는 뜻이 아닙니다.

투자자 관점에서 이 구분은 실무적으로 중요합니다. 노출이 높고 보완성이 낮은 직군이 다수인 기업은 인건비 절감 여지가 크지만 그만큼 서비스 가격 하락 압력에도 노출됩니다. 반대로 노출이 높고 보완성도 높은 직군, 즉 전문 인력의 생산성이 올라가는 쪽은 단가를 지키면서 처리량을 늘릴 수 있습니다. 같은 ‘높은 노출’이라도 손익계산서에 나타나는 방향이 정반대일 수 있다는 뜻입니다.

나라의 발전 단계에 따라 다르게 닿는다

연구진은 AI의 충격이 발전 단계와 경제 구조에 따라 크게 다를 것으로 봅니다. 성숙한 산업과 서비스 중심 경제를 가진 선진국은 복잡한 인지 과업을 요구하는 부문의 고용 비중이 높습니다. 그래서 AI에 더 취약한 동시에 AI 혁신의 수혜를 받기에도 더 좋은 자리에 있습니다.

반대로 여전히 육체노동과 전통 산업에 많이 기대는 신흥·개도국은 초기에 겪을 교란이 상대적으로 적습니다. 그러나 인프라와 숙련 인력이 부족해 AI가 초기에 만들어내는 생산성 이득을 놓칠 수 있습니다. 시간이 가면 이 AI 격차가 기존 경제 격차를 키울 수 있습니다. 선진국은 AI를 경쟁우위로 활용하는데 신흥·개도국은 AI를 성장 모형에 끼워 넣는 일조차 버거워하는 구도가 생길 수 있다는 것입니다.

이 노트가 답하려는 여섯 가지 질문

연구진은 논의의 범위를 여섯 개 질문으로 명시합니다. 첫째, 어느 나라가 AI 도입에 더 노출되어 있고 어느 나라가 가장 큰 혜택을 볼 것인가. 둘째, 한 나라 안에서 AI는 노동자들에게 얼마나 다르게 작용하며 어느 집단이 번성하고 어느 집단이 더 큰 위험에 놓이는가. 셋째, 역사적으로 노동자들은 지금 AI 노출도가 서로 다른 직업들 사이를 얼마나 자주 오갔으며 그 이동이 노동의 적응력에 대해 무엇을 말해주는가.

넷째, AI는 소득과 부의 불평등을 어떻게 다시 짤 것인가. 다섯째, 성장과 생산성에 미칠 잠재적 영향은 무엇인가. 여섯째, 어느 나라가 이 전환에 더 잘 준비되어 있으며 정책은 어떻게 이득을 키우고 위험을 줄일 수 있는가.

기존 연구와 무엇이 다른가

연구진은 자신들의 작업을 기존 문헌 위에 올려놓습니다. 지금까지의 실증 연구는 주로 미국에 집중해 왔고, 고숙련 노동자를 포함한 상당수 인력의 과업이 AI로 크게 대체될 수 있다는 결과를 내놓았습니다. 국가 간 비교를 시도한 연구들도 있고, 신흥시장국을 포괄적으로 검토해 선진국보다 노출이 낮다는 결론을 낸 연구, 이탈리아 노동시장에 초점을 맞춘 연구도 있습니다. 이들 대부분은 자동화 연구에서 쓰이던 실증 접근을 그대로 가져왔습니다.

이 노트가 보탠 것은 네 가지입니다. 첫째, 기존 노출 지표들이 암묵적으로 노출을 ‘인간 과업의 대체 가능성’과 같은 것으로 취급해 온 데 비해, 이 노트는 카를로 피치넬리(Carlo Pizzinelli)를 비롯한 연구진이 2023년에 개발한 접근을 써서 보완과 대체를 구분하려 합니다. 이 방법은 직업의 사회적·윤리적·물리적 맥락과 요구되는 숙련 수준을 함께 고려해 AI가 그 역할을 보완할지 대체할지를 가립니다.

둘째, 선진국 하나와 신흥시장국 하나의 미시자료를 써서, 대체 위험이 큰 직업에 있던 사람이 보완성이 높은 직업으로 옮겨갈 수 있는지에 대한 초기 단서를 제공합니다. 셋째, 인구집단과 소득 수준에 따른 노출 양상을 해부하고 모형 분석으로 노동소득·자본소득 불평등과 소득 수준에 미칠 영향을 평가합니다. 넷째, 선진국과 신흥·개도국을 아우르는 아주 큰 표본으로 소득 수준에 따라 AI 준비도가 어떻게 갈리는지 살핍니다.

연구진 스스로 밝히는 한계

연구진은 중요한 단서들을 스스로 붙입니다. 첫째, 모형 분석에서는 보완성이 높은 직업의 활동이 늘고 낮은 직업의 활동이 줄어드는 방식으로 산업 간 재배분을 흉내 내지만, 노출 분석 자체는 산업의 크기가 고정되어 있고 각 직업이 요구하는 과업이 변하지 않는다고 가정합니다. 그래서 결과는 단기와 중기에 더 잘 들어맞습니다. 더 긴 시계에서는 노동자들이 다른 산업과 역할로 옮겨가거나 새 기술을 익힐 것이고 직무 자체가 진화할 것입니다. 또 같은 직업에 있는 노동자는 같은 방식으로 영향을 받는다고 가정하지만 실제로는 편차가 있을 수 있고, AI가 기업의 동학과 시장 집중도에 영향을 주어 서로 다른 기업에 속한 노동자 사이의 불평등을 키울 수도 있습니다.

둘째, 비슷한 직업에서 수행되는 과업이 전 세계적으로 동질적이라는 전제에 기대고 있지만 국가 간 편차가 상당할 수 있습니다. 셋째, 직업 간·국가 간 연결고리, 특히 무역 연계와 국경을 넘는 AI 노출의 파급을 추상해 버립니다. 넷째, 노출과 준비도 분석은 실증이지만 불평등과 생산성에 대한 분석은 모형에 기대고 있어 강한 보정 가정에 좌우됩니다.

도입 속도 자체도 예측하기 어렵습니다. 기업이 필요한 물적 자본에 투자하고 조직을 재편하는 데 걸리는 시간에 따라 달라지기 때문입니다. 거시적 효과가 나타나기까지의 시간, 생산요소의 산업 간 재배분, 새 산업의 탄생, AI가 경제와 사회에 미칠 정확한 함의는 모두 짚어내기 어렵습니다. 연구진은 이 불확실성이 전기처럼 과거의 범용기술(general-purpose technology)이 도입될 때 겪었던 것과 닮았다고 적고, 그 불확실성이 이 노트의 결과에도 그대로 적용된다고 밝힙니다.

[이해관계]
IMF는 회원국에 거시경제정책을 권고하는 기관이고, 이 노트의 정책 결론은 재훈련과 사회안전망, 디지털 인프라 투자, 규제 틀 정비처럼 IMF가 오랫동안 권고해 온 처방으로 수렴합니다. 노출을 재는 작업이 곧 ‘그러니 이런 투자를 하라’는 권고로 이어지는 구조라는 점은 염두에 둘 만합니다.

동시에 표지의 면책 문구가 보여주듯 이 글은 IMF와 이사회, 경영진의 견해가 아니라 저자들의 견해입니다. 저자 여덟 명 가운데 에마 로콜(Emma Rockall)의 연락처는 스탠퍼드대학교 주소로 적혀 있어 전원이 IMF 소속은 아니라는 점도 원문에 그대로 드러나 있습니다.

노출과 차폐, 두 단계로 읽는 직업

직업은 과업의 묶음이다

AI가 고용에 미칠 영향을 재기 어려운 이유를 연구진은 세 가지로 꼽습니다. 기술이 너무 빨리 진화하고, 생산 과정 어디에 AI가 들어갈지 불확실하며, 사회의 인식 자체가 움직인다는 것입니다. 어떤 생산 공정이 AI를 받아들일지, 어떤 인간의 과업(task)이 대체되고 어떤 것이 강화될지는 아직 알 수 없습니다. 시간이 지나면서 AI에 대한 사회적 수용 가능성이 달라지는 것 역시 생산 공정으로의 편입 여부를 바꿀 수 있습니다.

그래서 연구진은 널리 쓰이는 분석 틀을 가져와 다듬습니다. 기술혁신이 일자리에 미치는 영향을 볼 때 표준적인 방법은 개별 직업을 과업의 묶음으로 보고 어떤 과업이 기술로 대체되거나 보완될 수 있는지를 따지는 것입니다. 여기에 두 개의 지표가 얹힙니다.

첫째는 노출(exposure)입니다. 에드워드 펠튼(Edward Felten)과 공저자들이 2021년과 2023년 연구에서 정의한 개념으로, 각 직업이 요구하는 인간의 능력과 AI 응용 영역이 얼마나 겹치는지를 가리킵니다. 둘째는 잠재적 보완성입니다. 피치넬리를 비롯한 연구진이 2023년에 만든 지수로, 직업의 사회적·윤리적·물리적 맥락과 요구되는 숙련 수준에 담긴 정보를 끌어옵니다.

판사와 사무직을 가르는 것

보완성 지수가 실제로 재는 것은 그 직업이 AI에 의한 일자리 대체로부터 얼마나 가려져 있는가, 즉 차폐(shielding)의 정도입니다. 차폐가 높은 직업이 노출까지 높으면 AI가 그 직업을 보완할 가능성이 크다는 신호가 됩니다.

연구진이 드는 예가 판사입니다. 텍스트 분석 기술이 발전하면서 판사는 AI에 매우 많이 노출된 직업이 되었습니다. 그러나 사회가 감독 없는 AI에 판결을 맡길 가능성은 현재로서는 낮기 때문에 대체로부터 강하게 차폐되어 있습니다. 그래서 AI는 판사를 대체하기보다 생산성을 높이는 쪽으로 작동할 가능성이 큽니다. 반대로 사무직 종사자는 역시 노출이 매우 높지만 차폐 수준이 낮아 대체 위험이 더 큽니다. 다만 연구진은 각주에서 단서를 답니다. 노출도 보완성도 높은 직업에서 생산성이 올라가면 그 직업에 대한 수요 자체가 줄어들 가능성도 있다는 것입니다.

차폐와 보완성은 고정된 값이 아닙니다. 시간이 가면서, 그리고 나라마다 다른 속도로 변할 것입니다. AI의 정확도가 올라가면 환각(hallucination), 즉 현실이나 주어진 맥락에 근거하지 않은 출력이 나올 가능성이 줄어들기 때문입니다. 사회적 선호와 대안의 존재 여부도 작용합니다. 연구진은 훈련받은 의사가 부족한 저소득국에서는 규모 있게 제공되는 AI 기반 의료 상담이 매력적인 선택지로 받아들여질 수 있다고 지적합니다. 이후 이 노트는 높은 노출과 높은 차폐가 함께 만들어내는 보완 가능성을 줄여서 그냥 보완성이라고 부릅니다.

[관점]
이 틀에서 가장 눈여겨볼 대목은 차폐가 기술적 변수가 아니라 사회적·제도적 변수라는 점입니다. 판사가 보호되는 이유는 AI가 판결문을 못 써서가 아니라 사회가 그것을 허용하지 않기 때문입니다. 그렇다면 차폐는 규제와 여론이 움직이는 만큼 움직입니다.

투자 판단에 옮겨 보면 함의가 분명해집니다. 전문직 서비스 기업의 해자는 기술 난이도가 아니라 면허와 책임 소재라는 제도적 장벽에 있다는 뜻입니다. 이 장벽은 기술 발전보다 훨씬 느리게 움직이지만, 한번 열리면 한꺼번에 열립니다. 연구진이 저소득국의 의료 상담을 예로 든 것은 그 지점을 정확히 건드립니다. 대안이 없는 곳에서는 사회가 먼저 양보한다는 것입니다.

노출과 보완성을 겹치면 세 묶음이 나온다

두 지표를 함께 놓으면 각 직업이 AI 도입과 함께 어떤 노동시장 변화를 겪을지 가늠할 수 있습니다. AI가 과업을 자율적으로 끝낼 수 있는 고노출 직업은 인간 노동 수요가 줄고 임금이 내려갈 수 있습니다. 반대로 사람이 AI를 감독해야 하는 직업은 생산성이 올라가면서 기존 종사자의 노동 수요와 임금이 함께 오를 수 있습니다. 다만 AI가 노동을 보완하는 직업에서도 AI 관련 숙련을 갖추지 못한 노동자는 고용이 줄어들 위험이 있습니다. 결국 AI 관련 숙련을 얼마나 쉽게 익힐 수 있는가가 이 기술의 최종 영향을 결정한다는 것이 연구진의 정리입니다.

이 두 기준으로 직업은 세 묶음으로 나뉩니다. 높은 노출과 높은 보완성, 높은 노출과 낮은 보완성, 그리고 낮은 노출입니다. 낮은 노출 직업은 보완성과 무관하게 한 묶음으로 처리합니다. 노출이 제한적일 때는 보완성을 따지는 의미가 크지 않기 때문입니다. 여기서 높고 낮음을 가르는 기준선은 각 지표의 중앙값입니다.

  • 노출도 높고 보완성도 높은 직업 — AI가 과업과 의사결정을 거들 여지가 크지만 감독 없이 AI만 쓰기는 어려운 자리입니다. 책임의 무게가 크고 사람 사이의 상호작용이 많은 인지 노동이 여기 속하며 외과의사, 변호사, 판사가 대표적입니다. 다만 그 생산성 이득을 거두려면 기술과 소통할 숙련을 갖춰야 합니다.
  • 노출은 높지만 보완성이 낮은 직업 — AI를 끌어들이기에 좋은 자리이지만 AI가 사람의 과업을 대신할 가능성이 더 큽니다. 노동 수요가 줄고 임금 상승이 더뎌질 수 있으며 텔레마케터가 전형적인 예입니다.
  • 노출이 낮은 직업 — AI를 적용할 여지가 거의 없거나 전혀 없습니다. 설거지 담당부터 공연자까지 성격이 아주 다른 직업들이 한데 묶입니다.

지수가 재는 것과 재지 못하는 것

Box 1에서 연구진은 지수의 내부를 열어 보입니다. 가장 널리 쓰이는 노출 지표는 펠튼과 공저자들의 AI 직업 노출 지수(AIOE)입니다. 10개의 AI 응용 영역과 52개의 인간 숙련이 서로 얼마나 대응하는지를 재고, 그 겹침을 각 직업에서 해당 숙련이 갖는 중요도와 복잡도로 가중합니다. 결과는 0과 1 사이로 정규화되며 어디까지나 상대적인 값으로 읽힙니다. 그리고 이 지수는 노출이 인간 노동에 무엇을 의미하는지에 대해서는 입을 다뭅니다. AI가 그 직업의 기능 안으로 들어올 상대적 가능성만 말할 뿐, AI가 보완 기술로 작동할지 노동을 대체할지는 따지지 않습니다.

피치넬리를 비롯한 연구진이 2023년에 제안한 보완성 지수는 바로 이 공백을 메우려는 시도입니다. 접근 방식은 보완 가능성이 클수록 노출을 깎아내리는 것입니다. 그래서 보완성으로 조정된 노출 지수(C-AIOE)가 높을수록 노동이 대체될 가능성이 크다는 뜻이 됩니다. 이 지수를 만들면서 저자들은 펠튼과 공저자들이 쓴 것과 같은 직업 특성 자료 저장소인 O*NET을 쓰되 다른 두 영역을 끌어옵니다. 업무 맥락과 숙련입니다. 업무 맥락에는 그 직업의 일이 어떤 사회적·물리적 조건에서 수행되는지가 담깁니다.

여기서 저자들은 사례별 판단을 동원합니다. 어떤 맥락에서는 사회가 감독 없는 AI 사용을 허용할 가능성이 낮다는 것입니다. 의사결정의 중대성과 오류가 불러올 결과의 심각성이 그런 조건의 두 축입니다. 판사와 의사는 AI 노출이 높아도 여전히 사람이 맡을 가능성이 크다는 것이 저자들의 판단입니다.

개념적으로 두 지표는 2단계로 작동합니다. 1단계에서 노출은 AI를 그 직업의 핵심 기능에 적용할 수 있는 범위를 정합니다. 2단계에서는 그 적용 가능성을 전제로 사회적·기술적 우려가 보완성을 결정합니다. 노출이 높은데 보완성이 낮으면 AI가 핵심 과업을 대체할 가능성이 상대적으로 큽니다. 더 극단적인 경우에는 그 직업에 대한 수요 자체가 줄어들어 고용 전망이 나빠지고 임금이 내려가며 대체 위험이 높아집니다. 반대로 노출과 보완성이 함께 높으면 AI 기반 기술을 도입하면서 생산성이 오르고 임금이 오를 가능성이 큽니다. 다만 이 혜택은 AI를 쓸 줄 아는 숙련을 갖고 있느냐에 달려 있고, 그런 숙련이 없는 노동자는 보수와 고용 전망 모두에서 불리해질 수 있습니다. 노출 자체가 낮은 구간에서 보완성이 의미를 잃는 이유는, 그 직업에서 AI가 거들거나 대신할 만한 과업이 애초에 일의 핵심이 아니기 때문입니다.

연구진이 Box 1에 실은 분포도는 개별 직업이 두 축 위 어디에 놓이는지를 보여줍니다. 외과의사와 판사, 변호사는 노출과 보완성이 모두 중앙값 위인 오른쪽 위에 자리합니다. 항공기 조종사와 트럭 운전사는 노출이 중간대이면서 보완성이 높은 쪽에 있습니다. 텔레마케터는 노출이 높으면서 보완성이 뚜렷하게 낮고, 이코노미스트도 노출이 높은 쪽에 있으면서 보완성은 중앙값 아래에 걸칩니다. 무용수와 설거지 담당은 노출과 보완성이 모두 낮은 왼쪽 아래에 놓입니다. 이 상자글은 피치넬리가 작성했습니다.

해설
O*NET은 미국 노동부가 운영하는 직업 정보 데이터베이스입니다. 1,000개 가까운 직업 각각에 대해 그 일을 하는 데 필요한 능력과 숙련, 지식, 작업 활동, 그리고 업무가 수행되는 환경과 조건을 설문과 전문가 평가로 수치화해 공개합니다. 노출을 재는 연구와 보완성을 재는 연구가 같은 저장소를 쓰면서도 다른 결론에 도달할 수 있는 이유가 여기 있습니다. 전자는 능력과 숙련 항목을 보고, 후자는 업무 맥락 항목까지 함께 봅니다.

이 점은 동시에 한계이기도 합니다. O*NET은 미국 직업 구조를 전제로 만들어진 자료이고, 이 노트의 분석은 그 구조가 전 세계적으로 비슷하다고 가정한 위에서 142개국으로 확장됩니다. 연구진 스스로 서론에서 이 가정을 단서로 달아 둔 대목입니다.

직업군별로 보면 어떻게 갈리는가

부록 2에서 연구진은 국제표준직업분류(ISCO) 대분류별로 개별 직업들의 노출과 보완성이 어떻게 흩어져 있는지를 보여줍니다. 전문가, 관리자, 기술공은 평균적으로 노출과 보완성이 모두 높은 집단입니다. 사무직은 노출은 높은데 보완성이 낮은 집단입니다.

여기서 연구진이 중요하게 짚는 관찰이 하나 있습니다. 노출에 비해 잠재적 보완성은 직업군 사이보다 직업군 안에서 더 크게 흩어져 있다는 것입니다. 보완성을 결정하는 요인들이 직업의 분류 체계를 가로질러 작동한다는 뜻입니다.

보완성 조정은 수식으로 보면 단순합니다. 보완성 값이 가장 낮은 직업을 기준으로 삼아, 보완성이 높은 직업일수록 노출 값을 더 많이 깎아내리는 방식입니다. 이 조정을 거치고 나면 순위가 눈에 띄게 바뀝니다. 전문가와 관리자는 조정 후 평균 노출이 크게 낮아집니다. 반면 사무직은 보완성으로 조정한 노출이 평균적으로 가장 높아 교란에 가장 취약한 집단으로 떠오릅니다. 애초에 평균 노출이 낮았던 직업군들은 조정을 해도 상대적 순위가 크게 달라지지 않습니다.

[한국 관점]
차폐가 제도의 함수라면 한국은 이 틀이 특히 강하게 적용되는 나라입니다. 의료에서 비대면 진료는 2020년 코로나19 유행에 따라 한시적으로 허용되었다가 이후 시범사업 형태로 이어졌고, 그 제도화를 두고 의료계와 정부의 논쟁이 몇 년째 계속되었습니다. 법률에서는 변호사법이 변호사가 아닌 자의 법률사무 취급을 금지하고 있어 AI가 법률 판단을 직접 제공하는 경로가 원천적으로 막혀 있습니다.

연구진의 틀로 읽으면 한국의 전문직은 차폐가 매우 높게 설정된 상태입니다. 그만큼 대체 위험은 낮지만, 생산성 이득을 거두는 속도도 그만큼 늦어집니다. 연구진이 저소득국을 두고 ‘의사가 부족하면 사회가 AI를 받아들인다’고 쓴 논리를 뒤집으면, 공급이 충분하고 직역 구조가 단단한 나라일수록 차폐가 오래 유지된다는 결론이 나옵니다.

반대편에는 사무직이 있습니다. 보완성 조정 후 가장 취약한 집단으로 꼽힌 사무직은 한국 고용에서도 비중이 작지 않고, 이 직군에는 전문직 같은 제도적 방벽이 없습니다. 한국에서 AI의 고용 충격이 먼저 드러날 지점을 찾는다면 전문직 논쟁보다 이쪽일 가능성이 큽니다.

어떤 자료로 쟀는가

연구진은 이 분류를 142개국의 현재 고용 구조에 적용합니다. 자료는 국제노동기구(ILO)의 온라인 고용 데이터베이스이고, 국제적으로 일관된 직업 분류 체계를 씁니다. 구체적으로는 ISCO-08 분류의 2단위 중분류 72개를 사용합니다.

한 나라 안의 차이를 보기 위해서는 더 잘게 쪼갠 분류를 씁니다. 400개가 넘는 직업 명칭 수준입니다. 이 미시 분석은 양질의 자료가 확보되는 여섯 나라에만 적용됩니다. 선진국 둘은 영국과 미국이고, 신흥시장국 넷은 브라질, 콜롬비아, 인도, 남아프리카공화국입니다. 인도는 같은 분류의 3단위 소분류 130개를, 나머지 다섯 나라는 4단위 세분류 436개를 씁니다.

세계 40%, 선진국 60%라는 숫자

발전 단계가 노출을 가른다

연구진이 142개국 고용 구조에 분류를 적용한 결과, 전 세계 노동자의 약 40%가 노출이 높은 직업에 종사하고 있었습니다. 선진국만 떼어 보면 그 비율이 60%로 올라갑니다. 거시경제적 파급이 작지 않을 수 있다는 뜻입니다.

구성을 뜯어보면 이렇습니다. 평균적인 선진국에서 고용의 27%는 노출도 높고 보완성도 높은 직업에, 33%는 노출은 높지만 보완성이 낮은 직업에 있습니다. 신흥시장국에서는 같은 수치가 각각 16%와 24%이고, 저소득국에서는 8%와 18%입니다. 각 국가군의 고용 비중은 생산가능인구로 가중평균한 값입니다.

평균 뒤에는 상당한 편차가 숨어 있습니다. 선진국 안에서도 노출과 보완성이 모두 높은 직업의 고용 비중은 20.2-37.3%, 노출이 높고 보완성이 낮은 직업은 25.9-46.1%, 노출이 낮은 직업은 22.5-53.6% 사이에 흩어져 있습니다. 신흥시장국에서는 각각 5.7-28.2%, 10.4-34.7%, 46.1-75.9%이고, 저소득국에서는 2-35.3%, 1.4-33%, 54-96.1%입니다. 저소득국 가운데 노출이 낮은 직업의 비중이 96%를 넘는 나라가 있는가 하면, 노출과 보완성이 모두 높은 직업이 35%를 넘는 나라도 있다는 뜻입니다.

더 잘게 쪼갠 분류를 쓸 수 있는 여섯 나라를 개별적으로 보아도 결론은 비슷합니다. 영국은 고용의 70%에 가까운 몫이, 미국은 60%가 노출이 높은 직업에 있습니다. 두 나라 모두 그 안에서 보완성이 높은 쪽과 낮은 쪽이 대체로 반반으로 나뉩니다. 신흥시장국의 고노출 고용 비중은 브라질의 41%에서 인도의 26%까지 걸쳐 있습니다.

[관점]
이 수치가 언론을 타면서 ‘선진국 일자리의 60%가 AI에 위협받는다’는 문장으로 압축되는 일이 흔했습니다. 그러나 연구진의 분해를 보면 60% 가운데 절반가량인 27%는 AI가 생산성을 높여줄 쪽으로 분류되어 있고, 위험 쪽에 해당하는 것은 33%입니다. 같은 자료가 ‘선진국 일자리의 3분의 1이 대체 위험에 있다’로도, ‘4분의 1 이상이 생산성 수혜를 본다’로도 요약될 수 있습니다.

여기에 더해 평균과 분포를 구분해 읽을 필요가 있습니다. 선진국 범주 안에서도 노출이 낮은 직업의 비중이 22.5%인 나라와 53.6%인 나라가 같은 묶음에 들어 있습니다. 두 배를 넘는 차이입니다. 국가군 평균을 특정 나라에 그대로 대입하는 것은 이 자료가 허용하는 추론이 아닙니다.

나라를 가르는 것은 직업 구성이다

왜 나라마다 이렇게 다를까요. 연구진의 답은 단순합니다. 그 나라의 경제 구조를 반영하는 광의의 직업군별 노동력 구성이 국가 간 노출과 보완성 차이의 대부분을 설명한다는 것입니다. 별도의 문화적·제도적 요인을 끌어올 필요 없이 ‘어떤 직업에 사람이 몰려 있는가’만으로 거의 설명된다는 뜻입니다.

연구진은 고노출 직업의 고용 비중이 뚜렷하게 다른 세 나라를 나란히 놓습니다.

  • 영국 — 전문가와 관리자 직군의 고용 비중이 큽니다. 노출과 보완성이 모두 높은 쪽입니다. 동시에 사무 지원직과 기술공 직군의 비중도 높은데, 이쪽은 대체로 노출이 높고 보완성이 낮습니다. 양쪽이 모두 두텁습니다.
  • 인도 — 노동자 대다수가 기능공, 숙련 농업 종사자, 그리고 저숙련 단순노무 종사자입니다. 이들 대부분은 노출이 낮은 범주에 들어갑니다.
  • 브라질 — 두 나라 사이의 중간 사례에 해당합니다.

선진국의 높은 노출은 AI가 특별히 그 나라를 겨냥해서가 아니라, 그 나라들이 이미 인지 과업 중심의 고용 구조를 갖고 있기 때문에 생긴 결과입니다.

해설
여기서 쓰이는 직업군은 국제표준직업분류의 1단위 대분류 아홉 개입니다. 전문가, 관리자, 기술공 및 준전문가, 사무 지원직, 서비스 및 판매 종사자, 숙련 농림어업 종사자, 기능원 및 관련 기능 종사자, 장치·기계 조작 및 조립 종사자, 단순노무 종사자입니다. 한국의 통계청 한국표준직업분류도 이 체계를 따르고 있어 같은 틀로 비교할 수 있습니다.

분류가 직업 중심이고 산업 중심이 아니라는 점도 짚어 둘 만합니다. 같은 제조업체 안에도 전문가와 사무직과 조작원이 함께 있고, 이 분석은 그 셋을 다른 범주로 봅니다. 산업별 통계로 AI 영향을 가늠하던 기존 논의와 결과가 갈리는 지점입니다.

선진국이 받는 충격은 양극화된다

연구진이 이 비교에서 끌어내는 결론은 선진국이 AI 도입에 따른 노동시장 변화에 더 취약하고, 그 변화가 신흥시장국이나 저소득국보다 더 짧은 시간 안에 현실화되리라는 것입니다.

그런데 그 충격의 성격이 중요합니다. 선진국은 보완성이 낮은 직업과 높은 직업 양쪽에 고용이 두텁게 깔려 있습니다. 그래서 AI가 불러올 구조 전환의 효과가 한 방향으로 쏠리지 않고 양극화된 형태로 나타날 가능성이 큽니다. 한편으로는 노출이 높고 보완성이 낮은 직업에 있는 노동자들이 일자리를 잃거나 소득이 나빠질 위험이 더 큽니다. 다른 한편으로는 노출과 보완성이 모두 높은 일자리의 고용 규모가 크기 때문에, 떠오르는 AI 성장 기회를 일찍 붙잡을 자리에도 더 가까이 있습니다.

순고용 효과가 어느 쪽으로 기울지는 각국이 AI를 얼마나 잘 혁신하고 도입하고 적응하느냐에 달려 있다는 것이 연구진의 정리입니다. 그리고 이 예측에는 선진국이든 신흥·개도국이든 상당한 불확실성이 따른다고 덧붙입니다.

저소득국에 열려 있는 다른 가능성

연구진은 저소득국에 대해 두 가지 반대 방향의 가능성을 함께 적습니다. 하나는 휴대전화 보급의 재현입니다. 저소득국에서 AI 도입이 모바일 기술의 빠른 확산을 그대로 닮아, AI에서 큰 한계 이득을 얻을 수도 있다는 것입니다.

다른 하나는 숙련 부족의 해소입니다. 적절한 디지털 인프라만 갖춰진다면 AI는 신흥·개도국이 겪는 숙련 인력 부족, 특히 보건과 교육 부문의 부족을 메울 기회가 될 수 있고 그만큼 포용성과 생산성을 함께 높일 수 있습니다. 연구진은 이 논의를 Box 2로 미뤄 두는데, 이 글에서는 결론을 다루는 뒤쪽 절에서 함께 보겠습니다.

[한국 관점]
한국은 이 노트의 표본에서 선진국으로 분류되어 있습니다. 그러나 앞서 본 대로 선진국 평균 60%를 한국에 그대로 옮기는 것은 무리입니다. 선진국군 안에서도 노출이 낮은 직업의 비중이 22.5%에서 53.6%까지 벌어져 있기 때문입니다.

한국의 경우 두 가지 구조적 특성이 수치를 양방향으로 밀 수 있습니다. 하나는 고등교육 이수율이 세계 최상위권이라는 점입니다. 전문가와 관리자 직군의 비중이 크다면 노출과 보완성이 모두 높은 쪽의 고용이 두터워집니다. 다른 하나는 자영업자 비중이 경제협력개발기구(OECD) 평균을 크게 웃돈다는 점입니다. 자영업이 몰려 있는 도소매, 음식숙박, 개인서비스는 서비스 및 판매 종사자나 기능원 직군에 해당하고 대체로 노출이 낮은 범주에 들어갑니다.

두 힘이 어느 쪽으로 더 기우는지는 한국 직업분류 자료로 같은 계산을 돌려봐야 알 수 있습니다. 중요한 것은 영국형과 인도형 사이 어디쯤이 아니라, 고노출 고보완성과 저노출이 동시에 두터운 한국 고유의 모양이 나올 가능성이 있다는 점입니다. 이 경우 정책 과제는 ‘대체되는 사람을 어떻게 보호할 것인가’보다 ‘혜택을 받는 쪽과 아예 비껴가는 쪽의 격차를 어떻게 다룰 것인가’가 됩니다.

같은 나라 안에서 누가 더 노출되어 있는가

나라는 달라도 사람별 패턴은 닮았다

연구진은 나라 전체의 노출을 넘어 그 안의 집단별 차이로 들어갑니다. AI의 등장이 소득 수준, 교육 수준, 성별 같은 여러 축을 따라 나라 안 불평등을 키울 수 있기 때문이고, 어느 집단이 가장 취약한지를 알아야 그 효과를 줄이는 정책을 설계할 수 있기 때문입니다.

여기서 흥미로운 결과가 하나 나옵니다. 나라 전체의 AI 노출도는 선진국과 신흥·개도국 사이에 크게 갈리는데, 나라 안에서 개인들 사이에 나타나는 노출의 양상은 미시자료 분석 대상인 선진국 둘과 신흥시장국 넷에서 매우 비슷했습니다. 다만 연구진은 중요한 단서를 답니다. 다른 나라에서는 다른 결과가 나올 수 있다는 것입니다.

여성과 고학력자는 더 노출되어 있다

성별로 보면 대부분의 나라에서 여성이 남성보다 노출이 높은 직업에 더 많이 종사하고 있었습니다. 그런데 그 비중이 보완성이 낮은 일자리와 높은 일자리에 대략 고르게 나뉘어 있습니다. 그래서 연구진은 이 결과를 여성이 더 큰 위험과 더 큰 기회를 동시에 마주한다는 뜻으로 읽습니다. 이 패턴에서 벗어나는 나라들이 있는데, 농업 부문이 큰 나라에서 여성이 농업 일자리에 많이 몰려 있는 경우가 그렇습니다. 연구진은 인도를 예로 듭니다.

교육 수준에서는 결과가 더 선명합니다. 조사한 모든 나라에서 교육 수준이 높을수록 고노출 직업의 고용 비중이 높았고, 특히 보완성이 높은 직업에서 그 경향이 두드러졌습니다. 노출이 더 높다는 사실은 자동화와 달리 AI가 고숙련 노동자에게 더 강하게 영향을 줄 수 있다는 세간의 시각을 뒷받침합니다. 다만 그 높은 노출은 더 큰 보완 가능성으로 완화됩니다. 고학력자가 더 노출되어 있다는 것과 더 위험하다는 것은 같은 말이 아니라는 뜻입니다.

[관점]
여성의 노출이 높다는 결과는 과거 자동화 논의와 정확히 반대 방향입니다. 산업 로봇과 공정 자동화는 제조업 생산직을 겨냥했고 그 직군은 남성 비중이 압도적이었습니다. AI는 사무, 행정, 고객 응대, 돌봄과 교육 같은 서비스 직군을 건드리고 이쪽은 여성 비중이 높습니다.

여기서 주의할 점은 연구진이 ‘위험과 기회가 반반’이라고 정리한 근거가 비중의 분포일 뿐이라는 것입니다. 보완성이 높은 쪽에 속한 여성이 실제로 그 혜택을 거두려면 AI 숙련을 익히고 그 직무에 머물러야 합니다. 노출 분포가 반반이라는 사실 자체는 결과가 반반이 되리라는 보장이 아닙니다. 연구진도 같은 절에서 보완성이 높은 직업에서도 AI 관련 숙련이 없는 노동자는 고용이 줄어들 위험이 있다고 적어 두었습니다.

연령에서는 공통 패턴이 나타나지 않는다

연령별로는 공통된 양상이 나오지 않았습니다. 연구진의 설명은 이렇습니다. 연령대별 집단의 성별 구성과 교육 구성이 나라마다 아주 다르기 때문에, 그 차이가 연령 자체의 효과를 가려버린다는 것입니다.

영국과 미국에서는 지난 30년간 대학 진학이 늘어난 덕분에 젊은 집단에 대졸자가 더 많습니다. 연령대별 성별 구성은 비슷합니다. 반면 신흥시장국과 저소득국에서는 고등교육을 받은 사람 자체가 적고, 대신 최근 여성 노동참여가 늘면서 젊은 집단에 여성이 더 많습니다. 두 효과가 나라마다 다른 방향으로 작동하니 연령별 노출에 일관된 그림이 나올 수 없습니다.

노출은 고르게, 보완성은 위쪽으로

소득 분포로 보면 두 지표가 서로 다르게 움직입니다. 대체 위험에 놓인 직업, 즉 노출은 높고 보완성이 낮은 직업의 고용 비중은 소득 분위를 가로질러 대체로 비슷했습니다. 신흥시장국에서 기울기가 약간 양으로 나타나는 정도입니다.

이것이 과거와의 결정적 차이입니다. 자동화와 정보기술의 이전 물결에서는 대체 위험이 중간 소득 계층에서 가장 높았습니다. 대중적 논의가 짚어 온 대로, AI는 전통적 자동화와 달리 소득 분포 전 구간의 일자리에 영향을 줄 수 있다는 점에서 다릅니다.

그런데 보완성은 다릅니다. 노출과 보완성이 모두 높은 직업의 고용은 소득 상위 분위에 더 몰려 있습니다. 소득과 잠재적 보완성 사이의 상관은 교육 수준에서 나온 결과와 일관되고, 신흥시장국에서 더 뚜렷하게 나타납니다. 그래서 AI의 이득은 고소득자에게 불균형하게 돌아갈 가능성이 크다는 것이 연구진의 결론입니다.

나라별로는 정도가 다릅니다. 인도에서 그 경향이 가장 강하고, 미국도 소득 분포 꼭대기로 갈수록 보완성이 꾸준히 올라갑니다. 반면 영국처럼 꼭대기에서 보완성 상승이 평평해지는 나라에서는 이 현상이 더 완만하게 나타날 것으로 봅니다.

해설
미시자료 분석에 쓰인 여섯 나라의 자료는 각국 노동력조사입니다. 미국은 아메리칸커뮤니티서베이(ACS), 영국은 노동력조사(LFS), 브라질은 전국가구표본조사(PNADC), 콜롬비아는 통합가구대조사(GEIH), 인도는 정기노동력조사(PLFS), 남아프리카공화국은 노동시장동학조사(LMDSA)입니다.

조사 연도는 나라마다 다릅니다. 미국, 남아프리카공화국, 인도는 2019년 자료이고 콜롬비아, 영국, 브라질은 2022년 자료입니다. 표본 규모는 미국이 약 224만 명으로 가장 크고 브라질 192만 명, 콜롬비아 92만 명, 인도 42만 명, 영국 24만 명, 남아프리카공화국 7만 명 순입니다. 미국과 인도, 남아프리카공화국의 자료가 생성형 AI 대중화 이전 시점이라는 점은 염두에 둘 만합니다. 직업 구성 자체가 그 사이 움직였을 가능성을 이 분석은 담지 못합니다.

[한국 관점]
소득 상위로 갈수록 보완성이 높아진다는 결과를 한국에 대입하면 두 갈래 함의가 나옵니다.

하나는 교육 투자의 성격이 바뀐다는 것입니다. 한국의 사교육과 대학 진학 경쟁은 오랫동안 ‘어느 직업에 들어가느냐’를 놓고 벌어졌습니다. 그런데 이 분석이 맞다면 같은 직업 안에서도 AI를 다룰 줄 아는 사람과 아닌 사람 사이에 보상 격차가 벌어집니다. 직역 진입보다 진입 이후의 숙련 갱신이 소득을 가르게 된다는 뜻입니다.

다른 하나는 성별 격차입니다. 한국의 성별 임금 격차는 OECD 회원국 가운데 가장 큰 축에 속해 왔고, 그 배경에는 여성이 사무직과 서비스 직군에 더 몰려 있는 직종 분리가 있습니다. 연구진의 결과대로 여성의 노출이 높고 그 절반이 보완성 낮은 쪽이라면, AI는 기존 직종 분리를 그대로 증폭하는 경로를 탈 수 있습니다. 반면 보완성이 높은 절반에서 숙련 획득이 이뤄진다면 격차를 줄이는 쪽으로도 작동할 수 있습니다. 어느 쪽이 될지는 기술이 아니라 재훈련 접근성이 결정합니다.

사람은 직업을 옮길 수 있는가

일자리가 바뀌는 것과 사람이 옮겨가는 것은 다르다

앞 절까지는 현재 고용 구성에 기초한 정지 화면이었습니다. 그러나 시간이 지나면 노동자들은 변하는 노동시장에 적응할 것이고, 일부는 보완성이 높은 역할로 옮겨가는 반면 일부는 적응에 애를 먹을 것입니다.

연구진이 여기서 강조하는 구분이 있습니다. 노출과 보완성 분석은 직업 수준에서 이뤄지지만, 일자리와 노동자는 다른 문제라는 것입니다. AI 도입은 어떤 일자리를 없애고 그 자리에 있던 사람을 밀어내는 한편 다른 일자리를 만들거나 강화합니다. 그런데 새로 생긴 혜택을 거두는 사람이 밀려난 바로 그 사람인지는 전혀 분명하지 않습니다. 고용 효과는 노동자 개인의 특성에 좌우될 것이고, 그 특성이 적응력을 결정합니다. 그리고 과거 자료는 일부 노동자가 기술이 불러온 변화에 적응하지 못한다는 점을 보여줍니다.

연구진은 각주에서 그 과거 자료의 내용을 요약합니다. 미국에서는 1980년대 이후 일상적 육체노동 일자리의 감소에 교육 수준이 낮은 젊은 남성이 크게 기여했고, 일상적 인지노동 일자리의 감소는 중간 수준의 교육을 받은 여성이 이끌었습니다. 이들은 저임금 직업으로 옮기거나 아예 일을 그만두는 경우가 많았습니다. 그런데 재배분의 대부분은 실업이나 비경제활동 상태에서 그 직업들로 진입하는 흐름이 줄어든 데서 일어났습니다. 자동화가 이미 일하고 있던 사람보다 구직자에게 더 큰 영향을 미쳤다는 뜻입니다. 영국에서는 일상 과업 일자리의 감소가 대졸 학위가 없는 여성에게 연령대별로 다르게 작용했습니다. 나이 든 여성은 더 높은 임금의 일자리로 옮겼지만 젊은 여성은 더 낮은 임금의 육체노동으로 내려갔습니다.

해설
이 절의 분석이 브라질과 영국에만 적용된 이유는 자료 구조에 있습니다. 두 나라의 노동력조사가 순환 패널(rotating panel) 방식이어서 같은 개인을 시간에 걸쳐 추적할 수 있기 때문입니다. 가구를 분기마다 면접하고 다섯 분기 동안 표본에 남겨 두었다가 차례로 교체하는 방식입니다.

브라질 조사에는 추가 작업이 필요했습니다. 분기를 가로질러 가구는 식별되지만 가구 안의 사람 수가 식별되지 않기 때문에, 개인 특성에 기초해 분기 간 개인을 연결하는 매칭 알고리즘을 써야 했습니다. 연구진은 2008년에 제안된 알고리즘을 Datazoom이 구현한 버전으로 사용했습니다.

연구진이 스스로 붙인 한계도 있습니다. 자료의 시계열 길이가 짧아 코호트 효과를 반영하지 못했다는 점입니다. 성별을 따로 다루지 않은 것은 결과를 숨긴 것이 아니라, 아래 결과들이 남성과 여성 각각에 대해서도 그대로 성립했기 때문입니다.

대졸자는 AI 주변에 머문다

대졸자든 아니든 사람들은 직업을 자주 바꿉니다. 대졸 노동자의 연간 직업 전환 확률은 브라질에서 43.7%, 영국에서 29.8%입니다. 비대졸 노동자는 각각 38%와 27%입니다. 연구진은 이 값이 다른 연구들과 대체로 일치한다고 밝힙니다. 미국에 대해서는 연간 21%라는 추정과, 월 3.5%로 연간 34.7%에 해당한다는 추정이 있습니다. 브라질에 대해서는 4개월 동안 30%라는 추정이 있습니다.

여기서 전체 양상은 이렇습니다. 사람들은 대체로 비슷한 유형의 직업들 사이를 오갑니다. 변하는 노동시장에 맞춰 조정할 수 있는 유연성이 제한적일 수 있다는 뜻입니다. 그래도 노출 수준이 서로 다른 직업들 사이를 넘나드는 전환도 상당한 비중을 차지합니다.

그 안에서 교육 수준이 갈리는 지점이 나옵니다. 대졸자는 역사적으로 지금 AI 보완성이 높은 것으로 분류되는 일자리로 옮겨갈 능력을 더 많이 보여 왔습니다. 이미 AI 집약적이거나 앞으로 그렇게 될 직업에서 일하는 대졸자는 직업을 바꿀 때도 그런 환경 안에 머무르는 경향이 있습니다. AI가 그 역할을 보완하든 대체하든 상관없이 그렇습니다. 게다가 보완성이 낮은 일자리를 떠나는 사람 가운데 3분의 1이 넘는 비중이 보완성이 더 높은 역할로 이동합니다. 일자리 성장의 통로가 열려 있다는 증거입니다.

비대졸 노동자의 양상은 다릅니다. 이들은 주로 AI 노출이 낮은 일자리에 몰려 있고, 노출은 높고 보완성이 낮은 직업에서 자리를 옮길 때 보완성이 높은 자리로 가는 경우가 더 적습니다. 연구진은 산업 간 이동도 일어나지만 노출과 보완성 분류가 산업 수준에서 이뤄지지 않았다고 단서를 답니다. 어떤 직업은 산업에 묶여 있고 의사가 보건의료에서 일하는 것이 그 예이지만, 다른 직업들은 여러 산업을 넘나들 수 있기 때문입니다.

생애주기로 보면 20대와 30대가 갈림길이다

연구진은 생애주기별 고용 비중을 추정해 교육 수준에 따른 경로 차이를 봅니다. 대졸 노동자는 20대와 30대에 보완성이 낮은 일자리에서 높은 일자리로 옮겨가는 경우가 많습니다. 경력 진전은 30대 후반에서 50대 초반 사이에 안정됩니다. 대개 그 무렵 상급 직책에 도달해 있고 큰 폭의 직업 전환을 할 유인이 줄기 때문입니다. 비대졸 노동자도 비슷한 모양을 보이지만 진전의 폭이 덜 뚜렷하고 고노출 직책을 차지하는 비중이 더 낮습니다.

여기서 연구진은 젊은 고학력 노동자가 교란과 기회를 동시에 마주한다고 정리하면서 양쪽 가능성을 나란히 놓습니다.

한쪽은 사무직 같은 보완성이 낮은 자리가 보완성이 높은 자리로 가는 디딤돌 역할을 해 왔다면, 그 수요가 줄어들 때 젊은 고숙련 노동자의 노동시장 진입 자체가 어려워진다는 것입니다. 사다리의 첫 칸이 사라지는 문제입니다.

다른 쪽은 반대 방향입니다. AI가 젊은 대졸자에게 새로운 기술에 대한 친숙함을 살려 생산성을 높이고 더 빨리 숙련자가 될 길을 열어줄 수 있습니다. 생성형 AI가 등장하면서 AI를 쓰는 일 자체가 훨씬 쉬워졌습니다. 연구진은 2023년의 한 연구를 인용합니다. AI 기반 대화형 어시스턴트의 생산성 효과가 경험이 적고 숙련도가 낮은 고객지원 노동자에게 가장 컸고, 경험이 많고 숙련도가 높은 노동자에게는 미미했다는 결과입니다.

고령 노동자는 돌아오지 못한다

고령 노동자는 적응력이 떨어지고 이동에 추가적인 장벽을 마주하며, 그 사실은 해고 뒤의 낮은 재취업 가능성으로 드러납니다. 일자리를 잃은 뒤 1년 안에 새 일자리를 구할 확률이 청년층과 한창 일할 나이의 노동자보다 낮습니다. 연구진이 쓰는 분류에서 한창 일할 나이는 35세 초과 55세 미만, 고령은 55세 이상입니다. 재취업 확률은 직전 분기 안에 고용에서 실업으로 옮겨간 사람 가운데 1년 뒤 다시 고용된 비중으로 정의됩니다.

연구진은 그 이유를 넷으로 나눕니다.

  • 숙련의 노후화 — 한때 수요가 많던 기술이 빠른 기술 진보로 쓸모를 잃었을 수 있습니다.
  • 지리적·정서적 결속 — 한 지역에 오래 머물면서 배우자와 자녀 같은 연결이 생기고, 새 일자리를 위한 이주를 꺼리게 됩니다.
  • 누적된 재무 의무 — 해가 갈수록 쌓인 지출 부담 때문에 임금이 깎이는 자리를 받아들이기 어렵습니다.
  • 전환에 대한 심리적 장벽 — 한 산업이나 직업에 수십 년을 투자한 뒤에는 완전히 새로운 역할로 옮기는 데 자연스러운 주저나 인식상의 벽이 생깁니다. 익숙한 환경에 대한 편안함, 새 영역에서의 학습 곡선에 대한 부담, 그리고 연령 편견에 대한 체감이 겹친 결과입니다.

더 구체적으로 보면, 실업을 겪은 뒤 고령 노동자는 이전에 노출과 보완성이 모두 높은 직업에 있었더라도 같은 범주의 일자리를 다시 찾을 가능성이 한창 일할 나이의 노동자보다 낮습니다. 기술 변화, 노동자 선호의 변화, 그리고 보완성과 노출이 높은 직업의 채용 과정에서 작동하는 연령 관련 편견이나 고정관념이 함께 작용한 결과입니다.

기술 변화는 새 숙련을 배워야 한다는 요구를 통해 고령 노동자에게 닿습니다. 기업은 남은 경력 기간이 짧은 노동자에게 새 기술을 가르치는 투자가 수지에 맞지 않는다고 볼 수 있습니다. 노동자 본인도 남은 고용 기간이 제한적이라 그 훈련의 편익이 작다고 보고 참여하지 않을 수 있습니다. 연금과 실업보험이 후할수록 이 효과는 증폭됩니다. 연구진은 핀란드 사례를 각주에 붙입니다. 디지털 기술에 더 많이 노출된 직업의 고령 노동자가 매년 고용에서 이탈할 가능성이 높았고, 은퇴 시점까지 실업급여를 연장해 주는 이른바 ‘실업 터널’ 제도를 이용할 수 있을 때 그 효과가 더 커졌다는 결과입니다.

이 경로들은 2023년의 다른 연구와도 맞물립니다. 실업 이후 발생하는 소득 손실의 45%를 기술이 설명한다는 연구인데, 그 주된 이유는 새 숙련이 없는 노동자가 기존 숙련을 인정받되 임금은 더 낮은 일자리로 옮겨가기 때문입니다.

[관점]
고령 노동자 대목에서 연구진이 연금과 실업보험의 후함을 증폭 요인으로 지목한 것은 조심스럽게 읽을 대목입니다. 문장만 보면 사회안전망이 두터울수록 고령층이 노동시장에서 더 빨리 빠진다는 뜻이고, 이는 안전망 축소 논거로 쓰일 수 있습니다.

다만 같은 노트의 결론부는 정반대 방향을 권고합니다. 사회안전망과 재훈련이 포용성을 담보하는 데 결정적이라는 것입니다. 두 서술이 모순은 아닙니다. 소득을 보전하는 급여와 재진입을 돕는 적극적 노동시장 정책은 성격이 다르고, 핀란드 사례가 지목한 것은 은퇴까지 급여를 이어주는 설계가 재진입 유인을 지워버린다는 점이기 때문입니다. 문제는 안전망의 크기가 아니라 안전망이 출구로 설계되었는지 입구로 설계되었는지에 있습니다.

직업을 옮기면 임금은 어떻게 되는가

브라질과 영국 모두에서 노출과 보완성이 모두 높은 직업으로 올라가는 전환은 더 높은 임금과 연결됩니다. 여기서 임금 프리미엄은 같은 범주에 머문 사람, 즉 1년 동안 직업을 바꾸지 않은 사람 대비 임금의 증감으로 계산됩니다. 그래서 이런 유형의 일자리에 더 많이 접근할 수 있다는 것은 선진국이든 신흥·개도국이든 소득 증가의 중요한 동력이 될 수 있습니다.

반대 방향도 있습니다. 브라질에서는 노출이 높은 직업에서 노출이 낮은 직업으로 옮긴 노동자의 시간당 임금이 줄어드는 경향이 나타났습니다. 그런 전환은 소득 손실과 연결될 수 있다는 뜻입니다. 연구진은 직업 이동이 개인 수준의 임금 성장과 노동자 간 임금 불평등 모두를 끌고 가는 중요한 요인이라는 연구 흐름이 2009년 이후 축적되어 왔다고 각주에 적습니다.

임금 변동을 계산한 방식도 밝혀 둡니다. 영국 노동력조사는 가구가 조사에 참여하는 첫 번째와 마지막 차수에만 임금 자료를 기록합니다. 그래서 분기가 아니라 1년 단위로 전환과 임금 변화를 봅니다. 브라질은 다섯 차수 모두 임금 자료가 있지만 영국과 방법을 맞추기 위해 역시 1년 단위로 보았습니다. 임금 변동은 개인이 조사에 머무는 다섯 번째 분기와 첫 번째 분기 사이 총시간당임금의 로그값 변화로 구성됩니다. 회귀식에는 연령, 교육, 성별 같은 인구 특성과 연령·교육 교차항, 브라질의 경우 비공식성 더미, 그리고 연도-분기 고정효과와 지역 고정효과가 들어갑니다. 직장을 옮긴 전환과 실업을 거친 전환도 따로 구분해 통제합니다.

분기별로 보면 노동시장은 생각보다 굳어 있다

부록의 분기별 전환행렬은 이 절의 결론을 다른 각도에서 확인해 줍니다. 여기서 전환은 현재 분기의 직업 코드가 직전 분기와 다른 경우를 말하며, 고용주를 바꾸는 경우와 같은 고용주 아래서 직무만 바꾸는 경우를 모두 포함합니다.

브라질에서 고노출 직업에 있던 사람은 다음 분기에도 81.3%가 고노출 직업에 남습니다. 저노출 직업으로 옮기는 비중은 11.2%, 실업으로 가는 비중은 2.5%, 비경제활동으로 빠지는 비중은 5%입니다. 저노출 직업에 있던 사람은 82.3%가 그대로 남고 7.1%만 고노출 직업으로 올라갑니다. 실업 상태였던 사람은 다음 분기에 43%가 여전히 실업이고 25.1%는 비경제활동으로 빠지며, 고노출 직업으로 들어가는 비중은 10.2%, 저노출 직업으로 들어가는 비중은 21.7%입니다.

영국의 경직성은 더 큽니다. 고노출 직업에 있던 사람의 96%가 다음 분기에도 같은 자리에 있고, 저노출 직업에서도 94%가 그대로입니다. 실업 상태였던 사람은 60%가 다음 분기에도 실업이고 16%가 비경제활동으로 빠집니다.

브라질에서 본 비공식 부문의 위험

많은 신흥·개도국에서 노동의 비공식성이 높다는 점은 별도의 우려를 낳습니다. 그러나 연구진은 AI가 불러올 재배치가 공식 노동력의 규모를 크게 바꾸지는 않을 것으로 봅니다. 노출과 보완성이 모두 높은 직업의 성장은 주로 공식 부문에서 일어날 것이기 때문입니다. 그런 역할은 대체로 숙련되고 공식적으로 고용된 노동자를 요구합니다. 그래서 AI의 성장이 사람들을 비공식 부문에서 공식 부문으로 끌어올리지는 않는다는 뜻입니다.

문제는 반대 방향입니다. 노출은 높고 보완성이 낮은 직업에서 밀려난 노동자가 일자리를 잃고 비공식 부문으로 내려갈 수 있습니다. 브라질 자료는 이 이중의 타격이 일어날 위험이 제한적이라는 신호를 보냅니다. 노출이 낮은 직업의 고용 가운데 상당한 몫이 이미 공식 고용 형태에 있기 때문입니다. 다만 연구진은 이 결과가 다른 신흥시장국으로 확장되지 않을 수 있다고 단서를 답니다. 또 공식 부문 노동자의 직업 전환 대부분은 비공식 부문으로의 이동을 수반하지 않았고, 역사적으로 노출이 높은 직업에서 낮은 직업으로 옮긴 노동자 가운데 비공식 부문으로 들어간 비중은 약 20%에 그쳤습니다.

연구진이 스스로 내리는 정리

AI가 노동시장을 다시 짜면 노동자들은 변하는 수요에 맞춰 적응할 것이고, 그 결과는 교육과 연령에 따라 달라질 것입니다. 젊은 대졸 노동자는 가장 취약하면서 동시에 가장 적응력이 높고, 직업 유형 사이를 자주 오갑니다. 브라질과 영국의 과거 양상은 노출과 보완성이 모두 높은 역할에 임금 프리미엄이 붙는 반면 노출이 낮은 역할로 옮기면 임금이 줄어들 수 있음을 보여줍니다. 모든 연령대의 노동자가 실업 이후 비슷한 역할로 돌아가려는 경향은 노동시장에 일정한 경직성이 있음을 시사합니다.

조정 능력이 AI가 불러올 변화를 헤쳐 나가는 데 결정적입니다. 그러면서 연구진은 마지막 단서를 답니다. 이 절에서 살펴본 과거의 양상이 유용하긴 하지만 AI 도입이 만들어낼 구조 전환은 여전히 불확실하며, 노동시장 전체와 개별 노동자가 어떻게 조정해 갈지는 누구도 확실히 알지 못한다는 것입니다.

[한국 관점]
이 절에서 한국에 가장 날카롭게 닿는 것은 디딤돌 문제입니다. 사무직이 보완성 높은 자리로 가는 첫 칸이라면, 그 칸이 줄어들 때 가장 먼저 타격을 받는 것은 이미 자리를 잡은 사람이 아니라 진입하려는 사람입니다. 연구진이 인용한 미국 사례에서 자동화의 영향이 재직자보다 구직자에게 더 크게 나타났다는 결과도 같은 방향을 가리킵니다.

한국의 청년 고용 통계가 신규 채용 축소에 민감하게 반응해 온 구조를 생각하면, AI의 고용 효과는 해고율보다 신규 채용 공고 수에서 먼저 드러날 가능성이 큽니다. 공채 축소와 경력직 선호가 이미 진행된 상태에서 AI가 초급 직무를 흡수하면 두 흐름이 겹칩니다.

고령 노동자 쪽은 더 복잡합니다. 한국은 법정 정년 이후 재취업이 질 낮은 일자리로 하향 이동하는 경로가 이미 고착되어 있고, 연구진이 지목한 ‘기존 숙련을 인정받되 임금은 더 낮은 일자리로의 이동’이 바로 그 모습입니다. 여기에 AI가 얹히면 하향 이동의 폭이 더 커질 수 있습니다. 다만 한국의 경우 연구진이 지적한 후한 실업급여의 증폭 효과보다는, 재훈련 체계가 고령층의 실제 재취업과 연결되지 못하는 쪽이 더 큰 병목으로 보입니다.

모형이 말하는 생산성과 불평등

세 개의 경로

연구진은 앞의 실증 결과를 보완하기 위해 모형 기반 분석으로 넘어갑니다. 경제 전체에 미칠 더 넓은 효과를 보기 위해서이고, 그 통로를 세 가지로 추립니다.

  • 노동 대체 — AI 도입이 이전에 노동이 수행하던 과업을 AI 자본으로 옮기면서 노동소득이 줄어드는 경로입니다.
  • 보완성 — AI가 대체하지 못한 과업의 중요도가 커지는 경로입니다. 인간 노동과 AI 사이의 보완성이 높은 직업에서 특히 그렇고, 그 결과 부가가치와 노동 수요가 보완성이 높은 직업 쪽으로 이동하고 다른 직업에서는 빠져나갑니다.
  • 생산성 향상 — AI 도입이 광범위한 생산성 향상을 불러와 투자를 늘리고 전체 노동 수요를 키우는 경로입니다. 이 경로는 노동 대체가 만든 노동소득 감소를 일부 상쇄할 수 있습니다.

그래서 AI가 소득 수준과 불평등에 미칠 전체 효과는 AI가 만든 생산성 향상이 경제활동을 얼마나 키워 노동소득 손실을 메우느냐에 달려 있습니다.

모형은 과업 기반 모형이고, 로콜과 피치넬리, 타바리스가 쓸 논문에 상세가 담겨 있습니다. 기존의 두 모형을 결합한 것입니다. 모형 속 경제주체는 노동생산성과 자산 보유량에서 서로 다르기 때문에 소득과 부의 분포를 풍부하게 그릴 수 있습니다. AI는 최대 잠재력까지 도입된다고 가정하고, 각 주체에게 미치는 영향은 그 사람의 AI 노출과 보완 가능성에 따라 달라집니다. 여기에 더해 AI 도입은 자본수익률을 끌어올려 자본소득을 늘리고, 초기 자산 분포와 맞물려 부와 부의 불평등을 함께 키웁니다.

해설
모형의 구조를 조금 더 풀면 이렇습니다. 시간은 연속으로 흐르고, 최종 소비재는 중간재로 만들어지며, 중간재는 콥더글러스 생산함수로 묶인 연속적인 과업들로 생산됩니다. 각 과업은 노동으로도 자본으로도 수행될 수 있습니다.

경제주체는 숙련과 자본시장에 투자할 능력이 서로 달라 자본 보유량에 차이가 생깁니다. 노동은 비탄력적으로 공급하고 소진 충격을 겪습니다. 부문마다 임금이 다르고, 채권에 투자하면 무위험 수익률을, 자본시장에 투자하면 그보다 높은 자본수익률을 받습니다. 주체들은 예산제약과 자연 부채한도 아래에서 소비 효용을 극대화합니다. 숙련 유형과 투자 능력의 이질성이 있기 때문에 모형이 현실의 소득·부 불평등을 재현할 수 있습니다.

세 경로는 생산함수의 서로 다른 계수가 움직이는 것으로 표현됩니다. 노동 대체는 과업 가운데 자본이 수행하는 몫을 나타내는 계수의 변화이고, 자본이 그 과업을 노동보다 더 생산적으로 수행한다고 가정하기 때문에 대체 자체가 생산성을 높입니다. 보완성은 각 숙련이 수행하는 과업이 부가가치에서 차지하는 중요도의 변화이며, 전체 노동소득 분배율에는 영향을 주지 않는다고 가정합니다. 생산성은 해당 과업에서 노동의 생산성 자체가 올라가는 변화입니다.

영국을 기준으로 보정한 이유

모형은 영국에 맞춰 보정됩니다. AI 도입에 크게 노출된 나라이기 때문입니다. 노동자의 소득은 셋으로 나뉩니다. 첫째는 노동소득이고 숙련과의 보완 정도에 따라 AI에 긍정적으로도 부정적으로도 노출됩니다. 둘째는 자본소득이고 AI 도입과 함께 늘어납니다. 셋째는 정부 급여, 연금을 비롯한 기타 소득입니다. 연금 급여는 보통 경상소득으로 분류되지만 연금기금 소득은 자본소득으로 분류되는데, 연구진은 단순화를 위해 연금소득을 정부 급여 및 기타 소득과 묶어 처리합니다.

여기서 중요한 사실 하나가 확인됩니다. 고소득 노동자는 중저소득 노동자보다 총소득에서 자본소득이 차지하는 몫이 훨씬 큽니다. 이 소득원이 AI의 불평등 효과를 결정하는 데 핵심 역할을 할 수 있다는 뜻입니다. 중저소득 노동자의 총소득은 노동소득에 더 많이 기대고 있습니다.

노동소득에 미칠 영향은 노출과 보완성에 따라 달라집니다. 2절의 실증 결과와 마찬가지로 노동자의 AI 노출은 소득이 높아질수록 커집니다. 잠재적 보완성도 소득과 함께 커지는데, 영국의 경우 75번째 백분위 부근에서 정점을 찍고 그 뒤로는 소폭 하락합니다. 이 분석에서 AI 노출은 노출 점수 상위 30%에 해당하는 일자리에서 일한 총노동시간의 비중으로 측정되며, 노동시간으로 가중합니다. 상위 30%라는 기준선은 과거 자동화 국면과 비교 가능하게 만들기 위해 선택된 것입니다.

노동소득 분배율 5.5%포인트라는 가정

AI의 영향은 세 가지 시나리오로 모의됩니다. 공통 전제는 과거 자동화와 연결된 비교 가능한 국면에 맞춘 노동소득 분배율 하락입니다. 역사적으로 노동소득 분배율의 하락은 일상 과업 편향적 자동화와 연결되어 왔고, 그 정도는 덜하지만 무역 증가, 마크업 상승, 노조 약화에 따른 노동자 교섭력 저하와도 연결되어 왔습니다. 연구진은 1980년부터 2014년까지 영국에서 관찰된 변화를 하나의 가능한 시나리오로 삼아, AI 도입 이후 노동소득 분배율이 5.5%포인트 떨어진다고 가정합니다. 이 충격은 소득 분포 전체에 노출과 보완성에 따라 나뉘어 퍼집니다.

세 시나리오는 자본 심화를 통한 과업 대체의 크기는 같고 보완성과 생산성에서 갈립니다.

  • 낮은 보완성 — AI가 보완성 높은 직업에 대한 수요를 약하게만 늘리는 경우입니다.
  • 높은 보완성 — AI가 보완성 높은 직업에 대한 수요를 강하게 밀어올리는 경우입니다.
  • 높은 보완성과 높은 생산성 — 두 번째 시나리오에 더해 AI가 경제 전체의 생산성까지 높이는 경우이고, 그 생산성 향상은 주로 보완성이 높은 직업의 노동자를 통해 나타납니다.

생산성 증가는 AI 도입 후 첫 10년 동안 노동자 평균 연간 생산성 증가율을 1.5%포인트 가까이 높이도록 보정되었습니다. 연구진은 이 값이 AI 도입의 생산성 효과를 추정한 기업 수준 연구들의 범위에서 낮은 쪽 끝에 해당한다고 밝힙니다. 이 분석은 정상상태끼리 비교한 것이지만 모형 자체는 장기 정상상태로 가는 단기 동학도 다룰 수 있습니다.

[관점]
보정 가정 두 가지는 이 절의 결과를 읽을 때 반드시 함께 봐야 합니다. 하나는 노동소득 분배율이 5.5%포인트 떨어진다는 가정이고, 다른 하나는 생산성이 연 1.5%포인트 올라간다는 가정입니다. 둘 다 추정이 아니라 입력값입니다.

특히 노동소득 분배율 가정은 34년에 걸쳐 일어난 변화를 AI 하나가 다시 일으킨다고 놓은 것이고, 연구진 스스로 그 34년의 하락이 자동화만이 아니라 무역과 노조 약화에도 기인한다고 적어 두었습니다. 그렇다면 같은 크기의 하락을 AI 단독으로 가정한 것은 상당히 공격적인 설정입니다.

생산성 가정은 반대로 보수적입니다. 기업 수준 연구 범위의 하단을 썼습니다. 결국 이 모형은 대체 효과는 세게, 생산성 효과는 약하게 놓고도 소득 수준이 대부분 구간에서 올라간다는 결과를 얻었다는 뜻이 됩니다. 결과의 방향을 평가할 때 이 비대칭을 염두에 둘 필요가 있습니다.

보완성이 강할수록 노동소득 불평등은 커진다

연구진은 노동소득 불평등의 향방을 노출과 보완성, 그리고 생산성 상승 사이의 경주로 표현합니다.

AI의 노동 보완성이 낮을 때는 대체 효과 때문에 노동소득 불평등이 오히려 줄어듭니다. 소득 분포의 꼭대기에서는 대체 효과가 보완 이득보다 크기 때문에 노동소득이 감소합니다. 상위 구간에서 AI로 부정적 영향을 받는 노동자 비중이 15%에 가깝습니다.

AI가 노동을 강하게 보완할 때는 양상이 뒤집힙니다. 소득 분포의 상반부에서 특히 보완 효과가 대체 효과보다 강해지고, 낮은 보완성 사례에 비해 부정적 영향을 받는 고소득 노동자의 비중이 줄어듭니다. 상위 구간에서 부정적 영향을 받는 비중이 15%에서 5% 미만으로 떨어집니다. 그런데 이 높은 보완성은 동시에 보완 가능성이 낮은 과업에 종사하는 사람들의 노동소득을 떨어뜨리고, 이들은 대개 저소득 노동자입니다. 그 결과 노동소득 불평등이 커집니다.

생산성 효과까지 넣으면 경제 전체 노동자의 노동소득이 모두 올라갑니다. 노출이 낮은 노동자도, 노출은 높지만 보완성이 낮은 노동자도 마찬가지입니다. 생산성이 올라가면 경제 안 모든 생산요소에 대한 수요가 늘어나 노동소득이 함께 증가하기 때문입니다. 그래도 노동소득 불평등은 커집니다. 증가폭이 AI 보완성이 높은 노동자에게 더 크기 때문입니다.

부의 불평등은 어느 시나리오에서나 커진다

노동소득 불평등과 달리 자본소득 불평등과 부의 불평등은 AI 도입과 함께 언제나 증가합니다. 이유는 단순합니다. AI가 노동을 대체하고 AI 자본에 대한 수요를 늘리면서 자본수익률과 보유 자산의 가치가 함께 올라가기 때문입니다.

모든 시나리오에서 이자율은 0.4%포인트 가까이 오릅니다. 연구진은 이것이 영국을 비롯한 선진국의 자연이자율 하락을 부분적으로 상쇄할 잠재력을 갖는다고 봅니다. 상승폭이 인구구조 때문에 떨어진 영국 자연이자율 하락분과 대략 같은 크기라는 설명도 덧붙입니다.

모형에서도 현실과 마찬가지로 고소득 노동자가 자산의 큰 몫을 보유하므로 자본수익 상승의 혜택을 더 많이 가져갑니다. 그 결과 노동소득에 미치는 영향이 어떻든 모든 시나리오에서 최상위 소득자의 총소득은 자본소득 증가 덕분에 늘어납니다. 다만 연구진은 이 시뮬레이션이 재산권 정의의 변화나 재정·재분배 정책의 변화를 추상해 버린다는 점을 명시합니다. 그런 정책들은 분배 결과를 다시 짤 수 있기 때문입니다.

생산성까지 더해지면 모두의 소득이 오른다

총량 지표로 보면 세 시나리오의 차이가 분명해집니다. 첫 번째 시나리오, 즉 AI의 보완성이 낮은 경우에는 자본 심화와 소폭의 총요소생산성(TFP) 상승이 결합해 산출이 10% 가까이 늘어납니다.

두 번째 시나리오에서는 산출과 총요소생산성에 미치는 영향이 첫 번째와 비슷합니다. 두 시나리오가 같은 자본 심화와 같은 자본 생산성 이득을 가정하기 때문입니다. 다만 보완성이 높아지면서 부문 간 재배분이 일어납니다. 노동 수요와 경제활동이 보완성 낮은 직업에서 높은 직업으로 이동합니다. 저소득 노동자의 총소득 수준은 2% 감소하는 반면 꼭대기의 이득은 8%에 가깝습니다. 국민소득 수준의 증가폭은 첫 번째 시나리오와 거의 같은데 노동소득 불평등만 커지는 구도입니다.

세 번째 시나리오에서는 정상상태 사이에 산출이 16% 늘고 총요소생산성이 4% 가까이 올라갑니다. 이 이득은 주로 전환기 첫 10년에 발생합니다. 노동소득 불평등이 커지는데도 경제 안 모든 노동자의 총소득 수준이 올라가고, 그 폭은 저소득 노동자의 2%에서 고소득 노동자의 14% 가까이까지 걸쳐 있습니다.

신흥·개도국에 옮기면 어떻게 되는가

연구진은 모형 결과가 신흥·개도국의 두 가지 특성을 고려할 때 어떻게 달라질지 따져봅니다. 하나는 소득과 부의 초기 불평등이 더 크다는 점이고, 다른 하나는 AI 노출이 더 낮다는 점입니다.

시뮬레이션은 초기 불평등이 클수록 부의 격차가 더 벌어진다고 말합니다. AI와 결부된 이득이 주로 최상위 소득자에게 돌아가기 때문입니다. 동시에 노동소득 불평등은 더 크게 줄어들 수 있습니다. AI에 노출된 노동자가 소득 분포 상단에 더 몰려 있기 때문입니다. 다만 최종 효과는 선진국의 경우와 마찬가지로 보완성의 정도에 달려 있습니다.

AI에 노출된 노동자가 적은 경제에서는 소득과 부의 분포 양쪽에 미치는 직접 효과 자체가 덜 뚜렷할 수 있습니다. 혜택을 볼 사람이 애초에 적기 때문입니다. 여기에 연구진은 단서를 답니다. 신흥·개도국의 부유층이 AI 도입의 수혜를 볼 해외 주식에 얼마나 투자해 두었는지가 중요하다는 것입니다. 그 투자가 상당하다면 국내 도입이 적어도 해외 자본 보유분에서 더 높은 수익을 얻을 수 있습니다.

마지막으로 연구진은 AI가 공공서비스를 개선하고 금융을 현대화하며 농업과 보건의료 같은 부문을 떠받쳐 신흥·개도국의 포용성과 생산성을 함께 높일 잠재력이 있다고 적습니다. 다만 이는 모형 분석의 범위 밖이고 Box 2에서 따로 논의합니다.

국경을 넘는 효과

모형 시뮬레이션은 한 나라 안의 불평등에 초점을 맞추지만, AI 도입은 세계적 격차에도 큰 영향을 줄 수 있습니다. 선진국으로의 생산 활동 회귀가 그 경로입니다. 이런 이동은 AI를 다룰 준비가 덜 된 지역에서 기술적으로 앞서고 AI 준비가 된 나라로 자본과 노동이 재배분되는 결과를 낳을 수 있습니다.

연구진이 드는 예가 신흥시장국에 자리 잡은 콜센터입니다. AI 기반 솔루션으로 대체될 위험이 있고, 그 결과 활동 자체가 선진국으로 돌아갈 수 있습니다. 노동의 재배분에 더해 AI를 도입한 기업의 수익성이 올라가면 신흥·개도국에서 선진국으로 자본이 유입될 수 있고, 이는 선진국의 균형이자율을 낮추고 자본소득에 하방 압력을 가할 수 있습니다.

연구진은 이 동학이 현 단계에서 매우 불확실하다고 강조합니다. 충분한 투자가 이뤄진다면 AI가 신흥·개도국의 특정 부문에서 도약을 도울 가능성도 있고, 그 경우 더 넓은 범위의 과업을 해외로 보낼 수 있게 되어 국가 간 불평등이 오히려 줄어들 수도 있습니다.

극단의 두 시나리오가 보여주는 것

부록에서 연구진은 대체 경로와 보완성 경로의 역할을 떼어 보기 위해 두 개의 가상 시나리오를 돌립니다.

첫 번째는 대체 효과가 모든 노동자에게 똑같이 작용하고 보완성만 실제 자료대로 분포하는 경우입니다. 이때는 모든 노동자가 수행하는 과업 수가 줄어 노동소득 손실을 겪습니다. 그런데 AI 보완성이 높은 노동자는 대체되지 않은 과업에 대한 수요가 늘어나는 이득을 얻고, 그 이득은 보완성이 낮은 노동자의 희생 위에서 발생합니다. 두 효과가 겹치면서 AI 보완성이 높은 노동자가, 자료상 이들은 동시에 고소득 노동자인데, 생산성 이득의 대부분을 가져갑니다. 결과적으로 노동소득 불평등과 부의 불평등이 더 크게 증가합니다.

두 번째는 AI 노출이 소득과 함께 커지되 보완성 경로가 꺼진 경우입니다. 이때는 소득 분포 아래쪽에서 이득이 더 큽니다. 하위 노동자는 AI에 덜 노출되어 과업 대체를 덜 겪기 때문입니다. 반대로 고소득 노동자는 더 노출되어 더 큰 과업 대체를 겪습니다. 그 결과 AI 도입이 소득 불평등을 줄입니다. 자본소득 이득이 대체 때문에 생긴 상위 구간의 노동소득 손실을 메우지 못하기 때문입니다.

두 시나리오가 보여주는 것은 노출과 보완성이 소득 분포를 따라 어떻게 퍼져 있느냐가 결정적이라는 점입니다. 노출이 비교적 고르게 퍼져 있고 보완성이 꼭대기에 몰려 있으면 AI는 소득과 부의 불평등을 키울 수 있습니다. 반대로 노출이 꼭대기에 몰려 있고 보완성이 약하면 소득 불평등이 줄어들 수 있습니다.

[한국 관점]
자본소득 경로는 한국에서 특히 눈여겨볼 대목입니다. 연구진의 결론은 ‘부의 불평등은 어느 시나리오에서나 커진다’인데, 그 기제가 AI 자본에 대한 수요 증가와 자산 가치 상승이기 때문입니다.

한국 가계의 자산은 부동산 편중이 심하고 금융자산, 특히 주식 보유는 상위 계층에 집중되어 있습니다. 그런데 AI 자본의 수익이 귀속되는 곳은 주로 미국 상장 기술기업입니다. 연구진이 신흥·개도국을 두고 ‘부유층이 해외 주식에 투자해 두었다면 국내 도입이 적어도 수익을 얻는다’고 적은 논리가 한국에도 그대로 적용됩니다. 해외 주식 직접투자와 상장지수펀드를 통한 미국 시장 노출이 빠르게 늘어온 흐름을 생각하면, AI가 만드는 자본소득 이득의 상당 부분이 국내 생산과 무관하게 특정 계층에 귀속될 수 있습니다.

정책 함의도 여기서 갈립니다. 국내 AI 산업 육성은 노동 쪽 보완성을 키우는 수단이지만, 자본소득 쪽 격차는 산업정책이 아니라 세제와 재분배의 문제입니다. 연구진이 모형에서 재산권 정의와 재정정책을 일부러 빼 놓고 ‘이것들이 결국 분배를 다시 짠다’고 적어 둔 대목이 바로 그 지점을 가리킵니다.

준비된 나라와 준비되지 않은 나라

준비도가 결과를 가른다

연구진은 AI 도입에 대한 준비가 그 잠재력을 거두고 내재된 위험을 줄이는 데 필수적이라고 봅니다. AI 도입은 나라마다 서로 다른 노동시장 결과로 이어질 수 있고, 특히 인력 재배치와 불평등에서 그렇습니다. 그리고 이렇게 갈리는 결과들은 각국의 구조적·제도적 틀과 얽혀 있습니다. 기술 도입의 과거 사례들이 보여주듯, 한 나라의 준비 수준은 AI의 혜택을 최대로 끌어올리면서 하방 위험을 관리하는 데 결정적인 역할을 합니다.

그래서 연구진은 AI 준비도 지수(AIPI)를 제안합니다. 기술 확산과 도입의 국가 간 결정요인을 다룬 문헌에서 출발해, AI 도입과 관련 있는 거시구조 지표들을 골라 모았습니다. 이 지표들은 네 개 범주로 묶입니다.

  • 디지털 인프라 — 인터넷과 통신망의 접근성과 품질
  • 혁신과 경제통합 — 연구개발 생태계와 대외 개방도
  • 인적자본과 노동시장 정책 — 디지털 숙련의 보급과 노동 재배치를 돕는 제도
  • 규제와 윤리 — 새로운 디지털 사업모델에 대한 법 체계의 적응력과 집행력

네 다리 중 하나만 짧아도 넘어진다

각 구성요소가 개별적으로 중요하긴 하지만, AI가 불러올 구조 전환에 대한 준비는 결국 네 영역 전체의 집합적 성과에 달려 있다는 것이 연구진의 판단입니다. 연구진은 그 연결 고리를 하나씩 짚습니다.

디지털 인프라는 정보통신기술 도입의 결정적 요인이고 AI 기술의 확산과 현지화된 응용의 토대를 놓습니다. 그러나 디지털 플랫폼을 일터의 혁신적 응용으로 연결할 숙련 인력이 없으면 그 인프라의 쓸모는 제한적입니다.

그래서 인적자본과 노동시장 정책 항목이 필요합니다. 이 항목에는 사회안전망의 존재가 포함되고, 노동력 안에서 디지털 숙련이 얼마나 널리 그리고 고르게 퍼져 있는지, AI가 불러온 전환으로 피해를 본 사람들을 보호하면서 노동 재배치를 돕는 정책이 있는지를 평가합니다.

디지털 숙련을 갖춘 노동력은 강한 인프라와 결합해 혁신과 경제통합에도 필수적입니다. 이 항목은 활발한 연구개발 생태계를 통한 국내 기술 발전만이 아니라 국제무역을 촉진하고 외국인 투자와 새로운 AI 기술을 끌어들이는 역할까지 합니다. 마지막으로 규제와 윤리 항목은 기존 법 체계가 새로운 디지털 사업모델에 얼마나 적응할 수 있는지, 그리고 실효적인 집행을 위한 강한 거버넌스가 있는지를 평가합니다.

해설
부록에 실린 지표 목록을 보면 이 지수가 무엇을 재는지 더 구체적으로 드러납니다.

디지털 인프라. 접근성·가격·보안을 보는 지표들입니다. 인구 100명당 추정 인터넷 이용자 수, 유선전화 회선 수, 이동통신 가입자 수, 유선 광대역 가입자 수, 무선 광대역 가입자 수, 1인당 월 국민총소득 대비 인터넷 접속 비용, 인구 100만 명당 보안 인터넷 서버 수가 들어갑니다. 전자상거래 인프라 성숙도도 함께 봅니다. 민간 부문의 전자상거래 사업 환경, 우편 신뢰도 지수, 15세 이상 인구 가운데 온라인 거래에 휴대전화를 쓰는 비중, 공공 부문 온라인 서비스 인프라입니다.

인적자본과 노동시장 정책. 교육과 디지털 숙련 쪽에는 인적자본 지수, 공교육 지출의 10년 평균 국내총생산 대비 비율, 졸업생의 숙련 수준, 경제활동인구의 디지털 숙련, 과학·기술·공학·수학(STEM) 전공 졸업생 수의 10년 평균 비중과 그 가운데 여성 비중이 들어갑니다. 노동시장 유연성과 정책 쪽에는 임금 결정의 유연성, 사회보호제도 적용 인구 비율, 국내 노동 이동성, 숙련 매칭과 재훈련 같은 적극적 노동시장 정책, 임금이 생산성에 연동되는 정도가 들어갑니다.

혁신과 경제통합. 국내총생산 대비 연구개발 지출, 프런티어 기술 준비도, 민간 부문 국내신용, 평균 관세율, 비관세 장벽, 자본과 사람의 자유로운 이동입니다.

규제와 윤리. 디지털 사업모델에 대한 법 체계의 적응력과 정부 효과성 두 가지입니다. 원문에는 발간 뒤 정정 주석이 붙어 있습니다. 규제와 윤리 항목의 지표가 당초 ‘전반적 거버넌스’에서 ‘정부 효과성’으로 수정되었다는 내용입니다.

부유한 나라가 더 준비되어 있다

연구진의 결과는 간명합니다. 선진국과 일부 신흥시장국을 포함한 부유한 경제가 저소득국보다 일반적으로 AI 도입 준비가 잘 되어 있고, 다만 나라별 편차가 상당하다는 것입니다.

구도를 보면 이렇습니다. 선진국과 일부 신흥시장국은 AI가 불러올 교란에 크게 노출되어 있습니다. 고노출 직업의 고용 비중이 상당하기 때문입니다. 그런데 2절에서 분석한 영국과 미국처럼 노출이 큰 경제들이 동시에 AI의 혜택을 거두고 위험을 줄이기에도 좋은 자리에 있습니다. 디지털 인프라, 인적자본, 적응력 있는 규제 틀에서 준비 수준이 강하기 때문입니다.

반대쪽에는 저소득국이 있습니다. 상대적으로 노출은 덜하지만 AI의 혜택을 거두기에는 모든 영역에서 준비가 부족합니다. 특히 약한 디지털 인프라와 디지털 숙련이 떨어지는 노동력이 우려 지점입니다. 이런 국가 간 격차는 부유한 경제와 가난한 경제 사이의 기존 소득 격차를 더 키울 위험이 있습니다. 선진국은 앞 절의 모형 시뮬레이션이 보여준 대로 생산성 상승을 기대할 수 있기 때문입니다.

지수를 산출한 표본은 125개국입니다. 선진국 32개, 신흥시장국 56개, 저소득국 37개입니다. 비교 기준선은 준비도 지수와 고노출 고용의 중앙값입니다.

개혁의 우선순위는 격차가 있는 곳에

연구진은 개혁의 우선순위를 준비도 격차에 맞춰야 한다고 봅니다. 그러면서 준비도를 두 층으로 나눕니다.

하나는 기초 준비도입니다. 노동자와 기업이 AI를 도입할 수 있게 해 주는 디지털 인프라와 인적자본입니다. 다른 하나는 2세대 준비도입니다. 혁신 역량과 법 체계가 여기 속합니다. 부록의 설명에 따르면 앞의 둘은 도입의 전제조건이기 때문에 기초라고 불리고, 뒤의 둘은 AI의 경제적 효과를 극대화할 요소이기 때문에 2세대라고 불립니다.

AI 노출이 높고 기초 준비도가 강한 경제, 즉 선진국과 일부 신흥시장국에서는 디지털 혁신 역량을 강화하고 AI의 진전을 다스리면서 촉진할 법적·윤리적 틀을 손보는 쪽에 무게를 두어야 합니다. 실제로 선진국에서 디지털 부문의 규모와 가장 강하게 상관된 준비도 항목은 규제 틀이고, 그다음이 혁신과 경제통합입니다. 규제 틀은 AI 도구에 대한 사회적 신뢰를 넓히는 데 결정적이기 때문입니다. 규제 틀은 사이버보안 위험도 함께 줄여야 합니다. 이 위험은 AI가 널리 쓰일수록 커지고 기업 실적에 악영향을 줄 수 있습니다.

기초 준비도가 약한 곳, 즉 저소득국과 일부 신흥시장국에서는 디지털 인프라와 인적자본 투자를 우선해야 합니다. AI에서 초기 이득을 거두면서 2세대 준비도로 가는 길을 닦기 위해서입니다. 달리 말하면 저소득국에서 디지털 사업을 위한 혁신 역량과 규제 틀이 디지털 투자를 끌어들이는 데 중요하긴 하지만, 강한 AI 인프라와 디지털 숙련 노동력이 없으면 그 틀만으로는 효과가 떨어진다는 것입니다. 실제로 저소득국에서는 디지털 인프라와 인적자본이 디지털 부문 규모와 강하게 연결되어 있습니다.

기초 준비도가 강한 제약조건이 아닌 일부 신흥시장국과 저소득국에서는 혁신과 규제 틀의 개선이 디지털 혁신에 대한 민간투자를 촉발할 수 있습니다. 그런 투자가 이뤄지면 AI는 교육과 보건의료 같은 기본 서비스의 전달을 개선하고 숙련 인력이 부족한 영역에서 복잡한 과업을 수행할 수 있습니다. 다만 연구진은 현실적인 단서를 답니다. 그런 투자에 따르는 비용과 많은 저소득국의 제한된 재정 여력을 고려하면 수익률이 높은 사업에 지출을 집중하는 것이 분별 있는 선택이라는 것입니다.

지수를 어떻게 만들었는가

네 개의 집계 항목 각각에서 하위 지표들은 자료가 있는 가장 최근 연도를 기준으로 0에서 1 사이로 정규화됩니다. 각 집계 항목은 정규화된 하위 구성요소의 단순평균이고, AI 준비도 지수는 네 항목의 단순평균입니다.

연구진은 이 지수가 기존의 AI 준비도 지표들보다 두 가지 점에서 낫다고 설명합니다. 첫째, 초점이 발명 주도권이 아니라 도입 준비도에 있습니다. 그래서 저소득국을 포함한 모든 경제에서 준비 수준을 비교할 수 있습니다. 저소득국에서는 새 기술을 발명하기보다 도입하는 쪽에 초점이 맞춰질 것이기 때문입니다. 둘째, AI 시대에 적실한 노동시장 전환 지표를 결정적으로 포함합니다. 숙련 향상과 숙련 훈련 같은 적극적 노동시장 정책과 사회보호가 거기 속합니다.

단순평균 방식의 약점도 연구진 스스로 밝힙니다. 첫째, 동일가중은 본질적으로 핵심 구성요소를 과소평가하고 사소한 것을 과대평가할 위험이 있습니다. 각 요소의 영향이 집계 지수 전체로 퍼지면서 결정적인 약점이나 강점이 가려지기 때문입니다. 둘째, 단순평균은 이상치와 극단값에 민감합니다. 연구진은 각주에서 다른 집계 방식의 한계도 짚습니다. 구성요소 사이의 불완전한 대체성을 가정하는 대체탄력성 불변(CES) 방식을 쓰면, 규제 틀의 결함을 혁신 부문의 강한 성과로 어느 정도 메울 수 있다는 해석이 나올 수 있다는 것입니다.

강건성 점검으로는 주성분분석을 썼습니다. 각 집계 항목에서 하위 지표들의 제1주성분을 뽑아 0과 1 사이로 정규화한 뒤 그 합으로 지수를 다시 계산했습니다. 주성분분석 결과는 단순평균으로 얻은 결과와 구별되지 않았습니다.

[사후 맥락]
이 지수는 발표 이후 IMF의 상설 분석 도구로 자리 잡았습니다. 게오르기에바 총재는 2026년 1월 다보스 세계경제포럼에서 AI 준비도 지수를 다시 거론하며 각국을 ‘AI를 일으키는 나라’, ‘AI가 일어나는 것을 지켜보는 나라’, ‘아직 그 바깥에 있는 나라’로 나누어 설명했습니다. 같은 자리에서 그는 전 세계 일자리의 약 40%가 AI의 영향을 받는다는 이 노트의 수치를 그대로 인용하면서 노동시장에 닥친 충격의 크기를 강조했습니다.

지수 자체도 확장되었습니다. 2024년 노트가 125개국을 대상으로 했던 데 비해 IMF는 이후 이 지수를 별도 데이터베이스로 공개해 대상국을 늘렸습니다. 2024년 1월에 토론을 끌어내려고 내놓은 지표가 2년 만에 각국 정책 비교의 준거로 쓰이고 있다는 뜻입니다.

[한국 관점]
연구진이 선정한 지표 목록을 한국에 대입해 보면 강점과 약점이 비교적 선명하게 갈립니다.

디지털 인프라 항목에서 한국은 상위권일 가능성이 큽니다. 광대역과 이동통신 보급, 전자정부 서비스는 오랫동안 국제 비교에서 앞섰습니다. 인적자본 항목의 교육 쪽 지표들, 특히 고등교육 이수율과 과학·기술·공학·수학 전공 졸업생 비중도 유리합니다. 연구개발 지출의 국내총생산 대비 비율은 세계 최상위권입니다.

반면 같은 인적자본 항목 안의 노동시장 정책 쪽 지표들은 사정이 다릅니다. 임금 결정의 유연성, 국내 노동 이동성, 적극적 노동시장 정책, 임금과 생산성의 연동 같은 항목들은 한국이 국제 비교에서 강점을 보여 온 영역이 아닙니다. 혁신과 경제통합 항목의 비관세 장벽과 자본·인력의 자유로운 이동도 마찬가지입니다.

이 구성이 뜻하는 바는 분명합니다. 연구진의 분류로 보면 한국은 기초 준비도의 인프라 축은 이미 갖췄으나 노동 재배치 축이 상대적으로 약한 나라입니다. 그리고 앞서 국가 간 차이와 노동자 재배치를 다룬 절에서 본 대로 AI의 충격이 집중될 지점이 사무직과 신규 진입자라면, 약한 축이 하필 가장 필요한 축입니다. 반도체와 인프라 투자로 대응할 수 있는 문제가 아니라는 뜻입니다.

결론과 정책 고려사항

불확실성은 전기가 들어올 때와 닮았다

연구진은 AI 도입이 국가 간에 상당한 차이를 동반하는 노동시장 변화를 일으킬 수 있다는 말로 결론을 엽니다. 경제와 사회에 미칠 정확한 함의는 짚어내기 어렵고, 그 불확실성의 정도는 전기처럼 과거 범용기술이 도입될 때 겪었던 것과 닮았습니다. 특히 노동시장에서 그 불확실성이 두드러집니다. AI는 생산성 향상을 약속하는 동시에 일자리 대체의 위험을 함께 던지기 때문입니다.

이 노트의 발견은 전 세계 고용의 상당 부분이 AI에 노출되어 있다는 점, 그리고 선진국이 대체로 더 많이 노출되어 있으면서 동시에 대다수 신흥·개도국보다 이 기술을 활용하기에 더 좋은 자리에 있다는 점을 보여줍니다. 이 구도는 디지털 격차와 세계 소득 격차가 함께 벌어질 가능성을 시사합니다.

누가 밀려나고 누가 올라서는가

여성과 고학력 노동자는 일관되게 AI에 더 노출되어 있지만 동시에 AI의 혜택을 볼 가능성도 더 큽니다. 여성은 서비스 부문에 강하게 자리 잡고 있고, 고학력자는 대체로 인지 과업 집약적인 직업에 종사하기 때문입니다. 두 집단 모두 노출이 크지만 통합의 이득을 가장 많이 거둘 집단이기도 합니다.

고령 노동자는 이 기술 전환에서 더 어려움을 겪을 가능성이 큽니다. 대졸자와 젊은 사람들은 보완성이 높은 일자리로 더 쉽게 옮겨가지만, 고령 노동자는 재취업과 새 기술 적응, 이동, 새로운 직무 숙련 습득에서 모두 벽에 부딪힙니다.

소득 수준은 오르고 분배는 갈린다

연구진은 AI가 소득 수준만이 아니라 부와 소득의 분포까지 다시 짠다고 정리합니다. 자본 심화와 AI가 끌어올린 생산성 급등은 폭넓은 범위의 노동자에게 임금소득을 높여주고 총소득을 늘릴 잠재력을 갖습니다. AI가 여러 직무에서 인간 노동과 상당한 보완성을 보이고 생산성 상승이 충분히 강할 때 더 그렇습니다. AI가 촉발한 경제활동과 노동 수요의 증가가 일자리 대체의 부정적 결과를 상쇄할 수 있기 때문입니다.

그러나 분배는 다른 문제입니다. 중숙련 노동자를 주로 건드렸던 과거 자동화의 물결과 달리 AI의 대체 위험은 고소득자와 숙련 전문직을 포함해 소득 분포 전 구간에 걸쳐 있습니다. 다만 AI가 일자리를 보완할 가능성은 소득 수준과 양의 상관을 보입니다. 그래서 노동소득 불평등의 궤적은 AI가 고소득 전문직이 맡은 과업을 얼마나 잘 보완하느냐에 달려 있습니다. 모형 시뮬레이션은 보완성이 강할 때 고임금 노동자의 소득이 불균형하게 늘어나 노동소득 불평등이 심화될 수 있음을 보여줍니다. 그리고 이 경로는 대체로 고소득자에게 돌아가는 자본수익 상승이 만들어내는 소득·부 불평등의 증가를 더 키웁니다.

연구진은 마지막 단서를 다시 답니다. 이 경로들은 각국이 AI의 재산권을 어떻게 정의하고 어떤 재분배 정책을 쓰느냐를 추상해 버린 것이며, 결국 그 선택이 소득과 부의 분배에 미칠 영향을 최종적으로 결정한다는 것입니다.

발전 단계에 따라 우선순위가 달라진다

AI의 이점을 거두는 일은 각국의 준비도와 노동자의 적응 능력에 달려 있습니다. 선진국과 일부 신흥시장국은 높은 노출과 높은 준비도 덕분에 AI를 활용하기에 좋은 자리에 있습니다. 반면 다른 신흥시장국과 저소득국은 부족한 인프라, 노동자의 숙련 부족, 제도적 틀의 부재 때문에 AI의 잠재 이득을 거두기 어려울 수 있고 그만큼 경쟁에서 불리해질 위험에 놓입니다.

경제 발전 단계가 준비의 우선순위를 가릅니다. 선진국과 더 발전한 신흥시장국은 AI 사용 확대의 편익을 최적화할 적절한 규제 틀을 마련하고 보완적 혁신에 투자해야 합니다. 저소득국과 그 밖의 신흥시장국은 디지털 인프라와 인적자본을 우선해야 합니다. 그런 투자가 이뤄지면 AI는 숙련 부족을 덜고 보건의료와 교육의 제공을 넓히며 새로운 부문에서 생산성과 경쟁력을 높이는 데 기여할 수 있습니다.

사회적 응집이 걸려 있다

연구진이 결론의 마지막에 놓는 것은 사회적 응집입니다. AI의 잠재적 함의는 정책결정자에게 선제적 접근을 요구하며, 그 방향은 사회적 응집을 유지하는 쪽이어야 한다는 것입니다.

장기적으로 AI가 생산성 이득을 가져올 가능성은 높습니다. 그러나 전환기에 발생하는 일자리 대체와 소득 분배의 변화는 상당한 정치경제적 파장을 낳을 수 있습니다. 역사는 경제적 압박이 사회 불안과 정치 변화 요구로 이어질 수 있음을 보여줍니다. 그래서 사회적 응집을 담보하는 일이 무엇보다 중요합니다.

정책은 세 가지를 해야 합니다. AI의 공정하고 윤리적인 통합을 촉진하고, 다음 세대 노동자를 이 새로운 기술에 맞춰 훈련시키고, 지금 교란의 위험에 놓인 노동자를 보호하고 재훈련해야 합니다. 여기에 더해 AI가 국경을 넘는 성격을 갖는다는 점이 윤리와 데이터 보안의 과제를 증폭시킵니다. 그래서 책임 있는 사용을 담보할 국제 협력이 필요하고, 연구진은 28개국과 유럽연합이 서명한 블레츨리 선언을 그 최근 사례로 듭니다. 다만 각국의 역량이 서로 다르기 때문에 조화된 국제 원칙과 각국 법제가 함께 필요하다는 것이 마지막 문장입니다.

해설
블레츨리 선언은 2023년 11월 영국 블레츨리파크에서 열린 AI 안전 정상회의에서 채택된 공동선언입니다. 제2차 세계대전 당시 암호 해독이 이뤄진 장소에서 회의가 열린 것 자체가 상징으로 읽혔습니다. 미국과 중국, 유럽연합, 한국을 포함한 28개국이 서명했고, 프런티어 AI의 위험을 공동으로 인식하고 국제적으로 협력한다는 원칙을 담았습니다.

이 노트가 발표된 2024년 1월 시점에서 블레츨리 선언은 두 달 전의 사건이었고, 국제 협력의 거의 유일한 실물 사례였습니다. 연구진이 다른 틀을 거론하지 않고 이것만 인용한 배경입니다.

[사후 맥락]
이 노트가 나온 뒤 국제 협력의 지형은 빠르게 움직였습니다. 2024년 5월 한국과 영국이 공동 주최한 AI 서울 정상회의에서 서울 선언과 프런티어 AI 안전 서약이 나왔고, 주요 AI 기업들이 자사 모델의 위험 임계치를 공개하기로 약속했습니다. 2024년 8월에는 유럽연합의 AI법이 발효되어 위험 등급에 따라 규제를 차등 적용하는 첫 포괄 법제가 작동하기 시작했습니다.

그러나 2025년 2월 파리에서 열린 AI 행동 정상회의에서는 흐름이 갈라졌습니다. 회의 명칭부터 안전에서 행동으로 바뀌었고, 미국과 영국이 최종 선언문에 서명하지 않았습니다. 연구진이 결론에서 요청한 ‘조화된 국제 원칙’이 2년 사이 오히려 멀어진 셈입니다. 블레츨리에 모였던 28개국이 공유했던 전제가 그만큼 빨리 흔들렸다는 뜻입니다.

[한국 관점]
연구진이 제시한 세 가지 정책 과제를 한국에 대입하면 진행 상황이 고르지 않습니다.

규제 틀 쪽에서는 한국이 비교적 앞서 움직였습니다. 2024년 12월 국회를 통과한 인공지능 발전과 신뢰 기반 조성 등에 관한 기본법은 유럽연합 AI법에 이어 세계에서 두 번째로 제정된 포괄 법률로 평가받았고, 고영향 인공지능 개념을 두어 위험 수준에 따른 의무를 차등화했습니다. 연구진이 선진국의 우선 과제로 꼽은 ‘규제 틀 정비’에 해당하는 작업입니다.

문제는 나머지 둘입니다. 다음 세대 노동자의 훈련과 위험에 놓인 노동자의 재훈련은 법 제정으로 해결되지 않습니다. 앞서 본 대로 한국의 약한 고리는 인프라나 교육 투자가 아니라 노동 재배치를 돕는 제도 쪽이었습니다. AI 기본법이 다루는 것은 기술의 개발과 이용이지 그 기술에 밀려난 사람의 이동 경로가 아닙니다.

사회적 응집이라는 마지막 주제는 한국에서 더 무겁게 읽힙니다. 연구진이 경고한 것은 전환기의 분배 변화가 정치경제적 파장을 낳는다는 점이고, 자영업 비중이 높고 노동시장 이중구조가 굳어 있는 조건에서는 그 파장이 더 크게 증폭될 수 있습니다.

AI가 포용을 넓힐 수 있는 길

격차를 키우는 기술이 포용의 수단이 될 수 있는가

Box 2에서 조반니 멜리나(Giovanni Melina)는 앞 절들과 결이 다른 논의를 펼칩니다. AI 도입의 확대가 국가 간·국가 안 불평등을 키울 수 있다는 것이 이 노트의 일관된 진단이지만, 동시에 개도국에서 포용을 넓히는 데 AI를 쓸 수 있는 통로가 여럿 있다는 것입니다. 인적자본을 끌어올리는 공공서비스, 즉 보건의료와 교육의 전달에서 포용성을 높이는 일, 그리고 농업과 신용 접근성에서의 개선이 AI가 생산성을 키울 수 있는 유망한 경로로 꼽힙니다.

행정의 디지털화에서 출발한다

첫 번째 사례는 정부 기술, 이른바 거브테크(govtech)에서 디지털화가 해낸 변혁적 역할입니다. 역사적으로 디지털화는 세수 징수와 지출 효율을 높여 공공재정을 현대화하는 데 기여했습니다. 사회서비스의 전달도 개선해 포용성을 높이고 불평등을 줄였습니다.

눈에 띄는 사례는 코로나19 봉쇄 기간입니다. 나미비아, 페루, 잠비아, 우간다 같은 나라들이 자국의 디지털 인프라를 활용해 재정 지원의 배분을 신속하게 처리했습니다. AI는 이 흐름을 증폭할 수 있습니다. 정보에 기반한 의사결정을 돕고, 서비스의 공백을 찾아내고, 부정과 부패를 적발하고, 지역 상황에 맞춘 개입을 설계하는 방식으로입니다.

농업, 보건의료, 교육

관료적 업무를 간소화함으로써 AI는 시간과 자원을 확보해 주고, 그 자원은 포용에 핵심적인 부문으로 더 잘 배분될 수 있습니다. 이 부문들에 대한 개입은 주로 사회적·경제적 취약계층에게 혜택이 돌아갑니다.

  • 농업 — 수확량을 예측하고 관개를 최적화하며 병충해 발생을 찾아내 식량 안보와 생산성을 함께 높일 수 있습니다.
  • 보건의료 — 예측 분석으로 질병 발생을 미리 내다보고, 병원의 자원 배분을 최적화하며, 진단을 돕고, 의료 인력이 부족한 지역에서도 양질의 의료를 접근 가능하고 감당 가능하게 만들 수 있습니다.
  • 교육 — AI 알고리즘을 통해 개인화된 학습 경험을 제공해, 자격을 갖춘 교육자가 부족한 지역의 인적자본 격차를 줄일 수 있습니다.

금융 포용과 그 조건

AI는 금융 포용을 넓힐 가능성도 갖고 있습니다. 구체적으로는 통상적이지 않은 데이터를 써서 신용도를 평가하는 방식입니다. 이렇게 하면 지금껏 금융에서 소외되었던 지역사회가 달리 닿을 수 없던 금융 서비스에 접근할 수 있게 됩니다.

다만 멜리나는 조건을 붙입니다. AI 기술에는 내재된 편향과 불투명한 결과 같은 위험이 따르므로, 그 배치는 더 강한 모니터링과 감독 체계를 동반해야 한다는 것입니다.

디지털 금융 서비스의 확대는 역사적으로 포용성 증가와 연결되어 왔습니다. 52개 신흥·개도국을 분석한 IMF 연구는 디지털 금융 포용이 뚜렷하게 늘었고 특히 아프리카와 아시아에서 진전이 두드러졌음을 보여줍니다. 코로나19는 디지털 금융 서비스의 성장을 더 가속했고, 이 서비스는 저소득 가구와 소기업에 혜택을 주면서 경제성장을 촉진하고 불평등을 줄이는 경향을 보입니다.

멜리나가 마지막에 붙이는 문장은 조건절입니다. AI 도입이 변혁적 변화를 약속하지만 그 성공적 이행에는 상당한 투자와 정치적 의지, 그리고 데이터 보안과 프라이버시를 위한 안전장치가 필요하다는 것입니다.

[관점]
이 상자글은 이 노트에서 가장 낙관적인 대목이면서 동시에 가장 조건이 많이 붙은 대목이기도 합니다. 열거된 응용은 대부분 ‘할 수 있다’의 서술이고, 실현 사례로 제시된 것은 코로나19 당시의 재정 지원 배분처럼 AI가 아니라 디지털 인프라가 해낸 일들입니다.

더 근본적인 긴장은 본문과의 관계에 있습니다. 5절에서 연구진은 저소득국이 모든 준비도 영역에서 뒤처져 있고 재정 여력도 제한적이어서 수익률이 높은 사업에 집중해야 한다고 적었습니다. 그런데 이 상자글이 그리는 그림은 행정, 농업, 보건, 교육, 금융에 걸친 전방위 활용입니다. 같은 노트 안에서 ‘선택과 집중’과 ‘전면적 활용’이 나란히 놓여 있는 셈입니다.

이 긴장을 읽는 방법은 상자글의 마지막 문장을 조건이 아니라 결론으로 보는 것입니다. 포용의 경로가 열려 있다는 말과 그 경로를 걸을 자원이 있다는 말은 다르고, 이 노트가 실제로 측정한 것은 전자가 아니라 후자의 부족입니다.

원문: Mauro Cazzaniga and others, Gen-AI: Artificial Intelligence and the Future of Work (Jan 2024)
전문은 원문에서 확인하실 수 있습니다.

참고할만한 글

Similar Posts