자료실
국회예산정책처 - 생성형 AI의 노동시장 영향 (경제현안분석 제110호)
작성일 : 2026-10-13 조회수 : 147
연구보고서 · AI & Labor Market
생성형 AI의 노동시장 영향
CONTENTS
1. 보고서 요약
핵심 결론 분석 결과
- 생성형 AI 확산이 현 시점 노동시장에 미친 일관된 영향은 발견되지 않음
- 고노출 직업의 고용(핵심연령대·20대 청년)과 임금에 대한 유의한 영향 없음 — 채용은 비교 집단에 따라 방향이 달라 불확실함
- 사무직 등 화이트칼라 직종의 청년 고용·채용이 기능직·생산직(비노출 직업) 대비 부진한 것은 사실이나, 화이트칼라 직업군 안에서 노출도가 높을수록 청년 고용이 더 크게 감소하는 관계는 나타나지 않음
- 노출수준별 고용·채용 동향의 차이는 팬데믹 이후 비대면 서비스 수요 둔화 등 산업 경기 요인으로 설명 가능함
- 기술 적용 시차·분석의 한계를 고려할 때 「증거 부족」 결론은 잠정적이며 후속 추적이 필요함
설문조사 주요 결과 2026년 5월 조사
- 화이트칼라 57개 직업 재직자 1,512명 중 76.1%가 생성형 AI를 업무에 사용
- 사용자의 주간 업무 처리량 평균 21.2% 증가 (중앙값 10%, 최소 –90% ~ 최대 900%)
- 인간 고유 능력(경험·판단력 등)의 중요성: 더 중요해짐 39.1% · 덜 중요해짐 20.3%
- 조직 내 동일 직업군 인력 규모: 변화 없음 62.6% · 줄었음 15.3% · 늘었음 13.6%
노동시장 정책 시사점 제언
- 생성형 AI의 노동시장 영향은 선제적으로 관측하되, 변화에 따라 단계적으로 대응
- AI 노출도는 위험 판정지표가 아닌 관찰대상 선별지표로 활용
- 전환위험은 과업·경력단계·고용형태별로 구분해 선별 대응
- 사업 간 연계성과(AI 활용 → 훈련 → 취업)를 점검하고 결과를 다음 연도 사업방식·예산배분에 환류
2. 연구 배경 및 목적
생성형 AI의 확산과 연구의 필요성
확산 현황 2024 ~ 2025년
- 2025년 상반기 우리나라 노동자의 51.8%가 생성형 AI를 업무에 활용 (서동현 외 2025) — 비슷한 시기 미국 45.9% (Hartley et al. 2026)
- 박사급 과학문제 풀이능력(GPQA Diamond)·수학적 추론 능력(AIME) 지표는 2024년 인간 추월
- 소프트웨어 문제 해결 능력(SWE-bench Verified) 지표는 2024년 인간 능력의 60% 수준에서 2025년 100% 근접 (Stanford HAI, 2026 AI Index Report)
엇갈리는 신호 국내외 동향
- 일자리 대체 불안 고조: 전문직 포함 화이트칼라 대체 논조의 보도, AI 분야 저명 인사들의 대량 실업 경고, 주요 기업의 채용 동결·인력 감축 소식, 저연차 정형 업무부터 대체된다는 인식에 따른 청년 신입 취약론 확산
- 국내에서는 2026년 상반기 전문과학기술서비스업 등 일부 산업에 집중된 고용 부진, 청년 고용률 하락과 맞물림
- 반대 신호
- Oxford Economics: 2025년 미국에서 AI 도입을 명분으로 한 감원은 전체의 4.5%로 추정, 「AI 워싱」(사업 부진 등에 따른 감원을 AI 탓으로 포장)으로 부풀려졌을 가능성 제기
- Forrester Research(2025. 10.): AI를 이유로 인력·채용을 감축한 기업의 55%가 성과 미흡으로 결정을 후회
- Careerminds(2026. 2.): AI를 이유로 인력을 감축한 기업 3곳 중 2곳이 동일 직위에 재채용 중
- 실증연구도 엇갈림: 2025년에는 고노출 직업군 청년 고용 위축 결과(Brynjolfsson et al. 2025b)가 우세했으나, 2026년에는 이에 의문을 제기하는 연구(Lambert & Schindler, Iscenko & Millet 등)가 잇따름
본 연구의 접근 연구 목적
- 기존 연구는 잠재적 업무 자동화 가능성 지표로 고노출 직업을 식별하고, 직업별 고용에 영향을 주는 경기 순환 요인을 충분히 고려하지 못한 한계가 있었음
- 재직자 설문조사에 기초한 소분류 직업 단위 생성형 AI 노출도를 구축해 업무 현장의 실제 변화를 측정함
- ChatGPT 출시 전후 산업경기 변동을 통제해 생성형 AI의 인과적 영향 측정을 시도함
자동화 기술과 노동수요의 관계
노동생산성 향상과 노동수요 이론적 검토
- 현존 AI는 일부 직업의 일부 과업을 부분적으로 자동화하는 데 그침 — 쟁점은 직업 소멸이 아니라 노동생산성 향상이 노동수요에 미칠 영향임
- 구글 보고서(2026. 7.): AI 활용 직업에서 AI가 사용되는 과업 비중은 21%(중위값), AI 활용 과업 비중이 75%를 넘는 직업은 3%뿐 — 100% 자동화 목적 사용은 비정형 인지 과업 7% 미만, 정형 인지 과업 27% 수준 (Iscenko et al. 2026)
- 산출물 수요의 가격탄력성에 따라 결과가 달라짐 — 생산성이 2배가 될 때 탄력성이 1이면 노동수요 불변, 1보다 크면 증가, 1보다 작으면 감소하나 감소폭은 50%보다 작을 가능성이 큼(변호사 예시)
- Bessen(2020): 19세기 중반~20세기 전반 미국 섬유·철강·자동차 제조업은 노동생산성이 가파르게 증가했음에도 고용도 증가
- 노동의 「증강」(augmentation): AI가 인간을 고부가가치 업무에 집중시키거나 역할을 확장 — ATM이 은행원 업무의 중심을 단순 수납에서 「고객 관계 금융」으로 바꾼 사례 (Bessen 2015)
- 생산성의 J-커브: 범용기술 도입 초기에는 교육·프로세스 재설계 등 무형 투자로 지표 생산성이 하락했다가 이후 급증 (Brynjolfsson et al. 2021) — 미국 ICT 확산의 노동생산성 향상은 IBM PC 출시(1981년) 이후 1990년대 중반부터 나타남 (Jorgenson et al. 2008)
3. 선행연구 검토
생성형 AI 노출도의 측정
| 연구 | 측정 방법 | 주요 결과 |
|---|---|---|
| Webb (2019) | AI 특허 기술 내용과 직업별 과업 설명 간 텍스트 유사도 | 예측·판단 등 인지적 과업에 집중, 고학력·고임금 직업에서 노출도 높음 |
| Felten et al. (2021) | 10개 AI 응용 분야와 O*NET 52개 직업능력 간 관련성 | 대체 확률이 아닌 업무방식 영향 가능성 측정, 고숙련·고인지 직업에서 노출도 높음 |
| Eloundou et al. (2024) | LLM으로 품질을 유지하며 수행시간 50% 이상 단축 가능한 과업 비중 (전문가·GPT-4 평가) | 미국 근로자 약 80%가 과업의 10% 이상에서 영향 가능, 고임금·고숙련 직업에서 높음 |
| Handa et al. (2025) | Claude 이용자 대화를 O*NET 과업과 연결 (실사용 기반) | 직업의 약 36%에서 과업 4분의 1 이상이 AI 관련, 보완적 활용 57% · 자동화적 활용 43% |
자료: 국회예산정책처 보고서 본문 정리
생성형 AI의 활용과 생산성
생산성 효과 대체로 양(+)의 방향
- Brynjolfsson et al.(2025a): Fortune 500 기업 고객 지원 상담원 — AI 사용 시 시간당 문제해결 건수 평균 15% 증가, 숙련도가 낮거나 근속이 짧을수록 효과가 커 AI를 쓴 신입이 AI 없는 경력자와 비슷한 성과를 냄
- Hartley et al.(2026): 미국·캐나다 근로자 반복 설문(2024. 12. ~ 2025. 12.) — 직장 내 사용률 2025년 중반 45.9% → 12월 35.9%, 자기보고 기준 과업당 약 1시간 절감
- 서동현·오삼일·김민정(2025): 국내 업무 목적 활용률 51.8%(미국의 약 2배), 업무시간 감소 효과 3.8%(미국 5.4%), 잠재적 생산성 향상 효과 1.0%(미국 1.1%) — 경력이 짧을수록 시간단축 효과가 유의하게 큼
생성형 AI의 고용·임금 영향 [표 Ⅰ-1] 재구성
| 연구 | 주요 결과 |
|---|---|
| 고용 위축 신호 확인 | |
| Hui et al. (2024) | 온라인 프리랜서 약 8만 명 — ChatGPT 출시 후 텍스트 작업 월 작업건수 2.0%·소득 5.2% 감소, 이미지 작업 작업건수 2.1%·소득 5.2% 감소, 고숙련 프리랜서 보호 증거 없음 |
| Brynjolfsson et al. (2025b) | 미국 급여자료 — 고노출 직업 22~25세 고용이 동일 기업 내 다른 근로자 대비 약 16% 감소, 경력·전체 고용 및 임금 변화 없음 |
| Hosseini & Lichtinger (2025) | 미국 이력서·구인공고 — 2023년 이후 도입기업 주니어 고용이 시니어 대비 약 9% 감소, 해고보다 신규채용 축소에서 비롯 |
| 한진수·오삼일 (2025) | 국민연금 자료 — 최근 3년 청년층(15~29세) 일자리 21.1만 개 감소 중 20.8만 개가 AI 고노출 업종, 50대 일자리 20.9만 개 증가, 임금 차이 없음 |
| 오삼일·오영식 (2026) | 2022. 6. ~ 2026. 6. 청년층 일자리 28.5만 개 감소 중 94.0%(26.8만 개)가 고노출 업종, 50대 23.0만 개 증가 — 자동화 방식 업종에서만 감소, 증강 방식 업종은 무관 |
| 장지연 (2026) | 한국숙련사전 6,558개 숙련 기반 — 청년층 고노출 직종·AI 도입기업 고용이 2022. 11. 이후 증가세 꺾임·정체, 중년·고령층 변화 없음 |
| 뚜렷한 신호 없음 | |
| Eckhardt & Goldschlag (2026) | 미국 5개 결과변수 × 5개 노출도 지표 — 2022~2025년 고노출 근로자 실업률 상승폭이 저노출보다 작음, 기업 약 95%가 AI로 인한 순고용 영향 없다고 응답 |
| 노세리 외 (2025) | 2019~2024년 고용보험 전수자료 — 직업 수준 고노출 직업 고용 감소 없음·임금 상승률 상대적으로 높음, 개인 수준 2024년 근무기간·임금소득 감소는 경제적으로 미미 |
| 천경록 (2026) | ILO 노출도 지수 적용 — 고노출 직업 취업자 수가 청년층 포함 전 연령대에서 증가, 구인·청년채용 규모도 뚜렷한 차이 없음 |
| 고용 위축의 착시 요인 제기 | |
| Lambert & Schindler (2026) | AI 노출도만 투입 시 청년 채용 감소와 관련, 원격근무를 함께 통제하면 통계적 유의성 상실 |
| Audoly et al. (2026) | 뉴욕 연준·구인공고 자료 — 고노출 직종 구인공고 감소가 ChatGPT 출시 이전부터 진행, 주니어·시니어 공고가 비슷한 시점·폭으로 함께 감소 |
| Iscenko & Millet (2026) | 고노출 직종(5분위) 구인공고가 ChatGPT 출시보다 6개월 이상 앞선 2022년 3~4월 정점 후 하락 — 연준 금리인상 개시 시점과 일치, 5분위 근로자 약 38%가 금리 민감 산업(정보·금융보험·전문기술서비스) 종사 |
※ Iscenko & Millet(2026)은 미국 22~27세 대졸자 실업률 4.8%·청년 실업률 7.4%(전체 4%), LinkedIn 기준 신입채용이 팬데믹 이전 대비 23% 감소(전체 18%)한 점을 들어 청년층의 어려움 자체는 인정함
자료: 국회예산정책처 보고서 [표 Ⅰ-1] 및 본문 정리
4. 직업별 생성형 AI 활용 실태조사
조사 개요
| 구분 | 세부 내용 |
|---|---|
| 조사 모집단 | 한국고용직업분류(KECO) 140개 소분류 중 사무·전문직 등 화이트칼라 중심 57개 직업 재직자 |
| 표본 규모 | 1,512명 — 49개 조사 층위별 약 30명 (재직자가 적은 직업은 유사 직업과 통합, AI 활용도가 높은 직업은 표본 추가 배분) |
| 조사 방식 | 온라인 설문조사 26개 문항 (리서치 전문회사 메트릭스R&C 수행) |
| 조사 기간 | 2026년 5월 6일 ~ 5월 19일 |
| 주요 대상 직업 | 경영·회계·금융·연구·정보통신·공학·교육·법률·보건·언론·문화예술 등 |
| 제외 직업 | 건설·채굴, 설치·정비·생산, 농림어업 등 육체적 과업 비중이 높은 직업과 군인·경찰·소방관·교도관·정부행정 사무원 등 비시장적 노동수요 직업 (83개) |
| 조사 내용 | 직업 특성 · 생성형 AI 활용 현황 · 13개 과업별 활용 실태 · 생산성 종합 평가 · 업무 구성과 인간 능력의 중요성 · 체감 고용 영향 · 인구통계 |
응답자 특성 (단위: 명, %)
| 구분 | 구성 |
|---|---|
| 성별 | 남성 864 (57.1) · 여성 648 (42.9) |
| 연령대 | 20대 52 (3.4) · 30대 407 (26.9) · 40대 532 (35.2) · 50대 387 (25.6) · 60대 이상 134 (8.9) |
| 근무 경력 | 1년 미만 47 (3.1) · 1~3년 미만 119 (7.9) · 3~5년 미만 198 (13.1) · 5~10년 미만 303 (20.0) · 10년 이상 845 (55.9) |
| 기관 유형 | 민간기업 845 (55.9) · 공공기관·공기업 169 (11.2) · 정부·국가기관·지방자치단체 99 (6.5) · 비영리기관·협회·재단 115 (7.6) · 자영업·프리랜서 244 (16.1) · 기타 40 (2.6) |
| 기관 규모 | 50인 미만 512 (33.9) · 50~300인 미만 440 (29.1) · 300인 이상 442 (29.2) · 해당 없음 118 (7.8) |
| 고용 형태 | 정규직 1,201 (79.4) · 비정규직 193 (12.8) · 해당 없음 118 (7.8) |
※ 보고서는 표본 구성상 20대가 과소대표되고 10년 이상 경력자가 과대대표된 점, 조사 층위별 표본 규모가 제한적인 점을 함께 밝힘
업무 전반 활용 현황
사용률·빈도·기간 2026년 5월 기준
- 전체 응답자의 76.1%가 생성형 AI(ChatGPT, Gemini, Claude 등)를 업무에 사용 — 이하 지표의 분모는 별도 설명이 없는 한 사용자 응답
- 사용 빈도: 월 1~3일 27.3% · 주 1~2일 28.3% · 주 3~4일 17.3% · 거의 매일 27.1%
- 본격 사용 기간: 6개월~1년 미만 30.5% · 3~6개월 미만 24.5% · 1~2년 미만 22.5% · 3개월 미만 13.3% 순
과업별 활용 현황 [표 Ⅱ-2] (단위: %)
| 과업 | AI 활용률 | 고활용자 비중 | 고활용자의 활용 수준 | ||
|---|---|---|---|---|---|
| 부분 활용 | 상시 활용 | 필수 활용 | |||
| 자료 조사 (검색·요약·번역 등) | 95.9 | 60.0 | 45.9 | 44.9 | 9.1 |
| 문서 작성 (보고서·발표자료 등) | 90.2 | 41.0 | 38.8 | 49.8 | 11.4 |
| 코드 작성 및 디버깅 | 86.2 | 11.0 | 29.9 | 50.4 | 19.7 |
| 데이터 분석 및 시각화 | 90.9 | 25.5 | 29.0 | 56.3 | 14.7 |
| 기획/전략 수립 | 86.4 | 18.7 | 26.0 | 56.7 | 17.2 |
| 이미지·영상 등 콘텐츠 제작 | 86.2 | 18.5 | 32.4 | 48.4 | 19.2 |
| 예산/지출 관리 | 63.2 | 4.7 | 13.0 | 63.0 | 24.1 |
| 고객 상담 및 응대 (이메일 포함) | 75.2 | 7.9 | 27.5 | 54.9 | 17.6 |
| 제품 설계/디자인 | 81.0 | 6.7 | 23.4 | 51.9 | 24.7 |
| 자료 입력/DB 관리 | 78.4 | 8.6 | 26.3 | 57.6 | 16.2 |
| 행정 처리/준법감시 | 72.3 | 3.2 | 37.8 | 45.9 | 16.2 |
| 발표·회의 등 대면 의사소통 | 79.8 | 7.4 | 41.2 | 47.1 | 11.8 |
| 일정 조율 및 관리 | 69.4 | 3.3 | 44.7 | 36.8 | 18.4 |
| 기타 | 100 | 0.2 | 50.0 | 50.0 | 0 |
주: 활용률은 해당 과업 수행 응답자 중 AI 활용 비율, 고활용자 비중은 해당 과업을 AI 고활용 과업 1~3순위로 꼽은 비율
부분 활용 = 일부 단계에서 보조적 활용 / 상시 활용 = 자주 활용하며 실질적 도움 / 필수 활용 = AI 없이는 같은 효율·성과를 내기 어려움
결과물 검수·처리시간·품질 과업별 고활용자 기준
- 검수·수정: 모든 과업에서 「일부 수정(70% 정도 그대로 사용)」이 최다, 「거의 수정 없이 그대로 사용(90% 이상)」은 기타를 제외한 모든 과업에서 20% 미만
- 그대로 사용 비율 상위: 일정 조율 및 관리 18.4% · 콘텐츠 제작 18.3% · 코드 작성 및 디버깅 15.7%
- 「대부분 재작업」 비율 상위: 행정 처리·준법감시 10.8% · 일정 조율 및 관리 10.5% · 제품 설계/디자인 10.4% · 기획/전략 수립 10.2%
- 업무 1건 처리시간: 모든 과업에서 줄었다는 응답이 우세, 「상당히 절감(10~30%)」이 약 30~40%로 다수
- 「획기적 절감(50% 이상)」 상위: 예산/지출 관리 18.5% · 일정 조율 및 관리 18.4% · 코드 작성 및 디버깅 16.5%
- 「변화 없음·오히려 늘어남」 상위: 고객 상담 및 응대 8.8% · 대면 의사소통 8.2% · 행정 처리·준법감시 8.1%
- 정확성(오류·실수 감소): 「높아짐」 일정 조율 및 관리 73.7% · 코드 작성 및 디버깅 67.7% · 문서 작성 64.6% / 「낮아짐」 행정 처리·준법감시 24.3% · 고객 상담 및 응대 18.7% · 예산/지출 관리 16.7%
- 완성도: 「높아짐」 문서 작성 75.8% · 자료 조사 73.5% · 일정 조율 및 관리 71.1% / 「낮아짐」 예산/지출 관리 29.6% · 제품 설계/디자인 18.2% (예산/지출 관리는 「높아짐」 37.0%로 최저)
업무시간 및 업무 처리량(생산성)
업무시간 변화 하루 평균 실제 업무시간
- 감소 56.6% · 변화 없음 31.0% · 늘어남 12.3%
- 절감된 시간 활용(복수응답): 기존 업무를 더 많이 처리 40.7% · 기존 업무 품질 향상 37.2% · 새로운 업무·프로젝트 투입 32.1% — 개인 역량 개발·여유 시간 증가 응답은 소수
- 업무시간 증가 이유(복수응답): AI로 처리 가능해진 만큼 더 많은 업무를 맡음 57.5% · AI 활용에 따른 새 업무 추가 39.4% · AI 사용 학습·적응 37.3% · 업무 기대수준 상승 20.4% · AI 결과물 오류 수정 13.4%
주간 업무 처리량 사용 전 = 100
- 처리량 증가 94.0% · 변화 없음 3.6% · 감소 2.4%
- 평균 121.2 — 생성형 AI 사용자의 생산성이 평균 21.2% 증가
- 최빈값·중앙값 110, 응답의 50%가 110~115 사이에 분포 — 응답자 4분의 3은 15% 이하 증가를 체감, 소수의 큰 폭 증가가 평균을 끌어올림
| 관측치(N) | 평균 | 표준편차 | 최소값 | Q1 | 중앙값 | Q3 | 최대값 |
|---|---|---|---|---|---|---|---|
| 1,150 | 121.2 | 55.8 | 10 | 110 | 110 | 115 | 1,000 |
[표 Ⅱ-3] 생성형 AI 사용 이후 업무 처리량 요약 통계량
업무 구성 및 인간 고유 능력의 중요성
업무 구성 변화 복수응답
- 저숙련 업무 시간 감소 38.8% · 고숙련 업무 시간 감소 26.2% · 저숙련 업무 시간 증가 18.0% · 고숙련 업무 시간 증가 13.9% · 특별한 변화 없음 11.8% · 새로운 고숙련 업무 발생 9.0% · 새로운 저숙련 업무 발생 3.0%
- 업무 고숙련화 시사 응답 합계 61.7% vs 저숙련화 시사 응답 합계 47.2%
- 인간 고유 능력(경험·지식·판단력)의 중요성: 증가 39.1%(크게 증가 4.2% · 다소 증가 35.0%) vs 감소 20.3%
AI 대체 위협 및 인력 규모 변화 체감
체감 고용 영향 설문 응답
- 본인 직업의 대체 위협: 낮게 체감 31.7%(전혀 위협 아님 8.8% · 낮은 위협 22.9%) · 높게 체감 24.5%(높은 위협 20.5% · 매우 높은 위협 4.0%)
- 조직 내 동일 직업군 인력 규모: 변화 없음 62.6% · 인력 또는 채용 감소 15.3% · 인력 또는 채용 증가 13.6%
- 보고서는 기업이 일상적 인력 조정의 명분으로 AI 도입을 내세우는 사례가 있어, 설문 결과만으로 생성형 AI의 고용 충격을 단언하기 어렵다고 밝힘
5. 직업별 생성형 AI 노출도
노출도 산출 방법 NABO 생성형 AI 노출도
- 정의: 생성형 AI 사용으로 인한 직업별 평균 노동생산성(1인 주간 업무 처리량) 향상 정도
- 산출: 사용 전 대비 주간 처리량 응답을 증가율로 변환(110 → 10%)하고 미사용자는 0%로 대체한 뒤 직업별로 평균
- 대상: 49개 조사 층위 중 학교·유치원 교사(공무원 비중이 높아 비노출로 분류)를 제외한 48개 직업
- 분류: 노출도 순위 4분위 — 고노출(4/4) · 중고노출(3/4) · 중저노출(2/4) · 저노출(1/4), 조사 제외 83개 직업과 학교·유치원 교사를 합한 85개 직업(임금근로자의 57.2%)은 「비노출」
- 분포: 최저 4.0 ~ 최고 64.7 / 분위별 평균 고노출 30.2 · 중고노출 15.4 · 중저노출 10.0 · 저노출 7.0
- 한계: 품질 개선 효과 미반영, 40대 이상 장기 경력자 중심의 효과, 주관적 자기보고 — 수준값보다 직업 간 상대적 크기를 보여주는 지표로 해석 필요
직업별 생성형 AI 노출도 및 4분위 구분 [표 Ⅱ-4] (단위: %)
| 직업명 | 노출도 | (표준오차) | 임금근로자 대비 비중 |
|---|---|---|---|
| 4/4분위 (고노출) — 평균 노출도 30.2 · 임금근로자 비중 7.0 | |||
| 네트워크 시스템 개발자 및 정보보안 전문가 + 데이터 전문가 + 정보시스템 및 웹 운영자 | 64.7 | (23.0) | 0.4 |
| 문화·예술 기획자 및 매니저 | 60.7 | (32.3) | 0.1 |
| 소프트웨어 개발자 | 42.9 | (13.9) | 1.8 |
| 자연과학 연구원 및 시험원 | 25.9 | (11.6) | 0.5 |
| 전문서비스 관리자 | 25.5 | (14.3) | 1.2 |
| 연극·영화·방송 전문가 | 25.2 | (13.1) | 0.2 |
| 금융·보험 전문가 | 21.9 | (6.7) | 0.2 |
| 건축·토목공학 기술자 및 시험원 | 20.4 | (9.4) | 1.6 |
| 컴퓨터하드웨어·통신공학 기술자 | 20.0 | (6.5) | 0.2 |
| 인문·사회과학 연구원 | 19.8 | (6.6) | 0.2 |
| 법률 전문가 | 17.6 | (4.8) | 0.1 |
| 대학 교수 및 강사 | 17.4 | (7.3) | 0.5 |
| 3/4분위 (중고노출) — 평균 노출도 15.4 · 임금근로자 비중 4.2 | |||
| 생명과학 연구원 및 시험원 | 17.3 | (3.0) | 0.3 |
| 학예사·사서·기록물관리사 | 17.2 | (7.3) | 0.1 |
| 전기·전자공학 기술자 및 시험원 | 17.2 | (3.0) | 1.1 |
| 영양사 | 16.8 | (8.8) | 0.1 |
| 컴퓨터시스템 전문가 | 15.9 | (3.5) | 0.4 |
| 금속·재료공학 기술자 및 시험원 | 15.2 | (3.8) | 0.2 |
| 기계·로봇공학 기술자 및 시험원 | 15.2 | (6.4) | 0.5 |
| 금융·보험 영업원 | 15.0 | (3.8) | 0.0 |
| 기자 및 언론 전문가 | 14.7 | (4.3) | 0.1 |
| 화학공학 기술자 및 시험원 | 13.5 | (2.1) | 0.3 |
| 법률 사무원 | 13.2 | (3.9) | 0.3 |
| 광고·조사·상품기획·행사기획 전문가 | 13.1 | (5.8) | 0.7 |
| 2/4분위 (중저노출) — 평균 노출도 10.0 · 임금근로자 비중 11.4 | |||
| 금융·보험 사무원 | 12.8 | (2.8) | 1.8 |
| 무역·운송·생산·품질 사무원 | 11.7 | (2.2) | 2.3 |
| 창작·공연 전문가 (작가, 연극 제외) | 11.4 | (2.5) | 0.0 |
| 문리·기술·예능 강사 | 10.4 | (3.6) | 0.5 |
| 부동산 컨설턴트 및 중개사 | 10.3 | (1.8) | 0.1 |
| 경영·인사 전문가 | 10.3 | (1.7) | 0.7 |
| 회계·세무·감정 전문가 | 9.0 | (1.7) | 0.4 |
| 여행 서비스원 | 9.0 | (1.3) | 0.2 |
| 사회복지사 및 상담사 | 8.9 | (1.6) | 1.1 |
| 행정·경영·금융·보험 관리자 | 8.9 | (1.1) | 1.6 |
| 약사 및 한약사 | 8.6 | (0.7) | 0.1 |
| 회계·경리 사무원 | 8.3 | (3.4) | 2.5 |
| 1/4분위 (저노출) — 평균 노출도 7.0 · 임금근로자 비중 20.2 | |||
| 작가·통번역가 | 8.3 | (1.4) | 0.0 |
| 에너지·환경·섬유·식품·기타 공학 기술자 및 시험원 | 8.3 | (1.4) | 0.3 |
| 건설·채굴·제조·생산 관리자 | 8.0 | (2.4) | 2.9 |
| 디자이너 | 7.7 | (1.1) | 0.4 |
| 경영지원 사무원 | 7.4 | (1.4) | 9.3 |
| 장학관 및 기타 교육 종사자 | 7.3 | (1.4) | 0.2 |
| 의사, 한의사, 치과의사 및 수의사 | 7.2 | (1.9) | 0.4 |
| 영업·판매·운송 관리자 | 7.1 | (1.6) | 2.2 |
| 정부행정 전문가 및 관련 종사자 | 6.4 | (1.0) | 0.1 |
| 안내·고객상담·통계·비서 및 기타 사무원 | 6.0 | (1.0) | 3.5 |
| 기술·해외 영업원 및 상품중개인 | 5.7 | (1.5) | 0.8 |
| 텔레마케터 | 4.0 | (3.2) | 0.0 |
| 비노출 — 공무원·기능직·생산직 등 업무에 AI 사용 가능성이 낮거나 고용 영향이 제한적일 것으로 판단되는 85개 직업 · 임금근로자 비중 57.2 | |||
주: 임금근로자 대비 비중은 2025년 고용보험 피보험자 기준 / 문화·예술 기획자 및 매니저 1명의 응답값(처리량 1,000)은 다른 문항 응답에 비추어 과도하다고 보아 결측 처리
자료: 국회예산정책처 (임금근로자 비중은 고용노동부 자료를 이용해 국회예산정책처 계산)
노출수준별 직업 구성 분위별 특징
- 고노출: IT 관련 전문가, 연구직, 금융·법률 전문가, 대학 교수 등 지식산업 전문직 위주
- 중고노출: 공학 계열 전문직 다수, 일부 영업직·사무직 포함
- 대부분의 사무직·판매·영업직·관리직·보건의료직은 중저노출 또는 저노출 — 흔히 노출도가 높다고 여겨지는 회계·세무·감정 전문가, 작가·통번역가도 실제 노동생산성 증가폭이 상대적으로 작아 중저노출·저노출로 분류
- 보고서는 노출도가 높은 직업이 반드시 고용·임금 하락 위험이 큰 직업이라고 말하기는 어렵다고 밝힘 — 다만 노동수요 감소가 현실화된다면 고노출 직업에서부터 관측될 것으로 예상
노출도 4분위별 응답 특성 [표 Ⅱ-5] (응답자 비중, %)
| 특성 | 저노출 | 중저노출 | 중고노출 | 고노출 |
|---|---|---|---|---|
| 업무 구성이 고숙련화함 | 50.1 | 54.2 | 54.6 | 60.2 |
| 업무 구성이 저숙련화함 | 43.2 | 43.3 | 45.2 | 45.7 |
| 새로운 과업(저숙련+고숙련)이 생김 | 11.0 | 6.6 | 11.9 | 14.1 |
| 인간 고유 능력의 중요성 증가 | 32.2 | 36.9 | 39.6 | 46.0 |
| 인간 고유 능력의 중요성 감소 | 20.2 | 19.1 | 21.7 | 22.1 |
| 높은 대체 위협 체감 | 25.0 | 23.2 | 23.8 | 26.9 |
| 동일 직종 인력 또는 채용이 증가 | 9.1 | 12.0 | 16.3 | 17.7 |
| 동일 직종 인력 또는 채용이 감소 | 16.6 | 14.5 | 13.4 | 17.1 |
※ 고노출·중고노출 직업군은 인력·채용 증가 체감 비중이 감소 체감 비중보다 높고, 저노출·중저노출은 감소 체감 비중이 상대적으로 높음 (증감 인원수는 조사하지 않음)
6. 최근 노동시장 동향
청년 고용 동향 국가데이터처 「경제활동인구조사」
전체·청년 취업자 2026년 6월 기준
- 15세 이상 취업자 2,915.4만 명, 전년동월대비 +6.3만 명 (5월 –4.0만 명 이후 증가 전환) — 60세 이상 +21.1만 명 · 30대 +6.5만 명 / 20대 –19.9만 명 · 40대 –1.9만 명
- 청년(15~29세) 취업자: 2022년 5월 410.4만 명 → 2026년 6월 342.8만 명, 2022년 6월 대비 63.6만 명(–15.6%) 감소
- 청년 인구: 2022년 6월 856.7만 명 → 2026년 6월 780.3만 명, 76.4만 명(–8.9%) 감소 — 취업자 감소 속도가 인구 감소 속도를 상회
- 청년 취업자 증감: 2022년 1월 +32.1만 명 정점 → 같은 해 11월 감소 전환(–0.5만 명), 2026년 6월까지 44개월 연속 감소 / 2026년 5월 –25.5만 명으로 2021년 1월(–31.4만 명) 이후 최대 감소
- 청년 고용률: 2022년 5월 47.8% 고점 이후 하락, 2024년 5월~2026년 6월 26개월 연속 전년동월대비 하락, 2026년 2월 43.3% 저점, 6월 43.9%
- 청년 「쉬었음」 인구: 2025년 2월 50.4만 명(청년 비경제활동인구의 12.0%)으로 최고 → 2026년 6월 35.9만 명(8.7%), 5개월 연속 전년동월대비 감소
| 산업 | 청년 취업자 (만 명) |
|---|---|
| 숙박·음식점업 | 59.5 |
| 제조업 | 43.5 |
| 도매·소매업 | 42.9 |
| 보건업·사회복지서비스업 | 37.8 |
| 교육서비스업 | 29.9 |
| 전문·과학·기술서비스업 | 21.6 |
| 정보통신업 | 19.7 |
2026년 산업별 청년 취업자 규모 (2026년 1~6월 평균, 상위 7개 산업) / 자료: 국가데이터처 「경제활동인구조사」
산업별 청년 취업자 증감 2022년 11월 이후
- 청년 취업자 감소는 도매·소매업, 제조업, 보건업·사회복지서비스업 등을 중심으로 진행
- AI 고노출 직업이 다수 포함된 정보통신업·전문·과학·기술서비스업은 증가폭이 축소되면서도 2024년까지 증가세 유지 → 2025년 감소 전환
- 2026년 1~6월 전년동기대비: 정보통신업 –5.6만 명 · 전문·과학·기술서비스업 –3.0만 명 — 청년 고용 부진이 대면 서비스업·제조업에서 지식서비스업으로 확산
노출수준별 고용·채용 추이 고용노동부 「고용행정통계」, 2022. 11. = 100
고용(고용보험 피보험자 수) 노출수준별
- 핵심연령대(20~59세): 2022년 11월 이후 전반적으로 완만한 상승 — 중고노출 상승이 가장 두드러지고, 고노출은 2021년부터 중고노출과 비슷한 증가세였으나 이후 증가폭 크게 둔화, 저노출·중저노출은 안정적, 최근 비노출이 중고노출 다음으로 높은 증가세
- 청년층: 고노출·중고노출은 2022년 11월 이전 상승 흐름에서 이후 하락 전환, 저노출·중저노출은 하락세 지속
- 사무·전문직 중심(노출도 1~4분위) 청년 고용은 하락, 기능·생산직 중심 비노출 직업은 현상 유지(20~29세) 또는 증가(20~34세)
- 화이트칼라 직종 안에서는 노출수준과 청년 고용 감소 속도 간 일관된 관계 없음 — 20대는 고노출·저노출 감소세가 비슷하고 중고노출 감소폭이 가장 작음, 20~34세는 저노출·중저노출이 고노출·중고노출보다 더 감소
- 직업별: 법률 전문가·대학 교수 및 강사는 청년 고용이 상대적으로 안정(변호사 시험 등 자격 취득 구조), 금속·재료공학 및 기계·로봇공학 기술자는 청년 고용이 핵심연령대와 비슷한 수준
청년(20~29세) 채용(고용보험 신규 취득자 수) 2022년 하반기 = 100
- ChatGPT 출시 이후 고노출 직업의 신규 채용이 상대적으로 더 낮음 — 다만 출시 이전에는 노출수준별 차이가 있었던 반면 이후에는 노출도와 무관하게 유사한 추이
- 신규 취득자 수는 2021년 하반기부터 증가폭 둔화 → 2022년 하반기 감소 전환 → 감소세 지속, 2022년 11월 이후의 채용 위축은 그 이전 추세의 연장으로 파악됨
- 최근 감소 흐름은 다소 완화되었으나 여전히 부진
최근 주요 업종의 채용 동향 [BOX 2]
| 업종 (기업) | 2022년 신규채용 | 2024년 신규채용 |
|---|---|---|
| 플랫폼 (네이버·카카오) | 1,469명 | 572명 |
| 게임 (NC·넷마블) | 870명 | 357명 |
| IT서비스 (삼성SDS·LG CNS) | 5,625명 | 2,533명 |
※ 2025년에는 소폭 반등, 네이버·엔씨소프트는 신규채용 중 30세 미만 비중이 지속 하락 / 자료: 각 사 ESG 보고서
금융권·회계 분야 신규 진입 축소
- 금융권: 희망퇴직 대상 연령이 만 40세까지 낮아지는 등 구조조정 확대 — 5대 금융그룹(농협·하나·KB·신한·우리) 2025년 신규채용 전년 대비 1,048명 감소, 이 중 30세 미만 감소분 755명(72%)
- 회계: 전체 전문인력은 확대되나 신규 진입자의 수습·채용 기회는 축소 — 2025년 공인회계사 시험 합격자 1,200명 중 수습기관 등록 338명(28%, 10월 기준)
- 삼일회계법인: 등록공인회계사 2,046명(2022년) → 2,512명(2025년), 수습공인회계사 383명 → 260명 / 안진회계법인: 등록 872명 → 1,049명, 수습 108명 → 94명
| 합격연도 | 합격인원 | 등록(취업) | 미등록(미취업) |
|---|---|---|---|
| 2022 | 1,237 | 1,122 (91%) | 115 (9%) |
| 2023 | 1,100 | 906 (82%) | 194 (18%) |
| 2024 | 1,250 | 991 (79%) | 259 (21%) |
| 2025 | 1,200 | 338 (28%) | 862 (72%) |
[표 Ⅲ-1] 공인회계사 수습 등록 현황 (단위: 명) — 합격연도+1년 1월 31일 기준, 2025년은 10월 22일 기준
자료: 한국회계학회·회계정책연구원·한국공인회계사회(2025), 「공인회계사 수습기관 운영현황 및 개선방향 연구」
노출수준별 임금 동향 국가데이터처 「지역별고용조사」 월평균임금 (단위: 만 원)
| 노출수준 | 전체 근로자 | 청년 (20~29세) | ||||
|---|---|---|---|---|---|---|
| 2022 하반기 | 2025 하반기 | 상승률 | 2022 하반기 | 2025 하반기 | 상승률 | |
| 중고노출 | 419.9 | 473.1 | 12.7% | 295.5 | 325.3 | 10.1% |
| 고노출 | 394.3 | 441.0 | 11.8% | 257.7 | 272.0 | 5.5% |
| 저노출 | 374.9 | 410.2 | 9.4% | 249.8 | 269.6 | 7.9% |
| 중저노출 | 334.5 | 365.0 | 9.0% | 242.4 | 260.5 | 7.5% |
| 비노출 | 233.2 | 250.2 | 7.3% | 206.7 | 218.0 | 5.5% |
자료: 국가데이터처 「지역별고용조사」를 이용하여 국회예산정책처 작성 (보고서 본문 수치 정리, 표본가중치 적용)
임금 수준·추세 2022년 하반기 → 2025년 하반기
- 월평균임금 수준: 중고노출 > 고노출 > 저노출 > 중저노출 > 비노출 — 고노출·중고노출에 전문·기술·연구·금융 등 숙련·교육 수준이 높은 직업이 포함된 결과
- 2025년 하반기 중고노출~중저노출 인접 수준 간 격차는 30~45만 원 내외, 비노출(250.2만 원)은 중저노출과 114.8만 원 격차
- 추세는 노출수준과 무관하게 비슷 — 2022년 하반기~2023년 하반기 전년동기대비 크게 상승한 뒤 완만한 증가세 유지
- 20~29세: 고노출(272.0만 원)·저노출(269.6만 원)·중저노출(260.5만 원) 간 차이가 뚜렷하지 않음, 고노출은 2025년 하반기 전년동기대비 2.3% 하락
- 고노출 세부 직업(전체 근로자): 데이터 전문가 +28.9% · 네트워크 및 정보 보안 전문가 +19.3% · 컴퓨터 하드웨어 및 통신공학 전문가 +15.4% · 컴퓨터 시스템 및 소프트웨어 전문가 +14.3% / 인문 및 사회과학 전문가 –4.2% · 연극·영화 및 영상 전문가 –5.3%
- 고노출 세부 직업(20~29세): 인문 및 사회과학 전문가 –6.4% · 생명 및 자연과학 관련 전문가 –6.3%(전체 +8.8%) · 컴퓨터 하드웨어 및 통신공학 전문가 –6.2%(전체 +15.4%, 격차 21.6%p) · 금융 및 보험 전문가 –1.3%
- 20~34세로 넓히면 인문 및 사회과학 전문가를 제외한 대부분 직업에서 임금 상승 — 임금 정체·하락이 20대 후반 이하 초기 경력 단계에 집중
7. 고용·채용에 대한 영향 분석
분석 설계
| 구분 | 내용 |
|---|---|
| 분석 자료 | 고용노동부 「고용행정통계」 월별 고용보험 피보험자 수(고용)·취득자 수(채용) — 140개 소분류 직업 × 10세 연령 × 77개 중분류 산업, 2018년 1월 ~ 2026년 6월 (특고·예술인·플랫폼 종사자 제외) |
| 포괄 범위 | 상용·임시근로자의 86.5%(2023년 말) — 월 소정근로시간 60시간 미만 근로자·특수형태근로종사자·일용직은 일부만 포함 |
| 분석 방법 | 푸아송 이벤트 스터디로 평행추세 확인 → 위반 시 합성 이중차분법(SDID, Arkhangelsky et al. 2021)으로 사전 추세가 유사한 통제집단 구성 |
| 처치·통제집단 | 처치 = 고노출 직업 / 통제 = 노출도 1~2분위(중저·저노출) 직업, 보조적으로 비노출 직업 |
| 기준 시점 | 2022년 11월 (ChatGPT 출시 직전, 월말 출시로 월별 자료에서는 12월을 출시 시점으로 봄) |
| 연령 구분 | 고용 = 핵심연령대(20~59세)·20대 청년 / 채용 = 20대 청년 (월별 변동성이 커 반기 자료 사용) |
산업경기 영향을 통제하는 이유 연평균 실질 GDP 증가율
- 고노출 직업은 2022년 이후 경기가 둔화한 산업에 주로 분포 — 단순 비교하면 경기 둔화에 따른 고용 위축이 생성형 AI의 영향으로 오인될 수 있음
- 정보통신업(IT 전문직 주 분포): 2019~2022년 5.3% → 2022~2025년 2.4%
- 전문·과학·기술업(인문·사회과학 연구원·법률 전문가 과반 소속): 2019~2022년 3.6% → 2022~2025년 0.7%
- 직업별 산업경기 영향지수(대분류 산업별 성장률 변동폭을 직업 내 산업별 종사자 비중으로 가중평균)는 노출도가 높은 직업일수록 낮아지는 경향 — 분석에서는 산업-시점 고정효과로 산업 경기의 영향을 통제
핵심연령대(20~59세) 고용
분석 결과 유의한 영향 없음
- 이벤트 스터디: 노출도가 높은 직업일수록 출시 이후 고용이 상대적으로 유의하게 증가했으나, 출시 이전부터 증가세가 가팔라 평행추세 불충족 — 비노출 직업 대비 계수는 음수이나 유의하지 않음
- 산업경기 통제 후에도 평행추세 불충족, 비노출 직업 대비 계수는 대체로 양(+)으로 바뀌나 유의하지 않음
- 합성 이중차분법: 2023년 중반부터 고노출 직업 궤적이 합성 통제집단보다 위에 위치 — 영향계수는 양(+)이나 통계적으로 유의하지 않음
| 합성 통제집단 구성 | 영향계수 | (표준오차) | t 값 | p 값 |
|---|---|---|---|---|
| 노출도 1~2분위 | 0.0195 | (0.0153) | 1.280 | 0.200 |
| 비노출 직업 | 0.0160 | (0.0142) | 1.129 | 0.259 |
[표 Ⅲ-2] 핵심연령대 고노출 직업 고용에 대한 영향, 합성 이중차분법 분석결과 — ( ) 안은 부트스트랩 표준오차
20대 청년 고용
분석 결과 유의한 영향 없음
- 이벤트 스터디(경기 미통제): 저노출 대비 증감 없음, 비노출 대비 유의한 감소이나 사전 추세가 평행하지 않아 인과적 해석 곤란
- 산업경기 통제: 저노출 대비 유의한 증가, 비노출 대비 첫 1년 유의한 증가 후 차이 소멸 — 평행추세 불충족으로 결론 유보
- 합성 이중차분법: 노출도 1~2분위 대비 양(+), 비노출 직업 대비 음(–)이며 모두 통계적으로 유의하지 않음
- 고노출 범위를 노출도 최상위 3개 직업(네트워크 시스템 개발자 등·문화·예술 기획자 및 매니저·소프트웨어 개발자)으로 한정하는 등 범위를 바꿔도 결과는 질적으로 동일
| 합성 통제집단 구성 | 영향계수 | (표준오차) | t 값 | p 값 |
|---|---|---|---|---|
| 노출도 1~2분위 | 0.0372 | (0.0294) | 1.265 | 0.206 |
| 비노출 직업 | –0.0297 | (0.0271) | –1.097 | 0.273 |
[표 Ⅲ-3] 20대 고노출 직업 고용에 대한 영향, 합성 이중차분법 분석결과 — ( ) 안은 부트스트랩 표준오차
20대 청년 채용
분석 결과 비교 집단에 따라 상이
- 이벤트 스터디(경기 미통제): 고노출 직업 채용이 저노출·비노출 직업 모두에 비해 2022년 하반기 이후 유의하게 감소
- 산업경기 통제: 저노출 대비 감소는 2025년 하반기에만 유의, 비노출 대비 감소는 2023년 상반기를 제외하면 유의
- 사전 추세: 2020년 상반기까지 고노출 채용이 저노출 대비 가파르게 증가한 뒤 큰 변동 없음, 비노출 대비로는 2021~22년 이례적으로 활발했다가 2022년 이후 2021년 이전 수준으로 복귀 — 과열됐던 채용시장의 조정 국면이라는 해석도 가능
- 합성 이중차분법: 노출도 1~2분위 대비 유의한 양(+), 비노출 직업 대비 유의하지 않은 음(–) — 사전 추세가 정확히 일치하지 않고 비교 대상에 따라 부호가 바뀌어 강건한 결과로 보기 어려움
| 합성 통제집단 구성 | 영향계수 | (표준오차) | t 값 | p 값 |
|---|---|---|---|---|
| 노출도 1~2분위 | 0.0903** | (0.0358) | 2.521 | 0.012 |
| 비노출 직업 | –0.0212 | (0.0342) | –0.620 | 0.535 |
[표 Ⅲ-4] 고노출 직업 20대 채용에 대한 영향, 합성 이중차분법 분석결과 — ( ) 안은 부트스트랩 표준오차, ***p<0.01, **p<0.05, *p<0.1
8. 임금에 대한 영향 분석
기술변화와 임금의 관계 이론적 검토
- 숙련편향 기술변화(SBTC): ICT 발전이 고숙련 노동자의 생산성을 크게 높여 숙련 프리미엄과 임금 격차 확대 (Acemoglu 2002 등)
- 정형업무편향 기술변화(RBTC): 반복·규칙 기반 업무는 대체되고 비정형 인지·대인서비스 업무는 대체가 어려워 고용·임금 분극화 발생 (Autor & Dorn 2013 등)
- 실제 임금은 노동공급 재배분, 저생산성 근로자 이탈에 따른 구성효과, 장기계약·최저임금·노동조합 등 임금경직성을 거쳐 결정 — 기술변화에 따른 임금 변화는 실증으로 확인할 필요
분석 설계
| 구분 | 내용 |
|---|---|
| 분석 자료 | 국가데이터처 「지역별고용조사」 마이크로데이터(전국 소분류, 2018년 상반기 ~ 2025년 하반기) — KECO 기준 노출도를 KSCO 소분류 직업에 재매핑 |
| ① 연속처치 이벤트 스터디 | 생성형 AI 노출도가 산출된 48개 직업(노출도 4~65), 기준 시점 2022년 하반기 — 연령·연령 제곱·혼인 상태·교육 수준·산업 통제, 직업 단위 군집 표준오차, 표본가중치 적용 |
| ② 이진변수 이벤트 스터디 | 고노출 직업군(1) vs 비노출 직업군(0) |
| ③ 합성 이중차분법 | 개인 반복횡단면 자료를 직업별 패널로 전환(로그 월평균 임금·평균연령·여성·기혼·제조업·대졸 이상 비율), 2023년 상반기부터 처치 기간 |
분석 결과 유의한 영향 없음
- 연속처치 이벤트 스터디: 생성형 AI 도입 이전과 이후 모든 시점에서 계수가 0과 통계적으로 유의한 차이 없음
- 이진변수 이벤트 스터디: 출시 이전(2020년 상반기~2022년 상반기) 계수가 양(+)으로 유의해 평행추세 불충족, 출시 이후(2023년 상반기~2025년 하반기) 계수는 0보다 낮으나 90% 신뢰구간에서도 유의하지 않음
- 합성 이중차분법: 고노출 직업 임금에 대한 영향계수 0.0018로 작고 통계적으로 유의하지 않음
- 합성 통제집단 가중치는 다수 비노출 직업에 분산(최고 2.1%) — 상위: 기타 기능 관련 종사자 0.021 · 문화·예술 관련 관리자 0.018 · 기타 서비스 관련 단순 종사자 0.017 · 통신 및 방송 송출 장비 기사 0.016 · 청소 관련 종사자 0.015 · 시민사회 활동가 0.015
| 합성 통제집단 구성 | 영향계수 | (표준오차) | t 값 | p 값 |
|---|---|---|---|---|
| 비노출 직업 | 0.00178 | (0.01317) | 0.14 | 0.893 |
[표 Ⅲ-6] 고노출 직업 임금에 대한 영향, 합성 이중차분법 분석결과 — ( ) 안은 부트스트랩 표준오차
9. 결과에 대한 해석
보고서는 ChatGPT 출시 후 약 3년 반이 지난 현 시점까지 생성형 AI가 노동 수요·공급에 뚜렷한 영향을 미치지 않은 결과를 상호 배타적이지 않은 세 가지 방향으로 해석함.
① AI의 실제 영향이 미미할 가능성 해석 1
- 최근 해외 연구는 고노출 직업 청년 고용 부진의 주된 요인으로 원격근무 확산(신입 OJT·조직 적응 곤란, Lambert & Schindler 2026·Emanuel et al. 2026), 미국 연준 긴축 통화정책(Iscenko & Millet 2026)을 지목
- 생산성 증가로 고용주가 사는 업무 1건당 단가가 하락 — 해당 업무 수요가 충분히 탄력적이면(탄력성 1 근접) 노동수요가 유지될 수 있고, AI의 보완·증강 효과도 기여했을 수 있음
- 장래 수요 구조·인간-AI 협업 양태 변화에 따라 어느 방향으로든 영향이 나타날 가능성은 배제하지 않음
② 영향이 나타나기에는 시기상조일 가능성 해석 2
- 설문 응답자 과반이 최근 1년 사이 본격 활용을 시작 — 기술 도입이 구조조정·채용 동결·임금체계 개편으로 이어지기까지 통상 수년의 시차 필요
- 현재는 환각 등으로 인간의 최종 검토가 필수 — 스스로 판단해 연속 과업을 수행하는 AI 에이전트 활용이 일반화되면 노동시장 사정이 크게 달라질 수 있음
③ 분석 방법의 한계 해석 3
- 소분류 직업 단위 분석 — 세분류·세세분류 수준의 영향은 희석됐을 수 있음
- 산업 부문·기업 규모·세부 업무별 이질적 영향 미식별 (예: 해고 제한이 없는 5인 미만 사업체)
- 최종 산출물 수요 변화(예: 변호사 대신 AI에 1차 자문)는 분석 범위 밖
- 고용보험 밖 초단시간 근로자·특수형태근로종사자(플랫폼 노동자 등)·영세 자영업자 미분석 — 이들이 더 취약하다면 결과는 지나치게 보수적일 수 있음
소결 해석 종합
- 노출도가 높은 직업군의 청년 채용이 2022년 이후 비노출 직업군에 비해 눈에 띄게 감소한 것은 사실
- 이는 팬데믹 특수 종료 이후 정보통신업 등 고노출 직업 밀집 산업의 경기 둔화가 반영된 현상이며, 채용 감소 시기가 생성형 AI 확산 시기와 겹치면서 「AI발 청년실업」 담론이 힘을 얻은 것으로 보임
- AI에 의한 일자리 대체가 현실화됐다고 볼 근거는 부족하나, 청년 구직난이 심각하지 않다는 의미가 아니며 프리랜서 등 특정 취약 부문에 충격이 집중됐을 가능성도 배제하지 않음
10. 결론 및 정책 시사점
분석 결과 요약
결론 잠정 결론
- 생성형 AI 확산이 고노출 직업의 고용·채용·임금에 미친 뚜렷한 영향은 발견되지 않음 — 생성형 AI가 노동수요를 감소시킨 증거 미확인, 20대 청년으로 한정해도 동일
- 증거를 찾지 못한 것이 영향이 없었다거나 앞으로 없을 것임을 뜻하지 않음 — 본격 활용이 1~2년 사이임을 고려하면 「증거 부족」은 잠정적이며, 적용 시차·성능 개선 속도·미시적 충격을 염두에 둔 추적·분석 필요
- 청년 취업난의 원인을 AI로 돌리는 진단은 성급할 수 있음 — 경기 요인, 산업구조 변동, 채용시장의 경력자 선호, 고령 인력 퇴직 유예에 따른 신규채용 위축 가능성 등을 종합 검토할 필요
정부 대응 및 관련 재정사업 현황
정부 계획·예산 2026년
- 「대한민국 인공지능 행동계획」 (2026년 2월 확정, 「인공지능 발전과 신뢰 기반 조성 등에 관한 기본법」 근거) — AI 인프라·기술개발·인재양성·산업전환·사회적 기반을 포괄하는 범정부 계획
- 「제1차 산업전환 고용안정 기본계획」 (2026년 7월 수립, 「산업전환에 따른 고용안정 지원 등에 관한 법률」 근거) — 노동시장 영향 관측, 직업훈련·직무전환, 고용서비스, 고용·소득안전망 과제 제시
- 정부 대응 4개 영역: ① 노동시장 영향 관측 ② 훈련·직무전환 ③ 고용서비스·안전망 ④ 자료·기반구축
- 2026년 정부 AI 관련 예산 9.9조 원 (국가인공지능전략위원회, 2026. 3.) — 과기정통부 AI 인프라·기술개발, 산업통상부 산업 AX, 중기부 중소기업 AI 전환 중심, 노동시장 측면에서도 AI 훈련·청년 일경험·AI 기반 고용서비스·일자리 정보체계·고용·소득안전망 사업 병행
- 향후 과제는 새 지원수단 추가보다 실제 변화를 파악해 기존 정책수단을 적절한 대상과 시점에 연계하는 것
AI 노동시장 영향의 조기 식별과 단계적 대응
조기 식별 관측체계
- 정부 계획: 2027년 K-AIOE(한국형 AI 직업노출지수) 개발, 한국형 카나리아 대시보드(고노출 직업 중심 산업·연령별 고용변화 상시 모니터링), 산업전환 일자리 지도 구축
- 기존 경제총조사·기업정보화통계조사·기업활동조사·KNOW 재직자조사는 조사 주기가 길어 적시 파악에 한계
- 제안: 연 2회 약 23만 가구 대상 「지역별고용조사」에 생성형 AI 업무 활용 여부·정도 등 핵심 부가문항을 넣어 직업·산업·연령·고용형태·임금과 연계해 반기 단위로 관찰
- 「노출 가능성 – 실제 활용 – 고용·채용·소득 변화」를 구분해 관찰하고, 사업체패널조사·KNOW 재직자조사 등으로 중간 단계인 실제 AI 도입·활용정보 보완
- AI 노출도는 위험 판정지표가 아닌 관찰대상 선별지표로 활용 — 국회 예산심사에서도 정책판단 자료의 안정적 확보 여부를 우선 점검
| 단계 | 관측 상황 | 대응 방향 |
|---|---|---|
| ① 관찰 | 노출도·활용률은 상승하나 고용·채용·소득의 이상 변화가 확인되지 않음 | 정보수집과 일반적인 AI 활용훈련 중심 대응 |
| ② 원인 확인 | 특정 업종·직무에서 AI 도입 확대와 함께 신규채용·근로시간·소득 감소가 반복됨 | 기업·근로자 심층조사, 기존 고용영향평가로 원인과 영향 추가 확인 |
| ③ 지원 확대 | 산업경기·기업 특성·기존 고용추세를 고려한 뒤에도 부정적 변화가 지속됨 | 고용유지·직무전환·전직·소득지원의 대상과 강도 확대 — 신규 AI 전용 사업보다 특별고용지원업종·고용위기 선제대응지역·직업훈련·고용안전망 등 현행 수단 우선 활용 |
※ 현행 위기지원제도는 업종·지역 단위의 집단적 고용악화를 전제로 하므로, 영향이 전국의 특정 직업·과업에 분산될 경우 관측된 위험 단위와 제도 적용 단위의 일치 여부를 확인하고 사각지대 확인 시 제도 보완 검토
자료: 국회예산정책처 [그림 Ⅳ-3] 및 본문 정리
전환위험에 대한 선별적 대응
| 구분 | 점검 근거 | 대응 방향 |
|---|---|---|
| 과업 | AI 산출물을 거의 수정 없이 쓰는 비율이 주요 과업에서 20% 미만, 저숙련 과업 감소와 함께 산출물 검증·복합 판단·의사소통 등 고역량 수요 변화 공존 | 기업 AX 지원 시 변화 직무·필요 역량을 진단해 재직자 훈련과 연계, 근로자 AI 활용 역량 교육·훈련 확대 및 예산 확충 검토, 중소기업 과업변화 진단·훈련과정 설계 지원 |
| 경력단계 | 일부 고노출 직업에서 핵심연령층 고용이 유지되는 가운데 20대 고용이 상대적으로 약화, 자료정리·초안 작성·정보검색·단순 코딩 등 초급 과업 자동화 시 「경력 사다리의 첫 단계」 약화 가능성 | K-디지털 트레이닝(KDT)·청년일경험지원사업을 활용해 「훈련 → 실제 업무경험 → 취업」 경로 강화, 문제해결·의사소통·판단 등 보완적 역량 함께 강화 (OECD, 2026. 6.) |
| 고용형태 | 프리랜서·플랫폼 종사자·노무제공자 등 비정형 노동자는 고용보험 기반 분석에서 포착되지 않음, 영향이 해고·실업보다 계약건수·거래단가·과업·소득 감소로 나타날 수 있음 | 고용 여부뿐 아니라 일감·소득 감소를 지표로 점검하고 지원대상으로 포착할 수 있는지 점검, 직종별 상황 구분 접근 |
기존 평가체계를 활용한 연계성과 점검 및 예산 환류
성과 점검·환류 예산 심사
- 개별 사업 집행 여부와 함께 사업 간 지원이 연계되어 기업의 AI 활용과 근로자의 직무·고용 변화로 이어졌는지 점검
- 기업 AI 도입이 근로자 훈련·직무전환으로 이어지지 않으면 사업 간 연계방식 재검토, 훈련이 실제 AI 활용·관련 직무 이동으로 이어지지 않으면 훈련내용·지원대상 적정성 점검
- 국회 예산안·결산 심사에서는 집행실적보다 이러한 결과의 발현 여부와 평가 결과의 다음 연도 사업방식·예산배분 반영 여부를 중심으로 검토
- 대응의 관건은 지원수단의 외형적 확대가 아니라 변화를 먼저 관측하고 기존 수단을 연결·조정하는 역량
