핵심 판단
AI가 노동시장을 바꾸고 있다는 이야기는 흔히 “사람을 몇 명 해고했는가”로 시작한다. 그런데 지금 더 먼저 나타나는 변화는 해고보다 신입을 덜 뽑는 것에 가깝다.
Stanford Digital Economy Lab이 ADP 급여 데이터를 분석한 최신 결과를 보면, AI 노출도가 높은 직종에서 22~25세 근로자의 고용은 비교집단의 흐름을 따랐다고 가정했을 때보다 약 19% 낮다. 연구진은 경제 전체의 광범위한 일자리 붕괴는 아직 보이지 않지만, 젊은 근로자의 격차는 커지고 있으며 조정도 해고보다 신규 채용 감소에서 주로 나타난다고 설명한다.[^1]
동시에 AI 모델은 짧은 질문에 답하는 도구에서 여러 프로그램과 파일을 오가며 업무를 처음부터 끝까지 마치는 도구로 이동하고 있다. OpenAI가 공개한 AutomationBench에서 GPT-6 Astra의 성공률은 41.4%로, GPT-5.6 Sol의 18.1%보다 두 배 이상 높다.[^2]
두 흐름을 함께 보면 신입 채용이 먼저 흔들리는 이유가 보인다. AI가 갑자기 직업 하나를 통째로 대체해서라기보다, 과거 신입사원에게 나눠 주던 디지털 업무 묶음을 점점 더 길게 맡을 수 있게 되었기 때문이다.
중요한 변화는 ‘지능’보다 업무의 길이다
모델 성능을 비교할 때 우리는 보통 시험 점수처럼 생각한다. 같은 문제를 주고 누가 더 정확하게 답하는지 본다. 실제 회사 업무는 그렇게 깔끔하지 않다.
시장조사를 예로 들면 자료를 찾는 것으로 끝나지 않는다. 필요한 숫자를 골라 표를 만들고, 이전 자료와 비교하고, 문서에 반영하고, 오류를 고친 뒤 상사가 검토할 형태로 정리해야 한다. 코딩도 코드를 쓰는 것보다 테스트하고 수정하고 다른 파일과 연결하는 과정이 길다.
이런 업무에서는 한 단계의 정답률보다 얼마나 긴 작업을 중간에 무너지지 않고 이어갈 수 있는가가 더 중요하다.
METR는 이를 ‘작업 완료 시간 지평(task-completion time horizon)’으로 측정한다. 인간 전문가에게 일정 시간이 걸리는 과제를 AI가 특정 확률로 끝낼 수 있는지를 보는 지표다. 최신 측정에서도 프런티어 모델이 성공적으로 수행할 수 있는 과제의 길이는 장기적으로 빠르게 늘고 있다.[^3]
Astra도 같은 방향을 겨냥한다. OpenAI는 코딩, 조사, 컴퓨터 사용, 문서 제작을 결합한 다단계 업무를 주요 용도로 설명한다. 한 기업 사례에서는 게임 엔진 안에서 장면을 수정하고 직접 실행한 뒤 버그를 다시 고치는 과정을 연결하면서 이전 모델보다 사람의 수동 수정이 절반가량 줄었다고 보고했다.[^4]
AI가 잘하는 일이 ‘한 문제’에서 ‘하나의 업무 흐름’으로 길어지고 있다.
그래서 신입 업무가 먼저 겹친다
신입사원이 맡는 일에는 공통점이 있다. 자료 정리, 초안 작성, 반복적인 분석, 간단한 코드 수정처럼 범위가 비교적 명확하고 결과를 검토하기 쉬운 업무가 많다. 조직은 이런 일을 맡기면서 신입을 훈련시키고 동시에 상급자의 시간을 절약해 왔다.
이 업무군이 지금 에이전트가 가장 빠르게 개선되는 영역과 겹친다.
AI가 한 단계만 처리할 때는 생산성 도구에 가깝다. 사람이 자료를 찾고 AI에게 요약을 맡긴 뒤 다시 다음 작업을 이어간다. 하지만 검색부터 문서 수정, 파일 저장, 테스트까지 여러 단계를 연속으로 처리하면 사람의 역할은 작은 일을 직접 수행하는 쪽에서 결과를 검토하는 쪽으로 이동한다.
기업 입장에서 가장 쉬운 조정은 기존 직원을 대규모로 해고하는 것이 아니다. 이미 조직과 업무를 아는 사람은 남기고 다음 신입 채용 인원을 줄이는 것이다. Stanford 데이터에서 젊은 근로자의 격차가 주로 채용 감소로 나타난다는 결과와 맞닿아 있다.[^1]
물론 19%의 격차를 AI 하나로 설명할 수는 없다. 고용은 경기, 금리, 업종별 투자와 구조조정의 영향을 함께 받는다. 지금 확인되는 것은 AI 노출도가 높은 직종에서 젊은 층의 고용 경로가 상대적으로 약해지고 있다는 초기 신호다.
경험 많은 사람의 가치는 오히려 커질 수 있다
같은 연구에서 경력직은 신입과 같은 고용 격차를 보이지 않았다. AI를 사람의 일을 보완하는 방식으로 주로 사용하는 직종에서는 고용이 유지되거나 늘어나는 모습도 나타났다.[^1]
업무를 길게 처리하는 AI가 늘어나도 목표가 모호하거나 예외가 많은 일은 남는다. AI가 만든 시장분석 자료에서 어떤 가정을 믿을지, 고객에게 이 숫자를 보여줘도 되는지, 예상하지 못한 규제 문제가 있는지는 별도의 판단이다. 이런 능력은 대개 조직과 산업을 오래 경험하면서 쌓인다.
따라서 단기적으로 중요한 변화는 ‘사람 대 AI’보다 경험 있는 한 사람이 AI를 이용해 얼마나 넓은 업무 범위를 담당할 수 있는가에 가깝다. 한 명의 시니어가 예전보다 많은 초안·분석·실행을 감독할 수 있다면 조직이 필요로 하는 주니어 숫자는 줄어든다.
그렇다고 장시간 작업을 사람 없이 맡길 수 있다는 뜻도 아니다. Astra의 AutomationBench 성공률은 크게 올랐지만 여전히 50%를 넘지 않는다.[^2] 작업이 길어질수록 초반의 작은 오류가 뒤 단계로 전파될 수 있고, 모델이 더 많은 권한을 가질수록 잘못된 행동의 비용도 커진다. OpenAI가 별도의 작업 모니터링과 안전장치를 강조하는 이유다.[^5]
기업이 봐야 할 지표도 단순한 AI 사용 횟수에서 벗어나야 한다. 실제 업무 흐름에서 AI가 어디까지 혼자 도달했는지, 사람의 개입과 수정 시간이 얼마나 줄었는지, 실패했을 때 복구 비용이 얼마나 드는지가 생산성을 더 잘 보여준다.
더 어려운 문제는 인재를 어떻게 키울 것인가다
당장 신입을 줄이면 비용은 절약할 수 있다. 하지만 몇 년 뒤 조직의 중간관리자와 전문가가 될 사람을 어디서 키울 것인가라는 문제가 남는다.
과거에는 반복 업무 자체가 교육과정이었다. 자료를 직접 찾고, 모델을 만들고, 상사의 피드백을 받으면서 업무 감각을 익혔다. AI가 그 과정을 통째로 처리하면 신입은 지루한 일을 덜 하게 되지만 경험을 쌓는 경로도 함께 짧아진다.
그래서 주니어 직무는 AI가 하지 못하는 일을 억지로 남기는 방식보다, AI가 만든 결과를 검증하고 맥락을 추가하며 예외를 처리하는 능력을 더 빨리 배우는 구조로 재설계될 가능성이 높다. 처음부터 한 사람이 여러 에이전트를 다루도록 훈련하는 조직도 늘어날 수 있다.
노동시장에서 봐야 할 것도 해고 숫자 하나가 아니다. AI 노출도가 높은 직종의 신규 채용과 연령별 고용, 한 직원이 담당하는 업무 범위, 사람의 수정 시간이 함께 움직이는지를 봐야 한다.
AI가 노동시장을 바꾸는 첫 장면은 로봇이 사람의 자리를 통째로 차지하는 모습이 아닐 수 있다. 같은 팀이 예전보다 적은 신입으로 더 긴 업무를 처리하기 시작하는 것일 가능성이 높다.
Sources
[^1]: Stanford Digital Economy Lab, No Widespread Displacement, but the AI Employment Gap for Young Workers Has Widened to 19%, 2026-08-12 [^2]: OpenAI, GPT-6 Astra: A new generation of intelligence, 2026-09-03 [^3]: METR, Task-Completion Time Horizons of Frontier AI Models, updated 2026-05-08 [^4]: OpenAI, Playco cut manual fixes in game prototyping by 50% with GPT-6 Astra, 2026-09-03 [^5]: OpenAI, Safety overview: GPT-6 Astra, 2026-09-03