AI가 청년 일자리에 영향을 주고 있다는 연구를 읽으면 곧바로 내 직업의 미래를 묻게 된다. 하지만 집단의 고용 추세와 개인의 다음 선택 사이에는 몇 단계의 해석이 필요하다. 어느 나라의 누구를 관찰했는지, 무엇과 비교했는지, 원인까지 확인한 결과인지를 건너뛰면 숫자가 불안의 크기만 키운다.
이 글은 스탠퍼드 디지털 이코노미 연구소의 「Canaries in the Coal Mine?」를 중심으로 다시 정리했다. 초안은 인터뷰를 계기로 작성했지만, 연구 수치와 한계는 2026년 9월 8일에 확인한 공식 공개 자료를 기준으로 한다. 처음 쓴 날짜는 유지하고 연구가 바뀐 시점은 따로 표시한다.
내게 필요한 것은 안전한 직업 목록보다 지금 하는 일을 더 자세히 보는 방법이다. 20년 경력을 쌓았다고 해서 다음 변화에 자동으로 적응하는 것은 아니다. 반대로 젊다는 이유만으로 개인의 가능성을 통계 하나에 가둘 수도 없다. 아래의 경력 점검은 연구에서 검증한 생존 공식이 아니라, 연구를 읽고 내가 제안하는 실무용 방법이다.
19%는 어떤 비교에서 나온 숫자인가
2026년 8월 12일 개정판은 미국 ADP 급여 행정자료를 2026년 6월까지 살폈다. 공식 요약에 따르면 AI 노출도가 높은 직종의 22~25세 고용은 노출도가 낮은 동년배의 추세를 따라갔을 경우보다 19% 낮은 수준이었다. 경제 전반의 광범위한 일자리 대체 증거를 찾았다는 결과는 아니며, 격차는 주로 해고 증가보다 채용 감소를 통해 나타났다고 설명한다. 공식 연구 페이지
이 숫자를 전체 청년 일자리의 19%가 없어졌다는 말로 바꾸면 안 된다. AI 노출도가 다른 집단의 추세를 기준으로 한 상대적 격차다. 절대 고용 감소율, 실업률, 개인이 해고될 확률과는 다른 값이다.
계산 의미만 보여 주는 가상의 예를 들자. 비교 추세를 따라갔을 고용이 100명이고 관찰값이 81명이라면 그 기준보다 19% 낮다. 그러나 출발점이 70명이었는지 110명이었는지에 따라 관찰 집단 자체의 증가와 감소는 달라진다. 실제 연구가 사람 100명을 관찰했다는 뜻이 아니다. 분모를 확인하지 않고 “증가율이 19% 느리다”고 요약하면 이 구분이 사라진다.
이전 자료의 16%와 현재 자료의 19%도 날짜 없이 섞지 않는다. 연구자들의 2026년 2월 설명은 당시 자료에서 2025년 10월까지의 격차를 약 16%로 언급했다. 자료 기간과 분석 개정이 다른 숫자이므로 하나가 다른 하나의 단순 오타라고 볼 수 없다. 연구자들의 2월 후속 설명
AI 노출과 고용 변화가 함께 움직여도 원인을 확정할 수는 없다
연구팀은 금리와 산업 구성 등 여러 대안 설명을 검토한다. 그렇다고 모든 다른 원인을 제거한 실험이 된 것은 아니다. 8월 공식 요약은 교육을 통제하면 패턴이 약해지고, 생성형 AI 이전의 추세 차이와 자료 범위의 한계도 있다고 밝힌다. 연구자들 스스로 인과 효과의 확정값이 아닌 초기의 기술적 지표로 해석한다.
따라서 “AI 때문에 정확히 19%가 감소했다”는 표현은 결과보다 강하다. 반대로 완벽한 인과 증명이 아니니 신경 쓸 필요가 없다는 판단도 지나치다. 채용 기회가 줄어드는 패턴은 원인이 하나가 아니어도 초급자의 진입과 조직의 인력 육성에 영향을 줄 수 있다.
한국에서 일하는 내가 이 수치를 그대로 개인 경력 계획에 대입할 수도 없다. 채용 제도, 산업 비중, 기업 규모, 언어, 직무 구성과 AI 도입 환경이 다르다. 한국의 내 직군에서 같은 현상이 있는지는 별도 자료가 필요하다. 이 연구는 확인할 질문을 제공하지 내 연봉이나 고용 안정성을 계산해 주지는 않는다.
경력 많은 사람에게 같은 격차가 관찰되지 않았다는 결과도 영구적인 보호막은 아니다. 관찰 기간에 나타난 차이일 뿐이다. 경력이 있다는 사실보다 그 경험이 현재 업무에서 어떤 판단으로 드러나는지 살펴보는 편이 행동으로 옮기기 쉽다.
직업 이름 대신 한 주 동안 한 업무를 나눈다
첫 점검은 내 직함을 적는 것이 아니라 최근 한 주의 산출물을 적는 것이다. 리서치 업무라면 자료 찾기, 질문 설계, 데이터 정리, 해석, 보고서 작성, 고객 설명, 일정 조율이 한 직업 안에 들어 있다. 이들을 모두 “리서처가 하는 일”로 묶으면 AI가 어디를 바꾸는지 잘 보이지 않는다.
각 업무 옆에는 AI가 맡을 수 있는 범위와 사람이 책임질 지점을 따로 쓴다. 다음 표는 특정 회사에서 이미 운영한 결과가 아닌 예시다.
| 업무 | AI에게 시험해 볼 범위 | 사람이 확인할 부분 |
|---|---|---|
| 공개 자료 수집 | 검색 후보와 중복 자료 정리 | 사용 권리, 최신성, 원출처 |
| 설문 초안 | 질문의 대안 표현과 누락 후보 | 조사 목적, 유도 질문, 응답 부담 |
| 데이터 요약 | 표 생성 초안과 이상값 후보 | 분모, 결측 처리, 계산 재현 |
| 고객 설명 | 청중별 설명 초안 | 약속할 수 있는 범위, 이견과 결정 |
| 후배 교육 | 연습 문제와 피드백 초안 | 실제 이해도, 과제 난이도, 성장 기회 |
중요한 것은 왼쪽 업무를 오른쪽 책임 없이 자동 실행하지 않는 것이다. 반대로 사람이 최종 확인한다는 이유로 AI 도움을 모두 금지할 필요도 없다. 입력이 공개 자료이고 오류를 쉽게 찾을 수 있는 작업부터 작게 비교해 볼 수 있다.
분류를 한 번 해보고 고정하지는 않는다. 이전에는 어려웠던 작업이 도구 개선으로 쉬워질 수 있고, 같은 모델도 자료 형식이 바뀌면 성능이 달라질 수 있다. 특정 능력은 AI가 절대 못 한다는 주장보다 지금 어떤 증거로 어디까지 맡기는지가 더 유용하다.
자동화 이후 초급자가 배울 단계를 남기는가
채용이 줄어드는 현상을 개인에게 공부를 더 하라고 말하는 것으로 모두 해결할 수는 없다. 조직이 초급자의 업무를 없애면서 숙련자는 계속 필요로 한다면, 그 사이에서 경험을 쌓을 경로를 어떻게 만들지도 물어야 한다.
예전에는 자료를 모으고 보고서 초안을 반복해서 작성하는 동안 업계의 용어와 흔한 오류를 익혔을 수 있다. AI가 그 초안을 빠르게 만들면 초급자는 완성본을 검토하는 더 어려운 일을 처음부터 맡게 될 수도 있다. 초안 작성 시간을 줄이는 것과 검토 역량을 익히는 시간을 줄이는 것은 같은 결정이 아니다.
대안으로는 안전한 공개 자료를 이용한 연습 과제를 만들 수 있다. 첫 단계에서는 AI 답변 없이 중요한 수치와 한계를 표시한다. 다음 단계에서 AI 요약과 비교하고 어떤 누락을 찾았는지 적는다. 마지막으로 선임이 결과와 판단 과정을 함께 검토한다. 이는 실제 교육 효과를 측정한 프로그램이 아니라 조직에서 시험해 볼 설계다.
평가는 정답을 빨리 내는 것에만 두지 않는다. 설명하지 못한 항목을 스스로 표시했는지, 틀린 답을 받아들이지 않도록 원문을 확인했는지, 도움을 요청할 지점을 알았는지도 본다. AI 접근 권한과 교육 시간이 없는 사람에게 같은 생산성을 요구하면 도구가 생긴 것이 기회의 평등으로 이어지지 않을 수 있다.
경력을 옮길 때는 사용한 도구보다 판단의 증거를 보여 준다
경력 사다리 대신 다른 영역으로 이동하는 길을 생각할 수 있다. 하지만 AI를 배우면 직업 전환이 쉬워진다고 보장할 수는 없다. 분야 지식, 자격, 네트워크, 채용 조건과 생활비 부담이 여전히 남는다. 이동 가능성을 확인하는 작은 과제가 먼저다.
예를 들어 리서치 경험을 제품 분석으로 넓히고 싶다면 공개된 제품 이용 데이터를 가정해 분석 질문을 작성하고, 지표의 정의와 누락 가능성을 설명해 볼 수 있다. 실제 고객 데이터를 허락 없이 포트폴리오에 쓰거나 가상의 실험을 실제 성과처럼 적지는 않는다. 가상 자료라면 처음부터 그렇게 표시한다.
남길 기록은 작업 목표, 입력 자료, 내가 결정한 기준, AI가 도운 부분, 사람이 바꾼 부분, 검증 방법이다. “AI로 하루 만에 완성했다”는 문구만으로는 채용 담당자가 무엇을 평가해야 할지 알기 어렵다. 어떤 잘못된 결론을 막았는지, 다른 사람이 다시 실행할 수 있는지까지 있으면 역량을 더 구체적으로 설명할 수 있다.
이때 성과를 부풀리지 않는 것이 중요하다. 실제 사용자나 매출이 없는 연습 과제라면 검증된 것은 기능 동작이나 분석 재현이지 사업 성공이 아니다. 실패한 선택을 기록하는 일도 유용하지만, 고객과 동료의 비밀이나 실명을 공개하는 근거가 되지는 않는다.
다음 점검에서는 고용 뉴스와 내 작업 기록을 함께 본다
내가 제안하는 첫 주 작업은 최근 산출물 다섯 개를 골라 반복 작업, AI 보조가 가능한 작업, 중요한 판단으로 나누는 것이다. 그중 공개 자료로 재현할 수 있는 하나에만 AI 보조를 붙이고 수정 시간과 오류를 기록한다. 작은 과제를 골랐다는 사실을 업계 전체의 변화로 확대 해석하지 않는다.
그 뒤에는 월별 또는 분기별로 연구 개정과 실제 채용 공고를 함께 확인한다. 공고 수만 아니라 어떤 경험과 책임을 요구하는지 본다. 이전에 초급자에게 열려 있던 업무가 어디로 이동했는지, 새로운 도구 사용 조건이 추가됐는지도 기록할 수 있다. 짧은 기간의 변화는 계절성과 개별 기업 사정일 수 있으므로 추세라고 단정하기 전에 비교 기간을 늘린다.
이 연구를 읽고 당장 직업을 버리거나 특정 기술에 모든 시간을 걸 이유는 없다. 그렇다고 제목의 불편함만 잊어도 되는 것은 아니다. 이번에는 내 업무 목록 한 장과 공개 가능한 연습 과제 하나를 남기려 한다. 다음 연구가 발표됐을 때 불안한 숫자뿐 아니라 내 쪽에서 바뀐 일도 함께 볼 수 있도록.
참고자료
- Stanford Digital Economy Lab, Canaries in the Coal Mine?, 2026년 8월 12일 개정: 2026년 6월까지의 자료, 19% 상대 격차와 해석의 한계를 확인한 공식 공개 요약.
- 연구자 후속 설명, Canaries, Interest Rates, and Timing, 2026년 2월 9일: 당시 16% 수치의 기준 시점과 금리·시점·인과 해석에 관한 설명.