2026 - 노동 - HAI, 인공지능은 노동 수요를 어떻게 변화시키는가? 41개국 사례 연구

https://digitaleconomy.stanford.edu/publication/how-does-ai-change-labor-demand/

2026.9.21
[How Does AI Change Labor Demand? Evidence from 41 Countries]

이 연구는 생성형 AI 도입이 전 세계 41개국 다국적 기업의 노동 수요에 미치는 영향을 12억 건의 구인 공고와 1억 5천만 명의 고용 기록을 바탕으로 분석한 보고서입니다. 저자들은 기업이 AI를 채택할 때 발생하는 생산성 향상 효과와 직무 내용의 변화를 모형화하여, AI가 특정 직군의 노동을 대체하는 노동 절약형인지 혹은 보완하는 노동 확장형인지를 실증적으로 규명합니다. 연구 결과에 따르면, AI 도입 기업은 전체 고용 규모를 유지하거나 소폭 늘리는 반면, 주니어(신입) 직원의 비중은 유의미하게 축소하고 숙련된 시니어 고용을 확대하는 경력 편향적인 변화를 보였습니다. 특히 이러한 현상은 미국, 브라질, 사우디아라비아 등 경제적 배경이 상이한 국가들에서 공통적으로 관찰되었으며, AI 노출도가 높은 컴퓨터 및 수학 관련 직종에서는 고용이 늘어난 반면 하위 직무의 주니어 수요는 줄어드는 이중적인 양상이 나타났습니다. 결론적으로 이 논문은 생성형 AI가 단순한 일자리 소멸보다는 기업 내 인력 구성의 재편을 가속화하며, 특히 진입 장벽이 높아진 주니어 노동 시장에 도전적인 과제를 던지고 있음을 시사합니다.

핵심 판단
이 논문은 생성형 AI가 기업의 전체 고용을 대규모로 줄였다는 증거보다, 채용·고용 구성을 신입에서 경력직 쪽으로 바꿨다는 증거를 제시합니다. 가장 확실한 결과는 AI 도입 기업의 해외 자회사에서 신입 직원 비중이 비교집단보다 1.9%p 낮아지고, 경력직 고용은 6.7% 높아진 것입니다. 신입 고용 자체의 추정치는 −2.5%이지만 통계적으로 유의하지 않습니다. 따라서 “AI가 신입 일자리를 2.5% 없앴다”는 식의 단정은 부정확합니다. [원문 p.29, 표 3]

연구 설계와 주요 결과
Chandar·Klein Teeselink의 How Does AI Change Labor Demand? Evidence from 41 Countries (2026.9.20)은 41개국의 구인공고 약 12.5억 건과 기준시점의 직위 약 1억 5,400만 건을 활용합니다. 생성형 AI가 관련된 구인공고를 낸 회사를 ‘도입 기업’으로 분류하고, 비슷한 비도입 기업의 해외 자회사와 비교합니다. 기업의 자발적 도입에 따른 선택편의를 줄이기 위해 모회사 본사 소재 도시의 다른 다국적기업들의 AI 도입률을 도구변수로 사용했습니다. 최종 매칭 표본은 도입 자회사 26,102개, 비교 자회사 27,697개이며, 결과는 2026년 3월 기준입니다. 여기서 ‘신입’은 데이터의 entry·junior 등급이고, ‘경력직’에는 associate부터 임원까지 폭넓게 포함됩니다. [원문 pp.13–16, 22–25, 29]

논문의 이론적 구분도 중요합니다. AI는 특정 직원의 업무를 대체하거나 새 업무를 창출하는 한편, 생산비용 하락을 통해 기업 규모를 키울 수 있습니다. 따라서 어떤 집단의 고용이 늘었다고 그 집단의 기존 업무가 모두 AI와 보완관계라는 뜻은 아니며, 고용이 줄지 않았다고 대체 효과가 없다는 뜻도 아닙니다. 저자들의 모형 기반 분해에서는 AI 노출이 높은 직무로의 상대적 수요 이동이 경력직은 +5.0%, 신입은 −2.0%로 추정됩니다. 다만 신입 쪽 추정치와 전체 규모효과 +2.5%는 각각 유의하지 않아, 저자들도 규모·생산성 효과를 시사적 결과로 취급합니다. [원문 pp.8–10, 44–45, 표 4]

해석할 때 지켜야 할 경계
1. 국가 전체의 일자리 증감은 측정하지 않았습니다. 결과는 도입 기업 자회사와 비도입 기업 자회사 사이의 상대적 차이입니다. 한 자회사의 증가가 같은 기업집단의 다른 사업장이나 경쟁기업의 감소를 동반했는지도 이 추정치만으로 알 수 없습니다. [원문 pp.10, 30, 46]

2.‘AI 도입’은 실제 사용 로그가 아니라 구인공고의 대리변수입니다. AI를 사용하지만 관련 공고를 내지 않는 회사가 비교집단에 들어갈 수 있고, 최초 공고일이 실제 도입일과 일치하지 않습니다. 특히 늦게 공고를 낸 일부 기업에서는 공고 이전부터 신입 비중 변화가 관찰되어 인과 해석에 주의가 필요합니다. [원문 pp.16, 41–42, 46]

3.도구변수의 핵심 가정은 완전히 검증할 수 없습니다. 본사 주변 기업의 AI 도입이 해당 자회사 고용에 오직 그 회사의 AI 도입을 통해서만 영향을 줘야 합니다. 저자들이 대체 도구변수와 다른 분석법으로 점검했지만, 본사 지역의 경기·조직 변화 같은 경로를 모두 배제하지는 못합니다. [원문 pp.25–26, 38–39, 46]

4.표본은 노동시장 전체를 대표하지 않습니다. LinkedIn 기반 직위 자료는 관리자·전문직에 치우치고 수작업 직종을 과소포착합니다. 도구변수 분석의 대상도 평균적인 기업이 아닌 해외 다국적기업 자회사입니다. [원문 pp.19–21, 46, 97]

한국에 적용하면
한국은 41개국 공고 통계에는 포함됩니다. 논문 표 A6에서 한국의 AI 관련 공고 비중은 0.05%(전체 3,420,881건 중 1,829건)입니다. 반면 표 A7의 38.8%는 한국 소재 표본 자회사 가운데 그 회사가 어느 나라에서든 AI 관련 공고를 낸 비율입니다. 서로 다른 분모·정의의 지표이므로 한국 기업의 실제 AI 활용률로 해석해서는 안 됩니다. 더욱이 한국은 국가별 효과를 제시한 31개국 그림에는 포함되지 않습니다. 이 논문의 −1.9%p를 ‘한국 신입 고용 효과’로 옮겨 쓰는 것은 근거가 없습니다. [원문 pp.18, 34, 94–95, 표 A6·A7]

실무적 시사점: 국내에서 검증할 가설은 “AI가 총고용을 줄이는가” 하나가 아니라 ① 신입 채용·재직 비중, ② AI 노출 직무 내 신입/경력직 전환, ③ 기업 규모효과를 분리해 관찰해야 한다는 것입니다. 이 논문은 신입 인력의 경력 형성 경로가 약해질 가능성을 제기하지만, 한국의 장기 고용·임금 효과나 그에 대한 정책 처방까지 입증한 연구는 아닙니다. [원문 pp.45–47]