AI 일자리 예측, 왜 자꾸 빗나가는가? 전문가의 반전 분석

전문가 통찰 및 한줄평 (Insight)

“AI가 몰고 올 미래 직업 환경은 단순히 ‘일자리 파괴’로 요약될 수 없습니다.

오히려 우리는 과거의 낡은 예측 방식에서 벗어나, AI가 촉발할 비즈니스 모델의 근본적인 변화와 새로운 가치 창출에 주목해야 합니다.

복잡한 직무의 본질을 이해하지 못한 채 표면적인 자동화 가능성만으로 미래를 점치는 것은 착각에 불과합니다.”

인공지능(AI) 기술이 전례 없는 속도로 발전하면서, 전 세계적으로 AI가 일자리에 미칠 영향에 대한 관심이 뜨겁습니다.

수많은 보고서와 예측 모델이 특정 직업군의 AI 노출도를 분석하며, 어떤 일자리가 사라지고 어떤 일자리가 새로 생겨날지에 대한 전망을 쏟아내고 있습니다.

하지만 과연 이러한 예측들은 얼마나 신뢰할 수 있을까요?

벤 에반스(Benedict Evans)의 최근 분석은 이러한 표면적인 예측의 한계를 지적하며, 우리가 AI와 일자리의 관계를 이해하는 방식에 대한 근본적인 질문을 던지고 있습니다.

AI 일자리 예측, 왜 실패하는가?

많은 전문가와 연구기관이 인구조사 데이터와 직무 분석을 통해 AI 노출도를 수치화하고 예측 모델을 구축하는 데 몰두하고 있습니다.

그러나 에반스는 이러한 시도가 대부분 불가능하며, 예측할 수 없는 것을 예측하려는 노력이라고 일갈합니다.

이러한 주장의 근거는 과거의 기술 혁명 사례를 통해 명확하게 드러납니다.

과거의 예측 모델을 현재에 대입해보면, 가장 큰 피해를 입었어야 할 산업이 오히려 훨씬 더 커지거나, 안전하다고 여겨졌던 산업이 예상치 못한 타격을 입는 경우가 비일비재했습니다.

이는 AI가 일자리에 미치는 영향 역시 단순한 자동화 수준을 넘어선 복합적인 변화로 이어질 것이라는 강력한 증거입니다.

가장 대표적인 예시는 바로 회계 분야입니다.

지난 1세기 동안 인류는 계산기, 천공 카드, 메인프레임, 데이터베이스, PC, 스프레드시트, ERP, 클라우드 등 회계 업무를 자동화하기 위해 수많은 기술을 개발했습니다.

실제로 기술 산업의 절반가량이 회계 자동화에 기여했다고 해도 과언이 아닙니다.

그럼에도 불구하고, 회계사의 수는 지속적으로 증가해왔습니다.

1970년대 후반 비지칼크(VisiCalc)가 등장했을 때, CPAs(공인회계사)들이 한 달 걸리던 프로젝트를 며칠 만에 처리할 수 있게 되었음에도 불구하고, 회계사 시장은 줄어들지 않았습니다.

이처럼 기술의 발전이 특정 직무의 소멸로 직결되지 않는다는 점은 AI 시대에도 중요한 통찰을 제공합니다.

과거 기술 혁명에서 배우는 교훈: 회계사의 역설

회계사 사례는 여러 가지 중요한 교훈을 시사합니다.

첫째, 기술은 유일한 변수가 아닙니다.

규제 변화와 같은 외부 요인이 새로운 회계 요구사항을 만들어내면서 CPA 고용이 일시적으로 급증하는 등, 기술 외적인 요소가 직무 수요에 큰 영향을 미치기도 합니다.

경제학자들이 ‘다른 조건이 일정하다면(ceteris paribus)’이라는 단서를 붙이는 이유가 여기에 있습니다.

둘째, 자동화 논의에서는 제본스 역설(Jevons paradox)이 작동할 수 있습니다.

특정 작업을 더 저렴하고 빠르게 수행할 수 있게 되면, 단순히 같은 작업을 더 적은 비용으로 처리하는 것을 넘어, 훨씬 더 많은 작업을 수행하게 되거나 새로운 종류의 분석을 시도하게 됩니다.

예를 들어, DCF(할인 현금 흐름) 분석에 일주일이 걸리던 것이 30초 만에 가능해진다면, 기업은 더 많은 DCF 분석을 수행하고, 이를 통해 더 심층적인 의사결정을 내릴 수 있습니다.

‘자동화 노출’은 일자리를 줄이는 것이 아니라, 새로운 업무 영역을 창출하거나 기존 업무의 성격을 변화시키는 결과를 낳을 수 있는 것입니다.

오늘날의 회계사들은 1970년대나 1980년대와 동일한 업무를 ‘더 많이’ 하는 것이 아니라, ‘회계사’라는 이름은 같지만 수행하는 업무의 본질이 달라진 것입니다.

과거에 비싸고 시간이 많이 들었던 분석이 저렴하고 쉬워지면, 이는 다른 수많은 잠재력을 해제하게 됩니다.

셋째, 직무 자체는 변하지 않더라도 기저의 비즈니스 모델이 완전히 바뀔 수 있습니다. 인터넷은 훌륭한 저널리스트나 A&R 스카우트가 되기 위한 자질을 직접적으로 바꾸지 않았습니다.

하지만 언론 산업은 지역 독점 광고와 인쇄/배송이라는 ‘경공업 및 운송업’ 비즈니스 모델에 의해 지탱되었고, 음반 기획자의 급여는 플라스틱 음반 제조 및 운송으로 충당되었습니다.

인터넷은 이러한 비즈니스 모델을 해체해 버렸고, 이는 기사 편집자나 사운드 엔지니어의 직무 분석만으로는 포착할 수 없는 거대한 변화였습니다.

AI 역시 특정 직무의 AI 노출도가 낮더라도, 해당 비즈니스가 의존하는 다른 직무가 AI에 크게 영향을 받는다면 기업의 존립 자체가 흔들릴 수 있습니다.

AI 시대, 직무 변화의 복합적 양상

직무 명칭과 실제 업무의 괴리 또한 예측을 어렵게 합니다.

‘회계사 및 감사관’이라는 직무는 통계적으로 비교적 안정적인 범주로 보이지만, 그 주변에는 수많은 금융 관련 직무들이 나타났다 사라지기를 반복합니다.

예를 들어, ‘청구, 게시 및 계산기 운영자’ 같은 직무는 한동안 통계에 나타났다가 사라졌습니다.

이는 한 사람이 주식 서기에서 게시 기계 운영자로, 다시 소프트웨어에 흡수되면서 주식 서기로 은퇴하는 등, 기술 변화에 따라 직무 명칭과 역할이 유동적으로 변했음을 시사합니다.

‘데이터 키어’는 여전히 존재하지만 ‘ERP 운영자’라는 범주는 없습니다.

같은 사람이 같은 비즈니스 목적을 수행하면서도 시간이 지남에 따라 다른 직무 명칭을 가지게 되는 반면, ‘회계사’는 같은 명칭을 유지하면서도 하는 일은 완전히 달라지는 것입니다.

과거 기술의 예측 불가능한 효과를 다루는 또 다른 예시로 우버(Uber)를 들 수 있습니다.

2000년대 모바일 업계 종사자들은 위치 데이터에 대해 많은 이야기를 나눴지만, 그 누구도 이것이 택시 산업에 미칠 파급 효과를 예상하지 못했습니다.

단지 더 효율적인 배차 시스템을 떠올렸을 뿐, 직업의 본질을 완전히 바꾸고 수백만 달러에 달하던 택시 면허 가치를 무용지물로 만들 것이라고는 상상조차 하지 못했습니다.

1995년에 ‘인터넷 노출도’를, 2005년에 ‘스마트폰 노출도’를 직업별로 계산했다면, 과연 택시 운전사를 리스트 상단에 올렸을 것이라고 자신할 수 있을까요?

이처럼 대규모의 예측 불가능한 변화는 언제나 기술 혁명의 핵심적인 특징이었습니다.

한국 시장과 국내 기업에 미칠 영향: 불확실성 속 기회

벤 에반스의 분석은 한국 시장과 국내 기업에도 시사하는 바가 큽니다.

한국은 제조업 기반이 강하고, 대기업을 중심으로 한 수직적 구조를 가진 기업 문화가 지배적입니다.

이러한 환경에서 기업들은 AI를 ‘비용 절감’이나 ‘기존 업무 효율화’ 도구로만 바라보는 경향이 강할 수 있습니다.

즉, AI가 특정 직무의 반복적인 작업을 자동화하여 인력을 감축하거나, 생산성을 향상시키는 데 초점을 맞출 가능성이 높습니다.

그러나 이는 에반스가 지적하는 AI의 진정한 파급력을 간과하는 것일 수 있습니다.

국내 기업들은 AI가 단순히 기존 직무를 자동화하는 것을 넘어, 새로운 비즈니스 모델을 창출하거나 산업 전반의 가치 사슬을 재편할 수 있는 잠재력에 주목해야 합니다.

예를 들어, AI 기반의 초개인화된 서비스나, 기존에는 불가능했던 복잡한 데이터 분석을 통한 신규 시장 개척 등이 이에 해당합니다.

국내 스타트업이나 기술 기업들은 이러한 기회를 포착하여 기존 대기업의 비즈니스 모델을 혁신하거나, 새로운 시장을 선점할 수 있습니다.

반면, AI를 단순히 자동화 도구로만 활용하는 기업은 ‘AI 무감증’에 빠져 예상치 못한 시장 변화에 뒤처질 위험이 있습니다.

AI 시대의 핵심 경쟁력은 ‘누가 더 많은 일을 자동화하는가’가 아니라, ‘누가 AI를 통해 전혀 새로운 가치를 창출하는가’에 달려있습니다. 국내 투자자들 역시 단순히 AI 기술을 도입하는 기업보다는, AI를 통해 비즈니스 모델을 근본적으로 혁신하려는 기업에 주목할 필요가 있습니다.

관련 기술 트렌드 더 보기

비교 분석: 기존 자동화와 AI의 일자리 영향론

기존의 자동화 기술과 현재의 AI, 특히 생성형 AI가 일자리에 미치는 영향에 대한 접근 방식은 근본적인 차이를 보입니다.

이러한 차이를 명확히 이해하는 것은 미래를 예측하는 데 필수적입니다.

| 특징/측면 | 기존 자동화 기술 (산업 로봇, ERP 등) | AI 및 생성형 AI (LLM, 이미지 생성 AI 등) |
| :————– | :———————————- | :——————————————- |\n| 주요 목표 | 반복적/규칙적 작업 효율화 및 비용 절감 | 복잡한 의사결정 지원, 콘텐츠 생성, 새로운 아이디어 도출 |\n| 직무 영향 방식 | 특정 정형화된 작업의 대체 및 간소화 | 비정형적이고 인지적인 작업의 보조, 직무 본질 변화, 새로운 업무 창출 |\n| 비즈니스 영향 | 기존 프로세스의 효율 증대, 생산량 극대화 | 비즈니스 모델의 근본적인 혁신, 새로운 시장 및 서비스 창출, 가치 사슬 재편 |\n| 예측 가능성 | 비교적 높음 (명확한 작업 정의 기반) | 매우 낮음 (복합적 상호작용, 제본스 역설, 비즈니스 모델 변화 등) |\n| 인력 수요 변화 | 단순 반복 직무 감소, 관리/유지보수 직무 전환 | 기존 직무의 재정의, 새로운 스킬셋 요구, 증강된 인력 수요 또는 질적 변화 |

이 표에서 볼 수 있듯이, AI는 단순히 특정 작업을 대체하는 것을 넘어, 직무와 비즈니스 모델의 유기적인 변화를 촉진합니다.

이는 O*NET과 같은 도구를 사용하여 직무를 논리적인 단계의 연속으로 정의하려는 시도가 왜 실패할 수밖에 없는지를 보여줍니다.

현실 세계의 직무는 이미지 인식이나 언어 번역처럼 복잡하고 미묘하며, 명시적으로 설명하기 어려운 요소들로 얽혀 있는 경우가 대부분입니다.

마치 전문가 시스템이 이미지 인식을 위해 논리적 단계를 정의하려다 실패했던 것처럼, 직무의 복잡성을 간과한 예측은 필연적으로 한계에 부딪힙니다.

미래 직업 환경에 대한 근본적인 고찰

에반스는 직무의 본질에 대한 근본적인 문제도 제기합니다.

O*NET과 같은 직무 설명은 마치 초기 AI의 전문가 시스템이 실패했던 방식과 유사하다는 것입니다.

고양이를 인식하는 일련의 논리적 단계를 이론적으로는 설명할 수 있지만, 현실에서는 너무 복잡하고 미묘하여 그러한 방식으로 정의하기 어렵습니다.

대부분의 직무는 단순한 작업의 집합이 아니라, 우리가 명시적으로 설명할 능력이 부족한 복잡한 요소들의 얽힘입니다.

이 점은 챗봇 사용에 어려움을 겪는 사람들이 많은 이유와도 일맥상통합니다.

또한, 박스(Box)의 CEO 애런 레비(Aaron Levie)가 언급한 ‘겔만 건망증(Gell-Mann Amnesia)’ 현상도 중요합니다.

사람들은 자신의 전문 분야가 얼마나 복잡하고 AI가 다루기 어려운지 잘 알지만, 다른 분야에서는 이러한 사실을 잊어버리고 AI가 쉽게 해결할 수 있을 것이라고 착각합니다.

클로드(Claude)가 만든 파워포인트 템플릿이나 법률 초안을 보고 ‘와, 컨설턴트와 로펌은 이제 끝이겠네!’라고 생각하는 것이 바로 이런 예시입니다.

하지만 실제 컨설팅이나 법률 업무는 단순한 문서 생성을 넘어선 복잡한 관계 형성, 전략적 사고, 미묘한 인간적 판단이 요구됩니다.

이러한 통찰은 AI가 불러올 직무 변화를 더욱 깊이 있게 이해하는 데 필수적입니다.

겔만 건망증 위키백과

결론: 예측 불가능성, 새로운 접근의 시작

결론적으로, AI가 일자리에 미칠 영향을 예측하려는 기존의 방식은 근본적인 한계를 지닙니다.

과거 기술 혁명에서 보았듯이, 직무는 사라지기보다 변화하고, 비즈니스 모델은 예상치 못한 방식으로 해체되거나 재구성됩니다.

제본스 역설, 직무 명칭과 본질의 괴리, 그리고 비즈니스 모델의 기저 변화는 AI 시대의 직업 환경을 이해하는 데 있어 핵심적인 요소들입니다.

따라서 우리는 AI가 특정 작업을 자동화하는 능력에만 초점을 맞추기보다, AI가 새로운 가치를 창출하고 산업 생태계를 재편하는 방식에 더 깊은 관심을 기울여야 합니다.

이러한 시각 전환이야말로 다가오는 AI 시대를 현명하게 준비하는 첫걸음이 될 것입니다.

자주 묻는 질문 (FAQ)

Q: AI가 일자리를 완전히 대체할 것이라는 예측은 왜 정확하지 않나요?

A: AI가 특정 작업을 자동화할 수는 있지만, 직무는 단순 작업의 집합이 아닌 복합적인 요소들의 얽힘이며, 기술 발전은 새로운 업무를 창출하고 기존 업무의 본질을 변화시킵니다.

또한, 규제나 비즈니스 모델의 변화 등 기술 외적인 요인이 더 크게 작용하기도 합니다.

Q: 제본스 역설은 AI 시대에 어떻게 적용될 수 있나요?

A: AI가 특정 업무를 더 저렴하고 빠르게 처리할 수 있게 되면, 그 업무의 수요가 급증하여 결과적으로 더 많은 업무량이 발생할 수 있습니다.

예를 들어, AI 기반의 데이터 분석이 쉬워지면 기업은 훨씬 더 많은 분석을 시도하게 되어, 단순히 분석가 수가 줄어드는 것을 넘어 새로운 형태의 분석 전문가 수요가 늘어날 수 있습니다.

Q: 한국 기업들은 AI 시대의 일자리 변화에 어떻게 대응해야 할까요?

A: 한국 기업들은 AI를 단순한 비용 절감이나 효율화 도구로만 볼 것이 아니라, AI를 통해 새로운 비즈니스 모델과 가치를 창출하는 기회로 인식해야 합니다.

직원의 재교육 및 새로운 역량 개발을 지원하고, AI와 인간이 협력하는 새로운 업무 방식을 모색하는 것이 중요합니다.

Q: ‘겔만 건망증’이 AI 일자리 예측에 미치는 영향은 무엇인가요?

A: ‘겔만 건망증’은 자신의 전문 분야는 복잡하게 이해하지만, 다른 분야의 전문성을 AI가 쉽게 대체할 수 있다고 착각하는 현상을 말합니다.

이로 인해 AI의 실제 능력을 과대평가하거나, 직무의 미묘한 복합성을 간과하여 잘못된 일자리 예측으로 이어질 수 있습니다.

출처: https://www.ben-evans.com/benedictevans/2026/5/24/ai-job-exposure