Big Tech의 AI 투자 붐, 인력을 영구적으로 줄이지는 못했다

Google News는 미국 최대 기술 기업들에서 나타난 눈에 띄는 반전을 포착했다. 3년간의 효율화 캠페인에도 인력이 영구적으로 줄어들지는 않았다는 것이다.

Google, Amazon, Meta, Microsoft는 팬데믹 기간의 대규모 채용 이후 합쳐 약 10만 개의 일자리를 줄였다. 그러나 이들 기업의 전체 고용 규모와 인건비 관련 비용은 가장 과감한 AI 전망이 약속했던 지속적 감소를 보이지 않았다.

이 충돌은 단순히 인간 대 기계의 문제가 아니다. 이는 날씬하고 자동화된 기업을 만들겠다는 경영진의 약속과 AI 제품을 구축·운영·판매하는 데 따르는 막대한 현실적 비용의 대립이다.

이들 기업은 더 많은 매출을 올리고, 인프라에 대규모 투자하며, 팀을 인공지능 중심으로 재편하고 있다. 동시에 AI 시스템에는 엔지니어, 영업 인력, 보안 전문가, 제품 관리자, 그리고 인간 검토자가 필요하다는 점도 확인하고 있다.

이 때문에 이 반전은 또 한 차례의 채용이나 해고보다 더 중요하다. Big Tech는 노동력을 일직선으로 없애고 있는 것이 아니다. 대신 어떤 노동자에게 투자할지, 어떤 역할의 위상이 낮아질지, 직원들이 얼마나 큰 불확실성을 감내해야 할지를 바꾸고 있다.

Big Tech의 반전을 보여주는 차트

Big Tech는 2022년 이후 인력을 줄였지만, AI 투자가 가속화되면서도 인력 규모는 계속 감소하지 않았다.

Washington Post의 인력 분석은 Amazon, Google, Meta, Microsoft의 고용 및 재무 공시를 검토했다. 이 분석의 차트는 개별 해고 발표로는 가려졌던 패턴을 보여줬다.

네 기업은 팬데믹 기간 빠르게 몸집을 키웠다. 디지털 서비스는 필수재가 됐고, 온라인 광고는 급증했으며, 경영진은 소비자 행동의 변화가 지속될 것이라 대비했다.

그러나 그 전망은 지나치게 낙관적이었다. 성장은 정상화됐고, 차입 비용은 높아졌으며, 투자자들은 더 높은 효율성을 요구하기 시작했다.

경영진은 해고, 수평화된 관리 구조, 강화된 성과 기준으로 대응했다. Post의 분석에 따르면 네 기업은 코로나바이러스 백신이 보급된 이후 합쳐 약 10만 개의 일자리를 없앴다.

이후의 전개는 단순해 보였다. 생성형 AI가 더 많은 업무를 자동화하고, 생산성은 높아지며, 기술 기업들은 더 적은 직원으로 더 많은 산출을 낼 것이라는 전망이었다.

그러나 그 깔끔한 진행은 나타나지 않았다.

Amazon, Google, Meta는 현재 합쳐 2022년 전후의 채용 정점 때와 비슷한 수준의 인력을 고용하고 있다. 기업들이 부족한 AI 전문성을 확보하기 위해 경쟁하면서 고용 비용도 다시 증가하기 시작했다.

Microsoft도 유사한 패턴을 따랐다. 대규모 감원 이후 인력은 줄었지만, 이 회사는 클라우드 인프라, 사이버보안, AI 연구, 고객 배포 업무를 위한 채용을 계속했다.

연구개발 지출은 또 다른 층위를 더한다. 같은 분석에 따르면 Google, Meta, Amazon은 2022년보다 더 큰 비중의 매출을 연구 비용에 사용했다. Microsoft는 다소 다른 양상을 보였지만, 전반적인 AI 투자 약속은 여전히 막대했다.

이 비용에는 직원 보상만 포함되지 않는다. 장비, 시설, 소프트웨어, 외부 서비스 비용도 포함된다. 그럼에도 이는 AI가 기술 운영을 자동으로 더 저렴한 사업으로 바꾼다는 생각에 의문을 제기한다.

이 차트가 자동화가 실패했다는 것을 증명하는 것은 아니다. 전환 과정에 값비싼 대체, 실험, 확장이 필요했다는 점을 보여준다.

기업은 한 팀을 없애는 동시에 다른 팀을 만들 수 있다. 일상적인 코딩을 자동화하면서도 모델 평가, 인프라 보안, 고객 시스템 내 도구 통합을 위한 전문가를 채용할 수 있다.

Google News가 또 다른 기술 업계 해고 보도로 채워질 때마다 이 구분은 중요하다. 감원은 오늘 누가 떠나는지를 보여준다. 하지만 기업의 최종 규모나 구성은 드러내지 않는다.

따라서 이 반전은 감상적인 것이 아니라 구조적이다. Big Tech가 단순히 직원 해고를 후회한 것은 아니다. 이들 기업의 리더는 AI가 노동 수요를 확실히 줄이기 전에 먼저 노동 수요의 성격을 바꾼다는 점을 발견했다.

Google News 헤드라인은 훨씬 더 큰 지출 변화를 가린다

해고는 긴축을 암시하지만, 자본 지출은 기업들이 자원을 유례없이 비싼 컴퓨팅 구축으로 돌리고 있음을 보여준다.

Post의 5월 분석에 따르면, 네 기술 대기업은 연간 자본 지출로 합계 7,000억 달러 이상을 계획했다. 이 투자의 상당 부분은 AI 데이터센터, 네트워킹 장비, 칩, 건물, 전력 인프라를 뒷받침한다.

이 수치는 해고를 해석하는 방식을 바꾼다. 기업은 급여 비용을 줄이는 동시에 전체 비용 기반을 늘릴 수 있다. 즉각적인 압박이 인프라 지출에서 비롯됐을 때도 이를 자동화의 결과로 제시할 수 있다.

AI 모델은 학습과 일상적인 운영 과정에서 막대한 컴퓨팅 역량을 필요로 한다. 수백만 명의 사용자에게 서비스를 제공하려면 데이터센터, 네트워킹, 냉각, 전력, 전문 기술팀도 필요하다.

이런 비용은 어떤 서비스가 지속적인 수익을 낼지 기업이 알기 전에 발생한다. 그 결과, 기존 기능은 줄이면서도 불확실한 AI 프로그램은 보호해야 한다는 압박이 생긴다.

일부 해고는 분명 자동화의 결과다. 코딩 도우미는 반복적인 코드를 처리할 수 있고, 지원 시스템은 일상적인 질문에 답할 수 있으며, 광고 플랫폼은 기본적인 캠페인 자산을 생성할 수 있다.

그러나 경영진은 종종 여러 동기를 함께 설명한다. 구조조정, 성장 둔화, 중복된 관리 계층, 우선순위 변화, AI 기반 효율성을 함께 언급한다.

이러한 모호성 때문에 단순한 자동화 일자리 수를 세는 일은 거의 불가능하다. AI 투자 주기 중 사라진 일자리가 반드시 모델이 수행하게 된 일자리는 아니다.

Meta 이사이자 벤처 투자자인 Marc Andreessen은 기업들이 때때로 기존의 구조조정을 설명하는 편리한 수단으로 AI를 사용한다고 주장해 왔다. OpenAI 최고경영자 Sam Altman도 모든 해고를 반사적으로 이 기술 탓으로 돌리는 데 대해 비슷한 비판을 제기했다.

기업들이 효율성을 강조할 강력한 유인을 갖고 있다는 점에서 이 주장은 면밀히 검토할 필요가 있다. 투자자들은 대체로 높은 AI 지출이 운영비 절감이나 더 빠른 매출 성장으로 이어질 것이라는 증거를 긍정적으로 평가한다.

따라서 감원을 “AI 주도”라고 부르는 것은 두 가지 메시지를 전달할 수 있다. 투자자에게는 경영진이 절제되어 있음을 알리고, 남은 직원에게는 자동화가 피할 수 없음을 알리는 것이다.

재무 기록은 더 복잡하다. 기술 인력 보상은 비싸고, 선도적인 AI 연구자는 치열한 영입 경쟁의 대상이며, 신제품에는 영업 및 지원 기능이 필요하다.

데이터센터에는 소프트웨어 팀 외의 인력도 필요하다. 기업에는 건설 인력, 전기 전문가, 네트워크 엔지니어, 보안 인력, 기술자, 에너지 기획자가 필요하다.

이들 일자리 중 일부는 기술 기업 내부에 속하지 않는다. 고객사가 더 평평한 직원 수를 보고하더라도 계약업체와 공급업체는 성장할 수 있다.

이러한 이동은 기업의 직원 수가 불완전한 측정치임을 보여준다. 외주 업무, 임시 노동력, 컨설턴트, 인프라 파트너가 채용한 직원을 놓칠 수 있기 때문이다.

지출 변화는 조직이 더 단순해지지 않고도 더 날씬해 보일 수 있는 이유도 설명한다. 관리 계층이 줄어들면 남은 직원은 더 많은 시스템, 공급업체, 자동화 프로세스를 책임져야 할 수 있다.

그렇게 되면 직원은 직접 생산자가 아니라 기계의 감독자가 된다. 산출물을 확인하고, 오류를 수정하며, 실패를 기록하고, 어떤 업무에 인간의 판단이 필요한지 결정해야 한다.

이런 책임은 AI 시연에서 거의 드러나지 않는다. 시스템이 마감일, 규제, 고객 기대, 보안 요건이 있는 실제 워크플로에 들어갈 때에야 눈에 보인다.

이 때문에 기업의 자본 예산은 단일 해고 헤드라인보다 더 유용한 이야기를 들려줄 수 있다. 경영진이 아직 최종 인력 구성을 설명하지 못하더라도, 자금은 미래 성장을 어디에서 기대하는지를 보여준다.

효율성 약속은 인력 현실과 충돌하고 있다

핵심 쟁점은 영구적인 노동 효율성이라는 약속과 전문적인 인간 업무에 대한 지속적 수요 사이의 대결이다.

첫 생성형 AI 붐 당시 경영진은 모델을 광범위한 생산성 계층으로 자주 설명했다. 직원들은 더 많은 일을 해내고, 팀은 더 작아지며, 조직은 더 빠르게 움직일 것이라는 이야기였다.

이런 발언은 서로 다른 여러 결과를 한데 묶었다. 생산성은 고용을 줄이지 않고도 높아질 수 있다. 기업은 절약한 시간을 활용해 더 많은 기능을 만들고, 더 많은 고객을 지원하거나, 새로운 시장에 진출할 수 있다.

기술 기업에는 확장을 선택할 강한 이유가 있다. 소프트웨어는 대개 배포 비용이 낮으므로, 추가적인 엔지니어링 산출은 추가적인 매출을 뒷받침할 수 있다.

Evercore ISI 애널리스트 Mark Mahaney는 Post에 주요 기술 기업들이 인력 수를 계속 늘릴 것으로 예상한다고 말했다. 생산성이 높아진 개발자들이 더 많은 매출 창출 프로젝트를 추진할 수 있다는 것이 그의 논리였다.

이는 자동화에서 나타나는 고전적인 반동 문제다. 어떤 자원의 생산성이 높아지면 기업이 반드시 그 자원을 덜 소비하는 것은 아니다. 새로운 활동이 경제적으로 매력적이 되기 때문에 오히려 사용을 늘리기도 한다.

AI 코딩 도구는 이 메커니즘을 잘 보여준다. 도우미는 테스트 초안을 작성하고, 낯선 코드를 요약하거나, 구현 방안을 제안할 수 있다. 이는 개발의 일부 단계를 단축할 수 있다.

하지만 더 빠른 코드 생성은 검토가 필요한 코드를 더 많이 만들 수 있다. 프로토타입, 통합 작업, 유지보수 의무의 수를 늘릴 수도 있다.

개발자는 여전히 아키텍처, 보안, 성능, 생성된 결과물에 내재된 가정을 평가해야 한다. 프로덕션 시스템이 고객이나 민감한 정보에 영향을 미칠 때 이 업무는 더욱 중요해진다.

고객 서비스에서도 같은 패턴이 나타난다. 자동화된 에이전트는 요청을 분류하고 예측 가능한 질문에 답할 수 있다. 복잡한 청구 분쟁, 안전 문제, 비정상적인 계정 문제는 여전히 상위 단계로 이관해야 한다.

영업팀은 또 다른 한계에 부딪힌다. AI는 아웃리치 초안을 작성하고 계정을 요약할 수 있지만, 기업 구매는 신뢰, 협상, 컴플라이언스 검토, 조직 내 정치에 좌우된다.

그렇다고 모든 대체된 역할이 되돌아온다는 뜻은 아니다. 기업은 좁은 범위의 업무를 영구적으로 없애고, 신입 채용을 줄이거나, 업무를 더 저렴한 계약업체로 이전할 수 있다.

다만 “AI가 업무를 대체했다”는 말은 종종 불완전하다. 업무는 이동했거나, 분절됐거나, 다른 직업 범주로 돌아왔을 수 있다.

Google은 전환의 양쪽에서 활동하기 때문에 유용한 사례를 제공한다. 모델과 인프라를 개발하는 동시에 검색, 광고, 생산성 소프트웨어, 클라우드 서비스에 AI를 통합하고 있다.

이 제품들은 Google 내부 팀에 자동화 기회를 제공한다. 동시에 엔지니어, 연구자, 영업 전문가, 안전성 평가자, 고객 지원 인력에 대한 수요도 만든다.

Meta도 비슷한 모순에 직면해 있다. 경영진은 더 날씬한 운영을 강조하면서도 모델, 추천 시스템, 광고 자동화, 컴퓨팅 인프라에 대규모 투자를 약속했다.

Amazon은 창고, 소매, 기업 프로세스를 자동화할 수 있다. 동시에 클라우드 부문은 역량을 구축하고 고객이 복잡한 AI 시스템을 배포하도록 지원해야 한다.

Microsoft는 Copilot을 통해 업무 자동화를, Azure를 통해 모델 서비스를 판매한다. 그러면서도 배포 환경을 보호하고, 엔터프라이즈 고객을 지원하며, 글로벌 인프라를 관리할 인력이 필요하다.

이들 기업은 하나의 이상적인 조직을 향해 함께 나아가고 있지 않다. 각 기업은 서로 다른 사업 부문에서 여러 노동 실험을 수행하고 있다.

그렇기 때문에 가장 설득력 있는 해석은 인간이 AI를 이겼다는 것이 아니다. 오히려 증거는 광범위한 고용 증가에서 선별적이고 지속적으로 재평가되는 채용으로의 전환을 뒷받침한다.

승자는 문제를 정의하고, 자동화된 작업을 검증하며, 모델을 실제 비즈니스 시스템과 연결할 수 있는 사람들일 가능성이 크다. 표준화된 생산 업무에 집중된 노동자들은 더 큰 압박에 직면한다.

지식 노동자에게는 맥락을 보존하는 능력이 특히 중요해진다. 개인 지식 베이스 같은 도구는 범용 모델에 없는 의사결정, 출처, 프로젝트 이력을 보존할 수 있다.

그러한 맥락이 고용 안정을 보장하는 것은 아니다. 다만 조직이 눈에 보이는 노력보다 산출물을 측정할 때, 인간의 판단력을 입증하기는 더 쉬워진다.

반전이 해고 사이클의 종료를 의미하지는 않는다

전체 인원 수가 안정적이더라도 심각한 일자리 손실, 협상력 약화, 개별 노동자에게 더 가혹한 시장은 공존할 수 있다.

기업의 총계는 모든 직원을 서로 대체 가능한 존재로 취급한다. 그러나 노동자들은 직무, 지역, 경력 수준, 이민 신분, 보수에 따라 서로 다르게 해고를 경험한다.

한 기업은 수천 개의 일반 소프트웨어 직군을 없애는 동시에 더 적은 수의 모델 연구원을 채용할 수 있다. 기회 구조가 극적으로 바뀌었더라도 그 결과 인원 수는 안정적으로 보일 수 있다.

영향은 특히 주니어 노동자에게 크다. 전통적으로 신입 직무는 직원들이 문서화, 테스트, 일상적인 코딩, 리서치, 운영 지원을 통해 배울 수 있게 해준다.

이들 역시 생성형 시스템이 부분적으로 수행할 수 있는 업무다. 관리자는 미래의 시니어 인력이 어떻게 경험을 쌓을지 결정하기 전에 주니어 채용 공고부터 없앨 수 있다.

몇 년 뒤에는 지연된 결과가 나타날 수 있다. 초기 경력 노동자 교육을 중단한 기업은 결국 복잡한 시스템을 검토할 수 있는 인력 부족에 직면할 수 있다.

노동시장은 이미 더 냉정해졌다. Post는 경험 많은 실리콘밸리 직원들 사이에 광범위한 고용 불안이 존재한다고 별도로 보도했다.

이 보도는 Layoffs.fyi 추적 자료를 바탕으로 2022년 이후 발표된 기술 업계 해고가 80만 건을 넘는다고 인용했다. 이 수치에는 기업, 국가, 사업 여건 전반의 감원이 포함된다.

발표된 감원은 AI로 인한 일자리 대체를 통제된 방식으로 측정한 자료는 아니다. 그러나 기술 노동자들이 조직 재편을 얼마나 자주 겪어 왔는지는 보여준다.

더 넓은 미국 시장은 필요한 균형추를 제공한다. 2026년 6월 고용 보고서는 취업자 수 1억6,230만 명과 실업률 4.2%를 집계했다.

정보 부문 고용은 최근 여러 보고서에서 거의 변동이 없었으나, 6월에는 9,000명 감소했다. 전문·비즈니스 서비스 부문은 그달 3만6,000명을 추가했다.

이 범주는 광범위하다. 정보 부문에는 미디어와 통신이 포함되며, 전문 서비스에는 주요 기술 플랫폼 밖의 많은 직종이 포함된다.

따라서 국가 단위 수치는 특정 직업 내 AI 효과를 확인하거나 배제할 수 없다. 이는 Big Tech 해고를 전체 경제의 직접적인 대리 지표로 봐서는 안 되는 이유를 보여준다.

또 다른 불확실성은 산출물과 관련된다. Burning Glass Institute의 수석 이코노미스트 Gad Levanon은 Post에 정보 부문 근로시간은 2022년 이후 감소한 반면 산출물은 연간 약 8% 성장했다고 말했다.

이 패턴은 생산성 향상과 일치하지만, 원인을 분리해 보여주지는 않는다. 산업 구성, 가격, 자본 투자, 아웃소싱, 수요 모두 시간당 산출물에 영향을 미칠 수 있다.

AI 도입도 균일하지 않다. 코드베이스, 업무 복잡성, 검토 기준이 다르기 때문에 한 개발자의 시간을 절약하는 모델이 다른 개발자에게는 재작업을 만들 수 있다.

전 Meta 직원 Anneke Buffone은 관리자들이 시스템을 계속 사용하라고 압박했음에도 오류로 가득한 AI 작업을 다시 해야 했다고 설명했다. 그의 경험은 도입 지표가 숨기는 위험을 보여준다.

대시보드는 직원이 AI 어시스턴트를 열었거나 많은 제안을 생성했다는 사실을 보여줄 수 있다. 하지만 최종 작업이 더 정확해졌거나 더 가치 있어졌다는 점까지 입증할 수는 없다.

고용주들이 AI 사용을 성과 평가에 반영하면서 이 구분은 중요해진다. 도구 활동을 측정하면 건전한 판단보다 눈에 보이는 사용을 보상할 수 있다.

따라서 회의적인 관점은 AI가 생산성 향상을 전혀 제공하지 않는다는 주장이 아니다. 기업에 유용한 자동화와 전가된 검증 업무를 일관되게 구분할 방법이 부족하다는 것이다.

헤드라인 수치도 같은 왜곡을 만들 수 있다. 해고 관련 Google News 기사가 이어지면 빠른 대체가 진행되는 것처럼 보일 수 있지만, 전체 인원 수는 완만한 축소만을 시사할 수 있다.

반대의 왜곡도 가능하다. 기업이 좁은 범위의 전문 직무에만 채용하고 있어도 채용 발표는 안심시키는 내용처럼 들릴 수 있다.

노동자들은 두 유형의 발표를 모두 자원 배분 신호로 읽어야 한다. 이는 장기적으로 사람에 대한 수요가 어떻게 될지에 대한 확정된 답이 아니라, 경영진이 현재 무엇을 중시하는지를 보여준다.

AI는 일자리 수보다 직무 구성을 더 많이 바꾸고 있다

가장 분명한 단기 효과는 직업 재분배로, 자원이 인프라, 배포, 보안, AI 인접 직무로 이동하고 있다.

경영진은 종종 자동화를 기업이 하나의 노동력 풀로 구성된 것처럼 말한다. 실제로 대기업에는 기술적, 법적, 상업적 제약이 서로 다른 수천 개의 워크플로가 있다.

일부 워크플로는 매우 구조화되어 있다. 입력은 명확하고, 출력은 예측 가능하며, 성과를 평가할 수 있을 만큼 충분한 사례가 있다.

이들은 매력적인 자동화 대상이다. 문서 분류, 기본 코드 변환, 표준 고객 응답, 반복적인 분석은 이 패턴에 들어맞을 수 있다.

다른 워크플로는 불완전한 정보에 의존한다. 협상, 책임성, 물리적 접근, 제도적 기억 또는 이례적 결과에 대한 이해가 필요하다.

AI는 이러한 업무를 맡아 책임지지 않으면서도 지원할 수 있다. 결과물이 상황에 맞는지 판단하는 책임은 여전히 인간에게 있다.

이는 통합 업무에 대한 수요를 만든다. 기업에는 모델을 중심으로 프로세스를 재설계하고, 점검 지점을 마련하며, 자동화가 중단되어야 하는 시점을 정의할 수 있는 직원이 필요하다.

평가도 필요하다. 모델 평가는 현실적인 조건에서 시스템의 정확성, 안전성, 행동을 체계적으로 테스트하는 일이다.

인상적인 벤치마크가 기업의 비공개 데이터 환경에서 신뢰할 수 있는 성능을 보장하지는 않는다. 내부 용어, 접근 제어, 오래된 문서는 결과를 바꿀 수 있다.

보안 수요도 같은 이유로 증가한다. AI 시스템은 기밀 정보를 노출하거나, 악의적인 지시를 수용하거나, 과도한 권한을 가진 도구를 통해 행동할 수 있다.

법무 및 컴플라이언스 팀은 모델이 개인정보 보호 규정, 지식재산권, 노동법, 산업별 요구사항과 어떻게 상호작용하는지 판단해야 한다.

클라우드 제공업체도 이러한 복잡성에서 업무를 얻는다. 고객에게는 컴퓨팅 용량이 필요하지만, 아키텍처 조언, 마이그레이션 지원, 모니터링, 비용 통제도 필요하다.

인프라 자체도 또 다른 고용 사슬을 만든다. 데이터센터에는 건설, 발전, 유지보수, 네트워킹, 물리 보안이 필요하다.

이러한 일자리가 일자리를 잃은 모든 디자이너, 채용 담당자, 프로그래머를 대체하는 것은 아니다. 지역, 자격 요건, 근무 조건은 손쉬운 전환을 막을 수 있다.

이러한 불일치는 기업 성장과 개인의 어려움이 공존할 수 있는 이유를 설명하는 데 도움이 된다. 새 일자리는 다른 지역에 생기고 다른 경험을 요구할 수 있다.

소프트웨어 팀 내부에서도 기대치가 변하고 있다. 고용주들은 점점 더 생성된 코드를 감독하고 더 넓은 시스템을 이해할 수 있는 엔지니어를 원한다.

이 조합은 경험을 유리하게 만든다. 시니어 직원은 그럴듯하지만 위험한 결과물을 식별하는 데 필요한 맥락을 갖춘 경우가 많다.

그렇다고 경험 많은 노동자가 자동으로 보호받는 것은 아니다. 특히 경영진이 더 작은 팀도 AI를 활용할 수 있다고 믿을 때, 높은 보수는 비용 절감 과정에서 이들을 감원 대상으로 만들 수 있다.

지식 노동자는 중요한 작업의 추론 과정을 문서화함으로써 대응할 수 있다. 검색 가능한 세컨드 브레인은 프로젝트 전반에서 결정, 근거, 결과를 연결하는 데 도움이 될 수 있다.

목표는 더 많은 텍스트를 생성하는 것이 아니다. 자동화 시스템의 자신감 넘치는 오류를 포착할 수 있게 하는 맥락을 보존하는 것이다.

기업은 관련된 관리 문제도 해결해야 한다. 제도적 지식을 지나치게 많이 없애면 새 AI 시스템이 불완전한 내부 기록을 바탕으로 학습하거나 검색할 수 있다.

그러면 자동화는 조직의 기억 상실을 증폭시킨다. 팀은 이전 결정이 왜 내려졌는지 모른 채 더 빠르게 답을 만들어낼 수 있다.

이는 지식 관리가 개인적 선호가 아니라 운영 기능이 되게 한다. 의사결정 사슬을 재구성할 수 있는 직원은 비용이 큰 반복을 막을 수 있다.

새로운 직무 구성에도 여전히 대체는 포함될 것이다. 일상적인 콘텐츠 제작, 기본 분석, 표준화된 지원 업무는 지속적인 압박에 직면한다.

그러나 새롭게 등장하는 조직은 노동자가 없는 모습이 아니다. 상품화된 생산과 높은 책임성이 요구되는 판단 사이에서 더 양극화된 모습이다.

이 결과는 AI 논쟁의 양극단 모두를 실망시킬 수 있다. 이 기술은 모든 역할을 보존하지도, 복잡한 인간 조직의 필요를 없애지도 않는다.

Google News 독자가 다음으로 주목해야 할 것

세 가지 구체적 신호는 Big Tech의 반전이 지속적인 채용이 될지, 또 다른 일시적 멈춤이 될지, 더 깊은 고용 위축이 될지를 보여줄 것이다.

첫 번째 신호는 기업들의 다음 재무 공시다. 인원 수, 연구 지출, 자본 지출을 함께 평가해야 한다.

AI 매출 증가와 함께 고용이 늘어난다면 증강 가설을 뒷받침할 것이다. 이는 모델이 노동자의 생산성을 높이는 동시에 추가 채용을 정당화할 만큼 충분한 수요를 만들고 있음을 시사한다.

안정적인 산출물과 함께 인원 수가 감소한다면 자동화 가설이 더 강해질 것이다. 이는 기업들이 더 적은 직원으로 AI 서비스를 운영하는 법을 익히고 있음을 나타낸다.

개별 사업부에서는 혼합된 결과가 가장 가능성이 크다. 클라우드와 인프라 그룹은 확장하는 반면, 채용, 지원, 소비자 제품 팀은 축소될 수 있다.

두 번째 신호는 채용 공고의 구성이다. 일자리 총수보다 그에 연결된 역할, 경력 수준, 지역이 더 중요하다.

신입 엔지니어링, 제품, 영업, 운영 직무가 폭넓게 다시 열리면 인간 역량이 여전히 성장을 뒷받침한다는 자신감을 나타낼 것이다.

최상위 연구원과 데이터센터 전문가 채용에 집중된다면 다른 이야기가 된다. 이는 투자가 좁은 영역에 머물고 더 넓은 화이트칼라 시장은 계속 제약받고 있음을 시사한다.

독자들은 기업들이 최근 구조조정으로 없앤 직무를 다시 채우는지도 지켜봐야 한다. 재충원이 이뤄진다면 해당 감원이 영구적 자동화를 반영했다는 주장은 약해질 것이다.

세 번째 신호는 배포된 시스템에서 측정된 생산성이다. 기업에는 AI가 단순히 도구 사용이나 생성된 결과물이 아니라 완료된 작업을 개선한다는 증거가 필요하다.

유용한 지표에는 더 짧은 제품 주기, 낮아진 지원 해결 시간, 감소한 오류율, 개선된 클라우드 마진, 측정 가능한 고객 도입이 포함된다.

증거는 검토 노동을 고려해야 한다. 작업 초안을 빠르게 만들지만 광범위한 수정이 필요한 시스템은 노력을 없앤 것이 아니라 이전한 것이다.

이 글의 발행일 이후 공개될 예정인 7월 노동 데이터는 더 넓은 맥락을 더할 것이다. 단일 월간 보고서만으로는 AI 고용 논쟁을 해결할 수 없다.

독자들은 여러 달의 자료를 비교하고 정보 산업을 전문 서비스 및 전체 경제와 구분해야 한다. 초기 고용 추정치는 자주 바뀌기 때문에 수정치도 중요하다.

더 큰 교훈은 이미 분명하게 드러나고 있다. 해고, 채용, 투자, 자동화가 같은 기업들 안에서 동시에 일어나고 있다.

Google, Meta, Amazon, Microsoft는 더 작은 조직을 향해 일직선으로 나아가고 있는 것이 아니다. 이들은 확장 중인 AI 사업에 얼마나 많은 인간의 판단이 필요한지 시험하고 있다.

이 시험은 노동자들에게 불편한 환경을 만든다. 어떤 직무는 오늘은 가치 있을 수 있지만, 내일은 일부가 자동화되고, 실패한 도입 이후 다시 설계될 수 있다.

이는 더 나은 측정의 기회도 만든다. 경영진은 생산성 향상 가운데 무엇이 자동화, 조직 개편, 아웃소싱, 수요 변화에서 비롯됐는지 공개해야 한다.

그런 세부 정보가 없다면 모든 인력 결정은 상반된 서사가 경쟁하는 기회가 된다. 낙관론자들은 이를 효율성이라고 부르고, 비판론자들은 긴축이라고 부르며, 직원들은 거의 명확한 설명을 받지 못한다.

Google News 헤드라인 뒤의 차트는 이러한 혼란의 일부를 걷어낸다. Big Tech는 슬림한 운영과 AI가 고용 규모를 꾸준히 낮출 것이라고 약속했다.

지금까지 이들 기업은 공격적으로 인력을 감축했고, 그보다 더 공격적으로 지출했으며, 다시 대체로 익숙한 인력 규모로 돌아왔다. 전체 노동 수요보다 인력 구성의 변화 속도가 더 빨랐다.

다음 질문은 AI가 유용한 일을 수행할 수 있는지 여부가 아니다. 그것은 분명 가능하다. 문제는 기업들이 그로 인한 생산성을 재투자한 뒤에도 이러한 역량이 전체 노동 수요를 줄이는지 여부다.

다음 분기 동안 공시 자료, 실제 직무 구성, 측정된 결과를 지켜봐야 한다. 이러한 신호는 자동화된 미래에 대한 또 하나의 자신감 넘치는 예측보다 더 많은 것을 보여줄 것이다.

노동자들에게도 당장의 행동은 마찬가지로 구체적이다. 고용주가 어떤 업무를 자동화하는지 추적하고, 인간의 검토가 결과를 바꾸는 지점을 기록하며, 자신의 판단 뒤에 있는 맥락을 보존해야 한다. 기업 구매 담당자라면 정확성, 감독, 총운영비를 포괄하는 증거를 요구해야 한다. 다음 Google News 헤드라인이 또 다른 채용 기조 반전이나 해고 물결을 알릴 때는, 그 설명을 받아들이기 전에 이 세 가지 신호와 비교하라. Big Tech 자체의 수치는 이제 AI 도입이 더 적은 직원 수를 향한 일방통행이 아님을 보여준다. 이는 기업이 어떤 인력을 필요로 하는지, 어떤 판단에 가치를 매기는지, 기술이 기대에 미치지 못할 때 누가 위험을 떠안는지를 둘러싼 지속적인 재협상이다.