Steve Hanke, 대규모 AI 일자리 파괴 전망에 이의 제기

Steve Hanke는 경영진과 연구자들이 자동화가 화이트칼라 직무를 없앨 것이라고 거듭 경고하는 가운데, 대규모 AI 일자리 파괴 전망에 이의를 제기했다. Google News를 통해 부각된 이 경제학자의 주장은 논점을 AI가 업무를 수행할 수 있는지에서 기업이 이를 중심으로 직무 전체를 수익성 있게 재편할 수 있는지로 옮긴다.

이 구분은 중요하다. 모델은 최종 결과에 책임을 지는 직원을 대체하지 않고도 이메일을 작성하고, 회의를 요약하며, 소프트웨어 코드를 생성할 수 있다. 대부분의 직무는 일상 업무뿐 아니라 판단, 책임, 신체 활동, 관계, 그리고 소프트웨어가 안정적으로 접근할 수 없는 지식을 함께 요구한다.

Hanke의 견해는 일부 기술 업계 리더들의 훨씬 더 암울한 전망과 대조된다. Anthropic CEO Dario Amodei는 AI가 많은 초급 화이트칼라 일자리를 없앨 수 있다고 경고했으며, 노동 연구자들은 젊은 노동자들에게 초기 압력이 나타나고 있다고 본다. 이제 쟁점은 AI가 일을 바꾸는지 여부가 아니다. 업무 자동화가 대규모 실업으로 이어지는지에 관한 문제다.

Steve Hanke가 AI 일자리에 관해 실제로 주장하는 것

Hanke의 주장은 AI가 고용에 아무런 영향을 주지 않는다는 말이 아니라, 경제의 적응에 관한 논거로 이해하는 것이 가장 적절하다.

Hanke 인터뷰에 따르면, Johns Hopkins University의 이 경제학자는 AI가 대규모 일자리 파괴자가 될 것으로 보지 않는다. 이는 모델 역량의 향상이 영구 실업으로 곧바로 이어진다는 단순한 연결 고리를 거부하는 입장이다.

그 연결 고리에서 빠진 요소는 수요다. 기술이 무언가를 생산하는 비용을 낮추면 고객은 종종 그것을 더 많이 구매한다. 기업은 생산을 확대하고, 서비스를 개선하며, 신제품을 출시하거나, 이전에는 비용이 너무 커서 하기 어려웠던 업무로 직원을 재배치할 수 있다.

생산성은 일정한 노동 투입으로 노동자가 얼마나 많은 산출을 만들어 내는지를 뜻한다. AI가 생산성을 높이면 기업은 더 적은 시간으로 같은 산출을 낼 수 있다. 또한 그 시간을 활용해 더 많은 고객을 응대하고, 품질을 개선하거나, 다른 시장에 진출할 수도 있다.

최종적인 고용 효과는 어느 대응이 우세한지에 달려 있다. 기업이 산출을 유지할 때 비용 절감은 노동 수요를 줄인다. 반면 낮아진 비용이 충분한 추가 사업을 끌어들이면 확장은 수요를 늘린다.

그래서 데모 영상만으로는 일자리 논쟁을 결론낼 수 없다. 모델이 하나의 과제를 완료한다고 해서 고객이 어떻게 반응할지, 기업이 얼마나 빨리 이를 도입할지, 또는 어떤 새로운 업무가 뒤따를지는 알 수 없다.

조직은 모델 개발자보다 더 느리게 움직이기도 한다. 기업은 AI를 신뢰할 수 있는 데이터와 연결하고, 검토 절차를 정하며, 직원을 교육하고, 보안을 관리하고, 오류에 대한 책임을 배정해야 한다. 이러한 제약은 기술적 역량과 경제적으로 유용한 자동화를 구분한다.

고객 지원 모델은 명확한 사례를 제공한다. 이 모델은 답변을 제안하고 정책 문구를 찾아 한 명의 상담원이 더 많은 대화를 처리하도록 도울 수 있다. 그럼에도 기업은 예외 상황을 해결하고, 화난 고객을 진정시키며, 환불을 승인하고, 결과에 대한 책임을 질 사람을 여전히 필요로 한다.

소프트웨어 개발에서도 같은 양상이 나타난다. 코딩 어시스턴트는 함수나 테스트를 생성할 수 있지만, 엔지니어는 무엇을 만들지 결정하고, 의존성을 점검하며, 고객 데이터를 보호하고, 배포 후 시스템을 유지해야 한다. 더 빠른 코드 생산은 오히려 더 많은 검토 및 통합 업무를 만들 수도 있다.

이 모든 것이 고용 안정성을 보장하는 것은 아니다. 소프트웨어가 충분한 업무를 흡수하고 수요가 늘지 않으면 기업은 직위를 없앨 수 있다. 더 강한 주장은 더 제한적이다. 업무 수준의 자동화가 직업 수준의 소멸로 자동 전환되지는 않는다.

이러한 논리는 기술 변화의 오랜 역사와 맞닿아 있다. 기계화는 특정 활동에 필요한 노동을 줄였지만, 보완적 역할과 더 큰 시장, 완전히 새로운 산업을 만들어 냈다. 그 전환은 여전히 특정 노동자, 지역, 연령대에 피해를 주었다.

이 구분은 낙관론이 안일함으로 변하는 것을 막는다. 경제가 대규모 실업을 피하더라도 수백만 명은 해고, 약화된 협상력, 또는 어려운 경력 전환을 겪을 수 있다. 전체 경제의 회복력은 모든 노동자를 보호하지 않는다.

따라서 Hanke의 개입은 질문을 바꾼다. 모델이 인간의 일을 수행할 수 있는지 묻는 대신, 관찰자들은 기업이 직위를 없애고 있는지, 채용 계획을 바꾸고 있는지, 산출을 확대하고 있는지, 또는 직무를 재설계하고 있는지를 물어야 한다.

이러한 결과를 판단하려면 노동시장 근거가 필요하다. 역량 벤치마크만으로는 이를 제시할 수 없다.

Google News 논쟁이 직업 전체가 아닌 업무에 관한 이유

Hanke를 뒷받침하는 가장 강력한 근거는 AI 노출과 AI에 의한 완전한 대체를 구분한다.

International Labour Organization과 폴란드 NASK의 2025년 연구는 전 세계 일자리 네 개 중 하나가 생성형 AI에 어느 정도 노출돼 있다고 밝혔다. 다만 연구진은 대체보다 변화가 일어날 가능성이 더 크다고 결론지었다.

ILO 일자리 지수는 AI에 노출된 모든 일자리를 똑같이 자동화 가능한 것으로 취급하는 대신, 직업 내부의 업무를 평가한다. 이 접근법은 직장 내 위험을 더 유용하게 보여 준다.

직업은 활동의 묶음이다. 행정 직원은 회의 일정을 잡고, 문서를 준비하며, 예외적인 요청을 해석하고, 기밀 정보를 보호하고, 여러 사람을 조율할 수 있다. 생성형 AI는 이 활동들 중 일부를 다른 활동보다 더 쉽게 처리한다.

노출은 AI가 관련 업무를 지원하거나 수행할 수 있는지를 측정한다. 이는 고용주가 해당 기술을 도입할지, 안정적으로 작동할지, 또는 직위 전체가 사라질지를 증명하지는 않는다.

ILO 연구진은 현재 생성형 AI 역량을 바탕으로 업무에 자동화 점수를 부여했다. 그들은 대부분의 직업이 여전히 인간의 관여를 요구하는 활동을 포함한다고 확인했다. 언어 모델이 텍스트 기반의 구조화된 업무를 많이 처리할 수 있기 때문에 사무직 업무는 특히 높은 노출 상태에 있다.

성별과 지리도 위험에 영향을 미친다. 고소득 국가에서 ILO는 여성 고용의 거의 10%가 자동화 가능성이 가장 높은 직업에 속한다고 밝혔다. 남성의 비교 가능한 비율은 3.5%였다.

이 격차는 노동자의 기술적 능력 차이가 아니라 직업 집중도를 반영한다. 많은 선진국에서 여성은 사무 및 행정직의 더 큰 비중을 차지한다. 이러한 일자리에는 현 모델이 재현할 수 있는 업무가 더 많이 포함돼 있다.

이 결과는 안심시키는 헤드라인을 복잡하게 만든다. AI는 불균등한 피해를 일으키기 위해 경제 전반의 실업을 초래할 필요가 없다. 특정 인구 집단을 고용하는 직업에 집중된 압력을 가할 수 있다.

변화는 직업을 없애지 않고도 인력을 줄일 수 있다. 이전에 직원 20명이 필요했던 부서가 AI를 사용해 15명으로 운영될 수 있다. 직함은 남아 있지만 채용은 줄고 업무량은 변한다.

초급 고용은 또 다른 취약성을 보여 준다. 주니어 직원은 흔히 조사, 초안 작성, 서식 작업, 문서화, 기본 분석으로 일을 시작한다. 이러한 과제는 그들이 상위 책임을 맡는 데 필요한 맥락을 배우도록 돕는다.

AI가 이 업무를 흡수하면 고용주는 인재 육성 문제에 직면한다. 오늘 주니어 직원을 덜 채용할 수는 있지만, 그 결정은 이후 숙련 노동자 파이프라인을 약화시킬 수 있다.

기업은 초급 경력 직무를 없애기보다 재설계함으로써 대응할 수 있다. 주니어 애널리스트는 데이터를 취합하는 데 쓰는 시간을 줄이고, 가정을 검증하며, 이해관계자를 인터뷰하고, 결과를 설명하는 데 더 많은 시간을 쓸 수 있다.

이러한 재설계에는 의도적인 관리가 필요하다. AI 구독 서비스를 이용할 수 있게 된다고 해서 저절로 일어나지는 않는다.

노동자는 또한 자신의 판단 뒤에 있는 정보에 접근할 필요가 있다. 개인 지식 시스템은 AI가 일상적 책임을 바꾸는 과정에서 직원들이 회의 맥락, 문서, 이전 업무를 보존하도록 도울 수 있다. 검색 가능한 AI 지식 기반은 고용주가 어떤 업무를 자동화해야 하는지 결정하지 않으면서도 이러한 연속성을 뒷받침한다.

업무 프레임워크는 Hanke의 주장에 가장 강력한 기반을 제공한다. 대부분의 일자리는 하나의 모델이 완전히 흡수하기에는 너무 많은 다양성, 암묵지, 책임을 포함한다.

그러나 이 프레임워크는 압력이 어디에 먼저 닿는지도 보여 준다. 일상적인 디지털 업무는 더 빠른 자동화에 직면하는 반면, 인간 중심 및 신체 활동은 여전히 대체하기 어렵다.

따라서 이 논쟁을 접하는 Google News 독자는 “일자리 노출”을 신중하게 해석해야 한다. 이는 AI와의 접점을 뜻할 뿐, 해고 통지서를 보장하지는 않는다. 결과는 고용주가 남은 업무를 어떻게 재편하느냐에 달려 있다.

진짜 경쟁은 일자리 파괴와 일자리 재설계 사이에 있다

Hanke의 낙관적 주장은 기업이 생산성 향상을 모든 인력의 목표로 취급하지 않고 업무 확장에 활용할 때에만 성립한다.

기업은 중립적인 환경에서 AI를 도입하지 않는다. 경영진은 비용을 낮추고, 마진을 방어하며, 비용이 많이 드는 기술 투자가 수익을 낸다는 점을 투자자에게 보여줘야 한다는 압력을 받는다. 직위를 줄이는 것은 새로운 시장을 만드는 것보다 더 빨리 눈에 보이는 결과를 제공한다.

이러한 유인은 일자리 파괴 주장을 강화한다. AI가 직업 전체를 자동화하지 못하더라도 기업은 부분 자동화와 업무 통합을 결합할 수 있다. 그러면 남은 직원들이 시스템이 처리하지 못하는 업무를 떠안게 된다.

대안은 일자리 재설계다. 고용주는 책임을 다르게 나누고, 검토 역할을 만들며, 서비스 역량을 확대하고, 직원이 AI 지원 프로세스를 감독하도록 교육한다. 이 경로는 산출을 늘리면서도 고용을 유지할 수 있다.

어느 결과도 기술만으로 자동 결정되지 않는다. 경영 전략, 고객 수요, 노동 공급, 규제, 경쟁 압력이 결과를 형성한다.

World Economic Forum의 일자리 전망은 두 방향을 보여 준다. 2025년 보고서는 2030년까지 전 세계적으로 1억 7,000만 개의 신규 역할과 9,200만 개의 대체되는 역할이 생길 것으로 예상했다. 이는 7,800만 개의 순증으로 이어진다.

이 수치는 AI만이 아닌 여러 구조적 요인을 포괄한다. 인구 변화, 에너지 전환, 경제 여건, 더 광범위한 디지털 도입이 모두 전망에 영향을 준다.

그럼에도 이 추정치는 핵심 갈등을 포착한다. 대규모 일자리 대체와 순일자리 창출은 동시에 일어날 수 있다. 일자리를 잃는 노동자가 새 일자리에 필요한 지역, 경험, 또는 기술을 반드시 갖추고 있는 것은 아니다.

일자리를 잃은 행정 보조원이 즉시 AI 엔지니어가 되는 것은 아니다. 교육에는 시간, 소득, 접근성, 그리고 직접 경험이 없는 사람을 채용할 의향이 있는 고용주가 필요하다.

지리적 요인도 또 다른 불일치를 만든다. 새로운 데이터 센터, 에너지, 기술 직무는 자동화를 겪는 사무실과 다른 지역에서 생겨날 수 있다. 국가 전체 고용은 늘어도 특정 지역사회는 안정적인 일자리를 잃을 수 있다.

총량만큼이나 시점도 중요하다. 기업이 직무를 빠르게 없애지만 새로운 산업의 채용이 느리다면, 노동자는 수년간 실업이나 소득 감소를 겪을 수 있다. 2030년의 긍정적인 결과가 2027년의 고통스러운 전환을 지워 주지는 않는다.

고용 형태도 중요하다. 예측 가능한 근무 시간이 없는 새 계약직은 급여를 받는 정규직이 제공하는 안정성을 반드시 대체하지는 않는다. 일자리 수만 세면 임금, 복리후생, 협상력의 변화를 가릴 수 있다.

Hanke의 입장은 거시경제 차원에서 가장 강력하다. 신기술은 대개 생산 비용을 낮추고, 투자를 촉진하며, 보완적 수요를 만들어 낸다. 경제는 자동화를 기다리는 고정된 업무들의 집합이 아니다.

그 약점은 분배 차원에서 드러난다. 시장은 새로운 기회를 만들어 낼 수 있지만, 조정 비용을 치른 바로 그 노동자들에게 그 기회를 돌려주지는 않을 수 있다.

이러한 긴장 관계는 모델 개발사보다 기업들이 더 큰 압박을 받는 이유를 설명한다. AI 연구소는 역량을 입증할 수 있지만, 그 역량이 노동자를 지원할지 대체할지는 고용주가 결정한다.

투자자는 홍보 문구보다 운영 지표를 살펴봐야 한다. 직원 1인당 매출은 노동자의 생산성이 높아져서 증가할 수도 있고, 회사가 인력을 줄여서 증가할 수도 있으며, 두 가지가 동시에 일어난 결과일 수도 있다.

고객 역시 균형에 영향을 미친다. 비용 절감이 더 나은 서비스나 낮은 가격으로 이어지면 수요는 확대될 수 있다. 반면 기업이 서비스 품질은 떨어뜨리면서 절감분을 모두 가져간다면, 생산성 향상은 같은 경제적 반응을 만들어 내지 못한다.

따라서 가장 중요한 경쟁은 인간 지능과 기계 지능의 대결이 아니다. 그것은 확장과 추출의 대결이다.

확장은 AI를 활용해 더 큰 가치를 생산하고, 충족되지 않은 수요에 대응하며, 보완적인 일자리를 만들어 낸다. 추출은 조직의 목표는 그대로 둔 채 주로 인건비를 줄이기 위해 AI를 활용한다.

Hanke의 전망은 확장이 일자리 대체를 상쇄할 만큼 충분히 자주 승리한다는 전제에 달려 있다. 향후 몇 분기는 기업 행동이 이 가정을 뒷받침하는지 보여줄 것이다.

낙관적 AI 일자리 전망이 해결하지 못하는 문제

일자리 대재앙을 피한다고 해서 임금 약화, 채용 공고 감소, 또는 경력을 시작하는 사람들에게 더 가혹한 시장을 막을 수 있는 것은 아니다.

고용은 노동시장 건전성을 측정하는 지표 중 하나일 뿐이다. 노동자는 고용 상태를 유지하면서도 임금 인상폭이 줄고, 더 많은 책임을 떠안거나, 업무 평가 방식에 대한 통제력을 잃을 수 있다.

최근 연구는 점차 이러한 덜 눈에 띄는 영향에 주목하고 있다. 기업은 생산성 향상의 대부분을 보상이나 근로시간 단축으로 나누는 대신 높은 마진으로 흡수할 수 있다.

임금 압박은 특히 포착하기 어렵다. 고용주가 AI가 직원의 협상력을 낮췄다고 발표하는 일은 드물다. 변화는 더딘 임금 인상, 낮아진 채용 제안, 또는 줄어든 경쟁 채용 공고로 나타난다.

채용 동결도 비슷한 측정 문제를 만든다. 기업은 변화를 AI 해고라고 설명하지 않고 자연 감소를 통해 규모를 줄일 수 있다. 기존 직원은 남지만, 퇴사한 직원은 충원되지 않는다.

이 패턴은 최근 졸업생에게 중요하다. 이들은 계속되는 고용보다 새로운 채용 기회에 의존한다. 안정적인 헤드라인 실업률은 악화되는 신입 노동시장과 공존할 수 있다.

따라서 Hanke에 대한 핵심 반론은 전체 일자리 수뿐 아니라 분배와 시기에 관한 것이다. AI는 대규모로 고용을 파괴하지 않으면서도 노동자의 소득을 소유자에게 이전할 수 있다.

AI는 감시도 강화할 수 있다. 산출물을 기록하고, 상호작용을 점수화하거나, 인력 배치 결정을 추천하는 소프트웨어는 누구도 대체하지 않더라도 노동자의 자율성을 약화시킬 수 있다.

품질 위험은 또 다른 제약을 더한다. 생성형 AI 시스템은 때로 확신에 찬 언어로 부정확한 정보를 내놓는다. 실수가 금전, 건강, 법적 권리, 보안 또는 공공 안전에 영향을 미치는 영역에서는 인간의 검토가 여전히 필수적이다.

검토 업무에도 비용이 들지 않는 것은 아니다. 직원은 오류를 알아차리고, 불확실한 결과물을 조사하며, 최종 결정을 문서화할 수 있을 만큼 해당 주제를 잘 이해해야 한다. 생성 속도가 빨라지면 검증이 필요한 자료의 흐름이 더 커질 수 있다.

책임 역시 쉽게 자동화할 수 없다. 모델은 법적 책임을 질 수 없고, 조직의 의도에 관해 증언할 수도 없으며, 훼손된 고객 관계를 회복할 수도 없다. 기업은 중요한 결정의 뒤에 여전히 책임을 질 사람을 필요로 한다.

ILO의 직장 분석은 기술의 영향이 구현 방식의 선택에 달려 있음을 강조한다. 사회적 대화, 교육, 노동자 보호는 변화가 일자리 질을 개선할지에 영향을 미친다.

이러한 안전장치는 시장 적응만으로 좋은 결과가 나올 것이라는 생각에 이의를 제기한다. 노동자마다 협상력 수준이 다르고, 기업은 계획된 자동화에 관해 직원보다 더 많은 정보를 갖고 있다.

중소기업은 별도의 제약에 직면한다. 이들은 유능한 AI 도구를 이용할 수 있지만, 전담 보안팀, 정비된 내부 데이터, 또는 광범위한 평가에 쓸 시간이 부족한 경우가 많다. 통제된 테스트에서 기술 성능이 좋아도 도입은 피상적인 수준에 머물 수 있다.

대기업은 자본과 전문 인력을 보유하고 있어 일부 영역에서 더 빠르게 움직일 수 있다. 그러나 레거시 시스템, 조달 규정, 규제 의무는 기업 도입을 늦출 수 있다.

이러한 차이는 국가 단위의 예측을 불확실하게 만든다. AI 도입은 모든 기업과 직업에서 같은 속도로 진행되지 않을 것이다.

모델 신뢰성도 빠르게 바뀔 수 있다. 더 나은 추론, 더 낮은 운영 비용, 또는 더 강력한 에이전트 시스템은 더 깊은 자동화를 경제적으로 만들 수 있다. 오늘의 업무 경계가 영구적인 것은 아니다.

신중한 결론은 Hanke가 틀렸다는 것이 아니다. 그의 입장은 하나의 결과, 즉 대규모 순일자리 파괴를 다루는 반면 노동자는 여러 다른 형태의 압박을 경험한다는 것이다.

가장 그럴듯한 단기 시나리오는 생산성 향상과 선택적 해고, 채용 축소, 대폭적인 직무 재설계, 불균등한 임금 효과가 결합되는 모습이다. 이 조합은 실업 위기보다 덜 극적으로 보이지만, 여전히 주목할 필요가 있다.

Google News 보도는 이러한 복잡성을 상반된 헤드라인으로 평면화할 수 있다. 한쪽은 AI가 일을 없앨 것이라고 말하고, 다른 쪽은 번영을 창출한 과거 기술을 거론한다.

두 프레임 모두 운영상의 중간 지대를 놓친다. 고용주는 개별 업무 흐름을 자동화하고, 새로운 병목을 발견하며, 인력을 조정한 뒤 이 과정을 반복할 것이다. 노동시장 영향은 하나의 결정적 사건이 아니라 수천 건의 결정이 축적되며 나타날 것이다.

경력 초기 노동자가 가장 큰 위험을 떠안는다

가장 즉각적인 위협은 모든 사무직의 소멸이 아니다. 경력 사다리의 첫 번째 단이 무너지는 것이다.

신입 업무는 예측 가능한 디지털 작업을 포함하기 때문에 자동화하기 쉬워 보이는 경우가 많다. 주니어 직원은 문서를 요약하고, 초안을 작성하며, 기본 조사를 수행하고, 기록을 업데이트하며, 일상적인 코드를 작성한다.

이러한 업무는 교육의 역할도 한다. 노동자에게 조직의 용어, 고객의 기대, 흔한 실수, 그리고 숙련된 동료의 판단을 접하게 해 준다.

학습 과정을 대체하지 않은 채 업무만 없애면 숨은 비용이 발생한다. 기업은 오늘 시간을 절약하지만, 내일 고위 역할을 맡을 준비가 된 인력 풀을 줄인다.

관리자는 AI 결과물을 검토하는 일이 같은 수준의 성장 기회를 제공한다고 가정할 수 없다. 효과적인 검토에는 올바른 답변에 무엇이 포함되어야 하는지에 대한 정신적 모델이 필요하다. 초보자는 그 모델을 부분적으로 직접 업무를 수행하면서 구축한다.

이것은 경험의 역설을 만든다. 고용주는 AI를 감독할 수 있는 노동자를 원하지만, 노동자는 이를 신뢰성 있게 판단하기 전에 실무 경험이 필요하다.

조직에는 이 문제를 해결할 여러 방법이 있다. 체계적인 순환 보직을 유지하고, 직원에게 자동화된 결과물을 설명하도록 요구하며, 주니어 직원에게 고객 접점 업무나 부서 간 업무를 맡길 수 있다.

또한 단순 생산량이 아니라 학습을 측정할 수 있다. 모델이 첫 번째 버전을 작성한다면, 직원은 오류를 문서화하고, 출처의 품질을 개선하며, 최종 권고안을 방어할 수 있다.

이러한 관행에는 투자가 필요하다. 당장의 절감에만 집중하는 기업은 대체 교육 시스템을 구축하기 전에 주니어 채용부터 줄일 가능성이 높다.

위험은 전문 서비스업에만 국한되지 않는다. 고객 지원, 마케팅, 회계, 소프트웨어 개발, 법률 운영은 모두 노동자를 일상적 업무에서 판단 비중이 높은 책임으로 이동시키는 인력 파이프라인에 의존한다.

도제 모델은 산업에 여전히 숙련된 인력이 필요했기 때문에 이전 기술 변화 속에서도 살아남았다. AI는 기업이 초기 단계에는 충분히 투자하지 않으면서 후속 단계가 계속 유지되기를 기대할 가능성을 제기한다.

교육기관도 압박을 받는다. 모델이 이러한 결과물을 즉시 생성할 수 있는 상황에서 학생들에게 일반적인 에세이나 기초 코드를 작성하도록 가르치는 일의 가치는 낮아진다. 교육 과정은 검증, 분야 지식, 문제 설정, 책임 있는 의사결정을 강조해야 한다.

그 변화가 기초 역량을 포기하는 구실이 되어서는 안 된다. 도움 없이 글을 쓰고, 계산하고, 코딩하는 법을 배우지 못한 학생은 정교한 오류를 발견하는 데 어려움을 겪을 수 있다.

이미 조직 내부에 있는 노동자는 이점을 가진다. 이들은 신규 지원자가 쉽게 입증할 수 없는 내부 프로세스, 관계, 예외 사항을 이해한다. 따라서 AI 도입은 기존 인력을 보호하는 동시에 진입 경로를 좁힐 수 있다.

이 결과는 대규모 일자리 파괴로 나타나지 않을 것이다. 대신 한 세대가 경력을 시작할 기회를 더 적게 받는 모습으로 나타날 것이다.

그 영향은 이후 임금과 이동성에도 미칠 수 있다. 경험이 부족한 노동자를 교육하는 고용주가 줄어들면, 지원자들은 더 적은 채용 기회를 두고 경쟁하게 된다. 기업은 더 많은 경험을 요구하면서 더 적은 보상을 제시할 수 있다.

Hanke의 역사적 논거는 여전히 낙관할 이유를 제공한다. 새로운 산업과 책임은 대안적인 진입 경로를 만들 수 있다. AI 평가, 데이터 관리, 업무 흐름 설계, 컴플라이언스, 고객 도입 지원에는 모두 인간 노동력이 필요하다.

그러나 이런 역할 중 다수는 자동화 위협을 받는 현재의 일자리를 통해 노동자가 과거에 쌓아 왔던 기술을 요구한다. 고용주는 시장이 숙련된 지원자를 공급할 것이라고 가정하는 대신 다리를 놓아야 한다.

바로 이 지점에서 직무 재설계 논거는 가장 까다로운 시험을 받는다. 재설계가 시니어 직원 한 명에게 AI 시스템을 제공하고 주니어 팀을 없애는 것을 의미해서는 안 된다.

지속 가능한 모델은 사람들이 어떻게 진입하고, 배우고, 성장하는지를 설명해야 한다. 그 파이프라인이 없다면 오늘의 생산성 향상은 내일의 역량 부족을 초래할 수 있다.

Steve Hanke Google News 논쟁 이후 주목할 점

인공일반지능에 관한 또 하나의 예측보다 Hanke의 주장을 더 효과적으로 검증할 세 가지 신호가 있다.

첫 번째 신호는 AI 노출도가 높은 직종의 신입 채용이다. 주니어 소프트웨어 개발자, 분석가, 행정 전문가, 마케터, 고객 지원 인력의 채용 공고는 고용주 행동을 조기에 보여 준다.

전반적인 기업 활동이 건전한데도 이러한 채용 공고가 지속적으로 줄어든다면 낙관론은 약화될 것이다. 이는 기업이 AI를 활용해 신규 인력 수요를 줄이고 있음을 시사할 것이다.

신입 채용이 안정적이거나 증가한다면 Hanke의 입장은 강화될 것이다. 이는 고용주가 업무의 일상적 부분을 자동화하면서도 여전히 사람을 필요로 한다는 점을 보여줄 것이다.

두 번째 신호는 생산성, 산출량, 인력 규모 간의 관계다. 생산성 성장만으로는 확장과 비용 절감을 구분할 수 없다.

기업이 더 높은 산출량, 증가하는 고객 수요, 안정적인 고용을 보고한다면 AI는 보완적 기술에 더 가까워 보일 것이다. 노동자는 더 많이 생산하고, 조직은 더 큰 시장을 추구하게 될 것이다.

직원 1인당 매출이 주로 인력 감소 때문에 상승한다면, 증거는 대체 논거를 뒷받침할 것이다. 투자자는 매출, 서비스 물량, 자본 지출과 함께 인력 변화를 살펴봐야 한다.

세 번째 신호는 노출도가 높은 직종 내 임금 상승률이다. 고용은 안정적으로 유지되더라도 보상은 탄력을 잃을 수 있다.

더딘 임금 상승은 AI가 활용 가능한 산출물의 공급을 늘렸거나 직원들의 협상력을 약화시켰음을 시사할 수 있다. 이는 일자리 수만을 기준으로 한 성공의 정의에 의문을 제기하는 결과다.

건전한 임금 상승은 생산성 향상의 혜택이 근로자에게 돌아가고 있음을 보여줄 것이다. 특히 공석 기간이 짧아지고 채용이 활발할 때 더욱 그렇다. 이는 AI가 부족한 인간 전문성을 보완한다는 주장을 뒷받침한다.

정책 입안자들은 직종, 연령, 성별, 지역별로 이러한 신호를 추적해야 한다. 전국 평균은 사무직 근로자, 최근 졸업자, 또는 제한된 고용주 집단에 의존하는 지역사회에 집중된 손실을 가릴 수 있다.

연구자들은 AI의 영향을 금리, 무역 정책, 인구구조 변화, 통상적인 경기 순환과도 분리해야 한다. 기업들은 더 광범위한 재무적 이유로 인력을 감축하면서 AI를 언급하기도 한다.

반대의 경우도 마찬가지다. 기업은 이를 AI 이니셔티브라고 부르지 않은 채 조용히 업무를 자동화할 수 있다. 신뢰할 만한 그림을 구축하려면 연구자들에게 채용 공고, 급여 데이터, 업무 설문조사, 기업 공시가 필요하다.

독자들은 한 달치 데이터를 최종 판정으로 받아들여서는 안 된다. 채용과 투자는 변동하며, 조직 변화가 나타나는 데는 여러 분기가 걸릴 수 있다.

더 유용한 질문은 일관된 패턴이 형성되는지 여부다. AI 노출이 큰 직종은 비교 가능한 역할보다 채용 공고가 더 빠르게 줄고 있는가? 생산성 향상이 수요를 확대하고 있는가? 임금은 이를 따라가고 있는가?

Steve Hanke의 주장은 단순한 가정에 도전한다는 점에서 주목할 만하다. 업무를 자동화할 수 있다는 능력만으로는 역동적인 경제에서 최종 일자리 수를 규정할 수 없다.

비판론자들 역시 동등한 주목을 받을 가치가 있다. 총체적인 적응은 특정 개인에게 발생하는 심각한 손실을 감출 수 있기 때문이다. 순증가가 있더라도, 자신의 기술·지역·연령 때문에 새로운 기회에 접근하지 못하는 사람에게는 거의 위안이 되지 않는다.

새롭게 축적되는 증거는 안일함도, AI 일자리 종말에 대한 확신도 뒷받침하지 않는다. 이는 빠른 업무 변화, 선택적 대체, 그리고 누가 그 이익을 가져갈지를 둘러싼 경쟁을 가리킨다.

이것이 향후 Google News 보도에 적용해야 할 기준이다. 손쉬운 풍요의 약속이나 보편적 실업의 예측을 받아들이기 전에 실제 채용, 산출, 임금을 지켜봐야 한다.

근로자에게 실질적인 대응은 단순히 모델을 얼마나 빨리 사용하는지가 아니라, 자신의 판단이 AI 지원 결과를 어떻게 개선하는지 기록하는 것이다. 고용주에게는 자동화가 사람들이 배울 수 있는 경로를 유지하면서도 조직의 목표를 확장하는지가 시험대가 된다.

다음 고용 보고서와 기업 공시는 AI가 더 폭넓은 생산의 엔진이 될지, 아니면 급여 지출을 줄이는 더 좁은 수단이 될지를 보여줄 것이다. 여러분의 직장은 현재 어느 결과를 향해 나아가고 있는가?