← Back to list2026-09-04

업무는 사라지고 직업은 남습니다. 그래도 채용은 줄어듭니다

젠슨 황AI 일자리업무 자동화생산성청년 고용기술 분석

2026년 9월 2일 미국 노스캐롤라이나주 채플힐에서 열린 G20 혁신장관회의에서 젠슨 황 엔비디아 최고경영자는 AI가 모든 일자리를 없앨 것이라는 전망을 단호하게 부정했습니다. 그가 제시한 문장은 짧았습니다.

“The tasks are going to be automated, but our jobs' purpose remain.”

업무는 자동화되지만 직업의 목적은 남는다는 뜻입니다. 이 발언은 “AI가 고용에 영향을 주지 않는다”는 주장이 아닙니다. 직업을 하나의 덩어리로 보지 말고, 목적과 책임 아래 여러 업무가 묶인 구조로 보자는 주장입니다.

황의 구분은 분석의 출발점으로 타당합니다. 그러나 여기서 “직업이 남으니 고용 인원도 유지된다”는 결론을 끌어내면 틀립니다. 같은 직업이 조직도에 남아 있어도 한 사람이 처리하는 일이 두 배가 되고 시장 수요가 20%만 늘면 필요한 사람 수는 줄어듭니다. AI의 첫 충격은 직업명의 소멸보다 신입 채용의 축소, 인원당 산출의 증가, 직급 구조의 압축으로 나타날 가능성이 큽니다.

황의 논지는 업무와 직업을 분리하는 데서 시작합니다

보고서 초안 작성, 자료 검색, 코드 작성, 고객 문의 분류는 업무입니다. 의사, 개발자, 변호사, 상담원은 직업입니다. 직업은 여러 업무를 수행해 특정한 결과를 만들고 그 결과에 책임지는 자리입니다.

의사의 목적은 영상을 읽는 데 그치지 않습니다. 환자의 상태를 종합하고 치료를 결정하며 결과에 책임집니다. 영상의 1차 판독이 자동화돼도 진료라는 직업의 목적은 남습니다. 개발자의 목적도 코드를 타이핑하는 데 있지 않습니다. 문제를 정의하고 시스템을 설계하며 오류와 보안 위험을 책임지는 일이 남습니다.

황은 생산성 향상으로 확보한 여력을 기업이 더 큰 목표에 쓸 것이라고 봅니다. 소프트웨어를 더 빨리 만들 수 있으면 개발자를 줄이는 대신 미뤄 둔 제품을 더 많이 만들고, 의료 영상을 더 빨리 읽으면 진료량을 늘릴 수 있다는 논리입니다. 업무 자동화가 비용 절감으로만 끝나지 않고 수요와 생산을 키우면 고용도 늘 수 있습니다.

이 논리는 기술이 직업 전체보다 직업 안의 업무를 먼저 바꾼다는 노동경제학의 관점과 맞닿아 있습니다. 국제노동기구와 폴란드 국가연구소 NASK가 2025년에 갱신한 세계 지수에 따르면, 전 세계 근로자 네 명 중 한 명은 생성형 AI에 어느 정도 노출된 직업에 종사합니다. 그러나 가장 높은 노출 구간은 세계 고용의 3.3%였고, 연구진은 단기 결과를 직업 전체의 제거보다 업무 구성의 변화로 해석했습니다.

AGI가 나와도 기업 생산성은 자동으로 오르지 않습니다

“AGI도 새로운 인력처럼 기업에 도입하는 과정이 필요하다”는 요약은 황의 기업 도입 논리를 한 단계 확장한 해석입니다. 공개 보도에서 확인되는 직접 발언은 기성 AI를 최대한 쓰되, 각국과 기업이 자체 지능을 구축해야 하며 지능을 전부 외주화해서는 안 된다는 내용입니다.

해석의 방향은 맞습니다. 범용 모델이 높은 점수를 받는 것과 기업 안에서 안정적으로 성과를 내는 것은 다른 문제입니다. 실제 업무에는 회사의 데이터, 접근 권한, 업무 순서, 승인자, 평가 기준, 보안, 법적 책임이 붙습니다. AI가 무엇을 읽고 어떤 행동을 할 수 있는지 정하고, 결과를 검사하며, 실패했을 때 사람이 개입하는 구조를 만들어야 합니다.

미국 인구조사국의 2026년 기업 조사에서도 이 간격이 드러납니다. AI를 쓰는 기업은 전체의 18%였고 고용 인원으로 가중하면 32%였습니다. 도입 기업의 57%는 세 개 이하의 사업 기능에서만 AI를 썼고, 65%는 세 개 이하의 개별 업무에 사용했습니다. 도입 기업의 66%는 AI를 업무 보조에만 썼으며, AI 때문에 고용이 줄었다고 답한 기업은 2%였습니다.

앤트로픽이 실제 클로드 사용 기록과 직업별 업무를 연결한 연구에서도 이론과 현실의 차이가 컸습니다. 컴퓨터·수학 직군은 이론적으로 업무의 94%가 대규모 언어모델의 영향을 받을 수 있지만, 실제 사용에서 관측된 범위는 33%였습니다. 법률 제한, 전용 소프트웨어, 사람의 검토, 모델 오류가 기술 능력을 실제 자동화로 바꾸는 속도를 늦춥니다.

따라서 AGI의 등장 시점과 기업의 인원 감축 시점은 같지 않습니다. 모델 성능이 먼저 오르고, 업무 통합과 책임 체계가 뒤따르며, 마지막에 조직 구조와 채용이 바뀝니다. 기술 충격은 단계적으로 전달됩니다.

직업이 남아도 필요한 사람 수는 줄 수 있습니다

황의 낙관론에서 가장 큰 비약은 직업의 존속과 고용 규모를 가까운 개념으로 다룬다는 점입니다. 기업은 직업명을 사는 것이 아니라 그 직업이 만드는 결과를 삽니다. 같은 결과를 더 적은 인원으로 만들 수 있고 시장 수요가 그만큼 늘지 않으면 인원은 줄어듭니다.

고용의 기본 산식은 단순합니다.

필요 인원 = 필요한 총산출량 ÷ 1인당 산출량

기준 시점에 100명이 100의 산출을 만든다고 가정하겠습니다. AI로 1인당 생산성이 두 배가 됐는데 수요가 20%만 늘면 필요한 인원은 60명입니다.

120 ÷ 2 = 60명, 기존 대비 40% 감소

반대로 생산성이 두 배가 되고 수요가 150% 늘어 총산출이 250이 되면 필요한 인원은 125명입니다.

250 ÷ 2 = 125명, 기존 대비 25% 증가

읽는 법: 숫자는 전망치가 아니라 조건을 보여 주는 사고실험입니다. 같은 생산성 향상도 시장 수요가 얼마나 늘어나는지에 따라 고용 결과가 반대로 갈립니다.

미충족 수요가 큰 의료, 교육, 소프트웨어, 연구에서는 생산성 향상이 가격을 낮추고 시장을 넓혀 고용을 키울 수 있습니다. 수요가 정체돼 있고 결과물이 표준화된 사무 처리에서는 인원 감축으로 연결될 가능성이 더 큽니다. “AI가 일자리를 없애는가”라는 질문에는 산업별 수요 탄력성이라는 변수가 빠져 있습니다.

생산성 증가는 확인됐지만 고용 증가는 아직 조건부입니다

학술지 Quarterly Journal of Economics에 실린 고객지원센터 연구는 5,172명의 상담 직원을 분석했습니다. 생성형 AI 보조 도구를 사용한 직원은 시간당 해결 건수가 평균 15% 늘었습니다. 경력이 짧고 숙련도가 낮은 직원은 30% 개선됐고, AI를 쓴 경력 2개월 직원이 AI를 쓰지 않은 경력 6개월 이상 직원과 비슷한 성과를 냈습니다.

이 결과는 황의 주장에 힘을 보탭니다. AI가 숙련자의 노하우를 빠르게 퍼뜨려 신입의 학습 곡선을 단축할 수 있기 때문입니다. 고객 문의가 밀려 있거나 서비스 품질 향상으로 수요가 늘면 회사는 사람을 줄이지 않고 더 많은 일을 처리할 수 있습니다.

그러나 연구는 한 기업과 한 직종의 단기 효과를 측정했습니다. 연구진도 전체 고용과 임금의 장기 효과는 관찰하지 못했다고 밝혔습니다. 직원 한 명이 15% 더 많은 일을 할 수 있다는 사실만으로 회사가 직원을 덜 뽑을지, 고객을 더 확보할지는 알 수 없습니다. 생산성 효과는 확인됐지만 고용 효과는 기업의 수요와 경영 선택에 달려 있습니다.

첫 충격은 해고보다 신입 채용 감소로 보입니다

2026년 6월까지 미국 급여 자료에서는 경제 전체의 광범위한 AI발 일자리 감소가 확인되지 않았습니다. 이 점은 황의 반박을 지지합니다. 그러나 연령과 직업 노출도를 나누면 다른 그림이 나타납니다.

스탠퍼드 디지털경제연구소가 수백만 명의 ADP 급여 자료를 분석한 결과, AI 노출도가 높은 직업의 22~25세 고용은 덜 노출된 직업에서 같은 연령대가 보인 흐름을 기준으로 한 추세선보다 19% 낮았습니다. 경력직에서는 비슷한 격차가 확인되지 않았습니다. 조정은 기존 직원의 해고보다 젊은 직원의 신규 채용 감소를 통해 주로 나타났습니다.

이 결과는 인과관계가 확정된 증거가 아닙니다. 금리 상승, 코로나 시기 과잉 채용, 원격근무 확산처럼 신입 채용을 줄인 다른 요인이 있고, 일부 약화는 생성형 AI 확산 전부터 시작됐습니다. 통제 변수를 반영하면 AI 영향이 더 그럴듯해지는 시점은 2024년 이후지만, 정확한 몫은 아직 분리하기 어렵습니다.

그럼에도 방향은 중요합니다. 기업이 기존 직원을 해고하지 않고 자연 퇴사 자리를 덜 채우거나, 신입 10명이 하던 표준화된 조사와 문서 작업을 경력자 3명과 AI로 처리하면 실업 통계에는 충격이 늦게 나타납니다. 기존 직원은 안전해 보이지만 노동시장 입구는 좁아집니다.

초급 업무는 단순 비용이 아닙니다. 신입이 반복 업무를 거치며 조직의 맥락, 예외 처리, 고객 대응을 배우는 훈련 과정입니다. AI가 초급 업무를 제거하면 당장의 생산성은 오르지만 몇 년 뒤 중간관리자와 숙련자의 공급이 부족해질 수 있습니다. 회사가 신입 채용을 줄인다면 다른 방식의 훈련과 책임 이전 구조를 함께 만들어야 합니다.

새 일자리는 생기지만 같은 사람이 같은 곳에서 얻지는 못합니다

AI 인프라 건설, 데이터 정비, 모델 평가, 보안, 규제 준수, 에이전트 운영, 업무 설계 같은 역할은 늘어날 가능성이 큽니다. 회사마다 AI를 데이터와 업무 흐름에 연결하고 결과를 검증하는 구현 인력이 필요하다는 황의 지적도 현실적입니다.

그러나 새 일자리의 존재만으로 전환 문제가 해결되지는 않습니다. 줄어드는 일자리와 새 일자리는 지역, 숙련도, 임금, 시점이 다릅니다. 행정 보조 인력이 데이터센터 전력 설계자로 곧바로 이동할 수 없고, 고객지원 채용이 줄어든 지역에 모델 평가 일자리가 같은 수만큼 생긴다는 보장도 없습니다.

경제 전체의 생산과 고용이 장기적으로 늘더라도 특정 연령, 지역, 직업군은 손실을 볼 수 있습니다. 직업의 총량과 전환의 분배는 분리해서 봐야 합니다. 국제노동기구가 직업 소멸보다 변화를 강조하면서도 재교육, 노동의 질, 사회적 대화를 함께 요구하는 이유입니다.

G20 발언은 노동시장 전망이자 산업정책 주장입니다

발언의 맥락도 중요합니다. 황은 같은 자리에서 AI를 물, 도로, 전기, 인터넷과 같은 국가 기반시설로 규정하고 각국에 데이터센터와 연산 기반을 더 빨리 구축하라고 촉구했습니다. 가상의 위험보다 실제 피해를 규제해야 한다며 가벼운 규제 원칙도 주장했습니다.

메시지의 구조는 명확합니다. AI는 국가 생산성을 높이는 기반시설이고, 일자리를 모두 없앤다는 공포는 과장됐으며, 느린 도입과 과잉 규제가 더 큰 위험이므로 각국은 연산 기반을 빠르게 구축해야 한다는 주장입니다.

이 논리의 수혜자는 AI를 도입하는 국가와 기업일 수 있지만, GPU와 데이터센터 생태계를 파는 엔비디아이기도 합니다. 이해관계가 있다는 이유만으로 주장을 틀렸다고 볼 수는 없습니다. 다만 황의 발언은 중립적인 노동시장 예측이라기보다 기술 도입을 촉진하려는 산업정책 주장으로 읽어야 합니다.

그는 가장 극단적인 반대 명제인 “AI가 모든 일자리를 없앤다”를 공격합니다. 현실의 쟁점은 더 좁고 구체적입니다. 어떤 직업에서 어떤 업무가 사라지는지, 생산성 이익을 기업과 노동자가 어떻게 나누는지, 초급 채용과 임금이 어떻게 변하는지, 전환 비용을 누가 부담하는지가 실제 정책 대상입니다.

기업은 계정 수보다 경제성의 변화를 봐야 합니다

AI를 도입했다는 발표만으로는 생산성 전환을 확인할 수 없습니다. 기업과 AI 제품을 평가할 때 다음 지표가 더 중요합니다.

확인 지표	좋아 보이는 신호	경계할 신호
직원 1인당 매출과 산출	품질을 유지하며 산출 증가	품질 저하와 재작업을 숨긴 명목 생산성
매출 증가율과 생산성 증가율	수요가 생산성만큼 또는 더 빠르게 확대	생산성만 오르고 매출과 고객 수는 정체
신규 채용과 직급 구성	신입 역할을 재설계하고 학습 경로 유지	해고 없이 신입 채용만 급감
AI 도입의 깊이	데이터, 권한, 평가, 업무 흐름까지 연결	직원이 개별 채팅 도구를 쓰는 수준에 정체
오류와 책임 비용	검증 비용을 포함해도 단위 원가 하락	오류, 보안, 규제, 고객 불만이 절감액 상쇄

매출은 그대로인데 인건비만 줄면 단기 이익률은 개선될 수 있습니다. 반대로 가격을 낮추고 시장을 넓혀 매출과 고용을 함께 늘리는 회사는 더 큰 장기 가치를 만들 수 있습니다. 어느 경로가 나타나는지는 제품의 수요 탄력성과 경쟁 강도에 달려 있습니다.

AI 소프트웨어도 모델 접근권만 제공하는 제품보다 실제 업무를 재설계하는 제품이 유리합니다. 기업 데이터에 연결하고, 판단 기준을 기계적으로 검사하며, 오류가 났을 때 책임 경로를 남기고, 결과를 다시 학습 자료로 쌓아야 생산성 향상이 매출로 바뀝니다. 특정 업무의 데이터 권리, 검증 기준, 배포 위치, 책임 체계가 제품의 차이를 만듭니다.

맺으며

“AI가 곧 모든 일자리를 없앤다”는 주장은 2026년 현재 자료로 뒷받침되지 않습니다. 기업 도입은 여전히 부분적이고, 경제 전체의 대량 실업도 확인되지 않았습니다. 직업이 여러 업무의 묶음이며 AI가 먼저 바꾸는 것은 개별 업무라는 황의 구분은 정확합니다.

그러나 직업의 목적이 남는다는 사실은 고용 인원의 유지를 보장하지 않습니다. 생산성보다 수요가 느리게 늘면 같은 직업에 필요한 사람 수는 줄어듭니다. 새 산업이 생겨도 손실을 보는 사람과 이익을 얻는 사람이 다를 수 있습니다. 현재 가장 먼저 보이는 신호도 대규모 해고보다 신입 채용의 약화입니다.

젠슨 황의 발언은 공포를 줄이는 데에는 유용합니다. 기업과 정책이 물어야 할 문장은 그 다음입니다. AI는 직업을 한 번에 지우기보다, 같은 직업에 필요한 사람 수와 노동시장에 들어가는 문부터 바꿀 가능성이 큽니다.