labor-market

AI 일자리 감소가 새 일자리보다 먼저 통계에 잡히는 이유

2026년 초까지 언어모델 노출이 큰 미국 산업은 다른 산업보다 일자리를 더 잃지 않았다. 새 논문은 급여 통계가 왜 감소를 먼저 기록하는지 설명한다.

글:편집자 겸 저자
게시일:
AI 활용 작성

미국 72개 산업을 비교하면, 대규모 언어모델 노출이 큰 산업이 ChatGPT 출시 이후 기존 사업장에서 다른 산업보다 일자리를 더 잃지 않았고, 새로 문을 연 사업장에서 더 얻지도 않았다. [사실] micro1 소속 마크 에스포지토와 류 장이 2026년 11월에 공개한 워킹페이퍼는 급여 통계가 기존 고용주의 일자리 감소는 바로 기록하고 신생 기업의 일자리 창출은 몇 해 늦게 기록한다고 주장한다.

컴퓨터 시대의 일자리 순증은 신생 기업에서 나왔다

1982년부터 1998년까지 미국에서 새로 생긴 기업은 연평균 278만 개의 급여 일자리를 더했다. 업력 1~5년 기업은 연평균 44만 개, 그보다 오래된 기업은 52만 개를 순감했다. [사실] 1978년 이후 진입한 기업의 고용은 1978년 255만 명에서 1998년 4,568만 명으로 늘었고, 1978년 이전부터 영업하던 기업의 고용은 569만 명 줄었다. 1998년에는 후발 진입 기업이 급여 고용의 42.4%를 차지했다. 진입 코호트는 5년 뒤에도 처음 급여 고용의 약 80%를 유지했다. [사실]

시점은 산업마다 달랐다. 1982년 기준으로 자동화 특허 노출이 1표준편차 높은 산업은 1977년 이전 기업의 고용이 4.95%포인트 적었다. 이를 상쇄하는 후발 진입 기업의 고용 증가는 그 뒤 여러 해에 걸쳐 쌓였고, 1998년 추정치는 표준오차가 추정값보다 크다. [사실]

AI가 퍼지는 속도가 하락 폭을 정한다

저자들의 모형에서는 하나의 AI 능력이 기존 생산의 비용을 낮추고, 동시에 새 제품 개발을 시도할 만하게 만든다. 창업자 본인의 시간은 고용된 노동시간과 따로 계산하며, 기존 제품은 비용이 내려간 뒤 판매를 늘리는 데 시간이 걸린다.

컴퓨팅 효율이 한꺼번에 50% 오르면 고용 노동시간은 즉시 4.58% 줄고 약 3년 뒤 회복한다. 같은 효율 향상이 7년에 걸쳐 퍼지면 고용 노동시간은 3.8년 무렵 기준선보다 0.23% 낮은 저점에 이르고, 6.8년 무렵 회복해 15년 차에는 기준선보다 0.32% 높다. [추정] 규모 조정 지연이 없는 기준 모형에서는 15년 차 실질임금이 4.41%, 소비가 6.51% 높다. 소득효과가 더 크면 가계가 노동시간을 줄이기 때문에, 소비는 늘어도 15년 차 고용 노동시간은 기준선보다 약 0.5% 낮다. [추정]

기록이 늦으면 측정되는 감소 폭이 커진다. 새 활동의 노동시간이 통계에 1~3년 늦게 잡히면 0.23%의 저점은 0.6~1.0%로 측정된다. [추정]

2026년 1분기까지 급여 통계에는 노출도에 따른 차이가 없다

저자들은 미국 노동통계국(BLS)의 사업장 일자리 흐름 통계를 썼다. 2022년 4분기부터 2026년 1분기까지 ChatGPT 이전부터 있던 사업장은 확장분을 뺀 축소와 폐업으로 2019년 고용의 13.6%를 잃었고, 신규 개업 사업장은 16.2%를 더했다. 언어모델 노출이 1표준편차 높은 산업은 14.7%, 1표준편차 낮은 산업은 12.5%를 잃었다. 기울기는 1.1%포인트이고 표준오차는 1.9다. [사실]

논문이 인용한 두 연구는 AI가 창업 과업을 도울 수 있는 산업에서 기업 설립이 각각 10% 이상, 약 20% 늘었다고 보고한다. [사실] 2024년 미국의 무고용 사업체 수는 5.1%, 즉 156만 개 늘었고, 같은 해 민간 급여 일자리 순증은 89만 개였다. [사실]

노동자에게 의미하는 것과 준비할 것

논문은 측정 가능한 첫 변화가 산업 전체 급여 총계보다 먼저 직업 내부와 노출 직무의 신규 진입자 채용에서 나타날 것으로 본다. [주장] 논문의 사례는 소프트웨어 개발자, 고객 서비스 담당자, 일반 사무원에 가장 가깝다. [추정]

  • 이들 직업에서 첫 일자리를 찾는다면 업력이 짧은 기업을 구직 대상에 넣는다. 컴퓨터 시대에는 기존 기업의 고용이 줄어드는 동안 신규 고용주가 일자리 순증 전체를 만들었다.
  • 고용주가 내 업무 일부를 자동화한다면 AI 산출물을 검토하고 고치는 일을 익힌다. 모형에서 AI가 맡은 모든 과업에는 검토와 수정을 위한 유급 인력 시간이 여전히 들어간다.
  • 도급 계약으로 일하거나 직원 없는 사업체를 운영한다면 급여 밖 소득을 전제로 계획을 세운다. 2024년에 이 범주는 급여 일자리보다 더 많이 늘었다.

한계

모형 결과는 보정(calibration)에 따른 시뮬레이션이며, 1998년 진입 기업 추정치는 정밀하지 않다. 저자들은 2026년의 무차이 결과로는 느린 확산과 급여에 대한 AI 효과 부재를 구분할 수 없고, 무고용 사업체 증가를 AI 때문이라고 볼 수 없다고 밝힌다. 이 논문은 동료심사를 거치지 않은 프리프린트이고, 두 저자는 모두 micro1이라는 회사 소속이며, 우리 직업 페이지로의 직업 링크는 우리가 대응시킨 것이다.

출처

  • Mark Esposito, Liu Zhang, "AI and the Two Margins of Work: Why Job Losses Show Up Before Job Creation," arXiv:2611.17530, 2026년 11월 12일: https://arxiv.org/abs/2611.17530

이 분석에 관하여

이 글은 논문 전문을 바탕으로 AI의 도움을 받아 작성했다. [사실] 표시는 논문에 실린 수치이고, 모형 절의 [추정] 표시는 저자들의 시뮬레이션 결과이며, 마지막 절의 [추정] 표시는 우리가 대응시킨 직업이다.

업데이트 이력

  • 2026년 11월 17일에 최초 게시되었습니다.
  • 최초 게시 이후 주요 업데이트가 없습니다.

태그

#arXiv#job creation#firm entry#payroll data#AI exposure#labor demand

출처

  1. arxiv.org