브루킹스: AI 노출도는 노동정책의 잘못된 잣대다

1940년대에 태어난 미국인은 약 90%가 부모보다 더 벌었습니다. 1980년대생은 50%이고, 지금도 내려가는 중입니다. MIT FutureTech의 두 경제학자 가이 벤이샤이와 닐 톰슨이 2026년 9월 15일 브루킹스에 낸 29분짜리 논문은 이 배경 위에서 출발합니다. 결론은 단순합니다. AI와 일자리 논쟁이 늘 출발점으로 삼는 「노출도」는 노동정책의 기준으로 쓰기에 틀린 잣대라는 겁니다. 이 글은 두 사람이 경제학 문헌에서 무엇을 찾았고, 무엇을 권고했으며, 어디서 근거가 헤드라인보다 얇은지를 짚습니다.

주장: 노출도는 AI가 「할 수 있는 곳」이지 「실제로 하는 곳」이 아니다

[사실] 논문의 첫 수는 이 사이트가 딛고 선 지표에 대한 반박입니다. 노출도 점수는 한 직업의 과업 중 모델이 원칙적으로 수행할 수 있는 비율을 셉니다. 저자들은 예일 예산연구소 김벨 외 연구를 인용해, 여러 노출도 연구가 컴퓨터 프로그래머와 텔레마케터를 고노출 직업으로 꼽으면서도 정작 어느 직업이 상위인지에 대해서는 서로 상당히 어긋난다고 지적합니다.

[사실] 문헌에서 뽑은 네 가지 발견은 이렇습니다. 첫째, 기술적 가능성은 상업적 자동화가 아니다. 과업이 실제로 모델에 넘어가는지는 소요 시간, 신뢰성, 오류 처리, 워크플로 통합 비용에 달렸다. 둘째, 물어야 할 것은 일자리 창출 대 파괴가 아니라 AI가 인간 전문성의 가치를 어떻게 바꾸는가다. 셋째, AI를 잘 쓴다는 것은 프롬프트 요령이 아니라 언제 믿을지를 아는 것이다. 넷째, 모델이 긴 과업에서 더 믿을 만해질수록 자율 사용이 상업적으로 성립하는 워크플로 범위가 넓어진다.

오터와 톰슨의 전문성 프레임워크를 아는 독자에겐 새로울 게 없습니다. 7월에 브루킹스의 「전부 다」 정책 메뉴를 다룰 때 이미 봤던 틀입니다. 새로운 건 거기서 구체적 프로그램 설계를 끌어내려는 시도입니다.

논증을 떠받치는 신뢰성 수치

[사실] 논문은 5월에 요약했던 MIT 머튼스 외 「Crashing Waves vs. Rising Tides」 평가에 기댑니다. 2025년 말 기준 모델은 사람이 서너 시간 걸리는 과업을 65% 성공률로만 완수했습니다. 과업 소요 시간이 10배 늘면 모델 성능은 11% 떨어졌습니다. 한 시간 남짓인 보건 지원 과업이 최고점, 20시간 넘는 법률·건축공학 과업이 최저점이었습니다.

[사실] 인간 쪽 기준으로 저자들은 산업안전 분야의 인간 신뢰성 프레임워크 HEART를 끌어옵니다. 거기서 인간 오류 확률은 숙련이 덜 필요한 정형 과업 2%, 주의가 제한된 단순 과업 9%, 상당한 이해와 숙련이 필요한 복합 과업 16%입니다.

[추정] 둘을 나란히 놓으면 65% 성공은 35% 실패입니다. HEART 범위와 견주면 인간 오류율의 2.2배(복합 과업 16% 대비)에서 17.5배(정형 과업 2% 대비) 사이입니다. 저자들도 두 척도가 직접 비교 대상이 아니라고 단서를 답니다. 저는 한 발 더 나가겠습니다. HEART는 원자력·공정 플랜트 운전원을 기준으로 보정된 것이지 메모를 쓰는 사람을 잰 게 아닙니다. 그래도 방향 자체는 반박하기 어렵습니다.

[사실] 논문은 또 실패율이 대략 2.5년마다 절반이 되고, 추세가 유지되면 「2029년까지 대부분의 전문직 텍스트 과업에서 93% 기본 성공률」에 이를 수 있다고 씁니다.

[추정] 이 두 숫자는 같은 출발선에서 나온 게 아닙니다. 35% 실패율이 2.5년마다 반감하면 2028년 말 약 15%, 2029년 중반 약 13%이지 7%가 아닙니다. 2029년 93% 성공에 닿으려면 「전문직 텍스트 과업」 묶음의 출발 성공률이 서너 시간 과업의 65%보다 높거나, 반감 속도가 더 빨라야 합니다. 논문은 어느 쪽인지 말하지 않습니다. 2029를 계획 연도로 삼기 전에 정책 독자가 눈여겨봐야 할 틈입니다.

[사실] 비용 쪽으로는, 오늘의 통합 비용에서 미국 기업이 기술적으로 자동화 가능한 컴퓨터 비전 과업 중 23%만 자동화하기로 선택할 거라는 스반베리 외 연구(톰슨 공저, 브루킹스 본문 경유 인용)를 듭니다.

인원수가 아니라 전문성: 회계사와 가정의

[사실] 가장 선명한 사례는 두 직업의 대비입니다. AI가 장부 기입과 데이터 입력은 자동화하지만 세무 자문과 분석에서는 불안정하다면 회계사의 전문성 가치는 오르고, 임금은 오르며, 고용은 줄어듭니다. 반대로 AI가 가정의가 보는 흔한 질환을 믿을 만하게 진단·치료할 수 있다면 그 전문성의 가치는 내려가고, 일은 전문간호사에게 열리며, 고용은 늘고 보수는 떨어집니다.

[사실] 각주 하나가 가장 중요한 변수를 덧붙입니다. 같은 자동화가 응급의학과 의사는 더 전문가로 만들 수 있다는 겁니다. 까다로운 사례에 시간을 더 쓰게 되니까요. 전문성 효과는 과업 단위가 아니라 직업 단위입니다.

그래서 저자들은 정책이 위험을 하나가 아니라 둘로 나눠 보길 원합니다. 대체(일자리 감소, 남은 사람 임금 상승)에는 구직 지원·임금보험·전직이, 임금 침식(일자리 증가, 보수 하락)에는 직업 내부의 승진 경로가 맞는 처방입니다.

다섯 가지 권고와 각각의 근거 두께

[사실] 논문이 각 항목에 붙인 숫자와 함께 정리합니다. 첫째, 실제로 대체된 노동자와 고생산성 신규 기회를 우선한다. 데이비스·폰 바흐터는 고실업기 대체 비용을 이전 소득의 2.8년분으로 추정했고, 로즈·셈토브는 저임금 노동자가 대체 6년 뒤에도 13% 덜 번다고 봤습니다. 둘째, 고용주가 참여하는 도메인 특화·현장 기반 훈련을 설계한다. 범용 AI 리터러시는 노이·장, 델아쿠아 외를 근거로 명시적으로 불충분하다고 판정됩니다. 셋째, 전문성 이동 방향에 프로그램을 맞춘다. 넷째, 견습을 확대한다. 노동부의 성과연동 보조금과 초당적 LEAP 법안 세액공제가 공적 자금을 고용주 기준선 초과 채용에 묶는다는 점, 그리고 이전 연방 견습 확대가 폭넓은 고용주 참여를 얻지 못했다는 점을 함께 적습니다. 다섯째, 연방 임금보험을 만든다. 하이먼 외가 무역조정지원(TAA) 판이 자체 재원·예산중립으로 운영됐다고 본 것이 근거입니다.

[사실] 저자들은 훈련 근거가 약하다는 점에 솔직합니다. 카드·클루베·베버의 메타분석과 오렐 외를 인용해 노동력 프로그램이 「특히 대체 노동자를 새 부문·직업으로 옮기려 할 때 일관되게 강한 결과를 내지 못했다」고 씁니다. 답은 포기가 아니라 표적화입니다.

반론

지난주 다룬 56개 RCT 재훈련 리뷰는 섹터 기반 프로그램이 비용 791달러당 고용 약 +1.7%p였고, 유명한 10배 섹터 효과는 군집 중앙값이 아니라 헤드라인 사례였습니다. 벤이샤이·톰슨의 「도메인 특화·고용주 협력」 처방은 그 문헌과 일치하지만, 그런 프로그램이 얼마를 돌려줄지는 논문이 계량하지 않습니다. 8월에 다룬 KPMG 텔레메트리는 정식 AI 교육 효과가 한 달 안에 사라지는 모습을 보여줬습니다. 「도메인 특화」는 훈련이 먹히기 위한 필요조건이지, 충분조건이라는 증거는 아직 없습니다.

[사실] 임금보험은 다섯 중 가장 검증이 덜 된 항목입니다. 논문의 근거는 프로그램 하나(TAA)와 연구 하나입니다. 게다가 「검증된 AI 관련 대체」를 표적으로 삼자고 하는데, 그러려면 해고가 AI 때문인지 가리는 행정 기준이 필요합니다. 일주일 앞서 나온 브루킹스의 프런티어 경제 데이터 논문은 사실상 그 귀속이 오늘 왜 어려운지의 목록입니다.

[사실] 알아둘 만한 공시 하나. 참고문헌의 「벤이샤이 외」 공동번영 논문은 구글의 제프 딘, 제임스 마니카, 루스 포랫, 할 배리언, 켄트 워커와 공저입니다. 논증이 무효가 되는 건 아니지만, 자본 과세 같은 「전면적」 개입을 권하지 않는 논문을 읽을 때 제1저자의 이전 작업이 그 질문에 이해관계가 있는 회사와 가깝다는 건 알고 읽는 게 좋습니다.

당신에게 의미하는 것

이 사이트가 고노출로 매기는 직업에 있다면, 논문의 메시지는 그 점수가 예측이 아니라 출발점이라는 겁니다. 결과를 가르는 질문은 두 가지입니다. 자동화 가능한 과업이 당신의 전문성을 값지게 만들던 바로 그 과업인가. 그리고 당신의 고용주가 모델에 넘긴 과업에서 35% 오류율을 감당할 수 있는가. 지금 대부분의 회사, 대부분의 노동자에게 두 번째 답은 「아니오」입니다.

과업 하나가 몇 시간씩 걸리는 기능직이나 규제 전문직이라면 소요 시간 발견은 당분간 당신 편입니다. 용접공 페이지를 위의 프로그래머 페이지와 견줘 보면 대비가 보입니다.

정책 담당자나 HR이라면 이 논문에서 가장 싸고 가장 실행 가능한 건 이겁니다. 프로그램을 고르기 전에 해당 직업이 대체와 임금 침식 중 실제로 어느 쪽 위험에 놓였는지를 먼저 재라. 임금보험과 견습의 근거는 그것들이 상쇄하려는 대체 비용의 근거보다 얇습니다.

출처

• Ben-Ishai, G. and Thompson, N. C., "Workforce policy for the age of AI: Recommendations from the economic literature," Brookings Institution, Economic Studies, 2026년 9월 15일. https://www.brookings.edu/articles/workforce-policy-for-the-age-of-ai/

머튼스 외, HEART(윌리엄스·벨), 스반베리 외, 데이비스·폰 바흐터, 로즈·셈토브, 하이먼 외 수치는 브루킹스 본문에 보고된 대로 인용했으며 원논문은 이 글을 위해 별도로 재독하지 않았습니다. 「35%」「2.2~17.5배」「2028~29년 15%/13%」「2.8년」 비교는 논문 수치에 대한 이 사이트의 산수입니다.

이 글은 AI의 도움을 받아 작성되었으며 발행 전 검토를 거쳤습니다. 데이터 태그: [사실] = 출처에 보고된 내용, [추정] = 출처 수치에 대한 이 사이트의 계산.