댈러스 연준: AI 노출 전공 졸업생, 텍사스 취업 확률 1.7%p 하락

텍사스 주립대학의 컴퓨터과학(CS) 전공 등록이 1년 만에 27.8% 줄었습니다. 2024년 가을 1,628명에서 2025년 가을 1,176명으로요. 같은 데이터에서 AI 노출도가 가장 낮은 전공인 간호학은 10.6% 늘었습니다. 두 숫자 모두 댈러스 연방준비은행이 2026년 9월 22일 공개한 엑셀 파일에 들어 있습니다. 함께 나온 보고서는 "생성형 AI가 자동화 가능한 전공 졸업생의 취업 확률과 임금을 이미 깎았다"고 주장합니다. 그런데 엑셀 파일은 본문이 말하지 않는 것을 하나 더 보여줍니다. 노출 전공에서 빠져나가는 흐름은 실재하지만, 고르지 않고, CS 헤드라인이 암시하는 것보다 훨씬 작습니다.

무엇을 쟀나

댈러스 연준의 경제학자 새뮤얼 도디니(Samuel Dodini)와 터커 스미스(Tucker Smith)는 행정자료 세 개를 연결했습니다. 텍사스 고등교육조정위원회(THECB)의 전공·수강 이력·입학시험 점수, 텍사스 노동위원회(TWC)의 분기별 임금 기록, 그리고 22만 개 이상의 온라인 채용 게시판을 모은 Lightcast 채용공고 데이터입니다. [사실] 각 전공의 노출도는 2018년 1분기부터 2022년 3분기까지의 채용공고에서 그 전공을 요구한 직업들의 AI 자동화 가능 과업 비율을 평균한 값입니다. 일부러 ChatGPT 이전 기간만 썼습니다. 측정 대상이 측정 도구를 오염시키지 않도록요.

과업 비율 자체는 Anthropic이 O*NET 과업을 자사 Claude 모델의 실제 사용 기록에 대응시켜 만든 지표에서 나옵니다. 공시하자면, 이 사이트의 직업 페이지도 같은 계열의 노출도 수치를 쓰고, 이 초안도 Anthropic 모델로 작성됐습니다. 그 때문에 결과가 달라지지는 않지만, 자와 채점자가 같은 제조사라는 점은 알고 읽으셔야 합니다.

비교 방법은 이벤트 스터디입니다. 2021년 5월 졸업생, 즉 ChatGPT 이전에 노동시장 첫 1년을 온전히 보낸 마지막 기수가 기준선(0)입니다. 다른 모든 기수의 고노출·저노출 전공 격차를 이 기수와 비교합니다.

헤드라인 숫자 네 개, 그리고 헤드라인이 빠뜨린 척도

모든 효과는 노출도 10%p당으로 표현됩니다. 이게 중요한 이유는, 파일에서 가장 노출된 전공과 가장 덜 노출된 전공의 격차가 30%p쯤 되기 때문입니다.

[사실] 졸업 후 1년 내 텍사스 내 취업 확률: 2024년 졸업생 기준 노출도 10%p당 −1.7%p. 차트 데이터는 2023년 기수 −1.77, 2024년 기수 −1.71이고, 2024년 신뢰구간은 −1.08에서 −2.34입니다.

[사실] 텍사스에서 취업한 사람의 첫해 임금: 2024년 −5.4%(구간 −4.1~−6.7), 2023년은 −3.2%. 2022년 기수는 −0.2%로 사실상 0입니다.

[사실] 1년 내 대학원 재등록: 2024년 5월 졸업생 기준 10%p당 +1.4%p(구간 +0.7~+2.1). 학교로 돌아간 2024년 CS 졸업생의 3분의 2가 다시 CS 대학원을 골랐습니다.

[사실] 전공별 학부 등록, 2024년 가을 → 2025년 가을: 10%p당 −4.8%. 엑셀에는 회귀식이 그대로 적혀 있습니다. 기울기 −0.48, 절편 +7.98.

이제 보고서가 독자에게 맡긴 산수를 해봅시다. 파일에서 간호학(등록간호) 노출도는 1.0%, 컴퓨터과학(CIP 11.07)은 31.7%입니다. 격차 30.7%p이니 대략 3을 곱하면 됩니다. [추정] 2024년 CS 졸업생은 간호학 졸업생에 비해 텍사스 내 첫해 취업 확률이 약 5%p 낮았고, 첫해 임금은 약 16% 낮았고, 대학원에 돌아갈 확률은 약 4%p 높았습니다. 절편 +7.98은 노출도 0인 전공이 작년에 약 8% 성장했다는 뜻이고, CS 수준 노출도에서는 모델이 −7%를 예측합니다.

차트 데이터가 더 말해주는 것

차트 4 뒤의 엑셀 파일(4자리 CIP 전공 170개, 그중 152개에 노출도 있음)을 직접 내려받아 합산했습니다. 아래 숫자는 보고서 본문에 없습니다.

170개 전공 전체 등록은 4.1% 늘었습니다(126,419 → 131,575). 노출도 20% 이상 전공은 3.9% 줄었고(8,031 → 7,717), 5% 미만 전공은 6.0% 늘었습니다. 위아래 구간 사이 10%p 격차. 여기까지는 보고서의 이야기와 맞습니다.

그런데 고노출 구간은 텍사스 전체 등록의 6.4%밖에 안 됩니다. "AI 노출 전공에서 이탈"이라는 현상은 13만 명 시스템에서 314명입니다. 등록 가중 평균 노출도는 7.9%. 평범한 텍사스 대학생은 애초에 폭발 반경 안에 없었습니다.

노출 구간 안에서는 움직임이 서로 모순됩니다. 컴퓨터과학(11.07)은 −27.8%. 그런데 노출도가 거의 같은(28.7%) 더 큰 코드인 "컴퓨터·정보과학 일반"(11.01)은 −3.7%에 그칩니다. 컴퓨터공학(14.09)은 파일 전체에서 두 번째로 노출도가 높고(33.7%) 저자들도 최고노출 전공으로 지목했는데, 906명에서 1,146명으로 26.5% 늘었습니다. 노출도 1위(43.7%)인 언어학은 딱 한 명 줄었습니다. CS 코드 두 개를 합치면 감소율은 27.8%가 아니라 11.0%입니다.

학생들은 노출도를 피하는 게 아닙니다. 이름표를 피하고 있습니다.

반대 방향 사례도 둘 있습니다. 일반공학(노출도 15.8%)은 −14.4%, 교양학(7.1%)은 −5.4%로, 둘 다 노출도가 예측하는 것보다 나쁩니다. 등록은 노출도 점수가 잡지 못하는 이유로도 움직입니다. 정원 제한, 학과 개명, 코드 간 이동 같은 것들이요. [주장] −4.8% 기울기를 "학생들이 AI 위험에 합리적으로 반응한다"로 읽는 것은 하나의 해석입니다. "2025년에 간판 코드 하나가 평판을 잃었다"도 같은 데이터에 비슷하게 잘 맞습니다.

석사 학위 결과는 읽히는 것보다 약하다

이 보고서에서 가장 많이 인용될 문장은 아마 노출 분야 석사 졸업자가 "4년제 졸업자와 비슷한 상대적 임금 하락을 겪었다"는 대목일 겁니다. 정규 상향교육이 도움이 안 된다는 함의죠. 2024년 점추정치는 실제로 −5.4%입니다. 그런데 같은 시계열이 2013년 −4.1%, 2014년 −5.3%, 2015년 −3.2%를 보여줍니다. 셋 다 신뢰구간이 0을 벗어나고, 셋 다 생성형 AI가 존재하기 전입니다. 학사 임금 시계열에는 그런 사전 기간 흔들림이 없고, 구간 폭도 절반쯤입니다. [주장] 처치 전에 −5% "효과"를 세 번 만들어낸 시계열은 네 번째를 처치 탓으로 깔끔하게 돌릴 수 없습니다. 방어 가능한 요약은 "석사가 도움 된다는 증거가 없다"이지 "도움 안 된다는 증거가 있다"가 아닙니다.

학사 취업 시계열에도 작은 흠이 하나 있습니다. 2016년이 −0.83, 구간 −0.09~−1.57입니다. 사전 기간 6년 중 1년이 경계선을 스칩니다. 이벤트 스터디로는 허용 범위지만, 사전 추세는 "대체로 평평"이지 "평평"은 아닙니다.

저자가 밝힌 한계와 밝히지 않은 한계

밝힌 것: 텍사스 대학들이 새로 개설한 AI 리터러시 과목이 학생을 실제로 준비시키는지는, 저자들 표현으로 "열린 질문"입니다.

덜 부각된 것: 취업은 텍사스 내 취업을 뜻합니다. 결과 변수가 텍사스 노동위원회 기록으로 만들어지므로, 시애틀이나 새너제이에 취업한 CS 졸업생은 아무 데도 못 간 졸업생과 똑같이 집계됩니다. CS 졸업생은 표본에서 지리적 이동성이 가장 높은 축이고, 간호학 졸업생은 가장 낮은 축입니다. [주장] −1.7%p 격차의 일부는 실업이 아니라 타주 이주이며, 그 몫이 얼마인지 이 연구는 말할 수 없습니다. 대학원 진학도 마찬가지로 텍사스 4년제 대학 재등록만 보입니다. 임금 −5%는 텍사스 취업자 조건부라서 이 문제에서 더 깨끗합니다.

우리가 이미 가진 것과 어떻게 맞물리나

지난 9월 15일 정리한 댈러스 연준의 채용공고 연구는 텍사스에서 AI 자동화 가능 직무 공고가 7~8% 줄었고 기존 기업이 주도했음을 보여줬습니다. 이번 보고서는 그 시장의 반대편, 그 공고를 채웠을 사람들을 봅니다. 둘을 합치면 6월의 '무너진 사다리 첫 칸'과 3월의 신입 채용 교차 분석이 주장만 할 수 있었던 고리가 닫힙니다. 공고 감소, 채용 감소, 임금 하락, 그리고 보상이 불확실한 대학원 회귀. 저자들은 지켜볼 선행 지표 하나를 더 보탭니다. 노출 직업의 핵심 연령대(25~54세) 근로자 해고와 임금 상승률입니다. 효과가 신입을 넘어 번지는지 여기서 드러납니다.

내 직업에는 무슨 뜻인가

경력 초기의 소프트웨어 개발자, 컴퓨터 프로그래머, 웹 개발자, 데이터 사이언티스트라면, 이 연구의 2024년 기수가 곧 당신의 또래 집단입니다. 실용적인 독법 셋:

• 같은 분야 석사는 검증된 보험이 아닙니다. 학교로 돌아간 CS 졸업생 대다수가 다시 CS를 골랐고, 데이터가 감지할 수 있는 임금 보호는 없었습니다. 돌아간다면 모델이 아직 못 하는 것을 위해 돌아가세요. 저자들의 단어는 "보완적(complementary)"입니다.
• 컴퓨터공학 등록은 26% 늘고 컴퓨터과학은 28% 줄었습니다. 신입생들은 하드웨어 인접 일이 더 안전하다는 데 걸고 있습니다. 노출도 점수는 반대로 말합니다(33.7% 대 31.7%). 누군가는 틀렸습니다. 누가 틀렸는지 지켜보세요.
• 번역가·통역사라면, 어학 전공은 여기서 최고노출 그룹에 있습니다. 한국 자료와 ILO 자료에서 봤던 것과 같은 신호입니다.

간호사, 초등교사, 임상심리사라면, 당신의 전공은 이 연구의 대조군입니다. 등록이 당신 쪽으로 흐르고 있습니다. 직업의 인력 파이프라인에는 좋은 일이고, 몇 년 뒤 임금 협상에는 나쁜 일입니다.

출처: Samuel Dodini, Tucker Smith, "AI plays a role in weak labor market for college graduates," Dallas Fed Economics, 댈러스 연방준비은행, 2026년 9월 22일. 차트 데이터 파일(0922data.xlsx)은 이 사이트가 직접 내려받아 합산했으며, 구간별 합계·6.4% 비중·7.9% 가중평균·CS 합산치·CS 대 간호학 환산은 연준이 아니라 우리의 계산입니다. 원문의 견해는 저자 개인의 것이며 연준의 입장이 아닙니다.

AI 보조 분석: 1차 자료와 공개된 차트 데이터로부터 AI 모델이 초안을 작성하고, 둘 모두와 대조 검증했습니다.