자신을 대체할 AI를 훈련하는 노동자가 더 많이 받는 이유

자신을 대체할 AI를 훈련하라는 지시를 받은 노동자에게는 일하기와 그만두기 외에 세 번째 선택지가 있다. 산출은 그대로 내면서 시스템에 들어갈 데이터만 조용히 끊는 것이다. NBER 신규 모형 논문은 아무도 그 선택지를 쓰지 않더라도 바로 그 가능성이 자동화 속도를 정한다고 결론짓는다. [주장]

논문은 토론토대학교의 조슈아 S. 갠스(Joshua S. Gans)와 피터 랜드리(Peter Landry)가 쓴 NBER 워킹페이퍼 35950 「Training Your Replacement: Worker Incentives and the Pace of Automation」으로, 2026년 10월에 공개됐다. 새 데이터가 없는 이론 모형 논문이다. [사실] 서두는 2026년 4월 메타(Meta)가 인력 약 10%를 감축하는 와중에 직원의 키 입력과 화면 활동을 AI 훈련 데이터로 기록한 사건으로 시작한다. 1,600명이 넘는 직원이 청원에 서명했고, 6월에는 프로그램이 축소됐다. [사실]

방해는 태업보다 잡기 어렵다

모형은 샤피로-스티글리츠(Shapiro-Stiglitz)의 효율임금 설정을 확장한 것이다. 그 설정에서 기업은 해고가 실제 위협이 되도록 노동자의 외부 기회보다 높은 임금을 준다. 갠스와 랜드리는 여기에 노동자의 노력에서 학습하는 AI 시스템과 세 번째 행동을 더한다. 「방해(obstruction)」다. 산출은 그대로 유지하되 시스템이 배우지 못하게 하는 행동으로, 예외 사례에 라벨을 달지 않거나, 문제를 진단할 때 맥락을 빼놓거나, 고객을 기록되지 않는 채널로 상대하는 식이다. 방해는 훈련 진척이 없다는 형태로만 드러나므로 태업보다 적발이 어렵다고 가정한다. [사실]

훈련이 성공하면 일자리는 끝나지만, 그 결과를 가져오는 것은 협조하는 노동자뿐이다. 태업하는 노동자는 시스템에 배울 것을 주지 않는다. 따라서 일자리를 잃을 위험은 노력에만 붙고, 해고는 태업에 대한 약한 처벌이 된다. 노동자가 계속 일하게 하려면 기업은 이 노동자 본인의 협조에 좌우되는 훈련 비중만큼 커지는 지대(rent)를 지급해야 한다. [사실]

노동자는 자신의 대체에서 이득을 본다

자신을 대체할 시스템을 훈련하는 재직 노동자는 AI가 없을 때보다 높은 임금과 높은 기대 생애 효용을 얻는다. [사실] 노동자가 협조하는 조건은 훈련 속도가 방해 적발 속도 이하에 머무는 것이다. 그 선을 넘으면 노동자는 방해하고, 훈련은 끝나지 않으며, 기업은 같은 산출에 더 많은 돈을 낸다. [사실]

어떤 과업도 자동화되지 않은 채 두 가지 고용 효과가 뒤따른다. 천천히 학습하는 시스템은 원래 없었을 일자리를 만들 수 있다. 노동자가 기업의 자산을 짓고 있기 때문에 산출보다 높은 임금이 지급된다. 빠르게 학습하는 시스템은 자동화하지도 못한 일자리를 없앨 수 있다. 기업이 프리미엄을 내지 않으려 아무도 고용하지 않고, 시스템은 영영 배우지 못한다. [사실]

훈련 속도를 스스로 고르는 기업은 가능한 속도보다 느리게 훈련한다. 방해 한계는 노동자가 감내할 속도에서 훈련을 막고, 지대 한계는 훈련을 빨리 할수록 총잉여보다 지대가 더 빨리 불어나는 지점에서 그보다 먼저 훈련을 막는다. 균형에서 방해는 한 번도 일어나지 않지만, 그 위협이 배치 속도를 정하고, 기업은 효율적 계획자보다 AI를 덜 채택한다. [사실]

완성 보너스가 바꾸는 것

훈련이 완료될 때, 그리고 그때만 지급하는 보너스는 협조가 만들고 방해가 막는 사건 자체에 보상한다. 그 보너스가 AI 없이 노동자가 받는 지대 이상이면 기업은 가능한 최고 속도로 훈련하고 노동자는 더 이상 AI에서 이득을 보지 않는다. 노력 비용을 덮는 보너스라면 기업은 훈련 기간 임금을 0으로 둘 수 있다. [사실] 다만 이 약속은 신뢰를 유지하기 어렵다. 기업은 다른 노동자의 데이터 덕이라고 돌리거나 배치 직전에 해고하면 이득을 보기 때문이다. [주장] 저자들이 대조로 드는 사례는 2015년 디즈니(Disney)가 IT 노동자 약 250명을 교체하면서 인수인계 완료가 아니라 90일 잔류에 퇴직금의 10%를 보너스로 준 일이다. [사실]

당신의 직업에 의미하는 것

모형이 말하는 방해 여지는 문서화·라벨링·채널 선택에 있다. 업무 흐름이 AI 훈련용으로 기록되는 직업, 곧 고객 서비스 담당자, 컴퓨터 사용자 지원 전문가, 소프트웨어 개발자가 여기에 해당한다. [주장] 인사 관리자에게는 모형의 검증 가능한 함의가 그대로 적용된다. 보수가 완료와 연결되지 않은 곳에서는 자신의 대체 시스템을 훈련하는 노동자에게 훈련 기간 동안 더 높은 보수를 줘야 하고, 방해 적발이 어려운 곳에서는 기술이 허용하는 것보다 느리게 배치해야 하며, 적발 능력이 좋아지면 훈련 속도와 보수가 함께 올라가야 한다. [주장]

무엇을 준비할 것인가

고용주가 당신의 업무를 훈련 데이터로 기록하고 있다면, 무엇에 대해 보수를 받는지부터 물어라. 남아 있는 것인지, 끝내는 것인지다. 모형에서 잔류 보너스는 해고 위험을 통해서만 방해를 막지만, 적정 규모의 완성 보너스는 기업이 빠른 훈련을 원하게 하면서 노동자에게 끝나는 일자리의 값을 치르는 유일한 계약이다. 완료에 대한 당신 개인의 기여가 검증될 수 있는지 물어라. 그것이 약속이 신뢰받는 조건이다. 보너스 제안이 없다면 모형은 훈련 기간 임금이 AI 이전보다 높아야 한다고 예측하므로, 임금이 그대로라면 협상할 신호다.

한계

이 논문은 추정이 아니라 모형이다. 훈련 속도, 적발 속도, 노력 비용은 모두 파라미터이며 어떤 직장의 실측값도 보고하지 않는다. 결과는 AI가 자신을 훈련한 노동자를 대체한다는 가정에 기댄다. 시스템이 계속되는 일자리의 산출을 높이는 경우라면 프리미엄, 방해, 속도 저하가 모두 사라진다. 저자들은 노동자가 AI 훈련을 얼마나 자주 방해하는지, 기업이 그것을 얼마나 잘 적발하는지 알려진 바가 거의 없다고 쓰며, 논문은 동료 심사를 거치지 않았다.

출처

• Gans, J. S., and Landry, P., "Training Your Replacement: Worker Incentives and the Pace of Automation," NBER Working Paper 35950, 2026년 10월: https://www.nber.org/papers/w35950

이 분석에 대하여

이 글은 NBER 워킹페이퍼 전문(온라인 부록 포함 30쪽)을 바탕으로 AI 보조로 작성됐다. 직업 링크는 본 사이트의 직업 페이지를 가리키며, 모형의 추상적 노동자를 그 페이지에 대응시킨 것은 우리의 판단이다.