AI가 진짜 "학습"할 수 있는 직업은? 새 지수가 위험 순위를 다시 쓰다

솔직히 이 숫자 보고 좀 놀랐어요. AI 일자리 위험도를 재는 두 가지 대표 방법이, 정작 중요한 직업들에 대해서는 겨우 15%만 의견이 일치합니다. 95%가 아니라 15%예요. 지난 몇 년간 뉴스 헤드라인에서 봤던 그 "자동화 위험 순위"들이, 조용히 엉뚱한 직업을 상위권에 올려두고 있었다는 얘기입니다. 그리고 새 연구가 정확히 어디서 틀렸는지 짚어냈습니다.

Philip Moreira Tomei와 Bouke Klein Teeselink의 논문 "What Jobs Can AI Learn? Measuring Exposure by Reinforcement Learning"(2026년 5월)은 이 분야가 놓치고 있던 질문을 던집니다. "지금 AI가 무엇을 할 수 있는가?"가 아니라, 더 날카롭게 "AI가 무엇을 하도록 학습될 수 있는가?"를 묻습니다. 이 한 번의 관점 전환이 위험 순위를 통째로 뒤집습니다. 그리고 당신의 직업이 그 순위에 있다면, 어느 쪽에 속하는지 알 자격이 있습니다.

당신이 본 AI 위험 순위의 근본 문제

대부분의 AI 노출도 측정은 — 수많은 뉴스의 근거가 된 그 유명한 Eloundou 외 연구를 포함해 — 오늘날의 대규모 언어모델(LLM)이 특정 직업의 태스크와 얼마나 겹치는지로 점수를 매깁니다. 그럴듯하게 들리지만 결함이 있습니다. [사실] LLM은 대부분 텍스트 예측으로 훈련되기 때문에, 글쓰기처럼 읽히는 일에는 "유능해" 보이고 그 외 모든 일에는 "무능해" 보입니다.

Tomei와 Klein Teeselink는 이것이 현재의 능력과 학습 가능성을 혼동한 것이라고 지적합니다. 요즘 AI는 텍스트를 더 많이 읽어서가 아니라, 강화학습을 통해 발전합니다. 검증 가능한 목표를 맞힐 때마다 보상을 받고, 이를 반복하며 숙달하는 방식이죠. 당신의 커리어에 진짜 중요한 질문은 챗봇이 지금 당신 일을 할 수 있느냐가 아닙니다. 당신의 직업이 AI가 학습할 수 있게 해주는 명확하고 확인 가능한 피드백 신호를 만들어내느냐입니다. [주장] 이 둘은 전혀 다른 얘기입니다.

RL 실현가능성 지수는 어떻게 작동하는가

연구진은 RL 실현가능성 지수(RLFI)를 만들어 894개 직업에 걸친 O*NET 태스크 17,951개 전체를 통과시켰습니다. [사실] 각 태스크는 먼저 물리적 실현가능성 관문을 지납니다. 손이나 몸, 물리적 현장 존재가 필요하면 0점입니다. 이 관문 하나만으로 전체 태스크의 40.7%가 0점으로 걸러집니다. 아직 얼마나 많은 일이 데이터센터 밖에 살고 있는지를 무뚝뚝하게 상기시키는 수치죠.

관문을 통과한 태스크는 강화학습이 얼마나 잘 학습할 수 있는지와 연결된 여덟 가지 차원에서 1~10점을 받습니다. 핵심은 성공이 명확히 검증 가능한지, 그리고 보상 신호가 존재하는지입니다. 점수는 깔끔하게 0~100 범위로 재조정됩니다. [사실] 순위 최상위에 오른 직업들은 화려하지 않지만 시사적입니다. 데이터 입력원이 71%, 통신 사무원이 69%, 교정원이 69%입니다. 반대로 정확히 0점을 받은 맨 밑바닥에는 접시닦이, 석공, 바닥 시공공이 있습니다. AI가 도저히 닿을 수 없는 물리적 기능직들이죠.

모든 것을 바꾸는 "괴리"

바로 여기서 이 연구의 진가가 드러납니다. 전체적으로 RLFI는 기존 Eloundou 노출도 측정과 0.88로 강하게 상관합니다. 얼핏 일치하는 것처럼 보이죠. 하지만 자동화를 둘러싼 진짜 싸움이 벌어지는 "디지털로 실현 가능한 직업들"만 걸러내면, 상관은 0.15로 무너집니다. [사실] 쉽게 말해, 두 지수는 AI가 닿을 수 없는 직업에는 동의하고, AI가 학습할 수 있는 접근 가능한 직업에 대해서는 크게 엇갈립니다.

이 엇갈림에서 정말 직관에 반하는 결과가 나옵니다. 기존 측정에서는 저노출로 평가되지만 RLFI가 높은 학습 가능성으로 표시하는 세 직업을 봅시다. 발전소 운전원, 철도 차장, 항공 화물 취급 감독원입니다. 이들은 구조화되고 규칙 중심이며 철저히 모니터링되는 역할로, 성공이 명확하고 모든 행동이 검증 가능한 흔적을 남깁니다. 강화학습이 번성하는 바로 그 조건이죠. 발전소 제어실을 운영한다면, "내 일은 너무 전문적이라 AI가 못 한다"는 편안한 가정이 이 데이터 앞에서는 무너질 수 있습니다. [추정] 텍스트 예측 챗봇으로부터 이 직업들을 안전하게 지켜주던 바로 그 태스크 구조가, 보상 기반 시스템에게는 오히려 학습하기 좋게 만듭니다. 더 자세한 분석은 발전소 운전원 페이지와 철도 차장 페이지에서 볼 수 있습니다.

이제 뒤집어 봅시다. 음악가, 의사, 자연과학 관리자는 기존 노출 지수에서는 높은 점수를, RL 실현가능성에서는 낮은 점수를 받습니다. 왜일까요? 이들의 실제 업무는 깔끔한 보상 신호에 저항하기 때문입니다. [주장] 살아 있는 공연, 모호함 속의 정확한 진단, 연구팀을 이끄는 판단에는 단순하고 검증 가능한 점수가 없습니다. AI는 그럴듯한 멜로디나 그럴듯하게 들리는 진단을 만들어낼 수 있지만, "그럴듯함"은 "검증 가능하게 정확함"과 다르고, 강화학습은 후자가 있어야 발전합니다. 이 직업들의 상세한 그림은 음악가 페이지와 자연과학 관리자 페이지에 있습니다.

진짜 폭발 반경 안에 있는 사람은 누구인가

RLFI는 임금과 경력에도 깔끔하게 매핑되는데, 이것이 노동시장의 "중간층"을 가장 걱정하게 만듭니다. [사실] RL 노출도는 임금 분포에서 봉우리 모양입니다. 최하위나 최상위가 아니라 중상위 십분위에서 정점을 찍습니다. 저자들은 급여가 로그 1포인트 오를 때 RL 실현가능성이 12.2포인트 상승한다고 추정합니다. 경력 기준으로는 뒤집힌 U자를 그리며 경력 중반에서 정점입니다. [주장] 초급직과 임원직은 상대적으로 안전하고, 구조화되고 측정 가능한 일을 하는 탄탄한 경력 중반 전문가가 가장 노출되어 있습니다.

이론만도 아닙니다. ChatGPT 출시 이후 채용 공고를 분석한 이중차분(difference-in-differences) 분석에서, RL 노출도가 1표준편차 오를 때 채용 공고가 2.9% 감소하는 것과 연관됐습니다. 다만 저자들은 이것이 겨우 한계 유의 수준(p=0.085)임을 신중하게 밝힙니다. [추정] 신호는 이르고 노이즈가 많지만, 지수가 예측한 방향을 가리킵니다.

이것이 당신의 커리어에 갖는 의미

이 연구에서 딱 하나만 가져간다면 이겁니다. AI가 지금 내 일을 할 수 있느냐를 묻지 말고, 내 일이 깔끔하고 반복 가능하며 검증 가능한 결과를 만들어내느냐를 물으세요. 그것이 강화학습이 먹고 사는 성질입니다. 모호한 판단, 물리적 현장 존재, 점수로 환원할 수 없는 책임으로 가득한 일은, 역설적이게도 더 방어적인 일입니다.

데이터 입력, 기록 관리, 정형화된 모니터링과 배차처럼 구조화되고 측정 가능한 역할에 있다면, 실질적인 대응은 당신 업무 중 모호한 부분에 무게를 싣는 것입니다. 예외 처리, 이해관계자 소통, 어떤 보상 함수도 깔끔하게 담아내지 못하는 판단 같은 것들이죠. 기존 순위가 고위험으로 찍었던 창의·임상·리더십 역할에 있다면 이 연구는 조용한 안심이지만, 완전한 면죄부는 아닙니다. "검증 가능"의 경계는 계속 움직이니까요.

더 깊은 교훈은 순위 그 자체에 관한 것입니다. 다음번 "이 직업들은 자동화된다"는 바이럴 차트가 피드에 뜨면, 그게 실제로 무엇을 측정했는지 물어보세요. AI가 학습할 수 있는 것이 아니라 오늘 할 수 있는 것으로 직업을 점수 매겼다면, 그 순위는 의심하고 봐야 합니다. 정작 가장 중요한 위험은, 기존 측정이 미처 보지 못한 그 위험일지도 모릅니다.

출처

• Philip Moreira Tomei, Bouke Klein Teeselink, "What Jobs Can AI Learn? Measuring Exposure by Reinforcement Learning," arXiv:2605.02598 (2026년 5월). https://arxiv.org/abs/2605.02598

업데이트 이력

• 2026-07-04: RL 실현가능성 지수(RLFI)와 기존 LLM 기반 AI 노출도 측정 간의 괴리를 O*NET 태스크 17,951개에 걸쳐 분석한 최초 발행.

---

AI 지원 분석. 이 글은 AI의 도움으로 작성되었으며 인용된 1차 자료와 대조해 정확성을 검토했습니다. 직업별 위험 수치는 Anthropic 노동시장 연구와 ONET 태스크 데이터를 활용한 상세 데이터 페이지로 연결됩니다.*