무작위 실험 56건: 재훈련은 효과가 있다, 아주 조금. 효과가 큰 쪽은 따로 있다

1인당 13,598달러. 고용률 +1.7%p. 연소득 약 +800달러. 1973년 이후 미국에서 실시된 모든 무작위 대조 실험을 평균하면, 평균적인 직업훈련 프로그램이 내놓는 성적이 이렇습니다. "재훈련"이 AI 시대를 버티는 당신의 계획이라면, 이 세 숫자가 그 계획의 과거 성적표입니다.

출처는 David Roodman과 Maxim Massenkoff가 쓴 125쪽짜리 근거 리뷰입니다. Anthropic이 2026년 8월 12일 Anthropic Institute 워킹페이퍼 2026-01로 발행했고, 9월 7일 arXiv(2609.07011)에 올라왔습니다. 저자들 표현으로는 미국 직업훈련 무작위 실험을 대상으로 지금까지 나온 가장 방대한 메타분석입니다. 56개 실험에서 146개 효과 추정치를 모았습니다. 그리고 평균보다 열 배 가까이 잘 작동하는 프로그램 군집 하나를 찾아내고, 왜 그 군집을 복제하기가 그토록 어려운지도 설명합니다.

저희는 초록이 아니라 PDF 전문을 읽었습니다. 아래는 이 논문이 말하는 것, 말하지 않는 것, 그리고 자기 직업을 들여다보며 "그냥 재훈련 받으면 되지 않나"가 진짜 답인지 궁금한 분에게 이것이 뜻하는 바입니다.

누가 썼는지가 읽는 방식을 바꿉니다

[사실] Roodman은 독립 연구자이고 Massenkoff는 Anthropic 소속입니다. 논문의 첫 문장이 AI 이야기입니다. "전문가와 대중 사이에서 노동자 재훈련은 AI로 인한 노동시장 충격을 완화하는 정책으로 가장 인기가 높다." 이 인기 주장의 근거는 경제학자·AI 전문가·슈퍼포캐스터를 대상으로 한 설문(Karger 외, NBER 워킹페이퍼 35046 — 저희가 이 글에서 다뤘습니다)인데, 거기서 "재훈련 지원"은 실업급여 확대, 일자리 보장, 기본소득을 제치고 AI발 실직에 대한 선호 1위 대응책이었습니다.

[사실] 수천 쪽에 달하는 정부 평가보고서에서 프로그램 특성과 효과 수치를 뽑아내는 작업은 Claude Opus로 수행했습니다. 저자들은 이를 "밀착 감독 하에" 했다고 쓰며, 모델이 자기 추론표를 원문과 다시 대조하는 적대적 2차 검토를 거쳤다고 밝힙니다.

저희 쪽 고지도 두 가지 있습니다. 이 사이트의 직업별 노출 데이터 자체가 Anthropic Economic Index 공개 자료에 일부 기반하고 있어서, Anthropic 논문이 나올 때 저희는 중립적 당사자가 아닙니다. 그리고 이 논문은 워킹페이퍼라 동료심사를 거치지 않았습니다. 아래 모든 숫자를 PDF와 대조했지만, 숫자는 저자들의 것이지 독립 재현이 아닙니다.

평균적인 프로그램: 효과는 있고, 작고, 비쌉니다

[사실] 56개 실험은 대부분 저소득 성인과 청년을 대상으로 간호조무사, IT 지원 기술자, 용접공 같은 직업을 훈련한 프로그램입니다. 전형적인 프로그램은 6개월쯤 걸렸습니다. 비용을 보고한 "훈련 중심" 프로그램 67% 기준으로, 자리를 제안받은 1인당 평균 비용은 2025년 달러로 13,598달러였습니다.

[사실] 랜덤효과 메타분석으로 실험들을 합치면, 프로그램은 2년차에 고용률을 2.8%p, 3~5년차에 1.7%p 올렸습니다. 대조군 고용률은 약 63%였습니다. 세전 소득은 2년차에 연 1,139달러, 3~5년차에 연 791달러 올랐습니다. 네 평균값 모두 통계적으로 유의합니다. 이 효과는 훈련을 제안받은 사람 기준이지, 실제로 훈련받은 사람 기준이 아닙니다.

이 마지막 조건이 보기보다 무겁습니다. [사실] 이 실험들에서 프로그램을 제안받은 사람은 대조군보다 그 프로그램을 받을 확률이 66%p 높았지만, 어떤 종류든 훈련을 받을 확률은 28%p만 높았습니다. 대조군도 다른 곳에서 훈련을 찾아 받았기 때문입니다. 저자들은 실제 훈련생 1인당 효과가 헤드라인 수치의 대략 2~4배라고 추정하면서, 그것을 상한선이라고 부릅니다.

[추정] 연 791달러가 얼마나 작은지 체감하는 방법 하나. 평균 비용 13,598달러를 장기 연간 소득 증가분 791달러로 나누면, 할인 없이 17.2년치 소득 증가가 있어야 훈련비를 회수합니다. 대부분의 실험은 6년차쯤에서 추적을 멈췄습니다. 그러니 이 프로그램들이 "본전을 뽑는지"는 데이터로 확인할 수 없는 가정 하나에 거의 전적으로 달려 있습니다. 5년차에 측정된 이득이 이후 10년 이상 유지된다는 가정입니다. 저자들도 본전 가정을 "합리적이지만 논쟁의 여지가 있다"고 스스로 표현합니다.

[사실] 그 가정 하에서 은퇴까지 소득 증가분의 순현재가치는 1인당 14,146달러이고, 부가급여를 포함하면 19,525달러로 올라갑니다. 비용 13,598달러와 비교됩니다. 좁은 의미의 편익비용비율은 1.44입니다. 정부 입장에서는 세수 증가, 복지급여 감소, 다른 훈련 지출 감소로 지출의 약 4분의 3을 회수하므로, 순재정비용은 1달러당 24센트로 남습니다. 저자들의 요약 표현은 "본전보다 조금 나은 정도"입니다.

대형 연방 프로그램은 더 나을 게 없었고, 때로는 아무 효과도 없었습니다

평균 프로그램이 소박하다면, AI 충격을 완충하려면 필요한 규모인 전국 단위 프로그램이야말로 봐야 할 대상입니다. [사실] 미국에는 그런 프로그램 셋에 대한 무작위 평가가 있습니다.

1980년대 후반에 평가된 직업훈련파트너십법(JTPA)은 성인 고용률을 약 70% 기준에서 2.3%p, 연봉을 2025년 달러로 약 1,100달러 올렸습니다. 청년에게는 뚜렷한 이득이 없었습니다.

1960년대 "빈곤과의 전쟁"에서 시작된 집중 기숙형 청년 프로그램 Job Corps는 20년에 걸친 추적에서 고용이나 소득에 효과가 없었습니다. 3~5년차에 1~2%p의 일시적 고용 상승이 있었을 뿐입니다.

JTPA의 후신인 노동력투자법(WIA)은 Gold Standard 평가에서 저소득 성인과 실직 노동자 모두에게 "사실상 0"을 돌려줬습니다. 이유 하나는 실제로 훈련을 받은 비율의 처치군-대조군 격차가 15%p에 불과했다는 것입니다. 제안받고도 안 받은 사람이 많았고, 대조군도 알아서 훈련을 찾았습니다.

[추정] 논문은 GAO 수치를 인용해 2017년 연방정부가 구직 지원·상담·재훈련에 연 140억 달러를 쓰고 약 1,070만 명에게 닿았다고 씁니다. 나눠 보면 1인당 약 1,300달러로, 무작위 실험의 1인당 13,598달러의 대략 10분의 1입니다. GAO 집계에는 가벼운 구직 도움까지 들어가니 비교가 완전하진 않지만, 연방 시스템 대부분이 실험에서 측정한 의미의 "훈련"을 제공하지 않는다는 점은 시사합니다. 실험 결과를 연방 예산 규모로 환산하는 것은 어느 방향으로도 단순하지 않습니다.

예외: 섹터 프로그램

[사실] 한 군집이 따로 섭니다. "섹터 프로그램"은 지원자를 집중 심사하고, 고용주와 함께 커리큘럼을 짜고, 지역 기술 수요를 추적하고, 수료생을 수요가 높은 특정 산업에 배치합니다. 가장 잘 알려진 것은 샌안토니오의 Project QUEST, IT 분야의 Per Scholas, 그리고 Year Up입니다. 논문이 넓게 잡은 섹터 프로그램 무작위 평가 19건의 포레스트 플롯을 보면, 고용은 약 3.0%p의 부분적으로 일시적인 상승, 소득은 2025년 달러로 연 3,000~4,000달러의 더 지속적인 증가를 보였고, 장기(3~5년) 추정치는 3,703달러입니다.

[사실] 비용은 더 높지 않았습니다. 섹터 프로그램은 1인당 평균 11,602달러로 전체 풀의 13,598달러보다 낮았습니다. 편익비용비율은 1.44 대 7.18이고, 정부 관점에서는 세수와 급여 절감으로 비용의 두 배를 돌려받습니다. 사회적 내부수익률은 6% 대 34%입니다.

[사실] 최상위 프로그램은 더 잘합니다. Year Up 처치군은 훈련과 인턴십 기간인 첫 해에 소득이 낮았다가, 이후 분기당 약 2,000달러, 연 약 8,000달러를 앞서고 그 격차를 유지합니다. 초록의 "열 배"는 이 등급의 프로그램, 즉 연봉을 5,000~10,000달러 올린 프로그램을 가리킵니다.

[추정] 분명히 해 둘 점이 있습니다. "열 배"는 헤드라인이지 군집 평균이 아닙니다. 섹터 군집의 장기 소득 효과(3,703달러)를 훈련 중심 풀(791달러)과 비교하면 4.7배이고, 논문 본문도 확장된 군집에 대해 "3~5배 높다"고 씁니다. 열 배는 최상위 서너 개 프로그램이 달성한 수치입니다. 두 숫자 모두 참이지만, 서로 다른 것을 설명합니다.

예외를 복제하기 어려운 이유

"섹터 프로그램을 확대하자"를 AI 대응책으로 삼으려는 사람이라면 이 대목에서 속도를 늦춰야 합니다.

[사실] 선별. WorkAdvance 4개 사업장은 헌신 같은 측정하기 어려운 자질을 "집중 심사"한 뒤 지원자의 약 20%를 받았습니다. Per Scholas는 2025년에 5,000석에 70,000명이 지원했습니다.

[추정] Per Scholas 수치는 합격률 7.1%입니다. 들어오고 싶었던 100명 중 대략 93명이 돌려보내졌습니다. 요약문의 표현은 섹터 프로그램이 "지원자의 80% 이상을 걸러낸다"인데, Per Scholas의 필터는 93%에 가깝습니다.

[사실] 들어온 사람들은 이미 더 나은 위치에 있습니다. 섹터 프로그램 실험의 대조군 장기 고용률은 80%였고, 일반 훈련 풀의 대조군은 60%였습니다. 섹터 프로그램 대조군은 소득도 50~75% 더 많았습니다. 이 프로그램들은 훈련 없이도 상대적으로 잘 살았을 집단에서 사람을 뽑습니다.

[사실] 복제는 무덤입니다. Center for Employment and Training 모델을 14곳에서 복제했을 때, 평가자들은 고용주 참여 측면에서 높은 충실도를 달성한 곳이 6곳뿐이고, 모델 전체를 높은 충실도로 복제한 곳은 4곳뿐이라고 판단했습니다. 섹터 프로그램 성격에 가장 잘 맞는 PACE 평가 프로그램 4개 중 하나(Year Up)는 작동했고 셋은 "그런 성공을 거두지 못했습니다." 저자들이 Year Up 전 최고연구책임자와 나눈 대화에 따르면, Year Up이 보스턴에서 규모를 키우는 대신 새 도시로 확장한 이유는 훈련비를 대고 채용을 약속할 "자금력 있는 기업 파트너"가 도시마다 한정돼 있기 때문입니다.

[사실] 시간의 한계. 효과가 있는 섹터 프로그램은 몇 달 안에 배울 수 있는 기술을 가르칩니다. Year Up은 훈련 반년, 인턴십 반년으로 1년을 운영하는데, 그것도 섹터 프로그램 기준으로는 긴 편입니다.

논문이 AI에 대해 말하는 것과 말하지 않는 것

여기서는 귀속을 정확히 하고 싶습니다. 논문의 AI 프레이밍은 논문 자신의 것이지만, 직업별 대응은 저희의 해석입니다.

[사실] 저자들은 직설적입니다. "대형 언어모델이 사람들의 일을 대신하기 시작할 때 직업훈련이 적응에 얼마나 도움이 되는지에 대한 연구 근거는 없다." 그들이 내놓는 것은 위 역사에서 나온 외삽이고, 그것은 동시에 두 방향을 가리킵니다.

[사실] 저임금 노출 직군에 대해 논문은 조심스럽게 희망적입니다. 1년 미만에 자격을 가르치는 섹터 프로그램이 "많은 노동자에게 차이를 만들 수 있다"고 보고, 훈련 수요가 급증하면 참여율이 올라가 실현 효과가 실험 평균을 넘을 수 있다고 봅니다. 훈련생 1인당 효과가 제안 1인당 효과의 대략 두 배이기 때문입니다. 논문은 Manning과 Aguirre가 356개 직업을 매핑한 연구를 인용하는데, 거기서 170만 명의 "비서 및 행정보조원"은 AI 노출이 높고(59%) 적응 역량이 낮으며(14%), 급여 담당자와 일반 사무원도 같은 부류입니다.

[사실] 고숙련 전문직에 대해서는 단호합니다. 단기 프로그램은 "더 숙련된 노동자의 필요와 맞지 않는다." 회계사·변호사·개발자의 대량 실직은 "전례가 없을" 것이고, 깊은 재숙련은 "수년이 걸리며", 수년짜리 파이프라인은 섹터 모델을 깨뜨립니다. 4년 뒤 어떤 직업이 수요가 있을지 예측할 수 있는 중개기관이 없기 때문입니다. 논문이 인용하는 유일한 깊은 재훈련 근거는 부상당한 덴마크 숙련공 연구인데, 고등교육으로 진학한 이들은 이전보다 25% 더 벌었지만 통상 4년의 대학 과정을 마친 뒤였습니다.

[주장] 논문이 아니라 저희의 해석입니다. 이 결과는 AI 질문을 저희 직업 페이지가 이미 긋고 있는 선을 따라 둘로 가릅니다. 행정보조, 사무원, 급여 담당자, 데이터 입력원으로 일한다면, 재훈련 근거는 바로 당신 같은 사람에 대한 것이고, 좋은 섹터 프로그램을 통해 IT 지원이나 용접 같은 숙련 기술직으로 옮기는 경로에는 선별적이긴 해도 측정되고 반복된 실적이 있다고 말합니다. 회계사, 변호사, 법률 보조원, 소프트웨어 개발자라면, 근거 기반은 당신에 대해 거의 할 말이 없고, 저자들의 최선의 추측은 당신의 재훈련이 6개월 프로그램이 아니라 "압축된 경력 중반 석사과정"에 가깝다는 것입니다. 인용된 노출 지수가 거의 노출되지 않았다고 평가하는 트럭 운전사조차 경고를 받습니다. "AI"를 어떻게 정의하든 더 넓은 자동화가 그 역할을 덮칠 수 있다는 것입니다.

저희는 3월에 논평에 기대어 재훈련 정책의 한계를 다룬 적이 있습니다. 이 논문은 그 논평 아래에 깔린 정량적 바닥입니다.

저자들의 정책 제안, 그들의 표현으로

[사실] 논문은 네 가지 권고로 끝납니다. 단기 섹터 프로그램은 저숙련 실직 노동자 일부에게 도움이 될 수 있다. 더 숙련된 노동자의 필요는 충족하지 못한다. 실업급여를 6개월에서 3년으로 연장하면서 재숙련 비용을 지원하는 무역조정지원(TAA) 모델은 AI로 실직했음이 입증되는 사람에게 "고려할 가치가 있다"고 보되, 기업이 해고 대신 그냥 채용을 멈추는 경우에는 트리거 방식의 지원이 작동하지 않는다는 단서를 답니다. 그리고 자금 제공자들은 필요가 급박해지기 전에 선도 섹터 프로그램을 빠르게 확대하고 무작위 평가하는 "소방 훈련"을 실행해 어떤 구성요소가 필수인지 배워야 한다고 권고합니다.

[주장] 저자들의 결론이자 저희도 공유하는 결론입니다. 현행 프로그램들은 "지속적으로 높은 실업률에 흠집도 내지 못할" 것이고, 올바른 대응은 병렬로 개발되는 "부분적 대응들의 조합"입니다. AI가 대량 실업을 낳든 아니든, "노동자의 적응을 가장 잘 돕는 법을 배운 것을 후회하지 않을 것"입니다.

이 리뷰가 말해 줄 수 없는 것

저자들이 밝힌 한계와 저희가 덧붙이는 한계입니다.

근거는 미국 것입니다. 논문은 유럽의 무작위 또는 회귀불연속 연구 7건을 검토하고 훈련 효과에 대해 정보가 부족하다고 판단합니다. 한국 독자라면 이 논문이 한국의 직업훈련 체계를 전혀 평가하지 않는다는 점에 유의해야 합니다. 채용 관행과 고용주 구조가 다른 노동시장에 미국 결과가 얼마나 옮겨지는지는 열린 질문이지 발견이 아닙니다.

독립형 프로그램만 다룹니다. 도제, 커뮤니티 칼리지, 학위 과정, 온라인 교육은 범위 밖입니다. "압축된 석사과정" 경로에서는 오히려 이쪽이 더 중요할 수 있습니다.

대상 인구는 대부분 저소득이거나 만성 실업 상태였습니다. 실직한 회계사의 물결은 저자들 표현으로 장기 실업자 중 "역사상 가장 교육 수준이 높고 고임금인" 집단이 될 것이고, 저축도 더 많고 구직 기술도 더 낫습니다. 실험들은 그런 사람들을 묘사하지 않습니다.

그리고 연구 도구 자체가 연구 대상입니다. 사람이 AI에 적응할 수 있는지를 다루는 논문이 AI로 작성되고 AI 회사의 자금으로 나왔다는 사실이 논문을 실격시키지는 않지만, 독자는 그것을 염두에 두어야 하고 저희도 마찬가지입니다.

이것이 당신의 직업이라면

세 가지가 따라옵니다. 어느 것도 "공황"은 아닙니다.

당신의 역할이 노출된 사무직 대역에 있다면, 수료생을 채용하는 고용주를 실명으로 밝히고, 취업률을 공개하고, 지원자를 돌려보내는 프로그램을 찾으세요. 선별은 근거의 결함이 아니라, 작동한 프로그램들의 가장 일관된 단일 특징입니다. 어떤 프로그램이든 지원자 중 몇 명을 받는지 물어보세요.

당신의 역할이 전문직이라면, 재훈련 질문을 다년 교육 질문으로 다루고 그 재원을 그에 맞게 계획하세요. 깊은 재숙련에 관한 유일한 지속적 데이터 포인트는 25% 인상을 위한 4년의 학교입니다.

어디에 있든, 이 문헌에서 가장 많은 것을 예측하는 숫자는 커리큘럼이 아닙니다. 고용주가 사전에 채용을 약속했는지입니다. 이 사이트의 직업 페이지는 당신 역할의 현재 노출 데이터로 연결되고, 위의 재훈련 근거는 그림의 나머지 절반입니다.

Sources

• Roodman, D., & Massenkoff, M. (2026). An evidence review of worker retraining. The Anthropic Institute, Working Paper 2026-01, 2026년 8월 12일 발행. https://www.anthropic.com/research/reviewing-the-evidence-on-worker-retraining-programs. arXiv:2609.07011 (2026년 9월 7일 제출), https://arxiv.org/abs/2609.07011. 코드와 데이터: github.com/droodman/job-training-meta-analysis.
• Karger, E., et al. (2026). Forecasting the economic effects of AI. NBER Working Paper 35046 (정책 선호 설문의 출처로 리뷰가 인용).

arXiv 판은 CC BY-NC-SA 4.0 라이선스로 배포됩니다. 여기의 인용은 짧고 출처를 밝혔으며, 표나 그림은 전재하지 않았습니다. 이 논문은 워킹페이퍼로 동료심사를 거치지 않았습니다.

이 글은 AI 보조 분석으로 작성되었으며 원문 PDF 대조로 사실 검토를 거쳤습니다. [사실] 태그는 논문에서 가져온 진술, [추정]은 논문이 보고한 수치로 저희가 직접 계산한 값, [주장]은 데이터만으로는 확정되지 않는 해석(저희 또는 저자의)입니다.