KDI "10년 후 AI로 연간 일자리 25.6만개 감소…생산성은 향상" | 연합뉴스
韓경제 총요소생산성 3.5%↑…기업 근로자 1인당 매출액도 20%↑
"中企엔 AI 진입장벽 낮추고 직무전환 논의해야"
인공지능(AI)의 발전으로 10년 후 전문가·사무직 등 중·고숙련 직종을 중심으로 연간 일자리 25만개 이상이 감소할 수 있다는 국책연구원의 분석이 나왔다.
다만 AI가 기업 생산성뿐만 아니라 한국 경제의 총요소생산성도 함께 높이는 것으로 분석됐다.
남창우 선임연구위원
국문요약
각 장의 내용을 간략히 정리하면 다음과 같다. 제1장에서는 ChatGPT를 계기로 본격화된 생성형 AI 확산을 한국경제의 구조적 저성장·인구감소와 결부하여 문제의식을 제기한다. AI를 단순한 기술 변화가 아니라 과업(task) 단위의 비용구조를 변화시키는 충격으로 규정하고, 노동 대체와 보완이 동시에 작동하는 과업기반(task-based) 분석 관점을 채택한다. 특히 한국의 고용·산업 구조와 디지털 인프라 수준을 반영한 실증분석을 통해, AI가 총요소생산성(TFP), 기업성과, 고용과 임금분포에 미칠 영향을 정량적으로 평가하는 것을 연구 목표로 설정한다. 이를 위해 5개의 장에 걸쳐 AI의 기술 진화, 과업 자동화 가능성과 경제성, 기업생산성, 거시경제 파급효과, 마지막으로 AI 전환을 위한 정책·기업 전략까지 연결하는 통합적 분석 틀을 설명한다.
제2장에서는 트랜스포머, 대규모 사전학습, 인스트럭션 튜닝 및 인간 피드백 강화학습 등 생성형 AI의 기술발전 경로를 다섯 단계로 나누어 정리한다. 초기에는 번역·검색 등 제한된 영역에서 생산성 향상이 나타났으나, AI의 거대언어모형(Large Language Model: LLM)과 멀티모달모형의 등장으로 코드, 이미지, 음성까지 포괄하는 범용기술로 진화하였음을 보여준다. 이러한 기술은 지식노동 과업의 시간 단축과 품질 개선을 통해 미시적 생산성을 높이고, 동시에 새로운 사업모델과 산업을 창출하는 잠재력을 가진다. 다만, 과도한 기대, 성능의 편차, 규제·윤리 문제 등으로 인해 거시적 생산성 효과는 지연될 수 있으며, 이에 따라 정책은 J-커브형 전환 경로를 감안해 설계되어야 함을 주장한다.
제3장에서는 한국고용직업분류(KECO)와 임금직업포털(Workpedia) 직무기술서를 바탕으로 6천여 개 단위과업을 추출하여, 결과측정 가능성, 데이터 가용성, 맥락 의존성, 인간 판단 필요성, 에이전트화 가능성 등 5대 지표로 AI 자동화 가능성을 계량한다. 이어 Svanberg·Thompson 방식의 AI 비용 모형을 적용하여 국내 임금수준, 데이터·컴퓨팅 비용을 반영한 과업 단위의 경제성을 산출하고, 실제로 기술적으로 가능하면서 경제적으로도 수지타산이 맞는 과업 비중을 계산한다. 분석 결과, AI 자동화 노출도는 IT, 경영·사무, 영업·상담 직무에서 높지만, 경제성이 확보된 자동화 과업 비중은 전체 임금의 일부에 그치며, 특히 중소기업과 오프라인·고맥락 업무에서 자동화 유인이 낮음을 보여준다. 이는 AI의 고용 충격이 전면적이거나 급작스럽기보다는 산업·직종별로 점진적이고 이질적으로 나타날 수 있음을 의미한다.
제4장에서는 기업활동조사 패널자료를 이용하여 AI 활용이 기업성과에 미치는 영향을 실증적으로 추정한다. 2017~23년 동안 AI 활용 기업의 비중은 1%대에서 6% 수준으로 상승하였으며, 특히 정보통신, 금융, 전기·가스, 교육서비스 등에서 활용률이 높고, 대기업에 집중되는 특징을 보인다. 패널 IV 분석 및 성향점수매칭 결과, AI 도입기업은 비도입기업보다 1인당 매출과 총매출이 유의하게 높아지지만 고용수준에서는 단기적으로 큰 감소 효과가 나타나지 않는다. 이는 AI가 현재까지는 인건비 절감보다는 생산성·매출 증대를 통해 기업성과를 개선하고 있음을 시사하며, 인력 구조조정보다는 빅데이터·클라우드 등 다른 4차 산업혁명 기술 및 조직·프로세스 혁신과 병행될 때 효과가 크다는 점을 보여준다. 더불어, 추정치는 이후 거시모형에서 AI에 의한 생산성 향상률(비용절감률)의 핵심 계수로 활용된다.
제5장에서는 과업기반 생산함수와 Hulten 정리를 활용하여, 제3·4장에서 도출한 노출도·경제성·기업생산성 효과를 한국경제의 TFP 성장 경로와 연결한다. 우선 AI에 노출되고 경제성까지 확보된 산업·과업별 GDP 비중, AI 채택률, 생산성 향상률(비용절감률) 및 노동소득분배율을 곱해, 향후 10~15년간 AI가 기여할 TFP 증가폭을 1차적으로 근사한다. 이어 산업 간 생산성 차이, 수요탄력, 투입·산출 연결구조를 반영할 때 Baumol 효과로 인해 TFP 개선이 일부 상쇄될 수 있음을 보인다. 분석 결과, 한국의 AI 확산은 장기적으로 TFP와 노동생산성을 유의하게 높일 잠재력이 있으나, 도입 속도, 산업구조, 보완투자 수준에 따라 효과의 범위가 크게 달라질 수 있음을 확인한다. 또한 자동화 충격이 직종별 노동수요와 임금분포에 미치는 이질적 영향을 고려할 때, 성장 효과와 분배 효과를 동시에 관리하는 정책 조합이 필요함을 강조한다.
제6장에서는 앞선 장들의 분석을 종합하여, 생성형 AI 확산이 한국경제에 가져올 생산성·고용·분배 효과를 요약하고, 이를 바탕으로 정책·기업의 전략 방향을 제시한다. 미시적 분석과 국내 기업 자료는 AI가 개별 과업·기업 수준에서 상당한 생산성 향상을 가져올 수 있음을 보여주지만, 거시 차원에서의 TFP 제고는 노출도, 경제성, 채택률, 보완투자 등 여러 조건을 충족해야 한다는 점이 확인된다. 이에 따라 정책 측면에서는 시장왜곡을 최소화하는 범위 내에서 데이터·컴퓨팅 인프라, 인적자본, 규범·제도 등 보완적 자산에 대한 투자와 사회안전망 강화를 중점 과제로 제안한다. 기업 측면에서는 업종·규모별 여건을 고려해 AI를 인력대체가 아니라 업무보완과 신사업 발굴 수단으로 활용하면서, 조직의 구조와 인사·교육 체계를 함께 개편할 것을 권고한다. 마지막으로, 정책 방안에 내재한 한계와 위험을 인정하고, 모니터링과 보완정책을 통해 AI 전환 과정의 불확실성을 관리하는 것이 중요하다고 결론짓는다.