AI가 고용 시장을 바꾸고 있습니다: 80만 개의 일자리 감소는 전체 상황의 절반에 불과합니다

인공지능과 독일 노동 시장: 거대한 일자리 변화가 시작됩니다

왜 특히 젊은 전문가들이 압박을 받을 수 있을까요?

인공지능이 독일 노동 시장을 갑작스러운 고용 감소로 변화시키기보다는, 일자리, 자격 요건, 그리고 경력 기회의 근본적인 재편을 통해 변화시킬 가능성이 더 큽니다. 장기적인 시나리오에 따르면, 15년 안에 약 80만 개의 일자리가 사라지는 동시에 비슷한 수의 새로운 일자리가 창출될 수 있습니다. 그러나 이러한 균형 잡힌 결과에 안심해서는 안 됩니다. 영향을 받는 일자리와 인력을 단순히 상쇄할 수는 없기 때문입니다. 새로운 일자리는 이전과는 다른 기술을 요구할 수도 있고, 다른 지역에서 생겨날 수도 있으며, 더 늦게 생겨날 수도 있습니다. 특히 사회생활을 막 시작한 사람들은 기업들이 업무 방식을 바꾸고 표준화된 작업을 자동화함에 따라 어려움에 직면할 수 있습니다. 따라서 중요한 질문은 궁극적으로 얼마나 많은 일자리가 남을 것인가뿐만 아니라, 누가 이러한 전환을 관리할 것인가, 생산성 향상이 어떻게 분배될 것인가, 그리고 기술 발전이 실제로 실질적인 경력 기회로 이어질 것인가 하는 점입니다.

이와 관련된 내용:

• 급증하는 행정 비용: 감사원, 경고음 발령 – 안드레아 나흘레스 국장 체제 하 연방고용청이 수십억 달러를 탕진하고 있다

고용 균형이 긍정적일 수도 있지만, 여전히 수십만 명이 손해를 보고 있습니다

인공지능은 갑작스러운 고용 감소보다는 일자리, 자격 요건, 경력 기회의 근본적인 구조 조정을 통해 독일 노동 시장을 변화시킬 가능성이 더 높습니다. 15년 동안 약 80만 개의 일자리가 사라지더라도 비슷한 수의 새로운 일자리가 창출될 수 있습니다. 그러나 이러한 균형 잡힌 결과가 안심할 만한 이유는 아닙니다. 이는 단지 전체 경제에서 일자리 감소와 새로운 고용 창출이 대략적으로 상쇄된다는 것을 의미할 뿐, 영향을 받는 개인들이 소득 손실, 거주지 이전, 또는 장기간의 전환 기간 없이 새로운 역할로 전환할 수 있다는 것을 보장하는 것은 아닙니다.

따라서 경제적으로 중요한 질문은 단순히 얼마나 많은 일자리가 최종적으로 남을 것인가 하는 문제가 아닙니다. 더 중요한 것은 어떤 일자리가 사라질 것인지, 어떤 분야에서 추가적인 수요가 발생할 것인지, 기업들이 얼마나 빠르게 재편될 수 있는지, 그리고 누가 필요한 기술을 제때 습득할 수 있는지입니다. 독일에게 있어 인공지능(AI)은 점점 더 부족해지는 인적 자원을 활용하여 더 많은 부가가치를 창출할 기회를 제공합니다. 동시에 이는 기존 고용 관계는 비교적 안정적으로 유지되는 반면, 젊은 전문직 종사자, 특정 서비스 부문 일자리, 그리고 적응력이 떨어지는 기업들은 점점 더 큰 압박을 받는 노동 시장의 위험을 초래할 수 있습니다.

80만이라는 숫자 뒤에는 무엇이 숨겨져 있을까요?

80만 개의 일자리 감소라는 수치는 그에 상응하는 실업률 증가를 예측하는 것으로 해석되어서는 안 됩니다. 이는 장기간에 걸쳐 발생할 수 있는 구조적 변화를 나타냅니다. 기본 시나리오 계산에 따르면, 15년 후 기준 경로 대비 약 79만 개의 일자리가 감소하고, 그에 상응하는 수의 새로운 일자리가 창출될 것으로 예상됩니다. 이를 반올림하면 일반적으로 사용되는 80만 개의 일자리 감소라는 수치가 나옵니다. 이러한 구조적 변화를 종합하면 약 160만 개의 일자리가 영향을 받을 수 있습니다.

기준점은 매우 중요합니다. 참조 경로는 디지털화가 없는 정체된 경제를 묘사하는 것이 아니라, 기존의 경제, 기술, 인구 통계학적 추세가 이미 확장된 발전 경로를 나타냅니다. AI 시나리오는 기술 사용 증가가 이러한 발전 경로를 어떻게 변화시킬 수 있는지 살펴봅니다. 따라서 도출된 차이점을 미래의 모든 일자리 손실이나 전반적인 고용 변화와 동일시해서는 안 됩니다.

그렇다고 해서 매년 80만 개의 일자리가 사라진다는 의미는 아닙니다. 그 규모는 분석 대상 기간 동안 서서히 드러나며, 두 가지 가능한 경제 구조 간의 차이를 반영합니다. 투자, 조직 개편, 새로운 비즈니스 모델 등이 각기 다른 속도로 효과를 나타내기 때문에, 연도별로 균등하게 분포시키는 것은 오해를 불러일으킬 수 있습니다. 따라서 이 수치는 변화의 규모를 가늠하는 지표로 활용해야 하며, 정확한 해고 로드맵으로 제시해서는 안 됩니다.

균형예산은 누구도 보호하지 못한다

전반적인 고용 상황의 균형과 개별적인 고용 기회 사이에는 상당한 차이가 있습니다. 표준화된 문서 처리 분야에서 일자리가 사라졌다고 해서 IT 보안이나 기술 시스템 통합 분야의 새로운 일자리로 자동으로 대체될 수 있는 것은 아닙니다. 필요한 전문 지식, 추가적인 경력, 또는 근무 환경이 다를 수 있기 때문입니다. 두 직종이 통계적으로 동등하다고 하더라도, 영향을 받는 개인의 관점에서는 서로 대체될 수 없습니다.

이 문제는 흔히 노동 공급과 수요의 불균형으로 설명됩니다. 사람들은 일자리를 찾고 있지만, 기업들은 동시에 공석에 대해 불만을 토로합니다. 인공지능(AI)은 특정 업무에 대한 수요 변화 속도가 직원들의 기술 적응 속도보다 빠를 경우 이러한 상황을 더욱 악화시킬 수 있습니다. 따라서 고용과 수요의 불균형은 특정 집단의 장기 실업, 교육 요구 증가, 소득 불평등 심화로 이어질 수 있습니다.

시간적 차원 또한 매우 중요합니다. 새로운 일자리가 반드시 다른 일자리가 사라지는 시점에 정확히 생겨나는 것은 아닙니다. 기업은 관리직을 감축하는 동안 새로운 서비스가 충분한 수익을 창출하는 데는 시간이 걸릴 수 있습니다. 따라서 장기적인 최종 목표만이 경제 정책 평가의 유일한 요소는 아닙니다. 그 과정에서 발생하는 전환 비용, 즉 소득 손실, 활용되지 않는 기술, 사회 보장 제도에 대한 재정적 부담, 그리고 사람들이 영구적으로 사회적 소외를 겪을 위험 또한 똑같이 중요합니다.

업무가 사라지고 전문 직종 전체가 생겨났다

인공지능은 처음에는 업무 방식을 바꿀 뿐, 반드시 전체 직업의 형태를 바꾸는 것은 아닙니다. 일반적인 직업은 정보 수집, 데이터 검증, 의사 결정 준비, 고객과의 소통, 결과에 대한 책임, 예상치 못한 문제 해결 등 다양한 작업으로 구성됩니다. 기술이 이러한 작업 중 일부를 가속화한다고 해서 전체 직업이 경제적으로 쓸모없어지는 것은 아닙니다.

예를 들어 분석 중심적인 직무는 보고서 작성에 소요되는 시간이 줄어들 수 있지만, 특이한 결과 검토, 전문 부서와의 협력, 그리고 최종 결정에 대한 책임은 여전히 ​​남아 있습니다. 따라서 기술 자동화의 가능성을 곧 일자리 감소의 위험으로 단정해서는 안 됩니다. 그 사이에는 운영 비용, 품질 요구 사항, 법적 책임, 그리고 절약된 시간을 다른 곳에서 생산적으로 활용할 수 있는지 여부와 같은 요소들이 놓여 있습니다.

반대로, 이러한 업무 중심적 관점이 고용 안정성을 보장한다고 결론짓는 것은 지나치게 낙관적인 생각입니다. 충분한 업무 단계를 줄이고 기업이 프로세스를 재편한다면, 더 적은 직원으로도 동일한 업무량을 처리할 수 있습니다. 이러한 전환은 점진적으로 이루어질 수 있습니다. 예를 들어, 퇴사하는 직원을 대체하지 않거나, 새로운 직책을 승인하지 않거나, 이전에 독립적이었던 기능을 다른 기능과 통합하는 방식입니다. 따라서 노동 시장은 공개적으로 드러나는 대규모 해고 없이도 변화합니다.

효율성이 양방향성을 갖는 이유

생산성 향상이 고용을 감소시킬지 아니면 추가적인 일자리를 창출할지는 수요에 크게 좌우됩니다. 기업이 더 적은 직원으로도 동일한 생산량을 유지하고 매출량도 변하지 않는다면, 초기에는 노동 수요가 감소합니다. 그러나 서비스가 더 저렴해지거나, 더 나아지거나, 더 많은 고객이 이용할 수 있게 되면 수요가 증가하여 초기 절감 효과를 일부 상쇄할 수 있습니다.

예를 들어, 서비스 제공업체는 인공지능(AI)을 활용하여 간단한 분석 비용을 절감함으로써 중소기업을 더욱 경제적으로 지원할 수 있습니다. 이는 고객 관계 확대와 새로운 컨설팅 서비스 제공으로 이어질 수 있습니다. 그러나 수요가 이미 포화 상태인 시장에서는 동일한 기술 발전이 오히려 가격 압박과 인력 감축을 초래할 수도 있습니다. 어떤 발전이 우세할지는 기술 자체만으로 결정되는 것이 아닙니다.

이윤의 활용 방식 또한 중요한 역할을 합니다. 이윤 증가는 투자를 위한 자금으로 활용될 수 있고, 임금 인상은 소비를 뒷받침할 수 있으며, 가격 인하는 구매력을 향상시킬 수 있습니다. 그러나 저축이 국내 수요나 투자 증가로 이어지지 않고 대부분 흡수된다면 일자리 창출 효과는 약화될 것입니다. 따라서 건전한 경제 분석은 개별 자동화 프로세스를 넘어 시장, 소득, 그리고 기업 의사 결정에 미치는 파급 효과를 고려해야 합니다.

첫 번째 압박은 서비스에 가해집니다

비즈니스 관련 서비스는 특히 주목받고 있는데, 이는 많은 서비스가 디지털 방식으로 이용 가능한 정보를 처리하는 것을 포함하기 때문입니다. 이러한 서비스에는 표준화된 분석, 예비 조사, 문서화 및 특정 관리 업무가 포함됩니다. 생성형 AI는 이러한 프로세스를 지원하거나 부분적으로 자동화할 수 있습니다. 이는 인력 수요를 변화시킬 뿐만 아니라 기존 서비스 제공의 경제적 기반 자체를 바꿀 수 있습니다.

장기적인 AI 시나리오에서 비즈니스 서비스 제공업체의 고용은 15년 후 기준선 대비 약 12만 명 감소할 것으로 예상됩니다. 반면 IT 및 정보 서비스 제공업체는 약 11만 개의 일자리가 추가될 것으로 전망됩니다. 이러한 차이는 산업의 디지털화가 자동으로 일자리 증가 또는 감소로 이어지지 않는다는 것을 보여줍니다. 핵심은 어떤 서비스가 대체되고, 어떤 서비스가 지원되며, 어떤 서비스에 대한 수요가 추가되는지에 있습니다.

이는 컨설팅 및 지식 서비스 제공업체에게 근본적인 과제를 제시합니다. 단순히 표준 보고서를 작성하는 비용이 저렴해진다면, 그 자체로 차별화 요소가 될 수 있는 가치를 잃게 됩니다. 관련성 있는 질문 선정, 탄탄한 산업 지식, 가정 검증, 그리고 구체적인 변화 구현이 더욱 중요해집니다. 따라서 잠재적인 구조적 변화는 단순히 정보 처리 서비스를 판매하는 것에서 벗어나 의사 결정 및 비즈니스 성과를 실질적으로 개선하는 방향으로 나아가야 합니다. 그러나 다양한 비즈니스 서비스 분야가 동일하지는 않습니다. 특정 산업 지표를 수정 없이 모든 컨설팅 또는 지식 서비스에 그대로 적용할 수는 없습니다.

은행은 분석 이상의 것을 필요로 합니다

은행 및 보험 회사의 분석 활동은 구조화된 데이터, 방대한 문서, 반복적인 평가 단계에 의존하는 경우가 많기 때문에 특히 취약합니다. 잠재적 활용 분야는 제출된 문서를 요약하는 것부터 표준화된 위험 평가를 준비하는 것까지 다양합니다. 기술 지원을 통해 처리 시간을 단축할 수 있지만, 전문가의 감독 필요성을 자동으로 없애는 것은 아닙니다.

특히 금융 서비스 분야에서는 잘못된 결과가 막대한 손실로 이어질 수 있습니다. 설득력 있게 구성된 평가가 반드시 정확한 것은 아닙니다. 입력 데이터가 불완전하거나, 특이한 상황이 잘못 분류되거나, 모델에 체계적인 편향이 포함되어 있는 경우, 효율성이 겉보기에는 향상되어 보여도 오히려 추가적인 위험을 초래할 수 있습니다. 따라서 자동화는 모니터링 비용과 판단 오류 가능성을 고려할 때에만 경제적으로 타당합니다.

따라서 인력 수요는 더욱 세분화될 가능성이 높습니다. 표준화된 사전 작업의 중요성은 감소하는 반면, 까다로운 감사, 예외 처리, 배포된 시스템 모니터링은 더욱 중요해질 수 있습니다. 이러한 변화가 동일한 규모의 새로운 직책 창출로 이어질지는 미지수입니다. 모든 추가적인 통제 업무에 새로운 정규직 자리가 필요한 것은 아니며, 모든 기존 전문가가 전문적인 통제 직무로 쉽게 전환할 수 있는 것도 아닙니다.

보험은 완벽한 보호를 제공하지 않습니다

생성형 인공지능의 경우, 고등 교육을 자동화 가능성 감소와 동일시하는 것은 지나친 단순화입니다. 이 기술은 이제 텍스트 작성, 정보 수집, 프로그램 코드 생성, 복잡한 문제의 사전 구조화와 같이 오랫동안 지식 노동의 전형적인 영역으로 여겨졌던 작업까지 진출하고 있습니다. 따라서 대학 학위가 기술 지원이나 대체로부터 직업의 모든 측면을 보호해 주는 것은 아닙니다.

그러나 이것이 학문적 교육의 경제적 가치를 잃는다는 것을 의미하는 것은 아닙니다. 전문 지식은 오류를 식별하고, 올바른 질문을 던지고, 결과를 더 넓은 맥락에서 이해하는 데 도움이 됩니다. 문제가 되는 것은 실질적인 이점이 표준화된 작업 절차를 안정적으로 수행하는 데 거의 전적으로 국한되는 자격증입니다. 따라서 재현 가능한 처리와 독립적이고 책임감 있는 문제 해결 사이에는 중요한 경계선이 존재합니다.

대학 학위가 없는 직원이라고 해서 자동으로 보호받는 것은 아닙니다. 장기적인 시나리오 분석은 고숙련 직종에서 더 큰 변화가 나타날 것이라고 예측하는 반면, 최근 분석은 인공지능 노출과 비학술 직종에 종사하는 청년층 사이에 잠재적인 부정적 상관관계가 있음을 보여줍니다. 이 두 가지 결과는 서로 다른 시기, 직종 구조, 연구 접근 방식을 다루고 있기 때문에 공존할 수 있습니다. 따라서 교육 수준만을 기준으로 누가 승자이고 누가 패자인지에 대한 섣부른 일반화를 피하는 것이 타당한 평가 방법입니다.

장인 정신은 여전히 ​​견고하며, 변함없이 이어지고 있습니다

실무적이고 수작업 비중이 높은 직종은 현재의 생성형 AI 애플리케이션에 비교적 강한 내성을 보이는 것으로 여겨집니다. 현장 수리, 공작물 조정 또는 변화하는 공간 환경에서의 작업은 언어 모델만으로는 수행할 수 없습니다. 이러한 경우 물리적 실행, 상황 판단 및 즉각적인 책임감이 요구되기 때문에 직접적인 대체가 어렵습니다.

하지만 이러한 상대적인 안정성에도 불구하고 전통적인 수작업 방식은 AI의 영향을 받지 않을 것이라는 의미는 아닙니다. 견적서 작성이 더 빨라지고, 기술 문서 평가가 더 간편해지며, 고객과의 약속 일정을 더욱 효율적으로 계획할 수 있게 될 것입니다. 따라서 잠재적인 생산성 향상은 주로 지원 프로세스에 있습니다. 기업은 핵심 서비스 제공 방식을 근본적으로 바꾸지 않고도 더 많은 주문을 처리할 수 있습니다.

로봇공학이나 다른 형태의 자동화와 구분하는 것도 중요합니다. 생성형 AI에 대한 노출이 적다고 해서 해당 기술이 대체 불가능하다는 것을 보장하는 것은 아닙니다. 또한 특정 직종의 경기 변동성을 시사하는 것도 아닙니다. 실무 중심의 직종은 언어 모델에는 강인할 수 있지만, 수요 감소, 투자 부진 또는 기타 기술 변화에는 취약할 수 있습니다. 경제성 평가를 위해서는 이러한 위험 요소를 개별적으로 고려해야 합니다.

취업이 병목 현상이 되고 있다

젊은 직원들의 역량 개발은 특히 면밀한 관리가 필요합니다. 신입 직원의 업무는 기술적으로 필수적이지만 비교적 정형화된 준비 작업으로 구성되는 경우가 많습니다. 여기에는 초기 조사, 간단한 분석, 문서 작성 및 준비 등이 포함됩니다. 이러한 업무는 인공지능(AI) 지원에 특히 적합합니다. 따라서 기업은 신입 직원을 적게 채용하고, 대신 경력직 직원들에게 더욱 강력한 도구를 제공하는 방안을 고려할 수 있습니다.

독일의 초기 지표에 따르면, 인공지능(AI) 노출도가 가장 높은 직종에 종사하는 20~24세 청년층의 정규직 고용은 2022년 약 27만 9천 명에서 23만 9천 명으로 감소했습니다. 이는 약 14%의 감소율에 해당합니다. 그러나 모든 연령대를 놓고 보면, 이러한 AI 노출도가 높은 직종의 고용은 훨씬 더 양호한 추세를 보였습니다. 이러한 차이는 노동 시장 진입 시점을 중요한 관찰 지점으로 만들지만, AI가 전체 감소의 원인이라고 단정짓기는 어렵습니다.

더욱이, 이 연령대는 노동 시장에 새로 진입하는 모든 사람들을 대표하는 것은 아닙니다. 어떤 사람들은 더 일찍 직장 생활을 시작하고, 어떤 사람들은 더 오랜 기간의 학업 후에야 사회에 진출합니다. 그럼에도 불구하고, 다음과 같은 위험이 발생할 수 있습니다. 이미 경력을 쌓은 사람들에게는 고용 시장이 비교적 안정적으로 보일 수 있지만, 동시에 취업 기회는 줄어들 수 있다는 것입니다. 신규 채용 자리가 없는 것은 해고보다 대중에게 덜 눈에 띄지만, 장기적인 경력 개발에 상당한 영향을 미칠 수 있습니다.

젊은 인재가 부족해지면 나중에 더 많은 전문 인력을 잃게 될 것입니다

기업들이 단순한 초급 업무를 자동화할 때, 미래의 전문가들이 어떻게 경험을 쌓아야 할지에 대해 다시 생각해 봐야 합니다. 전문적인 판단력은 이론적 지식만으로는 형성되지 않습니다. 실제 사례를 반복적으로 접하고, 피드백을 받고, 실수를 되돌아보는 과정을 통해서도 발전합니다. 이러한 학습 단계를 단축하거나 완전히 없애버리면, 나중에 정식 학위와 실무 능력 사이에 격차가 발생할 수 있습니다.

개별 기업의 관점에서 보면, 단기적으로는 경력직 전문가를 우선적으로 고용하고 신입 사원 수를 줄이는 것이 매력적으로 보일 수 있습니다. 그러나 많은 기업들이 이와 유사하게 행동한다면, 미래의 숙련된 인력 확보를 위한 집단적인 기반이 약화될 수 있습니다. 이미 경험이 풍부한 직원을 채용하는 것은 이러한 거시경제적 문제를 해결하는 것이 아니라, 단지 제한된 인재 풀을 재분배하는 것에 불과합니다.

따라서 합리적인 기업 대응책은 기존의 모든 일상적인 업무를 인위적으로 유지하는 것이 아니라, 학습 경로를 의식적으로 재설계하는 것입니다. 교육생들은 AI 결과를 검토하고, 다양한 솔루션을 비교하며, 점진적으로 실제 상황에 대한 의사결정 책임을 맡을 수 있어야 합니다. 이렇게 하면 교육의 초점이 이해력과 비판적 사고력 함양으로 옮겨갈 것입니다. 절약된 시간은 인건비 절감은 물론, 더욱 빠르고 철저한 기술 개발에 활용될 수 있습니다.

생산성은 초보자에게도 도움이 될 수 있습니다

인공지능이 신입 전문가에게 미치는 영향이 전적으로 부정적인 것만은 아닙니다. 적절한 인공지능 보조 도구는 지식 접근성을 높이고, 표현 방식에 대한 지침을 제공하며, 익숙하지 않은 문제 해결을 지원할 수 있습니다. 이를 통해 경험이 부족한 직원들도 더 빨리 생산성을 향상시킬 수 있습니다. 기업이 이를 기회로 삼아 추가 채용을 할지, 아니면 인력 감축에 활용할지는 별개의 경영 결정입니다.

5,172명의 직원을 대상으로 한 고객 서비스 분야의 종합적인 연구 결과, AI 지원 도입으로 시간당 평균 약 15% 더 많은 요청이 성공적으로 해결된 것으로 나타났습니다. 특히 경험이 부족하거나 기존에 성과가 낮았던 직원들이 상당한 혜택을 받았습니다. 이 연구 결과는 AI가 직무 내 성과 격차를 줄일 수 있음을 보여줍니다. 그러나 이 결과만으로는 경제 전반의 고용이나 임금 변화에 대한 일반적인 결론을 내릴 수는 없습니다.

이러한 구분은 매우 중요합니다. 어떤 도구는 젊은 직원의 생산성을 높이는 동시에 회사 전체의 젊은 직원 필요성을 줄일 수도 있습니다. 마찬가지로, 추가 직원의 고용으로 인한 이점 증가는 신규 채용의 경제적 타당성을 확보할 수 있습니다. 지원 효과가 우세할지, 아니면 구축 효과가 우세할지는 수요, 조직 구조, 그리고 기업 전략에 따라 달라집니다. 기술적 역량만으로 결과가 완전히 결정되는 것은 아닙니다.

산업 중점 분야: B2B, 디지털화(AI부터 XR까지), 기계 공학, 물류, 신재생 에너지 및 산업

자세한 내용은 여기에서 확인하세요:

• 전문가 비즈니스 허브

주제별 통찰력과 전문 지식을 제공하는 허브:

• 글로벌 및 지역 경제, 혁신, 산업별 동향을 다루는 지식 플랫폼
• 주요 관심 분야에 대한 분석, 통찰력 및 배경 정보 모음입니다
• 비즈니스 및 기술 분야의 최신 동향에 대한 전문 지식과 정보를 얻을 수 있는 공간입니다
• 시장, 디지털화 및 산업 혁신에 대한 정보를 찾는 기업들을 위한 허브입니다

고용 관련 데이터는 냉철한 해석이 필요합니다

현재까지 독일에서는 인공지능(AI)의 영향이 특히 큰 직종에서 고용이 광범위하게 감소하는 조짐은 보이지 않습니다. 2026년 초 기준, AI의 영향이 가장 큰 직종의 정규직 고용은 2022년보다 1.8% 증가했습니다. 반면, 영향이 가장 적은 직종에서는 6.4% 감소했습니다. 이러한 수치는 AI로 인한 기술적 영향이 클수록 반드시 전반적인 일자리 감소로 이어진다는 단순한 통념과 상반됩니다.

하지만 이러한 결과만으로는 AI가 이미 고용을 이 정도로 증가시켰다는 것을 증명할 수는 없습니다. 연구 대상이 된 직업군들의 발전 양상은 생성형 AI가 널리 보급되기 이전에도 이미 차이를 보인 경우가 있습니다. 디지털화, 산업 구조 변화, 기타 구조적 요인들이 결과에 영향을 미칠 수 있습니다. 이러한 차이 전체를 AI의 효과로 해석하는 것은 관찰된 상관관계를 입증된 인과관계로 오해하는 것입니다.

추가적인 한계는 고려 대상 고용 형태에서 발생합니다. 정규직 고용이 모든 고용을 대표하는 것도 아니고, 자동으로 전체 노동량을 나타내는 것도 아닙니다. 시간제 근무, 자영업, 근로 시간의 변화는 추가적인 정보를 제공할 수 있습니다. 따라서 신뢰할 수 있는 진단을 위해서는 고용 수준, 신규 채용, 근로 시간, 소득을 종합적으로 고려해야 합니다. 단일 지표만으로는 경고 신호를 보낼 수는 있지만, 경제 변혁의 전체적인 모습을 파악할 수는 없습니다.

경제 동향과 AI의 연관성

현재의 경기 침체로 인해 관찰된 변화를 특정 요인에 귀인하기 어렵습니다. 기업들은 매출 전망이 불확실할 때 채용을 주저하는 경향이 있습니다. 이는 특히 젊은 전문가들에게 영향을 미칠 수 있는데, 이들은 아직 직장을 구하지 못했고 고용주가 그들의 역량을 평가하기가 더 어렵기 때문입니다. 따라서 취업이 어려워졌다고 해서 기술 발전으로 인한 일자리 감소라고 단정 지을 수는 없습니다.

독일을 대상으로 한 또 다른 분석에서는 20~29세라는 더 넓은 연령대를 살펴보았습니다. 이 연령대에서 AI 노출도가 높은 직종의 정규직 고용은 2022년에서 2025년 사이에 3.8% 감소했고, AI 노출도가 낮은 직종에서는 2.6% 감소했습니다. 경제적 취약성과 재택근무 적합성을 추가로 고려한 결과, 이 연령대에서 AI 노출과의 부정적 상관관계는 통계적으로 유의미한 결론을 내릴 수 없었습니다. 하지만 경제적 취약성과의 상관관계는 훨씬 더 강하게 나타났습니다.

이러한 결과가 20~24세 연령층에서 더욱 두드러진 감소세를 보이는 기존 연구 결과와 반드시 모순되는 것은 아닙니다. 연령 정의, 기간, 직업 분류가 서로 다르기 때문입니다. 종합적으로 볼 때, 이러한 결과는 신중한 해석을 요구합니다. 취업 기회의 변화를 시사하는 심각한 징후는 있지만, 젊은 노동자들이 직면한 모든 문제를 인공지능 탓으로 돌릴 만한 충분한 이유는 없습니다. 따라서 경제 정책은 기술 적응과 투자 및 수요의 전반적인 약세를 동시에 해결해야 합니다.

유통은 아직 변혁이 아닙니다

생성형 인공지능(Generative AI)은 독일 기업에서 빠르게 확산되고 있습니다. 사용률은 2023년 약 5%에서 2025년에는 거의 25%까지 증가할 것으로 예상됩니다. 사회보장 기여금 납부 대상 근로자의 약 40%가 이러한 생성형 인공지능을 사용하는 기업에 종사하고 있습니다. 그러나 이는 이들 모두가 인공지능 기술을 직접 활용하고 있다는 의미는 아닙니다. 해당 기술은 기업 내 특정 부서나 업무에만 국한될 수도 있습니다.

기업 규모별로도 상당한 차이가 있었습니다. 2025년에는 직원 200명 이상 기업의 약 48%가 생성형 AI를 활용할 것으로 예상됩니다. 직원 9명 이하의 기업에서는 이 수치가 약 21%에 불과했습니다. 이 기술은 정보통신기술(59%), 금융 및 보험(50%), 비즈니스 관련 서비스(37%) 분야에서 특히 널리 보급되었습니다.

이러한 수치의 경제적 의미는 단순히 도입 속도에만 있는 것이 아닙니다. 간헐적인 텍스트 요약본은 AI를 지속적인 업무 흐름에 통합하는 것과는 완전히 다른 방식으로 기업을 변화시킵니다. 사용자 기업의 약 90%는 공개적으로 이용 가능한 솔루션을 활용했으며, 맞춤형 또는 자체 개발 모델을 사용한 기업은 그보다 적은 비율입니다. 따라서 높은 도입률에도 불구하고 조직 내 실제 활용도는 제한적일 수 있습니다. 생산성과 고용 측면에서 가장 중요한 것은 기술이 얼마나 집중적으로, 그리고 어떤 목적으로 사용되는가입니다.

이점은 운영 중에 결정됩니다

인공지능에 대한 투자는 추가적인 이점이 총비용보다 클 경우에만 경제적으로 타당합니다. 이러한 비용에는 라이선스 비용뿐만 아니라 데이터 준비, 기술 인터페이스, 교육, 보안 조치 및 결과 모니터링을 위한 리소스도 포함됩니다. 저렴한 도구라도 결과에 빈번하고 비용이 많이 드는 수정이 필요하다면 오히려 비용이 많이 드는 것으로 판명될 수 있습니다.

따라서 핵심적인 비즈니스 질문은 개별 작업의 완료 속도가 더 빠른지 여부가 아닙니다. 중요한 질문은 품질을 유지하거나 향상시키면서 전체 프로세스가 더 경제적이 되는지 여부입니다. 초기 평가에서 시간이 절약되더라도 후속 조정 및 확인이 필요한 경우 실제 이득은 미미할 수 있습니다. 반대로, 자주 반복되는 프로세스의 병목 현상을 제거하는 사소해 보이는 개선이라도 상당한 영향을 미칠 수 있습니다.

따라서 현실적인 도입을 위해서는 검증 가능한 기준이 필요합니다. 이러한 기준에는 유용한 결과가 나올 때까지의 처리 시간, 오류 및 재작업률, 그리고 실제로 확보된 생산 능력 등이 포함됩니다. 단순히 작성된 텍스트, 프레젠테이션 또는 프로그램 초안의 수만으로는 생산성을 측정할 수 없습니다. 경제 발전은 결과물이 더욱 유용해지고, 고객이 부가가치를 얻고, 희소 자원이 더욱 효율적으로 사용될 때 비로소 이루어집니다. 현대화의 상징으로서의 AI만으로는 이러한 목표를 달성하기에 충분하지 않습니다.

높은 성장률 수치가 조건부로 타당한 이유는 무엇일까요?

장기적인 AI 시나리오는 구조적 변혁과 상당한 거시경제적 기회를 연계합니다. 제시된 가정에 따르면, 15년간 연평균 경제 성장률은 기준 경로보다 0.8%포인트 높을 수 있습니다. 전체 기간 동안 이는 누적적으로 약 4조 5천억 유로의 추가 가치 창출로 이어질 것입니다. 이 수치는 잠재적인 수치이며, 보장된 수익률은 아닙니다.

흔히 발생하는 두 가지 오해를 바로잡아야 합니다. 연간 성장률 0.8%포인트 증가는 경제 생산량의 일회성 증가율 0.8%와 같은 의미가 아닙니다. 마찬가지로, 15년간 4조 5천억 유로의 부가가치 추가는 정부 예산 추가 투입이나 연간 단일 금액이 아닙니다. 이는 해당 기간 동안 두 가지 발전 경로 간의 누적 경제 생산량 차이를 의미합니다.

근본적인 메커니즘은 명확합니다. 노동 생산성 향상, 원자재 투입 감소, 그리고 새로운 판매 기회 창출이 그것입니다. 그러나 이러한 효과의 실제 규모는 실행 방식에 따라 달라집니다. 특히 성공적인 개별 사례의 결과를 전체 경제에 직접 일반화할 수는 없습니다. 더욱이 새로운 비즈니스 모델, 국제 경쟁 환경에서의 반응, 그리고 확산 속도와 관련된 불확실성이 존재합니다. 따라서 높은 잠재력 수치는 검증 가능한 투자 전략을 대체하는 것이 아니라, 개선된 환경 조건을 정당화하는 근거로 이해해야 합니다.

새로운 일자리는 자동으로 생겨나지 않습니다

장기적으로 고용 균형을 유지하려면 효율성 향상 외에도 추가적인 경제 활동이 창출되어야 합니다. 여기에는 기술 인프라 개발 및 운영, 새로운 IT 서비스, 그리고 이전에는 경제적으로 실현 가능하지 않았던 비즈니스 모델의 개발이 포함됩니다. 이러한 고용 창출은 시간 절약의 자동적인 결과가 아닙니다. 투자 기업, 비용을 지불할 의사가 있는 고객, 그리고 필요한 기술력이 필요합니다.

시간 경과에 따른 발전 또한 선형적이지 않습니다. 초기에는 데이터 수집, 기술 구현 및 인프라 구축을 위해 추가 인력이 필요할 수 있습니다. 이후에는 생산성 향상으로 노동 수요가 감소할 수 있습니다. 장기적으로는 새로운 사업 분야가 이러한 영향을 상쇄할 수도 있습니다. 그러나 이러한 사업 분야의 발전이 기대에 미치지 못할 경우 고용 균형 또한 변화할 것입니다. 시나리오 분석은 이러한 관계를 보여줄 수 있지만, 모든 필수 조건이 충족될 것이라고 보장할 수는 없습니다.

또한, 추가적인 업무가 반드시 새로운 직책으로만 표현될 필요는 없습니다. 기존 기술 서비스 제공업체는 서비스 범위를 확장할 수 있고, 산업 기업은 추가적인 디지털 유지보수 서비스를 개발할 수 있으며, 컨설팅 회사는 새로운 구현 업무를 수주할 수 있습니다. 중요한 것은 새로 만들어진 직책의 수가 아니라 추가적인 경제적 수요입니다. 고용 정책 측면에서 이는 혁신과 창업이 기존 직원의 재교육만큼이나 중요하다는 것을 의미합니다.

인구 통계학적 요인으로 인해 효율성이 특히 중요해집니다

고령화 사회에서는 노동 생산성이 특히 중요합니다. 특정 직종에 필요한 인력을 구하기 어려워지면 행정 업무 자동화를 통해 기존 숙련 노동자를 더욱 효율적으로 활용할 수 있습니다. 따라서 한 부문의 노동 수요 감소가 반드시 전체 노동 시장 상황의 악화를 의미하는 것은 아닙니다. 오히려 인력 부족 현상을 완화하는 데 도움이 될 수도 있습니다.

하지만 이러한 연관성을 지나치게 확대 해석해서는 안 됩니다. AI 덕분에 행정 업무에서 벗어난 사무직 직원이 자동으로 수요가 높은 간호 전문직이 되는 것은 아니며, 기술적 역량 증대가 모든 실무 업무를 대체하는 것도 아닙니다. 자격 요건, 개인적 선호도, 조직적 제약 등이 이러한 영역들 사이에 존재합니다. 따라서 인구 구조 변화에 따른 인력 부족과 기술적 변화로 인한 인력 대체 현상이 동시에 발생할 수 있습니다.

경제적으로 매력적인 전망은 부족한 노동 시간을 표준화된 업무에서 인간에게 더 큰 이익을 가져다주는 업무로 전환하는 데 있습니다. 여기에는 고객 서비스 개선, 문제 해결 속도 향상 또는 기술 준비 강화 등이 포함될 수 있습니다. 이러한 전환의 성공 여부는 업무 조직 방식에 달려 있습니다. 남은 역량을 제대로 활용하지 않고 인건비만 절감한다면 잠재력의 일부가 활용되지 못할 것입니다. 따라서 인공지능은 인구 구조 변화 문제를 해결하는 데 하나의 요소가 될 수 있지만, 교육, 노동 시장 참여 및 적절한 이민 정책을 완전히 대체할 수는 없습니다.

고등 교육을 받으려면 구체적인 진로 목표가 필요합니다

향후 경제적으로 어떤 기술이 필요할지 불분명하다면 추가 교육에 대한 수요는 효과적이지 못합니다. 챗봇 사용에 대한 일반적인 입문 과정은 도움이 될 수 있지만, 전문적인 기술 습득을 대체할 수는 없습니다. 직원들은 자신의 업무 중 어떤 부분이 변화할지, 그리고 미래에 어떤 추가적인 책임을 맡게 될지 스스로 인지할 수 있어야 합니다.

실제 운영 현황을 살펴보면 상당한 실행 격차가 드러납니다. 2025년까지 생성형 AI를 사용하는 기업 중 약 27%가 관련 교육 과정을 제공했으며, 21%는 제공 계획을 발표했습니다. 이미 시행된 조치와 단순한 계획을 동일시해서는 안 됩니다. 내부 규정 시행 또한 미흡한 실정입니다. 사용자 기업 중 약 21%만이 관련 지침을 보유하고 있었고, 22%는 시행 계획을 발표했습니다.

따라서 의미 있는 전문성 개발은 전문 지식, 실무 기술, 그리고 결과 평가를 결합해야 합니다. 직원들은 단순히 지시사항을 작성하는 것뿐만 아니라 불확실성을 인식하고, 데이터를 적절하게 해석하며, 모델의 한계를 평가하는 방법도 배워야 합니다. 기업 입장에서는 일상 업무 루틴 내에 학습 시간을 실제로 할당하는 것이 중요합니다. 모든 책임을 직원 개개인의 자발적인 학습 의지에 맡기는 것은 시간, 재정적 여건, 또는 적절한 학습 기회가 부족한 직원들에게 불이익을 줄 수 있습니다.

접근성과 의존성 사이의 중산층

소규모 기업의 경우, 쉽게 이용 가능한 AI 서비스는 초기 진입 장벽을 낮춰줍니다. 자체 개발 부서가 없더라도 커뮤니케이션, 연구 또는 분석 지원을 받을 수 있습니다. 이는 대기업 경쟁사에 비해 조직적 불리함을 부분적으로 보완할 수 있는 기회를 제공합니다. 그러나 기업 특유의 프로세스에 AI를 더욱 통합하는 것은 단일 도구를 사용하는 것보다 훨씬 더 어려운 과제입니다.

대기업은 고정된 구현 비용을 더 많은 사용 사례에 분산시키고 전문화된 팀을 더 많이 고용할 수 있습니다. 반면 중소기업은 제한된 인력으로 어떤 애플리케이션이 적합하고 기존 시스템에 어떻게 통합해야 할지 결정해야 하는 경우가 많습니다. 이러한 경우 표준화된 업계 솔루션이나 외부 지원이 도움이 될 수 있습니다. 하지만 이러한 솔루션은 이점, 데이터 접근성, 지속적인 비용, 그리고 전환 옵션이 충분히 투명하게 유지될 때에만 경제적으로 타당합니다.

또 다른 위험은 개별 공급업체에 대한 의존성에서 비롯됩니다. 핵심 워크플로가 단일 시스템에 밀접하게 연결되어 있는 경우, 향후 가격 변동, 기술적 한계 또는 공급업체 전환의 어려움으로 인해 초기 이점이 상쇄될 수 있습니다. 따라서 중소기업을 대상으로 하는 AI 전략에서는 저렴한 기본 라이선스뿐만 아니라, 데이터 이전 가능성, 투명한 인터페이스, 그리고 핵심 전문성을 완전히 외부에 위탁하지 않는 조직 구조 또한 중요합니다.

생산성 향상의 혜택은 누가 받게 될까요?

경제 생산량 증가가 곧 소득 분배 문제를 해결하는 것은 아닙니다. 인공지능 관련 혜택은 직원, 고객, 사용자 기업, 기술 제공업체 등 다양한 주체에게 돌아갈 수 있습니다. 각 집단이 받는 혜택의 정도는 경쟁, 협상력, 특정 기술의 희소성 등 여러 요인에 따라 달라집니다. 따라서 전반적인 경제 발전이 긍정적이라 하더라도 소득과 고용 안정에 상당한 불평등이 발생할 수 있습니다.

표준화된 서비스는 가격 압박을 받을 수 있는 반면, 탄탄한 전문성, 고객 접근성 또는 실질적인 솔루션 구현 능력은 더욱 가치 있게 여겨질 것입니다. 동시에 인공지능은 개별 직원이 더욱 까다로운 업무를 수행할 수 있도록 지원할 수 있습니다. 이러한 변화가 반드시 불평등 심화로 이어지는 것은 아닙니다. 오히려 동일 직무 내에서의 성과 격차를 줄이는 동시에 서로 다른 직무 간에 새로운 소득 격차를 만들어낼 수도 있습니다.

사회보장 측면에서 생산성 향상이 임금 상승, 고용 증가, 또는 주로 다른 형태의 소득 증가로 이어지는지 여부 또한 중요합니다. 안정적인 노동력만으로는 그에 상응하는 기여금 기반의 확대를 보장할 수 없습니다. 반대로, 폭넓은 참여를 통한 생산성 향상 경제는 사회적 책임 이행을 위한 재정 확보를 용이하게 할 수 있습니다. 따라서 분배 문제는 부차적인 문제나 이미 해결된 문제로 취급되어서는 안 됩니다. 이는 기술 변화가 경제에 미치는 영향을 형성하는 핵심 요소입니다.

인프라가 디지털 기술의 잠재력을 제한한다

인공지능(AI)은 물리적, 조직적 기반을 필요로 합니다. 컴퓨팅 용량, 전력 공급, 네트워크 연결, 데이터 관리 및 IT 보안은 생산적인 활용을 위한 필수 조건입니다. 이러한 기반이 적시에 확보될 것이라는 전제는 AI의 성공적인 성장을 위한 중요한 조건입니다. 만약 이러한 조건이 충족되지 않는다면, 투자 비용이 증가하거나 그 효과가 지연될 수 있습니다.

데이터센터 건설은 초기에는 추가적인 경제 활동과 고용 창출을 촉발할 수 있습니다. 그러나 이것이 무한하고 지속적인 일자리 창출 효과를 보장하는 것은 아닙니다. 건설과 기술 운영은 인력 구조가 다르며, 가장 광범위한 경제적 파급 효과는 다른 기업에서의 생산적인 활용을 통해서만 나타납니다. 따라서 데이터센터는 특정 애플리케이션에 필수적인 인프라이지만, 생산성 향상이라는 성과를 성공적으로 실현했다는 증거는 아닙니다.

산업 및 물류 분야에서 가장 큰 과제는 디지털 도구를 실제 프로세스에 통합하는 것입니다. 여기에는 기술 문서 개선, 유지보수 결정 지원, 운영상의 차질 발생 시 신속한 처리 등이 포함될 수 있습니다. 이러한 애플리케이션은 데이터 품질, 보안 요구 사항 및 기존 시스템과의 호환성을 보장해야 합니다. 따라서 성공적인 시연이 곧 실제 운영에 경제적으로 실현 가능한 구현으로 이어지는 것은 아닙니다. 궁극적으로 중요한 것은 해당 기술이 실제 환경에서 안정적으로 작동하고 전반적인 프로세스 성능을 향상시키는지 여부입니다.

노동 시장 정책은 전환기를 위한 재정 지원을 해야 한다

건전한 경제 정책 접근 방식은 생산적인 자동화를 근본적으로 막아서는 안 됩니다. 기존의 모든 일자리 구조를 유지하려는 시도는 필요한 효율성 향상과 새로운 비즈니스 모델 개발을 저해할 수 있습니다. 그러나 지원 없이 시장이 모든 전환 문제를 해결할 것이라고 기대하는 것 또한 부적절합니다. 정보 부족, 재정적 위험, 학습 기회 부족은 의미 있는 변화를 어렵게 만들 수 있습니다.

따라서 노동 시장 정책은 조기에 시작되어야 합니다. 회사 내 업무가 변경될 경우, 시의적절한 교육은 미래의 일자리 손실을 예방할 수 있습니다. 변화가 불가피한 경우, 추가 교육 및 상담은 특정 고용 기회에 맞춰 제공되어야 합니다. 프로그램 참여 자체만으로는 성공을 보장할 수 없습니다. 이후 중요한 것은 실현 가능한 고용 전망, 적합한 일자리, 그리고 장기적인 소득 손실 최소화입니다.

노동 시장 접근성은 특별한 관심을 기울여야 할 문제입니다. 견습 제도, 지원을 받는 초급 일자리, 그리고 안정적인 학습 경로는 개별 기업의 단기적인 이익을 넘어 장기적인 경제 성장에 기여하는 중요한 기능을 수행합니다. 따라서 고용 정책 전략은 단순히 현재의 실업 문제를 해결하는 데 그쳐서는 안 됩니다. 기업들이 단기적으로 채용 비용을 절감함으로써 장기적으로 경제의 숙련된 노동력을 약화시키는 것을 방지해야 합니다. 학습 기회를 유지하는 것은 시대에 뒤떨어진 반복적인 업무를 인위적으로 유지하는 것과는 완전히 다른 문제입니다.

리모델링 효과를 측정하는 방법은 무엇일까요?

향후 몇 년 동안 대규모 감원 발표만이 중요한 지표는 아닙니다. 특히 연령 및 직종별 신규 채용, 신입 사원 채용 규모, 내부 이동, 교육에서 정규직으로의 전환 등이 중요한 지표가 될 것입니다. 또한, 안정적인 인력이 업무의 질이나 범위의 변화를 가리지 않도록 근무 시간과 소득도 고려해야 합니다.

기업 차원에서는 실질적인 성과 향상을 입증하기 위해 신뢰할 수 있는 핵심성과지표(KPI)가 필요합니다. 생산적인 AI 활용은 실질적인 결과물 도출, 재작업 감소, 품질 향상 또는 고객 가치 증대로 나타나야 합니다. 과학적으로 타당한 평가를 위해서는 기업 내 실제 구현 데이터를 고용 데이터와 연계하는 것이 이상적입니다. 그래야만 관찰된 변화가 AI와 관련된 것인지 아니면 다른 경제적 요인에 의한 것인지 더 명확하게 구분할 수 있습니다.

경제 정책적 관점은 명확해야 합니다. 사라지는 일상적인 업무가 모두 사회적 손실은 아니며, 새로 창출된 일자리가 모두 성공적인 변혁의 증거도 아닙니다. 중요한 기준은 생산성 향상이 추가적인 가치 창출, 실현 가능한 직업 기회, 그리고 지속 가능한 소득으로 이어지는지 여부입니다. 핵심적인 설계 과제는 기술 발전과 인간 발전을 연계하여 균형 잡힌 고용 시장이 가능한 한 많은 사람들에게 경제적으로 안정적인 미래를 보장하도록 하는 것입니다.

Xpert.Digital은 Konrad Wolfenstein 이 이끄는 데이터 기반 B2B 산업 허브입니다. 이 회사는 산업 파트너를 위한 외부 솔루션 역할을 하며, 마케팅, 콘텐츠 및 영업 분야의 운영 격차를 해소하여 고객 측의 추가 리소스 투입을 방지합니다.

자세한 내용은 여기에서 확인하세요:

• 준사내 솔루션: Xpert.Digital이 B2B 마케팅 및 영업의 운영 격차를 해소하는 방법 – 스마트 콘텐츠 기반 비즈니스

☑️ 저희 업무 언어는 영어 또는 독일어입니다

☑️ 신규 기능: 모국어로 소통하세요!

 

저와 저희 팀은 여러분의 개인 자문가로서 기꺼이 도움을 드릴 준비가 되어 있습니다.

여기 있는 문의 양식을 작성 wolfenstein@xpert.digital.하시거나 +49 7348 4088 965 로 전화 주시면 연락 드리겠습니다. 제 이메일 주소는 입니다

저는 우리의 공동 프로젝트를 기대하고 있습니다.

 

 

☑️ 중소기업의 전략, 컨설팅, 기획 및 실행 지원

☑️ 디지털 전략 수립 또는 재정비 및 디지털화

☑️ 해외 영업 프로세스 확장 및 최적화

☑️ 글로벌 및 디지털 B2B 거래 플랫폼

☑️ 선구적인 사업 개발/마케팅/홍보/박람회