AI 노동 전면 대체보다 업무 재편 중심 전환
비용·리스크 영향으로 부분 자동화 중심 확산
기업·정책 모두 ‘업무 단위’ 기준 대응 필요

본 연구 기사는 유럽 경제 연구소 The Economy의 연구위원(Fellow)들이 작성한 The Economy Review 시리즈 기고문을 한국 시장 상황에 맞춰 재구성한 글입니다. 본 시리즈는 최신 기술-경제-정책 이슈에 대해 연구자의 시각을 담아, 일반 독자들에게도 이해하기 쉽게 전달하는 것을 목표로 합니다. 기사에 담긴 견해는 집필자의 개인적인 의견이며, The Economy 또는 집필자의 소속 기관의 견해와 일치하지 않을 수 있습니다.

모든 기술 전환은 기존 체계를 완전히 대체할 것이라는 기대 속에 출발하지만, 현실에서는 장기간 공존 국면을 거친다. 클라우드 컴퓨팅은 온프레미스(on-premise) 서버를 완전히 밀어내지 못했고, 산업용 로봇 역시 공장 인력을 전면적으로 대체하는 단계까지는 나아가지 못했다. 재생에너지 역시 화석연료와 병존하며 전력 구조를 점진적으로 바꾸는 데 그치고 있다. 이처럼 새로운 기술은 기존 시스템을 단번에 대체하기보다 경제 구조와 운영 방식을 먼저 재편하는 방식으로 확산된다.

이 같은 흐름은 인공지능(AI) 노동에서도 뚜렷하게 나타난다. 일부 기업에서는 컴퓨팅 비용이 인건비를 웃도는 사례가 나타나면서, AI 전환이 단순한 인력 축소 문제로 설명되기 어려운 상황이다. 이에 따라 향후 경쟁력은 인간과 AI를 결합한 작업 방식, 부분 자동화의 정교한 운용, 산업별로 엇갈리는 도입 속도에 대한 대응 전략에 따라 결정된다. 이는 범용 기술이 초기 활용 단계를 지나 실제 운영 체계에 편입되는 과정에서 나타나는 일반적 양상이다.

비용과 리스크가 좌우하는 불균등 확산

AI 도입을 둘러싼 논의는 여전히 인간과의 대체 관계에 초점이 맞춰져 있지만, 실제 기업 현장의 선택지는 훨씬 복합적으로 전개된다. AI 단독 활용부터 인간과의 협업 구조, 기존 시스템에 기능을 추가하는 방식, 최종 판단을 사람이 유지하는 형태까지 다양한 운영 모델이 동시에 존재한다.

이 과정에서 도입의 성패를 좌우하는 핵심 기준은 기술 수준보다 총소유비용(TCO)이다. 모델 구독료와 클라우드 인프라 비용뿐 아니라 데이터 관리, 사이버 리스크 대응, 결과 검증과 오류 수정, 인력 재교육까지 포함한 전체 비용이 함께 반영된다. 이러한 비용 구조에서는 효율성이 확인된 업무를 중심으로 제한적 확산이 이뤄지는 경향이 뚜렷하다.

실제 수치도 이를 뒷받침한다. 2024년 말 기준 미국 근로자의 23%가 생성형 AI를 사용한 경험이 있지만, 일상적으로 활용하는 비율은 9% 수준이다. 업무 시간에서 차지하는 비중도 1~5%에 그친다. 확산 속도에 비해 활용 깊이는 제한적이라는 의미다. 2025년에도 이런 격차는 유지됐다. 기업 도입률은 약 18%인 반면 개인 사용률은 41%에 달한다. 이와 같이 조직 차원의 전환 속도가 개인의 실험과 활용 속도를 따라가지 못하는 구조가 분명하게 드러난다.

클라우드·로봇 사례로 본 AI 확산 경로

이러한 불균등 확산은 과거 기술 전환에서도 반복됐다. 클라우드 컴퓨팅은 비용 절감과 확장성이라는 이점을 갖고 있었지만, 보안과 데이터 민감성, 기존 인프라와의 정합성 문제로 온프레미스와 결합된 하이브리드 구조로 자리 잡았다. 경제협력개발기구(OECD) 통계에서도 같은 흐름이 확인된다. 2023년 기준 기업의 클라우드 도입률은 49%인 반면 AI는 8% 수준이었다. 클라우드는 인프라 교체 중심의 변화였던 데 반해, AI는 업무 방식과 책임 구조 전반을 다시 설계해야 한다는 점에서 도입 부담이 더 크게 작용한다.

산업용 로봇 도입에서도 유사한 패턴이 나타난다. 로봇 밀도가 빠르게 높아진 제조업 현장에서도 대규모 인력은 유지된다. 로봇은 표준화된 대량 생산에는 효율적이지만, 유지보수나 소규모 다품종 생산처럼 유연성이 요구되는 영역에서는 숙련 인력 의존도가 여전히 높다. 이처럼 자본 비용과 노동 비용의 상대적 수준에 따라 도입 속도에 차이가 발생한다. 같은 구조가 AI에도 적용되면서 노동시장 가격 구조와 관리 역량에 따라 점진적 확산이 이어지는 흐름을 보인다.

업무 단위 변화에 맞춘 정책 설계

AI 도입 속도가 완만하다고 해서 그 영향까지 제한적으로 볼 수는 없다. 부분 자동화는 숙련 편향적 기술 변화를 자극하며 노동시장 격차를 확대하는 방향으로 작용한다. 대기업은 자체 모델 구축을 통해 생산성을 높이는 반면, 중소기업은 범용 도구 활용에 머물면서 격차가 벌어진다. 동시에 AI가 기초 업무를 빠르게 대체하면서 초급 인력이 실무 경험을 통해 성장하는 경로가 약해지는 흐름도 확인된다.

이 같은 변화는 정책 접근 방식의 전환을 요구한다. 고용 규모 변화에만 초점을 맞추기보다 업무 단위가 어떻게 재편되는지에 주목할 필요가 있다. 기업은 채용과 교육 과정에서 AI 활용 범위를 명확히 기록해야 하며, 근로자는 결과물을 검증하고 신뢰성을 판단하는 역할을 강화해야 한다. 교육 체계 역시 단순 도구 활용을 넘어 AI 기반 협업 구조에 맞게 재설계되는 방향으로 개편이 시급하다.

AI 노동 아닌 자본으로 보는 전환

AI 모델 사용료와 클라우드 인프라 비용이 빠르게 낮아지면서 고객 지원, 코드 작성, 문서 검토 등 일부 영역에서 자동화는 피할 수 없는 흐름이 됐다. 그럼에도 과거 사례를 보면 기술이 인간 노동을 단번에 대체한 경우는 드물다. 따라서 AI 역시 기존 시스템의 가격 구조와 운영 방식을 단계적으로 바꾸는 방향으로 작동할 가능성이 높다.

이제 AI가 인간을 대체할지 여부보다 비용 효율성과 안정성을 갖춘 협업 구조를 어떻게 설계할지가 더 중요한 과제로 부상한다. AI는 공짜 노동이 아니다. 컴퓨팅 자산 투자와 리스크 관리 비용, 운영 과정에서 발생하는 병목까지 함께 수반하는 새로운 생산 체계다. 이러한 구조를 정확히 이해한 조직만이 기술 전환 과정에서도 안정적인 운영 모델을 구축할 수 있다.

본 연구 기사의 원문은 [AI Labor vs. Human Labor] Why the AI Labor Transition Will Be Slower Than the Hype을 참고해 주시기 바랍니다. 본 기사의 저작권은 The Economy에 있습니다.