[화담일보=김도현]
노출도는 실직 확률이 아니다
AI에 많이 노출된 지역일수록 일자리가 더 줄어들까. 이 질문에 답하려면 먼저 노출이라는 말부터 풀어야 한다. 김보성·정민수·정유정·장수빈이 집필하고 한국은행이 2026년 9월 15일 공개한 BOK 이슈노트 제2026-25호 「AI와 지역 노동시장-지역간 격차 확대 위험과 새로운 기회」는 노출도를 잠재적인 자동화 또는 활용 가능성으로 정의한다. 해고된 사람의 비율도, 기업이 실제로 AI를 사용하는 비율도 아니다.
이 구분은 연구의 결론을 읽는 방향을 바꾼다. AI를 쓸 수 있는 업무가 많다는 사실만으로 그 직업이 사라진다고 말할 수는 없다. 집필진도 노출도 자체는 노동을 대체할지 보완할지를 가정하지 않는다고 설명한다. 실제 고용효과는 산업의 성장과 기업의 도입 방식, 지역의 활용역량 등에 달려 있다는 것이다. 따라서 높은 노출도를 곧바로 높은 실직 위험으로 번역하면, 연구가 열어 둔 여러 경로를 독자가 먼저 닫아 버리게 된다.
이 글에서 살필 것은 지표와 결론 사이의 거리다. 해당 이슈노트는 한국은행의 공식견해가 아닌 집필자 개인의 견해임을 밝히고 있다. 아래 수치와 분석은 이들 네 집필자의 BOK 이슈노트 No.2026-25에서 인용했다.
세 종류의 AI가 만드는 서로 다른 지도
집필진은 AI를 생성형, 에이전틱, 피지컬로 나눴다. 콘텐츠를 만드는 기술, 목표에 따라 업무흐름을 자율적으로 수행하는 기술, 현실에서 물리적 작업을 하는 기술을 구분한 것이다. 연구는 이 구분이 학계에서 정립된 개념은 아니라는 단서도 붙인다. 유용한 분석 틀이라는 점과 확정된 분류체계라는 주장은 구별해야 한다.
생성형AI 노출도는 사무직·판매직·전문가 직군에서 높았고, 에이전틱AI는 관리직에서 가장 높았다. 피지컬AI는 장치·기계조작과 단순노무 직군에서 높게 나타났다. 같은 AI라는 이름 아래 놓이지만 영향을 받을 업무의 구성이 다르다. 생성형AI에 관한 관찰을 제조현장의 자동화 전망에 그대로 옮기기 어려운 이유다.
지역별 수치도 이 차이를 따라간다. 생성형AI는 서울·세종·경기·인천, 에이전틱AI는 서울·세종·경기·대전 순으로 노출도가 높았다. 피지컬AI는 경북·전남·충북·울산 등의 순이었다. 집필진은 직업별 노출도에 해당 지역의 직업별 취업자 비중을 곱해 합산했다. 이 지도는 지역의 직업 구성을 반영한 잠재적 노출 지도다. 서울의 수치가 높다고 모든 서울 기업이 AI를 활발히 쓴다고 해석할 수 없으며, 세종을 수도권에 포함해서도 안 된다.
늘어난 취업자수에서 읽어야 할 것
연구가 제시한 관찰은 단순한 대체론과 다르다. 2023~2025년 생성형AI 고노출 취업자수는 24만7000명 늘었고, 증가분의 80.8%인 19만9000명이 수도권에 집중됐다. 에이전틱AI 고노출 직군에서는 2025년 증가분 10만5000명 가운데 수도권 비중이 88.3%였다.
여기서 고노출이라는 경계도 확인할 필요가 있다. 연구는 직업 중분류 56개를 노출도 순으로 나눠 상위 18개를 고노출 직업군으로 정했다. 일자리마다 AI 도입 여부를 조사해 사용 기업과 미사용 기업을 가른 결과가 아니다. 고노출 집단의 취업자수가 늘었다는 관찰과 AI를 도입한 기업이 채용을 늘렸다는 주장은 분석 대상부터 다르다.
집필진은 서비스 기업이 AI를 인력 대체보다 정보처리능력 향상과 시장 확대에 활용했을 가능성을 제시한다. 일부 직무만 자동화되고 사람이 나머지 업무에 집중했을 가능성도 함께 논의한다. 두 설명은 관찰된 증가와 양립하지만 앞으로의 고용을 보장하지는 않는다. 아직 업무흐름 전체를 대체할 만큼 기술과 도입이 성숙하지 않았을 수 있다는 해석도 제시한다. 증가한 취업자수는 확인된 관찰이고, 그 이유들은 검토할 가설이다.
회귀표의 별표가 붙잡는 성급한 결론
그렇다면 회귀분석을 했으니 AI의 효과가 입증됐다고 말할 수 있을까. 생성형AI 고용분석은 2017년 상반기부터 2025년 하반기까지의 지역·직업·반기 자료를 이용했다. 세종과 제주는 제외했고 코로나19 영향을 줄이기 위해 2020~2021년도 분석에서 뺐다. 지역별 노출도를 계산한 지도는 17개 시도지만 이 회귀분석은 15개 지역을 대상으로 한다. 그림과 표의 대상이 언제나 같지는 않다.
집필진은 수도권에서 생성형AI 노출도가 0.1 높을 때 고용증가율이 1.0%포인트 높은 관계를 제시했다. 노출도는 0~1로 표준화한 지표다. 비수도권에서는 두 변수의 관계가 통계적으로 유의하지 않았다. 이를 비수도권에서 AI의 영향이 전혀 없다는 뜻으로 읽어서는 곤란하다. 연구가 설정한 모형과 자료에서 뚜렷한 관계를 확인하지 못했다는 의미로 받아들이는 편이 정확하다.
표의 유의수준도 살펴야 한다. 생성형AI의 수도권 분석에서 노출도와 2023년 이후 시점을 결합한 교차항에는 10% 수준의 유의성을 뜻하는 별표 하나가 붙는다. 에이전틱AI 고용분석에서 노출도와 2025년 이후 시점을 결합한 교차항은 통계적 유의성을 확보하지 못했다. 연구도 확산 이후 관찰 기간이 1년으로 짧다고 설명한다. 두 유형의 결과를 똑같이 확정적인 증거로 묶을 수 없다. 더구나 집필진은 애초에 인과관계 규명보다 상관관계의 초기 징후를 분석하는 데 목적을 뒀다.
20대를 따로 보면 달라지는 이야기
전체 집단의 증가를 청년의 취업기회 확대로 받아들이면 또 다른 오류가 생긴다. 이 연구의 기본 고용분석 대상은 15~59세다. 정부 노인일자리 정책 등의 영향을 고려해 60세 이상을 제외했다. 연구의 전연령이라는 표현에도 이 범위가 붙어 있다. 이를 모든 연령의 노동시장 전체라고 넓혀 소개하면 연구가 설정한 경계를 넘어선다.
20대를 따로 보면 생성형·에이전틱AI 고노출 취업자수는 수도권과 비수도권에서 모두 감소했다. 지역 간 감소폭 차이도 뚜렷하지 않았다. 그러나 지역 격차가 더 확대되지 않았다는 사실이 두 지역 청년의 고용여건이 같아졌다는 뜻은 아니다. 집필진 역시 수도권의 고용률 등 기존 우위가 사라진 것은 아니라고 명시한다.
취업자수 감소와 고용상황 악화도 구별해야 한다. 연구는 20대 인구 자체가 줄고 있으므로 인구감소에 따른 취업자수 변화를 감안해야 한다고 설명한다. 또한 전문성과 경험을 갖춘 인력에 대한 수요와 공급의 불일치를 가능한 배경으로 제시한다. 이 해석을 청년 개인의 능력 부족으로 단정하는 것은 부당하다. 일자리에 진입하기 전에는 얻기 어려운 경험을 요구하는 구조와, 교육이 그 간극을 어떻게 메울지를 묻는 편이 연구의 문제의식을 살린다.
지역의 위험과 기회에는 조건이 붙는다
피지컬AI 고노출 직업의 취업자수는 두 지역에서 장기간 감소해 왔다. 따라서 최근의 AI 발전이 과거부터 이어진 감소를 전부 일으켰다고 설명할 수 없다. 집필진은 기존 자동화와 육체노동 기피 등을 배경으로 논의하면서 향후 피지컬AI가 발전하면 감소 압력이 커질 가능성을 제기한다. 이미 관찰된 추세와 앞으로의 위험은 시간 방향이 다르다.
수도권 집중에 관한 전망에도 양쪽 경로가 있다. 연구에 따르면 2024년 지식서비스업 종사자의 71.9%, 반도체 제조업 종사자의 74.4%가 수도권에 있었다. 이런 기반에 AI 투자와 숙련인력이 더 모이면 지역 격차가 커질 수 있다는 것이 위험 시나리오다. 다만 산업의 공간집중도 분석에서는 AI 확산 전후 노출도와 공간집중도 간 관계에 아직 유의한 변화가 나타나지 않았다는 결과도 제시된다. 기존 집중의 존재만으로 AI가 이미 집중을 심화시켰다고 결론지을 수는 없다.
반대편에는 제조현장의 제품개발·공정개선 기능이 커지고, 지역 서비스업의 생산성이 높아질 가능성이 있다. 하지만 이 역시 달성된 성과가 아니다. 연구는 현장을 가상공간에서 충분히 재현할 수 있다면 연구개발 기능이 특정 지역에 더 집중될 여지도 언급한다. 동시에 그 정도의 가상화에는 오랜 시간이 걸리며, 가능해지더라도 연구개발 장소가 서울에 한정될 이유는 없다고 덧붙인다. 기회에 관한 본문과 이를 제약하는 각주를 함께 읽으면, 어떤 조건에서 기회가 실현되는지 질문하게 된다.
정책 제안을 다음 질문으로 바꾸기
집필진은 지역 서비스업의 AI 교육과 혁신성장 지원, 주력 제조업과 연계한 지식서비스 육성, 거점대학의 AI 허브화를 제안한다. 이는 연구 결과를 바탕으로 제시한 정책 방향이다. 시행이 확정된 사업이나 현재 신청할 수 있는 지원제도에 관한 안내로 읽어서는 안 된다.
독자는 여기서 평가 질문을 만들 수 있다. 교육이 전문성을 길렀는지는 수강인원뿐 아니라 어떤 업무를 수행하게 됐는지로 물어야 한다. 제조업 연계 서비스가 성장했다면 그 기능과 일자리가 해당 지역에 남았는지도 따져야 한다. 거점대학 투자 역시 대학 내부의 성과가 지역 기업과 인력의 연결로 이어졌는지가 쟁점이다. 이는 연구가 제시한 기회의 경로를 실제로 점검하기 위한 질문들이다.
선택과 집중이라는 처방에는 자원을 효율적으로 모을 필요와 지원에서 배제되는 곳의 문제가 함께 따른다. 연구도 다수 업체에 대한 소규모 분산지원이 혁신과 재정 효율성을 저해할 수 있다며 공정한 역량평가를 기초로 한 선별 지원을 제안한다. 그렇다면 무엇을 기준으로 선택하고 효과를 어떻게 평가할지가 후속 논의의 핵심이다. 노출도라는 지표가 설명하는 범위를 알고, 취업자수의 변화를 인과효과와 구분하며, 정책 제안을 검증 가능한 질문으로 바꾸는 데서 읽기의 쓸모가 생긴다.
