Why AI Hasn't Triggered Mass Layoffs: 감원이 늦는 건 도입이 서툴러서, AI 실험 성공은 약 3분의 1

AI가 할 수 있는 일은 이미 많지만 기업은 아직 그 능력을 성과로 바꾸지 못했습니다. 대량 감원이 오지 않은 이유입니다. HBS의 Joseph Fuller는 이 간격을 서툰 도입으로, Raffaella Sadun은 사람 투자를 끊으려는 유혹을 함정으로 봅니다. 그러니 인력 계획보다 실험이 왜 실패하는지를 먼저 재야 합니다.

요약

Harvard Gazette의 Sy Boles가 쓰고 HBS Working Knowledge에 실린 이 기사는 하버드 연구자 세 명에게 묻습니다. AI 탓이라는 감원 보도는 느는데 왜 대량 해고는 아직 없을까요. 배경 숫자는 엇갈립니다. 일부 집계로는 신입 채용 공고가 4년 동안 최대 73% 줄었지만, 실업률은 약 4.1%에 머뭅니다. 경제학자 Doug Elmendorf(Harvard Kennedy School)는 지금의 고용 효과로 10~15년 뒤를 점치기 어렵다며 정책 대비를 말합니다. 경영학자 Fuller와 Sadun은 기업 안에서 벌어지는 일을 봅니다.

기사 속 세 연구자의 시각. 이 노트는 Fuller와 Sadun의 기업 쪽 진단에 초점을 둠

Fuller의 진단은 짧습니다. 감원을 가로막는 것은 서툰 도입입니다. 그가 Accenture Research와 만든 AI 모델은 전체 직무의 업무 과제 가운데 41%를 지금 AI로 자동화하거나 보강할 수 있다고 봤습니다. 그런데 기업의 AI 실험은 약 3분의 1만 성공하고 원인은 부실한 입력 데이터와 도구를 이해하지 못한 직원입니다. Sadun은 다른 쪽 위험을 짚습니다. AI가 사람 투자를 대신해 줄 것이라는 기대가 함정이고 직원이 가진 tacit knowledge(문서로 남지 않은 현장 지식)를 잃으면 단기 절감 뒤에 장기 손실이 온다고 봅니다. 아래에서는 두 사람의 진단을 메커니즘으로 풀고 인력 계획 전에 돌릴 진단 방법과 6주 일정을 붙였습니다.

기준이 다른 두 수치를 나란히 둠. 41%는 Fuller·Accenture Research 분석, 약 3분의 1(33%로 표기)은 Fuller의 관찰

핵심 메커니즘

Task Exposure: 할 수 있는 과제와 실제 도입 사이의 간격

무엇인가. 직무를 통째로 보지 않고 과제 단위로 쪼개, 그중 AI가 자동화하거나 보강할 수 있는 비율을 재는 방식입니다. Fuller와 Accenture Research는 AI 모델로 전체 직무의 과제를 분석해 41%라는 값을 얻었습니다.

어떻게 작동하나. 과제 목록을 넣으면 과제마다 자동화(사람 없이 처리), 보강(사람이 하되 AI가 돕기), 해당 없음 가운데 하나로 판정합니다. 결과는 직무별 노출 비율입니다. 이 값은 기술적으로 가능한 범위일 뿐 도입 속도가 아닙니다. Fuller는 이만큼 가능한데도 기업이 서둘러 자동화하지 않는다고 봅니다.

언제 쓰고 언제 안 쓰나. 어느 직무에서 AI 효과가 클지 지도를 그릴 때 씁니다. 감원 규모를 바로 계산하는 데 쓰면 안 됩니다. 과제 하나가 자동화돼도 그 과제를 하던 사람의 나머지 과제와 현장 지식은 남기 때문입니다.

작은 예시(가상). 구매팀 과제 20개 중 견적 비교, 납기 확인 메일 등 8개(40%)가 가능으로 나와도 실제 운영에 들어간 것은 1~2개일 수 있습니다.

할 수 있는 과제 비율과 실제 도입 속도는 따로 움직임

Experiment Success Rate: 실험 셋 중 하나만 성공하는 이유

무엇인가. 기업이 벌인 AI 실험 가운데 기대한 효과를 낸 비율입니다. Fuller는 이 값을 약 3분의 1로 봅니다.

어떻게 작동하나. 실험이 실패하는 경로는 두 가지입니다. 하나는 모델에 들어가는 데이터가 부실한 경우이고 다른 하나는 직원이 도구를 이해하지 못해 제대로 쓰지 못하는 경우입니다. 어느 쪽이든 결과는 같습니다. 경영진 눈에는 AI가 기대만 못한 기술로 보입니다.

언제 쓰나. 인력 계획이나 AI 예산을 정하기 전에, 지금까지 한 실험의 성패와 원인을 먼저 세어 볼 때 씁니다. 실패 원인에 따라 다음 투자처가 달라집니다.

Fuller가 짚은 실패 원인 두 가지

Glorified Google Trap: 교육 없이 검색창처럼 쓰는 악순환

무엇인가. Fuller는 기업이 공식 교육을 거의 하지 않아 직원들이 AI를 “glorified Google”처럼 쓴다고 말합니다. 한 번 묻고 한 번 답을 받는 검색식 사용에 머물면 생산성은 거의 오르지 않습니다.

어떻게 작동하나. 교육 없음에서 얕은 사용, 미미한 효과로 이어지면 관리자는 기대만 못하니 우선순위를 낮춰도 된다고 판단합니다. 투자가 줄면 실험은 더 얕아지고 고리가 다시 돕니다. Fuller는 이 정체가 일시적이라고 봅니다. 더 싸고 업무에 특화된 AI 에이전트가 나오면 도입이 다시 늘 것이라는 전망입니다.

Fuller가 묘사한 흐름을 고리로 다시 그림

Tacit Knowledge: 직무 기술서보다 큰 직원의 가치

무엇인가. Sadun은 AI를 처음으로 널리 쓰이는 배우는 기술, 때로는 스스로 배우는 기술로 봅니다. 사람들에게 흩어져 있던 전문성을 조직 전체가 꺼내 쓰게 해 주기 때문에 경영진은 사람에 대한 투자가 필요 없어지는지 묻게 됩니다. Sadun은 그 생각을 심각한 함정이라고 부릅니다.

어떻게 작동하나. 사람을 AI로 바꾸면 인건비는 곧바로 줄어듭니다. 그러나 직원에게는 자기 시장과 역할, 쓸 수 있는 자원에 관해 문서로 남지 않은 지식이 있어 직무 기술서가 말하는 것보다 가치가 큽니다. 감원은 그 지식을 함께 내보냅니다. Sadun은 사람 투자를 선의나 CSR 규정 준수가 아니라 회사가 지식을 만드는 전략으로 봅니다.

Sadun의 시각: 감원은 단기 절감을 얻고 장기 문제를 삼

Entry-level Pipeline: 신입 직무를 미래 리더 양성 경로로

무엇인가. 경영진 일부는 갓 졸업한 컴퓨터공학 전공자의 가치가 예전만 못하다고 봅니다. 하지만 시니어 엔지니어는 결국 주니어에서 나옵니다. Fuller는 신입을 끊는 대신 신입 직무 기술서를 다시 쓰도록 돕습니다.

어떻게 작동하나. 지금 시니어에게 무엇이 부족한지를 평가서에서 찾고 그 경험을 신입 시절부터 쌓도록 직무를 바꿉니다. Fuller는 앞으로 신입 일자리가 5년 전의 두세 번째 직장과 비슷해질 수 있다고 봅니다.

Fuller가 대형 기술 기업과 한 작업의 순서

Reskilling with Evaluation: 재교육하고 효과를 시험하기

무엇인가. Sadun은 HBS Digital Reskilling Lab의 책임 연구자입니다. 공동 책임 연구자 Jorge Tamayo와 함께 기업과 협력해 직원을 AI 보강 직무에 맞게 다시 교육하고 그 교육이 실제로 효과가 있는지 시험합니다.

어떻게 작동하나. 교육으로 끝내지 않고 효과까지 잽니다. 효과가 숫자로 나와야 사람 투자를 비용이 아니라 전략으로 다룰 수 있습니다. 측정 설계의 세부는 원문에서 밝히지 않았습니다.

Sadun과 Jorge Tamayo가 기업과 함께 하는 순서

통념과 다른 주장

흔히 이렇게 봅니다AI가 할 수 있는 일이 늘어나면 기업은 곧바로 사람을 줄인다.

Fuller는 이렇게 봅니다감원이 늦은 이유는 AI 능력이 모자라서가 아니라 기업의 도입이 서툴러서입니다.

근거과제 41%가 이미 자동화·보강 가능하다는 분석에도 기업의 AI 실험은 약 3분의 1만 성공하고 원인은 데이터와 직원 숙련입니다.

할 수 있는 일과 해낸 일 사이의 간격이 감원 속도를 정함

흔히 이렇게 봅니다AI가 전문성을 대신해 주니 사람에 대한 투자는 줄여도 된다.

Sadun은 이렇게 봅니다그 기대가 함정입니다. 사람 투자는 회사가 지식을 만드는 방법이고 감원은 단기 절감과 장기 문제를 맞바꿉니다.

근거직원은 시장·역할·자원에 관한 tacit knowledge가 있어 직무 기술서가 보여 주는 것보다 가치가 큽니다.

tacit knowledge를 가진 직원은 직무 기술서보다 가치가 큼

저자가 든 사례

대형 기술 기업: 신입 엔지니어 직무 재설계

상황: 경영진이 AI 시대에 신입 개발자가 낼 가치를 의심했습니다. 동시에 미래의 시니어 엔지니어가 필요하다는 점도 알았습니다.
한 일: Fuller는 경영진과 함께 시니어 엔지니어의 성과 평가서를 검토했고 많은 사람에게 영업과 제품 관리 경험이 부족하다는 공백을 찾았습니다. 회사는 신입 소프트웨어 채용을 멈추지 않고 신입이 엔지니어링 일을 하면서 영업과 제품 관리를 체계적으로 경험하도록 직무를 바꿨습니다.
결과: 지금의 관리자에게 없던 경험을 갖춘 미래 리더를 키우는 구조를 만들었습니다. 회사 이름과 성과 수치는 원문에서 밝히지 않았습니다.
연결: Entry-level Pipeline의 사례이자, 감원 대신 직무를 바꾸는 선택의 예입니다.

회사 이름과 성과 수치는 원문에서 밝히지 않음

기술 디테일: 인력 계획 전에 돌릴 진단

과제 노출도를 우리 회사 값으로 재려면 (Task Exposure). 41%는 Fuller·Accenture Research의 전체 직무 기준 값이라 우리 회사에 그대로 쓰면 안 됩니다. 직무 기술서, 업무 매뉴얼, 현업 인터뷰 메모를 과제 단위(동사 + 목적어, 예: 공급사 견적 3건 비교)로 쪼개고 과제마다 LLM을 따로 호출해 분류합니다. 한 프롬프트에 과제 수십 개를 몰아넣으면 앞쪽 과제의 판정이 뒤쪽에 번집니다. temperature는 0~0.2로 두고 같은 과제를 3회 분류해 세 번의 라벨이 다르면 현업이 판정합니다. 과제 문장이 모호하면 unclear 라벨을 허용하고 그런 과제는 현업 인터뷰로 문장을 다시 쓴 뒤 재분류합니다.

{
  "task_id": "PUR-014",
  "role": "구매 담당",
  "task": "공급사 견적 3건 비교",
  "freq_per_month": 40,
  "label": "augment",
  "data_needed": ["견적서 PDF", "과거 단가표"],
  "data_available": "partial",
  "rationale": "비교표 작성은 AI가, 최종 선정은 담당자가",
  "runs": ["augment", "augment", "automate"]
}

data_available이 no인 과제는 가능 판정이 나와도 노출도 지도에서 따로 표시합니다. Fuller가 짚은 첫 실패 원인이 입력 데이터이기 때문입니다.

AX Review가 새로 그린 실행 흐름. 41%는 원문 분석 값이고 우리 회사 값은 직접 재야 함

실험이 왜 실패하는지 세려면 (Experiment Success Rate). 지금까지 한 PoC와 파일럿을 실험 장부 하나에 모읍니다. 필드는 experiment_id, task_id, owner, baseline_metric(시작 전 값), target(성공 기준, 시작 전에 적음), data_quality(0~5), training_hours(사용자 1인당), weekly_active_users, result(success·partial·fail), failure_cause(data·skill·tool·process·unknown)입니다. 성공 기준을 끝난 뒤에 적으면 성공률이 부풀려집니다. 원인 코드는 담당자 1명이 정하지 말고 실험 담당과 현업 리더가 따로 매긴 뒤 다르면 맞춥니다.

실패 원인 코드와 다음 행동. data·skill은 Fuller가 짚은 두 원인

검색처럼 쓰는지 로그로 가리려면 (Glorified Google Trap). 사내 AI 도구의 관리자 로그에서 세션당 턴 수, 프롬프트 길이, 파일·맥락 첨부 비율, 저장된 템플릿 수를 부서별로 뽑습니다. 프롬프트 본문은 보지 않고 길이와 횟수 같은 메타데이터만 씁니다. 아래 기준값은 가상 예시이고 처음 2~4주 로그로 회사 기준을 다시 잡습니다.

가상 예시 기준값. 회사마다 2~4주 로그로 기준을 다시 잡음

성과 평가서에서 공백을 찾으려면 (대형 기술 기업 사례). 시니어 평가서에서 역량 언급을 뽑아 집계합니다. 사번은 해시로 바꾸고 이름·고객명을 지운 뒤, 기업 계약으로 데이터가 학습에 쓰이지 않는 모델에서만 돌립니다. 출력은 {"employee_hash", "competency", "evidence_sentence_id", "level": 0~3}로 받고 역량 목록(예: 영업 협업, 제품 관리, 고객 대면)은 HR이 미리 고정해 LLM이 새 이름을 만들지 못하게 합니다. 결과는 직군 단위 집계로만 보고 개인 평가에 쓰지 않습니다.

교육 효과를 시험하려면 (Reskilling with Evaluation). 교육받는 팀과 아직 교육 전인 비교 팀을 두고 같은 과제의 처리 시간, 결과물 품질(작성자를 가린 채 검토자가 0~~5점), 사용 깊이 지표를 교육 전후로 잽니다. 6~~8주 뒤에는 비교 팀도 교육합니다.

AX Review가 새로 짠 검증 설계. 원문은 Lab이 교육 효과를 시험한다고만 밝힘

현업 실행 디테일: 누가, 언제, 무엇을

역할	담당	6주 동안 하는 일
스폰서	CEO 또는 COO	진단 결과가 나오기 전 인력 감축 목표를 확정하지 않겠다고 선언
인사	CHRO와 HR 분석 담당 1명	평가서 익명화, 역량 목록 고정, 신입 직무 초안
AX 추진	AX 추진 리드 1명	실험 장부 작성, 사용 로그 진단, 판정 회의 준비
현업	대상 부서 리더 2~3명	과제 목록 검토, 노출도 불일치 판정, 실패 원인 확인
데이터	데이터 담당 1명	과제별 데이터 준비 여부 확인, LLM 분류 실행
재무	재무 담당 1명	감원 시나리오와 교육 시나리오의 비용 비교

시작 전 준비물: 대상 부서 2~3곳의 직무 기술서와 업무 매뉴얼, 최근 2년간 AI PoC·파일럿 목록과 결과 보고서, 사내 AI 도구 관리자 로그 4주치, 시니어 직군 성과 평가서(익명화 전 원본은 HR만 보관), 직원별 AI 교육 이수 시간.

가상 예시 일정. 인력 계획을 정하기 전에 도는 진단

주차	할 일	산출물
1~2주	과제 단위 분해, LLM 3회 분류, 불일치 현업 판정	직무별 노출도 지도
2~3주	과거 실험을 장부에 옮기고 원인 코드 매기기	실험 장부, 성공률과 원인 분포
3~4주	사용 로그 진단, 부서별 사용 깊이 비교	교육 대상 부서 목록
4~5주	시니어 평가서 공백 분석, 신입 직무 초안	신입 직무 기술서 초안
6주	판정 회의	교육·데이터 정비·직무 재설계 중 다음 투자 결정

현업 리더에게 물을 것: 지난 1년 동안 우리 부서에서 끝까지 운영에 들어간 AI 과제는 몇 개입니까? 멈춘 과제는 데이터가 없어서였습니까, 사람들이 쓸 줄 몰라서였습니까? 팀원이 AI 도구를 처음 받았을 때 몇 시간의 교육을 받았습니까? 이 부서에서 문서로 남지 않아 사람이 나가면 사라질 지식은 무엇입니까? 3년 뒤 이 부서의 팀장이 될 사람은 지금 어떤 경험을 쌓고 있습니까?

진행 판정 기준(예시): 실험 성공률이 3분의 1 이하이고 실패 원인의 절반 이상이 data나 skill이면, 인력 계획을 보류하고 데이터 정비와 6주 교육을 먼저 합니다. 성공한 실험이 운영에 들어가 처리 시간이 20% 이상 줄어든 직무는 그 직무부터 재설계합니다. 어느 쪽이든 판정 대상은 감원 여부가 아니라 다음 투자처입니다.

가상 예시 기준. 감원 여부가 아니라 다음 투자를 정하는 기준

AX 적용 제언. 국내 기업에서 이 기사가 가장 쓸모 있는 자리는 내년도 인력 계획 회의입니다. AI 효과를 인건비 절감으로 먼저 잡아 두고 목표 인원을 정하는 순서를 바꿔, 노출도 지도와 실험 장부를 먼저 놓고 실패 원인을 본 뒤 인력을 논의하게 합니다. 실패가 데이터 탓이면 돈은 데이터 정비에, 숙련 탓이면 교육에 갑니다. 공채로 신입을 뽑아 순환 배치하는 기업이라면 Fuller의 사례를 그대로 옮기기 쉽습니다. 신입 1~2년차 순환 경로에 영업·기획·고객 대면 경험을 넣고 AI가 맡은 단순 과제만큼 빈 시간을 그 경험으로 채웁니다. 교육은 Sadun의 Lab처럼 비교 팀을 두고 효과를 재야 다음 해 예산 심의에서 살아남습니다.

원문 사례

항목	내용
기사	Sy Boles(Harvard Gazette), 2026.09.29 게재. HBS Working Knowledge에도 실림
배경 수치	신입 채용 공고 4년간 최대 73% 감소(일부 집계), 실업률 약 4.1%, 경영진 52%가 AI로 신입 채용 증가 예상(Accenture)
전망 발언	Dario Amodei(2025): 5년 안에 신입 화이트칼라 일자리 절반이 사라질 수 있음
Doug Elmendorf (HKS)	Karen Dynan(HKS)·Louise Sheiner(Brookings)와 NBER 워킹페이퍼(2026년 봄). 시나리오 4개, 가능성은 매기지 않음
Elmendorf 비교	China shock: 2000~~2007년 약 150만~~200만 개 일자리 손실 추정. 논문의 AI 시나리오: 어느 시점이든 약 300만 명(노동력의 약 2%) 실업
정책 선택지	세제·안전망·실업보험 개편, 민간 고용 보조, 주당 근무 단축, 재교육 확대, 임금 보험
Joseph Fuller (HBS)	Accenture Research와 과제 분석: 41% 자동화·보강 가능. AI 실험 약 3분의 1 성공. 원인은 입력 데이터와 직원 이해 부족. 저렴하고 특화된 에이전트가 나오면 도입 증가 전망
Raffaella Sadun (HBS)	Digital Reskilling Lab 책임 연구자. 사람 투자를 끊는 기대를 함정으로 봄. tacit knowledge, 사람 투자는 전략
Jorge Tamayo (HBS)	Lab 공동 책임 연구자. 기업과 재교육 후 효과 시험
기업 사례	이름 밝히지 않은 대형 기술 기업: 시니어 평가서에서 영업·제품 관리 경험 부족 확인, 신입 직무 재설계

핵심 개념

AI-washing: 다른 이유의 감원을 AI 탓으로 돌려 설명하는 일. 기사에서 일부 논평가가 AI 감원 보도를 이렇게 봅니다.
automate / augment: 과제를 사람 없이 AI가 처리하는 것과, 사람이 하되 AI가 돕는 것의 구분. 노출도는 둘을 합쳐 셉니다.
China shock: 2000년대 초 값싼 중국 수입품이 미국 제조업 일자리를 크게 줄인 충격. Elmendorf가 비교 기준으로 씁니다.
Digital Reskilling Lab: Sadun과 Tamayo가 이끄는 HBS 연구 조직. 기업과 함께 직원을 재교육하고 효과를 시험합니다.

내 메모

TODO: 내 생각 추가

원문: Sy Boles, 「Why AI hasn’t triggered mass layoffs, yet」(Harvard Gazette, 2026.09.29). HBS Working Knowledge 게재본은 열람이 막혀 같은 기사의 Harvard Gazette 원문으로 읽었습니다. 요약·메커니즘·통념과 다른 주장·사례·원문 사례 표는 기사 속 연구자들의 견해를 AX Review가 다시 정리했습니다. 견해는 기사에 실린 발언을 근거로 해당 연구자 이름으로만 적었고 직접 인용은 기사 속 표현 하나만 썼습니다. 기술·현업 실행 디테일, JSON 예시, 원인 코드, 사용 로그 기준, 6주 일정, 판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했고 숫자는 가상 예시입니다. 원문 전체는 링크에서 볼 수 있습니다.