AI와 화이트칼라 (채용 동결, 중산층 붕괴, 오피스 공실)

향후 10년 안에 전 세계 약 3억 개의 정규직 일자리가 생성형 AI로 대체될 수 있다는 골드만삭스의 분석을 처음 접했을 때, 솔직히 이건 예상 밖이었습니다. 막연히 '언젠가는 올 미래'라고 생각했던 일들이, 지금 당장 제 주변에서 조용히 벌어지고 있다는 걸 실감했기 때문입니다.

이번엔 다르다 — 채용 동결의 배경과 맥락


과거 산업혁명 시대의 자동화는 공장 노동자, 그러니까 블루칼라 직군의 반복적인 육체노동을 기계로 대체하는 방식이었습니다. 하지만 제가 직접 관련 데이터를 들여다보면서 느낀 건, 이번 AI 혁명은 그 방향이 완전히 다르다는 점이었습니다. 표적이 된 건 변호사, 회계사, 금융 애널리스트처럼 수년간 고도의 훈련을 거쳐야 하는 화이트칼라 직군의 인지 노동입니다.

여기서 인지 노동이란 데이터를 분석하고, 판단하고, 문서를 작성하는 일련의 두뇌 집약적 업무를 의미합니다. 지금까지 이런 일은 사람만이 할 수 있다고 여겨졌지만, 생성형 AI(Generative AI)는 그 전제를 빠르게 무너뜨리고 있습니다. 생성형 AI란 텍스트, 데이터, 이미지 등을 스스로 생성하고 분석할 수 있는 인공지능 모델을 뜻합니다.

제가 경험상 이건 좀 다르다고 느꼈던 장면이 있습니다. 보험사의 손해 사정 업무, 즉 사고 데이터를 기반으로 보험금 지급 여부와 금액을 산출하는 일을 AI 모델 하나가 처리하는 사례를 접했을 때입니다. 이전까지는 고임금 전문 인력 수십 명이 담당하던 영역이었습니다. 계리사(Actuary)라고 불리는 이 전문직은 통계와 확률 모델을 활용해 보험료와 리스크를 산정하는 직군인데, 지금 이 영역이 AI 알고리즘으로 빠르게 흡수되고 있습니다.

세계경제포럼(WEF)의 보고서에 따르면, 기업들은 데이터 취합, 번역, 초기 기획안 작성 같은 중간 관리자급 업무의 70% 이상을 AI로 대체 가능하다고 판단하고 있으며, 실제로 신규 채용 규모를 줄이고 자체 AI 솔루션 내재화에 자본을 집중하는 추세입니다([출처: 세계경제포럼](https://www.weforum.org)). 채용 공고 숫자가 줄어드는 건 경기 침체 때문만이 아닌 겁니다.

## 핵심 분석 — 중산층 붕괴와 생산성의 역설


"기술이 발전하면 새로운 일자리가 생긴다"는 말을 낙관적으로 보는 시각도 있는데, 저는 이번만큼은 그 논리가 그대로 적용되기 어렵다고 봅니다. 문제의 핵심은 소멸하는 일자리의 양과 질을 AI가 새로 창출하는 직무가 따라잡지 못한다는 데 있습니다.

이 구조적 문제를 경제학에서는 생산성의 역설(Productivity Paradox)이라고 부릅니다. 생산성의 역설이란 기술 혁신으로 기업의 생산성과 이익률은 올라가지만, 노동자의 임금과 소비 여력은 오히려 줄어들어 결국 내수 경제 전체가 침체되는 현상을 뜻합니다. 쉽게 말해, 빅테크 기업과 자본가의 수익은 극대화되는 반면, 임금 노동자의 소득 기반이 무너지면서 소비 자체가 쪼그라드는 구조입니다.

제가 직접 데이터를 살펴보니, 이 역설이 현실화되는 경로는 꽤 선명하게 보였습니다. 특히 소득 양극화(Income Polarization)가 가속화되는 지점이 그렇습니다. 소득 양극화란 고소득층과 저소득층의 격차가 심화되면서 중산층이 붕괴되는 현상인데, AI로 인한 고임금 화이트칼라 일자리 감소는 이 흐름에 기름을 붓는 격입니다.

골드만삭스의 분석에 따르면, 이 같은 자동화 위기는 전 세계 고용 시장의 구조적 재편을 예고하고 있습니다([출처: Goldman Sachs](https://www.goldmansachs.com)). 정부 차원의 AI 재교육 프로그램이나 전직 지원책이 거론되고는 있지만, 솔직히 이건 근본적인 해법이 되기 어렵습니다. AI가 대체하는 일자리의 규모와 속도를 재교육으로 감당할 수 있는 수준이 아니기 때문입니다.

현재 AI 전환의 충격이 가장 두드러지게 나타나는 직군은 다음과 같습니다.

- 금융 애널리스트: 리포트 작성, 데이터 취합 등 주니어 업무 대부분이 AI로 대체 중
- 보험 계리사 및 손해 사정사: 리스크 산출 모델이 AI 알고리즘으로 전환
- 법률 보조(Legal Assistant): 계약서 검토, 판례 조사 등 반복 법무 업무가 LLM으로 흡수
- 렌터카·여행 업종 프라이싱 담당자: 수요·공급 예측 기반의 요금 산정 업무가 자동화

전망 — 오피스 공실과 부동산 시장의 나비효과


화이트칼라 채용 시장이 얼어붙으면, 그 여파는 단순히 취업 준비생들에게만 미치지 않습니다. 제가 이 흐름을 추적하면서 특히 눈에 걸렸던 건 상업용 부동산 시장이었습니다.

기업들이 직원 수를 줄이면 자연스럽게 사무 공간 수요도 줄어듭니다. 이미 코로나19 이후 재택근무(Remote Work) 확산으로 도심 핵심 업무 지구(CBD, Central Business District)의 오피스 공실률이 상승 압력을 받고 있는 상황입니다. CBD란 서울의 광화문·종로, 여의도, 강남처럼 대기업과 금융사가 밀집한 핵심 상업 지역을 말합니다. 여기에 AI 도입으로 인한 인력 감축이 더해지면, 공실률 상승은 구조적인 추세로 굳어질 가능성이 있습니다.

제가 보기엔, 향후 1~2년 내 서울 도심 오피스 시장에서는 임대 공실률 상승 → 임대료 하락 → 자산 가치 재평가라는 연쇄 반응이 나타날 수 있습니다. 특히 금융, 법률, 컨설팅 회사들이 집중된 건물일수록 이 충격이 먼저, 그리고 더 크게 올 것으로 보입니다.

일반적으로 부동산 시장은 경기 침체기에만 위기를 겪는다고 알려져 있지만, 제 경험상 이번 상황은 경기 사이클과 무관한 구조적 수요 감소라는 점에서 성격이 다릅니다. 리스크 프리미엄(Risk Premium), 즉 투자자가 불확실성에 대한 보상으로 요구하는 추가 수익률이 상업용 오피스 자산에서 빠르게 올라가고 있다는 신호들이 보이고 있습니다.

---

AI가 가져오는 변화를 무조건 비관할 필요는 없습니다. 다만 "새로운 기술은 늘 새로운 일자리를 만들어왔다"는 말을 근거로 지금의 충격을 단순한 전환 과정으로 포장하는 건 지나치게 안일한 시각이라고 생각합니다. 지금 이 시점에서 가장 현실적인 대응은, 자신의 직무에서 AI가 대체하기 어려운 고유한 판단 영역을 찾아내고 그 부분에 집중하는 것입니다. 변화의 방향을 제대로 읽는 사람만이 흐름 앞에서 자기 자리를 지킬 수 있습니다.

이 글은 개인적인 경험과 의견을 공유한 것이며, 전문적인 금융·투자 조언이 아닙니다.

---
참고: https://www.youtube.com/results?search_query=AI+화이트칼라+일자리

이 블로그의 인기 게시물

인공지능의 소프트웨어 엔지니어링 도전 과제

MIT 컴퓨터 과학 및 인공지능 연구소(CSAIL)의 최근 연구 논문은 인공지능이 소프트웨어 엔지니어링의 많은 부분을 자동화하여 인간 개발자들이 더 창의적이고 전략적인 문제에 집중할 수 있도록 해야 한다고 주장합니다. 이 논문은 코드 생성을 넘어서는 다양한 소프트웨어 엔지니어링 작업의 현재 bottlenecks를 파악하고 이를 극복하기 위한 연구 방향을 제시합니다. 또한, AI가 해당 분야에서 진정한 파트너가 되기 위해 해결해야 할 여전히 많은 도전 과제를 강조하고 있습니다. AI의 소프트웨어 엔지니어링에 있어 평가 기준의 중요성 AI를 활용한 소프트웨어 엔지니어링에서 가장 큰 도전 과제 중 하나는 효과적인 평가 기준의 부재입니다. 현재 우리가 사용하는 평가 지표는 대개 단기적이고 자율적인 문제 해결에 중점을 두고 있으며, 이는 소프트웨어 엔지니어링의 실제 상황을 반영하지 않습니다. 예를 들어, AI 모델이 GitHub의 특정 문제를 수정하는 데 초점을 맞춘 SWE-Bench와 같은 기준은 AI가 처리해야 할 코드의 범위가 상당히 제한적입니다. AI가 대규모 코드베이스를 최적화하거나 다룰 수 있는 능력을 평가하는 것은 특히 어려운 과제입니다. 오늘날의 메트릭은 짧고 독립적인 문제에 기반해 설계되었으며, 이를 통해 실제 코드 최적화 과정에 대한 신뢰성을 담보하기에는 부족합니다. 따라서 이런 평가 기준의 부족은 AI의 발전 속도를 늦추고 있습니다. AI 주도적인 코드 리팩토링, 인간-AI 협업 프로그래밍, 그리고 대규모 성능 최적화의 시나리오를 반영한 평가 기준이 필요합니다. 이를 통해 AI의 현재 능력을 정확히 측정하고, 실제 성과를 기준으로 발전 방향을 설정할 수 있을 것입니다. 인간과 AI 간의 효과적인 소통 필요성 AI가 소프트웨어 엔지니어링에서 보다 효과적인 도구가 되기 위해서는 인간과 AI 간의 소통 방식의 개선이 필수적입니다. 현재의 AI 시스템은 대개 대량의 비구조적 코드 파일과 단순한 유닛 테스트를 생성하는데 그치고 있습니다. ...
자세한 내용 보기

MIT 연구, 치료 상호작용 최적화 프레임워크 개발

MIT 연구자들이 치료 상호작용을 연구하기 위한 새로운 이론적 프레임워크를 개발하였습니다. 이 접근법은 과학자들이 치료의 조합이 세포와 같은 단위 그룹에 미치는 영향을 효율적으로 추정할 수 있도록 하여, 비용이 많이 드는 실험을 줄이면서도 더 정확한 데이터를 수집할 수 있게 합니다. 이 연구는 향후 질병 메커니즘을 이해하고, 암이나 유전 질환 치료에 새로운 의약품 개발에 기여할 잠재력을 가지고 있습니다. MIT의 혁신적인 연구 MIT의 연구자들은 치료 상호작용을 깊이 있게 분석할 수 있는 새로운 이론적 프레임워크를 개발했습니다. 이 연구는 복잡한 유전자 상호작용과 세포 성장 알고리즘을 보다 정밀하게 이해하는 데 도움이 될 것으로 기대됩니다. 과학자들은 여러 유전자를 동시에 정밀하게 겨냥하는 데 필요한 조합 치료법을 다루기 위해, 여러 실험을 진행해야 합니다. 하지만 무수히 많은 조합 중 최적의 방법을 찾는 것은 큰 도전입니다. 그런 상황에서 MIT 연구팀이 개발한 프레임워크는 매우 중요한 역할을 할 수 있습니다. 이 연구는 사용자가 모든 치료를 동시에 적용할 수 있는 실험을 디자인할 수 있는 방법을 제공합니다. 이론적으로 이 접근법은 최적의 전략을 제안하며, 이를 통해 실험의 오류를 최소화할 수 있습니다. 아울러, 연구팀은 다단계 실험에서 시뮬레이션을 통해 새로운 방법의 유효성을 검증했습니다. 이는 향후 다양한 분야에서 이론적 프레임워크를 적용할 수 있는 가능성을 제시합니다. 효율적인 치료 디자인을 통한 데이터 수집 MIT의 연구자들은 실험에서 치료의 조합을 정의하고 설정하는 과정에서 생길 수 있는 편향을 방지하기 위해, 확률적 프레임워크를 사용했습니다. 이 프레임워크는 각 단위가 치료 조합을 무작위로 받아들이도록 하여 편향된 데이터를 최소화합니다. 사용자는 각 치료의 용량을 설정하는데, 이는 전반적인 실험 목표에 따라 다를 수 있습니다. 예를 들어, 여러 약물을 이용해 세포 성장에 미치는 영향을 연구하고자 할 때, 각 세포는 ...
자세한 내용 보기

테스트 시 학습 방식으로 LLM 성능 향상

최근 MIT 연구진은 LLM(대형 언어 모델)의 성능을 향상시키기 위해 "테스트 시 학습"(test-time training)이라는 새로운 훈련 기법을 도입했습니다. 이 연구는 LLM이 익숙하지 않은 복잡한 문제를 해결하는 능력을 크게 발전시킬 수 있음을 입증하였으며, 이를 통해 다양한 분야에서의 논리적 추론과 문제 해결에 대한 기대감을 높였습니다. 연구 결과는 국제 머신러닝 회의에서 발표될 예정입니다. 테스트 시 학습의 원리 테스트 시 학습은 모델이 배포 중에 그 내부 구조의 일부를 일시적으로 업데이트하여 새로운 문제에 적응할 수 있도록 하는 방법입니다. MIT 연구진은 이 접근법을 사용하여 LLM이 특정 작업에서의 성능을 극대화할 수 있는 방법을 발표했습니다. 이를 통해 모델은 새로운 데이터에 맞춰 스스로 운동을 하며, 정확도는 무려 여섯 배 향상되었습니다. 이러한 학습 방식은 모델이 복잡한 문제나 계획 및 추론을 요하는 작업에 더 유용해질 것을 의미합니다. 연구진은 테스트 시 학습과 인컨텍스트 학습(in-context learning)을 조합하여 적용해 보았습니다. 인컨텍스트 학습 방식은 사용자가 모델에게 새로운 작업의 몇 가지 예시를 제공하여 그 출력 방향을 안내하는 것입니다. 하지만, 이 방법은 논리적 사고와 추론을 요하는 문제에 대해서는 결과가 좋지 않았습니다. 반면, 테스트 시 학습은 실제로 모델의 파라미터를 업데이트하며 정확도를 극대화하는 강력한 방법임을 증명했습니다. 연구진의 실험은 IQ 퍼즐과 같이 복잡한 문제를 해결하기 위해 설계된 두 가지 기준 데이터셋에서 진행되었습니다. 이 실험에서는 새로운 작업에 대한 예제와 함께 입력 데이터의 변형을 통해 데이터셋을 확장했습니다. 이렇게 생성된 추가 데이터는 모델이 최상의 성능을 발휘할 수 있도록 포괄적인 학습을 제공합니다. 지속 가능한 모델 업데이트 테스트 시 학습의 특징은 한 번의 작업별로 적용되며, 사용자마다 별도로 진행해야 한다는 점입니다. 업데이트는...
자세한 내용 보기