🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

베네딕트 에번스는 AI가 어떤 직업을 얼마나 대체할지 점수화·차트화하려는 시도는 과거 기술 변화의 실제 결과를 설명하지 못했듯, 원리적으로 예측 가능성이 낮다고 주장한다.

📌 핵심 요약

• AI가 일자리를 없애고 새로 만들 것이라는 큰 방향은 맞지만, 어떤 직업·산업·기업이 얼마나 영향을 받을지 정량적으로 예측하는 것은 거의 불가능하다는 것이 글의 핵심 주장이다.
• 회계 자동화 사례는 ‘자동화 노출도’가 곧 고용 감소를 뜻하지 않음을 보여준다. 계산기, 스프레드시트, ERP, 클라우드가 확산됐지만 회계사와 CPA 수요는 줄지 않았고, 규제 변화와 비용 하락에 따른 더 많은 분석 수요가 함께 작동했다.
• 직업명과 실제 업무는 시간이 지나며 어긋난다. 같은 사람이 같은 사업 목적을 수행해도 통계상 직업명은 바뀔 수 있고, 반대로 ‘회계사’처럼 같은 명칭 아래 실제 업무 내용은 크게 달라질 수 있다.
• 인터넷은 기자나 음악 A&R의 핵심 역량을 직접 바꾼 것이 아니라, 신문 광고 독점과 음반 제조·유통 같은 비즈니스 기반을 붕괴시켰다. AI 역시 어떤 직무 자체보다 그 직무가 의존하는 사업 구조를 흔들 수 있다.
• O*NET 같은 직무 설명 데이터로 자동화 가능성을 평가하는 방식은 직업의 복잡성과 암묵지를 충분히 포착하지 못한다. 저자는 과거 전문가 시스템의 실패와 비교하며, 실제 일은 명시적 단계로 완전하게 적기 어렵다고 본다.

🧩 주요 포인트

1. AI가 일자리를 없애고 새로 만들 것이라는 큰 방향은 맞지만, 어떤 직업·산업·기업이 얼마나 영향을 받을지 정량적으로 예측하는 것은 거의 불가능하다는 것이 글의 핵심 주장이다.
2. 회계 자동화 사례는 ‘자동화 노출도’가 곧 고용 감소를 뜻하지 않음을 보여준다. 계산기, 스프레드시트, ERP, 클라우드가 확산됐지만 회계사와 CPA 수요는 줄지 않았고, 규제 변화와 비용 하락에 따른 더 많은 분석 수요가 함께 작동했다.
3. 직업명과 실제 업무는 시간이 지나며 어긋난다. 같은 사람이 같은 사업 목적을 수행해도 통계상 직업명은 바뀔 수 있고, 반대로 ‘회계사’처럼 같은 명칭 아래 실제 업무 내용은 크게 달라질 수 있다.
4. 인터넷은 기자나 음악 A&R의 핵심 역량을 직접 바꾼 것이 아니라, 신문 광고 독점과 음반 제조·유통 같은 비즈니스 기반을 붕괴시켰다. AI 역시 어떤 직무 자체보다 그 직무가 의존하는 사업 구조를 흔들 수 있다.
5. O*NET 같은 직무 설명 데이터로 자동화 가능성을 평가하는 방식은 직업의 복잡성과 암묵지를 충분히 포착하지 못한다. 저자는 과거 전문가 시스템의 실패와 비교하며, 실제 일은 명시적 단계로 완전하게 적기 어렵다고 본다.

🧠 상세 정리

1. AI 일자리 노출도를 점수화하려는 유혹과 한계

글은 AI가 어떤 직업, 회사, 산업에 영향을 줄지 분석하고 점수를 매기며 차트를 만들고 싶은 욕구에서 출발한다. 지난 3년 동안 많은 사람들이 인구조사 데이터와 직무 데이터를 이용해 표와 그래프를 만들었지만, 저자는 이런 작업이 대부분 불가능한 예측이라고 본다. AI가 다른 거대한 기술 변화처럼 일부 일자리를 없애고 다른 일자리를 만들 것이라는 원칙적 명제는 받아들인다. 그러나 문제는 ‘어떤 일자리가 얼마나 바뀔 것인가’를 구체적으로 예측하는 순간 발생한다. 저자는 이 지점에서 과거 기술 변화에 대한 사후 검증을 해보면, 가장 영향을 받을 것처럼 보였던 산업이 오히려 커지고, 안전해 보였던 산업이 크게 흔들린 사례가 많다고 말한다.

2. 회계 자동화는 고용 감소로 직결되지 않았다

저자가 제시하는 첫 번째 핵심 사례는 회계다. 지난 한 세기 동안 계산기, 펀치카드, 메인프레임, 데이터 처리 시스템, 데이터베이스, PC, 스프레드시트, ERP, 클라우드에 이르기까지 회계 업무를 자동화하기 위한 기술이 계속 도입됐다. 심지어 기술 산업의 상당 부분이 이런 자동화 위에 세워졌다고 말할 수 있을 정도였다. 만약 컴퓨팅 자동화에 가장 노출된 직업을 분석했다면 회계사는 최상위에 올랐을 것이다. 그런데 실제로는 회계사 수가 계속 증가했고, 50년간 금융 자동화도 CPA 시장을 눈에 띄게 약화시키지 못했다.

3. 자동화 노출은 일 감소가 아니라 일 증가일 수 있다

회계사 사례에서 저자는 세 가지를 짚는다. 첫째, 기술만이 유일한 변수는 아니며 규제 변화가 새로운 회계 요구를 만들어 CPA 채용을 일시적으로 크게 늘린 적이 있다. 둘째, 자동화 논의 안에는 제번스 역설 또는 가격 탄력성 문제가 있다. 어떤 일을 더 싸고 빠르게 만들면 같은 일을 더 적은 비용으로 끝낼 수도 있지만, 같은 비용으로 더 많이 하거나 새롭게 생긴 투자수익률 때문에 더 많은 돈을 들여 더 많이 할 수도 있다. 예컨대 DCF 분석이 일주일 걸리던 것에서 30초로 줄어들면, 기업은 단순히 사람을 줄이기보다 더 많은 DCF 분석을 수행할 가능성이 크다.

4. 기술은 기존 일을 늘리는 데서 시작하지만 결국 일의 성격을 바꾼다

저자는 자동화가 더 중요한 방식으로 다른 일을 열어젖힌다고 설명한다. 비싸고 오래 걸리던 분석이 싸고 쉬워지면 사람들은 분석을 훨씬 많이 하게 되며, 그 분석의 종류도 과거와 달라진다. 오늘날 회계사는 1970년대나 1980년대와 정확히 같은 일을 더 많이 하는 것이 아니라, 여전히 ‘회계사’라는 이름을 쓰면서도 다른 업무를 하고 있다. 새로운 기술은 처음에는 ‘예전 일을 더 많이 하는 방식’으로 쓰이는 경우가 많지만, 대체로 거기서 끝나지 않는다. 따라서 직업명을 기준으로 자동화 위험을 계산하면, 같은 명칭 안에서 실제 업무가 변하는 과정을 놓치게 된다.

5. 직업 통계와 실제 업무 사이의 불일치

인구조사 데이터를 자세히 보면 ‘회계사와 감사인’ 같은 범주는 비교적 안정적으로 유지되지만, 그 주변의 금융 관련 직업 범주는 나타났다가 사라진다. 저자는 ‘청구, 기장 및 계산기 조작원’ 같은 직업명이 한동안 통계에 등장했다가 사라진 사례를 든다. 어떤 사람은 재고 담당 직원으로 시작해, 당시 재고관리를 위해 필요한 ‘기장 기계 조작원’이 되었다가, 나중에 그 기능이 소프트웨어에 흡수되면서 다시 재고 담당 직원으로 분류됐을 수 있다. 반대로 ‘데이터 입력원’ 범주는 남아 있지만 ‘ERP 조작원’은 따로 없다는 점도 지적한다. 같은 사업 목적을 수행하는 실제 일은 계속 이어져도 직업명은 바뀌고, 같은 직업명 아래 실제 일은 달라진다.

6. 인터넷은 직무보다 사업 기반을 무너뜨렸다

두 번째 문제는 직업 자체가 변하지 않아도 그 밑의 비즈니스가 바뀔 수 있다는 점이다. 인터넷은 좋은 기자나 좋은 A&R 스카우트가 되기 위해 필요한 핵심 역량을 크게 바꾸지 않았다. 그러나 미국 신문 산업에서 저널리즘은 지역 독점에 가까운 구인·분류 광고와 제조·운송 기반 사업으로부터 비용을 충당했고, 음반사의 임원 급여는 작은 플라스틱과 알루미늄 포일 조각을 제조하고 배송하는 사업에서 나왔다. 인터넷은 카피 에디터나 사운드 엔지니어의 직무 설명만 보면 포착하기 어려운 방식으로 제품과 직무가 아니라 사업 모델을 분리하고 흔들었다. 저자는 AI도 이처럼 직접 노출도가 낮은 직업을 가진 사람이라도, 회사가 의존하는 다른 업무가 AI에 크게 영향받으면 함께 흔들릴 수 있다고 본다.

7. 우버 사례가 보여주는 예측의 사각지대

저자는 스마트폰과 위치 데이터가 택시 산업을 바꾼 우버 사례를 또 다른 검증 기준으로 제시한다. 2000년대 모바일 업계 사람들은 위치 데이터에 대해 많이 이야기했지만, 그것이 택시 직업의 본질을 바꾸고 고가의 택시 면허 담보 대출 가치를 무너뜨릴 수 있다고 생각한 사람은 거의 없었다고 회상한다. 당시라면 더 효율적인 배차 정도는 예상할 수 있었겠지만, 택시 운전이라는 일과 시장 구조 전체가 그렇게 바뀔 것이라고 보기 어려웠다는 뜻이다. 만약 1995년에 인터넷 노출도, 2005년에 스마트폰 노출도를 직업별로 계산했다면 택시 운전사를 중요한 대상에 넣었을지 저자는 묻는다. 이 질문은 현재의 AI 노출도 모델도 비슷한 사각지대를 가질 수 있음을 보여준다.

8. O*NET식 직무 분석은 일의 복잡성을 충분히 담지 못한다

저자는 O*NET 같은 직무 설명 데이터를 이용해 어떤 일이 얼마나 자동화될 수 있는지 분석하는 방식에도 근본적 문제가 있다고 본다. 그런 데이터는 자동화로 직업이 줄거나 커지는 방식, 또는 분석 범위 밖의 다른 자동화가 해당 직업을 바꾸는 방식을 설명하지 못한다. 더 깊게는 직업이 무엇인지 유용할 만큼 완전하게 기술하는 것 자체가 원리적으로 어렵다고 주장한다. 그는 이를 과거 전문가 시스템의 실패와 비교한다. 고양이를 인식하거나 언어를 번역하는 절차를 논리적 단계로 적을 수 있다고 믿었던 것처럼, 법무법인 어소시에이트 파트너가 하는 일을 정확히 적을 수 있다고 생각할 수는 있지만 현실의 일은 훨씬 복잡하고 미묘하다는 것이다.

9. 겉으로 보이는 산출물과 실제로 구매하는 가치는 다르다

저자는 박스 CEO 에런 레비가 말한 ‘겔만 기억상실’의 변형을 인용한다. 사람들은 자기 분야가 얼마나 복잡한지, AI가 그 일을 얼마나 불완전하게 다룰 수 있는지 잘 알지만, 다른 분야를 볼 때는 그 복잡성을 잊는다. 예컨대 Claude가 파워포인트 템플릿이나 법률 초안을 만드는 모습을 보고 컨설턴트와 로펌이 끝났다고 생각하기 쉽다. 그러나 Bain, BCG, McKinsey를 고용하면 슬라이드를 받는 것은 맞지만, 고객이 돈을 내는 대상은 단순한 슬라이드가 아니다. 소프트웨어를 살 때 코드가 함께 오지만 코드 그 자체만이 제품이 아닌 것과 같다. 직업을 산출물 몇 개로 환원하면 실제 가치와 판단, 맥락, 관계, 실행 역량을 놓치게 된다.

10. 방향성은 말할 수 있어도 정량 모델은 자기기만일 수 있다

저자는 반복적 사무 업무가 많은 직업이 AI에 더 노출되어 있다는 식의 방향성 있는 말은 그럴듯하다고 인정한다. 그러나 문제는 예외가 규칙보다 더 클지 알 수 없다는 데 있다. 1995년에 인터넷이 미디어의 물리적 유통 가치를 파괴할 것이라고 말했다면 방향성은 맞았지만, 실제 결과는 음반사, 신문사, TV 회사, 영화 스튜디오마다 완전히 달랐다. 평균적인 명제가 예측 가치를 갖는지, 아니면 단순한 진부한 관찰인지 구분해야 한다는 것이다. 저자는 새로운 기술의 초기 단계에서 특정 분야에 대한 구체적 예측은 운이 좋아야 맞으며, 직업별·산업별로 수량화해 예쁜 레이더 차트를 만드는 것은 현재의 직업도, 미래의 변화도 실제로 알지 못한 채 자신을 속이는 일이라고 결론짓는다.

🧾 핵심 주장 / 시사점

• AI 노출도 분석에서 가장 위험한 전제는 ‘현재의 직무 설명이 미래의 실제 업무와 고용 변화를 설명할 수 있다’는 믿음이다. 저자는 직업명, 업무 내용, 사업 모델이 서로 다른 속도로 바뀐다는 점을 반복해서 보여준다.
• 자동화는 비용을 낮추기 때문에 단순히 사람을 줄이는 힘만이 아니라, 더 많은 수요와 새로운 업무를 만드는 힘이기도 하다. 따라서 ‘자동화 가능성’과 ‘고용 감소 가능성’을 같은 지표로 취급하면 회계사 사례 같은 결과를 설명하지 못한다.
• AI 예측 모델은 최소한 저자가 말한 신문 테스트, 우버 테스트, CPA 테스트를 통과해야 한다. 즉 직무 자체가 아니라 사업 모델이 무너지는 경우, 전혀 예상 못 한 인접 산업 변화, 자동화에도 고용이 늘어나는 경우를 설명하지 못한다면 실용적 예측 도구로 보기 어렵다.

✅ 액션 아이템

• Kenneth Arrow의 NET 신호를 Kenneth Arrow 기준으로 분해하고, 주요 경쟁사 대비 매출·수요·수익성 논리가 얼마나 검증 가능한지 점검한다.
• Kenneth Arrow 발언과 Kenneth Arrow의 투자자 수요를 함께 보며, 상장 가능성과 실제 공개 재무 수치 확인이 필요한 항목을 분리한다.
• Kenneth Arrow 비상장주 수요와 주요 경쟁사 2차시장 반응을 비교해, IPO 일정·철회 가능성·시장 과열 리스크를 별도 체크리스트로 관리한다.

❓ 열린 질문

• Kenneth Arrow의 NET가 실제 상장으로 이어진다면 Kenneth Arrow 중 어떤 지표가 투자자 신뢰를 가장 먼저 좌우할까?
• Kenneth Arrow와 주요 경쟁사의 IPO 경쟁에서 매출 성장, 수익성, 2차시장 수요는 각각 어떤 순서로 검증되어야 할까?
• 비공개 S-1이 철회될 수 있다는 caveat를 감안하면, Kenneth Arrow의 공개시장 진입 신호를 어느 시점부터 확정적 변화로 볼 수 있을까?