인공지능 및 노동시장: AI 고용 충격은 여전히 미미하지만 직업 수준의 압력은 무시하기 어려워지고 있다

개요

Morgan Stanley는 2026년 상반기까지 업데이트된 데이터를 활용하여 AI가 미국 노동시장에 미치는 영향을 평가한다. 결론은 전체 충격은 여전히 상대적으로 작으며, '미시가 거시보다 강한' 패턴을 보인다는 것이다. 즉 직업 및 근로자 수준의 증거는 계속 강화되는 반면, 집계 산업 고용 및 구인공고 데이터는 여전히 혼재되어 있다. AI 노출도가 높은 직업의 실업률은 계속 상승하는 반면 다른 노출 그룹은 대체로 안정적이며, 이러한 변화는 직업별 경기 민감도를 통제한 후 더 뚜렷하다.

핵심 견해

첫째, AI 노출도가 높은 직업의 경기조정 실업률은 현재 역사적 관계가 시사하는 수준보다 약 0.5%포인트 높고, 통계적 유의성은 90% 신뢰수준까지 상승했다. 둘째, 실업률 악화는 2025년 이후 재취업률 하락과 해고 증가 모두에서 비롯되며, AI 노출 그룹 간 노동시장 참여율 변화에는 뚜렷한 차이가 없다. 셋째, 22~27세 근로자가 조정의 최전선에 있으며, 특히 고노출 직업에서 실업률 격차가 명확하다. 넷째, AI는 업무 과업의 재편을 가속하고 있지만, 고노출 근로자 중 과업 변화를 보고한 비중은 2026년 상반기에 감소했으며, 이는 단기적 잡음 또는 AI 도입 둔화를 반영할 수 있다. 다섯째, 산업 수준의 고용 데이터와 구인공고는 아직 광범위한 대체 서사를 뒷받침하기에 충분하지 않으며, 최근에는 중간 노출 산업이 저노출 및 고노출 산업보다 더 좋은 성과를 보였다.

분석 프레임워크

보고서는 CPS 가계조사 미시자료, 근로자 흐름 통계, 과업 재배분 지표, 산업 급여고용, 구인공고 및 기업 실적발표 컨퍼런스콜 텍스트를 통합한 AI 노동시장 혼란 추적 프레임워크를 구축한다. 연구는 직업과 산업을 AI 노출도별로 그룹화하고 회귀분석을 통해 각 그룹의 역사적 경기 민감도를 통제한다. 주로 Felten et al.이 2021년에 제안한 AI 노출도 측정치를 사용하며, Morgan Stanley 테마 리서치팀의 대체 측정치로 강건성 검증도 수행한다.

방법론 메모

• 통합 모니터링 프레임워크AI 노동시장 혼란 추적기

  여러 유형의 노동시장 지표를 활용하여 AI 관련 고용 변화를 교차 식별

  이 프레임워크는 실업률, 근로자 흐름, 과업 변화, 산업 고용, 구인공고 및 기업 텍스트를 포괄하여 미시 및 거시 수준의 신호를 비교한다.

• 노출도 측정Felten et al. (2021) AI 노출도 측정치

  AI 역량의 영향을 받는 정도에 따라 직업을 저노출, 중간 노출 및 고노출 그룹으로 분류

  이 측정치는 보고서의 주요 결과에 사용되며, Morgan Stanley 테마 리서치팀의 대체 노출도 측정치가 강건성 검증을 위해 보완적으로 활용된다.

• 계량경제 분석경기조정 잔차 분석

  각 노출 그룹과 전체 노동시장 간의 역사적 경기 관계를 통제

  연구는 각 노출 그룹의 실업률을 전체 실업률에 회귀하고 잔차를 분석하여 실제 실업률이 정상적인 경기 관계에서 벗어나는 정도를 측정한다.

• 시계열 처리12개월 이동평균

  계절조정되지 않은 CPS 데이터의 계절성과 고빈도 잡음을 완화

  관련 CPS 데이터는 계절조정되지 않았으므로, 보고서는 서로 다른 AI 노출 그룹의 지속적 변화를 관찰하기 위해 12개월 이동평균을 사용한다.

자산 매핑 및 비교

투자 논리에서 명시된 자산으로의 구조화 매핑(강점, 약점, 비교 대상, 위험).

• 미국 노동시장

  AI 혼란의 핵심 거시 관찰 대상

  강점

  전체 고용 영향은 여전히 작고, 산업 고용은 광범위한 감소를 보이지 않았으며, 노동시장 참여율도 노출 그룹 간 체계적인 차이를 나타내지 않았다.

  약점

  AI 노출도가 높은 직업의 실업률은 계속 상승하고, 재취업은 더 어려워졌으며, 해고율은 2025년 이전 수준 대비 높은 상태를 유지하고 있다.

  비교

  직업 및 근로자 수준의 혼란 신호는 산업 급여고용과 구인공고에 반영된 거시 신호보다 명확히 강하다.

  위험

  직업 수준의 약세가 계속 확산되면 전체 실업률을 끌어올리고 장기 실업 위험을 높일 수 있다.

• 인공지능 테마

  생산성 향상과 일자리 대체가 공존하는 구조적 테마

  강점

  기업 논의는 여전히 주로 생산성과 프로세스 효율 개선에 집중되어 있으며, 업무 과업 재편은 AI가 점진적으로 생산 과정에 진입하고 있음을 보여준다.

  약점

  일자리 대체의 사회적 비용이 고노출 직업과 청년층에서 나타나기 시작했으며, 이는 규제 및 정책적 관심을 높일 수 있다.

  비교

  과업 변화의 증거는 비교적 강하지만, 전체 산업 고용과 구인공고 데이터는 아직 대규모 대체를 확인하지 못했다.

  위험

  AI 도입에 따른 일자리 감소가 신규 일자리 창출보다 빠르게 발생하면, 테마 밸류에이션은 사회적·규제적·수요 측면의 위험에 직면할 수 있다.

핵심 데이터

• 전체 실업률에 대한 상한 영향약 15bp2026년 6월 기준의 대략적 추정치로, 2025년 12월의 약 10bp보다 높다. 차이의 일부는 여전히 비AI 요인에 의해 발생했을 수 있다.
• AI 노출도가 높은 직업의 비정상적 실업 증가약 0.5%포인트전체 노동시장 여건과 역사적 경기 관계가 예측하는 정상 수준 대비.
• AI 노출도가 높은 직업의 고용 비중약 30%직업 그룹 내 비정상적 실업을 전체 실업률에 대한 영향으로 환산하는 데 사용된다.
• 통계적 유의성90% 신뢰수준2026년 상반기 기준 고노출 직업의 실업 잔차는 2표준오차 범위를 초과했다. 이전에는 68% 신뢰수준에서만 유의했다.
• 주요 영향 연령대22~27세AI 노출도가 높은 직업의 청년 근로자 실업률 격차는 전체 노동력보다 유의하게 크다.
• 데이터 관찰 기간2026년 상반기까지보고서는 2026년 8월 3일에 발간되었다.

영향과 시사점

현재 증거는 AI가 미국 노동시장에서 광범위한 실업 충격을 촉발했다는 견해를 아직 뒷받침하지 않지만, 구조적 조정이 고노출 직업, 노동시장 진입자 및 특정 업무 과업에서 먼저 나타날 수 있음을 시사한다. 직업 수준의 격차가 계속 확대되어 점차 산업 고용으로 전이되면 전체 실업률과 임금 상승률은 더 가시적인 압력을 받을 수 있다. 반대로 기업이 주로 프로세스 최적화와 생산성 개선에 계속 초점을 맞춘다면 AI의 산출 효율성에 대한 긍정적 영향은 대규모 일자리 대체보다 먼저 나타날 수 있다. 현재의 투자 및 정책 판단은 집계 산업 데이터에만 의존하지 말고, 더 세분화된 직업 수준 및 근로자 흐름 지표도 추적해야 한다.

위험

• 누락변수 문제가 존재한다. 통화정책, 관세, 이민정책 및 팬데믹 이후 채용 정상화는 모두 직업 간 격차를 유발할 수 있다.
• 보고서의 15bp 추정치는 인과적으로 식별된 순수 AI 효과가 아니라 상한 영향이다.
• 산업 수준 데이터에는 잡음이 존재한다. 중간 노출 산업은 상대적으로 강한 성과를 보였으며, 이는 AI 노출도와 고용 악화 간의 단조로운 관계를 뒷받침하지 않는다.
• 고노출 직업에 종사하는 비대졸 청년의 표본은 상대적으로 작으며, 관련 추정치의 신호 대 잡음 비율도 낮다.
• 과업 변화 지표는 근로자에 대한 AI의 보완 효과와 대체 효과를 구분할 수 없다.
• 구인공고 감소는 ChatGPT 출시보다 앞서 발생했으므로 생성형 AI에 단순히 귀속할 수 없다.

주시할 점

• AI 노출도가 높은 직업의 경기조정 실업 잔차가 계속 확대되고 통계적 유의성을 유지하는지 여부.
• 고노출 직업 실직자의 재취업률, 실업 기간 및 해고율 변화.
• 교육 수준별 22~27세 근로자 간 실업률 격차.
• AI 노출도가 높은 산업의 고용 증가가 역사적 추세 대비 추가로 약화되는지 여부.
• 구인공고가 팬데믹 이후 정상화에서 AI 노출도와 관련된 체계적 감소로 전환되는지 여부.
• 생산성 향상, 일자리 대체 및 일자리 창출과 관련된 기업 실적발표 컨퍼런스콜 언어의 변화.
• 고노출 직업에서 과업 변화 속도가 다시 가속되는지 또는 계속 둔화되는지 여부.