신입 채용이 무너졌다고 단정하기에는 데이터가 더 복잡하다

AI가 신입 일자리를 가장 먼저 없애고 있다는 이야기는 직관적으로 설득력이 있습니다. 자료조사, 문서 초안, 단순 분석처럼 과거에 주니어가 많이 맡던 업무를 생성형 AI가 빠르게 처리하기 때문입니다. 그러나 현재 채용 데이터는 이 주장을 그대로 확정하기에는 더 복잡합니다.

LinkedIn의 미국 2026년 Grad’s Guide에 따르면 신입 채용은 전년 대비 6% 감소했지만 중간경력 채용은 10% 감소했습니다. 즉 노동시장 전체가 둔화된 상황에서 신입만 특별히 더 크게 무너졌다고 보기는 어렵습니다. 신입 채용 감소를 모두 AI의 인과효과로 해석하면 경기, 비용통제, 산업별 채용 변화 같은 다른 요인을 놓칠 수 있습니다.

그런데 22~25세에서는 AI 노출도에 따른 차이가 가장 선명하다

반대 방향의 신호도 있습니다. Stanford Digital Economy Lab의 Canaries Dashboard는 ADP 급여 데이터를 이용해 직업의 AI 노출도와 연령별 고용 변화를 비교합니다. 전체적으로는 AI 노출 그룹 간 차이가 아직 크지 않지만, 22~25세 초기경력 근로자에서는 패턴이 더 뚜렷합니다.

이 연령대에서 AI 노출도가 가장 높은 두 직업군은 ChatGPT 등장 이후 고용이 감소하는 반면, 상대적으로 덜 노출된 세 그룹은 성장하는 모습이 나타납니다. Stanford도 이 결과를 곧바로 AI가 일자리를 없앴다는 인과 증명으로 제시하지 않습니다. 다만 같은 AI 충격이라도 초기경력층에서 변화가 먼저 나타날 가능성을 관찰하는 하나의 조기경보 신호로 볼 수 있습니다.

AI가 먼저 줄이는 것은 일자리보다 ‘훈련용 업무’일 수 있다

초기 경력의 구조를 이해하려면 채용 인원보다 업무 내용이 어떻게 바뀌는지를 볼 필요가 있습니다. Strada Education Foundation이 약 1,500명의 미국 고위 인재·채용 리더를 조사한 결과, 42%는 AI가 신입에게 분석과 판단 책임을 늘렸다고 답했고 41%는 반복·행정 업무를 줄였다고 답했습니다.

더 중요한 숫자는 33%입니다. 세 곳 중 한 곳의 기업은 AI가 신입이 기초 역량을 쌓고 스킬을 배우던 업무까지 줄였다고 답했습니다. 반복업무는 비효율적일 수 있지만 동시에 초보자가 맥락을 익히고 작은 실수를 반복하며 기준을 배우는 연습장이기도 했습니다. AI가 이 구간을 압축하면 기업은 생산성은 얻으면서도 학습경로를 잃을 수 있습니다.

여기서 생기는 진짜 질문: 숙련자는 어디서 만들어지는가

기업이 주니어에게 자료정리와 초안을 맡기는 이유가 교육만을 위해서는 아니었습니다. 저비용으로 필요한 일을 처리하면서 그 과정에서 업무 맥락을 익히게 하는 구조였습니다. 따라서 AI가 단순업무를 대체하면 단기적으로는 더 적은 인원으로 같은 산출물을 만들 수 있습니다.

하지만 5년 뒤 필요한 시니어와 팀장은 어디선가 판단 경험을 축적해야 합니다. 신입을 덜 뽑거나, 뽑더라도 AI가 완성한 결과만 검토하게 한다면 판단 기준을 만들기 전에 판단 책임부터 요구하는 역설이 생길 수 있습니다. 이것은 현재 통계가 직접 증명한 결과가 아니라, 업무 압축과 초기경력 변화 데이터를 연결한 반석써치의 분석 가설입니다.

기업은 신입 직무를 ‘보조업무 묶음’에서 ‘빠른 학습 시스템’으로 바꿔야 한다

해법은 AI가 잘하는 반복업무를 일부러 사람에게 되돌리는 것이 아닙니다. 대신 그 반복업무가 우연히 제공하던 학습 기능을 의도적으로 설계해야 합니다. 좋은 판단 사례를 관찰하게 하고, 작은 범위의 의사결정을 반복해서 맡기고, 결과보다 판단 근거를 리뷰하는 방식입니다.

예를 들어 보고서 초안을 AI가 만들더라도 신입에게 출처 검증, 상충하는 정보 비교, 핵심 가정 선택, 수정 이유 설명을 맡길 수 있습니다. 영업에서도 단순 CRM 입력보다 고객 우선순위를 정하고 왜 그렇게 판단했는지를 리뷰할 수 있습니다. 주니어의 가치는 단순 작업량이 아니라 얼마나 빠르게 독립적인 판단자로 성장하느냐로 이동할 가능성이 있습니다.

신입에게 필요한 것은 AI를 안 쓰는 능력이 아니라 AI 위에서 경험을 쌓는 능력이다

개인에게도 전략이 달라집니다. 과거에는 오래 일하면 자연스럽게 접하는 업무량 자체가 경험이 됐지만, AI가 기초 작업을 압축하면 같은 기간에 경험해야 할 판단의 종류를 더 의식적으로 늘려야 합니다. AI가 만든 답을 검증하고, 다른 선택지와 비교하고, 실패했을 때 무엇을 수정했는지를 설명할 수 있어야 합니다.

LinkedIn의 같은 2026년 자료에서는 미국 Gen Z의 22%가 앱, 웹사이트 등 프로젝트를 직접 만들며 스킬을 보여주고 있고 21%는 사업이나 사이드허슬을 시작했다고 답했습니다. 전통적인 첫 직장만이 경험의 유일한 출발점이 아니게 되는 흐름도 함께 볼 필요가 있습니다.

신입 문제는 결국 기업의 미래 후보자 풀 문제다

초기경력 채용은 당장의 인건비 문제이면서 동시에 몇 년 뒤 경력자 시장을 만드는 공급망입니다. 한 산업 전체가 신입 채용과 훈련을 동시에 줄이면 개별 기업은 단기 비용을 줄일 수 있어도, 시간이 지난 뒤 필요한 5년차와 10년차 인재의 공급은 더 빡빡해질 수 있습니다.

ILO는 2026년 전 세계 청년 실업률을 12.4%, 교육·고용·훈련 어디에도 속하지 않은 청년을 약 2억6000만 명으로 추산합니다. AI만의 문제는 아니지만 청년이 첫 경험을 얻는 경로가 약해지는 문제는 이미 노동시장 전체의 중요한 과제입니다. 기업의 AI 전략에서도 생산성 향상과 함께 다음 세대의 숙련자를 어떻게 만들 것인지가 별도의 설계 항목이 되어야 합니다.

BANSEOG VIEW

신입 채용은 비용 항목이면서 동시에 미래 인재의 공급망이다

AI가 주니어의 반복업무를 줄인다고 해서 신입 자체가 불필요해진다고 단정할 수는 없습니다. 오히려 앞으로 더 중요한 질문은 신입에게 어떤 업무를 남길 것인가가 아니라, AI를 활용하면서도 독립적인 판단력을 축적할 수 있는 경험을 어떻게 설계할 것인가일 수 있습니다.

헤드헌팅 시장에서도 이 변화는 시차를 두고 나타날 수 있습니다. 오늘의 신입 육성이 줄면 몇 년 뒤 특정 경력구간의 후보자 풀이 얇아질 수 있기 때문입니다. 반석써치는 향후 직급별 채용공고와 경력요건 변화를 함께 추적해 초기경력의 변화가 중간경력 인재시장으로 어떻게 전달되는지 확인할 필요가 있다고 봅니다.

SOURCES

주요 자료

Stanford·Strada·LinkedIn 수치는 주로 미국 노동시장 자료이며 ILO 수치는 글로벌 자료입니다. 한국의 신입채용 감소폭이나 AI의 직접 인과효과를 의미하지 않습니다.