Uber는 3,300명을 줄이는데 왜 자율주행에는 더 투자할까 — 감원과 채용은 반대말이 아니다

3,300명을 줄이는 회사가 자율주행에는 돈을 더 쓴다

Uber는 2026년 9월 2일 약 3,300명, 글로벌 인력의 약 10%를 줄이는 구조조정을 발표했습니다. Reuters에 따르면 코로나19 이후 Uber의 가장 큰 감원이며, 회사는 관리직을 약 20% 줄이고 작은 팀을 합치며 조직 계층을 단순화하려 하고 있습니다.

그런데 같은 발표에서 회사가 줄이겠다고 한 것은 미래사업 투자가 아닙니다. Uber는 절감한 자원을 성장과 혁신, 특히 Autonomous Vehicles 분야에 다시 투자하겠다는 방향을 제시했습니다. Robotaxi 경쟁이 커지는 상황에서 조직의 총인원을 줄이는 것과 자율주행 역량을 강화하는 일이 동시에 진행되는 것입니다.

이 두 사실은 겉으로는 충돌합니다. 하지만 기업의 headcount를 하나의 숫자로만 보면 보이지 않는 것이 있습니다. 구조조정은 모든 직무의 수요를 같은 비율로 줄이는 행위가 아니라, 회사가 중요하다고 판단한 문제로 사람과 예산을 다시 옮기는 과정일 수 있습니다.

이번 감원을 'AI가 사람을 대체했다'로 읽으면 증거보다 앞서간다

최근 기술기업 감원은 곧바로 AI 대체와 연결되기 쉽습니다. 그러나 이번 Uber 발표에서 Dara Khosrowshahi CEO가 전면에 둔 설명은 AI가 아니었습니다. Reuters가 전한 핵심은 조직 복잡성, 관리 계층, 느린 의사결정과 조정비용을 줄이는 것이었습니다.

AI 관련 투자와 생산성 향상이 Uber의 비용구조에 영향을 줄 가능성은 별도의 분석대상입니다. 하지만 이번 3,300명 감원의 직접 원인을 'AI가 3,300명을 대체했다'고 단정할 공개 근거는 부족합니다.

오히려 더 유용한 질문은 '왜 사람을 줄였는가'에서 한 단계 이동해 '줄인 뒤 어디에 다시 돈을 쓰는가'를 보는 것입니다. 자율주행이 재투자 우선순위에 포함됐다면 인재시장에서는 회사 전체 채용량보다 그 사업을 실제로 움직이는 capability의 경계를 확인해야 합니다.

최근 AV Labs 공고를 보면 필요한 사람은 ML 연구자 한 종류가 아니다

Uber가 최근 공개했던 AV Labs 채용은 자율주행 인재를 'AI 연구자' 하나로 묶기 어렵다는 점을 보여줍니다. 8월 11일 게시된 Staff Software Engineer - AV Labs 공고는 Physical AI라는 표현을 직접 사용하면서 autonomous system의 성능평가 framework, 대규모 data pipeline, simulation과 실제 도로의 성능지표, 안전·효율 KPI를 다뤘습니다.

6월에 공개됐던 Senior Software Engineer - Embedded, AV Labs는 더 하드웨어에 가깝습니다. LiDAR·Radar·Camera 같은 automotive-grade sensor의 firmware와 driver, board bring-up, hardware validation, E/E architecture와 sensor data pipeline을 요구했습니다.

또 다른 Senior Systems Engineer 역할은 autonomous vehicle partner를 Uber 플랫폼에 통합하는 기술 framework와 safety-critical systems를 다뤘고, 8월의 Senior Product Manager - Autonomous Experience는 AV 파트너와 함께 rider experience를 실제 서비스로 확장하는 역할을 설명했습니다.

이 공고들은 기사 작성 시점에 일부가 이미 마감됐거나 removed 상태입니다. 따라서 'Uber가 지금 이 모든 직무를 동시에 채용 중'이라고 읽어서는 안 됩니다. 대신 불과 최근 몇 달 동안 회사가 자율주행을 어떤 기능들의 조합으로 구축하려 했는지를 보여주는 hiring evidence로 보는 것이 정확합니다.

전체 인원수와 특정 능력의 가격은 같은 방향으로 움직이지 않는다

기업의 총인원이 줄면 채용시장이 전부 얼어붙은 것처럼 보입니다. 하지만 조직이 새로운 사업으로 자원을 이동하는 시기에는 정반대의 일이 생길 수 있습니다. 관리·조정 역할을 줄이면서 embedded, safety, validation, data infrastructure처럼 새 시스템을 실제로 운영하는 능력에는 더 높은 우선순위를 둘 수 있습니다.

이것은 Uber가 향후 해당 직무를 모두 늘린다는 예측이 아닙니다. 자율주행 전략도 파트너십, 자체기술, 규제와 사업성과에 따라 계속 바뀔 수 있습니다. 다만 회사가 총 headcount를 축소한다는 사실만으로 모든 capability의 가치가 동시에 하락한다고 해석할 수는 없습니다.

인재시장에서는 그래서 '몇 명을 뽑는가'뿐 아니라 '어떤 문제에 예산이 다시 붙는가'가 중요합니다. 감원 이후에도 예산이 남는 문제는 그 회사가 해결하지 않고서는 앞으로 갈 수 없다고 보는 문제일 가능성이 높기 때문입니다.

자동차·전장 경력자가 봐야 할 것은 회사 이름보다 이전 가능한 Evidence다

Uber의 최근 AV 역할에서 반복되는 요소를 보면 기존 자동차·전장·장비 경력과 맞닿는 지점이 있습니다. Embedded software, firmware, sensor integration, hardware validation, system architecture, functional safety, automated evaluation, incident와 reliability 경험입니다.

예를 들어 ECU나 차량용 전자시스템을 검증해 온 사람이 곧바로 AV engineer가 된다는 뜻은 아닙니다. AV 공고는 autonomous driving domain, robotics, large-scale data system 등 추가 전문성을 요구하기도 합니다. 중요한 것은 기존 산업명이 아니라 실제로 수행한 일이 새로운 시스템의 어떤 위험을 줄여주는지 설명할 수 있는가입니다.

CAN·ECU validation을 했다면 단순히 '자동차 경력'이라고 쓰는 것보다 어떤 interface를 검증했고 어떤 failure를 재현했으며 자동화율과 release quality를 어떻게 높였는지가 더 강한 Evidence가 됩니다. Embedded 경력도 사용언어보다 sensor timing, driver, board bring-up, real-time constraint와 safety-critical debugging을 실제로 다뤘는지가 중요해집니다.

Physical AI가 커질수록 모델과 현실 사이의 역할이 더 잘게 나뉜다

자율주행은 Physical AI의 대표적인 실세계 시스템입니다. 모델 성능만 높다고 서비스가 완성되지 않습니다. 센서가 데이터를 제대로 만들고, embedded system이 안정적으로 움직이며, simulation과 road test가 성능을 측정하고, safety 기준을 통과하고, partner fleet과 실제 고객경험까지 연결돼야 합니다.

그래서 Physical AI의 인재시장은 'AI를 하는 사람'과 'AI를 하지 않는 사람'으로 나누기 어렵습니다. 모델을 만드는 사람 옆에 현실에서 모델이 실패하는 조건을 찾아내고, hardware와 software의 경계를 검증하고, 반복 가능한 evaluation으로 바꾸는 사람이 필요합니다.

삼성의 Robot Intelligence Lab에서 Data Efficiency가 별도 연구축으로 나타났던 것과 Uber의 AV Labs에서 evaluation·data·embedded·systems 역할이 함께 보이는 것은 서로 다른 회사의 사례입니다. 둘을 산업 전체의 표준이라고 단정할 수는 없지만, Physical AI가 현실로 내려올수록 학습과 하드웨어, 안전과 운영 사이의 연결 문제가 독립적인 직무로 분화되는지는 계속 관찰할 가치가 있습니다.

감원 뉴스를 볼 때 이제 질문을 하나 더 해야 한다

감원 숫자는 중요합니다. 3,300명이 일자리를 잃는다는 사실을 미래투자 이야기로 희석해서는 안 됩니다. 동시에 그 숫자만으로 회사 안의 모든 인재수요가 같은 방향으로 움직인다고 보는 것도 정확하지 않습니다.

경력자에게 더 실용적인 질문은 '이 회사가 채용하느냐' 하나가 아닙니다. 회사가 앞으로 반드시 해결해야 한다고 판단한 문제가 무엇인지, 그 문제에 예산과 조직을 어디까지 다시 배치하는지, 내 경력에서 그 문제의 위험을 줄일 수 있는 Evidence가 무엇인지를 같이 봐야 합니다.

기업이 사람을 줄이는 것과 사람을 필요로 하지 않는 것은 같은 말이 아닙니다. 회사가 줄이는 것은 총인원일 수 있지만, 다시 찾는 것은 새로운 문제를 해결할 수 있는 능력일 수 있습니다.