2026년 세계 청년의 날에 세계 전문가들이 내놓은 진단은 같았습니다 — AI가 청년에게서 앗아가는 진짜 위기는 일자리가 아니라 '경험의 경로'라는 것. 이 개념은 갑자기 나온 게 아니라 1563년 도제법부터 1983년 자동화의 역설, 1991년 정당한 주변적 참여를 거쳐 460년 만에 수렴한 결론입니다. 튀르키예 RCT·중국 26,811명 패널·폴란드 대장내시경·하버드 6,200만 명 이력서 데이터를 전부 펼쳐 놓고, 왜 지표는 좋아 보이는데 실력은 깎이는지, 그리고 어떤 설계가 반대 결과를 냈는지를 끝까지 따집니다.
2026년 8월 12일 세계 청년의 날, 한겨레가 세계 AI·노동 전문가 세 명을 인터뷰한 기사를 실었습니다. 필리핀개발연구원의 코니 바유단다쿠이쿠이 박사, 글로벌개발센터의 한성 치아 AI 이니셔티브 책임자, 국제노동기구의 미겔 산체스 마르티네스 이코노미스트. 소속도 대륙도 다른 세 사람의 진단이 같은 문장으로 모였습니다.
인공지능이 청년에게서 앗아가는 진짜 위기는 일자리 감소보다, 일을 직접 수행하며 판단력과 전문성을 쌓아가던 '경험의 경로'가 단절되는 것에 있다.
이 문장이 화제가 된 이유는 새로워서가 아닙니다. 오히려 반대입니다. 너무 많은 사람이 각자 다른 자리에서 같은 것을 발견하고 있었는데, 그것을 부를 이름이 없었기 때문입니다.
교사는 학생들의 과제물이 좋아지는데 시험 성적이 떨어지는 것을 봤습니다. 팀장은 주니어의 결과물이 훌륭한데 왜 그렇게 했는지는 설명하지 못하는 것을 봤습니다. 인사 담당자는 신입 채용 공고를 올릴 이유를 찾지 못하고 있었습니다. 청년은 "경력 같은 신입"을 요구하는 공고 앞에서, 경력을 쌓을 자리 자체가 없다는 순환에 갇혀 있었습니다.
이것들은 전부 같은 현상의 다른 단면입니다. 이 글은 그 현상의 이름과 계보와 증거와 처방을 정리합니다.
먼저 결론부터 말하겠습니다. 이 글의 주장은 "AI를 쓰지 말자"가 아닙니다.
AI는 숙련자를 대체하지 않았습니다. 숙련자가 되는 과정을 대체했습니다. 그리고 그 둘은 전혀 다른 문제이며, 전혀 다른 해법을 요구합니다.
2025년부터 2026년 사이, 서로 다른 나라·서로 다른 방법론의 연구들이 이상하리만치 같은 그림을 그렸습니다.
| 연구 | 규모·방법 | 핵심 수치 |
|---|---|---|
| 스탠퍼드 디지털경제연구소 「탄광의 카나리아」 | 미국 급여대장(ADP) 데이터 | AI 고노출 직군의 22~25세 고용이 상대적으로 13% 감소. 2026년 8월 갱신판에서는 격차가 19%로 벌어짐 |
| 하버드 (호세이니 & 리히팅거) 「시니어 편향 기술변화」 | 이력서·채용공고, 6,200만 명 / 28.5만 기업 / 2015~2025 | 생성형 AI 도입 기업에서 2023년 1분기부터 초기 경력 채용 약 22% 감소. 같은 기업의 시니어 고용은 계속 증가 |
| ILO 세계고용사회전망 2026 | 전 세계 직군 노출도 지수 | 고등교육을 이수한 15~24세의 29.5%가 대체·자동화 위험에 노출(고노출 11.1% + 중간노출 18.4%) |
| 한국 청년 고용통계 | 통계청·고용노동 통계 | 전체 고용률이 오른 2025년에도 청년 고용률은 45.0%로 1.1%p 하락. 최근 3년 감소한 청년 일자리 21.1만 개 중 98.6%가 프로그래밍·출판·정보서비스업에 집중 |
각 수치는 다른 방법으로 얻어졌지만 같은 이야기를 합니다. 감소는 전 연령에 고르게 오지 않았습니다. 맨 아래 칸에만 왔습니다.
하버드 연구에서 가장 자주 인용되는 대목은 22%라는 숫자가 아니라 그 숫자가 어떻게 만들어졌는가입니다.
한국의 채용 시장도 정확히 같은 문법을 씁니다. HR 기업 조사에서 채용 트렌드 1위로 꼽힌 것이 "더 강화된 중고신입 선호 현상"(33.5%) 이었습니다. '중고신입'은 신입 공고에 경력자가 지원하는 현상을 가리키는 말이지만, 기업 입장에서 보면 의미가 하나 더 있습니다 — 가르쳐야 하는 사람 대신 이미 배워 온 사람을 뽑겠다는 선언입니다.
그런데 모두가 그렇게 하면, 배울 곳은 어디입니까?
여기서 이 글의 핵심 구분을 해야 합니다. 두 개의 서로 다른 걱정이 자주 뒤섞이는데, 처방이 완전히 다릅니다.
| 구분 | 일자리 문제 | 경험의 단절 문제 |
|---|---|---|
| 무엇이 사라지나 | 소득을 얻을 자리 | 숙련자가 되는 과정 |
| 언제 드러나나 | 즉시 (실업률) | 5~10년 뒤 (판단할 사람의 부재) |
| 피해자가 보이나 | 보인다 | 안 보인다 — 채용되지 않은 사람은 집계되지 않는다 |
| 돈으로 해결되나 | 부분적으로 (기본소득·실업급여) | 안 된다 — 시간과 자리가 필요하다 |
| 기업의 단기 이익 | 비용 절감 | 비용 절감 — 부작용이 자기에게 오는 데 5년 걸린다 |
마지막 줄이 이 문제의 성격을 결정합니다. 바유단다쿠이쿠이 박사가 인터뷰에서 한 경고가 정확히 이 지점입니다.
이 문제가 지속하면 5년에서 10년 뒤에는 복잡하고 중요한 결정을 내릴 수 있는 역량을 갖춘 관리자가 부재하는 심각한 구조적 위기에 직면할 수 있다.
주니어를 안 뽑아서 생기는 손실은 주니어에게만 가는 게 아닙니다. 오늘 주니어를 안 뽑은 회사는 5년 뒤에 시니어가 없습니다. 그런데 그 5년 동안 분기 실적은 계속 좋습니다. 이것이 개인적으로 합리적인 선택이 모여 집단적으로 파국이 되는 전형적인 구조입니다.
'경험의 경로'는 2026년에 발명된 말이 아닙니다. 서로 만난 적 없는 세 갈래 — 제도·이론·증거 — 가 각자 걸어와서 같은 지점에 도착한 것입니다. 먼저 지도를 펼쳐 놓고 시작합시다.
이 계보에서 반드시 짚고 가야 할 네 개의 매듭이 있습니다.
인류학자 진 레이브와 에티엔 웽거는 1991년 『상황 학습(Situated Learning)』에서 라이베리아 재단사, 마야 조산사, 미 해군 항해사, 슈퍼마켓 정육사를 현장 관찰했습니다. 그리고 이들 모두에게서 같은 패턴을 발견합니다.
신참은 처음부터 핵심 업무를 하지 않습니다. 재단사 견습생은 옷을 만들지 않고 단추를 답니다. 조산사 견습생은 분만을 받지 않고 물을 끓입니다. 그런데 이 일들은 세 가지 조건을 갖추고 있습니다.
레이브와 웽거는 이 구조에 정당한 주변적 참여(legitimate peripheral participation) 라는 이름을 붙였습니다. 그리고 결정적인 주장을 합니다 — 견습생은 허드렛일을 하면서 따로 배우는 게 아니라, 허드렛일이 곧 교육과정입니다.
이 대목에서 2026년의 문제가 선명해집니다.
생성형 AI가 가장 잘하는 일의 목록과, 정당한 주변적 참여를 구성하는 일의 목록이 거의 완전히 겹칩니다.
회의록 정리, 자료 조사, 초안 작성, 단순 버그 수정, 데이터 정제, 서식 맞추기, 1차 문의 응대. 이것들은 전부 "책임은 가벼운데 실제 생산에 연결되어 있고 전체가 보이는" 일이었습니다. 즉 교육과정이었습니다. 그리고 정확히 이것들이 가장 먼저 자동화되었습니다.
이 구분이 왜 실무적으로 중요한지 하나만 짚겠습니다. 관리자가 "이건 어차피 시간만 잡아먹는 잡무니까 AI에 넘기자"고 판단할 때, 그 판단은 생산성 관점에서 100% 옳습니다. 틀린 것은 판단이 아니라 장부입니다. 우리 회계에는 '이 업무가 사람에게 남기는 것'을 적는 칸이 없습니다.
'스캐폴딩(비계)'이라는 말은 널리 쓰이지만, 대체로 절반만 인용됩니다. 우드·브루너·로스가 1976년에 이 비유를 만들었을 때 방점은 도움을 준다는 데 있지 않았습니다. 계획적으로 줄여 나간다(fading) 는 데 있었습니다.
비계의 정의상 그렇습니다. 건물이 서면 비계는 철거됩니다. 철거되지 않는 비계는 건물의 일부가 되고, 그러면 그건 비계가 아니라 목발입니다.
여기서 오늘날 AI 도구의 구조적 결함이 드러납니다. 거의 모든 AI 도구에는 페이딩 설계가 없습니다. 도움의 양이 시간에 따라 줄어드는 제품을 본 적 있습니까? 오히려 반대입니다. 모델이 좋아질수록 도움은 커지고, 사용자가 익숙해질수록 더 많이 위임합니다.
그래서 AI는 기본값이 비계가 아니라 목발입니다. 목발이 나쁘다는 뜻이 아닙니다. 다리가 부러진 사람에게 목발은 필수입니다. 문제는 다리가 멀쩡한 사람이 평생 목발을 짚으면 다리가 실제로 약해진다는 것이고, 그 사실을 본인은 모른다는 것입니다.
이 글 전체를 여는 열쇠입니다. 로버트 비요크와 엘리자베스 비요크가 1994년에 정리한 '바람직한 어려움(desirable difficulties)' 은 이렇게 요약됩니다.
연습을 쉽게 만드는 조건은 그 순간의 수행을 올리지만 장기 기억과 전이를 떨어뜨린다. 반대로 어렵게 만드는 조건은 그 순간에는 손해처럼 보이지만 나중에 이긴다.
검증된 '바람직한 어려움'은 다섯 가지입니다.
| 조건 | 무엇인가 | AI를 쓰면 어떻게 되나 |
|---|---|---|
| 간격 두기 | 몰아서 하지 않고 시간을 벌려 반복 | 한 번에 끝나므로 반복 자체가 사라짐 |
| 인출 연습 | 다시 보지 않고 기억에서 꺼내기 | 꺼낼 일이 없음 — 물어보면 되니까 |
| 교차 연습 | 여러 유형을 섞어서 연습 | 중립적 |
| 생성 효과 | 답을 받지 않고 스스로 만들어 보기 | 가장 직접적으로 파괴됨 |
| 가변 연습 | 조건을 바꿔 가며 연습 | 중립적 |
다섯 중 셋이 AI 사용과 정면으로 충돌합니다. 특히 인출과 생성이 그렇습니다. 그리고 이 둘이 하필 가장 효과가 큰 조건들입니다.
여기에 하나가 더 붙습니다. 비요크 연구의 진짜 무서운 부분은 효과 크기가 아니라 사람이 이 차이를 감지하지 못한다는 발견입니다. 처리가 매끄러우면 배웠다고 착각합니다. 이것을 유창성 착각(fluency illusion) 이라고 부릅니다.
AI는 유창성 착각 생성기입니다. 그것이 결함이 아니라 제품의 목적입니다. 매끄럽게 만드는 것이 좋은 도구의 정의니까요.
인지심리학자 리산 배인브리지가 1983년에 쓴 5쪽짜리 논문 「자동화의 역설(Ironies of Automation)」은 지금까지 1,800회 넘게 인용되며 오히려 인용 속도가 빨라지고 있습니다. 논지는 잔인할 만큼 단순합니다.
이 논문이 유명해진 계기는 항공 사고들이었습니다. 2009년 에어프랑스 447편이 대서양에 추락했을 때, 조사 과정에서 에어프랑스 내부 보고서가 이미 장거리 노선 조종사들의 기본 조종 능력 약화를 지적하고 있었다는 사실이 드러났습니다. 1997년 아메리칸항공 교육 영상에서 워런 밴더버그 교관이 만든 표현이 그때 다시 회자되었습니다 — "마젠타 선의 아이들(children of the magenta line)". 항법 디스플레이의 마젠타색 경로만 따라가도록 길러진 세대라는 뜻입니다.
배인브리지의 진단은 오늘 소프트웨어와 지식노동에서 그대로 재현되고 있습니다. 이 재현을 개발 현장에서 다룬 글은 「나는 AI를 그만 쓰기로 했다」 분석에서 따로 정리했습니다. 이 글은 그보다 한 단계 앞, 아직 숙련자가 되지 못한 사람의 문제를 다룹니다.
이론은 여기까지입니다. 이제 실측 데이터를 봅시다. 2025~2026년에 나온 네 개의 연구는 방법론도 대상도 전혀 다른데 똑같은 모양의 곡선을 그렸습니다.
와튼스쿨의 함사 바스타니 연구팀이 튀르키예의 한 고등학교에서 9~11학년 약 1,000명을 대상으로 무작위 대조 실험을 했고, 결과는 2025년 PNAS에 실렸습니다. 90분짜리 세션 4회 동안 학생들을 세 집단으로 나눴습니다.
직접 만져 보십시오.
숫자를 다시 정리하면 이렇습니다.
이 실험의 가치는 "AI가 학습을 해친다"는 게 아닙니다. 정반대입니다.
같은 GPT-4가 답을 주면 학습을 갉아먹고, 힌트를 주면 갉아먹지 않았습니다. 그것도 연습 중 성과는 힌트 쪽이 오히려 더 높았습니다.
문제는 모델이 아니라 배치입니다. 그리고 시장의 기본값은 압도적으로 'GPT Base' 쪽입니다. 아무도 힌트만 주는 챗봇을 만들어서 팔지 않습니다. 사용자가 원하지 않으니까요.
튀르키예 실험의 한계는 시간 축이 짧다는 것이었습니다. 그 빈칸을 중국 연구가 메웁니다. 중고생 26,811명을 30개월간 추적한 패널 데이터입니다.
연구는 손실이 균등하게 분포하지 않았다는 점도 밝혔습니다. 숙제를 통째로 외주화한 것으로 보이는 약 80%의 사용자에게 집중되었습니다(비정상적으로 짧은 소요 시간 + 높은 점수의 조합으로 식별). 그리고 손실은 저학년, 성적 상위권, 사회과학 과목에서 가장 컸습니다.
성적 상위권에서 손실이 컸다는 대목이 특히 중요합니다. 흔한 직관 — "잘하는 애들은 AI를 잘 쓸 것" — 과 반대입니다. 잘하는 학생일수록 AI 출력의 품질을 알아보고 더 깊이 위임했다고 해석할 수 있습니다.
이 시간 구조가 조직에 주는 교훈은 명확합니다.
이득은 즉시 계상되고 손실은 2년 뒤에 계상됩니다. 그런데 우리가 보는 대시보드는 분기 단위입니다. 구조적으로 이득만 보이게 되어 있습니다.
여기까지는 "요즘 애들" 이야기로 읽힐 수 있습니다. 2025년 8월 『랜싯 소화기·간장학』에 실린 폴란드 연구가 그 여지를 없앴습니다.
폴란드 4개 내시경 센터가 대장내시경 AI 보조 시스템을 도입했습니다. 연구진은 AI를 쓰지 않고 시행한 검사의 선종 발견율(ADR)만 따로 떼어 도입 전후를 비교했습니다.
대상은 이미 자격을 갖춘 내시경 전문의였습니다. 그리고 선종 발견율은 대장암 예방과 직결되는 지표입니다. 논평자들은 이것을 탈숙련(deskilling)의 첫 실세계 임상 증거로 평가했습니다.
즉 경험의 단절은 "아직 배우지 못한 사람"만의 문제가 아니라, 이미 배운 것을 유지하는 문제이기도 합니다. 숙련은 저장되는 게 아니라 유지되는 것입니다.
마지막 조각은 METR이 2025년에 수행한 개발자 대상 무작위 대조 실험입니다. 평균 5년간 해당 저장소를 다뤄 온 숙련 오픈소스 개발자 16명이 246개 과제를 수행했습니다.
| 측정 | 결과 |
|---|---|
| 실제 소요 시간 | AI를 쓸 때 19% 더 느림 |
| 사전 예상 | AI가 24% 빠르게 해 줄 것 |
| 사후 체감 | AI가 20% 빠르게 해 줬다고 응답 |
39%p의 인식 격차입니다. 실제로는 느려졌는데 빨라졌다고 느꼈습니다. 이것이 비요크의 유창성 착각이 실무 현장에서 측정된 사례입니다.
METR 자신은 이 결과를 "2025년 초 도구 기준의 과거 데이터"로 표시해 두었습니다. 절대 수치는 시간이 지나며 바뀔 것입니다. 그러나 체감과 실측이 반대 방향으로 갈릴 수 있다는 발견 자체는 도구 성능과 무관합니다. 오히려 도구가 좋아질수록 체감은 더 좋아지고 격차는 더 감지하기 어려워집니다.
이 시퀀스의 핵심은 3번과 6번 사이의 시차입니다. 튀르키예에서는 몇 주, 중국에서는 2년, 폴란드에서는 수개월, 조직의 인재 파이프라인에서는 5~10년입니다.
여기까지만 읽으면 결론은 "AI를 멀리하라"가 됩니다. 그건 틀린 결론입니다. 같은 기술로 정반대 결과를 낸 사례들이 존재하고, 그 사례들의 공통점이 매우 분명하기 때문입니다.
2023년 PNAS에 실린 연구가 있습니다. 1950년부터 2021년까지 프로 바둑 기보의 580만 수를 분석해 인간의 의사결정 품질을 연도별로 측정했습니다.
가장 중요한 발견은 이것입니다. 알파고 이전에는 새로운 수가 평균적으로 기존 수보다 품질이 낮았습니다. 이후에는 더 높아졌습니다. 연구진은 단순 암기로는 이 변화를 설명할 수 없다고 결론지었습니다.
무슨 일이 일어난 걸까요? AI가 인간에게 답을 준 게 아니라 탐색 공간을 열어 준 것입니다. "이런 수도 가능하다"는 사실이 증명되자, 수백 년간 정설이던 정석의 경계가 무너지고 사람이 직접 탐색을 재개했습니다.
여기서 배치의 차이를 봅시다.
| GPT Base형 배치 | 바둑 AI형 배치 | |
|---|---|---|
| AI가 주는 것 | 완성된 답 | 가능성의 증명, 평가 피드백 |
| 사람이 하는 것 | 받아 적기 | 직접 두고, 왜 좋은지 이해하기 |
| 인출이 일어나나 | 아니오 | 예 — 대국은 혼자 둬야 한다 |
| 페이딩이 있나 | 아니오 | 예 — 실전에는 AI가 없다 |
| 결과 | −17% | 66년 정체를 깸 |
바둑에는 구조적으로 페이딩이 강제되어 있었습니다. 공식 대국에서는 AI를 쓸 수 없습니다. 그래서 AI는 자동으로 연습 파트너의 위치에 놓였습니다. 이것이 제도가 만든 우연한 행운입니다.
2024년 6~7월, 세계은행이 나이지리아 에도주에서 수행한 무작위 대조 실험입니다. 고1 학생 약 800명이 방과 후에 주 2회, 6주간 컴퓨터실에서 생성형 AI(Copilot/GPT-4)로 영어를 학습했습니다.
같은 기술인데 왜 중국에서는 −20%이고 나이지리아에서는 +0.31 SD입니까? 설계를 보십시오.
| 설계 요소 | 중국 (숙제 외주화) | 나이지리아 (구조화된 개입) |
|---|---|---|
| 누가 주제를 정하나 | 학생 (제출 마감) | 교사가 매주 도입 |
| 목적 | 과제 완성 | 연습 |
| 산출물이 평가되나 | 예 — 그래서 외주화 유인 | 아니오 — 평가는 별도 시험 |
| 교사의 존재 | 없음 (집에서 혼자) | 있음 (교실에서 감독) |
| 사람이 직접 쓰나 | 아니오 | 예 — AI는 대화 상대 |
| 결과 | −20% | +0.31 SD |
차이를 만든 것은 모델의 성능이 아니라 "산출물을 대신 만들어 주는가, 연습을 도와주는가" 라는 한 줄입니다.
가장 실용적인 사례는 다른 산업에 있습니다. 항공업계는 배인브리지가 1983년에 진단한 바로 그 문제와 40년을 싸웠고, 놀랍도록 단순한 답에 도달했습니다.
미 연방항공청은 2013년 SAFO 13002, 2017년 SAFO 17007을 통해 항공사에 다음을 권고했습니다.
실제 운항 중에 자동화를 끄고 손으로 비행할 기회를 정책으로 보장하라.
시뮬레이터에서만이 아니라 실제 노선에서, 정기적으로, 다양한 자동화 조합으로. SAFO 17007은 수동으로 훈련해야 할 상황까지 열거합니다 — 트림 이상, 복행, 시계 접근, 자동조종 부분 고장.
이 처방이 중요한 이유는 세 가지입니다.
마지막으로 흥미로운 데이터가 있습니다. 앤트로픽이 2026년 3월 발표한 경제지수 「학습 곡선(Learning curves)」 보고서에 따르면, 6개월 이상 사용한 장기 사용자는 신규 사용자보다 같은 과업에서 성공률이 유의하게 높았습니다. 단순히 쉬운 과업을 골라서가 아니라, 고정효과를 통제해도 그랬습니다.
그리고 장기 사용자의 행동 패턴이 특징적입니다.
또한 장기 사용자는 요구 교육 수준이 높은 과업으로 매년 한 단계씩 올라갔습니다. 즉 AI를 잘 쓰는 능력 자체도 숙련이고, 그 숙련은 위임을 줄이고 대화를 늘리는 방향으로 자랍니다.
역설적이지만 이것이 희망입니다. AI를 가장 잘 쓰는 사람은 가장 많이 위임하는 사람이 아니라, 무엇을 위임하면 안 되는지 아는 사람입니다.
여기서부터는 당장 적용할 수 있는 내용입니다. 앞의 사례들에서 도출되는 원칙은 다섯 개입니다.
| 원칙 | 근거 | 실무 형태 |
|---|---|---|
| ① 답이 아니라 힌트 | 튀르키예 RCT (GPT Tutor) | 주니어에게 AI 출력을 그대로 넘기지 말고, 방향과 검토 포인트만 전달 |
| ② 산출물이 아니라 과정을 평가 | 중국 패널 (외주화 유인) | 결과물 리뷰에 "왜 이 선택을 했나" 5분을 반드시 붙인다. 설명 못 하면 미완성 |
| ③ 인출을 강제 | 비요크 (바람직한 어려움) | 먼저 자기 안을 종이에 적고 나서 AI를 켠다. 순서를 바꾸면 효과가 사라진다 |
| ④ 검증 책임을 명시 | 바유단다쿠이쿠이 (게이트키퍼 전환) | "AI가 만들었다"가 아니라 "내가 확인했다"가 산출물의 서명이 되게 한다 |
| ⑤ 페이딩을 제도화 | FAA SAFO (수동 비행) | 주기적으로 AI 없이 수행하는 구간을 일정에 박는다. 의지가 아니라 규정으로 |
원칙을 알아도 실제 배치는 어렵습니다. 모든 업무를 사람이 하면 경쟁에서 집니다. 모든 업무를 AI가 하면 5년 뒤에 집니다. 실제로 맞바꾸고 있는 것을 눈으로 보면서 결정해야 합니다.
이 도구를 만지다 보면 한 가지 패턴이 보입니다. 학습가치가 가장 높은 업무가 하필 생산성 기여는 가장 낮습니다. 장애 원인 추적, 고객 1차 응대, 선배에게 리뷰받기 — 넘겨도 이번 분기 지표는 거의 안 움직입니다. 그래서 아무도 말리지 않고, 그래서 가장 먼저 사라집니다.
실무에서 쓸 수 있는 판별 질문 하나를 제안합니다.
"이 업무를 3년간 AI가 대신하면, 이 사람은 무엇을 못 하게 됩니까?"
답이 "아무것도"라면 마음 놓고 넘기십시오. 답이 떠오른다면, 그것이 바로 그 업무의 교육과정입니다.
2026년 현재 진행 중인 대응은 크게 세 갈래입니다.
가장 오래 검증된 제도적 모델은 여전히 독일의 이원화 직업교육(duale Ausbildung) 입니다. 약 325개 직종에서 120만 명 이상이 기업 현장과 직업학교를 병행하고, 훈련을 마친 도제의 약 74%가 그 기업에 정규 채용됩니다. 독일의 청년 실업률이 유럽 최저 수준을 유지하는 배경입니다.
핵심은 독일이 특별히 관대해서가 아닙니다. "신참을 가르치는 비용"을 개별 기업의 선의가 아니라 제도의 기본값으로 만들어 두었기 때문입니다. 모든 기업이 훈련하면 무임승차 문제가 사라집니다.
조직이 바뀌기를 기다릴 수 없는 개인에게는 훨씬 단순한 처방이 있습니다. 앞의 모든 연구가 지지하는 최소 규칙입니다.
한 가지 덧붙이겠습니다. 이 규칙은 비효율적입니다. 그게 요점입니다. 비요크의 연구가 말하는 바가 정확히 이것입니다 — 연습을 효율적으로 만드는 조건은 학습을 비효율적으로 만듭니다. 1단계에서 쓰는 10분은 낭비가 아니라 투자되는 유일한 10분입니다.
2026년의 AI 담론은 대체로 두 진영으로 갈립니다. "AI가 일자리를 없앤다"와 "AI는 생산성을 높인다". 그런데 이 두 주장은 둘 다 참일 수 있으면서 둘 다 핵심을 비껴갑니다.
'경험의 단절'이라는 개념이 필요한 이유는, 이것이 두 진영 어느 쪽 지표로도 잡히지 않기 때문입니다.
| 우리가 재는 것 | 재지 않는 것 |
|---|---|
| 실업률 | 채용되지 않은 사람 (통계에 없음) |
| 생산성 (산출/시간) | 그 산출을 만든 사람에게 남은 것 |
| 과제·프로젝트 완성도 | 도구 없이 다시 할 수 있는가 |
| 분기 실적 | 5년 뒤 판단할 사람이 있는가 |
| AI 도입률 | 지시형인가 검증형인가 |
경제학자 엔리케 이데가 2025년에 발표하고 2026년까지 개정한 모형이 이 구조를 형식화했습니다. 초급 업무의 자동화는 고용을 전혀 줄이지 않으면서도 성장과 후생을 감소시킬 수 있습니다. 초급자가 가장 생산적인 숙련자로부터 멀어지면서 최선의 관행이 퍼지는 속도가 느려지기 때문입니다. 그리고 같은 모형에서, 가장 생산적인 숙련자에게 배우는 초급자의 수를 늘리는 기술 개선은 정반대로 성장을 촉진합니다.
즉 문제는 자동화의 양이 아니라 자동화가 지식 전달 경로의 어디를 끊느냐입니다.
또 하나 조용히 진행되는 일이 있습니다. Stack Overflow의 월간 질문 수는 2014년 약 20만 건에서 정점을 찍은 뒤, 2022년 11월 ChatGPT 출시 이후 급락해 2026년에는 사실상 바닥에 도달했습니다.
이것을 단순한 플랫폼의 몰락으로 읽으면 절반만 보는 것입니다. Stack Overflow는 초보자가 공개적으로 헤매는 것을 허용하던 공간이었습니다. 누군가의 어리석은 질문과 그에 대한 답변이 축적되어, 다음 사람의 교재가 되었습니다.
개인에게는 이쪽이 훨씬 낫습니다. 빠르고, 창피하지 않고, 무시당하지 않습니다. 그런데 아무도 그 대화를 볼 수 없습니다. 신참이 헤매는 과정을 옆에서 보며 배우던 정당한 주변적 참여의 마지막 온라인 형태가 사라지고 있습니다.
동시에 이것은 AI 자신에게도 문제입니다. 오늘의 모델은 지난 15년간 사람들이 공개적으로 헤맨 기록으로 학습했습니다. 그 기록이 더 이상 생산되지 않는다면, 다음 세대 모델은 무엇으로 배웁니까?
정리하면 '경험의 단절'은 새로운 위협을 발견한 개념이 아닙니다. 이미 여러 곳에서 벌어지고 있던 일들을 하나의 이름으로 묶어, 측정 가능하고 처방 가능하게 만든 개념입니다.
| 이 개념 없이 보면 | 이 개념으로 보면 |
|---|---|
| "요즘 애들이 AI로 숙제한다" | 인출과 생성이 차단된 학습 (해법: 힌트형 설계) |
| "신입을 안 뽑는다" | 교육과정으로 기능하던 업무의 소멸 (해법: 역할 재설계) |
| "의사 실력이 떨어졌다" | 유지 연습의 중단 (해법: 정기적 비보조 수행) |
| "개발자가 코드를 이해 못 한다" | 실행자에서 감시자로의 역할 이동 (해법: 페이딩) |
| "Stack Overflow가 망했다" | 학습 공유지의 소멸 (해법: 공개 학습 공간 재건) |
전부 다른 문제로 보이던 것들이 같은 처방 목록을 공유합니다. 좋은 개념이 하는 일이 이것입니다.
ILO의 마르티네스 이코노미스트는 인터뷰에서 소득 수준별로 다른 전략을 제시했습니다. 이를 층위별 처방으로 재구성하면 이렇습니다.
| 층위 | 해야 할 것 | 측정할 것 |
|---|---|---|
| 개인 | 먼저 혼자 → 대조 → 정기적으로 끄기. AI 사용을 지시형에서 검증형으로 옮기기 | "AI 없이 이걸 다시 할 수 있나"에 정직하게 답할 수 있는가 |
| 조직 | 업무를 학습가치 기준으로 분류. 학습가치 높은 업무는 ‘AI 초안 + 사람 검증’ 이상으로 유지. 리뷰에 ‘왜’ 질문 의무화. AI 미사용 구간을 일정에 명시 | 주니어 채용 수, 주니어가 독립 수행 가능한 업무의 범위 변화 |
| 사회 | 고소득국은 진입 경로 보호와 재교육, 중간소득국은 대졸 역량과 AI 방향의 정합, 저소득국은 양질의 기초 일자리 창출. 공통으로 이동 가능한 역량 인증 도입 | 청년 고용률, ‘쉬었음’ 청년 규모, 첫 일자리까지 걸리는 기간 |
세 번째 줄의 '이동 가능한 역량 인증'은 바유단다쿠이쿠이 박사가 제안한 것으로, 이 문제의 성격을 잘 보여줍니다. 기업이 신입을 뽑지 않는 이유 중 하나는 역량을 확인할 방법이 근무 경력밖에 없기 때문입니다. 경력 없이도 검증 가능한 역량 신호가 있다면 순환의 한쪽 고리는 끊을 수 있습니다.
한국의 상황에서는 이 처방이 특히 급합니다. 최근 3년간 감소한 청년 일자리의 98.6%가 AI 영향을 직접 받는 업종에 집중되었고, 청년 '쉬었음' 인구는 월평균 40만 명 안팎을 유지하고 있으며, 그 이유 1순위는 "원하는 일자리를 찾기 어려워서"(34.1%) 입니다. 일할 의사가 없는 게 아니라 진입할 자리가 없는 것입니다.
이 글에서 가장 인용할 만한 문장은 1563년 잉글랜드 도제법의 발상입니다.
숙련은 자연히 생기지 않으므로, 그것이 생겨날 시간과 자리를 제도가 확보해 줘야 한다.
460년 전 사람들도 알고 있었습니다. 그리고 그 뒤로 홀스테드의 레지던시, 독일의 이원화 교육, 항공사의 수동 비행 규정까지, 인류는 같은 문제를 여러 번 다시 풀었습니다. 매번 답은 비슷했습니다 — 효율적이지 않은 구간을 의도적으로 남겨 두는 것.
지금 다른 점은 두 가지입니다. 첫째, 자동화가 처음으로 사다리의 맨 아랫칸을 정확히 겨냥했다는 것. 둘째, 그 결과가 너무 좋아 보인다는 것.
그래서 이 문제는 악당이 없습니다. AI 회사도, 효율을 추구한 관리자도, 숙제를 빨리 끝낸 학생도 각자 합리적으로 행동했습니다. 문제는 아무도 그 손실을 적는 장부를 갖고 있지 않다는 것입니다.
이 글이 제안하는 것은 결국 그 장부를 만들자는 것입니다. 조직에서는 업무 목록 옆에 '학습가치' 칸을 하나 더 그리는 일이고, 개인에게는 AI를 켜기 전 10분을 남겨 두는 일이며, 사회에서는 진입 경로를 정책의 명시적 대상으로 삼는 일입니다.
기술은 계속 좋아질 것입니다. 그것이 이 문제를 해결해 주지는 않습니다. 더 좋은 AI는 더 매끄러운 유창성 착각을 만들 뿐입니다. 마지막으로 남는 질문은 언제나 같습니다.
이 도구를 쓰는 동안, 당신은 무엇이 되어 가고 있습니까?
출발점
고용 데이터
학습 효과 연구
탈숙련 사례
이론적 배경
