AI 에이전트 시대, 연봉 협상의 새로운 기준
연봉 협상에는 언제나 비교 대상이 있었다. 1990년대에는 같은 대학 동기가 대기업에서 받는 초봉이었고, 2000년대에는 헤드헌터가 전해주는 경쟁사 연봉 테이블이었고, 2010년대에는 블라인드와 잡플래닛에 올라온 익명의 급여 정보였다. 기준은 항상 "비슷한 경력을 가진 다른 인간이 얼마를 받는가"였다. 하버드 협상 프로젝트가 말하는 '객관적 기준'이란 것도, 딥악 말호트라 교수가 강조하는 '시장 데이터에 근거한 협상'이란 것도, 결국 동종 업계 동일 직급 인간의 보상 수준을 가리켰다. 그 전제가 지금 무너지고 있다.
2026년 현재, 스타트업 CEO의 머릿속에는 전혀 다른 종류의 계산이 들어와 있다. 콘텐츠 마케터를 연봉 4,500만 원에 채용하는 것과, Claude나 GPT 기반 AI 에이전트에 월 20만 원을 지불하고 기존 팀원 한 명이 이를 오케스트레이션하는 것 중 어느 쪽이 더 높은 산출을 만드는가. 주니어 개발자를 3,500만 원에 뽑는 것과, Claude Code를 활용하여 시니어 한 명의 코드 생산성을 3배로 올리는 것 중 어느 쪽이 합리적인가. 데이터 분석가를 5,000만 원에 고용하는 것과, AI 에이전트가 실시간으로 대시보드를 생성하고 이상 징후를 탐지하는 시스템을 한 번 구축하는 것 중 어느 쪽이 지속 가능한가.
이 질문들은 더 이상 미래의 가정이 아니다. 11명의 직원이 300개 이상의 AI 에이전트를 운영하며, 수십 명 규모의 전통적 조직이 내는 것과 동등하거나 그 이상의 아웃풋을 만들어내는 회사가 실재한다. 이 회사에서 "연봉 협상"이란 것의 의미는 기존과 완전히 다르다. 협상의 상대편에 앉아 있는 것은 경쟁사의 오퍼레터가 아니라, AI 에이전트 한 대의 월간 운영 비용이다.
Patrick McKenzie는 2012년에 직원 1인의 총고용 비용이 연봉의 150~200%에 달한다고 계산했다. 연봉 5,000만 원인 직원의 실제 비용은 4대 보험, 퇴직금, 복리후생, 장비, 사무 공간, 관리 비용을 포함하면 7,500만~1억 원에 이른다. 반면 AI 에이전트의 비용 구조는 근본적으로 다르다. 야근 수당이 없고, 퇴직금이 없고, 사회 보험료가 없고, 감정적 번아웃이 없고, 이직 위험이 없다. 24시간 가동되며, 동시에 수십 개의 태스크를 병렬 처리한다. 물론 AI 에이전트가 하지 못하는 일이 있고, 인간의 판단이 필수적인 영역이 분명히 존재한다. 하지만 그 영역의 경계는 매달 좁아지고 있다.
이것이 연봉 협상의 근본 전제를 바꾸는 이유다. 과거에 경영자가 연봉을 결정할 때 던진 질문은 "이 사람의 시장가가 얼마인가"였다. 지금 던져야 하는 질문은 "이 사람이 AI와 결합했을 때 만드는 가치가, AI만으로는 만들 수 없는 것을 포함하는가, 그리고 그 초과 가치는 얼마인가"다. 전자는 인간 대 인간의 비교였고, 후자는 인간 대 AI 시스템의 비교다. 연봉 협상의 상대가 바뀐 것이다.
Galinsky와 Mussweiler의 앵커링 연구에 따르면 협상에서 첫 번째 제안이 최종 합의의 50~85%를 설명한다. AI 시대에 이 앵커가 바뀌고 있다. 과거의 앵커는 "업계 평균 연봉"이었다. 새로운 앵커는 "이 역할을 AI로 대체했을 때의 비용"이다. 경영자가 의식하든 못하든, 이 계산은 이미 모든 채용 결정의 배경에 깔려 있다. 후보자 역시 이를 인식해야 한다. 자신의 가치를 "나는 3년차 개발자이므로 시장가 5,500만 원입니다"로 주장하는 시대는 끝나고 있다. "나는 AI 에이전트가 생산하는 코드의 품질을 검증하고, AI가 설계할 수 없는 아키텍처를 구축하며, AI 시스템 전체를 오케스트레이션할 수 있습니다"라고 말할 수 있는 사람만이 협상력을 갖는 시대가 오고 있다.
이 글은 그 전환을 준비하는 가이드다. AI 에이전트의 실제 비용과 인간 고용의 비용을 냉정하게 비교하고, 누구를 남기고 누구에게 더 줄 것인가의 기준을 세우고, 한국 노동법이 이 전환에 어떤 제약을 가하는지 파악하고, AI 시대에 맞는 평가와 보상 시스템을 설계하는 과정을 다룬다. 전제는 단순하지만 불편하다. 연봉 협상의 비교 기준은 이제 "다른 회사가 이 사람에게 얼마를 주는가"가 아니라 "AI가 이 일을 얼마에 하는가"다.
불편한 비교부터 시작하자. 한국에서 주니어 개발자를 한 명 채용하면 연봉 3,500만~4,500만 원이 든다. 여기에 국민연금(사용자 부담 4.5%, 2026년부터 4.75%), 건강보험(3.545%), 고용보험(0.9%), 산재보험(업종별 상이), 퇴직금(연봉의 약 8.3%)을 더하면 실질 고용 비용은 연봉의 약 130~140%로 올라간다. 사무 공간, 장비, 소프트웨어 라이선스, 관리 비용, 채용 비용까지 포함하면 McKenzie가 계산한 150~200% 범위에 쉽게 도달한다. 연봉 4,000만 원인 직원의 총고용 비용은 연간 6,000만~8,000만 원이다.
반면 AI 에이전트의 비용 구조를 보자. Claude Pro 구독은 월 20달러(약 2만 8천 원), Claude Max는 월 100달러(약 14만 원), API 기반으로 에이전트를 운영하면 사용량에 따라 다르지만 일반적인 업무 자동화 에이전트 하나의 월간 API 비용은 수 만 ~ 수 십 만 원 수준이다. 300개의 AI 에이전트를 운영한다고 가정해도, 월간 총비용은 수백만 원에서 천만 원 사이다. 인간 직원 한 명의 연간 총고용 비용에도 미치지 않는 금액으로 수십 명분의 작업을 처리할 수 있다는 계산이 나온다.
이 비교가 단순 과장이 아닌 영역들이 이미 존재한다. 콘텐츠 생산 분야에서 AI는 리서치, 초안 작성, 편집, SEO 최적화를 인간 작업자의 10분의 1 시간 안에 수행한다. 한 명의 콘텐츠 디렉터가 AI 에이전트를 활용하면, 기존에 5명이 하던 양의 콘텐츠를 동등하거나 더 높은 품질로 생산할 수 있다. 코드 작성에서 Claude Code나 GitHub Copilot은 반복적인 CRUD 로직, 테스트 코드, 문서화, 디버깅을 인간보다 빠르게 처리한다. 주니어 개발자가 하루 종일 걸리던 API 엔드포인트 구현을 AI는 분 단위로 완성한다. 데이터 분석 영역에서 AI 에이전트는 데이터 클리닝, 탐색적 분석, 시각화, 이상 탐지를 자동화하며, 인간 분석가가 해석과 의사결정에만 집중할 수 있는 구조를 만든다. 고객 응대에서 AI 챗봇은 이미 1차 문의의 70~80%를 처리하고 있으며, 복잡한 케이스만 인간 상담원에게 전달하는 하이브리드 모델이 보편화되었다.
물론 이 비교에는 중요한 단서가 붙는다. AI 에이전트는 스스로 목표를 설정하지 못한다. 예외 상황에서의 판단, 조직 간 이해관계 조율, 고객의 감정적 맥락 파악, 전략적 방향 설정, 윤리적 판단은 여전히 인간의 영역이다. AI가 생산한 코드의 아키텍처적 적합성을 검증하고, AI가 작성한 콘텐츠의 브랜드 일관성을 판단하고, AI가 분석한 데이터에서 비즈니스 인사이트를 추출하는 것은 인간이 해야 한다. 하지만 이 "인간만이 할 수 있는 일"의 범위는 6개월 전보다 좁아졌고, 6개월 후에는 더 좁아질 것이다.
경영자에게 이 현실이 의미하는 바는 직접적이다. 연봉 협상에서 후보자가 "시장가가 5,000만 원입니다"라고 말할 때, 경영자의 내부 계산은 "이 사람이 할 일 중 AI로 대체 가능한 비율이 얼마인가"로 시작된다. 만약 해당 역할의 업무 중 60%가 AI로 자동화 가능하다면, 인간에게 지불하는 5,000만 원은 실질적으로 남은 40%의 비대체적 업무에 대한 대가다. 이 40%의 가치가 5,000만 원을 정당화하는가? 아니면 AI 에이전트 비용 500만 원에 해당 40%를 수행할 수 있는 더 고급 인력 한 명의 시간 일부를 배정하는 것이 더 효율적인가?
이것은 냉혹한 계산이지만, 바로 이 계산이 앞으로 모든 연봉 협상의 보이지 않는 배경이 된다. 후보자든 기존 직원이든, 자신의 보상을 정당화하려면 이 질문에 답할 수 있어야 한다. "나는 AI가 하지 못하는 어떤 가치를 만드는가, 그리고 그 가치는 나의 총고용 비용을 넘어서는가."
AI 에이전트의 비용 효율이 인간 고용을 압도하는 영역이 확대되면, 경영자 앞에는 필연적으로 하나의 선택지가 놓인다. AI를 탁월하게 활용하는 한 명에게 두 배의 연봉을 주고, 나머지 세 명과 작별하는 것. 이 선택이 잔인하게 들리지만, 숫자로 보면 오히려 합리적이다.
구체적인 시나리오를 구성해 보자. 콘텐츠 마케팅 팀에 4명이 있다. 각각 연봉 4,000만 원, 총고용 비용은 1인당 약 6,000만 원, 팀 전체로 연 2억 4,000만 원이다. 이 중 한 명이 AI 에이전트를 활용하여 나머지 세 명의 산출물을 합친 것과 동등하거나 더 높은 품질의 결과물을 만들어낸다고 가정하자. 이 한 명에게 연봉 8,000만 원(총고용 비용 약 1억 2,000만 원)을 주고, AI 에이전트 운영 비용으로 연 1,000만 원을 추가하면 총비용은 1억 3,000만 원이다. 기존 대비 1억 1,000만 원이 절감된다. 산출물의 양과 질은 동등하거나 향상된다. 경영자의 관점에서 이 계산을 거부할 이유가 없다.
물론 현실은 이처럼 깔끔하지 않다. 누가 그 "AI를 탁월하게 활용하는 한 명"인지를 판별하는 것 자체가 어렵고, 레이오프의 법적 제약과 조직 문화적 충격도 고려해야 한다. 하지만 방향은 분명하다. AI 시대의 보상 전략은 "모든 사람에게 공정한 시장가를 지불하는 것"에서 "높은 산출을 만드는 소수에게 집중적으로 투자하는 것"으로 이동한다.
그렇다면 "남겨야 할 사람"과 "더 줘야 할 사람"을 판별하는 기준은 무엇인가. 과거의 기준은 경력 연차, 직무 전문성, 관리 능력이었다. AI 시대의 기준은 근본적으로 다르다.
첫 번째 기준은 AI 오케스트레이션 역량이다. 여러 개의 AI 에이전트를 설계하고, 배치하고, 연결하여 하나의 워크플로우로 통합할 수 있는 능력이다. 단순히 ChatGPT에 프롬프트를 잘 쓰는 것이 아니라, 비즈니스 프로세스 전체를 AI 에이전트 시스템으로 재설계할 수 있는 능력을 말한다. 에이전트를 운영하는 조직에서 핵심 인력이 가진 역량이 바로 이것이다.
두 번째 기준은 AI 산출물에 대한 판단력이다. AI가 생산한 결과물의 품질을 평가하고, 오류를 식별하고, 개선 방향을 지시할 수 있는 능력이다. AI는 그럴듯한 결과물을 빠르게 만들지만, 그것이 비즈니스 맥락에서 적합한지, 기술적으로 견고한지, 브랜드와 일관되는지를 판단하는 것은 인간의 몫이다. 이 판단력이 없으면 AI의 속도는 오히려 잘못된 방향으로의 가속이 된다.
세 번째 기준은 비정형 문제 해결 능력이다. AI는 패턴이 있는 문제를 탁월하게 처리하지만, 전례 없는 상황, 이해관계가 충돌하는 협상, 감정적 맥락이 중요한 의사소통에서는 한계가 분명하다. 고객사의 CEO가 분노하여 계약 해지를 통보했을 때, 조직 내 두 팀의 이해관계가 정면으로 충돌할 때, 시장에서 전혀 예상치 못한 변수가 등장했을 때, 이런 상황을 해결하는 능력은 AI로 대체할 수 없다.
네 번째 기준은 AI 시대의 전략적 사고다. "이 비즈니스의 어떤 부분을 AI로 전환할 것인가"를 설계하는 능력이다. 개별 태스크를 AI에 맡기는 것은 전술이고, 조직 전체의 업무 구조를 AI 중심으로 재편하는 것은 전략이다. 이 전략적 사고가 가능한 인력은 경영자의 직접적인 의사결정 파트너가 되며, 그에 상응하는 보상을 받을 자격이 있다.
이 네 가지 기준에서 높은 점수를 받는 사람이 "2배의 연봉을 받는 한 명"이다. 반대로, 자신의 업무 중 대부분이 AI로 자동화 가능하고, AI 활용 의지나 역량이 낮으며, 비정형 문제 해결 기회가 제한적인 역할에 있는 사람은 구조적으로 취약한 위치에 놓인다. 이것은 그 사람의 성실성이나 인격과는 무관한, 역할의 구조적 특성에 관한 문제다.
경영자가 이 판단을 내릴 때 고려해야 할 것이 하나 더 있다. AI 역량은 고정된 것이 아니라 학습 가능한 것이라는 점이다. 현재 AI 활용도가 낮은 직원이라도 학습 의지와 적응력이 있다면, 교육 투자를 통해 "남길 사람"으로 전환될 수 있다. 반대로 현재 성과가 높지만 AI 활용을 거부하는 직원은 중기적으로 "비용 대비 가치"가 급격히 하락할 수 있다. 보상 결정은 현재의 스냅샷이 아니라 6~12개월 후의 궤적을 반영해야 한다.
AI가 연봉 협상의 게임을 바꾸고 있지만, 게임이 펼쳐지는 법적 운동장은 아직 바뀌지 않았다. 한국 근로기준법은 AI 시대를 상정하고 만들어진 법이 아니다. 그러나 그 법의 적용을 받는 것은 AI 시대의 경영자이고, 이 괴리에서 실질적인 리스크가 발생한다.
가장 기본적인 의무부터 확인하자. 모든 고용주는 임금의 구성 항목, 계산 방법, 지급 방법을 명시한 서면 근로계약서를 교부해야 하며, 위반 시 500만 원 이하의 벌금이 부과된다. 연봉이 변경되는 매 시점마다 새로운 계약서가 필요하다. 임금은 원화로, 직접, 전액, 매월 정해진 날짜에 지급해야 하며, 체불 시 연 20%의 지연이자가 발생한다. 퇴직금을 연봉에 포함시키는 약정은 무효다. 2026년 최저임금은 시간당 10,320원이며 어떤 규모의 회사에도 예외는 없다. 이 기본 사항들은 AI 도입 여부와 무관하게 변하지 않는다.
2024년 12월 대법원 전원합의체가 통상임금 판단에서 고정성 요건을 제거한 판결도 여전히 유효하다. 재직 조건이 붙은 상여금도 통상임금에 포함되며, 이는 초과근무수당, 야간수당, 휴일수당, 퇴직금의 산정 기초를 높인다. AI 시대라고 이 비용이 사라지는 것이 아니다. 오히려 AI 도입으로 직원 수를 줄이되 남은 직원의 보상을 높이는 전략을 취할 경우, 높아진 통상임금 기반의 법정 부담도 함께 올라간다는 점을 계산에 포함해야 한다.
AI 시대에 새롭게 등장하는 법적 쟁점들이 있다. 첫 번째는 AI 도입에 따른 인력 조정의 법적 한계다. "이 역할은 AI로 대체 가능하므로 해고한다"는 논리가 한국 노동법에서 통하는가. 근로기준법 제24조의 경영상 해고(정리해고) 요건은 네 가지다. 긴박한 경영상의 필요, 해고 회피 노력, 합리적이고 공정한 해고 기준, 근로자 대표와의 50일 전 협의. AI 도입으로 인한 구조 조정이 "긴박한 경영상의 필요"에 해당하는지는 아직 명확한 판례가 축적되지 않았다. 단순히 "AI가 더 효율적이다"는 이유만으로는 요건 충족이 어려울 수 있으며, 해고 회피 노력으로 재배치, 재교육, 근로 시간 단축 등의 조치를 먼저 시행했음을 입증해야 한다.
두 번째 쟁점은 "AI를 활용하지 않는 것"이 저성과의 정당한 사유가 되는가이다. 경영자가 업무 도구로 AI 사용을 지시했는데 직원이 이를 거부하거나 활용하지 않아 생산성이 현저히 낮은 경우, 이를 근거로 낮은 평가를 부여하거나 임금을 차등 적용할 수 있는가. 현행법상 업무 수행 방식에 대한 합리적 지시는 사용자의 지시권에 포함되지만, AI 도구 사용 거부만을 이유로 한 징계는 "정당한 사유" 판단에서 논쟁의 여지가 크다. 다만 업무 평가에서 AI 활용을 포함한 생산성 지표를 반영하는 것은 평가 기준이 사전에 명시되고 합리적이라면 법적으로 가능하다.
세 번째 쟁점은 AI 도구 비용의 귀속이다. AI 구독료, API 비용을 회사가 부담하는 것은 당연하지만, 직원이 개인적으로 AI 도구를 사용하여 생산성을 높인 경우 그 비용을 누가 부담하는가. 현행법은 업무 수행에 필요한 도구와 비용을 사용자가 부담하도록 규정하고 있으므로, AI 도구가 업무 수행의 필수 요소로 지정된다면 비용은 회사 부담이 원칙이다.
네 번째 쟁점은 급여 투명성 법제화의 방향이다. 이재명 대통령의 급여 투명성 추진과 맞물려, 채용 공고에 연봉 범위를 공시하는 법안이 논의 중이다. 미국에서는 이미 15개 주가 시행 중이고, EU는 2026년 6월까지 급여 투명성 지침의 국내법 전환을 요구하고 있다. 이 법이 시행되면 AI 시대의 연봉 산정이 더 복잡해진다. "이 역할의 연봉 범위는 4,000만~6,000만 원"이라고 공시했는데, 해당 역할의 상당 부분이 AI로 자동화되어 실질적 업무 범위가 변하면 공시 범위의 정당성에 의문이 제기될 수 있다.
경영자가 지금 할 수 있는 법적 준비는 명확하다. 모든 직무기술서(JD)에 AI 활용 역량을 명시하고, 평가 기준에 AI 활용 생산성 지표를 사전에 포함시키며, AI 도입에 따른 직무 재설계 시 근로 조건 변경 절차를 준수하고, 인력 조정이 필요한 경우 재배치와 재교육 등 해고 회피 노력을 선행하는 것이다. AI 시대의 보상 전략이 아무리 혁신적이라도, 법적 기반이 없으면 소송 한 건으로 무너진다.
한국 채용 시장에서 연봉 벤치마킹에 가장 널리 사용되는 도구들, 크레딧잡, 블라인드, 잡플래닛, 사람인의 데이터는 하나의 공통된 전제 위에 서 있다. "3년차 백엔드 개발자", "5년차 마케터", "PM 과장급"처럼 직무와 연차로 정의된 카테고리가 유효하다는 전제다. 이 전제가 AI에 의해 무너지고 있다.
같은 "3년차 백엔드 개발자"라도 AI를 활용하는 사람과 그렇지 않은 사람의 산출물 차이는 3배에서 10배까지 벌어진다. Claude Code를 사용하여 하루에 수십 개의 API 엔드포인트를 구현하고 테스트까지 완료하는 개발자와, 전통적인 방식으로 하루에 한두 개의 엔드포인트를 작성하는 개발자의 시장가가 동일해야 할 이유가 없다. 그러나 기존 벤치마킹 도구는 이 둘을 같은 "3년차 백엔드 개발자" 카테고리에 넣고 평균을 산출한다.
이 문제는 더 심화된다. AI가 직무 자체를 재정의하면서, 기존에 존재하지 않던 역할들이 등장하고 있다. AI 에이전트 오케스트레이터, 프롬프트 엔지니어, AI 시스템 아키텍트, AI 품질 관리자 같은 포지션은 크레딧잡의 국민연금 데이터에도, 잡플래닛의 직급 분류에도, 고용노동부의 직업 분류에도 정확히 매핑되지 않는다. 이 역할들의 시장가를 파악하려면 기존 도구만으로는 불가능하다.
그렇다면 AI 시대의 벤치마킹은 어떻게 해야 하는가. 세 가지 접근이 필요하다.
첫째, 역할이 아니라 산출 역량 기준으로 데이터를 수집한다. "백엔드 개발자"의 시장가를 묻는 대신, "AI를 활용하여 주당 X개의 기능을 프로덕션 수준으로 배포할 수 있는 엔지니어"의 시장가를 묻는다. 이를 위해 블라인드와 업계 커뮤니티에서 특정 산출 역량을 가진 사람들의 보상 수준을 질적으로 조사하고, 실제 채용 과정에서 후보자의 AI 활용 산출물을 직접 확인하여 내부 데이터를 축적한다.
둘째, 글로벌 데이터를 교차 참조한다. AI 관련 포지션의 시장가 형성은 한국보다 미국이 빠르다. Levels.fyi에서 AI/ML 엔지니어의 보상 범위를 확인하고, 한국 시장의 구매력 평가(PPP)를 적용하여 조정하면 방향성을 잡을 수 있다. AI 에이전트 오케스트레이션 같은 신규 역할은 아직 한국에 데이터가 축적되지 않았으므로, 글로벌 스타트업의 채용 공고와 보상 범위가 유일한 참조점인 경우가 많다.
셋째, 가장 실용적인 접근으로 "AI 대체 비용" 자체를 벤치마크로 사용한다. 해당 역할의 업무 중 AI로 자동화 가능한 비율을 측정하고, 그 자동화 비용을 계산한 뒤, 인간이 수행해야 하는 나머지 업무의 가치를 산정하는 방식이다. 예를 들어 콘텐츠 마케터의 업무가 리서치(AI 대체 가능), 초안 작성(AI 대체 가능), 전략 기획(인간 필요), 브랜드 톤 판단(인간 필요), 이해관계자 커뮤니케이션(인간 필요)으로 구성된다면, AI 대체 가능 업무의 비용과 인간 고유 업무의 가치를 합산하여 적정 보상을 역산할 수 있다.
이 접근은 기존의 "시장 중위값의 몇 퍼센트를 타깃으로 할 것인가"라는 프레임을 완전히 대체하지는 않는다. 특히 AI 전환이 아직 본격화되지 않은 직무 영역에서는 기존 벤치마킹이 여전히 유효하다. 하지만 AI가 직접적으로 생산성을 변화시키는 영역, 특히 개발, 콘텐츠, 데이터, 디자인 분야에서는 연차 기반 벤치마크의 유효성이 급격히 떨어지고 있다. 경영자가 여전히 "사람인에서 3년차 개발자 평균이 4,800만 원이니까 우리도 그 근처에서 제안하자"라고 접근하면, AI를 잘 활용하는 고가치 인재에게는 저평가, AI 활용 없이 기존 방식으로 일하는 인재에게는 과대평가를 하게 된다.
연봉 테이블도 재설계가 필요하다. 3장에서 제안한 A4 한 장짜리 구조의 핵심 요소는 유지하되, 급여 구간의 기준축이 바뀌어야 한다. "주니어-미드-시니어"라는 연차 기반 구분 대신, "AI 활용 없이 독립 수행 가능", "AI를 활용하여 3배 이상의 산출 달성", "AI 시스템을 설계하고 오케스트레이션하는 수준"의 역량 기반 구분이 더 실용적이다. 같은 직무라도 AI 활용 수준에 따라 급여 구간이 달라지는 구조가 AI 시대의 연봉 테이블이다.
AI 시대의 채용 면접에서 가장 본질적인 질문은 바뀌었다. "이 후보자가 업무를 잘 수행할 수 있는가"에서 "이 후보자가 AI 에이전트보다 나은 점은 무엇이며, AI와 결합했을 때 어떤 초과 가치를 만드는가"로. 이 질문에 답하지 못하는 채용은 AI 에이전트보다 비싼 인간을 고용하는 비합리적 투자가 된다.
채용 기준의 전환부터 보자. 과거의 채용 기준은 세 가지 축으로 구성되었다. 경력 연차, 직무 전문성, 조직 문화 적합성. AI 시대에는 네 번째 축이 추가되는 것이 아니라, 기존 세 축의 의미 자체가 변한다. 경력 연차는 더 이상 역량의 프록시가 아니다. AI를 활용하는 2년차가 AI 없이 일하는 7년차보다 높은 산출을 낸다면, 연차에 기반한 급여 구간은 의미를 잃는다. 직무 전문성의 정의도 달라진다. "React 개발 5년 경력"보다 "AI 코딩 도구를 활용하여 풀스택 프로덕트를 2주 안에 MVP로 구현한 경험"이 더 직접적인 역량 증거가 된다. 조직 문화 적합성에는 "AI 도구에 대한 개방성과 학습 의지"가 핵심 변수로 추가된다.
면접에서 AI 활용 역량을 검증하는 구체적인 방법이 필요하다. 가장 효과적인 접근은 포트폴리오 기반 검증이다. 후보자에게 "AI를 활용하여 완성한 프로젝트의 과정과 결과물"을 제출하도록 요청한다. 여기서 평가하는 것은 최종 결과물의 품질만이 아니라, AI 도구를 어떤 전략으로 활용했는지, 어디에서 인간의 판단이 개입했는지, AI의 한계를 어떻게 보완했는지의 과정이다. 두 번째 방법은 실무 과제 시험이다. 실제 업무와 유사한 과제를 주고, AI 도구 사용을 명시적으로 허용(또는 장려)한 상태에서 수행하게 한다. 과제의 난이도는 AI만으로는 완벽하게 해결할 수 없지만, AI를 잘 활용하면 품질과 속도가 획기적으로 향상되는 수준으로 설정한다. AI를 전혀 사용하지 않는 후보자, AI에 전적으로 의존하여 검증 없이 결과물을 제출하는 후보자, AI를 전략적으로 활용하되 핵심 판단은 자신이 내리는 후보자를 구분할 수 있다. 세 번째 방법은 AI 협업 시연이다. 면접 현장에서 AI 도구를 사용하여 특정 문제를 해결하는 과정을 실시간으로 보여달라고 요청한다. 프롬프트 설계 능력, 결과물 평가 능력, 반복적 개선 과정이 드러난다.
연봉 협상 단계에서도 접근이 달라져야 한다. 하버드의 딥악 말호트라 교수가 강조한 "여러 이슈를 동시에 협상하라"는 원칙은 AI 시대에 더욱 유효해진다. 다만 협상 테이블에 오르는 이슈의 구성이 변한다. 기본급은 여전히 핵심이지만, AI 도구 접근권이 새로운 보상 요소로 부상한다. 최상위 AI 모델에 대한 무제한 접근, 고성능 GPU 환경, 기업용 AI 플랫폼 라이선스는 직접적인 생산성 도구이자 경력 개발 수단이다. AI 학습 예산, 즉 외부 AI 교육, 컨퍼런스, 실험 프로젝트에 투자할 수 있는 예산도 성장 가능성을 중시하는 후보자에게 강력한 유인이 된다. 스톡옵션은 여전히 유효하지만, "AI로 인한 생산성 향상이 회사 가치에 반영되는 구조인가"를 후보자가 질문할 것이다.
가장 어려운 질문이 남는다. "AI를 잘 쓰는 사람"에게 프리미엄을 줘야 하는가, 아니면 AI 활용을 기본 역량으로 전제하고 프리미엄 없이 채용해야 하는가. 답은 시점에 따라 다르다. 2026년 현재는 AI 활용 역량이 차별화 요소이므로 프리미엄의 근거가 된다. 하지만 이 역량이 보편화되는 속도는 빠르다. 2~3년 안에 AI 활용은 엑셀이나 이메일처럼 기본 전제가 될 가능성이 높다. 경영자는 지금 프리미엄을 지불하되, 이 프리미엄이 영구적이지 않을 수 있다는 점을 보상 구조에 반영해야 한다. 기본급에 AI 프리미엄을 포함시키기보다, 성과급이나 프로젝트 보너스 형태로 AI 활용 산출에 대한 보상을 설계하는 것이 유연성을 확보하는 방법이다.
신규 채용에서 AI 역량을 평가하는 것보다 더 어려운 문제가 있다. 이미 함께 일하고 있는 기존 직원들 사이에서 AI 활용 수준에 따라 벌어지는 생산성 격차를 보상에 어떻게 반영할 것인가이다.
현실을 직시하자. 같은 팀에서 같은 직급으로 일하는 두 명의 마케터가 있다. 한 명은 AI 에이전트를 활용하여 주간 콘텐츠를 혼자서 기획, 작성, 편집, 배포한다. 다른 한 명은 전통적인 방식으로 같은 양의 작업을 수행하는 데 세 배의 시간이 걸린다. 같은 팀의 두 개발자 중 한 명은 Claude Code를 활용하여 하루에 열 개의 기능을 구현하고 테스트까지 완료하지만, 다른 한 명은 같은 시간에 두세 개를 완성한다. 이 격차는 과거에도 존재했지만, AI가 그 격차를 극적으로 증폭시키고 있다.
이 격차를 보상에 반영하지 않으면 두 가지 결과가 따른다. 첫째, AI를 활용하여 높은 산출을 내는 직원이 자신의 기여와 보상 사이의 불일치를 인식하고 이탈한다. 블라인드와 잡플래닛 시대에 이 인식은 빠르게 형성된다. 둘째, AI 활용의 동기가 소멸한다. 같은 보상을 받는데 더 적극적으로 AI를 학습하고 활용할 인센티브가 없어진다. 조직 전체의 AI 전환 속도가 느려진다.
반면 격차를 급격하게 반영하면 다른 종류의 문제가 생긴다. 같은 직급에서 AI 활용 여부에 따라 연봉이 1.5배에서 2배까지 차이 나면, AI 활용이 낮은 직원들의 사기가 급락하고 조직 내 갈등이 심화된다. 특히 한국 직장 문화에서 동일 직급 내 큰 보상 격차는 체면과 형평성에 대한 강한 반발을 불러온다.
이 딜레마를 해결하는 방법은 세 단계로 구성된다.
첫 번째 단계는 AI 역량을 평가 기준에 공식적으로 통합하는 것이다. 이것은 갑자기 도입하면 반발을 낳는다. 먼저 전사적으로 AI 활용이 업무의 핵심 역량임을 선언하고, AI 교육 기회를 충분히 제공한 뒤, 다음 평가 주기부터 AI 활용 산출을 평가 지표에 포함한다는 로드맵을 투명하게 공유한다. 최소 3~6개월의 전환 기간을 두어 모든 직원에게 적응할 기회를 준다.
두 번째 단계는 산출 가치 기반의 성과급 구조를 도입하는 것이다. 기본급의 격차를 급격히 벌리는 대신, 성과급에서 AI 활용 생산성을 반영한다. 기본급은 역할과 시장 시세에 기반하여 안정적으로 유지하되, 성과급은 실제 산출물의 양과 질에 연동한다. AI를 활용하여 높은 산출을 내는 직원은 자연스럽게 높은 성과급을 받게 되고, 이는 기본급의 불일치보다 조직적 수용도가 높다.
세 번째 단계는 Compa-ratio의 한계를 인정하고 보완하는 것이다. 기존의 Compa-ratio는 동일 직무의 시장 중위값 대비 현재 급여 비율을 측정한다. AI 시대에는 이 지표에 "산출 효율 계수"를 곱하는 보정이 필요하다. 동일한 역할이지만 AI 활용으로 3배의 산출을 내는 직원의 실질적 시장가는 기존 벤치마크의 3배가 아니더라도 상당히 높다. 이를 반영하지 않으면 시장 시세 대비 심각한 저평가 상태에 놓이게 되고, 이직은 시간문제가 된다.
가장 민감한 질문을 피할 수 없다. AI 활용을 거부하는 직원에 대한 보상 정책은 어떻게 해야 하는가. 명시적으로 "AI를 쓰지 않으면 연봉을 깎겠다"고 할 수는 없다. 4장에서 살펴본 것처럼 법적으로 위험하다. 하지만 평가 기준에 AI 활용 생산성을 포함시키고, 그 기준이 사전에 공지되었다면, AI를 활용하지 않아 산출이 낮은 직원이 낮은 평가를 받고 그에 따라 낮은 인상률을 적용받는 것은 정당한 성과 기반 보상 차등이다. 핵심은 "AI를 안 쓰는 것"을 처벌하는 것이 아니라, "높은 산출을 낸 것"을 보상하는 방향으로 설계하는 것이다. 결과는 같지만, 프레이밍이 다르면 법적 안정성과 조직적 수용도가 모두 달라진다.
전통적 성과 관리 프레임워크인 OKR, KPI, MBO는 모두 하나의 암묵적 전제 위에 서 있다. "인간이 시간을 투입하여 성과를 낸다"는 전제다. OKR은 분기별 목표를 설정하고 인간이 노력하여 달성하는 구조이며, KPI는 인간의 활동이 만들어내는 측정 가능한 지표를 추적하며, MBO는 상사와 부하가 합의한 목표를 인간이 수행하는 과정을 관리한다. AI 시대에 이 전제가 흔들린다.
AI가 업무의 80%를 수행하고 인간이 20%의 판단, 검증, 창의를 더하는 구조에서, 기존 평가 프레임워크는 무엇을 측정하고 있는가. OKR의 Key Result가 "분기 내 블로그 포스트 30개 발행"이라면, AI 에이전트가 이 중 25개를 작성하고 인간이 5개를 작성한 경우 목표 달성률은 100%다. 하지만 이 100%가 의미하는 바는 AI 이전과 완전히 다르다. KPI로 "월간 코드 커밋 수"를 측정하면, Claude Code를 활용하는 개발자의 커밋 수가 10배로 뛰는데, 이것이 10배의 성과를 의미하는가. 양적 지표가 AI에 의해 인플레이션되면, 기존 측정 시스템은 신호와 잡음을 구분하지 못한다.
AI 시대의 평가 시스템은 세 가지를 새롭게 측정해야 한다.
첫째, 의사결정 품질이다. AI가 선택지를 생성하고 인간이 최종 결정을 내리는 구조에서, 그 결정의 정확성과 비즈니스 영향력이 핵심 평가 대상이 된다. AI가 제안한 다섯 가지 마케팅 전략 중 어느 것을 선택했고, 그 선택이 어떤 결과를 만들었는가. AI가 작성한 코드 중 어떤 것을 채택하고 어떤 것을 거부했으며, 그 판단이 시스템의 안정성과 성능에 어떤 영향을 미쳤는가. 투입 시간이 아니라 판단의 질을 측정하는 것이다.
둘째, 시스템 설계 역량이다. 개별 태스크를 수행하는 것이 아니라, AI 에이전트를 포함한 업무 시스템 자체를 설계하고 개선하는 능력이다. "이 보고서를 작성했다"가 아니라 "보고서 작성 프로세스를 AI 에이전트 파이프라인으로 자동화하여 팀 전체의 리포팅 시간을 80% 줄였다"가 평가 대상이 된다. 3장에서 언급한 AI 오케스트레이션 역량이 여기에 해당한다.
셋째, 예외 상황 대응력이다. AI는 정상 범위 내의 업무를 탁월하게 처리하지만, 학습 데이터에 없는 상황, 모호한 이해관계 충돌, 감정적 맥락이 복잡한 상호작용에서는 한계를 드러낸다. 이런 예외 상황에서 인간이 개입하여 문제를 해결한 빈도, 속도, 품질이 중요한 평가 지표가 된다.
OKR은 이 새로운 측정 체계와 어떤 관계를 맺는가. OKR 자체를 폐기할 필요는 없다. 다만 Key Results의 설계가 달라져야 한다. "블로그 포스트 30개 발행"이 아니라 "AI를 활용한 콘텐츠 파이프라인 구축, 월 MAU 20% 증가"처럼 시스템 수준의 산출과 비즈니스 임팩트로 Key Results를 재정의한다. OKR은 방향을 설정하고, 보상은 위에서 설명한 세 가지 차원(의사결정 품질, 시스템 설계, 예외 대응)에 대한 별도 평가를 통해 결정하는 분리 구조가 가장 실용적이다.
스타트업의 성장 단계별로 이 시스템의 적용 깊이는 달라진다. 10명 이하의 초기 단계에서는 정교한 평가 시스템보다 "이 사람이 AI를 활용하여 만드는 실제 산출물의 비즈니스 임팩트"를 CEO가 직접 판단하는 것이 현실적이다. 30명 이상으로 성장하면 의사결정 품질과 시스템 설계 역량을 구조화된 기준으로 평가하는 프레임이 필요해진다. 100명 이상에서는 캘리브레이션 세션, 360도 피드백, AI 활용 지표의 정량적 추적을 포함한 본격적인 평가 인프라가 필요하다. 한국 시장의 HR 도구 중 레몬베이스와 FLEX가 이런 맞춤 평가 체계의 기반으로 활용될 수 있지만, AI 시대의 고유한 평가 차원을 완전히 반영하는 도구는 아직 시장에 부재하다. 당분간은 기존 도구 위에 자체 평가 기준을 커스터마이징하는 것이 현실적인 접근이다.
보상 시스템을 잘못 설계하면 돈을 잃는다. AI 시대에는 잘못 설계하면 돈을 잃는 것을 넘어서, 조직의 AI 전환 자체가 좌초된다. 한국 스타트업과 중소기업이 AI 시대에 반복적으로 범하는 보상 실수 일곱 가지를 구체적으로 진단한다.
첫 번째 실수는 AI 도입 효과를 보상에 반영하지 않는 것이다. 직원이 AI를 활용하여 기존 대비 3배의 산출을 내기 시작했는데, 연봉 인상은 여전히 일률 4%가 적용된다. 이 직원은 자신의 향상된 생산성이 보상에 전혀 반영되지 않는다는 것을 인식하는 순간, 두 가지 중 하나를 선택한다. AI 활용을 중단하거나, 이 역량을 인정하는 다른 회사로 떠나거나. 7장에서 설명한 산출 가치 기반 성과급 구조가 이 실수의 해결책이다.
두 번째 실수는 AI 관련 역할에 기존 연봉 틀을 강제하는 것이다. AI 에이전트 오케스트레이터, 프롬프트 엔지니어, AI 시스템 아키텍트 같은 신규 역할의 시장가를 기존 "3년차 개발자" 또는 "5년차 기획자"의 급여 구간에 끼워 맞추려는 시도다. 5장에서 설명한 것처럼 이 역할들의 시장가는 기존 카테고리에 매핑되지 않으며, 강제로 매핑하면 저평가가 발생하여 채용에 실패하거나, 과대평가가 발생하여 내부 형평성이 무너진다. 새로운 역할에는 새로운 급여 구간이 필요하다.
세 번째 실수는 AI 도구 비용을 직원에게 전가하는 것이다. 직원이 개인적으로 Claude Pro나 GPT Plus를 구독하여 업무 생산성을 높이고 있는데, 회사가 이를 "개인 선택"으로 치부하며 비용을 지원하지 않는 경우다. 이것은 직원이 자비로 업무용 노트북을 구매하게 하는 것과 본질적으로 같다. 4장에서 확인한 것처럼 업무 수행에 필요한 도구의 비용은 사용자 부담이 원칙이다. AI 도구가 업무의 필수 인프라가 된 시점에서, 그 비용을 회사가 지원하는 것은 복리후생이 아니라 기본적인 업무 환경 제공이다.
네 번째 실수는 AI 활용 격차를 무시한 일률 인상이다. 7장에서 다룬 문제의 핵심이다. 같은 직급에서 AI 활용 수준에 따라 산출물이 5~10배 차이 나는데, 전원에게 동일한 인상률을 적용하면 고성과자를 처벌하고 저성과자를 보호하는 역인센티브 구조가 만들어진다. 한국 직장 문화의 형평성 인식 때문에 일률 인상이 "안전한" 선택처럼 보이지만, 실제로는 조직의 AI 전환을 가장 효과적으로 저해하는 방법이다.
다섯 번째 실수는 AI로 대체 가능한 역할에 시장가 프리미엄을 지불하는 것이다. 2장에서 분석한 것처럼 AI가 비용의 수십 분의 1로 수행할 수 있는 업무에 종사하는 인간에게 "시장가"라는 이유로 높은 보상을 유지하는 것은 경영적으로 비합리적이다. 물론 4장에서 확인한 법적 제약 때문에 즉각적인 임금 삭감은 불가능하지만, 해당 역할의 직무 재설계를 통해 AI 대체 불가능한 업무의 비중을 높이거나, 자연 감소를 통해 점진적으로 조정하는 전략이 필요하다.
여섯 번째 실수는 AI 시대의 직무 재설계 없이 기존 JD로 채용하는 것이다. 2년 전에 작성한 직무기술서로 2025년에 채용하면, AI 이전 시대의 업무 방식을 전제로 한 사람을 고용하게 된다. 모든 채용 공고는 AI 활용을 전제한 업무 범위, AI와 협업하는 방식, AI로 대체할 수 없는 핵심 기여 영역을 명시해야 한다. JD가 바뀌지 않으면 채용 기준도 바뀌지 않고, 채용 기준이 바뀌지 않으면 보상의 근거도 바뀌지 않는다.
일곱 번째 실수는 "AI는 보조 도구일 뿐"이라는 인식에 머무는 것이다. 이것은 보상 실수라기보다 인식의 실수지만, 모든 보상 실수의 근원이다. AI를 엑셀이나 파워포인트처럼 "업무를 편하게 해주는 도구" 수준으로 인식하면, AI 활용 역량에 대한 보상 프리미엄도, AI 비대체 역량에 대한 재평가도, AI 기반 생산성 격차의 보상 반영도 일어나지 않는다. AI는 보조 도구가 아니라 팀원이다. 11명이 220개 AI 에이전트를 운영하는 조직에서 AI는 도구가 아니라 인력의 확장이며, 이 인식이 보상 철학의 출발점이 되어야 한다.
이 글의 출발점은 단순한 관찰이었다. 연봉 협상의 비교 대상이 "다른 회사에서 같은 역할의 사람이 받는 금액"에서 "AI 에이전트가 같은 일을 하는 비용"으로 바뀌고 있다는 것. 이 전환의 속도는 대부분의 경영자가 인식하는 것보다 빠르다.
앞에서 다룬 내용의 핵심을 압축하면 이렇다.
AI 에이전트의 비용 구조는 인간 고용 비용의 수십 분의 1이며, 콘텐츠, 코드, 데이터 분석, 고객 응대 영역에서 이미 인간과 동등하거나 더 높은 품질의 산출을 만들고 있다.
이 현실은 경영자에게 "적은 인원에게 높은 보상을 집중하고 나머지는 AI로 대체한다"는 선택지를 합리적인 것으로 만들고 있다. 한국 노동법은 이 전환에 제약을 가하지만, 불가능하게 만들지는 않는다. 기존의 연봉 벤치마크는 AI가 직무를 재정의하면서 유효성을 잃고 있으며, "연차 기반"에서 "산출 역량 기반"으로 데이터 수집과 보상 설계의 축이 이동하고 있다. 채용 면접의 본질적 질문은 "AI보다 나은 점이 무엇인가"로 바뀌었고, 기존 직원의 연봉 조정은 AI 활용 생산성 격차를 반영하지 않으면 고성과자의 이탈을 초래한다. 평가 시스템은 투입 시간이 아니라 의사결정 품질, 시스템 설계 역량, 예외 상황 대응력을 측정하는 방향으로 재설계되어야 한다.
이 모든 것을 관통하는 하나의 질문이 있다. 인간과 AI가 결합한 시스템이 만들어내는 총가치에서, 인간의 몫은 어떻게 결정되는가.
과거의 연봉은 "이 사람의 시간과 노력의 시장가격"이었다. AI 시대의 연봉은 "이 사람이 AI 시스템 위에서 창출하는 비대체적 가치의 가격"이 된다. AI가 80%를 처리하고 인간이 20%를 더하는 구조에서, 그 20%가 전체 시스템의 성패를 좌우한다면 그 20%의 가치는 과거의 100% 인간 노동보다 높을 수 있다. 아키텍처를 설계하고, 예외를 판단하고, 전략적 방향을 결정하고, AI가 생산한 결과물에 최종 품질의 도장을 찍는 인간의 역할은 AI가 아무리 발전해도 쉽게 대체되지 않는다. 그리고 이 역할을 수행할 수 있는 사람은 많지 않다. 희소한 역량에는 높은 가격이 붙는다.
300개 이상의 AI 에이전트를 운영하는 조직의 보상 철학이 시사하는 바가 바로 이것이다. 이 조직에서 11명 각각은 30개의 AI 에이전트를 관리하는 것이 아니라, AI 에이전트 시스템 전체가 올바른 방향으로 올바른 품질로 작동하도록 보장하는 역할을 한다. 이 역할의 가치는 그 시스템이 만드는 총산출에 비례한다. 100명이 하던 일을 11명이 해내면, 이 11명의 1인당 가치는 단순 계산으로도 기존의 9배 이상이다. 물론 AI 에이전트 비용을 차감해야 하지만, 그 비용은 인간 89명의 총고용 비용에 비하면 미미하다. 이것이 "적은 인원에게 높은 보상"이 잔인한 선택이 아니라 생존 전략인 이유다.
경영자가 지금 당장 실행해야 할 것은 세 가지다.
첫째, 전 직무에 대한 AI 대체 가능성 감사(audit)를 실시한다. 각 역할의 업무를 태스크 단위로 분해하고, AI로 자동화 가능한 비율과 인간이 수행해야 하는 비율을 측정한다. 이 데이터가 모든 후속 보상 결정의 기초가 된다.
둘째, 산출 가치 기반의 보상 테이블을 설계한다. 연차와 직급이 아니라, AI를 포함한 시스템에서 만들어내는 산출의 비즈니스 임팩트를 기준으로 급여 구간을 재정의한다.
셋째, AI 역량을 평가의 핵심축으로 격상한다. 다음 분기 평가부터 AI 활용 산출을 정식 평가 항목으로 포함하고, 이를 사전에 전 직원에게 공지한다.
연봉 협상은 결국 가치에 대한 대화다. 과거에는 그 가치가 "이 사람의 경험과 기술"로 정의되었다. 지금은 "이 사람이 AI와 결합했을 때 만드는 시스템의 총가치 중 인간 고유의 기여분"으로 재정의되고 있다. 이 전환을 먼저 인식하고 보상 체계에 반영하는 경영자가 AI 시대의 인재 경쟁에서 이긴다. Claude Code보다 일을 잘하느냐는 질문은 도발이 아니다. 모든 경영자와 모든 직원이 지금 자신에게 던져야 할, 가장 정직한 질문이다.