2장. K자형 균열: 기술 도입이 빚어낸 노동 시장의 재편
제1장에서는 거시경제적 데이터와 재무제표를 통해 한국 경제가 직면한 '생산성 역설'을 확인했다. 무형자산 투자가 충분히 수반되지 않은 채 하드웨어와 비용 절감에 편향된 자동화는 총요소생산성(TFP)의 뚜렷한 반등을 이끌어내지 못했다.
한편, 이러한 거시적 지표의 이면에는 '노동 시장'의 구조적 재편이라는 더 깊고 실질적인 지각 변동이 진행되고 있다.
기업들이 생존을 위해 노동 비용(W)과 자본 비용(R)을 저울질하며 기술을 도입하는 것은, 치열한 글로벌 경쟁 속에서 이윤을 방어해야 하는 개별 기업들의 지극히 합리적인 '미시적 최적화' 전략이다.
하지만 이 경제적 합리성이 개별 기업의 울타리를 넘어 산업 생태계 전체로 확장될 때, 부가가치가 분배되는 방식은 근본적으로 뒤틀린다. 이 장에서는 자본의 효율성 추구가 노동 시장에 어떠한 새로운 형태의 양극화, 즉 'K자형 균열'을 만들어내고 있는지 객관적으로 살펴본다.
노동 시장의 기술적 변화를 설명할 때 경제학자들이 오랜 기간 활용해 온 틀은 데이비드 오터(David Autor) 교수의 '과업 편향적 기술 변화(TBTC)' 이론이다.
이 모형은 기계가 매뉴얼화하기 쉬운 '정형적 업무'를 주로 대체하므로, 노동 시장의 중간 지대(단순 사무직, 조립원)는 축소되고, 양극단의 '비정형 인지 노동(전문직)'과 '비정형 육체 노동(대면서비스)'만 살아남아 고용 구조가 'U자형'으로 양분된다고 설명해 왔다.
그러나 2026년 현재, 스스로 계획을 세우고 도구를 조작하는 '에이전틱 AI'의 상용화는 이 U자형 곡선의 우측 기둥(인지 노동)마저 산산조각 냈다.
과거 거대한 자본과 수백 명의 조직이 필요했던 소프트웨어 개발, 마케팅 기획, 데이터 분석 등의 영역에서 진입 장벽이 극적으로 낮아진 것이다.
이는 경제학적으로 긍정적인 혁신의 가능성을 보여준다.
뛰어난 도메인 지식과 기획력을 갖춘 소수의 인재들은 AI 에이전트를 지휘하며 엄청난 부가가치를 창출하는 '슈퍼 개인(Super-Individual)' 혹은 ‘1인 마이크로 다국적 기업'으로 거듭나고 있다. 새로운 '프롬프트 경제(Prompt Economy)' 속에서 혁신적이고 초개인화된 하이엔드 시장이 폭발적으로 창출되고 있는 것이다.
하지만 이 새로운 시장은 극단적인 승자 독식 구조를 띠며, 상위 10%의 혁신가들에게 부를 집중시키는 파레토 법칙을 따른다. 문제는 이 거대한 혁신의 흐름에서 밀려난 대다수의 지식 노동자들이 직면하게 되는 구조적 그림자다.
혁신의 수혜를 입는 최상위 계층 아래에서, 대다수 지식 노동 시장이 겪는 파급 효과는 산업과 직군의 특성에 따라 두 가지 상이한 양상으로 발현된다.
첫째, 일반적인 기업 환경에서는 '숙련의 평준화(Skill Leveling)'에 따른 시니어 및 중간 관리자 역할의 축소다.
과거에는 신입 사원이 숙련된 시니어로 성장하기 위해 수만 시간의 실무 경험과 암묵지 축적이 필수적이었다. 그러나 압도적인 지식 데이터베이스를 학습한 AI 툴이 도입되면서, 1년 차 주니어와 10년 차 시니어 간 산출물의 질적 격차가 급격히 좁혀졌다.
기업 경영진 입장에서는 동일한 결과물을 낼 수 있다면 고비용의 시니어 인력을 유지할 경제적 유인이 감소한다. 따라서 기업들은 소수의 핵심 알고리즘 설계자와 AI의 결괏값을 검수하는 다수의 저임금 주니어급 인력으로 조직을 슬림화하는 방향을 택한다.
둘째, 회계사, 변호사, 의사 등 고도의 전문성이 요구되는 직군에서는 이와 정반대로 '사다리 걷어차기' 형태의 주니어 채용 증발이 두드러진다.
전통적으로 전문직 시장에서 저연차 주니어들은 수천 건의 영수증을 대사하거나 방대한 판례를 뒤지는 '허드렛일'을 통해 산업의 뼈대를 체득해 왔다.
그러나 비용 효율화를 추구하는 경영진들은 이 기초 과업들을 생성형 AI에 맡기고, 신규 채용을 대폭 축소했다. 기존의 시니어들이 AI를 보조 도구로 삼아 실무를 독식하며 단기적인 수익성을 극대화하는 합리적 선택을 한 것이다.
이 두 가지 양상은 서로 달라 보이지만, 장기적으로 국가 경제에 치명적인 '인적 자본 축적의 역설'을 초래한다는 점에서 본질적으로 동일하다.
특히 전문직 시장에서 주니어의 훈련 기회가 박탈당하는 현상은 일종의 '공유지의 비극(Tragedy of the Commons)'이다. 숫자의 흐름 속에 숨겨진 분식회계의 징후나 계약서의 미묘한 독소 조항을 찾아내는 직관은, 지루하고 반복적인 숙련 기간을 통해서만 뇌에 각인된다.
개별 법인은 당장의 교육 비용과 인건비를 줄이기 위해 AI를 활용한 무임승차를 택하지만, 이러한 선택이 누적되면 산업 전체를 이끌어갈 '차세대 시니어'의 파이프라인이 붕괴한다.
더욱 심각한 것은 '책임의 외주화'와 '향후 데이터 학습 모델 붕괴'의 딜레마다.
AI는 훌륭한 초안을 작성할 수 있지만, 수천억 원짜리 M&A의 최종 검토나 거대 기업의 감사 의견에 법적, 도덕적 책임을 지고 서명할 수는 없다. 10년 뒤, AI의 산출물에서 치명적인 오류를 직관적으로 잡아내고 책임질 수 있는 인간 시니어는 누가 될 것인가?
또한, 현장에서 새롭게 발생하는 예외적 케이스와 통찰을 축적할 주니어가 사라진다면, 결국 AI가 학습할 '고품질의 인간 생성 데이터'마저 고갈되어 AI 생태계 자체의 성장이 멈출 수밖에 없다. 당장의 비용 최적화가 미래의 자본 축적을 소각해 버리는 거대한 모순인 것이다.
새로운 시대의 노동 시장 균열은 블루칼라 대 화이트칼라라는 과거의 형태에서 발생하지 않고, 'AI 자본의 소유 및 통제'와 'AI 활용 및 종속‘이라는 새로운 권력의 축으로 이동하고 있다. 이것이 2026년 한국 경제에 아로새겨진 진정한 'K자형 균열'이다.
상단을 향하는 선에는 막대한 물리적 컴퓨팅 인프라(데이터센터, 클라우드)를 소유한 거대 기술 기업, 그리고 AI를 지휘하여 1인 기업 수준의 혁신을 이뤄내는 소수의 '슈퍼 개인'들이 위치한다. 이들은 한계비용 제로에 수렴하는 수확 체증의 혜택을 온전히 누린다.
반면 하단을 향하는 선에는 기술에 의해 숙련의 프리미엄을 상실한 중간 관리자, 훈련의 기회를 박탈당해 시장 진입이 좌절된 전문직 주니어, 그리고 알고리즘의 통제를 받으며 데이터 생산을 돕는 다수의 노동자가 밀집한다.
이들은 각자의 영역에서 생산성을 높이지만, 창출된 부가가치의 상당 부분은 클라우드 사용료나 플랫폼 구독료라는 명목으로 상단의 기술 소유 자본에게 귀속된다.
이러한 양극화는 자본가의 착취나 능력주의의 결과물로 단순 해석할 문제가 아니라, 치열한 환경 속에서 각자의 이윤을 극대화하려는 주체들의 미시적 합리성이 빚어낸 거시적 결과로 볼 수 있다.
이어지는 2.2절에서는 이러한 K자형 균열이 플랫폼 경제와 하청 구조 속에서 어떻게 수요독점 메커니즘과 결합하여 '현대판 지대 추구' 구조로 고착화되는지 경제학적 관점에서 해부할 것이다.
Autor, David H. "Why Are There Still So Many Jobs? The History and Future of Workplace Automation." Journal of Economic Perspectives, vol. 29, no. 3, 2015, pp. 3-30.
Autor, David H., Frank Levy, and Richard J. Murnane. "The Skill Content of Recent Technological Change: An Empirical Exploration." The Quarterly Journal of Economics, vol. 118, no. 4, 2003, pp. 1279-1333.
Brynjolfsson, Erik. "The Turing Trap: The Promise & Peril of Human-Like Artificial Intelligence." Daedalus, vol. 151, no. 2, 2022, pp. 272-287.
Dell'Acqua, Fabrizio, et al. "Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality." Harvard Business School Working Paper, no. 24-013, 2023.
Noy, Shakked, and Whitney Zhang. "Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence." Science, vol. 381, no. 6654, 2023, pp. 187-192.
Shumailov, Ilia, et al. "AI Models Collapse When Trained on Recursively Generated Data." Nature, vol. 631, 2024, pp. 755-759.
Becker, Gary S. Human Capital: A Theoretical and Empirical Analysis, with Special Reference to Education. 3rd ed., University of Chicago Press, 1993.
Ng, Andrew. "Agentic Design Patterns Part 1." The Batch, DeepLearning.AI, 20 Mar. 2024.
Stanford University Institute for Human-Centered Artificial Intelligence (HAI). Artificial Intelligence Index Report 2024. Stanford University, 2024.