The World Economic Forum's Future of Jobs Report 2025 projects that by 2030, AI and automation will displace approximately 92 million jobs while creating roughly 170 million new ones—a net gain of 78 million. This framing is reassuring in aggregate but potentially misleading in distribution. The jobs displaced and the jobs created will not go to the same people, in the same places, with the same skills. The research on this transition is accumulating rapidly, and the picture is more textured than the headline numbers suggest.

The Research Landscape

Racial and Structural Dimensions of Displacement

Broady, Booth-Bell, Barr, and Meeks (2025) provide one of the more empirically grounded analyses, examining how automation and AI affected U.S. workers between 2019 and 2022. The COVID-19 pandemic served as a natural experiment: employers accelerated automation adoption during labor shortages, creating a compressed timeline of displacement effects. The key finding is distributional: Black and Latino or Hispanic workers are overrepresented in occupations most susceptible to automation—roles involving routine physical and cognitive tasks. Workers in occupations with lower automation susceptibility earned higher wages and experienced greater employment stability during the pandemic.

This is not a new finding, but the pandemic data makes it more concrete. The structural vulnerability is not about technology per se but about the pre-existing occupational segregation that places certain demographic groups in the path of automation.

Generative AI and White-Collar Exposure

Jiang (2025) shifts the focus from routine manual tasks to white-collar occupations, examining how generative AI tools (ChatGPT, large language models) are affecting wage dynamics among knowledge workers. The study finds that occupations with higher exposure to generative AI experienced greater wage dispersion in 2024—not uniform wage decline, but a widening gap between workers who can leverage AI tools productively and those whose tasks are substituted by them.

This pattern—divergence rather than uniform displacement—is consistent with what economists call "skill-biased technological change," but with a twist: the relevant skill is not traditional education level but the ability to work effectively with AI systems, a competency that existing educational credentials do not reliably signal.

Displacement or Complementarity?

Zakerinia, Chen, and Srinivasan (2025) at Harvard Business School frame the core question directly: is generative AI a substitute for or a complement to human labor? Their analysis, which has attracted early academic attention finds that the answer depends heavily on the task level within occupations. Within the same job title, some tasks are displaced (routine drafting, data summarization, initial coding) while others are augmented (strategic decision-making, client interaction, creative problem-solving). The net effect on employment depends on which tasks dominate the occupation's time allocation.

Higher-Order Skills and Demand Shifts

Gulati, Marchetti, and Puranam (2025) examine how generative AI adoption reshapes not just tasks but the skills that employers demand. Using job posting data, they find that as organizations adopt GenAI tools, they shift demand toward higher-order skills—critical thinking, complex problem-solving, and interpersonal communication. This is consistent with a complementarity view of AI, but it creates a transition problem: workers whose comparative advantage lies in the routine tasks being automated must acquire new skills to remain competitive, and the timeline for this reskilling may be shorter than historical technological transitions have allowed.

Critical Analysis: Claims and Evidence

Open Questions

Where This Stands

The labor market impact of AI is neither the catastrophe that pessimists fear nor the seamless transition that optimists predict. The evidence points to a distributional story: who benefits and who bears the cost of the transition depends on pre-existing structural factors—race, geography, education, occupation—that are amenable to policy intervention but resistant to market self-correction.

Explore related work through ORAA ResearchBrain.

면책 조항: 이 게시물은 정보 제공을 목적으로 한 연구 동향 개요이다. 특정 연구 결과, 통계 및 주장은 학술 저작물에 인용하기 전에 원본 논문을 통해 반드시 확인해야 한다.

AI와 노동 시장: 사라지는 9,200만 개의 일자리와 창출되는 1억 7,000만 개의 일자리 사이에서

세계경제포럼(World Economic Forum)의 『미래 일자리 보고서 2025(Future of Jobs Report 2025)』는 2030년까지 AI와 자동화로 인해 약 9,200만 개의 일자리가 대체되는 반면, 약 1억 7,000만 개의 새로운 일자리가 창출되어 순 7,800만 개의 일자리가 증가할 것으로 전망한다. 이러한 틀은 총량 면에서는 안심을 주지만, 분포 면에서는 오해를 불러일으킬 수 있다. 사라지는 일자리와 새로 생겨나는 일자리는 동일한 사람들에게, 동일한 지역에서, 동일한 기술을 요구하는 방식으로 대응되지 않는다. 이 전환에 관한 연구는 빠르게 축적되고 있으며, 실상은 헤드라인 수치가 시사하는 것보다 훨씬 복잡한 양상을 띠고 있다.

연구 동향

대체의 인종적·구조적 차원

Broady, Booth-Bell, Barr, Meeks(2025)는 2019년부터 2022년까지 자동화와 AI가 미국 노동자들에게 미친 영향을 분석한 가장 실증적으로 탄탄한 연구 중 하나를 제시한다. COVID-19 팬데믹은 자연 실험의 역할을 했다. 노동력 부족 상황에서 고용주들이 자동화 도입을 가속화하면서 대체 효과의 압축된 타임라인이 형성되었다. 핵심 발견은 분포에 관한 것이다. 흑인 및 라틴계 또는 히스패닉 노동자들은 자동화에 가장 취약한 직종, 즉 반복적인 신체적·인지적 과제를 수행하는 역할에 과대 대표되어 있다. 자동화 취약성이 낮은 직종의 노동자들은 팬데믹 기간 동안 더 높은 임금을 받고 더 높은 고용 안정성을 경험했다.

이는 새로운 발견이 아니지만, 팬데믹 데이터는 이를 보다 구체적으로 보여준다. 구조적 취약성은 기술 자체의 문제가 아니라, 특정 인구 집단을 자동화의 경로에 놓이게 하는 기존의 직업적 분리(occupational segregation)에 관한 것이다.

생성형 AI와 화이트칼라 직종의 노출

Jiang(2025)은 반복적 육체 노동에서 화이트칼라 직종으로 초점을 이동시켜, 생성형 AI 도구(ChatGPT, 대규모 언어 모델)가 지식 노동자들의 임금 역학에 미치는 영향을 분석한다. 이 연구는 생성형 AI에 대한 노출도가 높은 직종에서 2024년에 더 큰 임금 격차가 발생했음을 발견한다. 균일한 임금 하락이 아니라, AI 도구를 생산적으로 활용할 수 있는 노동자와 자신의 업무가 AI에 의해 대체되는 노동자 사이의 격차가 벌어진 것이다.

이러한 패턴, 즉 균일한 대체가 아닌 분기(divergence)는 경제학자들이 "기술 편향적 기술 변화(skill-biased technological change)"라고 부르는 것과 일치하지만, 한 가지 변형이 존재한다. 관련 기술이 전통적인 교육 수준이 아니라 AI 시스템과 효과적으로 협력하는 능력이라는 점이며, 이는 기존의 교육 자격증이 신뢰할 수 있게 신호하지 못하는 역량이다.

대체인가, 보완인가?

하버드 비즈니스 스쿨(Harvard Business School)의 Zakerinia, Chen, Srinivasan(2025)은 핵심 질문을 직접적으로 제기한다. 생성형 AI는 인간 노동의 대체재인가, 보완재인가? 초기 학계의 주목을 받고 있는 이들의 분석은, 그 답이 직종 내 과제 수준에 따라 크게 달라진다는 것을 발견한다. 동일한 직함 내에서도 일부 과제(반복적 초안 작성, 데이터 요약, 초기 코딩)는 대체되는 반면, 다른 과제(전략적 의사결정, 고객 응대, 창의적 문제 해결)는 증강된다. 고용에 대한 순 효과는 해당 직종의 시간 배분에서 어떤 과제가 지배적인지에 달려 있다.

고차원 역량과 수요 변화

비판적 분석: 주장과 근거

Gulati, Marchetti, Puranam(2025)은 생성형 AI 도입이 단순히 과업뿐 아니라 고용주가 요구하는 역량을 어떻게 재편하는지를 분석한다. 채용 공고 데이터를 활용한 이들의 연구에 따르면, 조직이 GenAI 도구를 도입할수록 비판적 사고, 복잡한 문제 해결, 대인 커뮤니케이션 등 고차원 역량에 대한 수요가 증가한다. 이는 AI의 보완성 관점과 일치하지만, 동시에 전환 문제를 야기한다. 즉, 자동화되고 있는 반복적 과업에서 비교우위를 가진 노동자들은 경쟁력을 유지하기 위해 새로운 역량을 습득해야 하는데, 이 재교육에 허용된 시간이 역사적인 기술 전환이 제공했던 것보다 훨씬 짧을 수 있다.

미해결 과제

현재의 위치

AI가 노동시장에 미치는 영향은 비관론자들이 우려하는 재앙도, 낙관론자들이 예측하는 순탄한 전환도 아니다. 근거는 분배적 이야기를 가리킨다. 즉, 누가 혜택을 받고 누가 전환 비용을 부담하는지는 인종, 지역, 교육, 직종 등 기존의 구조적 요인에 달려 있으며, 이는 정책 개입에는 열려 있지만 시장의 자기교정에는 저항적이다.

관련 연구는 ORAA ResearchBrain을 통해 탐색할 수 있다.