자동화가 실제로 무엇을 줄였는지 세는 인력 계획 분석

사유 1위가 AI인데 감원 총량은 줄었다

챌린저·그레이앤크리스마스는 미국 기업이 발표하는 감원 계획을 매달 집계하는 인사 컨설팅 회사다. 이 회사의 2026년 7월 보고서에 두 문장이 나란히 실려 있다. 7월 한 달 감원 발표는 33,429명으로 6월 45,849명에서 27% 줄었고, 1월부터 7월까지 누적은 477,033명으로 지난해 같은 기간 806,383명보다 41% 적었다. 그런데 같은 보고서에서 7월 감원 사유 1위는 AI였다. 한 달에 10,970명, 전체의 33%다. 올해 들어 AI가 사유로 적힌 감원은 누적 112,713명으로 전체의 24%쯤 된다.

두 사실을 붙여 놓으면 이상해진다. AI가 사유 1위로 올라선 해에 감원 총량은 오히려 40% 넘게 줄었다. 나머지 사유도 작지 않다. 시장·경제 여건 90,075명, 사업장 폐쇄 84,630명, 구조조정 57,476명, 계약 상실 40,758명이 같은 기간 함께 집계됐다.

여기서 이 집계의 성격을 짚고 가야 한다. 챌린저가 세는 것은 회사가 감원을 발표하면서 발표문에 적어 넣은 사유다. 원인을 규명한 결과가 아니라 회사가 고른 설명이다. 파이낸셜타임스가 최근 감원이 정말 AI 때문이냐고 물은 것도 이 지점이다. 발표문에 “AI 도입에 따른 조직 재편"이라고 쓰면 투자자에게는 미래를 준비하는 회사로 읽히고, “수요 둔화"라고 쓰면 사업이 나빠진 회사로 읽힌다. 같은 감원에 붙일 수 있는 두 문장의 값이 다르다.

그래서 회사 안에 이 문장을 검증하는 사람이 필요해졌다. 실제로 어떤 업무가 얼마나 줄었는지, 그 감소가 도구 도입 시점과 붙어 있는지, 아니면 그 전부터 진행되던 흐름인지를 데이터로 갈라내는 일이다. 인사팀의 보고서 작성이 아니라 인과를 다루는 분석이라, 데이터 사이언티스트 쪽에서 사람을 데려간다.

사람 수가 아니라 업무를 세는 훈련이 먼저다

이 직무의 기본 단위는 직원이 아니라 태스크다. “개발자 100명이 필요한가"라는 질문은 분석이 안 된다. “이 팀이 한 달에 처리하는 작업을 유형별로 나누면 무엇이 몇 건이고, 각 유형에 평균 몇 시간이 드는가"로 바꿔야 계산이 시작된다. 이렇게 쪼개 놓으면 자동화 도구가 들어왔을 때 어느 유형의 건수가 줄고 어느 유형이 그대로인지 눈으로 보인다. 코드 리뷰 대기 시간은 줄었는데 요구사항 정의에 드는 시간은 그대로라면, 그 팀에서 사람이 병목인 지점은 옮겨간 것이지 사라진 게 아니다.

한국개발연구원이 2023년 말 낸 보고서가 이 구분을 숫자로 보여준다. 이 보고서는 국내 일자리의 38.8%에서 기술적으로는 업무의 70% 이상을 자동화할 수 있다고 추정했다. 같은 보고서에서 실제 도입률은 10인 이상 민간기업의 2.7%였고, 250인 이상 기업으로 좁히면 약 20%였다. 기술적으로 가능한 면적과 실제로 도입된 면적 사이가 그만큼 벌어져 있다는 뜻이다. 이 두 숫자 사이에서 무슨 일이 벌어지는지가 이 직무의 작업 공간이다.

덧붙이면 이 수치 자체가 2023년 기준이라 지금은 낡았다. 그리고 이만한 조사를 매년 다시 돌리는 곳은 많지 않다. 회사 안에서 최신 숫자를 만들어야 하는 이유가 여기 있다.

분석 도구는 데이터 사이언티스트가 쓰던 것과 크게 다르지 않다. SQL로 인사 시스템과 업무 시스템의 로그를 붙이고, 파이썬이나 R로 도입 전후를 비교하고, 대시보드로 인사 담당 임원이 매달 열어 보게 만든다. 다른 것은 데이터의 성질이다. 한 회사의 직원 수는 통계적으로 작은 표본이라 유의성이 잘 안 나오고, 조직 개편이 잦아 시계열이 자주 끊긴다. 그래서 실험 설계와 준실험 방법이 모델 정확도보다 중요해진다. 도입한 팀과 안 한 팀을 어떻게 비교할지, 자연 실험으로 쓸 수 있는 조직 변경이 언제 있었는지를 찾아내는 감각이다.

인접 직무와 헷갈리기 쉬운데, 컨설팅 회사의 인력 전환 자문이 조직에 무엇을 하라고 권고한다면 이쪽은 회사 안에서 무슨 일이 실제로 일어났는지를 측정한다. 법무 쪽이 감축 결정을 방어한다면 이쪽은 그 결정에 들어갈 근거를 만든다. 셋이 같은 회의실에 앉는 일도 흔하다.

데이터는 늦게 열리고 결론은 사람을 자른다

먼저 불리한 이야기부터 하는 편이 낫다. 인사 데이터는 회사에서 가장 늦게 열리는 데이터다. 개인정보 문제가 걸려 있고, 노사 관계에 직접 닿아 있어서 신입에게 조회 권한이 바로 나오지 않는다. 분석 결과가 누군가의 자리를 없애는 근거로 쓰일 수 있다는 점도 각오할 부분이다. 숫자가 마음에 안 든다는 이유로 다시 돌려 보라는 요청을 받는 빈도도 다른 분석 업무보다 높다.

들어가는 길은 두 갈래인데 성격이 꽤 다르다. 하나는 데이터 사이언티스트나 데이터 분석가로 입사해 인사·조직 관련 과제를 맡으면서 옮겨 앉는 쪽이다. 통계와 실험 설계는 이미 있으니 인사 제도를 배우면 된다. 다른 하나는 인사기획이나 채용에서 시작해 분석 역량을 붙이는 쪽이다. 이 경우는 조직이 어떻게 굴러가는지, 어떤 숫자가 왜 그렇게 기록되는지를 이미 알고 있어서 데이터를 덜 오해한다. 둘 중 어느 쪽이 유리하냐는 회사가 이 팀을 어디에 두었느냐로 갈린다.

솔직히 말하면 이 자리를 따로 만들어 둔 회사는 아직 많지 않다. 대부분은 인사기획 담당자가 스프레드시트로 겸해서 하고 있고, 채용 공고에도 별도 직함으로 잘 안 뜬다. 반대로 말하면 인사 데이터를 다뤄 본 데이터 사이언티스트가 지원자 풀에 거의 없다는 뜻이기도 하다. 3년에서 6년 차에 이 영역을 한 번이라도 맡아 본 사람은 조직 개편이 잦은 회사에서 계속 불려 다닌다.

지금 학교에 다니면서 준비한다면 회사 데이터 없이도 할 수 있는 연습이 있다. 고용노동부 고용행정통계와 워크넷의 공개 데이터에서 자기 전공과 관련된 직종의 구인 건수를 월별로 뽑아 그래프로 그려 보는 것이다. 그다음 그 선이 꺾인 달에 무슨 일이 있었는지 찾아보고, 그 사건이 원인이라고 말하려면 어떤 데이터가 더 있어야 하는지를 적어 본다. 마지막 한 줄이 이 직무의 전부다. 그리고 지금 공개된 자료만으로는 감원 발표문의 사유가 사실인지 밖에서 확인할 방법이 없다. 그 확인이 회사 안에서만 가능하다는 사정이, 이 자리가 회사 안에 생기는 이유다.