Executive Summary
2026년 들어 회사가 "AI 때문에 사람을 줄였다"고 밝히는 일이 빠르게 늘었다. 아웃플레이스먼트 전문기업 Challenger, Gray & Christmas의 집계로는 5월에 AI가 처음으로 월간 최다 해고 사유에 올랐고, 1월부터 5월까지 AI를 사유로 든 해고가 8만 7,714명에 달했다. 1년 전 한 해 전체 수치(5만 4,836명)를 다섯 달 만에 넘긴 것이다.
그런데 같은 기간 전체 해고 건수는 전년 대비 43% 줄었다. 파이는 작아졌는데, 그 안에서 'AI'라는 라벨이 붙은 조각만 부풀었다. 게다가 NBER 조사에서 6,000명 경영진의 약 90%는 "지난 3년간 자사 고용에 AI 영향은 사실상 없었다"고 답했다. 발표문과 설문이 정반대를 가리킨다.
이 글은 AI가 일자리를 없애는지를 묻지 않는다. 우리가 지금 그것을 정직하게 측정할 수 없는 상태라는 점, 그리고 그 측정 불능의 원인이 해고 통계의 '사유 라벨' 무결성 붕괴라는 점을 데이터 품질의 관점에서 짚는다.
87,714
AI 귀속 해고 (1~5월)
2025년 연간 전체(54,836)를 이미 초과
−43%
전체 해고 전년 대비
파이는 줄고 'AI 라벨'만 커짐
7.8~56%
트래커별 AI 해고 비중
합의된 정의가 없어 출처마다 7배 차이
~90%
"AI 영향 0" 응답 경영진
NBER w34836 — 발표문과 정반대
줄어든 해고, 늘어난 'AI 라벨'
헤드라인은 단순하다. "AI가 이제 가장 많이 거론되는 해고 사유가 됐다." Challenger 집계로 AI 귀속 해고는 2월 약 10%에서 3월 25%, 4월 26%, 5월 약 40%로 가팔라졌다. 5월에는 사상 처음으로 AI가 월간 최다 사유 자리에 올랐다. 1월부터 5월까지 누계는 8만 7,714명. 작년 한 해 전체를 다섯 달 만에 넘겼다.
그런데 같은 보고서를 한 칸 옆에서 읽으면 다른 그림이 나온다. 2026년 들어 발표된 전체 해고는 39만 7,755건으로, 1년 전보다 43% 적다. 1분기 21만 7,362건은 2022년 이후 가장 낮은 1분기였다. 전체 해고의 파이가 줄어드는 동안, 'AI 때문'이라는 라벨이 붙은 조각만 빠르게 커진 셈이다.
1.1AI 귀속 해고의 월별 추이
아래 표는 그 변화를 월 단위로 끊어 정리한 것이다. 비중 칸이 가팔라지는 속도와, 맨 아래 누계 한 줄이 작년 한 해 전체를 이미 넘어섰다는 점을 함께 읽으면 된다.
출처: Challenger, Gray & Christmas 월간 Job Cut 보고서 (2026)
| 시점 | AI 귀속 해고 | 월 전체 대비 비중 |
|---|---|---|
| 2025년 전체 | 54,836 | 약 5% |
| 2026년 2월 | 4,680 | 약 10% |
| 2026년 3월 | 15,341 | 25% (AI가 첫 1위) |
| 2026년 4월 | 21,490 | 26% |
| 2026년 5월 | 38,579 | 약 40% (월간 최다 사유) |
| 2026년 1~5월 누계 | 87,714 | — |
여기서 주의할 맥락이 하나 있다. 2025년 수치는 미 연방정부의 대규모 감원으로 부풀려져 있었다. 연방 감원을 빼면 2026년은 2024년과 거의 같은 수준이다. 다시 말해 노동시장 자체가 갑자기 무너진 것이 아니다. 달라진 것은 회사들이 같은 감원에 붙이는 설명이다.
'AI가 1위'라는 헤드라인조차 집계 창을 어떻게 자르느냐에 달려 있다. AI는 5월 한 달만 떼어 보면 최다 사유지만, 2026년 누계로 순위를 매기면 시장·경제 여건, 구조조정, 폐업 등에 밀려 다섯 번째다. 같은 데이터에서 'AI 1위'와 'AI 5위'가 동시에 나온다. 어느 쪽을 인용하느냐가 곧 어떤 이야기를 하고 싶으냐의 문제가 된다.
그래서 첫 질문은 이렇게 바뀐다. 늘어난 것은 해고인가, 아니면 라벨인가? 전체 해고가 줄어드는 와중에 'AI' 라벨만 폭증했다면, 우리는 지금 노동시장의 변화가 아니라 회사가 그 변화를 어떻게 부르기로 했는지를 보고 있는지도 모른다. 헤드라인 숫자를 액면 그대로 받지 말아야 할 이유다.
같은 현실, 7.8%에서 56%까지
"AI 해고가 늘었다"는 문장에는 숨은 전제가 있다. 무엇이 'AI 해고'인지 모두가 같은 기준으로 센다는 전제다. 실제로는 그렇지 않다. 같은 2026년을 두고도 트래커마다 AI 해고 비중이 7.8%에서 56%까지 갈린다. 무려 7배 차이다.
| 출처 | AI 귀속 비중 | 집계 기준 |
|---|---|---|
| TechJack (AI-Direct) | 7.8% | 직접 자동화 대체만 인정 |
| Layoffs.fyi | 약 20% | AI/자동화를 명시 연결한 확정 해고 |
| Challenger (5월 월간) | 약 40% | 기업 자기보고 사유 집계 |
| SkillSyncer 트래커 | 56% | 해고 이벤트 수 기준 |
| Nikkei Asia (테크 한정) | 약 절반 | 테크 섹터 추정 |
숫자가 흔들리는 이유는 측정이 부실해서가 아니다. 각자 다른 것을 세고 있어서다. 누구는 "자동화가 그 자리를 직접 대체했다"는 좁은 경우만 세고, 누구는 발표문에 'AI'라는 단어가 등장하면 모두 포함한다. 누구는 사람 수를, 누구는 해고 이벤트 수를 센다. 측정 단위도, 포함 기준도 제각각이다.
데이터 품질의 언어로 옮기면 문제는 분명하다. "AI 해고"라는 클래스의 조작적 정의가 없다. 라벨이 무엇을 의미하는지 합의되지 않은 데이터셋은 서로 비교할 수 없다. 7.8%와 56%는 같은 척도의 다른 값이 아니라, 아예 다른 자를 댄 결과다.
라벨의 정의가 합의되지 않으면, 그 라벨로 만든 통계는 비교 불가능한 데이터가 된다. "AI 해고 56%"와 "AI 해고 7.8%"가 동시에 참일 수 있다는 사실 자체가, 우리가 측정하려는 대상이 아직 정의되지 않았다는 신호다.
라벨러가 결과에 이해관계를 가질 때
정의가 흔들리는 것보다 더 깊은 문제가 있다. 누가 라벨을 붙이느냐다. Challenger의 집계 방식은 명시적으로 자기보고(self-attribution)다. 회사가 스스로 밝힌 해고 사유를 분류하고 더할 뿐, 그 인과를 독립적으로 검증하지 않는다. 라벨을 붙이는 주체가 곧 그 데이터로 평가받는 당사자라는 뜻이다.
머신러닝에서 가장 위험한 구성이 바로 이것이다. 라벨러가 결과에 이해관계를 가질 때, 라벨은 현실이 아니라 인센티브를 따라간다. 그리고 2026년 기업들의 인센티브는 분명하다. 투자자에게 "우리는 미래지향적 AI 기업"이라는 서사를 팔고 싶어한다. 과잉채용 교정, 고금리 부담, 예산 재배분을 전부 'AI'라는 한 단어로 뭉뚱그리면 그 서사가 완성된다.
이 현상에는 이미 이름이 붙었다. OpenAI의 샘 올트먼은 무관한 감원을 AI 탓으로 돌리는 행태를 "AI 워싱(AI washing)"이라 불렀다. Cognizant의 바박 호자트는 "과잉채용했거나 사업을 재편하려는데 그게 AI 탓으로 둔갑한다"고 했고, 와튼스쿨의 피터 카펠리는 AI를 내세운 다수 기업이 "실제로는 하지 않았고, 그저 그러길 바라고 있을 뿐"이라고 진단했다. 도이체방크는 1월 보고서에서 "AI 감원 워싱이 2026년의 주요 특징이 될 것"이라고 적었다.
3.1발표문과 설문이 정반대를 가리킨다
결정적 모순은 NBER 워킹페이퍼 w34836에서 나온다. 미국·영국·독일·호주 경영진 6,000명을 조사했더니, 약 90%가 "지난 3년간 자사 고용과 생산성에 AI 영향은 사실상 0"이라고 답했다. 공저자 닉 블룸의 요약은 더 짧다. "아직까지 큰 효과는 없었다." 같은 시기, 같은 부류의 경영진이 해고 발표문에는 AI를 헤드라인으로 내건다. 한쪽 입으로는 "영향 없다"고 답하고, 다른 쪽 입으로는 "AI 때문에 줄인다"고 발표한다.
지출의 구조도 이 의심을 받쳐준다. 알파벳·마이크로소프트·메타·아마존은 2026년 AI 인프라에 합계 약 7,000억 달러를 쓸 예정이면서 동시에 수만 명을 줄인다. 많은 경우 "AI가 그 사람의 일을 대신한다"가 아니라, "그 사람의 급여 예산을 GPU 클러스터로 옮겼다"에 가깝다. Challenger의 앤디 챌린저도 같은 해석을 내놓는다. "기업들이 일자리를 희생해 AI 투자로 예산을 옮기고 있다." 직접 대체가 아니라 예산 재배분이라는 것이다.
이것은 단순한 잡음(noisy label)이 아니다. 무작위로 틀린 라벨이라면 평균을 내면 상쇄된다. 그러나 여기서는 라벨이 한 방향으로 체계적으로 쏠린다. 투자자에게 좋아 보이는 쪽으로. 이것이 편향된 라벨(biased label)이다. 데이터 품질에서 잡음보다 훨씬 고치기 어려운 종류다. 더 많이 모은다고 사라지지 않기 때문이다.
검증 불가능한 라벨 위에 선 정책
왜 이게 통계 마니아의 트집 이상의 문제일까. 재취업 지원, 직업 재교육 예산, AI 규제는 모두 하나의 측정 위에 서 있어야 한다. "AI가 실제로 무엇을, 얼마나 대체했나." 그런데 그 측정의 1차 입력이 기업 PR에 좌우되는 자기보고라면, 정책은 잘못된 신호 위에 자원을 배분하게 된다. 보상받아야 할 사람과 규제받아야 할 행위를 구분할 근거가 사라진다.
지금 고용 통계의 'AI 라벨'에는 데이터 품질의 교과서적 결함 세 가지가 동시에 들어 있다. 페블러스가 AI 학습 데이터를 두고 늘 지적해 온 바로 그 세 가지다.
- 정의 부재 — "AI 해고"의 합의된 조작적 정의가 없다. 그래서 트래커마다 7.8%에서 56%로 갈린다.
- 라벨러 편향 — 라벨을 붙이는 주체가 그 결과로 평가받는 당사자다. 인센티브가 라벨을 한 방향으로 민다.
- 정답(ground truth) 부재 — 발표문을 독립적으로 검증할 채널이 없다. NBER 설문이 정반대를 가리켜도 발표문은 그대로 통계가 된다.
깨끗한 라벨은 라벨값 자체가 화려한 데이터가 아니다. "누가, 어떤 인센티브로, 어떤 검증을 거쳐 이 라벨을 붙였는가"를 추적할 수 있는 데이터다. 고용 통계에도 같은 것이 필요하다. 자기보고 사유에 출처와 검증 메타데이터를 붙이고, 독립 트래커와 교차검증하고, "AI 해고"의 조작적 정의를 표준화하는 일. 데이터 품질을 다루는 ISO 5259 같은 프레임을 노동 통계 버전으로 옮긴 셈이다.
오해를 막기 위해 한 번 더 분명히 해 둔다. 이 글의 주장은 "AI는 일자리를 없애지 않는다"가 아니다. 고객지원, 중간관리, 행정 같은 일부 직무는 실제로 자동화가 진행 중이다. 다만 지금 우리는 그 변화의 크기를 정직하게 잴 수 없는 상태이고, 그 측정 불능의 원인이 사유 라벨의 무결성 붕괴라는 것이다. 라벨을 고치지 않으면, AI가 일자리에 무엇을 했는지를 묻는 질문 자체에 답할 수가 없다.
편집자의 노트. 라벨이 검증되지 않으면 그 위에 세운 모든 것이 흔들린다는 문제의식은 페블러스가 AI-Ready Data를 다뤄 온 일관된 관점이다. 학습 데이터에서 했던 이야기가 고용 통계로 그대로 옮겨온 장면이라, 한 편의 글로 기록해 둔다. 데이터의 출처와 라벨 품질을 진단하는 관점에 관심이 있다면 DataClinic을 참고하길 권한다.
자주 묻는 질문
2026년 전체 해고는 줄었는데 왜 "AI 때문" 해고는 늘었나요?
전체 발표 해고는 전년 대비 43% 줄었지만, 그중 회사가 'AI'를 사유로 든 비중은 빠르게 커졌습니다. 노동시장이 갑자기 나빠진 게 아니라, 같은 감원에 회사들이 붙이는 설명이 'AI'로 바뀌고 있는 것에 가깝습니다. 2025년 수치는 미 연방정부 대규모 감원으로 부풀려져 있어, 이를 빼면 2026년은 2024년과 비슷한 수준입니다.
"AI 해고 비중"이 출처마다 다른 이유는 무엇인가요?
"AI 해고"의 합의된 정의가 없기 때문입니다. TechJack은 자동화가 직접 대체한 경우만 7.8%로 좁게 세고, SkillSyncer는 발표 이벤트 기준으로 56%까지 넓게 셉니다. 측정 단위(사람 수 vs 이벤트 수)도, 포함 기준도 달라서, 같은 현실을 두고 7배 차이가 납니다. 무엇 하나를 믿기보다 "정의가 다르다"는 사실 자체를 읽는 게 중요합니다.
"AI 워싱(AI washing)"이 정확히 무슨 뜻인가요?
AI와 직접 관련이 없는 감원을 'AI 때문'으로 포장하는 행태를 말합니다. OpenAI의 샘 올트먼이 붙인 이름입니다. 과잉채용 교정, 고금리, 예산 재배분 같은 진짜 원인을 'AI'라는 미래지향적 서사로 덮으면 투자자에게 더 좋아 보이기 때문에 생기는 현상입니다.
경영진의 90%가 "AI 영향 0"이라 했다는 NBER 연구는 무엇인가요?
NBER 워킹페이퍼 w34836("Firm Data on AI")으로, 미·영·독·호주 경영진 6,000명을 조사했습니다. 약 90%가 "지난 3년간 자사 고용·생산성에 AI 영향은 사실상 없었다"고 답했습니다. 같은 부류의 경영진이 해고 발표문에는 AI를 앞세우는데, 익명 설문에서는 영향이 없다고 답합니다. 발표문과 실측이 정반대인 셈입니다.
빅테크가 AI에 7,000억 달러를 쓰면서 동시에 해고하는 건 모순 아닌가요?
많은 경우 "AI가 사람의 일을 대신한다"가 아니라 "사람의 급여 예산을 AI 인프라로 옮긴다"에 가깝습니다. Challenger도 이를 직접 대체가 아닌 '예산 재배분'으로 해석합니다. 즉 AI가 일을 자동화해서가 아니라, 회사가 투자 우선순위를 바꾸면서 일자리가 줄어드는 경우가 상당수입니다.
그럼 AI는 일자리를 전혀 대체하지 않는다는 뜻인가요?
아닙니다. 고객지원, 중간관리, 행정 같은 일부 직무는 실제로 자동화가 진행 중입니다. 이 글의 주장은 "AI가 일자리를 안 없앤다"가 아니라, "지금 우리는 그 변화의 크기를 정직하게 측정할 수 없는 상태이고, 그 원인이 사유 라벨의 무결성 붕괴"라는 것입니다.
고용 통계의 "AI 라벨" 신뢰성을 어떻게 높일 수 있나요?
세 가지가 필요합니다. (1) "AI 해고"의 조작적 정의를 표준화해 트래커끼리 같은 것을 세게 하기, (2) 자기보고 사유에 출처·검증 메타데이터를 붙여 누가 어떤 근거로 라벨을 붙였는지 추적 가능하게 하기, (3) 독립 트래커·설문과 교차검증해 발표문만으로 통계가 확정되지 않게 하기. 데이터 품질 프레임(예: ISO 5259)을 노동 통계에 적용하는 방향입니다.
데이터 품질 관점에서 이 문제를 왜 중요하게 봐야 하나요?
해고 통계의 "사유"는 사실상 데이터셋의 클래스 라벨입니다. 그 라벨이 정의 부재·라벨러 편향·정답 부재라는 세 결함을 동시에 갖고 있으면, 그 통계 위에 세운 정책·보상·규제가 모두 잘못된 신호 위에 서게 됩니다. AI 학습 데이터에서 익히 보던 문제가 노동 통계로 옮겨온 사례라, 데이터를 다루는 사람에게 특히 익숙하고 또 중요합니다.
참고문헌
R.1학술·연구
- 1.Bloom, N., Barrero, J. M., Yotzov, I. 외. (2026). "Firm Data on AI." NBER Working Paper No. w34836.
- 2.Oxford Economics. (2026). AI 고용 영향 분석 — 2025년 AI 귀속 해고 약 55,000건은 미국 전체 실직의 1% 미만.
R.2업계·보도
- 3.TechCrunch. (2026-06-22). "The running list: major tech layoffs in 2026 where employers cited AI."
- 4.Roeloffs, M. / Forbes. (2026-06-04). "Tech Industry Loses 123,000 Jobs This Year — AI Is the Most Cited Reason for Layoffs." Forbes.
- 5.CNBC. (2026-06-05). "AI is now the leading reason companies give for cutting jobs, says new report."
- 6.Challenger, Gray & Christmas. (2026). "Monthly Job Cut Reports — March/April/May 2026."
- 7.The Interview Guys. (2026). "56% of 2026 Layoffs Now Blame AI…" (SkillSyncer 트래커 인용).
- 8.TechTimes. (2026-06-16). "Tech Layoffs Hit 1,115 a Day in 2026: Companies Cite AI but Cuts Fail to Boost Returns."