짧은 한 문장이었는데요.
그 파장은 꽤 길게 이어졌습니다.
인도 AI 임팩트 서밋에서
오픈AI CEO 샘 올트먼은
이렇게 말했습니다.
"일부 기업은 AI 워싱을 하고 있습니다. AI와 무관한 해고를 AI 탓으로 돌리는 것이죠."
AI 산업의 중심에 있는 인물이
직접 이런 표현을 꺼냈다는 점이
많은 사람들의 시선을 끌었습니다.
대개 기술 혁신의 시기에는
효율과 생산성의 이야기가
앞으로 나옵니다.
그런데 이번에는 오히려
그 서사가 어떻게 소비되는지,
그리고 어디까지 과장되고 있는지를
경계한 셈이었죠.
특히 HR 실무에서는
이 발언을 가볍게 넘기기 어렵습니다.
해고와 조직 축소는
원래도 민감한 의사결정인데,
거기에 AI라는 단어가 붙는 순간
분위기는 완전히 달라집니다.
구성원은 미래에 대한 불안을 느끼고,
경영진은 기술 전환이라는 명분을 얻고,
언론은 더 강한 제목을 뽑게 됩니다.
문제는 그 과정에서
실제 이유와 설명되는 이유가
점점 멀어질 수 있다는 점입니다.
실제 이유와 설명되는 이유가 점점 멀어질 수 있다는 점입니다.
숫자는 차분한데, 서사는 과열된다
원문에서 가장 먼저 짚은 것은
숫자와 서사의 간극입니다.
2026년 1월 미국에서는
10만 8천 건이 넘는 해고가
발표됐습니다.
2009년 금융위기 이후
가장 많은 숫자였습니다.
그런데 이 가운데
AI를 사유로 명시한 사례는
약 7,600건,
전체의 7% 수준이었습니다.
나머지 93%는
구조조정,
비용 절감,
경기 침체,
M&A 같은
전통적인 이유였습니다.
여기서 흥미로운 지점은
숫자보다 이야기의 힘이
더 크게 작동했다는 점입니다.
언론의 상당수 헤드라인은
"AI가 일자리를 없앤다"는
방향으로 흘렀습니다.
결국 7%의 사례가
전체 흐름을 대표하는 상징처럼
소비된 셈입니다.
이 장면은 HR에게도
익숙한 풍경일 수 있습니다.
조직 안에서도 종종
하나의 강한 키워드가
복잡한 현실을 덮어버립니다.
예를 들어 실제로는
실적 악화와 투자 축소,
중복 조직 정리,
과거의 공격적 채용이
겹쳐 있는 상황인데도,
밖으로는 단순하게
"AI 전환"이라는 말만 남게 됩니다.
그 표현은 간결합니다.
설명하기 쉽습니다.
미래지향적으로 들리기도 합니다.
하지만 간결한 설명이
항상 정확한 설명은 아닙니다.
하지만 간결한 설명이 항상 정확한 설명은 아닙니다.
특히 조직 내부에서는
이 차이를 구분하지 못할 때
의사결정의 품질이 흔들리기 시작합니다.
왜 줄였는지 모호해지고,
무엇을 남겨야 하는지도
불분명해지기 때문입니다.
실제 노동시장 데이터는 무엇을 말하나
두 번째 쟁점은
실제 노동시장 데이터입니다.
예일대 예산 연구소는
ChatGPT 출시 이후
2026년 3월까지의
노동시장 데이터를 분석했습니다.
결론은 분명했습니다.
AI 노출도가 높은 직군에서
실업률의 유의미한 변화는
나타나지 않았습니다.
미국 노동통계국 데이터 역시
비슷한 흐름을 보여줍니다.
오히려 AI 노출도가 높은 직군의
실업률이 더 낮은 것으로
확인됐습니다.
이 부분은 중요합니다.
왜냐하면 지금 많은 조직이
AI를 이야기할 때,
머릿속에서는 이미
대규모 인력 대체가
진행되고 있다고 느끼기 때문입니다.
하지만 실제 데이터는
그 인식과는 다른 방향을
보여주고 있습니다.
물론 이것이
AI의 영향이 없다는 뜻은 아닙니다.
다만 적어도 현재 시점에서
"AI 때문에 대량 실직이 현실화됐다"는
단정적 서사를 뒷받침하는 자료로
이어지지는 않는다는 의미입니다.
여기서 HR이 놓치지 말아야 할 것은
기술 변화 자체보다도,
기술 변화에 대한 조직의 해석입니다.
같은 기술을 두고도
어떤 조직은 생산성 도구로 보고,
어떤 조직은 비용 절감 명분으로 봅니다.
또 어떤 조직은
직무 재설계를 고민하지만,
어떤 조직은 곧바로
인력 감축 논의로 연결합니다.
결국 중요한 것은
AI라는 단어 자체보다,
그 단어가 조직 안에서
어떤 방식으로 사용되고 있는가입니다.
"AI 때문입니다"라는 말의 편리함
세 번째 쟁점은
다른 거물들의 발언입니다.
VC업계 큰손인
마크 안드레센은
이렇게 표현했습니다.
"이제 기업들에게는 은밀한 면죄부가 생겼습니다. '아, AI 때문입니다.'"
도이체방크 애널리스트들도
1월 보고서에서
같은 흐름을 짚었습니다.
"AI 정리해고 워싱은 2026년의 주요 트렌드가 될 것이다."
이 표현들이 반복해서
가리키는 지점은 같습니다.
AI가 단지 기술이 아니라,
설명의 언어가 되고 있다는 점입니다.
실제 원인이 무엇이든,
AI라는 말이 붙는 순간
의사결정은 미래 대응처럼 보입니다.
구조조정보다 덜 낡아 보이고,
비용 절감보다 덜 방어적으로 들리며,
경기 침체보다 덜 수세적으로 들립니다.
바로 그 점 때문에
AI는 강한 명분이 됩니다.
설명이 편리해질수록, 내부 검증은 약해지기 쉽기 때문입니다.
하지만 명분이 강할수록
조직은 더 조심해야 합니다.
왜냐하면 설명이 편리해질수록,
내부 검증은 약해지기 쉽기 때문입니다.
같은 시기 공개된
미 경제연구소 NBER 조사도
흥미로운 장면을 보여줍니다.
미국,
영국,
독일,
호주의
C레벨 임원 수천 명 가운데
90%가
"지난 3년간 AI는 우리 회사의 고용에 영향을 주지 않았다"고 답했습니다.
밖에서는
"AI 때문에 사람을 줄인다"고 말하고,
안에서는
"고용에는 영향이 없다"고 답하는 상황.
이 간극은 단순한 커뮤니케이션 문제가 아니라,
조직 언어의 문제에 가깝습니다.
무엇을 실제 원인으로 보고 있는지,
그리고 무엇을 외부 설명용으로 사용하는지가
서로 달라질 수 있다는 뜻이기 때문입니다.
한국 HR이 먼저 점검해야 할 질문
원문은 여기서
세 가지 점검 포인트를 제시합니다.
첫 번째는
"AI 때문에"라는 말을
자동으로 받아들이지 않는 것입니다.
이 표현이 등장하면
반드시 구체적인 질문이 따라와야 합니다.
AI는 실제로 도입됐는가.
어떤 업무에 사용 중인가.
어느 수준까지 처리 가능한가.
기존 인력의 어떤 업무를
대체하고 있는가.
이 질문에 답이 없다면,
AI는 원인이 아니라
설명의 포장일 가능성이 있습니다.
HR 실무에서는
이 차이가 중요합니다.
원인을 잘못 정의하면
이후의 조직 설계도
틀어질 수 있기 때문입니다.
예를 들어 실제 문제는
사업 구조 변화인데,
AI 전환 문제로 오인하면
필요한 역량 재배치보다
상징적인 감축에 집중하게 됩니다.
두 번째는
해고 사유 보고서에서
AI를 별도 항목으로
분리하는 것입니다.
구조조정,
비용 절감,
경기 침체,
AI 도입.
이 네 가지를
같은 칸에 넣는 순간,
의사결정의 맥락이 흐려집니다.
특히 조직은 시간이 지나면
과거 의사결정을
문서로 복기하게 되는데요.
그때 사유가 섞여 있으면
무엇이 진짜 원인이었는지
조직 스스로도
명확히 설명하기 어려워집니다.
세 번째는
사후 검증입니다.
AI를 이유로 줄인 자리들이
실제로 이후 AI로 대체됐는지,
6개월 뒤 다시 확인해야 합니다.
이 과정은 단순한 평가가 아니라,
조직 학습의 문제이기도 합니다.
만약 실제 대체가 이뤄지지 않았다면,
그 결정은 무엇을 근거로 내려졌는지
다시 돌아봐야 합니다.
그리고 같은 표현이
다음 의사결정에서
반복되지 않도록
내부 기준을 정리할 필요가 있습니다.
AI보다 먼저 봐야 하는 것
원문 마지막 문장은
상당히 직설적입니다.
2026년 가장 강력한 공포 마케팅은
"AI가 일자리를 없앤다"는 서사라는 것입니다.
반면 실제 원인으로는
실적,
경기,
과잉 채용,
금리 인상 같은
전통적인 요인이 언급됩니다.
이 대목은
기술 자체를 부정하는 이야기가 아닙니다.
오히려 기술을 이유로 삼을수록,
더 정확하게 들여다봐야 한다는 이야기입니다.
AI는 분명 조직 운영 방식을
바꾸고 있습니다.
업무 흐름을 바꾸고,
문서 작성 방식을 바꾸고,
일부 직무의 생산성을 높이고 있습니다.
하지만 그 변화와
곧바로 해고를 연결하는 순간,
조직은 중요한 질문을 건너뛰게 됩니다.
지금 줄이려는 이유는 무엇인가.
현재의 비용 구조 문제인가.
사업 방향 조정인가.
중복 조직 정리인가.
아니면 실제 자동화인가.
이 질문을 건너뛴 채
모든 설명을 AI로 모으기 시작하면,
조직은 점점 현실보다
서사에 의존하게 됩니다.
조직은 점점 현실보다 서사에 의존하게 됩니다.
그리고 서사에 기대는 조직은
결국 문제를 정확히 진단하지 못합니다.
HR의 역할은
유행하는 단어를 빠르게 사용하는 것이 아니라,
조직이 어떤 이유로 움직이고 있는지를
정확히 구분해내는 데 있습니다.
"AI 때문입니다"라는 말은
앞으로 더 자주 등장할 가능성이 있습니다.
그럴수록 중요한 것은
그 문장을 믿을 것인가가 아니라,
그 문장 뒤에 실제로 무엇이 있는지를
끝까지 확인하는 일입니다.