모건스탠리의 분석에 따르면 인공지능(AI)이 미국 노동시장에 가시적인 영향을 주기 시작했지만, 거시경제적 영향을 미치기에는 아직 제한적이라는 결론이 도출되었다.
2026년 4월 10일, 인베스팅닷컴의 보도에 따르면 모건스탠리의 새로운 AI 교란(디스럽션) 트래커은 초기적이고 제한적인(AI displacement) 고용 대체 신호를 포착하고 있으며, 이는 개별 업종이나 직군 수준에서는 관찰되지만 총계(aggregate) 수치에서는 뚜렷하게 드러나지 않는 것으로 분석되었다.
“AI는 아직 거시적 노동 이슈가 아니지만 더 이상 보이지 않는 수준은 아니다( AI is not yet a macro labor story, but it is no longer invisible).” — 마이클 게이펀(Michael Gapen), 모건스탠리 애널리스트
모건스탠리는 AI 노출도가 높은 직업군의 실업률이 평상시보다 높은 양상을 보이지만, 이를 전체 실업률에 미치는 영향으로 환산하면 최대 약 10 베이시스포인트(bp) 수준에 불과하다고 추정했다. 여기서 베이시스포인트(basis point)는 금리나 비율 변화 측정에서 흔히 쓰이는 단위로, 1/100 퍼센트포인트(0.01%)를 의미한다.
산업별 고용 관련 자료에서는 아직 AI 관련 대체(displacement)를 뒷받침할 뚜렷한 증거가 나타나지 않았다. 오히려 AI 노출도가 높은 부문의 고용은 일부에서 유지되거나 오히려 상대적 성과가 더 나은 경우도 관찰되었다.
다만 모건스탠리는 연령대별로는 차별화된 신호가 나타난다고 지적했다. 특히 경력 초기(early-career)에 해당하는 젊은 근로자들이 AI 노출도가 높은 직무에서 실업률 상승을 더 뚜렷하게 경험하고 있다. 이들은 2023년 이후 실업률이 더 가파르게 상승했고, 해고(layoff) 흐름도 소폭 증가했으며, 구직 기간(실업 지속 기간)이 길어지는 경향을 보였다.
“노출된 역할을 맡은 더 많은 젊은 근로자들이 일자리를 잃을 뿐만 아니라, 새로운 일자리를 찾는 데도 더 오래 걸리고 있다( Not only are more young workers in exposed roles losing jobs, but they are also taking longer to find new ones).” — 마이클 게이펀
또한 모건스탠리는 AI가 의미 있는 수준으로 고용 인원을 즉시 축소하기보다 업무의 성격 자체를 재구성(task reconfiguration)함으로써 먼저 변화를 일으키고 있다고 분석했다. 중간 및 고(高) 노출 직무 내에서 작업(task) 단위의 재분배가 일어나고 있으며, 이는 동일한 직무명 내에서도 역할과 업무 내용이 바뀌고 있음을 시사한다.
장기 전망에 대해 모건스탠리는 과거 혁신 물결의 경험을 근거로 한 기본 시나리오(base case)를 제시했다. 회사는 생성형 AI(generative AI)를 궁극적으로는 노동을 보완(augment)하는 기술로 보며, 단기적으로는 혼란과 일부 파급효과를 유발하지만 장기적으로는 더 높은 생산성(productivity)과 실질 임금(real wages)을 지지(supportive)할 가능성이 크다고 전망했다. 모건스탠리는 이를 통해 경제 전반의 효율성이 개선될 수 있지만, 전환 과정에서 업종·연령·직무별로 맞춤형 정책적 대응이 필요하다고 덧붙였다.
용어 설명
본 기사에서 사용한 주요 용어에 대한 간단한 설명은 다음과 같다. 생성형 AI(generative AI)는 텍스트, 이미지, 음성 등 새로운 콘텐츠를 만들어내는 인공지능 모델을 의미하며, 최근 대규모 언어 모델(LLM) 계열이 대표적이다. AI 노출도(AI exposure)는 특정 직무나 산업이 AI 기술로 인해 자동화·대체될 가능성 또는 AI로 업무가 근본적으로 변화할 가능성을 정량화한 지표를 의미한다. 마지막으로 앞서 언급한 베이시스포인트(bp)는 비율 변화의 단위로 1/100 퍼센트포인트에 해당한다.
정책적·시장적 시사점 및 영향 분석
모건스탠리의 분석이 시사하는 바는 다음과 같다. 첫째, 현재까지의 AI 영향은 총량적 관점에서는 미미한 수준이지만, 미시적(업종·직무·연령별) 차별화가 뚜렷하다는 점이다. 이는 노동시장 정책과 기업의 인력 운용이 보다 정교한 세분화와 타기팅(targeting)을 필요로 함을 의미한다. 둘째, 경력 초기의 젊은층에 대한 영향이 집중돼 있다는 점은 장기적 인적자본(human capital) 형성 과정에서의 손실 가능성을 제기한다. 젊은층의 반복적 실업과 긴 구직 기간은 경험 축적의 기회를 축소시켜 향후 생산성 및 임금 경로에 부정적 영향을 줄 수 있다.
셋째, 단기적 혼란에도 불구하고 생성형 AI가 노동을 보완하는 방향으로 귀결될 경우, 기업 생산성 향상과 함께 장기적으로는 실질 임금 상승 및 경제성장이 가능하다. 다만 이러한 긍정적 효과가 현실화되려면 노동자 재교육(reskilling), 직무 전환 지원, 사회안전망 보강과 같은 제도적 뒷받침이 필요하다. 넷째, 금융시장 측면에서는 AI 채택 속도가 실제 기업 실적과 생산성으로 연결될 때 해당 산업의 투자매력도가 재평가될 수 있다. 특히 소프트웨어·클라우드·반도체·데이터 서비스 등 AI 인프라에 관련된 업종은 상대적 수혜가 예상되며, 당장은 실적·고용 지표가 섹터별로 차별화될 가능성이 크다.
다만 단기적으로는 특정 직무의 축소나 재구성으로 인해 실업률 지표의 국소적 상승과 임금 구조의 일시적 왜곡이 발생할 수 있다. 중앙은행과 재정 당국은 이러한 변화가 전체 물가(인플레이션) 및 임금 상승 압력에 미치는 영향을 면밀히 관찰해야 한다. 예컨대 고용의 질(quality of employment) 변화는 소비성향과 가계소득에 변화로 이어질 수 있으며, 이는 내수와 투자, 그리고 금융자산 가격에 파급될 수 있다.
종합
모건스탠리의 분석은 AI가 노동시장에 미치는 영향이 이미 일부 가시화되고 있음을 확인하지만, 현재까지의 충격은 총계 수준에서는 완만하고 특정 집단(주로 경력 초기의 젊은층)에 더 집중되어 있음을 보여준다. 향후 전략은 단기적인 완충장치 마련과 동시에 중장기적으로 노동자의 역량 전환을 지원하는 구조적 대응을 병행하는 것이 필요하다. 생성형 AI가 실질적으로 경제 전반의 생산성과 임금에 긍정적 영향을 미치려면 기업의 투자, 노동시장 정책, 교육·훈련 시스템의 조율이 중요하다는 점을 이 분석은 다시 한번 강조한다.
