AI는 조기은퇴를 늦추는가: 직업의 기술 특성과 교육수준에 따라 달라지는 관계

1. 출처

Casas, P., & Román, C. (2024). The impact of artificial intelligence in the early retirement decision. Empirica, 51, 583–618. 온라인 출판일은 2024년 5월 9일이다. 원문: https://doi.org/10.1007/s10663-024-09613-3

이 글은 원문을 한국어로 요약하고 DASISIJAK의 연구 관점에서 해설한 글이며, 원문 전체의 번역은 아니다. 원문은 CC BY 4.0으로 공개되어 있다. 원문 표·그림은 재수록하지 않았다. 이용허락: https://creativecommons.org/licenses/by/4.0/

2. 원 논문이 실제로 하는 것

이 연구는 인공지능(AI)이 고령근로자의 조기은퇴와 어떤 관계를 갖는지 분석한다. 분석자료는 유럽 건강·고령화·은퇴 조사(SHARE)의 직업이력 패널과 추가 조사자료에 직업 수준의 AI 지표 및 국가 수준의 경제지표를 결합한 것이다. 분석 범위는 유럽 24개국, 20042016년, 5066세이며, 17,573명의 118,979개 관측치를 사용한다. 관측치 수를 서로 다른 사람의 수로 읽어서는 안 된다. (원문 pp. 591–592)

종속변수인 조기은퇴(early retirement)는 개인에게 적용되는 법정 은퇴연령 이전에 은퇴하면 1, 계속 일하면 0이다. 부록 표 A1은 조기은퇴 전환 관측치를 6,358개, 이에 해당하는 개인을 6,357명으로 구분해 보고한다. 이는 은퇴 의향 설문이나 은퇴 후 재취업 여부를 분석한 연구가 아니다. (p. 592; 표 A1, p. 613)

핵심 설명변수는 두 가지다. AI 발전(AI advances)은 Felten 외(2018)의 지표로, 2010~2015년의 직업별 AI 진전을 반영한다. AI 노출(AI exposure)은 Felten 외(2021)의 지표이며, 저자들은 이를 향후 AI 적용 가능성을 바라보는 전향적 지표로 해석한다. 두 지표는 개인이 실제로 AI를 얼마나 사용했는지 또는 본인이 미래를 어떻게 예상했는지를 직접 조사한 값이 아니다. (pp. 592–593, 표 1)

저자들은 두 지표의 높고 낮음을 조합해 직업을 네 영역으로 분류한다. 발전·노출이 모두 낮은 HI terrain, 발전은 높고 노출은 낮은 Narrow AI definition, 발전은 낮고 노출은 높은 Future AI applications, 둘 다 높은 AI terrain이다. 이 분류는 논문이 제안한 직업의 기술적 유형이지, 개인의 지능이나 실제 AI 숙련도를 판정하는 척도가 아니다. (p. 594, 표 3)

분석에는 통합 로짓모형(pooled logit)과 평균한계효과를 사용하며, 표준오차는 개인 수준으로 군집화한다. 통제변수에는 성별, 연령, 동거 여부, 건강, 경제상황, 고등교육 이수 여부, 고용상 지위, 전일제 여부, 산업 및 국가 경제지표가 포함되고, 국가와 조사시점 더미도 반영한다. 교육수준 및 두 AI 지표 사이의 상호작용도 살핀다. 이는 통제변수를 포함한 관찰자료 분석이며, AI 도입을 무작위 배정한 실험은 아니다. (pp. 592, 594–595; 표 5–8)

3. 원 논문이 제시하는 내용

교육수준을 구분하면 평균적인 설명이 달라진다

표 7의 교육수준별 한계효과에서 고등교육 이수 집단은 AI 발전 지표의 한계효과가 -0.004(z=-2.25, p<.05), AI 노출 지표의 한계효과가 -0.005(z=-3.10, p<.01)로 나타난다. 각각 해당 지표가 한 단위 증가할 때 조기은퇴 확률이 약 0.4%포인트, 0.5%포인트 낮아지는 모형상 평균한계효과다. 지표의 한 단위는 서로 다른 척도의 단위이며, AI 사용시간이나 도입률 1%를 뜻하지 않는다. 이 수치를 개인에게 보장되는 인과효과로 읽어서도 안 된다. (표 7, p. 605)

같은 표에서 고등교육 미이수 집단의 한계효과는 AI 발전 0.0017(z=1.29), AI 노출 -0.0006(z=-0.76)이며 모두 통계적으로 유의하지 않다. 따라서 이 분석만으로 미이수 집단에서 AI 발전이 조기은퇴를 증가시켰다거나, AI 노출이 이를 감소시켰다고 단정할 수 없다. 또한 한 집단에서 유의하고 다른 집단에서 유의하지 않다는 사실만으로 두 집단 간 차이 자체의 유의성이 입증되는 것은 아니다. (표 7, p. 605)

AI 발전과 노출을 함께 보아야 한다

네 직업 영역을 비교한 표 8의 최종 모형 XV에서는, 발전·노출이 모두 낮은 HI terrain을 기준으로 둘 다 높은 AI terrain의 조기은퇴 확률이 유의하게 낮다(z=-3.39, p<.01). 같은 최종 모형에서 나머지 두 영역과 기준 영역 사이의 차이는 유의하지 않다. 이는 단순히 어느 한 AI 지표가 높을수록 모든 근로자가 더 오래 일한다는 설명과는 다르다. (표 8, pp. 607–608)

연속형 지표 사이의 상호작용을 분석한 결과도 일률적이지 않다. 저자들은 한 지표와 조기은퇴의 관계가 다른 지표의 수준에 따라 양 또는 음의 방향으로 달라진다고 보고한다. 고등교육 미이수 집단에서도 특정한 지표 조합에서는 유의한 음의 한계효과가 보고되므로, 표 7의 결과를 근거로 이 집단에서는 어떤 조건에서도 은퇴 감소 관계가 없다고 일반화하면 안 된다. (pp. 600, 609; 그림 4·6에 관한 본문 설명)

교육·훈련 권고는 별도의 실증 결과가 아니다

저자들은 고령근로자가 AI와 함께 일할 수 있도록 조직의 지원, 재훈련과 계속교육이 필요하다고 제안한다. 그러나 이 연구가 교육훈련 프로그램을 실시해 조기은퇴 감소를 검증한 것은 아니다. 업무부담 완화, 생산성 및 임금 상승, 경험과 AI의 보완성에 관한 설명도 결과를 해석하기 위한 논의이지, 이 분석에서 각각의 경로가 직접 검증되었다는 뜻은 아니다. (pp. 589–590, 612–613)

4. 무엇이 유용한가

DASISIJAK 관점에서 이 연구의 유용성은 AI의 영향을 하나의 찬반 질문으로 줄이지 않는 데 있다. 직업 수준의 기술적 특성, 개인의 교육 배경, 실제 경력전환 결과를 구분해 살펴보도록 한다. 다만 직업에 부여된 AI 지표를 개인의 AI 역량이나 적응의지로 대체해서는 안 된다. 이는 원문의 측정구조를 바탕으로 한 연구 설계상의 해석이다.

5. 비판적 한계

첫째, 인과관계와 시기의 한계가 있다. 개인의 은퇴 자료는 20042016년이고, AI 발전 지표가 반영하는 기간은 20102015년이다. 전체 관측기간의 각 시점에서 실제 AI 도입을 추적한 설계가 아니며, 오늘날 생성형 AI 사용이 은퇴를 늦춘다는 직접 증거로 옮길 수 없다. 통제변수를 넣었다는 사실만으로 직업 선택이나 관측되지 않은 개인·조직 특성의 영향을 모두 제거했다고 볼 수도 없다. (pp. 591–592에 근거한 방법론적 한계)

둘째, 국가와 직업 사이의 측정 이전을 주의해야 한다. 저자들은 미국의 SOC-2010 직업분류에서 ISCO-2008로 지표를 연결하면서, 분류의 대응과 미국·분석대상국의 직무내용이 같다는 가정이 필요하다고 인정한다. 따라서 직업명이 같다는 이유만으로 AI의 실제 도입 정도까지 같다고 볼 수 없다. (p. 592, 각주 8)

셋째, 원문의 ‘매개효과’라는 표현을 그대로 인과적 매개경로 검증으로 읽지 않는다. 저자들은 교육의 역할을 mediating이라고 부르지만, 제시한 핵심 분석은 교육변수 추가, AI 지표와 교육의 상호작용, 교육수준별 한계효과다. 이 글에서는 이를 교육수준에 따른 조건부 관계로 해석하며, AI가 교육수준을 바꾸고 그 변화가 은퇴를 바꾼다는 간접효과가 입증되었다고 쓰지 않는다. (pp. 596–597, 605, 609–610)

넷째, 결과 보고의 불일치를 남겨둘 필요가 있다. 결론 p. 611에는 발전·노출이 모두 높은 직업에서 ‘계속 노동시장에 남을 확률’이 감소한다는 문장이 있다. 이는 초록과 결과 부분의 조기은퇴 확률 감소라는 방향과 충돌한다. 이 글은 표 7·8과 결과 절에 근거해 서술하며, 결론의 해당 문장을 임의로 고쳐 인용하지 않는다. 또 본문은 표 6의 모든 모형에서 AI 노출이 유의하다고 설명하지만, 모형 IX·X의 표시는 10% 수준에 해당한다. 이를 모두 5% 수준의 유의성으로 요약하지 않는다. 표 7 주석의 모형·표 교차참조에도 불일치가 있어, 수치는 표 7의 실제 열과 행을 기준으로 읽었다. (pp. 597, 603–605, 611)

6. DASISIJAK 해석

이하의 연결은 원 논문이 직접 검증한 결론이 아니라 DASISIJAK의 해석이다. 조기은퇴와 브리지 고용은 구분해야 한다. 이 연구의 결과변수는 법정 은퇴연령 이전의 은퇴 여부이므로, 주된 일자리에서 나온 뒤 다른 일자리로 이동하는 브리지 고용 참여의도나 실제 참여를 설명하는 결과로 곧바로 바꿀 수 없다.

한국의 중장년 경력 연구에 적용한다면, 직업별 AI 노출, 개인의 실제 AI 활용, AI에 대한 태도, 경력적응성, 조직의 지원을 서로 다른 변수로 두는 접근을 검토할 수 있다. 특히 학력만으로 학습 가능성이나 기술 적응력을 판정하기보다, 실제 훈련 접근성과 업무에서의 활용 기회를 함께 살피는 것이 후속 연구 질문이 될 수 있다. 이 논문이 한국 공공기관 근로자에 대해 이러한 관계를 검증한 것은 아니다.

7. DASISIJAK 확장

후속 연구에서는 세 가지 결과를 분리해 추적하는 설계를 제안한다. 현재 일자리에서의 계속근로, 주된 일자리에서의 퇴직, 퇴직 후 브리지 고용 참여다. 각 결과에 대해 직업별 AI 특성과 실제 사용 경험, 조직지원, 교육·훈련 기회가 어떤 조건부 관계를 보이는지 살펴볼 수 있다. 가능하다면 시간의 선후를 확인하고, 실제 AI 도입이나 훈련 기회의 차이를 활용한 비교 설계를 검토할 필요가 있다. 이는 새로운 연구 제안이며 원문의 분석 결과가 아니다.

8. 그렇다면 무엇인가

DASISIJAK이 이 연구에서 가져올 질문은 ‘AI가 은퇴를 늦추는가’보다 ‘어떤 직업의 기술적 조건과 어떤 개인의 자원이 만날 때 경력 지속의 양상이 달라지는가’에 가깝다. 이 연구를 AI 도입이나 재훈련의 효과 보증으로 사용하기보다, 조기은퇴와 브리지 고용을 구분하고 조건별 차이를 검증하는 출발점으로 삼는 것이 적절하다.