콘텐츠로 이동

주니어 소멸의 시대, 데이터로 다시 보기 — 좁아진 문과 학습 경로 설계

"신입 공고가 없다"는 말은 체감으로는 맞아 보이지만, 체감만으로는 무엇을 준비해야 할지 정할 수 없습니다. 어느 나이대의 일자리가, 어떤 업종에서, 어떤 경로로 줄었는지를 알아야 학습 계획을 세울 수 있습니다. 이 글은 공신력 있는 두 연구, 미국 급여 데이터를 쓴 스탠퍼드 디지털경제연구소 논문과 한국은행 이슈노트를 읽고 진입 장벽이 실제로 어디서 높아졌는지 확인한 뒤, 그 결과에 맞춰 Java/Spring 학습 경로를 어떻게 짜는지 정리합니다.

이 글의 기준

2025년 12월에 올린 같은 제목의 글은 강연 영상 한 편의 감상이었습니다. 2026-10-24에 통계와 연구 원문을 확인해 전면 다시 썼습니다. 수치는 모두 아래 참고 자료의 원문(논문 PDF, 한국은행 누리집)에서 옮겼고, 연구가 개정되며 바뀐 수치는 개정 시점을 함께 적었습니다. AI와 함께 무엇을 연습할지는 AWS CEO 발언을 다룬 글에서 따로 다룹니다.

1. 미국 데이터 — 22~25세, AI 노출이 큰 직군에서만 줄었다

스탠퍼드 디지털경제연구소의 에릭 브리뇰프슨(Erik Brynjolfsson) 등은 미국 대형 급여 대행사 ADP의 급여 기록으로 수백만 명의 고용 변화를 추적했습니다. 논문 제목은 「Canaries in the Coal Mine?」, 탄광의 카나리아처럼 가장 먼저 영향을 받는 집단이 있는지 묻는 연구입니다. 2026년 8월 개정판의 핵심 수치는 다음과 같습니다.

항목 2022년 11월 → 2026년 6월
22~25세, AI 노출 상위 2개 분위 직군의 고용 약 11% 감소
22~25세, AI 노출 하위 3개 분위 직군의 고용 약 10% 증가
두 집단의 격차 21%포인트 (하위 분위 대비 상대 19%)
같은 직군의 경력자 비슷한 격차 없음

논문은 이 격차가 2025년 8월 첫 공개 때보다 꾸준히 벌어졌다고 밝힙니다. 첫 공개판의 상대 감소는 13%였습니다. 같은 논문이 정리한 나머지 사실도 학습 계획에 중요합니다.

  • 감소는 해고가 늘어서가 아니라 젊은 층 신규 채용이 줄어서 생겼습니다.
  • AI가 사람의 일을 대신하는(자동화) 직군에서 줄었고, 사람의 일을 돕는(보완) 직군에서는 고용이 그대로거나 늘었습니다.
  • 조정은 임금이 아니라 고용 인원에서 일어났습니다.
  • 경제 전체로 보면 대규모 일자리 대체의 증거는 없었습니다.

교훈: 좁아진 곳은 "개발자라는 직업" 전체가 아니라 경력 없는 사람이 들어가는 문입니다. 그리고 그 문은 자동화하기 쉬운 일 쪽에서 먼저 좁아졌습니다.

2. 한국 데이터 — 청년 일자리 감소의 94%가 AI 고노출 업종

한국은행 조사국 고용연구팀은 같은 질문을 국내 자료로 두 번 분석했습니다. 2025년 10월 이슈노트(제2025-30호)와 2026년 8월 이슈노트(제2026-19호)입니다.

항목 제2025-30호 (최근 3년) 제2026-19호 (최근 4년)
청년층(15~29세) 일자리 21.1만 개 감소 28.5만 개 감소
그중 AI 고노출 업종 20.8만 개 26.8만 개 (94%)
50대 일자리 20.9만 개 증가 (고노출 14.6만 개) 23만 개 증가 (고노출 17.3만 개)

같은 업종 안에서 청년은 줄고 50대는 늘었다는 점이 눈에 띕니다. 2026년 분석은 업종을 나눠 한 번 더 봤습니다. AI가 일을 대신하는 자동화 비중이 높은 업종일수록 청년 고용 감소 폭이 컸고, 사람이 AI를 도구로 쓰는 증강 비중을 기준으로 보면 뚜렷한 감소 패턴이 없었습니다. ChatGPT 출시 이후 대졸 청년의 평균 실업률은 7.0%로 전문대졸 이하 청년(5.4%)보다 1.6%포인트 높았고, 30~59세에서는 이런 차이가 없었습니다.

한국은행은 결론에서 신중합니다. 최근 청년고용 위축에서 AI만의 인과적 영향을 따로 떼어 내기는 어렵다고 적었습니다. 신규 채용 중 청년 비중은 ChatGPT 이전부터 낮아지고 있었고, 팬데믹 이후 채용 정상화, 경력직 선호, 재택근무 확대도 함께 작용했을 수 있다는 것입니다.

교훈: AI는 단독 원인이라기보다 이미 있던 경력직 선호를 키운 요인으로 보는 편이 데이터에 맞습니다. 그렇다면 대응도 "경력이 없다"는 약점을 줄이는 쪽이어야 합니다.

3. 두 데이터가 같은 곳을 가리킨다

나라도, 자료도, 연구자도 다르지만 결과는 같은 방향입니다.

질문 스탠퍼드 (미국 ADP 급여 자료) 한국은행 (국내 고용 자료)
누가 줄었나 22~25세 15~29세 청년층
어디서 줄었나 AI 노출이 큰 직군 AI 고노출 업종 (감소분의 94%)
경력자는 비슷한 격차 없음 50대는 같은 업종에서 증가
자동화 vs 보완 자동화 직군에서 감소, 보완 직군은 유지·증가 자동화 업종에서 감소 폭 큼, 증강 기준은 패턴 없음
경로 신규 채용 감소 신규 채용 중 청년 비중 하락, 경력직 선호
인과 판단 AI 영향과 일관된 초기 증거 AI만의 효과는 분리하기 어려움

두 연구를 겹쳐 읽으면 진입 장벽의 모양이 보입니다. 예전에는 신입에게 "정형화된 일을 맡기며 가르치는" 자리가 있었습니다. 그 정형화된 일이 자동화되면서 회사는 처음부터 판단을 맡길 수 있는 사람, 곧 경력자를 찾습니다.

교훈: 학습 경로의 목표는 "정형 업무를 잘하는 신입"이 아니라 "판단한 흔적을 보여 줄 수 있는 신입"이어야 합니다.

4. 학습 경로 설계 — 공부하는 동안 경력 증거를 남긴다

경력직을 선호하는 회사가 실제로 보고 싶은 것은 연차가 아니라 스스로 판단하고 검증해 본 흔적입니다. 제가 위키에 공개한 Java/Spring 학습 경로는 Java Core → Spring·웹 → 고급·품질의 3단계이고, 단계마다 마무리 과제가 있습니다. 데이터가 말하는 진입 장벽에 맞춰 각 과제를 "증거물" 관점으로 다시 정리하면 이렇습니다.

단계 과제 과제가 요구하는 판단 남는 증거
1단계 Java Core 과제 1. 주문 처리 콘솔 앱 결제 수단 분기를 전략 패턴으로, 후속 작업을 옵저버로 분리 mvn test 13건 통과, 채점 기준(if/switch 분기 없음 등) 셀프 체크
2단계 Spring·웹 과제 2. 도서 대여 REST API 업무 규칙 R1~R7을 서비스 계층에, 위반을 400/404/409로 규칙별 API 테스트, curl 시나리오 결과
2단계 확장 과제 2-3. API와 화면 병합 프록시와 CORS 중 무엇을 쓸지, 한 jar로 배포 Playwright E2E 테스트
2단계 확장 과제 2-4. 카카오 책 검색 연동 API 키를 어디에 두지 않을지, 외부 실패를 어떻게 감쌀지 네트워크 없는 MockRestServiceServer 테스트
3단계 고급·품질 과제 3. 견적 업무 API 4계층으로 의존 방향을 뒤집고 쓰기·읽기 경로를 분리, MyBatis로 SQL 직접 작성 도메인에 Spring·MyBatis import가 없음을 검사하는 ArchUnit 테스트

이 표에서 중요한 열은 세 번째입니다. 각 과제는 "만들었다"가 아니라 "왜 이렇게 나눴는지 설명할 수 있다"를 목표로 합니다. 위키의 학습 원칙도 문법을 외우는 것이 아니라 왜 그렇게 동작하는지 설명할 수 있는 상태를 목표로 둡니다. 판단을 설명할 수 있는 저장소는 면접에서 연차를 대신하는 이야깃거리가 됩니다.

교훈: 진입 장벽이 경력이라면, 학습 경로는 경력의 축소판이어야 합니다. 요구사항을 받고, 판단하고, 검증하고, 기록하는 순서를 과제마다 반복합니다.

5. 통계 기사를 내 커리어에 대입할 때의 주의점

"신입 일자리 ○○% 감소" 같은 기사를 볼 때 다음을 확인하면 과장된 공포와 근거 있는 경고를 구분할 수 있습니다.

확인할 것 이 글의 두 연구에서는
어느 판(version)의 수치인가 스탠퍼드는 13%(2025년 8월)에서 19%(2026년 8월)로 개정
누구를 셌나 미국 ADP 급여 대상자, 국내 15~29세 취업자
원인이라고 했나, 상관이라고 했나 한국은행은 AI만의 인과 효과 분리가 어렵다고 명시
전체 경제 이야기인가 스탠퍼드는 경제 전체의 대규모 대체 증거는 없다고 명시

교훈: 숫자 하나보다 연구가 스스로 적어 둔 한계 문장이 더 많은 것을 알려 줍니다.

💡 원스의 인사이트: 자동화되는 쪽이 아니라 증강되는 쪽의 일을 연습하세요

두 연구가 공통으로 보여 준 가장 실용적인 사실은 같은 AI라도 일을 대신하는 곳에서는 신입 자리가 줄고, 일을 돕는 곳에서는 그렇지 않았다는 점입니다. 학습도 같은 기준으로 고를 수 있습니다. 문법 문제를 빨리 푸는 연습은 자동화되는 쪽에 가깝고, 업무 규칙을 정하고 테스트로 검증하고 설계 이유를 설명하는 연습은 AI를 도구로 쓰는 쪽에 가깝습니다.

그래서 강의 과제는 기능 목록보다 규칙 표와 채점 기준을 먼저 둡니다. 데이터가 말하는 "경력"은 결국 판단의 기록이고, 판단의 기록은 학생 때부터 남길 수 있습니다.

체크리스트 — 내 학습 계획 점검

  • [ ] 통계 기사를 볼 때 연구 원문과 개정 시점을 확인했다
  • [ ] 지금 하는 공부가 자동화되는 일인지, AI를 도구로 쓰는 일인지 구분해 봤다
  • [ ] 과제마다 "왜 이렇게 나눴는지" 한 문장으로 설명할 수 있다
  • [ ] 저장소에 테스트와 실행 결과가 남아 있어 남이 검증할 수 있다
  • [ ] 외부 API 키 관리, E2E 테스트처럼 실무 경계를 다루는 과제를 하나 이상 해 봤다

참고 자료 및 출처