컴퓨터공학 졸업생 취업률 7.1%: AI 시대 전공보다 먼저 증명해야 할 것
2026년 9월 미국 Census·Dallas Fed·AP 자료가 보여준 AI 노출 전공 졸업생의 취업 충격을 바탕으로, 코딩·AI 스킬을 실제 업무 증거로 바꾸는 커리어 전략을 정리했습니다.
나는 AI가 장기적으로 많은 직업을 바꾸고, 그 과정에서 새로운 직업도 만든다고 생각한다. 다만 2026년 가을에 졸업하는 사람에게 더 급한 질문은 거대한 미래 예측이 아니다. 내가 배운 전공의 첫 일자리가 이미 AI 때문에 달라졌다면, 지금 무엇을 증명해야 하는가?에 가깝다.
9월 24일 AP는 최근 컴퓨터공학·컴퓨터과학 졸업생의 실업률이 약 7.1%라고 보도했다. 같은 시기 미국 Census Bureau의 연구 논문은 AI 노출도가 가장 높은 전공 10%에서 졸업 직후 취업 가능성이 5%포인트 하락했고, 첫 분기 소득은 13% 감소했다고 분석했다. Dallas Fed도 텍사스 대학 자료에서 AI 자동화 노출도가 높은 전공의 졸업 1년 내 취업 가능성이 상대적으로 1.7%포인트 낮아지고, 취업한 사람의 임금은 5% 낮아졌다고 밝혔다.
이 수치는 “컴퓨터공학을 공부하면 안 된다”는 뜻이 아니다. 오히려 전공 지식만으로는 부족해진 시장에서, AI가 만든 결과를 검증하고 업무에 연결하는 사람이 어떤 방식으로 기회를 잡는지 보여주는 신호다.
미국 Census AI 전공 분석
AI 노출 전공의 졸업 직후 취업·소득 변화를 원문으로 확인하자.
Dallas Fed 연구 읽기
어떤 전공이 AI에 노출되는지, 대학원 진학이 답인지 살펴보자.
코딩 붐 이후의 취업시장
기업이 신입에게 요구하는 ‘AI 감독 능력’이 무엇인지 확인하자.
1. 취업 충격은 ‘해고’보다 먼저 신입 채용에서 시작된다
AI 뉴스는 보통 대규모 해고 숫자로 소비된다. 하지만 졸업생에게 먼저 나타나는 변화는 회사에서 쫓겨나는 장면이 아니라 아예 첫 기회가 열리지 않는 현상일 수 있다. Dallas Fed 연구도 AI가 잘할 수 있는 업무의 채용 수요가 줄면, 아직 직장에 들어가지 못한 졸업생이 가장 먼저 영향을 받는다고 설명한다.
미국 Census 연구는 ChatGPT가 등장한 2022년 말 이후 AI 노출도가 높은 전공과 낮은 전공의 취업·소득·이직 흐름이 갈라졌다고 분석했다. 가장 노출도가 높은 전공 10%의 졸업 직후 초기 취업 가능성은 5%포인트 낮아졌고, 첫 분기 소득은 13% 감소했다. 이것을 모든 국가와 모든 직무에 그대로 적용할 수는 없지만, 채용 축소가 해고보다 조용하게 커리어 입구를 좁힐 수 있다는 점은 분명한 경고다.
연구에서 확인된 세 가지 변화
Census 연구에서 AI 노출 상위 전공의 초기 취업 가능성 변화.
같은 연구의 졸업 직후 첫 분기 소득 감소폭.
AP가 보도한 최근 컴퓨터공학·컴퓨터과학 졸업생 실업률.
2. 전공을 버리기보다 ‘AI가 못 맡기는 단계’를 찾아야 한다
Dallas Fed는 컴퓨터과학·컴퓨터공학·언어 관련 전공을 AI 자동화 노출도가 높은 편으로 분류했고, 간호·교육·심리학은 상대적으로 낮은 편으로 봤다. 여기서 흔히 나오는 결론은 “문과가 더 안전하다”거나 “코딩을 포기하라”는 식의 단정이다. 나는 그 결론이 너무 빠르다고 생각한다.
전공의 이름보다 중요한 것은 그 전공으로 들어가던 직무의 업무 묶음이다. 초안 코드 작성, 단순 테스트, 문서 요약처럼 AI가 빠르게 수행하는 업무는 신입의 학습용 과제로도 쓰이던 영역이다. 반면 문제를 정의하고, 잘못된 결과를 찾아내고, 고객·현장 조건에 맞게 우선순위를 정하고, 결과에 책임지는 단계는 여전히 사람의 판단을 요구한다.
AP가 소개한 사례에서도 기업은 “AI를 쓸 줄 아는 사람”만 찾은 것이 아니라, AI가 무엇을 할 수 있는지 조직 안에서 설명하고 실제 업무에 붙일 사람을 찾았다. 이 차이가 중요하다. 이력서에 ChatGPT 사용 가능이라고 적는 것보다 AI 검색 도구를 활용한 프로젝트를 실제 사용자 문제에 맞춰 시연하고, 결과의 오류를 수정했다고 적는 편이 훨씬 강하다.
AI 스킬을 업무 증거로 바꾸는 문장
| 약한 표현 | 바꿔 쓸 표현 | 보여주는 능력 |
|---|---|---|
| AI와 코딩을 공부했습니다. | AI가 만든 코드 3개를 테스트 케이스로 검증하고 오류 원인과 수정 기준을 기록했습니다. | 검증·디버깅 |
| AI 프로젝트를 진행했습니다. | 현장 담당자의 반복 문의를 분류하고 검색 프로토타입을 만들어 답변 시간을 비교했습니다. | 문제 정의·업무 연결 |
| 생성형 AI를 잘 활용합니다. | 모델의 답변을 원문 12건과 대조해 오답 유형을 분류하고 사용 기준을 제안했습니다. | 판단·책임 |
3. 대학원 진학이 자동 해답은 아니다
취업이 어려워지면 대학원 진학을 떠올리기 쉽다. 실제로 Dallas Fed 분석에서는 AI 노출도가 높은 전공일수록 졸업 후 대학원에 다시 등록할 가능성이 높아졌다. 그런데 2024년 졸업생의 상당수는 학부와 같은 전공의 대학원으로 이동했고, AI 노출도가 높은 분야의 석사 학위 취득자도 상대적으로 비슷한 임금 하락을 겪었다.
이 결과는 대학원이 쓸모없다는 뜻이 아니다. 다만 같은 내용을 한 단계 더 공부하는 것과 AI가 확장한 업무의 책임 범위를 배우는 것은 다르다. 대학원을 선택한다면 학위명보다 다음 질문에 답할 수 있어야 한다.
이 과정에서 AI 시스템을 평가하거나 운영하는 프로젝트를 끝낼 수 있는가?
현업 데이터와 사용자 요구를 다루는 경험이 생기는가?
졸업 뒤 이력서에 결과·검증·책임을 숫자로 남길 수 있는가?
4. 이번 주에 만들 수 있는 ‘AI 보완형’ 포트폴리오
거대한 앱을 만들 필요는 없다. 오히려 짧은 기간에 업무의 앞뒤를 설명하는 편이 좋다.
첫째, 목표 직무에서 반복되는 업무 하나를 고른다. 예를 들어 고객 문의 분류, 내부 문서 검색, 영업 데이터 요약처럼 범위를 작게 잡는다. 둘째, AI에게 초안을 맡기되 결과를 그대로 제출하지 않는다. 원문과 대조하고, 틀린 답을 세 가지 이상 분류한다. 셋째, 사람이 최종적으로 내려야 하는 기준을 적는다. 넷째, 전후 시간을 비교하거나 정확도·누락률·처리 건수 중 하나를 측정한다. 마지막으로 코드나 화면만 올리지 말고 왜 그렇게 설계했고 무엇을 폐기했는지를 README와 이력서에 남긴다.
이 과정은 개발자만을 위한 것이 아니다. 인사 직무라면 지원자 질문을 분류하고 개인정보 위험을 검토할 수 있고, 마케터라면 AI 초안의 사실관계를 확인하고 고객 반응을 비교할 수 있다. 회계·법무·교육 분야도 마찬가지다. AI가 만든 결과를 업무 규칙 안에서 안전하게 쓰는 능력은 전공을 가리지 않는다.
나는 앞으로도 AI가 많은 직업을 대체할 것이라고 본다. 그러나 이번 자료가 보여주는 현실은 ‘AI를 공부하면 살아남는다’는 단순한 약속과 다르다. 이미 AI 노출 전공의 졸업생은 첫 취업과 임금에서 충격을 받고 있다. 그렇다고 전공을 버리고 모두가 같은 AI 자격증을 따야 하는 것도 아니다.
지금 필요한 것은 전공 지식을 AI가 빠르게 처리하는 작업과 사람이 책임져야 하는 판단 사이에 연결하는 일이다. 이번 주에 작은 업무 하나를 골라 AI 초안, 검증 기준, 수정 결과, 업무 효과를 한 장으로 정리해보자. 면접에서 “AI를 사용할 줄 압니다”라고 말하는 것보다 “AI가 틀린 지점을 찾아 업무 결과를 이렇게 바꿨습니다”라고 보여주는 편이 훨씬 오래 남는다.
