미국 9월 신규고용 2.9만 명: AI 시대에 먼저 얼어붙은 것은 해고가 아니라 채용이다

AI 시대의 고용 뉴스를 볼 때 우리는 보통 “몇 명이 해고됐나”부터 찾는다. 그런데 최근 미국 노동시장에서는 조금 다른 장면이 더 중요해 보인다. 2026년 9월 미국 신규고용이 2만9천 명에 그쳤다​는 숫자다. 미국 노동통계국(BLS)은 9월 비농업 고용이 거의 변하지 않았고, 실업률은 4.2%였다고 발표했다.

더 묘한 조합도 있다. 8월에는 구인 710만 개​가 남아 있었지만 실제 채용은 520만 명​에 그쳤다. 일자리가 완전히 사라진 것은 아닌데, 기업이 사람을 뽑고 이동시키는 속도가 느려진 것이다. 나는 이 시기를 “대량 해고 시장” 하나로 설명하기보다 저채용·저이직 시장​이라고 보는 편이 정확하다고 생각한다.

이런 시장에서는 AI를 잘 쓴다는 말만으로 부족하다. 회사가 새 사람을 뽑지 않고도 기존 인력과 AI 에이전트를 묶어 일을 다시 설계하려 하기 때문이다. KPMG가 10월 8일 공개한 팟캐스트도 실험 단계에서 실행 단계로 넘어가며, 사람과 디지털 에이전트가 하나의 운영 체계처럼 일하는 방식을 다뤘다.

내 업무의 AI 노출도 직접 점검하기 나에게 맞는 커리어 로드맵 만들기

1. 일자리는 있는데 채용이 느려진 시장

BLS의 9월 고용 보고서에서 전체 비농업 고용은 2만9천 명 늘어나는 데 그쳤다. 지난 12개월 평균 월간 증가폭은 4만5천 명이었다. 의료 분야는 1만7천 명 늘었지만, 간호·거주시설은 9천 명 줄었다. 전체 산업이 동시에 무너졌다는 뜻은 아니지만, 기업이 사람을 더 뽑아 성장하는 장면도 약해졌다.

8월 JOLTS를 같이 보면 메시지가 더 선명하다. 구인 710만 개, 채용 520만 명, 해고·면직 160만 명, 자발적 퇴직 310만 명이다. 구인 공고가 있다는 것과 실제 채용이 일어난다는 것은 다르다​는 뜻이다. 지원자는 공고를 보고 “자리가 있네”라고 생각하지만, 기업은 예산 승인·업무 재설계·AI 도입 효과를 확인하느라 채용 결정을 늦출 수 있다.

이 숫자를 한국 취업시장에 그대로 대입할 수는 없다. 미국 통계이기 때문이다. 다만 AI가 확산되는 기업의 공통 움직임을 읽는 자료로는 쓸 만하다. 지금은 “일자리가 모두 사라졌다”가 아니라, 새 사람을 뽑기 전에 기존 업무를 다시 쪼개고 자동화할 수 있는지 먼저 계산하는 단계​에 가깝다.

2. KPMG 영상이 보여준 다음 조직도

KPMG의 10월 8일 ‘Redefining work in a human + AI agent workforce’ 에피소드에서 흥미로운 표현은 사람과 디지털 에이전트가 조정된 하나의 인력처럼 움직인다는 설명이다. 여기서 AI 에이전트는 단순히 글을 써주는 챗봇이 아니다. 자료를 가져오고, 규칙에 따라 분류하고, 다음 행동을 제안한 뒤, 예외 상황을 사람에게 넘기는 업무 단위에 가깝다.

이 구조가 자리 잡으면 채용공고의 질문도 바뀐다. “AI를 써봤습니까?”보다 “AI가 처리할 단계와 사람이 승인할 단계를 나눌 수 있습니까?”가 더 중요해진다. 회사가 신규 채용을 미루는 동안 내부 직원에게 기대하는 역할은 도구 사용자가 아니라 업무 흐름의 설계자​가 된다.

기존 업무 설명	AI 시대의 재설계	이력서에 남길 증거
매주 보고서를 작성했다.	자료 수집·초안·검토·승인을 단계별로 분리했다.	처리시간, 수정 횟수, 승인 기준
고객 문의에 답했다.	반복 문의는 에이전트가 분류하고 민감한 건은 상담원에게 넘겼다.	예외율, 재문의율, 사람 개입 지점
팀의 업무를 관리했다.	사람·AI·승인권자의 책임 경계를 정했다.	의사결정 속도, 오류 통제, 책임 범위

나는 이 변화가 곧바로 모든 직업을 없앤다고 생각하지 않는다. 하지만 신입에게 맡기던 단순 정리·초안·분류 업무가 얇아지는 속도는 분명 빨라질 수 있다. 반대로 현장 맥락을 알고, 결과를 검증하고, 고객이나 상사에게 책임 있게 설명하는 사람의 가치는 올라간다. AI가 만든 결과를 전달하는 것과 그 결과를 사용해도 되는지 판단하는 것은 전혀 다른 능력이다.

3. 저채용 시장에서 이력서를 바꾸는 세 문장

첫째, “AI를 사용했다”를 쓰지 말고 어떤 업무의 어느 단계를 바꿨는지 써야 한다. “생성형 AI로 회의록을 작성”보다 “회의 녹취를 안건별로 분류하고 결정사항과 미결사항을 사람 검토 큐로 분리”가 강하다.

둘째, 결과가 없으면 숫자를 만들지 말고 측정 설계를 보여줘야 한다. 실제 절감 시간이 20%가 아니라면 그렇게 쓰면 안 된다. 대신 “가상 데이터 30건으로 분류 정확도와 예외 유형을 기록했다”고 적을 수 있다. 채용이 느린 시장일수록 과장된 AI 경험보다 검증 가능한 작은 실험이 안전하다.

셋째, 사람에게 남긴 책임을 적어야 한다. 개인정보·법률·고객 보상처럼 자동화하면 안 되는 영역에서 어떤 승인 조건을 두었는지 보여주면, 단순 도구 사용과 업무 설계가 갈린다.

4. 지금 당장 할 수 있는 7일 실험

1일 차에는 내 업무를 복사, 검색, 요약, 분류, 판단, 승인, 설득으로 나눈다. 2일 차에는 목표 직무 채용공고 10개를 모아 자동화, 통합, 평가, 운영, 검증 같은 동사를 표시한다. 3일 차에는 개인정보가 없는 가상 데이터로 반복 작업 하나를 고른다.

4~5일 차에는 AI가 할 일과 사람이 확인할 일을 나눠 작은 흐름을 만든다. 6일 차에는 처리 시간, 오류, 예외, 사람이 다시 고친 횟수를 기록한다. 7일 차에는 “무엇을 자동화했다”가 아니라 “어떤 판단 지점을 남기고 어떤 결과를 확인했다”는 이력서 문장으로 바꾼다.

나는 AI가 장기적으로 많은 직업을 대체한다고 생각한다. 동시에 과거의 기술 전환처럼 새로운 직업도 많이 생길 것이다. 다만 저채용 시장에서는 기회를 기다리는 시간이 길어질 수 있다. 그래서 지금 필요한 것은 막연한 AI 공부 목록이 아니라, 내가 사람과 AI를 묶어 하나의 결과를 만들었다는 작은 증거​다. 채용이 다시 빨라질 때 그 증거가 있는 사람이 먼저 설명할 수 있다.

프롬프트 사용자에서 AI 구축자로 이동하기 채용자가 평가할 수 있는 증거 만들기 AI 노출 전공자의 다음 취업 단계 보기