인스티즈앱 쓸모없는 일자리
데이비드 그레이버(David Graeber, 인류학자이자 사회비평가)는 그의 저서 『쓸모없는 일자리(Bullshit Jobs, 현대 조직에서 실질적 가치 없이 유지되는 직무를 비판한 저서)』에서 다음과 같이 말한다.
“평균적인 조직에서 화이트칼라 노동의 피라미드를 떠올려 보면, 수익 창출 잠재력의 대부분은 최상위 계층에서 발생한다. 반면, 어떤 기업이든 하단부에는 일정 비율의 ‘기대값이 음수인 직원(negative expected value employees, 조직에 기여하는 가치보다 비용이 더 큰 인력)’이 존재하게 마련이다.”
지식 노동(knowledge work, 정보·분석·판단을 핵심으로 하는 업무)에 인공지능을 어느 정도라도 활용해 본 사람이라면, 이러한 ‘쓸모없는 일자리’ 중 상당수가 결국 AI로 대체될 것임을 잘 알고 있다. 다만 기술 도입의 속도는 언제나 근본적인 기술 발전의 속도보다 느리다. 우리는 이러한 발전이 매우 빠르게 진행되고 있다는 사실을 알고 있다. 이미 ‘AI 인프라스트럭처(AI Infrastructure, 인공지능 모델 학습·운영을 위한 반도체, 데이터센터, 네트워크 등 기반 설비)’ 트레이드에서는 일정 수준의 과열이 나타나고 있다. 그렇다면 인프라 버블이 붕괴될 위험을 떠안지 않으면서도, AI가 계속해서 개선될 것이라는 우리의 신념을 어떻게 시장에서 표현할 수 있을까?
시장은 지금까지 주로 이 기술을 구축하고 고도화하는 데 무엇이 필요한지에 초점을 맞춰 왔다. 그러나 앞으로는 이 기술의 실제 활용을 통해 누가 진정한 수혜자가 되는지를 고민하는 것이 점점 더 중요해질 것이다.
조직이 클수록, 그리고 문서 작업과 행정 처리(paper-pushy, 서류 중심의 관료적 업무)가 많을수록, 중간값에 해당하는 직원이 AI로 대체될 가능성이 높아진다는 점은 논쟁의 여지가 거의 없다. 대기업은 움직임이 느리지만, 경쟁사가 성과를 내기 시작하는 순간 속도를 급격히 높이는 경향이 있다.
AI 분야에서는 이미 상당한 진전이 이루어졌으며, 많은 이들이 제기해 왔던 전사적 도입(enterprise adoption, 대기업 조직 전반에 걸친 기술 도입)에 대한 우려 역시 하나씩 해소되기 시작했다.
– 오픈AI(OpenAI, 대형 언어모델을 개발하는 인공지능 기업)에 데이터를 제공하고 싶지 않은가? 그렇다면 큐웬(Qwen, 알리바바 계열에서 개발한 대형 언어모델)을 사용하면 된다.
– 환각(hallucinations, AI가 사실이 아닌 정보를 그럴듯하게 생성하는 현상)이 두려운가? 2025년에는 자체 내부 문서에서만 인용을 강제하는 RAG 아키텍처(RAG architectures, 검색 증강 생성 방식으로 외부 또는 내부 문서를 참조해 답변을 생성하는 구조)가 빠르게 확산되었다.
– AI가 방대한 컴플라이언스 파일(compliance files, 규제·준법 관련 문서)을 소화하지 못할까 우려되는가? 컨텍스트 윈도(context windows, AI가 한 번에 이해하고 처리할 수 있는 입력 정보의 범위)는 수백만 토큰(tokens, AI 텍스트 처리의 최소 단위) 규모로 폭발적으로 확대되었으며, 이는 IBM(IBM, 글로벌 IT·컨설팅 기업)의 방대한 사내 핸드북조차 처리할 수 있을 정도다.
한편, 가격 경쟁(price wars, 기업 간 가격 인하 경쟁)과 증류 모델(distilled models, 대형 모델의 성능을 축소·최적화해 비용을 낮춘 AI 모델)의 확산으로, 지난 1년간 추론 비용(inference cost, AI가 실제로 답변을 생성할 때 발생하는 계산 비용)은 90% 이상 하락했다.
‘AI’라는 기술 자체는 비교적 새로운 개념이지만, 그 근본적인 메커니즘은 과거에도 수차례 반복되어 왔다. 즉, 고비용 인력을 저비용 자원으로 대체하는 과정은 기술 발전과 아웃소싱·오프쇼어링(outsourcing/offshoring, 업무를 외부 또는 해외로 이전하는 구조)을 통해 수십 년간 미국 경제를 전진시켜 온 핵심 동력이었다.
리바이스(Levi’s, 글로벌 데님 의류 브랜드)가 생산을 해외로 이전(offshore production, 제조 공정을 해외로 이전하는 전략)한 이후의 매출총이익률(gross margins, 매출에서 매출원가를 차감한 비율)을 살펴보면 그 흐름은 분명하게 드러난다.
[리바이스(Levi Strauss)]
[2000년대 초반까지 미국 내 고임금 노동에 기반한 생산 구조 하에서는 매출총이익률이 40% 초반대에서 정체되거나 점진적으로 하락하는 모습을 보이다가, 2003년 9월 미국 공장 폐쇄 이후 전면적인 해외 아웃소싱 체제로 전환되면서 일시적인 혼란과 급격한 마진 하락을 거친 뒤, 노동비용 차이를 활용한 구조적 차익(arbitrage)이 완전히 실현되자 매출총이익률이 50% 이상으로 재평가되었다. 이는 공급망과 노동 구조의 근본적 변화가 단기적으로는 실적과 주가에 부정적 불확실성을 야기하지만, 일단 체제가 안정되면 기업의 수익성 레벨 자체를 한 단계 끌어올리는 레짐 전환(regime shift)을 만들어낸다는 전형적인 사례이다.
이제 이 역사적 사례를 AI와 연결해 보면, 현재 시장에서 가장 강력한 내러티브는 AI 자체를 개발하거나 AI 인프라 투자로 즉각적인 매출 증가가 기대되는 기업들에 집중되어 있는 반면, 실제로 AI 도입의 최대 수혜자가 될 가능성이 높은 ‘직원 1인당 순이익(net income per employee)이 낮고, 인건비 비중이 높으며, 동시에 인력 감축을 진행 중인 기업들’은 오히려 S&P500 대비 현저한 언더퍼포먼스를 기록하고 있다. 이는 시장이 AI를 ‘매출 성장 스토리’로만 가격에 반영하고 있을 뿐, 비용 구조와 생산성의 구조적 개선이라는 훨씬 더 큰 레버리지 효과를 아직 선반영하지 않고 있음을 명확히 보여준다.
특히 2026년을 전후해 AI 기반 인력 감축과 업무 자동화가 본격적으로 가시화될 경우, 리바이스 사례에서 보았듯이 단순한 비용 절감이 아니라 기업의 정상 이익률(normalized margin) 자체가 재정의되는 국면이 전개될 가능성이 높다. 그럼에도 불구하고 현재 해당 기업군의 주가 흐름이 지속적인 하락 추세에 머물러 있다는 점은, 시장이 이 변화를 아직 ‘구조적 전환’이 아닌 ‘일시적 구조조정’ 정도로 오인하고 있음을 시사한다.
결국 핵심은 AI 시대의 진짜 재평가가 화려한 기술 제공자보다도, 지금까지 저부가가치 노동에 묶여 수익성이 눌려 있었던 기업들이 인력 구조를 재편하면서 마진 구조를 근본적으로 바꾸는 시점에 발생할 가능성이 높다는 점이다. 이는 과거 글로벌화와 오프쇼어링이 제조업의 이익률을 재편했던 것과 유사하게, 단기적 주가 부진 속에서 조용히 축적되는 중장기 구조적 기회일 수 있다.]
AI가 여전히 시장에서 가장 강력한 단일 내러티브로 자리하고 있음에도 불구하고, 대부분의 투자자들은 AI를 직접 구축하는 기업들과 인프라 구축의 결과로 가장 크고 즉각적인 이익 증가를 누릴 기업들에만 지나치게 초점을 맞추어 왔다.
만약 2026년이 AI로 인한 인력 감축과 생산성 향상이 본격적으로 가시화되는 해라면, 저부가가치이며 AI에 의해 대체될 위험이 높은 업무에 가장 많은 비용을 지출하고 있는 기업들의 주가에는 이러한 AI 전환에 대한 일정 수준의 선반영이 나타났을 것으로 기대할 수 있다. 그러나 실제로는 전혀 그렇지 않았다.
‘직원 1인당 순이익(net income per employee: 기업의 순이익을 전체 직원 수로 나눈 생산성 지표)’ 기준으로 전체 유니버스 하위권에 속하면서 동시에 인력 감축을 진행 중인 기업들을 선별한 스크리닝을 구성하고, 이를 S&P 500와 비교해보자.
상당히 심각한 수준의 초과 언더퍼폼(시장 대비 현저한 부진 성과)이다.
그러나 ‘직원 1인당 순이익 하위 10분위이면서 인력 감축 중인 기업’이라는 기준은 상당히 느슨하고 잡음이 많은 스크리닝인 것도 사실이다. 그렇다면 대형언어모델(LLMs: 대규모 언어 데이터를 학습해 추론·생성 능력을 갖춘 AI 모델)의 역량으로부터 실제로 혜택을 받을 수 있는 기업 목록은 어떻게 구성해야 할까?
이를 위해 고임금 경제권에 위치한, 규모가 크고 비용 구조가 비싼 조직 중에서 동종 업계 대비 직원 1인당 순이익이 낮은 기업들을 찾아내고자 했다. 이 과정에서 ‘관료주의(bureaucracy: 불필요하게 비대해진 관리·행정 조직 구조)’를 순이익 1달러당 인원 수(headcount per dollar of net income)와 간접비 비율(overhead ratios), 즉 일반관리비/매출(G&A/Revenue: General & Administrative 비용을 매출로 나눈 비율)과 판매·일반관리비/매출(SG&A/Revenue: Selling, General & Administrative 비용을 매출로 나눈 비율)을 활용해 대리 변수로 설정하였다. 이들 지표는 모두 섹터 상대적 z-스코어(z-score: 평균 대비 표준편차 단위로 위치를 나타내는 표준화 지표)로 변환되었다.
이를 통해 동종 기업 대비 비정상적으로 두꺼운 행정 및 관리 계층을 가진 기업을 식별하는 관료주의 점수(Bureaucracy Score)를 산출하였다.
다음으로, 산업 평균 대비 낮은 마진을 보이는 기업들을 구분하기 위해 마진 선택성 점수(Margin Optionality Score)를 계산하였다. 이는 비용 구조를 더 슬림하게 운영할 경우 실제로 수익성이 개선될 여지가 있는 기업들을 가려내기 위한 지표다.
마지막으로, 관료주의 점수와 마진 선택성 점수를 결합하여 AI 관료주의 알파(AI Bureaucracy Alpha: AI 도입을 통해 관료적 비효율을 제거함으로써 초과 수익을 창출할 잠재력 지표) 순위를 도출하였다.
[점수 체계 및 스크리닝 방법론]
[1단계에서는 기업의 관료적 비효율성을 정량화하는 과정이 제시된다. 여기서 핵심 지표는 G&A(판매관리비)와 SG&A(판매·일반·관리비)를 매출 대비 비율로 환산한 값, 그리고 매출 10억 달러당 직원 수(headcount per $1bn revenue)를 결합한 것이다. 이는 “얼마나 많은 간접 인력과 관리 비용을 유지하고 있는 기업인가”를 수치로 드러내는 데 목적이 있으며, 단순한 인건비 수준이 아니라 조직 구조 자체가 얼마나 무거운지를 가늠하기 위한 출발점이라는 의미를 가진다.
2단계에서는 이렇게 산출된 관료성 지표를 산업 내에서 정규화(normalize)하는 과정을 거친다. 이는 산업마다 인력 구조와 비용 구조가 본질적으로 다르다는 점을 감안하여 동일 업종 내 동종 기업끼리만 비교 가능하도록 상대 점수로 전환함으로써, 예컨대 컨설팅 기업과 반도체 기업을 동일한 잣대로 비교하는 오류를 제거하려는 의도다. 이 단계에서 비로소 “이 기업이 자기 섹터 내에서 유독 비대하고 비효율적인가”라는 질문에 답할 수 있게 된다.
3단계에서는 간접비(overhead)와 인력 지표를 하나의 종합 점수인 관료성 점수(Bureaucracy Score)로 통합한다. 이는 노동집약적이고 조정 비용이 큰 조직, 즉 내부 커뮤니케이션과 관리 프로세스에 과도한 자원이 투입되는 기업을 선별하기 위한 신호를 강화하는 작업이다. 이 과정은 AI 자동화와 업무 대체의 1차적 타깃이 될 가능성이 높은 조직을 구조적으로 걸러내는 역할을 수행한다.
이어지는 4단계는 매우 중요한 필터다. 이는 단순히 비효율적인 기업이 아니라 ‘마진 선택권(margin optionality)’이 존재하는지를 점검하는 과정이다. 해당 기업의 EBIT 마진과 매출총이익률을 동종 업계와 비교하여, 이미 제품 경쟁력이나 가격 결정력이 확보된 상태인지, 다시 말해 비용만 줄이면 곧바로 이익률 개선이 가능한 구조인지를 판단한다. 이는 AI 도입이 단순한 생존 수단이 아니라 실질적인 구조적 마진 업리프트로 연결될 수 있는지를 가르는 핵심 기준이다.
마지막 5단계에서는 앞선 분석을 종합해 AI 관료성 알파(AI Bureaucracy Alpha)를 계산한다. 이 모델에서는 관료성 점수에 60%, 마진 선택권에 40%의 가중치를 부여한다. 이는 조직이 비대할수록, 그리고 동시에 마진 구조가 탄탄할수록 AI 기반 비용 절감과 인력 구조 재편이 주주가치 상승으로 전이될 확률이 높다는 전제에 기반한다. 이 결과 상위에 위치한 기업들은 ‘AI를 통한 비용 절감, 인력 감축, 그리고 마진 확장이 동시에 가능한 잠재적 수혜주’로 분류되며, 이 프레임워크는 단순한 기술 트렌드 분석을 넘어 실제 트레이드 아이디어로 직결되는 구조를 갖는다.]
이 점수 체계를 선진국 대형주 및 중형주 시장 전반에 걸친 800개 이상의 종목에 적용하였다.
본 스크리닝은 특정 섹터에 국한되지 않으며, 상당량의 이른바 ‘불필요한 직무(bullshit jobs: 생산성 기여가 낮거나 형식적·중복적 성격의 업무)’를 내포하고 있어 보다 슬림한 운영이 가능하다고 판단되는 기업들만을 대상으로 한다.
다만 누구도 인력 감축을 선호하지 않으며, 사업 환경이 양호한 한 많은 기업들이 이러한 효율성을 실제로 실현하지 못할 가능성도 크다.
리스트에서 가장 높은 순위를 차지한 기업들은 전형적인 ‘인력 공장(people factories: 대규모 인력을 투입해 서비스나 반복 업무를 수행하는 사업 구조)’에 속하는 영역들이다. 여기에는 시험·검사, B2B 서비스, 마케팅·정보 서비스, 그리고 중앙집중식 간접비가 과도한 다각화 기업 그룹들이 포함된다.
이 중 다수의 기업, 예컨대 액센츄어(Accenture, ACN US: 글로벌 IT 컨설팅 및 아웃소싱 기업)와 캡제미니(Capgemini, CAP FP: 프랑스 기반의 글로벌 IT·디지털 컨설팅 기업)는 AI의 수혜자가 아니라 피해자로 인식되며 시장에서 강한 제재를 받아왔다.
그러나 여기에서 흥미로운 기회를 본다. 즉, 자체 노동력을 감축함으로써 혜택을 받을 뿐만 아니라, 다른 대형 기업들이 동일한 구조조정을 수행하도록 지원하는 역할까지 수행할 수 있는 기업들이 현재 시장에서 철저히 외면받고 있다는 점이다.
워치리스트를 더욱 정교하게 좁히기 위해, 실적 발표 컨퍼런스콜 원문과 기업 프레젠테이션 자료를 검토하여 AI·자동화에 의해 주도되는 효율성 개선 또는 인력 감축에 대한 언급이 있는지를 확인하였다. 결국 기회를 포착하려면, 먼저 그 기회를 바라보고 있어야 한다.
예를 들어 액센츄어(Accenture: 글로벌 IT 컨설팅 및 아웃소싱 기업)는 최근 3개월 동안 약 1만 1천 명의 직원을 감원하였다. 최고경영자 줄리 스윗(Julie Sweet: 액센츄어 CEO)은 회사가 “AI 시대를 대비해 인력을 재편하고 있다”고 밝히며, AI에 맞게 재교육이 불가능한 역량을 가진 인력은 퇴출되고 있다고 설명했다. 동시에 향후 전략의 핵심은 업스킬링(upskilling: 기존 인력을 재교육해 고부가가치 역량으로 전환하는 과정)에 있으며, 고도화된 AI가 액센츄어가 수행하는 거의 모든 업무의 일부가 되고 있다고 덧붙였다.
BT 그룹(BT Group: 영국의 대표적 통신 기업)은 이미 4만 명 규모의 인력 감축을 계획하고 있었으며, 최고경영자 앨리슨 커크비(Allison Kirkby: BT 그룹 CEO)는 6월 파이낸셜타임스(Financial Times: 영국의 대표적 경제·금융 일간지)와의 인터뷰에서 AI로 인한 효율성 개선을 이유로 그보다 더 큰 규모의 감원이 가능할 것이라고 언급했다.
또한 섹터 대비 마진이 높고 관료주의 점수(bureaucracy score: 동종 기업 대비 행정·관리 인력과 간접비 구조의 비대함을 측정한 지표)가 낮은, 이른바 ‘이미 최적화된 기업’들 가운데 다수가 실적 발표 자리에서 AI 주도의 효율성 개선에 대해 적극적으로 언급하고 있다는 점을 확인했다. 그 대표적인 사례가 C.H. 로빈슨(CH Robinson: 글로벌 물류 및 공급망 관리 기업)이다.
이처럼 선별된 종목은 챗GPT(ChatGPT: 대규모 언어모델 기반의 생성형 AI 서비스)가 출시된 이후 상당 기간 동안 심각한 부진 성과를 보였다. 그러나 최근 들어 이들 종목은 급격히 반등하며 시장 대비 초과 성과를 기록하고 있다. 이는 단순한 우연일 수도 있으나, 시장이 마침내 AI의 수혜가 모델을 만드는 기업들에만 국한되지 않는다는 사실을 인식하기 시작한 결과일 가능성도 있다.
DOCU US Equity
SNOW US Equity
JCI US Equity
UPS US Equity
NTNX US Equity
DT US Equity
ZS US Equity
TPR US Equity
MTD US Equity
VRT US Equity
NDSN US Equity
ORLY US Equity
TJX US Equity
HUBS US Equity
TRMB US Equity
MCHP US Equity
IFF US Equity
DVA US Equity
COO US Equity
OKTA US Equity
MGM US Equity
VLTO US Equity
H US Equity
IBM US Equity
NWS US Equity
DLTR US Equity
BSY US Equity
OTIS US Equity
PAYX US Equity
UHS US Equity
RKLB US Equity
CMG US Equity
DGX US Equity
EMR US Equity
NET US Equity
FTV US Equity
IQV US Equity
CSGP US Equity
TGT US Equity
APH US Equity
CRL US Equity
PAYC US Equity
035720 KS KAKAO CORP
017670 KS SK TELECOM
028300 KS HLB INC
090435 KS AMOREPACIFIC-PRE
259960 KS KRAFTON INC
051910 KS LG CHEM LTD
030200 KS KT CORP
051915 KS LG CHEM-PREFER
종목을 보면, Accenture, CGI, Capgemini, Cognizant, Infosys, EPAM, Booz Allen Hamilton과 같은 글로벌 IT 서비스·컨설팅 기업들이 다수 포함되어 있는데, 이들은 전통적으로 인건비 비중이 매우 높고 프로젝트 단위로 대규모 인력을 투입해왔던 산업 구조를 가지고 있으며, 동시에 AI 자동화 도구를 내부 운영과 고객 서비스 양쪽에 모두 적용할 수 있는 위치에 있다는 공통점을 갖고 있다.
여기에 SAP, IBM, Intuit, DocuSign, Zoom, Estee Lauder, Publicis, WPP와 같은 소프트웨어·마케팅·지식 서비스 기업들이 포함된 점은, AI가 단순한 개발자 생산성 향상에 그치지 않고 회계, 광고 기획, 고객 커뮤니케이션, 문서 처리, 데이터 분석 등 전통적 사무직 업무 전반을 대체하거나 축소시키는 방향으로 확산되고 있음을 반영하는 구성이라고 볼 수 있다.
또한 Dollar General, Target, UPS, DHL, Rentokil Initial, Jones Lang LaSalle, CBRE 계열 기업들이 포함된 점은, 이 테마가 순수 기술주 바스켓이 아니라 운영 효율, 물류 최적화, 인력 스케줄링, 부동산 관리, 현장 운영 자동화 등 ‘보이지 않는 관리 노동’을 많이 필요로 했던 전통 산업 전반으로 확장되고 있음을 보여주며, 이는 AI가 화이트칼라뿐 아니라 준사무·관리직 영역까지 침투하고 있음을 시사한다
결국 핵심 메시지는 AI 수혜를 논할 때 단순히 GPU, 반도체, 클라우드 인프라와 같은 공급망 상단만을 바라볼 것이 아니라, 내부적으로 비효율적인 노동 구조를 많이 안고 있었고 그로 인해 마진 구조가 제약받아 왔던 기업군이야말로 AI 도입 국면에서 구조적 리레이팅의 주체가 될 수 있다는 점이다. 해당 바스켓의 지속적인 상대 성과는 이 테마가 아직 단기적 유행이 아니라 중기적 구조 변화의 초입에 있음을 시장이 점진적으로 가격에 반영하고 있음을 보여주는 사례로 정리할 수 있다.
또 하나의 참고 사항으로, 줌(Zoom: 화상회의·협업 소프트웨어 기업)은 모든 정량적 기준에 부합하지만, 포함 여부에 대해서는 다소 신중하게 볼 필요가 있다고 판단한다. 많은 ‘불필요한 직무’가 대량의 줌 사용을 수반하기 때문이다. 또한 스크리닝의 일관성을 유지하기 위해 유틸리티(Utilities: 전력·가스·수도 등 공공서비스 업종)와 금융(Financials: 은행·증권·보험 등 금융업종)을 제외했으나, 보험 브로커(Insurance Brokers: 기업·개인을 대신해 보험 계약을 중개하는 업체들, 예: 브라운 앤 브라운, 아서 J. 갤러거 등)는 서류 처리 중심 업무의 축소 측면에서 질적으로 매우 흥미로운 상승 여력을 지닌 영역으로 판단된다.