NCCOSS WEBZINE

• 사람인에서 발표한 IT 개발자 채용 비중의 변화. 시간이 갈수록 경력직 채용 비중이 늘어나고 있다. 초급 개발자의 자리를 AI가 대체하고 있음을 암시한다. © 중앙일보

• 과거에는 초급 개발자가 단순 코딩 업무를 맡으며 경험을 쌓고 그 과정에서 시니어로 성장하는 '도제식 사다리'가 있었다. 기업도 이 시기의 비효율을 미래를 위한 투자로 받아들였다. 그러나 생성형 AI의 등장은 이 오래된 약속을 깨버렸다. 이제 기업 눈에 갓 졸업한 신입은 투자 대상이 아니라 AI보다 비용 효율이 떨어지는 '대체 가능한 자원'일 뿐이다.
  
  우리가 아직 겪어보지 못한 변화다. 이 격변을 이해하려면 2026년 현재 나타나는 '주니어 절벽(Junior Cliff)' 현상을 단순한 취업난이 아니라 '지식의 성격 변화'라는 렌즈로 들여다봐야 한다. 나아가 AI가 완벽히 장악한 가상의 공간과 여전히 불확실성으로 가득한 물리적 현장 사이의 간극을 살펴보면서, 인간 엔지니어가 확보해야 할 생존의 영토가 어디인지 찾아볼 필요가 있다.

왜 기업은 직원의 '성장 잠재력'을 포기했나

우선 현재의 고용 충격이 얼마나 이례적이고 뿌리 깊은 것인지 데이터로 확인할 필요가 있다. 스탠퍼드 디지털 경제 연구소(Stanford Digital Economy Lab)가 2025년 7월 발표한 분석에 따르면 AI 노출도가 높은 직군 중에서도 소프트웨어 개발자처럼 자동화가 쉬운 업무 영역에서 22세부터 25세 사이 초기 경력자 고용이 2022년 정점 대비 최대 20%까지 줄었다. 반면, 같은 기간 동일 직군 내 35세에서 49세 숙련 엔지니어의 고용은 오히려 늘었다.

왜 이런 양극화가 벌어졌을까? 그 밑바닥에는 '부호화된 지식(Codified Knowledge)'의 가치 폭락이 깔려 있다. 매뉴얼, 교과서, 표준 코드처럼 형식적인 언어로 정리할 수 있는 지식을 AI가 인간보다 훨씬 빠르고 정확하게 처리하게 됐다. 신입 개발자가 일주일 걸려 작성할 코드를 AI는 몇 초 만에 뽑아낸다. 학교에서 배운 '정답이 있는 지식'만으로는 더 이상 기업에 잉여 가치를 제공하기 어려워진 것이다.

상황이 이렇다 보니 기업의 채용 전략은 '육성'에서 '인재 밀도 높이기'로 급선회했다. 어설픈 인력을 다수 뽑느니, AI 에이전트 군단을 능숙하게 부릴 수 있는 소수의 '슈퍼 시니어'에게 막대한 연봉을 몰아주는 게 훨씬 낫다는 판단이다.

이런 흐름은 한국 시장에도 이미 상륙했다. 국내 채용 플랫폼 사람인의 2025년 1분기 데이터에 따르면, 신입 개발자 구인 공고는 전년 동기 대비 18.9% 급감했다. 경력직 공고 감소 폭(5.3%)의 3배가 넘는다. 스택오버플로우(Stack Overflow)가 2025년 실시한 설문조사에서도 고용주의 70%가 AI가 인턴의 업무를 대체할 수 있다고 믿으며, 과반수(57%)는 심지어 인간 인턴보다 AI의 결과물을 더 신뢰한다고 답했다. '성장 잠재력'이라는 막연한 가능성만으로는 이제 취업 문턱을 넘기 어렵다는 얘기다.

사람의 자리, AI가 넘지 못하는 '실재'의 벽

그렇다면 AI가 대체할 수 없는 인간의 역량은 어디에 있을까. 그 단서는 아이러니하게도 가장 아날로그적인 공간, 바로 '물리적 현장(Physical Layer)'에서 발견된다. 가상 공간에서 AI는 전지전능해 보이지만 중력과 마찰, 기상 변화와 전파 간섭이 지배하는 물리적 세계에서는 치명적인 약점을 드러낸다. AI는 학습한 데이터(Pixel)와 실제 현상(Physics) 사이에 놓인 '맥락'을 읽지 못하기 때문이다.

대표적인 사례가 자율주행 연구에서 보고된 '거대 파리' 환각 사건이다. 카메라 렌즈에 작은 곤충이 앉거나 이물질이 묻었을 때 인간은 이를 '더러워진 렌즈'로 알아채고 무시한다. 그러나 픽셀 데이터에 의존하는 AI는 이를 현실 세계를 가로막는 거대한 장애물로 재구성해 차량을 급제동시키는 촌극을 빚는다. 디지털 공간의 오류는 '새로고침'으로 해결되지만 물리적 공간의 환각은 곧바로 사고로 이어진다.

‘거대 파리’ 환각의 간단한 사례. 자동차 후방 카메라에 붙은 곤충을 두고 자동차의 시스템은 차 뒤에 거대한 물체가 있는 것으로 인식할 수 있다. © Alexandre Nascimento et al./arXiv:2510.07749

이런 불확실성은 시뮬레이션 데이터로도 입증된다. 알렉산더 나스시멘토(Alexandre Moreira Nascimento) 연구팀이 2025년 발표한 대규모 자율주행 시뮬레이션 연구는 센서 지연이나 감지 누락 같은 사소한 물리적 오류가 사고 위험을 몇 배 이상 키울 수 있음을 보여준다. 물리적 오류가 발생했을 때 AI 모델의 사고 확률은 정상 대비 최대 8.53배까지 치솟았다. 특히 센서 정보가 40사이클 지연될 경우의 사고 위험은 20사이클 지연 대비 4.61배나 높아지는데, 이는 인간으로 치면 고속도로를 달리며 1~2초간 눈을 감았다 뜨는 것과 같은 위험천만한 상황이다.

6G 같은 차세대 통신 네트워크에서도 사정은 비슷하다. 챗GPT 같은 언어 모델은 '그럴듯한' 답변을 내놓으면 성공이지만 통신 시스템은 수학적으로 정밀한 신호 처리를 요구한다. 전파 신호 변조 과정에서 미세한 오차만 생겨도 수신 측에서는 복호화가 불가능해져 통신 두절로 이어진다.

비전 인식 기반의 자율주행 차량이 겪을 수 있는 환각의 사례. 물리적 세계에서는 사소한 오류가 큰 사고로 이어질 수 있기 때문에 환각을 제어하고 관리하는 것은 매우 중요하다. © Alexandre Nascimento et al./arXiv:2510.07749

실제로 라자니 아카랴(Rajani Acharya) 연구팀이 2025년 분석한 바에 따르면, 10,000km 이상의 자율주행 필드 테스트 결과 겨울철 주행 환경의 약 23%에서 LiDAR 시스템의 성능 저하가 관찰됐으며 눈이 내리는 환경에서는 완전한 센서 고장이 드물게나마 발생했다. 또한 전방 카메라는 비 오는 날 18%의 시간 동안 가시성이 현저히 떨어졌다. AI가 학습한 '깨끗한 데이터'와 달리, 물리적 현장 변수는 센서라는 입력 기관 자체를 마비시켜 AI의 판단을 무력화한다는 결정적 증거다.

결국 이 거친 현장의 노이즈를 걸러내고 데이터가 말해주지 않는 물리적 맥락을 읽어내는 능력은 여전히 인간의 몫이다. 물론 모든 엔지니어가 하드웨어를 만져야 하는 건 아니다. 하지만 기업이 창출하는 가치는 고객이 실제로 체험할 수 있는 편익이며 여기에는 매우 구체적인 고객과 현장이 있다. 책상 앞 코딩이 AI에게 정복당한 지금, 현장의 불확실성을 통제하고 관리하는 '물리적 직관'이야말로 엔지니어가 확보할 수 있는 가장 강력한 생존 무기다.

저무는 '코드 생산자', 떠오르는 '오케스트레이터'

이런 기술 환경은 엔지니어의 직무 정의를 바꾼다. 물론 이것이 "코딩을 배울 필요가 없다"는 뜻은 절대 아니다. 언어를 모르면 소설을 쓸 수 없듯, 코딩을 모르면 시스템을 지휘할 수 없다. 다만 과거의 엔지니어가 명세서에 따라 코드를 직접 작성하는 '생산자'였다면, 2026년의 엔지니어는 AI 군단을 지휘해 시스템을 구축하는 '워크플로우 오케스트레이터(Workflow Orchestrator)'로 진화해야 한다는 얘기다.

구글이 연구 단계에서 공개한 다중 에이전트 개발 프레임워크 '안티그래비티(Antigravity)'는 이런 미래를 보여주는 상징적 사례다. 개발자가 하나의 AI 에이전트에게 백엔드 로직 수정을 지시하는 동안 다른 에이전트에게는 테스트 코드 생성과 UI 수정을 병렬로 맡긴다. 인간은 직접 코드를 입력하는 시간을 줄이는 대신 여러 AI가 수행하는 작업의 흐름을 조율하고 통합하는 데 집중한다.

구글이 발표한 안티그래비티의 앱 제작 프롬프트 응답 화면. 아직 미흡한 점은 있지만 프로젝트 단위로 다수의 AI 세션을 통합 활용할 수 있다. © Google

이런 역할 변화는 필연적으로 '검증' 역량의 중요성을 끌어올린다. 스택오버플로우가 전 세계 개발자를 대상으로 진행한 '2025년 개발자 설문조사(Developer Survey 2025)'에 따르면 응답자의 46%는 AI가 생성한 코드의 정확성을 신뢰하지 않는다고 답했다. 실제로 최근 분석된 AI 생성 코드의 약 48%에서 보안 취약점이 발견됐다는 통계는 이런 불신이 근거 없는 불안이 아님을 입증한다.

더 우려스러운 점은 속도와 품질의 괴리다. 구글 클라우드의 '2024 DORA(DevOps Research and Assessment) 리포트' 분석 결과, AI 도구 도입으로 문서화나 코드 작성 속도는 빨라졌으나 일부 지표에서는 오히려 배포 안정성이 악화되는 현상도 관찰됐다. AI가 겉보기엔 그럴듯한 코드를 빠르게 짜내지만 그 안에 숨은 논리적 결함이나 보안 허점을 스스로 걸러내지 못해 결국 운영 단계에서 문제를 일으키고 있다는 뜻이다.

결국 ‘어떻게(How)’ 구현할지는 AI가 더 잘 알지만 ‘무엇을(What)’ 만들고 ‘왜(Why)’ 필요한지 판단하는 건 인간의 몫이다. AI가 쏟아내는 코드 속 논리적 결함을 찾아내고 전체 아키텍처를 설계하는 '암묵지'를 갖춘 엔지니어에게 시장은 확실한 보상을 제공한다. PwC(프라이스워터하우스쿠퍼스)가 전 세계 6개 대륙의 5억 개 이상 구인 공고를 분석해 2025년 발표한 「2025 글로벌 AI 일자리 바로미터(2025 Global AI Jobs Barometer)」는 이런 현실을 냉정하게 보여준다. 동일한 직무라 하더라도 AI 기술을 보유한 근로자는 그렇지 않은 근로자 대비 최대 56%의 임금 프리미엄을 누리고 있다.

'교과서'의 한계를 벗어나 '현장'으로 나가야

현실을 종합해보면 '주니어 절벽'을 넘어서려면 교육의 패러다임이 바뀌어야 한다. 부호화된 지식을 일방적으로 전달하는 강의식 교육은 AI 시대에 유효기간이 끝났는지도 모른다. AI 시대에 학생들에게 시급한 배움은 정답이 정해진 공식이 아니다. 끊임없이 변화하고 실패가 용인되는 현장 문제에 부딪히며 체득하는 '실전 감각'이다.

최근 문제 중심 학습(PBL)과 기업 연계형 교육이 주목받는 이유도 여기에 있다. 스콧 프리맨(Scott Freeman) 연구팀이 225개 STEM 교육 연구를 종합해 2014년 발표한 메타 분석에 따르면 학생들이 직접 문제 해결에 참여하는 능동적 학습 방식을 도입했을 때 전통적인 강의 대비 과락률이 33.8%에서 21.8%로 대폭 줄었다. 현장 경험이 그저 스펙 한 줄이 아니라 AI가 대체할 수 없는 '맥락적 적응력'을 길러주는 가장 과학적인 방법이라는 증거다.

적극적으로 문제를 해결하는 능동형 교습법은 과락율을 유의미하게 낮추는 것으로 나타났다. 수동적인 강의보다 현장의 문제를 해결하는 데서 오는 효능감이 더 크다는 의미다. © Scott Freeman et al./ PNAS

국내 기업과 대학들은 이미 움직이고 있다. 삼성청년SW아카데미(SSAFY)는 최근 'SSAFY 2.0'으로 개편하며 총 교육 시간 중 60%인 1,025시간을 AI 활용 실습에 배정했다. 우아한형제들의 '우아한테크코스'는 독일 베를린으로 무대를 넓혀 서로 다른 문화적 배경 속에서 협업하며 암묵지를 쌓는 기회를 제공한다.

특히 과학기술정보통신부의 '시스템반도체 융합전문인력 육성사업'이나 차세대통신사업단의 교육 모델은 대학과 기업의 경계가 사라지고 있음을 보여주는 대표적 사례다. 학생들은 강의실이 아닌 기업이 제시한 실제 프로젝트에 투입돼 실패와 개선을 반복한다. 이 과정에서 배우는 건 교과서 속 이론이 아니다. 게시판 하나를 만들더라도 왜 이렇게 짰는지 설명할 수 있는 능력이자 AI가 놓친 물리적 변수를 잡아내는 직관이다.

미국의 올린 공대(Olin College)가 'Do-Learn(먼저 해보고 나중에 배운다)' 철학으로 공학 교육을 혁신했듯, 이제 교육의 현장은 산업 현장 그 자체로 확장돼야 한다. 알고리즘의 파도 속에서 인간이 중심을 잃지 않고 항해할 수 있는 유일한 방법은 모니터 밖의 거친 세상과 직접 부딪쳐보는 것뿐이다.