AI 코딩 도구가 신입 개발자 ‘경력 사다리’를 압축하고 있나

AI 코딩 보조 도구는 개발자의 작업 속도를 높일 수 있다. 그러나 그것만으로 소프트웨어 팀이나 개발자 경력 경로가 더 건강해지는 것은 아니다.

새롭게 제기되는 우려는 특정 도구가 필연적으로 나쁜 코드를 만든다는 데 있지 않다. 기업이 자동화를 통해 주니어가 전통적으로 배우던 반복적 구현 업무를 줄이고, 요구사항 정의·산출물 검토·시스템 테스트·트레이드오프 판단을 할 수 있는 숙련 인력에게 수요를 집중할 수 있다는 데 있다.

최근 고용 연구는 이 같은 방향성과 부합한다. 다만 Cursor, GitHub Copilot, Claude Code가 주니어 기회 감소를 유발했다는 증거는 아니다.

데이터가 보여주는 것은 ‘시니어 쏠림’

스탠퍼드대와 킹스칼리지 런던 연구진은 41개국의 채용공고 12억5,000만 건과 고용 기록 1억5,400만 건을 분석했다. 도구변수 분석 결과, AI를 도입한 기업의 해외 계열사는 비교 가능한 대조군 계열사보다 전체 인력에서 주니어가 차지하는 비중을 낮췄다. 이 변화는 주니어 고용의 급감보다는 시니어 고용 증가에서 주로 비롯됐으며, 전체 고용은 소폭 증가했을 가능성도 제시됐다.33

해당 연구와 관련해 보도된 5년 추정치는 AI 도입 기업에서 시니어 고용이 6.7% 증가하고, 주니어 고용은 3% 감소했으며, 주니어 인력 비중은 1.9%포인트 하락했다는 것이다.37 중요한 점은 이것이 경제 전반의 단순한 일자리 파괴가 아니라, 기업 내 인력 구성의 변화라는 사실이다.

스탠퍼드대의 별도 급여 데이터 연구도 초기 경력자에게 불리한 격차를 포착했다. AI 노출도가 높은 직종의 22~25세 노동자 고용은, AI 노출도가 낮은 직종의 동년배와 같은 속도로 늘었다면 도달했을 수준보다 약 19% 낮았다. 경력직에서는 비슷한 격차가 나타나지 않았다.12 이는 AI가 일자리의 19%를 직접 없앴다는 뜻이 아니라, 비교 집단 대비 고용 증가가 그만큼 부족했다는 의미다.

AI 코딩 도구가 우려와 맞닿는 지점, 그러나 인과관계는 미확정

차마스 팔리하피티야는 주요 AI 코딩 도구를 ‘싱글플레이어’ 시스템으로 규정했다. 개인 개발자의 코드 작성은 크게 가속하지만, 아키텍처 설계, 요구사항 조율, 컴플라이언스 검토, 코드 리뷰, 롤백, 사후 분석, 온보딩처럼 협업이 필수인 업무까지 해결하지는 못한다는 취지다. 그는 이들 도구가 개인의 작업 속도를 “2~5배” 높일 수 있다고 보면서도, 신뢰할 수 있는 소프트웨어 개발은 수많은 사람과 의사결정 간의 조율에 달려 있다고 주장했다.30

이는 조직 운영 측면에서 유효한 질문을 던진다. 소수의 숙련 엔지니어가 AI로 더 많은 코드를 만들고, 검증하고, 시스템에 통합할 수 있다면 기업은 반복적 업무를 맡을 주니어 구현 인력을 덜 필요로 한다고 판단할 수 있다. 반면 남는 업무는 더 큰 판단력을 요구한다.

• 모호한 사용자 요구를 기술 요구사항으로 바꾸는 일
• 생성된 코드의 오류나 보안 취약점을 찾아내는 일
• 테스트를 설계하고 실패 결과를 해석하는 일
• 더 큰 시스템의 맥락에서 변경 사항을 검토하는 일
• 자동화하거나 배포하지 않아야 할 때를 결정하는 일

이들은 그럴듯한 작동 경로이지, 특정 제품의 인과 효과를 입증한 연구 결과는 아니다. 현재 노동시장 연구는 AI 도입과 AI 노출을 넓게 측정할 뿐, Cursor·Copilot·Claude Code 등 개별 코딩 도구의 효과를 분리하지 않는다. 또한 이 도구들이 본질적으로 결함 있는 코드를 낳는다고 결론내리지도 않는다.

흔들릴 수 있는 ‘첫 직장’의 학습 경로

신입 직무는 단순히 인력을 보태는 역할만 해온 것이 아니다. 코드 리뷰, 디버깅, 장애 대응 후속 작업, 설계 논의 관찰, 선임의 피드백을 통해 실제 엔지니어링을 익히는 훈련장이기도 했다.

반복 업무가 자동화되면 조직은 의도치 않게 이 경력 사다리의 가장 아래 단을 없앨 수 있다. 그러면 지원자는 과거의 신입 직무가 길러주던 판단력을, 정작 입사 전부터 증명해야 하는 상황에 놓인다.

채용 기준은 이미 이런 방향으로 움직일 수 있다. 세계경제포럼(WEF)이 PwC 연구를 인용해 소개한 내용에 따르면, AI 노출도가 가장 높은 주니어 직무는 노출도가 가장 낮은 주니어 직무보다 리더십 등 기존에는 시니어와 연관됐던 역량을 요구할 가능성이 7배 높다.12 경험이 있어야 그 경험을 쌓게 해주던 직무에 들어갈 수 있는 순환적 장벽이 생길 수 있다는 뜻이다.

소프트웨어 팀에 이는 공정성의 문제만은 아니다. 감독 아래에서 경험을 쌓는 초기 경력 기회가 장기간 줄어들면, 장차 시니어로 성장할 엔지니어의 공급 자체가 제약될 수 있다. 단기 생산성 향상이 미래 인재 풀을 얇게 만드는 대가가 될 수 있는 셈이다.

불평등을 키울 가능성

시니어 중심의 변화는 이미 경험과 조직 맥락, 양질의 리뷰 접근성을 가진 사람에게 유리하다. 새로 진입하는 사람은 이 세 가지를 모두 덜 갖고 있다.

AI 노출이 높은 직종에서 22~25세의 고용이 추세 대비 19% 낮았다는 결과는 직접적 대체를 증명하지는 않더라도 중요하다.12 AI 노출 분야의 기회가 청년층에게 고르게 돌아가지 않고 있을 가능성을 시사하기 때문이다. 강한 직업 네트워크, 이른바 명문 학력, 멘토를 접할 기회가 부족한 사람일수록 새로 높아진 경험 문턱을 넘기 어려울 수 있다.

위험은 AI 시스템을 지시하고 검증할 수 있는 사람과, 처음부터 그렇게 할 수 있기를 요구받는 사람으로 노동시장이 갈리는 데 있다.

기업이 할 수 있는 일

해법은 반복 업무를 억지로 보존하는 데 있지 않다. AI가 학습 기회를 없애는 대신 주니어의 역량과 학습 속도를 높이도록 직무를 다시 설계하는 데 있다.

감독이 있는 실무를 유지하기

기업은 유급 견습제, 신입 순환 배치, 멘토링 책임이 명시된 주니어 직무를 유지할 수 있다. 핵심은 값싼 산출물이 아니라, 범위가 좁고 검토받는 업무에서 더 넓은 책임으로 나아가는 과정을 보여주는 것이다.

프롬프트 결과가 아니라 판단력을 평가하기

AI를 활용한 채용과 성과 평가는 지원자가 문제를 정의할 수 있는지, 생성된 코드를 설명할 수 있는지, 테스트를 작성·개선하는지, 실패 가능성을 식별하는지, 보안과 신뢰성 문제에 대응하는지를 살펴야 한다. 빠른 코드 생성만으로 엔지니어링 역량을 대체할 수는 없다.

AI를 리뷰 흐름에 포함하기

AI가 관여한 변경 사항에는 추적 가능성, 사람의 리뷰, 테스트, 명확한 책임 주체가 필요하다. 이런 절차는 AI를 학습 도구로도 만들 수 있다. 주니어는 생성된 여러 접근법을 비교하고, 실패 원인을 조사하며, 어떤 구현이 더 안전하고 유지보수하기 쉬운지에 대한 피드백을 받을 수 있다.

생산성과 함께 인력 지표도 측정하기

경영진은 기능 출시 수나 코드량뿐 아니라 주니어 채용, 승진율, 교육 시간, 유지율, 직급별 업무 분포를 함께 추적해야 한다. 산출량은 늘었지만 인재 육성 경로를 훼손하는 생산성 프로그램은 장기적으로 운영 리스크를 만들 수 있다.

‘경험 접근성’에 초점을 둔 정책 과제

정책은 기술 도입을 가로막지 않으면서 교육에서 일자리로 넘어가는 경로를 지키는 데 기여할 수 있다. 감독 아래 역량 개발과 연계한 공동 재원 견습제, 임금 보조, 휴대 가능한 교육 지원, AI 노출도가 높은 직종의 청년을 겨냥한 일자리 매칭 서비스가 선택지가 될 수 있다.

정부와 대형 구매자는 ‘보완 중심’ 도입도 장려할 수 있다. 즉, 주니어 채용을 우선 줄이는 방식이 아니라, 책임 있는 사람의 감독 아래 AI가 주니어의 역량을 높이는 방식의 활용을 유도하는 것이다.

결론

AI 코딩 도구는 숙련 엔지니어의 생산성을 높이고 일부 반복적 주니어 업무의 경제적 필요성을 낮추면서, 소프트웨어 팀의 인력 구성을 바꿀 수 있다. 국제 연구는 AI 도입 기업에서 시니어 고용이 늘고 주니어의 상대적 비중은 낮아지는 ‘시니어 쏠림’ 우려를 뒷받침한다.3337

그러나 어떤 개별 코딩 도구가 이런 결과를 일으켰다는 증거는 없으며, AI 생성 코드의 품질이 필연적으로 낮다는 결론도 아니다. 핵심 과제는 조직의 선택이다. 기업이 AI로 신입이 판단력을 익히는 업무를 없앨 것인지, 아니면 더 빠르되 더 촘촘한 감독을 받는 새로운 성장 경로를 만들 것인지에 달려 있다.