전략회의 화면에 “생성형 AI에 노출된 아세안 근로자 약 8천만 명”이라는 숫자가 뜬다. 본사 임원은 곧바로 묻는다. “그럼 동남아 법인 전 직원을 AI 기초과정에 넣어야 합니까?” 교육 담당자는 국가별 인원에 같은 수료 목표를 배분하려 한다. 큰 숫자가 곧 큰 교육 대상자 명단으로 바뀌는 순간이다.
하지만 8천만 명은 교육 신청자도, 대체될 일자리도, 당장 AI를 쓰는 사람도 아니다. 국제노동기구(ILO)가 2025년 아세안 고용 가운데 생성형 AI에 최소 수준을 넘는 잠재 노출이 있는 직업에 종사한다고 추정한 규모다. 노출도는 직업 안의 현재 과업을 AI가 기술적으로 자동화하거나 보조할 가능성을 뜻한다. 실제 도입, 직무 소멸, 생산성 향상, 학습 필요성을 직접 측정한 값이 아니다.
아세안 AI 교육의 출발점은 이 분모를 키우는 일이 아니라 잘게 나누는 일이다. 국가 평균을 보고 과정 수를 정하기 전에 어떤 법인의 어떤 과업이 노출됐는지, 실제로 도구를 쓰는지, 오류가 나면 무엇을 잃는지, 배운 뒤 적용할 권한과 시간이 있는지를 확인한다. 결론은 분명하다. 직무가 사라질 시점을 예측하는 교육보다 과업이 어떻게 바뀌는지를 검증하는 교육이 먼저다.
8천만 명은 교육 인원이 아니라 과업 변화의 탐색 범위다
ILO가 2026년 7월 8일 공개한 아세안 브리프를 숫자 그대로 풀면 판단이 달라진다. 2025년 아세안 전체 고용의 22.9%, 약 8천만 명이 최소 수준을 넘는 생성형 AI 노출 직업에 있었다. 그러나 최고 노출군(G4)은 전체 고용의 3.3%, 1천170만 명이었다. 약 67%는 식별된 노출이 없는 직업에 있었다.
22.9% 안에서도 강도는 같지 않다. 저노출(G1) 9.1%, 중간 노출(G2) 8.2%, 유의한 노출(G3) 2.2%, 최고 노출(G4) 3.3%로 나뉜다. 반올림 때문에 네 비율의 합과 22.9% 사이에는 0.1%포인트 차이가 난다. 무노출과 G1 사이에는 별도의 ‘최소 노출’ 범주가 있으며 22.9%는 이 범주를 제외한 G1~G4의 합이다. G1은 일부 과업만 자동화 가능성이 있고 직업 전체는 낮은 노출에 머무는 범주다. G2는 노출된 과업과 그렇지 않은 과업이 섞여 있다. G3는 전체 자동화·보조 잠재력이 커지지만 과업 편차가 남는다. G4는 직업 안의 여러 과업에서 높고 일관된 노출이 나타난다.
그림 1. ILO, 「Generative AI and labour markets in ASEAN」, 물리 PDF 4쪽. Figure 1은 국가별 최신 가용 연도가 서로 다르며, 노출 수준은 실제 AI 이용률이나 감원 비율이 아니다.
이 구분을 무시하고 전원에게 같은 생성형 AI 과정을 배정하면 두 가지 낭비가 생긴다. 첫째, 노출이 낮거나 적용 권한이 없는 직원에게 도구 조작을 가르치고도 현업 전이를 만들지 못한다. 둘째, 고노출 과업을 맡은 직원에게도 일반 프롬프트 과정만 제공해 검증, 승인, 예외 처리, 고객 설명처럼 더 중요한 행동을 놓친다.
8천만 명은 “누구를 모두 교육할 것인가”에 답하지 않는다. “어디서부터 과업을 더 자세히 볼 것인가”를 알려 주는 탐색 범위다. 전사 의무과정의 분모로 쓰지 않는다. 대신 직무·과업 인터뷰와 사용 로그를 어디에 먼저 배치할지 정하는 1차 신호로 쓴다.
42.2와 20.6 사이에서 하나의 지역 커리큘럼은 무너진다
최소 수준을 넘는 노출 비중은 자료가 있는 아세안 9개국에서도 크게 달랐다. 싱가포르 42.2%, 필리핀 28.1%, 인도네시아 21.7%, 베트남 20.8%, 태국 20.6%였다. 싱가포르의 지식집약 직업 구조와 필리핀의 서비스·IT 및 비즈니스 프로세스 관리 산업 비중처럼 국가별 산업·직업 구성이 숫자에 일부 반영된 것으로 해석된다.
이 순위를 그대로 교육 예산 순위로 바꿔서는 안 된다. Figure 1의 최신 가용 연도는 싱가포르·필리핀·인도네시아가 2023년, 베트남·태국이 2024년이며 다른 나라에는 더 오래된 자료도 포함된다. 브루나이와 말레이시아는 이 국가별 고용 도표에 들어 있지 않다. 아세안 전체 시계열에는 관측값뿐 아니라 모형 추정이 쓰였다. ILO 부속서는 이를 모든 국가·연도의 직접 관측치가 아니라 지역 추세를 위한 모형 분포로 해석하라고 밝힌다.
본사가 봐야 할 단위는 국가가 아니라 국가 × 기능 × 과업 × 도입 상태다. 같은 고객센터라도 필리핀 법인은 영어 상담 초안에 생성형 AI를 시험한다. 태국 법인은 승인된 지식검색만 쓸 수 있다. 인도네시아 법인은 개인정보 규정과 데이터 준비 문제로 도입을 보류할 수 있다. 국가 노출도가 비슷해도 교육은 다르게 설계한다.
글로벌 HRD는 공통성을 버릴 필요가 없다. 다만 공통으로 묶는 것은 도구 화면이 아니라 원칙이다. 허용·입력 금지 데이터, 사람의 최종 책임, 검증 증거, 오류 보고, 고객 고지, 학습기록 사용 범위는 본사가 최소 기준으로 정할 수 있다. 실제 사례, 언어, 규정, 승인권자, 실습 과업은 현지법인이 결정한다. 하나의 지역 커리큘럼을 번역해 배포하는 방식보다 공통 통제와 현지 과업 모듈을 분리하는 편이 정확하다.
노출도가 높아도 실제 사용이 낮으면 도구 수업부터 열지 않는다
노출도와 도입률은 다른 축이다. ILO가 인용한 Claude.ai 자료에서는 컴퓨터·수학 및 교육 관련 과업군에 연결된 대화 비중이 상대적으로 높고 사무·행정지원 과업군에 연결된 대화 비중은 비교적 낮았다. 이 분류는 Claude에서 무엇을 했는지를 보여 줄 뿐 이용자의 직무명을 뜻하지 않는다. 이 분석은 2026년 2월 5일부터 12일까지 Anthropic의 Claude.ai 이용 자료 가운데 국가별 3천 건을 넘는 관측이 있는 경제만 다룬다. 한 플랫폼의 대화가 전체 생성형 AI 이용이나 기업 도입을 대표하지 않는다는 한계도 원문에 명시돼 있다.
싱가포르의 2026년 1~3월 민간 사업체 조사에서도 간극이 드러난다. 조사 대상 2,560개 사업체 가운데 71.5%는 운영에서 AI 도입을 시작하지 않았다고 답했다. 핵심 업무 프로세스에 통합한 사업체는 3.8%였다. 500명 초과 사업체의 도입률은 76.4%였지만 25명 미만 사업체는 23.9%였다. 싱가포르 한 나라의 사업체 조사이므로 아세안 전체 비율로 옮길 수는 없다. 다만 높은 국가 노출도 안에서도 기업 규모와 통합 단계가 다르다는 사실은 분명하다.
교육 우선순위는 두 축을 먼저 교차해 정한다.
| 과업의 잠재 노출 | 현업의 실제 도입 | 먼저 설계할 학습 |
|---|---|---|
| 높음 | 높음 | 실제 산출물 검증, 예외 처리, 승인·중단 기준, 사고 리허설 |
| 높음 | 낮음 | 과업 관찰, 안전한 시험 범위, 데이터·권한 준비, 역할 대화 |
| 낮음 | 높음 | 과신 방지, 사람에게 넘길 조건, 인접 과업과 시스템 영향 이해 |
| 낮음 | 낮음 | 짧은 공통 문해력과 문의 경로, 필요가 생길 때 선택형 심화 |
이 표는 ILO가 검증한 분류모형이 아니라 기업교육 담당자가 현장 진단에 사용할 운영안이다. 이 운영안에는 오류 영향과 적용 가능성도 추가한다. 같은 고노출 과업이라도 급여 계산, 신용 판단, 고객 불만 답변은 오류의 피해와 승인 규정이 다르다. 학습자가 시스템 접근권한도, 실습 데이터도, 관리자의 적용 허용도 받지 못한다면 과정 개설보다 환경 정비가 먼저다.
여성 4.8%와 남성 2.3%의 격차를 보고 선발 기준을 다시 짠다
아세안 전체에서 최고 노출 직업에 종사하는 비중은 여성 4.8%, 남성 2.3%였다. 태국과 필리핀에서는 여성이 남성보다 최고 노출 직업에 있을 가능성이 약 3~4배 높았다. 여성의 사무·행정·일부 전문직 집중과 남성의 수작업·운영직 집중이 이런 차이에 영향을 줬다.
그림 2. ILO, 같은 브리프 물리 PDF 6쪽. Figure 2는 최고 노출 직업의 고용 비중을 성별·연령별로 비교한다. 개인의 능력이나 실제 AI 사용량을 측정한 도표가 아니다.
이 수치는 “여성에게 AI 교육을 더 많이 시키자”는 단순한 인원 할당표가 아니다. 고노출 직무의 변화 비용이 누구에게 집중되는지, 반대로 고급 프로젝트와 설계·거버넌스 기회는 누구에게 돌아가는지 함께 보라는 경고다. 기초과정은 여성 사무직에게 의무로 몰리고 모델 설계·데이터 프로젝트는 기존 기술직 남성에게 추천으로 배분된다면 교육이 직종 분리를 강화할 수 있다.
선발 단계에서 직급과 관리자 추천만 보지 않는다. 실제 과업 증거, 지원 가능한 시간, 자기지원 경로, 언어·근무시간·기기 접근성을 공개한다. 참여율만 맞추지 말고 실습용 데이터 접근, 고가치 프로젝트 배치, 승인 회의 발언권, 과정 이후 이동 기회를 성별·연령·고용형태별로 본다. 표본이 작은 집단은 재식별되지 않게 묶거나 공개를 제한한다.
청년층도 하나의 고위험 집단으로 단정하면 안 된다. 아세안 전체에서는 15~24세 청년과 25세 이상 성인의 최고 노출 비중이 대체로 비슷했다. 인도네시아와 필리핀에서는 청년 비중이 성인보다 조금 높았지만 국가별 양상은 달랐다. 최근 필리핀과 태국의 일부 고노출·신입 직무에서 청년 고용이 더 약해진 신호도 생성형 AI의 직접 효과로 입증된 것은 아니다. 교육 선발은 연령 딱지보다 실제 진입 과업과 배치 경로를 기준으로 삼는다.
직무명 하나를 다섯 칸의 과업지도로 바꾼다
ILO 부속서의 최고 노출군에는 금융분석가, 웹·멀티미디어 개발자, 증권·금융 중개인, 신용·대출 담당자뿐 아니라 일반 사무원, 문서작성원, 데이터 입력원, 회계·급여·인사 사무원, 콘택트센터 판매원이 포함된다. ‘전문직 대 단순직’이라는 한 줄로는 설명할 수 없는 구성이다.
직무명만 보고 교육을 배정하면 실제 변화 행동이 보이지 않는다. 예를 들어 급여 담당자는 자료를 모아 이상치를 찾는다. 규정을 확인하고 계산을 승인하며 직원 질문에 설명한다. 초안 생성과 항목 분류는 AI가 보조할 수 있어도 규정 해석, 민감정보 처리, 예외 승인, 설명 책임은 사람에게 남을 수 있다. 과정을 설계하기 전에 대표 산출물 한 건을 따라 다음 다섯 칸을 채운다.
| 과업지도의 칸 | 확인할 질문 | 교육으로 연결할 증거 |
|---|---|---|
| 산출물 | 무엇을 만들고 누구에게 전달하는가 | 실제 양식, 답변, 분석, 코드, 승인 기록 |
| AI 개입 | 검색·분류·초안·계산 중 어디를 보조하는가 | 사용 로그, 전후 산출물, 프롬프트가 아닌 작업 흐름 |
| 사람의 판단 | 무엇을 검증하고 누가 최종 승인하는가 | 검토 기준, 근거 메모, 이중확인·중단 기록 |
| 오류 영향 | 틀리면 고객·직원·재무·안전에 어떤 피해가 생기는가 | 오류 유형, 심각도, 복구·에스컬레이션 사례 |
| 적용 조건 | 데이터·권한·시간·코치가 실제로 있는가 | 접근권한, 보호시간, 담당자, 현지 규정 |
과업지도는 완벽한 직무분석 프로젝트가 될 필요가 없다. 한 현지법인의 한 직군에서 반복 빈도가 높거나 오류 영향이 큰 산출물을 골라 시작할 수 있다. 다만 직원 인터뷰만으로 끝내지 말고 실제 산출물, 시스템 단계, 승인 기록을 함께 본다. 공개된 직무기술서와 현장의 일이 다르면 현장 과업을 기준으로 가설을 수정한다.
이 과정에서 노출도를 개인 위험점수로 만들지 않는다. “당신의 직무는 G4이므로 전환 가능성이 낮다”거나 “교육 점수가 낮으면 배치에서 제외한다”는 식의 사용은 원자료가 뒷받침하지 않는다. 노출도는 직업 단위의 기술적 잠재력이다. 개인의 고용가능성, 성과, 학습능력을 평가하는 도구가 아니다.
네 개 학습 트랙은 사람의 등급이 아니라 책임의 차이다
과업지도가 있으면 전 직원 공통과정을 네 개의 책임 트랙으로 바꿀 수 있다.
- 기본 문해력 트랙은 허용 도구, 입력 금지 데이터, 환각·편향, 사람에게 넘길 조건, 문의·사고 보고 경로를 다룬다. 모든 직원에게 긴 도구 실습을 요구하지 않고 업무 접점에 맞춰 짧게 제공한다.
- 과업 수행 트랙은 실제 양식과 사례로 초안·검색·분류 결과를 검토하고 수정하는 연습을 한다. 속도보다 근거 확인과 재작업을 줄이는 행동을 평가한다.
- 검토·승인 트랙은 품질 기준, 고위험 예외, 중단권, 이중확인, 고객·직원 설명, 사고 후 검토를 다룬다. 관리자와 현업 전문가가 학습자의 승인 범위를 명확히 한다.
- 구축·거버넌스 트랙은 모델·데이터·통합을 설계하거나 위험·감사를 맡는 소수 역할을 위한 심화 과정이다. 기술, 데이터 거버넌스, 보안, 법적·윤리적 검토를 결합한다.
OECD의 2026년 6월 브리프는 고급 AI 프로그래밍·모델 개발이 필요한 근로자는 1% 미만이며 더 넓은 인력에게는 디지털 역량과 데이터 사용·분석·해석, 문제해결, 창의성, 관리 역량이 중요하다고 정리한다. 이 값은 아세안의 현재 교육 수요 비율이 아니다. 여러 OECD 연구를 종합한 결과이고 브리프에 포함된 최신 데이터도 2024년 말까지다. 모든 아세안 직원의 99%에게 같은 비기술 과정을 주라는 뜻으로도 읽으면 안 된다.
실무적으로는 고급 기술교육을 없애지 않고 희소한 책임에 맞춰 배치한다. 반대로 기본 문해력을 동영상 한 편으로 끝내지 않는다. 과업 수행자에게는 자기 업무의 산출물을 검증할 기회를, 승인자에게는 멈출 권한을, 구축자에게는 현지 언어·직종·대표성 문제를 다룰 책임을 준다. 트랙은 사람의 잠재력 등급이 아니라 현재 맡을 책임의 차이다. 과업과 책임이 바뀌면 누구든 다른 트랙으로 이동할 수 있어야 한다.
한국 본사는 표준 콘텐츠보다 현지 실행권을 먼저 설계한다
아세안 여러 국가에 법인을 둔 한국 기업은 본사 제작 과정을 번역하는 것만으로 글로벌 HRD를 완성할 수 없다. 본사는 공통 위험 원칙, 학습 증거의 최소 형식, 데이터 보호, 승인·에스컬레이션 기준을 정한다. 현지법인은 우선 과업, 허용 사례, 언어, 근무 일정, 노사·규제 조건을 정한다. 현업 관리자는 실습 과업과 코치, 적용시간, 중단권을 제공한다. L&D는 이 세 층이 실제 학습 경험으로 이어지는지 확인한다.
운영회의에는 다섯 가지 질문을 올리면 된다.
- 이 법인에서 노출 신호가 높고 실제 사용도 관측되는 과업은 무엇인가
- 아직 사용하지 않지만 역할 대화와 안전한 시험이 필요한 고노출 과업은 무엇인가
- 오류 영향 때문에 실습보다 승인·중단 규칙을 먼저 정할 과업은 무엇인가
- 여성·청년·교대근무자·계약직·위탁인력·소규모 사업장에 접근 장벽이 생기는 지점은 어디인가
- 교육 뒤 학습자가 적용할 시스템 권한, 보호시간, 관리자 피드백은 누가 보장하는가
답이 없는 법인에 수료 목표부터 주지 않는다. 먼저 한 직군의 과업지도를 만들고 안전한 실제 사례로 수행·검토 트랙을 시험한다. 결과가 좋으면 같은 도구를 전 국가에 복제하는 것이 아니라 같은 판단 절차를 다른 현지 과업에 적용한다. 현지법인은 본사 콘텐츠의 배포처가 아니라 과업 증거를 생산하고 커리큘럼을 수정할 공동 설계자다.
분기마다 수강률보다 먼저 볼 일곱 개의 숫자
아세안 AI 교육 대시보드가 등록자와 수료자만 보여 주면 분모의 오류를 반복한다. 적어도 다음 일곱 지표를 국가·직무·성별·연령·고용형태별로 본다. 작은 집단의 신원은 보호한다.
| 지표 | 묻는 질문 |
|---|---|
| 과업 조사 커버리지 | 우선 직군의 실제 과업·산출물을 얼마나 확인했는가 |
| 노출–도입 불일치 | 잠재 노출은 높지만 실제 사용·준비가 낮은 과업은 어디인가 |
| 적용 기회율 | 학습 뒤 허용된 현업 과업을 실제 수행한 비율은 얼마인가 |
| 검토 품질 | 근거 확인, 수정, 중단·에스컬레이션이 기준에 맞았는가 |
| 중대 오류·재작업 | 속도 향상 뒤에 품질 비용이 숨어 있지 않은가 |
| 접근·배치 격차 | 누가 보호시간·코치·고가치 과업·승인 경험에서 빠졌는가 |
| 역할 명확성 | 직원과 관리자가 AI가 할 일, 사람이 책임질 일, 다음 검토일에 합의하는가 |
교육 전후 처리시간이 줄어도 AI 교육의 인과효과로 단정하지 않는다. 시스템 개선, 업무량, 계절성, 관리자 교체, 선발 편향이 함께 영향을 줄 수 있다. 가능하면 같은 과업의 이전 기준선과 비교하고 도구 버전·권한·인력 변화도 기록한다. 최소 수준을 넘는 노출 직업의 고용이 2017년 약 6천600만 명에서 2022년 7천400만 명, 2025년 8천만 명으로 늘었다는 ILO 추세도 마찬가지다. 이 추세는 광범위한 직무 소멸이 아직 보이지 않는다는 근거다. AI가 고용 증가를 만들었다는 증거는 아니다.
대시보드의 목적은 교육의 성과를 크게 보이게 하는 것이 아니다. 대신 다음 분기에 심화할 과업과 멈출 과정을 고른다. 데이터·권한·코치를 먼저 투자할 곳도 결정한다. 수료율이 높아도 적용 기회와 검토 품질이 낮으면 확산을 보류한다. 반대로 참여 인원이 작아도 고위험 과업의 오류와 역할 혼선이 줄었다면 더 중요한 진전일 수 있다.
8천만 명이라는 숫자는 위기를 과장하거나 예산을 키우는 문구가 아니다. 직무명과 국가 평균 아래 숨어 있는 과업 차이를 찾으라는 신호다. 아세안 AI 교육은 가장 많은 사람에게 가장 빨리 같은 과정을 보내는 경쟁이 되어서는 안 된다. 노출도와 도입을 분리해 오류 영향과 적용 기회를 확인한 뒤 책임에 맞는 학습을 배치하는 기업이 더 안전하고 공정하게 과업 전환을 이끌 수 있다.
함께 읽을 글
출처
- International Labour Organization, Generative AI and labour markets in ASEAN: Significant exposure, limited disruption, uneven preparedness (2026-07-08): https://www.ilo.org/publications/generative-ai-and-labour-markets-asean-significant-exposure-limited
- International Labour Organization, Annexes — Generative AI and labour markets in ASEAN (2026): https://www.ilo.org/sites/default/files/2026-07/Annexes_Brief_GenAI-Labour-Markets-ASEAN.pdf
- OECD, AI and skills: What we know so far (2026-06-05): https://www.oecd.org/en/publications/ai-and-skills_f843b352-en/full-report.html