산출 방법

최종 업데이트 2026-09-26

1. 나의 직업 수명: 숫자의 뜻

직업마다 보여 주는 시점은 2026년을 기준으로, 평균적인 고용주가 AI 때문에 이 직업의 사람 채용을 눈에 띄게 줄이기 시작할 것으로 추정되는 때입니다. 업무의 절반이 바뀌는 때나 직업이 사라지는 때가 아니라, 사람을 대체하는 일이 실제로 시작되는 때를 뜻합니다.

• 판정은 몇 년 뒤인지(연수)로 하며 0.5년 단위입니다. 이미 시작됐다고 본 직업은 0.5년, 한 세대 안에는 오지 않는다고 본 직업은 상한인 30년입니다.
• 화면의 날짜는 판정 기준일에 이 연수를 더한 날이고, 남은 기간은 그날까지의 시간이라 날마다 줄어듭니다.
• 예상 범위: 빠르게 진행되는 경우와 늦게 진행되는 경우를 가정한 범위입니다.
• 방식: 대체(사람 수요 자체가 줄어듦), 축소(팀이 작아지되 직업은 남음), 도구화(쓰는 도구가 바뀌고 사람 수요는 유지되거나 늘어남), 보호(제도나 신체 작업 때문에 오랫동안 보호됨) 가운데 하나입니다.
• 20년 뒤 사람 몫: 20년 뒤에도 사람이 맡을 것으로 본 핵심 업무의 비율입니다.
• 대체 위험도: 연수로 정합니다. 3년 미만 매우 높음, 3년 이상 7년 미만 높음, 7년 이상 15년 미만 보통, 15년 이상 낮음.
• 판정마다 확신도(1~5)도 함께 기록합니다.

2. 직업 판정 기준

AI 모델이 직업마다 아래 항목을 각각 점수와 한 줄 근거로 판단한 뒤, 계산 공식이 아니라 종합 판단으로 연수를 정합니다. 판단의 바탕은 모델이 2026년 중반까지 알고 있는 공개 정보(AI 기술 수준, 산업 동향, 제도)입니다.

• 현재 AI 능력(0~10): 2026년 중반 기준 가장 앞선 AI가 이 직업의 핵심 산출물을 전문가 품질로, 사람의 감독 없이 얼마나 해내는가. 모델 이름이나 벤치마크 수치가 아니라 능력의 범주로 판단합니다.
• 능력 도달 연도: 지금까지의 발전 속도로 볼 때 핵심 업무 대부분을 충분히 해낼 연도.
• 도입 연도: 산업이 실제로 사람을 줄이기 시작하는 연도. 비용 구조, 도입 주기, 기존 사업자와 노조의 저항, 데이터·보안 요건, 고객의 수용을 보고, 도구를 들이는 것과 인원을 줄이는 것을 구분합니다.
• 제도 장벽(0~3): 면허, 서명 책임, 규제, 공무원 신분, 단체협약처럼 대체를 늦추는 장치와 그것이 실제로 몇 년을 늦추는지. 면허가 있어도 보조 인력과 신규 채용부터 줄어드는 구조라면 그렇게 판단합니다.

가정: 판정 기준은 AI 발전과 산업 도입이 빠르게 진행된다고 가정하고, 면허·제도·신체 작업 같은 제약은 현실대로 반영하도록 정했습니다. 그래서 더 보수적으로 가정한 전망보다 이른 시점이 나올 수 있습니다.

일관성: 같은 직군 안에서 보조직은 전문직보다 늦지 않게, 신체 작업은 인지 작업보다 이르지 않게, 면허직은 비면허직보다 이르지 않게 판정합니다. 척도를 맞추려고 몇몇 직업에 참고 범위를 두었고(예: 콜센터 상담원 0.5~2년, 배관공·전기기사·용접공 20~30년), 전체가 3~5년에 몰리지 않게 했습니다.

3. 나라별 적용

• 한국: 752개 직업. 한국표준직업분류(KSCO) 7차 세분류 450개가 모두 하나 이상의 직업에 연결되도록 목록을 만들었습니다. 한국 판정은 ‘선진국(미국·한국·일본 등)의 평균적인 고용주’를 기준으로 했고, 다른 나라의 공통 기준선으로도 씁니다.
• 미국·일본: 기술 수준과 도입 속도만으로 시점이 정해지는 직업은 공통 기준선을 그대로 씁니다. 면허, 공공부문 제도, 노동법, 시장 구조 때문에 시점이 달라지는 직업은 그 나라 기준으로 다시 판정했습니다. 그 나라에 없는 직업은 빼고, 그 나라에만 있는 직업은 더했습니다. 미국 790개(다시 판정 159개, 추가 74개), 일본 770개(다시 판정 164개, 추가 43개).
• 대만: 803개 직업을 대만 기준으로 하나씩 판정했습니다. 다른 나라와 사정이 같다고 본 직업은 기존 값을 유지하기로 판정하고 그 결정을 기록했습니다.
• 한국 화면의 숫자: 이미 공유된 숫자를 바꾸지 않으려고, 한국 화면은 판정 연수에 1.02를 곱해 보여 줍니다(예: 판정 30년 → 30.6년). 다른 나라 화면은 판정 연수를 그대로 씁니다.

4. 순위

• 직업 순위: 그 나라 직업을 판정 연수가 짧은 순서, 곧 대체가 먼저 시작될 것으로 본 순서로 매깁니다. 1위가 가장 이릅니다. 연수가 같으면 예상 범위가 이른 직업을 앞에 둡니다.
• 전공 순위: 채용 감소 예상 시점이 이른 순서로 매기고, 시점이 같으면 2030년 채용 전망 점수가 낮은 전공을 앞에 둡니다.

5. 나의 전공 수명

전공마다 보여 주는 시점은 그 나라에서 이 전공의 대표 과정 졸업자가 주로 가는 진로에, AI 때문에 신규 채용 수요를 눈에 띄게 줄이는 압력이 나타날 것으로 추정되는 때입니다. 학과가 없어지거나 졸업생이 모두 일자리를 잃는다는 뜻이 아닙니다.

• 전공 하나에 값 하나입니다. 학사 과정이 있으면 학사 졸업자를, 없으면 그 나라의 주된 과정(전문학사, 석사, 전문 학위 등)을 기준으로 하고, 학사가 아니면 화면에 표시합니다.
• 기준일 2026년 9월 24일부터 몇 개월 뒤인지를 6개월 단위로 판정하며, 30년(360개월)까지 봅니다. 예상 범위도 함께 둡니다. 근거가 부족하면 ‘판단 보류’, 30년 안에는 오지 않는다고 보면 ‘30년 이상’으로 표시합니다.
• 판정 순서: 대표 진로를 정하고, 신입이 맡는 일 가운데 AI로 줄어드는 일을 찾고, 도입을 늦추거나 고용을 지탱하는 요인(현장 업무, 책임, 면허, 수요)을 따진 뒤 시점을 정합니다. 직업 연수의 평균이나 공식으로 자동 계산하지 않고, 경기나 인구 변화 때문인 채용 감소는 AI 대체로 보지 않습니다.
• 나라별: 한국 198개 전공을 먼저 판정해 기준선으로 삼았습니다. 미국 220개, 일본 239개, 대만 249개 전공은 대표 진로가 같은 기준선을 찾아 과정 체계, 대표 진로, 면허·채용 제도, 현지 수요를 비교한 뒤 값을 그대로 쓰거나, 고치거나, 새로 판정했습니다.
• 졸업 연도를 고르면 그해 졸업 시점(한국 2월 말, 미국 5월 말, 일본 3월 말, 대만 6월 말로 계산)과 추정 시점을 비교해 졸업 뒤 남는 기간을 보여 줍니다. 추정 시점 자체는 졸업 연도에 따라 바뀌지 않습니다.
• 전공 목록 기준: 한국은 교육부 7대 계열의 4년제·전문대 학과, 미국은 CIP 2020(미국 교육통계센터 NCES의 학과 분류), 일본은 대학·단기대학·전문학교의 학부·학과 이름, 대만은 교육부 학과 목록과 대학의 공식 학과 소개입니다.
• 한계: 판정 단계에서 새 웹 조사는 하지 않고 이미 모은 자료로 판단했습니다. AI 요인과 경기·인구·예산 요인을 가르는 통계가 없어, 교육·공중보건처럼 그런 요인이 큰 전공은 확신도가 낮고 범위가 넓습니다.

6. 우리 대학 수명

한국 대학 321곳의 앞으로 10년 운영 여건을 다섯 단계(안정·양호·주의·경계·불투명)로 판정합니다. 모집 여건, 학생 유지, 보호 학과, 재정 체력, 제도 신호, 지역 입지의 여섯 축을 보고, 축별 규칙으로 나온 계산값과 AI 모델의 판정을 함께 씁니다. 최근 3년 자료를 쓰며, 정부 공식 등급이나 폐교 확률이 아닙니다. 자세한 기준은 대학 전망 판정 기준에 있습니다.

7. 우리 지역 순위

‘AI가 살고 싶은 지역 순위’는 전국 시·군·구 256곳마다 AI 모델이 공개 자료를 조사해, 5년·10년·20년 뒤 각각 다섯 항목을 0~100점(5점 간격)으로 판정한 결과입니다.

AI의 원점수는 가운데에 몰려 있어서, 화면에는 모든 지역·기간·항목에 같은 식을 써서 넓힌 전국 비교 환산 점수를 보여 줍니다. 항목 점수 = 60 + 1.4 × (원점수 − 55)이고, 0점보다 낮거나 100점보다 높으면 0점·100점으로 둡니다. 종합 점수는 환산한 항목 점수에 위 가중치를 곱해 더한 값이며, 등급과 순위도 이 점수로 정합니다. 한 항목이라도 판단할 근거가 없으면 그 기간의 종합은 보류합니다.

집값·치안·자연환경은 아직 점수에 넣지 않았습니다. 점수는 공통 준칙에 따른 해석이며 확률, 공식 평가, 실측값이 아닙니다. 기준일은 2026년 9월 24일입니다.

8. 3분 적성검사

상황 질문 3개와 좋아하는 활동에 관한 24문항(5단계로 답)으로 여섯 성향(현장·손기술, 탐구·분석, 창작·표현, 사람·돌봄, 설득·주도, 정리·관리) 점수를 만들고, 직업마다 O*NET 흥미 프로필과 비교해 적합도를 계산합니다. 후보는 그 나라 판정에서 AI 대체가 늦은 직업(7년 이상이면서 방식이 도구화나 보호인 직업, 또는 12년 이상인 직업)뿐이며, 준비 기간을 6개월 이내로 고르면 면허·시험이 필요한 직업은 뺍니다. 문항은 O*NET Interest Profiler의 형식을 참고해 자체적으로 썼습니다.

9. 생존 계산기

현재 자산, 한 달 지출, 소득, 월급이 끊기는 시점을 넣으면, 그때까지 모이는 돈과 이후의 지출로 생활자금이 바닥나는 때를 단순한 현금흐름으로 계산합니다. 직업을 고르면 그 직업의 추정 대체 시점을 월급이 끊기는 시점으로 고를 수 있고, 지출 절감, 추가 수입, 재취업, 수익률, 물가 같은 조건을 바꿔 비교할 수 있습니다. 실직이나 파산을 예측하지 않으며, 입력한 금액은 서버로 보내지 않고 저장하지 않습니다.

10. 나의 인생 난이도

8단계로 나눈 질문(사람에 따라 23~46개)으로 돈(수입, 지출, 자산, 빚, 주거), 일, 공적 안전망, 기댈 사람, 건강, 돌봄, 최근 충격과 앞날, 결핍의 12개 영역을 묻고, 가장 나쁜 조건을 중심으로 합쳐 Lv.1~10 레벨을 정합니다. 계산은 기기 안에서 정해진 규칙으로 하며, 답을 AI나 서버로 보내지 않습니다(서버에는 레벨 등 익명 집계 1건만 보냅니다. 개인정보처리방침 참고). 레벨의 경계는 실제 이용자 분포로 아직 검증하지 않았습니다.

11. 나의 취업 서열

36개 질문(첫 질문에 따라 학생, 졸업 예정, 첫 취업 준비, 재직 중 이직, 재취업의 다섯 경로로 나뉨)으로 학벌(학교 이름이 아닌 구간), 경력, 능력 세 축의 점수를 만들고, 그 나라 구직자 전체(학생·신입·경력)를 본뜬 합성 집단과 비교해 1~10등급을 매깁니다. 세 축의 비중은 나라마다 다릅니다(학벌·경력·능력 순으로 한국 25·40·35%, 미국 15·45·40%, 일본 25·30·45%, 대만 20·40·40%). 목표 조건, 분야 여건, 나이는 이 등급에 넣지 않고 ‘내 목표의 취업 난이도’에 따로 반영합니다. 확률이 아니며, 구직자 구성 비율 같은 기준값에는 추정이 많습니다. 답은 브라우저 안에서만 계산하고 서버로 보내지 않습니다.

12. 자료 출처

• 한국표준직업분류(KSCO) 제7차(통계청): 한국 직업 목록의 범위를 정하는 데 썼습니다.
• 미국 표준직업분류(SOC 2018): 직업을 미국 통계와 O*NET 자료에 연결하는 데 썼습니다.
• O*NET 29.1(미국 노동부 고용훈련청): 직업별 업무 목록과 흥미 프로필. 적성검사의 직업 성향 점수가 여기서 나옵니다.
• 미국 노동통계국(BLS) 고용 전망 2025–2035: 미국 화면에서 해당 직업이 하나의 BLS 직업 분류(SOC)에 대응할 때만 고용 성장률을 표시합니다. 미국에서 별도 직업으로 분리한 항목은 그 범위를 반영하며, 서로 다른 직업의 성장률을 섞은 값은 표시하지 않습니다. 한국·일본에는 미국 수치를 가져와 표시하지 않고, 대만은 현지 수치가 있는 경우에만 표시합니다. 전공 화면의 수치는 전공 자체가 아니라 연결된 대표 진로의 고용 전망입니다.
• Microsoft Research ‘Working with AI’ 연구 자료(arXiv 2507.07935, CC BY 4.0): 직업별 AI 적용 점수입니다. 기준선(한국) 직업을 판정할 때, 이 점수에 O*NET 신체 작업 비율을 반영해 만든 참고값(백분위)과 BLS 고용 성장률을 판정하는 AI에게 함께 보여 줬지만, 그 값을 따르지 말고 따로 판단하도록 했습니다. 연수를 계산하는 공식에는 쓰지 않았습니다.
• 대만: 법령 데이터베이스(全國法規資料庫), 行政院主計總處, 勞動部勞動力發展署, 考選部, 衛生福利部, 教育部 등 공공기관 자료로 면허·제도와 학과에 관한 사실을 확인했습니다.
• 대학: 대학알리미, 교육통계, 교육부와 기관의 공식 발표. 학교별 출처는 각 대학 결과 화면에 있습니다.
• 지역: 행정안전부 주민등록 인구 통계, 통계청 KOSIS, 학교알리미, 건강보험심사평가원, 지자체와 교육청 자료, 지방재정 공시, 언론 보도 등. 지역별 출처는 판정 기록에 남겨 두었습니다.

This page includes information from the O*NET 29.1 Database by the U.S. Department of Labor, Employment and Training Administration (USDOL/ETA). Used under the CC BY 4.0 license. O*NET® is a trademark of USDOL/ETA. YOU’RE NEXT (Opening Step) has modified all or some of this information. USDOL/ETA has not approved, endorsed, or tested these modifications.

13. 누가 판정했나요

공개 자료의 조사·정리와 전망 판정은 AI 모델이 수행합니다. 판정 결과와 설명글은 추가 AI 검토와 자동 검사(형식, 값의 범위, 같은 직군 안의 순서, 근거 연결)를 거친 뒤, 사람이 최종 검수한 내용을 공개합니다. 직업·전공 설명글은 수집한 자료와 판정 근거를 바탕으로 작성합니다.

14. 한계와 오류 신고

• 모든 전망은 추정이며 확실하지 않습니다. 기술, 경기, 제도가 바뀌면 달라질 수 있고, 판정을 새로 하면 숫자가 바뀔 수 있습니다.
• AI 판정은 틀릴 수 있습니다. 자료를 잘못 읽거나, 최신 변화를 놓치거나, 사실이 아닌 내용을 근거로 쓸 수 있습니다.
• 숫자는 직업·전공·지역 단위의 평균적인 흐름입니다. 같은 직업이라도 회사, 지역, 개인의 경력에 따라 크게 다를 수 있습니다.
• 틀린 내용을 발견하면 2024opennext@gmail.com로 페이지 주소, 틀린 내용, 가능하면 근거 자료를 보내 주세요. 대학 자료는 각 대학 결과 화면의 ‘정정 요청’으로 보내 주세요. 검토한 뒤 필요하면 고칩니다. 자세한 방법은 문의에 있습니다.

서비스 소개 · 산출 방법 · 이용약관 · 문의 · 개인정보처리방침
YOU’RE NEXT · 운영 Opening Step · 2024opennext@gmail.com