AI 해고 후 재채용 기업들의 공통 패턴

AI로 인력을 줄인 기업이 몇 달 뒤 같은 업무에 사람을 다시 채우는 일이 되풀이되고 있다. 공통점은 AI 성능 부족이 아니라, 업무를 다시 짜지 않고 인원만 줄인 순서에 있다.

---

한눈에 보기

기업/기관	산업군	줄인 업무	되돌린 이유
Klarna	핀테크	고객 상담 700명 분량을 챗봇으로 대체	고객만족도 하락, CEO가 품질 저하 인정 후 인간 상담 재투자
IBM	테크	HR 인사 업무 약 8,000명	AskHR이 반복 업무 94%는 처리했지만 감정·윤리가 걸린 6%에서 공백 발생
커먼웰스은행(호주)	금융	고객센터 상담 45명을 음성봇으로 대체	상담 처리 못 해 콜 수 증가, 수개월 내 인력 복귀
포드	제조	품질 검증 자동화 확대	자동화가 못 잡는 결함을 위해 숙련 엔지니어 350명 재채용

배경 — 왜 이 패턴이 반복되는가

2023년 Klarna 가 고객 상담 인력 700명분을 챗봇으로 대체했다고 발표했을 때, 이는 "AI 가 직원을 대체한다"는 서사의 대표 사례로 소개됐다. 하지만 2년여 뒤 Klarna CEO 세바스티안 시미아트코프스키는 "비용이 너무 지배적인 평가 기준이 되면 품질이 떨어진다"며 인간 상담 재투자를 발표했다(Entrepreneur·Forbes 보도). CNBC 는 2026년 중반 Klarna 외에도 여러 기업이 같은 패턴을 밟고 있다고 전했다. 아웃플레이스먼트 회사 Careerminds 가 2026년 2월 HR 리더 600명을 조사한 결과, AI 로 인력을 줄인 기업 중 66%가 이미 재채용 중이었고, 33% 이상은 줄인 역할의 절반 이상을 되돌렸다. Forrester·Orgvue 조사(2026년 Predictions 보고서)도 비슷하게 55%가 해당 결정을 후회한다고 밝혔다. 이 수치는 사건의 규모를 보여주는 예시일 뿐, 결론의 근거는 아니다. 중요한 건 왜 반복되느냐다.

재채용 패턴에서 드러나는 공통 구조

1) 되돌린 업무는 대부분 '판단·맥락'이 걸려 있었다

IBM 의 AskHR 은 반복적인 인사 행정 업무의 약 94%를 처리했다고 알려졌지만(IBM 자체 발표 기준), 남은 6%는 민감한 직장 내 갈등이나 윤리적 판단이 필요한 사안이었다. 이 공백에 IBM 은 일부 인력을 다시 채용했다. 커먼웰스은행도 정형적인 문의는 음성봇이 처리했지만 예외 상황에서 상담이 막히며 통화량이 늘어 되돌렸다. 공통적으로 "정형·반복"과 "판단·맥락이 필요한 예외"를 나누지 않고 업무 전체를 한 묶음으로 자동화 대상에 넣은 뒤, 예외 처리 비중을 과소평가한 흔적이 보인다.

2) 인원만 줄이고 업무 설계는 그대로 두었다

포드의 사례는 조금 다르다. 품질 검증을 자동화로 확대하는 과정에서, 자동화가 잡지 못하는 결함을 다루기 위해 숙련 엔지니어를 오히려 늘렸다(약 350명, 수년에 걸쳐). 자동화가 사람을 줄이는 방향으로만 작동한 게 아니라, 자동화가 놓친 영역을 메우는 역할이 새로 생긴 셈이다. 재채용이 반복된 기업들은 업무를 잘게 나눠 AI 와 사람의 몫을 재배치하기보다, 전체 인원을 먼저 줄이고 AI 가 알아서 메울 거라 가정한 쪽에 가깝다.

3) 비용 계산이 '줄인 인건비'에서 멈췄다

Orgvue 분석에 따르면 AI 해고로 절감한 비용 1달러당 퇴직금·생산성 손실·재채용 비용을 합쳐 약 1.27달러를 다시 쓰는 경우가 많았다. 조사 대상의 30.9%는 재채용 비용이 절감액을 넘어섰고, 42.4%는 절감액과 재채용 비용이 상쇄돼 순이익이 거의 없었다(Careerminds, 2026년 2월). 순이익을 실제로 거둔 기업은 약 25% 수준으로 추정된다. 분석: "자동화 = 즉시 비용 절감"이라는 단순 계산이 재채용 과정의 숨은 비용을 빠뜨리기 쉽다는 점이 여러 사례에서 공통적으로 나타난다.

한계 & 과제

재채용이 모든 AI 구조조정의 실패를 의미하지는 않는다. IBM CEO 아르빈드 크리슈나는 "전체 고용은 오히려 늘었다, AI 가 만든 여력을 다른 영역에 투자했기 때문"이라고 설명했다 — 같은 업무로의 복귀가 아니라 인력 재배치일 수도 있다는 뜻이다. 또한 재채용 보도 다수가 특정 시점의 설문·언론 인터뷰에 의존해, 기업이 공식적으로 "AI 가 실패했다"고 인정하는 사례는 많지 않고 되돌린 규모·시점을 구체적으로 공개하지 않는 경우도 있어 수치 비교에는 한계가 있다.

우리 조직에 적용한다면

• 대기업: 자동화 대상 업무를 발표하기 전에 "예외 처리 비중"을 먼저 측정해보는 쪽이 안전하다. 반복 업무 비율이 높아 보여도 예외가 15~20%만 돼도 그 부분을 처리할 인력 설계가 따로 필요하다.
• 중소기업: 인원을 줄이기보다 기존 인력의 업무 구성을 바꾸는 방향(반복 업무는 AI로, 판단이 필요한 업무는 그대로 또는 비중 확대)이 재채용 리스크와 퇴직금 비용을 동시에 줄인다.
• 스타트업: 초기에 "AI 가 대체했다"는 서사를 마케팅으로 쓰고 싶은 유인이 크지만, Klarna 사례처럼 품질 하락이 공개되면 복구 비용과 신뢰 회복 비용이 더 크다. 공개 전에 예외 상황 대응 체계를 먼저 검증하는 편이 낫다.