학력 철폐라는 신호: 반도체 현장이 다시 쓰는 AI 시대 인재 자본

 최근 국내 대형 제조·반도체 기업들이 신입 채용에서 학력 제한을 없애거나 완화하는 흐름이 잇따라 알려졌다. 언론은 대체로 이를 "공정 채용" 혹은 "열린 기회"라는 사회적 프레임으로 다룬다. 그런데 팹과 플랜트 현장에서 이 뉴스를 읽는 감각은 사뭇 다르다. 이건 기업 이미지 캠페인이 아니라, **AI 시대 인재 자본**의 정의가 바뀌었다는 실무적 고백에 가깝다. 지식의 양을 사람의 머릿속에 적재하는 방식이 더 이상 비용 효율적이지 않다는 판단, 그 판단이 인사 제도에 먼저 나타났을 뿐이다.

## 배경: 왜 중요한가

역사적으로 기술 혁명은 '도구'의 혁명이었다. 증기기관도, 컨베이어 벨트도, PLC도, MES도 결국 사람이 하던 일을 더 빠르고 정확하게 만드는 도구였다. 도구는 생산성을 높이지만, 무엇을 만들지 판단하는 주체는 여전히 사람이었다. 그래서 산업 인력의 가치는 '판단에 필요한 지식을 얼마나 축적했는가'로 측정됐고, 학위와 전공은 그 축적량을 검증하는 가장 값싼 프록시였다.

AI는 이 전제를 흔든다. AI가 생산하는 것은 도구가 아니라 지능 그 자체다. 공정 데이터의 이상 패턴을 읽고, 레시피 파라미터의 상관을 추론하고, 문헌을 읽어 가설을 제안하는 일이 사람의 머릿속에서만 일어나지 않는다. 축적된 지식의 상당 부분이 개인 바깥에서 즉시 조달 가능해진 순간, 학위라는 프록시의 신호 대비 잡음비는 급격히 나빠진다. 학력 제한 철폐는 도덕적 결단이라기보다 프록시 교체 작업이다.

동시에 이 전환은 자본주의 시스템 자체에 부담을 얹는다. 생산성이 오르는데 분배는 개선되지 않고, 기업은 돈을 버는데 사회 문제는 줄지 않는 구간이 길어지고 있다. 문제 발생 속도가 문제 해결 속도를 앞지르면 시스템은 정치적 반작용을 부른다. 산업계에서 논의되는 '기업이 사회 문제를 일으키지 않는 방식으로, 나아가 해결하는 방식으로 돈을 버는 구조'에 대한 실험은 그래서 윤리 담론이 아니라 리스크 관리 담론에 가깝다. **AI 시대 인재 자본**을 어떻게 정의하고 재배치하느냐가 그 실험의 첫 단추다.

## 핵심: 일반 기사가 놓치는 지점

일반 기사는 "학력 대신 실력"이라는 문장에서 멈춘다. 그러나 현장에서 '실력'은 그렇게 단일한 명사가 아니다. 라인에서 사람이 실제로 하는 일을 분해해보면, AI가 대체하는 층위와 대체하지 못하는 층위가 꽤 선명하게 갈린다.

### 세부 포인트 1 — 대체되는 것은 '지식'이고, 남는 것은 '문제의 정의'

수율이 떨어졌을 때 원인 후보를 나열하는 일은 이미 통계 모델과 언어 모델이 잘한다. 그러나 "지금 이 라인에서 무엇을 문제라고 부를 것인가"를 정하는 일은 다르다. 장비팀은 챔버 컨디션을, 공정팀은 레시피를, 품질팀은 스펙 리밋을 문제라고 부른다. 세 부서의 언어를 번역하고 우선순위를 세우는 능력 — 이걸 '생각의 근육'이라 부른다면, 그 본질은 계산이 아니라 사람을 읽는 힘이다. AI에게 좋은 질문을 던지려면 조직의 정치와 인센티브 구조를 읽어야 한다. 이건 학위가 보증해주지 않는다.

### 세부 포인트 2 — 적응과 공감은 '소프트 스킬'이 아니라 가동률 변수다

기술 스택이 2~3년 주기로 갈아엎히는 환경에서, 실패 후 복원 탄력성(적응의 근육)은 개인의 성격이 아니라 조직의 생산 변수다. 새 장비, 새 노드, 새 툴체인이 들어올 때마다 학습 곡선을 얼마나 빨리 타는가가 램프업 기간을 좌우한다. 공감의 근육도 마찬가지다. 트러블슈팅의 8할은 정보를 가진 사람에게서 정보를 꺼내오는 일이다. 야간 근무자가 로그에 안 남긴 그 한 마디, 협력사 엔지니어가 말을 아끼는 그 지점 — AI 에이전트는 존재하지 않는 데이터를 읽지 못한다. 그러니 **AI 시대 인재 자본**의 실질은 'AI를 에이전트로 부리면서 사람에게서 데이터를 얻어내는 능력'이라는 결합 역량에 가깝다.

## 그래서 뭘 봐야 하나

투자자 관점에서 채용 제도 변경은 재무제표에 즉시 잡히지 않는다. 다만 몇 가지 관찰 포인트는 세워둘 만하다.

첫째, **인당 생산성 지표의 분모가 바뀌는지**다. AI 도구 도입 기업에서 인력은 늘지 않는데 산출이 늘거나, 반대로 도구 비용만 늘고 산출이 정체하는 구간이 나타날 수 있다. 전환기에는 후자가 먼저 오는 경우가 많으므로, 단기 마진 훼손을 곧바로 실패로 읽는 것은 성급할 수 있다.

둘째, **조직이 지식을 어디에 저장하는가**다. 개인의 경력에 저장하던 노하우를 데이터·모델·문서로 옮기는 기업은 인력 이동에 대한 취약성이 낮아진다. 이는 공시로 확인하기 어렵지만, 이직률과 신규 인력의 램프업 기간에 간접적으로 드러난다.

셋째, **사회 문제와 수익의 정렬 여부**다. 에너지 집약 산업에서 전력·용수·산업가스 원단위를 줄이는 일은 ESG 코스트가 아니라 원가 경쟁력 그 자체가 되고 있다. 문제 해결 속도가 문제 발생 속도를 넘어서는 기업 구조는, 규제 리스크가 커질수록 상대적 우위를 갖는다. 물론 이 관점이 특정 종목의 매수·매도 근거가 되기는 어렵다. 여기서는 프레임을 제시하는 데까지만 하자.

개인의 커리어 설계도 같은 논리 위에 있다. 학사–석사–대기업이라는 경로가 안전해 보이는 이유는 과거 데이터로 검증됐기 때문인데, 기업과 산업의 변화 속도는 그 검증 주기보다 빠르다. 남이 정해둔 안전 경로를 따르는 것 자체가 새로운 형태의 리스크 집중일 수 있다는 관점은, 적어도 지금의 **AI 시대 인재 자본** 논의에서는 진지하게 다뤄볼 만하다.

학력 철폐 뉴스를 '기회의 확대'로만 읽으면 절반을 놓친다. 그것은 기업이 사람에게 요구하는 자산의 종류가 바뀌었다는, 꽤 냉정한 신호다. 지식은 조달하고, 판단·적응·공감은 축적하라는 것.