케냐·우간다·나이지리아의 AI 데이터 주석 노동: 라벨링이 사라진 자리에 무엇이 남았나

생성형 AI가 빠르게 발전하면 AI를 가르치던 데이터 주석자(data annotator)는 어떻게 될까. 사진 속 물체에 이름을 붙이고 텍스트를 분류하는 사람이 더 강력한 인공지능에 의해 대체된다는 예측은 그럴듯하다. 하지만 2025~2026년 아프리카의 AI 데이터 노동을 살펴보면 한 방향으로만 움직이는 산업은 아니다. 반복 라벨링에는 자동화 압력이 작용하는 한편, 모델 답변의 우열과 안전성·현지 언어를 판정하는 인간의 역할이 남거나 새롭게 조직된다. 기술이 사람을 덜 필요로 한다는 주장과, 여전히 사람을 고용한다는 관찰은 동시에 성립할 수 있다.

케냐·우간다·나이지리아를 같은 ‘값싼 데이터 생산국’으로 묶으면 이 변화를 놓친다. 케냐에서는 오래된 대규모 하청 거점과 원청 변경의 문제가 두드러지고, 우간다에서는 업체형 고용과 프로젝트형 원격 업무가 함께 관찰되며, 나이지리아에서는 원격 AI 평가 및 현지 언어 작업의 구인이 눈에 띈다. 그러나 이것은 자료에 나타난 산업의 모습이지, 세 나라 전체 취업자 수가 늘거나 줄었다는 실측 결과가 아니다. 특히 구인 공고와 노동시장 통계, 한 업체의 평가와 한 나라의 평균 노동조건을 혼동해서는 안 된다.

주석 노동이 바뀐다는 말의 뜻

AI 데이터 주석은 모델을 처음 학습시킬 자료에 꼬리표를 붙이는 일만을 뜻하지 않는다. 이미지에 사각형을 그려 대상 물체를 표시하거나 문장에 범주를 매기는 작업부터, 두 답변 중 나은 것을 선택하는 선호 평가, 오류 검출, 유해 콘텐츠 확인, 생성된 데이터 감수까지 포함하는 넓은 노동 시장이 있다. 최근 구인에서 등장하는 AI trainer, AI data specialist, computer vision annotator, NLP annotator는 이 연속선 위의 서로 다른 이름이다. 명칭이 다르다고 모두 독립된 신종 직업인 것은 아니다.

단순 라벨링은 명확한 규칙과 반복 가능한 산출물을 갖는 만큼 모델이 먼저 분류하고 사람이 일부를 재검사하는 방식으로 자동화될 여지가 있다. 반면 인간의 기준이 필요한 영역에서는 ‘무엇을 평가할 것인가’라는 과제가 남는다. 모델의 대답이 정답인가, 두 답 중 어느 편이 자연스러운가, 특정 언어와 문화에서 잘못된 표현은 무엇인가, 안전하지 않은 답변은 왜 거부해야 하는가. 인간이 모든 항목을 직접 만드는 노동에서 모델이 만든 산출물의 기준을 세우고 비교·검증하는 노동으로 일부 수요가 이동하는 것이다.

이 이동을 곧바로 숙련 상승이나 임금 상승이라고 읽을 수는 없다. 기초 분류가 사라져 노동자가 더 복잡한 평가를 맡아도 발주 금액, 고용 계약, 교육 기회는 그대로일 수 있다. 반대로 고급 전문인력 시장의 확대가 기존 저임금 검수자의 승진을 뜻하지도 않는다. 서로 다른 사람들이 서로 다른 계약으로 동일한 AI 공급망에 참여할 수 있기 때문이다. 보이지 않는 AI 노동의 분화는 그 기술적·산업적 배경을 다룬다.

케냐: 거점은 유지되고 발주처는 바뀐다

케냐는 Meta·Google·OpenAI 등 주요 AI 관련 공급망의 데이터 주석·검수 노동과 연결되어 소개된 대표적 사례다. 특히 Sama 같은 BPO 사업자, 유해 콘텐츠를 다루는 검수 노동, 발주기업과 실제 노동자를 고용하는 회사의 분리가 오랫동안 논점이었다. 기존 위키에 소개된 계약 종료·해고와 노동자 조직화 사례는 중요한 전제다. 프로젝트가 끝날 때 고용 충격을 받는 것은 대체로 개별 작업자이지만, 프로젝트의 지속 여부를 좌우하는 주체는 원청일 수 있다.

2025년의 Rest of World 보도는 케냐 노동자들이 여전히 해외 AI 공급망에 편입되어 있고, 중국계 AI 발주와 관련한 노동도 등장한다고 소개되었다. 미국 빅테크의 수주가 줄면 일자리가 통째로 사라지는 대신 다른 모델 기업이나 중개업체로 일이 옮겨갈 가능성을 보여 주는 사례다. 하지만 이 기사 소개만으로 중국계 수주가 전국적으로 얼마만큼 증가했는지, 노동자의 소득이나 계약 조건이 개선되었는지는 결론 내릴 수 없다.

한편 아프리카 BPO·ITES(정보기술 기반 서비스)와 AI 전환을 다룬 Genesis Analytics 보고서는 케냐 데이터 주석 팀 리드와 머신러닝 관련 업무 담당자가 교육·재훈련을 통해 더 상위 역할로 이동하려는 사례를 소개한 것으로 전해졌다. 여기에는 두 종류의 문제가 겹친다. 첫째, 그런 경로가 존재하는가. 둘째, 기존 수천 명의 주석자가 실제로 그 경로를 밟을 수 있는가. 전자에 관한 사례는 후자를 자동으로 입증하지 않는다.

케냐의 변화는 따라서 ‘데이터 주석 산업의 붕괴’라고 단정하기도, ‘고급 AI 일자리로의 성공적 전환’이라고 결론내리기도 어렵다. 기존 산업이 남아 있는 동시에 발주처 교체·계약의 불투명성·상위 숙련을 요구하는 재편이 발생하는 것으로 읽는 것이 현재 제시된 증거에 더 가깝다.

우간다: 업체 고용과 프로젝트형 원격 업무의 병존

우간다의 데이터 노동은 케냐보다 국제 언론에서 덜 보이지만, 자료에 드러나지 않는다고 해서 산업이 없어진 것은 아니다. 2025년 Fairwork의 Sama 평가는 케냐와 우간다의 조사 대상 노동자가 법정 최저임금 이상을 받고 급여를 제때 받는다는 내용을 제시한 것으로 소개되었다. 이는 특정 업체에 대한 제한적인 평가이며, 우간다 전체 주석자의 평균 임금이나 노동조건, 충분한 생활임금의 보장을 뜻하지 않는다. 앞선 소개에는 GIZ 보고서 역시 Sama를 케냐·우간다의 AI 데이터 BPO 사례로 언급했다고 되어 있으나, 해당 문서의 정확한 판본과 수치는 별도 대조가 필요하다.

동시에 우간다를 대상으로 하는 AI 데이터 전문인력 구인도 제시되었다. 2025년 RWS·TrainAI 관련 AI Data Specialist 공고는 자료 수집·평가·주석·답변 쌍 비교(pairwise comparison)를 수행하며 시간당 8달러를 제시한 예로 소개되었다. 2026년에도 AI trainer 및 computer vision·NLP 주석 관련 구인 명칭이 관찰되었다고 한다. 여기서 관찰되는 것은 ‘일을 모집하는 시장’이다. 실제 채용 인원, 지급된 평균 시급, 일감이 들어온 시간, 계약이 연속적으로 이어졌는지는 여전히 알 수 없다.

우간다의 국가 AI 환경 평가에서 인터넷 보급률 약 70%와 데이터센터·통신 백본망 확대가 언급되었다는 소개도 있었다. 다만 수치의 연도·산정 방식과 해당 인프라가 주석 노동자의 실제 일자리로 연결되는지는 확인되지 않았다. 연결망과 교육은 원격 서비스 수출의 조건이 될 수 있지만 인프라 확충 자체는 고용 증가의 실적이 아니다.

따라서 우간다에서는 전통 BPO 사업자를 통한 일자리와 플랫폼·프로젝트 기반 원격 업무를 함께 살펴야 한다. 어느 쪽이 더 빨리 늘었는지 확인하려면 두 형태의 노동자를 합산하되 중복 집계하지 않는 자료가 필요하다.

나이지리아: 원격 평가와 현지 언어라는 틈새

나이지리아에서는 케냐처럼 대형 데이터 주석 센터의 오랜 규모를 입증하는 자료보다, 온라인에서 모집되는 AI 평가·훈련 작업이 두드러지게 소개되었다. 2025년 RWS AI Data Specialist 나이지리아 공고는 우간다 사례와 마찬가지로 시간당 8달러 및 데이터 수집·평가·주석·쌍 비교 작업을 제시한 예였다. 나이지리아 AI annotation 구인 목록에는 AI trainer, visual data annotator와 언어 관련 프로젝트가 언급되었다. 링크된 공고와 목록은 특정 시점의 모집 사례이며 모집의 지속성과 노동의 실제 이행을 보증하지 않는다.

특기할 점은 Yoruba(요루바어) 같은 현지 언어를 다루는 작업이다. 생성형 AI가 영어뿐 아니라 지역 언어와 문화 맥락에서 적절하게 응답하려면 언어 자체의 지식과 표현의 자연스러움을 평가하는 사람이 필요할 수 있다. 나이지리아의 인력 수요가 단지 영어 능력과 저임금만으로 설명되지 않는 이유다. 그러나 언어 특화 공고가 존재한다는 사실을 현지 언어 업무의 대규모 성장이나 현지 노동자의 높은 보수로 곧바로 바꾸어서는 안 된다.

나이지리아의 사례는 대규모 시설형 하청보다 원격 평가·언어 특화 과제가 자료상 더 잘 보인다는 범위에서 읽어야 한다. 실제 산업에서 두 형태가 차지하는 비율은 확인되지 않았다.

세 나라의 비교: 무슨 변화가 확인되는가

표의 좌우 차이는 세 나라의 우열이나 전국적인 산업 점유율을 뜻하지 않는다. 언론 보도, 업체 평가, 채용공고는 각각 다른 것을 측정한다. 케냐의 변화가 더 잘 보이는 것은 거점의 역사가 길고 취재가 많기 때문일 수도 있다. 우간다의 고용 사례와 나이지리아의 공고를 그대로 나란히 놓고 어느 나라에서 더 많은 사람이 고용되는지 판단할 수 없다.

‘생성형 AI 때문에 사라졌다’라는 단정에는 고용 감소 통계가 필요하다. ‘새 고급 노동이 생겼으니 성공적으로 전환했다’라는 낙관에는 기존 작업자가 그 일을 얻었는지에 대한 추적 자료가 필요하다. 현재 소개된 자료가 허용하는 중간 결론은 기초 주석의 자동화 압력과 평가·검수·언어 작업의 잔존 또는 분화가 동시에 관찰된다는 것이다.

공고가 증명하는 것과 증명하지 못하는 것

우간다와 나이지리아에서 제시된 시간당 8달러는 기업이 일정 조건에서 모집하며 내건 보수이지, 국가 평균 임금도 실제 수령 소득도 아니다. 계약 전 선발 시험을 통과해야 할 수 있고, 과제마다 유급 작업시간과 대기시간이 다를 수 있다. 제시된 공고만으로 그 조건들이 실제 존재했다고 단정할 수 없으나, 이 차이를 확인하지 않고 월급으로 환산하면 과장이 된다. 공고는 기업이 그 일을 맡길 사람을 찾으려 했다는 사실을 뒷받침할 뿐, 채용 완료와 지속 고용을 입증하지 않는다.

Fairwork의 업체 평가도 구분해야 한다. 법정 최저임금 이상이라는 판단은 중요한 최소 기준이지만, 지역별 생활비에 비추어 충분한지, 업무 강도와 정신적 부담이 어떠한지, 발주 계약 중단 뒤 소득이 보장되는지는 별도 질문이다. 케냐에서 원청의 프로젝트 취소와 하청 노동자의 해고가 논의되었다는 사실은 바로 이런 고용 책임의 분리를 드러낸다.

보수와 수요를 살피는 더 넓은 틀에서는 세계 BPO 노동시장의 청구단가와 임금을 참조할 수 있다. 고객이 외주기업에 지급하는 시간당 요금, 플랫폼이 공고에 표시한 시급, 주석자가 대기시간까지 포함해 실질적으로 받은 시간당 소득은 서로 다른 값이다.

직무가 고도화되어도 고용은 안전하지 않다

기계가 단순 분류를 맡고 사람이 더 정교한 검증을 맡게 되면 인간 노동이 ‘업그레이드’되었다는 서사가 가능하다. 그러나 과업의 난도가 높아진다는 사실과 작업자에게 더 큰 결정권이 생긴다는 사실은 별개다. 평가 기준·보안 규칙·노동시간·작업 할당·계약 갱신은 원청과 중개업체에 집중될 수 있다. 언어·문화 맥락을 이해하는 능력조차 플랫폼이 정한 짧은 단위의 과제로 거래된다면, 숙련이 곧 안정된 직업 지위로 전환된다는 보장은 없다.

인간의 정밀한 판단이 여전히 필요하다는 사실 역시 인간 노동 총량의 증가를 뜻하지 않는다. 소수의 감수자가 대량의 자동 분류 결과를 재검사한다면 고용은 줄면서 인간 판단의 중요성은 커질 수 있다. 반대로 AI가 더 많은 언어와 서비스로 확대되면 새로운 평가 작업이 증가할 수도 있다. 두 효과가 어떤 규모로 맞서는지는 국가·업무·기간별 측정이 필요하다.

고용의 미래를 확인할 자료

세 나라의 변화가 실질적으로 노동자에게 어떤 결과를 남겼는지 확인하려면 같은 기간과 정의에 따라 다음을 추적해야 한다.

• 인원: 연도별 주석·모델 평가·검수의 실제 활동 인원, 신규 채용·퇴직·해고, 업체 직원과 플랫폼 프리랜서 구분.
• 소득: 공고 시급이 아닌 실지급액, 대기·시험·무급 작업을 포함한 유효 시급, 생활비 및 물가를 반영한 실질임금.
• 작업: 이미지·텍스트 기본 라벨링과 RLHF·쌍 비교·안전성·NLP·현지 언어 평가가 차지하는 비중.
• 이동: 기존 초급 주석자가 재교육을 거쳐 상위 평가직으로 옮겼는지, 신규 고급인력이 별도로 채용된 것인지.
• 고용의 질: 계약 기간·해지·이의 제기 절차, 유해 콘텐츠 노출과 지원, 원청·하청의 책임, 플랫폼의 과업 배정과 지급 투명성.

노동시장 변화의 단위를 명확히 한다면 “그들은 이제 어떻게 되었나”라는 질문에도 더 정밀하게 답할 수 있다. AI가 필요로 하는 인간 판단의 종류가 달라진 것은 설명할 수 있다. 하지만 기존 노동자에게 남은 일자리의 수와 질이 어떻게 달라졌는지는 아직 확인되지 않았다. 이 두 문장을 끝까지 구별하는 것이 필요하다.

자료의 성격과 검증 범위

이 글은 2025~2026년으로 소개된 보도·보고서·구인 사례를 정리한 것으로, 원문을 별도로 다시 열어 검증하거나 신규 국가 통계를 수집하지 않았다. 주요 참고 경로는 Genesis Analytics의 아프리카 BPO·ITES AI 전환 보고서, Rest of World의 케냐·중국계 AI 노동 보도, 아프리카 AI 노동 공급망 보도, Fairwork의 Sama 2025 평가, 우간다·나이지리아 AI Data Specialist 구인 사례다.

기사에서 소개한 노동·기업·연도에 관한 주장과 모집 시급은 이 참조 경로에 귀속된 정보이지 편집 시점에 새로 실측한 결과가 아니다. 일부 링크는 게시 상태나 공고 종료 여부가 달라졌을 수 있다. 특히 국가별 고용 증가, 임금 변화, 발주 기업의 시장점유율, 노동자 전직 성공률은 미검증이다.