012020–2021생성의 기반
2020.05 · GPT-3 논문
기계가 문장을 만들 수 있나?
업무 방식에서 읽을 수 있는 변화
사람이 직접 쓰던 일부 문장·코드 초안을 모델로 생성하기 시작했다. 대중적인 업무 채팅 이전의 기반 단계다.
개발
코드 조각·설명·초안을 받는 실험.
일반 사무
문장 생성·분류·요약을 서비스에 연결하는 실험.
이 기록의 범위 능력의 시연과 실제 조직의 도입은 다르다. 당시 결과를 현재 성능으로 읽지 않는다.
HOW TO READ
근거를 종류와
날짜 순서로 놓았다.
같은 기술을 두고 기대와 우려가 함께 있다. 어떤 주장은 실험으로 확인됐고, 어떤 주장은 아직 전망이다. 이 페이지는 각 기록이 무엇을 쟀는지(과제 하나, 한 사람의 한 주, 경제 전체), 어느 나라의 누구를 쟀는지, 언제 쟀는지를 함께 적는다.
확인된 사실 — 제품 발표, 실험, 행정자료·사용 기록, 설문 전망·의견 — 추정 모형, 개인의 글, 조직의 입장 이 페이지의 정리 — 근거를 묶어 읽은 해석
01 / HISTORY답변을 받는 일에서,
답변을 받는 일에서,
목표를 맡기는 일로.
단계는 이해를 돕는 구분이다. 모든 조직이 동시에 이동하지 않으며, 앞 단계의 방식도 계속 사용된다.
022022대화형 조수
2022.11.30 · ChatGPT 공개
물어보면 도와줄 수 있나?
업무 방식에서 읽을 수 있는 변화
자연어로 초안을 요청하고 사람이 복사·편집하는 방식이 쉬워졌다.
개발
오류 설명·함수 초안을 받아 개발자가 옮겨 적용.
일반 사무
메일·보고서 초안을 받아 담당자가 수정·전달.
이 기록의 범위 대화가 가능하다고 업무 시스템을 직접 실행하는 것은 아니다.
032023–2024도구와 추론
2023.06 · 함수 호출 / 2024.09 · o1 / 2024.10 · 컴퓨터 사용
자료를 읽고 실제로 실행할 수 있나?
업무 방식에서 읽을 수 있는 변화
답변의 복사에서 자료 조회·프로그램 실행으로 범위가 넓어졌다. 기능은 서로 다른 시점에 등장했고 기존 대화와 공존한다.
개발
저장소 맥락과 실행 도구를 연결해 수정·검증 보조.
일반 사무
내부 자료 조회, 표 처리, 앱 조작을 업무에 연결.
이 기록의 범위 함수 호출 자체는 자율 에이전트와 같지 않다. 화면 조작 역시 초기 베타에서는 오류가 많았다.
042025목표를 맡기는 에이전트
2025.05.16 · Codex 연구 프리뷰
중간 단계를 매번 지시하지 않아도 되나?
기록된 사실
Codex는 격리된 환경에서 코드 수정과 테스트 등 개발 작업을 수행하도록 소개됐다. 에이전트와 고정 워크플로의 구분도 공식 가이드에 정리됐다.
업무 방식에서 읽을 수 있는 변화
한 번의 답변 대신 여러 실행·확인·수정을 이어가는 작업 단위를 맡긴다. 이는 대표적인 제품 이정표이며 에이전트 개념의 탄생일은 아니다.
개발
이슈를 맡기고 코드 변경·테스트 근거를 검토.
일반 사무
자료 수집부터 문서 초안까지 여러 단계를 연결.
이 기록의 범위 제품이 가능하다고 모든 과제에서 생산성이 높아지는 것은 아니다. 2025년 개발자 실험에서는 반대 결과도 나왔다.
052026 상반기사람과 AI의 분업
2026.05 · WTI / 2026.06 · 실제 사용 분석
사람은 무엇을 결정하고 AI는 무엇을 수행하나?
기록된 사실
Claude Code 약 40만 세션 분석에서는 사람이 계획 결정 약 70%, AI가 실행 결정 약 80%를 맡았다. Microsoft 설문에서는 품질 관리와 비판적 사고의 중요성이 드러났다.
업무 방식에서 읽을 수 있는 변화
직접 만드는 작업에서, 무엇을 만들지 정하고 실행 결과를 확인하는 작업으로 일부 무게가 이동한다.
개발
설계·변경 범위·검증·통합을 맡고 구현을 위임.
일반 사무
업무 규칙·자료의 의미·예외·승인 조건을 제공.
이 기록의 범위 단일 서비스 사용 기록과 AI 사용자 설문이다. 모든 회사의 역할 분담을 나타내는 비율은 아니다.
062026 여름–9월여러 단계·상대방까지 연결
2026.06 · Cadences / 2026.09.24 · Project Swap
내 의도를 대신 실행해도 믿을 수 있나?
기록된 사실
6월 보고서는 장시간 에이전트 작업 증가로 채팅 기록만으로 사용을 설명하기 어려워졌다고 밝혔다. 9월에는 직원 201명의 책 교환을 에이전트가 대행하는 실험이 공개됐다.
업무 방식에서 읽을 수 있는 변화
대화 기록만으로 설명되지 않는 산출물과 대행 행동이 늘었다. 책 교환 실험에서는 거래 기술보다 사용자의 취향을 충분히 아는지가 중요한 병목이었다.
개발
작업 간 의존 관계와 통합·운영 결과까지 관리.
일반 사무
자료와 여러 앱을 연결하되 대외 약속·금액·예외를 통제.
이 기록의 범위 제한된 실험을 일반 구매·협상 자동화의 검증으로 확대하지 않는다. 전사 자율 운영의 보편화도 아직 입증되지 않았다.
에이전트의 경계는 ‘출시 연도’보다 ‘일하는 구조’에 있다.
고정 워크플로는 미리 정해진 순서를 따른다. 에이전트는 목표를 향해 모델이 다음 행동과 도구 사용을 동적으로 결정한다. 둘은 섞어 사용할 수 있고, 에이전트라고 무조건 더 좋은 것은 아니다. [23]
02 / EVIDENCE무엇이 측정됐나.
무엇이 측정됐나.
효과는 조건마다 다르게 나왔다.
AI 능력, 실제 사용, 생산성, 고용을 하나의 숫자로 섞지 않는다. 아래 연구들은 대상·도구·시점·평가 지표가 서로 다르다.
현장 도입 분석 2025 출판
+15%
고객지원의 시간당 처리량
5,172명의 지원 인력에 AI 조수를 도입한 분석. 평균 처리량이 늘었고, 효과는 경험·숙련도에 따라 달랐다. [10]
모든 직업의 생산성이 15% 오른다는 뜻은 아니다.
무작위 실험 2023 초고
−25.1%
컨설팅 과제의 완료 시간
BCG 컨설턴트 758명·GPT-4. AI가 잘 수행하는 과제에서 평균 완료 시간이 감소했다. 같은 연구의 능력 밖 과제에서는 정답을 낼 가능성이 낮아졌다. [11]
같은 업무 흐름 안에서도 도움과 방해가 공존한다.
무작위 실험 2025 도구
+19%
숙련 개발자의 작업 시간
개발자 16명·246개 작업. 익숙한 오픈소스 저장소에서 당시 AI 도구를 허용했을 때 더 오래 걸렸다. 추정 신뢰구간은 +2%~+39%. [12][13]
2026년 도구의 효과로 일반화하지 않는다.
실험별 완료 시간 · AI 미사용 = 100
AI를 사용하면, 같은 일이 더 빨리 끝날까?
컨설팅 / 미사용100
컨설팅 / AI 사용74.9
개발 / 미사용100
개발 / AI 사용119
065130
원자료의 상대 변화로 환산: 100 × (1−0.251)=74.9, 100 × (1+0.19)=119. 막대가 짧을수록 시간이 적다. 서로 다른 실험이며 직업·모델의 우열 비교가 아니다. [11] [12]
2026 후속 보고 · METR
오래된 반례도 업데이트해야 한다.
METR은 2026년 2월, 후속 실험에서 참여자 선택과 작업 선택의 편향, 병렬 작업의 시간 측정 문제 때문에 최신 생산성 효과를 신뢰하기 어렵다고 밝혔다. [13]
2025당시 도구에서
시간 증가 관찰
시간 증가 관찰
2026새 도구·새 사용 방식
측정 설계 재검토
측정 설계 재검토
‘19% 느림’을 영구 결론으로 삼지도, 후속 자료를 확정된 속도 향상으로 포장하지도 않는다.
| 자료 | 확인한 결과 | 말할 수 없는 것 |
|---|---|---|
| 66개 기업 · 7,137명 6개월 무작위 현장 실험 [14] | 도구를 사용한 집단은 실험 후반 주당 이메일 시간이 약 2시간 줄었다. 회의 시간에는 유의한 변화가 없었다. | 모든 근로자가 2시간 절약한다거나, 회사 전체의 성과가 같은 비율로 증가한다는 주장. |
| 덴마크 노동시장 도입 설문 + 행정자료 [15] | 출시 후 2년까지 소득·기록 노동시간의 유의한 효과를 발견하지 못했고, 2% 초과 효과를 배제했다. | 업무가 전혀 바뀌지 않았다는 주장. 앞으로도 변화가 없다는 주장. |
| ILO–NASK 글로벌 추정 2025 업무 노출도 [16] | 전 세계 고용 약 4분의 1이 어느 정도 AI에 노출된 직업에 속한다. 인간의 관여 때문에 직무 변형이 더 유력하다고 판단했다. | 일자리 25%가 이미 없어졌거나 반드시 사라진다는 주장. |
| 미국 고용의 초기 증거 Anthropic · 2026.03 [22] | 고노출 직업의 실업률에서 체계적 증가를 발견하지 못했다. 22~25세의 채용 둔화에는 잠정적 증거가 있었다. | 채용 둔화의 원인을 AI 하나로 확정하거나 대규모 실직이 입증됐다고 말하는 것. |
| 미국 직업 구성 인구조사 미시자료 · Yale Budget Lab [26][27] | ChatGPT 출시 후 33개월 동안 노동시장 전반에서 ‘뚜렷한 교란’이 관찰되지 않았다(2025.10). 2026년 9월 갱신본도 직업 구성이 AI 도입과 분명히 맞물려 바뀌지는 않았다고 적었다. | 앞으로도 변화가 없다는 예측. 저자들은 이 분석이 미래를 예측하지 않는다고 밝혔다. |
| 미국 22~25세 고용 ADP 급여 행정자료 · Stanford [25] | 경제 전체의 광범위한 실직 증거는 찾지 못했다. AI 노출 직업의 22~25세 고용은 덜 노출된 또래보다 19% 낮았고(2026년 6월 자료), 경력자에게는 비슷한 격차가 없었다. 2025년 8월 초판의 같은 수치는 13%였다. | 격차의 원인을 AI로 확정하는 것. 저자들은 인과 추정이 아닌 기술적 지표라고 밝혔고, 학력을 통제하면 패턴이 약해진다고 적었다. |
| 한국 청년 일자리 국민연금 가입자 · 한국은행 [30] | 2025년 7월 기준 지난 3년간 15~29세 일자리가 21.1만 개 줄었고, 그중 20.8만 개가 AI 고노출 업종이었다. 같은 기간 50대 일자리는 20.9만 개 늘었다. | 감소가 앞으로도 이어진다는 예측. 저자들은 불확실하다고 밝혔고, 한국노동연구원은 같은 현상을 신규 채용 축소 관행으로 해석했다 [32]. |
기술할 수 있는가
→도입실제로 쓰는가
→성과검토까지 줄었나
→조직·시장인력과 수요가 변했나
관계의 개념도 · 자동으로 이어지는 인과관계가 아니다. 비용·신뢰성·업무 연결·수요·조직의 선택이 각 단계에 개입한다.
03 / SAME QUESTION, DIFFERENT ANSWERS같은 질문,
같은 질문,
다른 답.
질문 다섯 개에 대해 자료마다 무엇을 관찰했는지 나란히 놓았다. 칩은 근거의 종류다. 어느 답이 자기 일에 가까운지는 측정한 대상과 조건을 보고 읽는 사람이 판단한다.
Q1
AI를 쓰면 일이 얼마나 빨라지나?
- 무작위 실험컨설팅 과제 완료 시간 −25.1%
BCG 컨설턴트 758명 · GPT-4 · AI가 잘하는 과제 기준 · 2023 초고 [11]
- 현장 도입 분석고객지원 시간당 처리량 평균 +15%
지원 인력 5,172명 · 2025 출판 [10]
- 무작위 실험숙련 개발자 작업 시간 +19%
개발자 16명 · 246개 작업 · 2025년 초 도구 [12]
- 무작위 현장 실험주당 이메일 시간 약 2시간 감소, 회의 시간 변화 없음
66개 기업 · 7,137명 · 6개월 [14]
- 설문업무시간 평균 3.8% 단축, 실제 생산 증가와의 상관계수 0
한국 취업자 5,512명 · 2025년 조사 · 한국은행 2026.06 [31]
- 거시 추정10년간 총요소생산성 증가 0.66% 이하
영향받는 과제의 비율 × 과제당 비용 절감으로 계산 · 2024 [24]
답이 갈리는 지점측정 단위가 과제 하나, 한 사람의 한 주, 경제 전체로 다르다. 한국은행 설문은 시간 절감과 산출 증가를 따로 쟀고 둘의 상관이 0이었다. 자영업자·전문직·AI 고강도 사용자에서는 생산성 증가가 관찰됐다.
Q2
일자리는 줄었나?
- 행정자료 관찰
- 행정자료 관찰경제 전체의 광범위한 실직 증거 없음
미국 ADP 급여자료 · 월 350만~500만 명 · 2026.08 개정판 [25]
- 행정자료·준실험출시 후 2년, 소득·노동시간에 2% 넘는 효과 배제
덴마크 행정자료 + 도입 설문 [15]
- 구인공고 관찰AI 노출이 높고 보완성이 낮은 직업, AI 기술 수요가 큰 지역에서 5년 후 고용 3.6% 낮음
미국 지역 노동시장 · IMF 2026.01 · IMF 공식 견해 아님 [34]
- 노출 추정노출 상위 20% 직업 취업자 약 341만 명(전체 취업자의 12%)
한국 · 특허와 직무 내용의 유사도 · 한국은행 2023.11 [29]
- 노출 추정전 세계 고용 약 4분의 1이 어느 정도 노출
ILO–NASK 2025 · 직무 변형이 더 유력하다고 판단 [16]
답이 갈리는 지점‘노출’은 AI가 할 수 있는 과제의 비율을 추정한 값이고, 실제 고용 변화는 행정자료로 따로 잰다. 고용 자료는 출시 후 2~3년의 기간을 다룬다.
Q3
초급자·청년에게는 무슨 일이 일어나나?
- 행정자료 관찰22~25세 AI 노출 직업 고용, 덜 노출된 또래보다 19% 낮음
미국 ADP · 2026년 6월 자료 · 2025.08 초판에서는 13% · 경력자는 비슷한 격차 없음 [25]
- 행정자료 관찰15~29세 일자리 3년간 21.1만 개 감소, 그중 20.8만 개가 AI 고노출 업종
한국 국민연금 가입자 · 같은 기간 50대 20.9만 개 증가 · 한국은행 2025.10 [30]
- 행정자료 관찰청년층은 AI 고노출 직종에서 2022.11 이후 고용 감소, 중장년·고령층은 노출도와 무관하게 안정
한국 고용보험 DB · 한국노동연구원 2026.02 [32]
- 고용 자료 분석22~25세 채용 둔화의 잠정적 증거
미국 · Anthropic 2026.03 [22]
- 개인 전망향후 1~5년 초급 사무직 절반이 대체될 수 있음
2025년 제시 · 2026.01 글에서 재논의 [19]
답이 갈리는 지점같은 청년 고용 감소를 두고 해석이 갈린다. 한국은행은 ‘연공편향 기술변화’로, 한국노동연구원은 기존 인력을 유지하고 신규 채용을 줄이는 관행이 충격을 청년에 몰았다고 해석했다. Canaries 저자들은 학력을 통제하면 패턴이 약해지고 일부 추세가 생성형 AI 이전에도 있었다고 밝혔다.
Q4
AI가 만든 결과를 믿을 수 있나?
- 설문개발자 84%가 사용 중이거나 사용 예정, 정확도 불신 46% · 신뢰 33%
Stack Overflow 2025 · 4만9천여 명 응답 · ‘매우 신뢰’ 3% [28]
- 설문가장 큰 불만 ‘거의 맞지만 완전히는 아닌 답’ 66%
같은 조사 · 2위는 ‘AI가 만든 코드 디버깅이 더 오래 걸림’ 45% [28]
- 사용 기록 분석해당 업무 전문성이 높게 평가된 세션일수록 성공 신호가 더 자주 관찰
Claude Code 약 40만 세션 · 모델 분류기로 평가 [07]
- 무작위 실험AI 능력 밖 과제에서 정답을 낼 가능성 19%p 하락
BCG 컨설턴트 758명 [11]
답이 갈리는 지점사용률과 신뢰도는 따로 움직였다. 설문은 사람들의 인식을, 실험과 사용 기록은 결과를 잰다. Stack Overflow 2026 결과는 2026.10.02 현재 공개 전이다.
Q5
무엇을 맡기고, 누가 정하나?
- 설문과업 844개 중 46.1%에서 노동자가 AI 에이전트 자동화에 긍정적
미국 노동자 1,500명 · 직업의 45.2%에서 ‘동등한 협업’ 선호 · Stanford 2025 [33]
- 사용 기록 분석계획 결정은 사람이 약 70%, 실행 결정은 AI가 약 80%
Claude Code 약 40만 세션 · 2025.10~2026.04 [07]
- 통제된 실험책 교환 대행의 병목은 거래 기술보다 참가자 취향 정보
직원 201명 · 2026.09 [09]
- 조직 입장단체교섭 강화, 해로운 직장 AI 방지, 투명성과 책임, AI 개발에 노동자 목소리 등 원칙 8개
AFL-CIO(미국 노동총연맹) · 2025.10 [35]
답이 갈리는 지점노동자가 원하는 개입 수준(설문), 실제 사용에서 나뉜 결정(사용 기록), 제도로 정하자는 요구(조직 입장)는 서로 다른 층위의 자료다.
04 / WHAT CHANGED IN 20262026년 자료가 다룬 질문:
2026년 자료가 다룬 질문:
누가 무엇을 결정하는가.
2026년 6월 공개된 약 40만 건 Claude Code 세션 분석. 표본 기간: 2025.10~2026.04. [07]
계획 결정
사람 약 70%AI 약 30%
무엇을 할지, 어떤 접근을 택할지, 무엇을 완료로 볼지.
실행 결정
사람 약 20%AI 약 80%
어느 파일을 바꿀지, 어떤 코드를 쓸지, 어떤 명령을 실행할지.
모델 분류기가 대화 속 결정을 귀속한 대략적 비율. 노동시간·책임·급여의 비중이 아니다. AI 비중은 100%에서 사람 비중을 뺀 값.
코딩 도구의 사용도 코드 수정 밖으로 확장됐다.
고장난 코드 수정33% → 19%
소프트웨어 운영14% → 21%
2025년 10월 → 2026년 4월, 전체 세션 중 작업 유형의 비중. 버그 발생률이나 생산성 변화가 아니다. [07]
05 / PERSPECTIVES기업·연구자·노동계의 시각.
기업·연구자·노동계의 시각.
어디서 같고, 어디서 다른가?
개인의 전망, 실험에 근거한 해석, 경제학적 추정, 한국 연구기관의 해석, 노동조합의 입장은 근거의 성격이 다르다. 짧은 원문 발췌와 한국어 요약을 함께 읽는다.
SA기술·미래 전망
샘 올트먼
OpenAI 공동창업자 · 2025.06 글인지 노동의 공급이 늘고,
새로운 일을 찾게 된다.
에이전트가 실질적인 인지 작업을 수행하고, 지능의 비용이 낮아지며 새로운 활동이 생길 것으로 전망한다. 직업군이 사라지는 어려움도 인정한다. [18]
원문 발췌 · 2025-06
“There will be very hard parts like whole classes of jobs going away”직업군 전체가 사라지는 것과 같은 매우 어려운 국면도 있을 것이다.
전환의 어려움을 인정하면서도 장기적 풍요와 새로운 활동에 더 무게를 둔다.
전체 원문 읽기읽는 포인트장기 성장과 적응에 무게를 둔다. 전환이 언제, 누구에게 유리할지는 이 글로 입증되지 않는다.
DA고용 충격 전망
다리오 아모데이
Anthropic 공동창업자 · 2026.01 글기술의 속도가 사회의
적응 속도를 앞설 수 있다.
2025년에 제시한 ‘향후 1~5년 초급 사무직 절반의 대체 가능성’ 우려를 다시 논의한다. 발전 속도와 위험의 실현에는 불확실성이 있다고 명시한다. [19]
원문 발췌 · 2026-01
“AI could displace half of all entry-level white collar jobs in the next 1–5 years”AI가 향후 1~5년 초급 사무직의 절반을 대체할 수 있다는 전망.
2025년에 제시한 전망을 2026년 글에서 다시 설명한 부분. 실현된 감소율이 아니다.
전체 원문 읽기읽는 포인트단기 전환 충격에 무게를 둔다. ‘절반’은 개인의 전망이고, 측정된 고용 변화는 02·03절의 행정자료에 있다.
EM실험에 기반한 해석
이선 몰릭
와튼 연구자 · 2025.03 글AI는 팀의 성과와
전문성 공유를 바꿀 수 있다.
P&G 전문가 776명 실험을 바탕으로 AI를 팀원처럼 다뤄 팀 구성과 교육을 다시 생각하자고 제안한다. AI 사용 개인은 해당 과제에서 AI 미사용 팀과 비슷한 성과를 냈다. [20]
원문 발췌 · 2025-03-22
“Our findings suggest AI sometimes functions more like a teammate than a tool.”연구 결과는 AI가 때로 도구보다 팀원에 가깝게 기능함을 시사한다.
P&G의 짧은 제품 개발 실험에 대한 공동저자의 해석.
전체 원문 읽기읽는 포인트짧은 제품 개발 과제의 결과다. 모든 조직에서 한 사람이 두 사람을 대체한다는 뜻은 아니다.
DA경제학적·조건부 논지
데이비드 오터
MIT 노동경제학자 · 2024 논문AI를 어떻게 도입하느냐가
전문성의 가치를 결정한다.
기초 지식과 보완 역량을 가진 더 많은 사람이 전문적인 의사결정에 참여하도록 AI를 활용할 수 있다고 주장한다. 전문성의 범위와 가치를 확장하는 방향이다. [21]
원문 발췌 · 2024
“extend the relevance, reach, and value of human expertise”인간 전문성의 관련성·범위·가치를 확장한다.
AI를 전문성 확대에 활용할 가능성을 말하는 논지. 자동적으로 실현된다는 예측은 아니다.
전체 원문 읽기읽는 포인트일자리의 결과는 기술만으로 정해지지 않는다. 조직과 제도의 설계에 달린 가능성이다.
AC거시경제 추정
대런 애쓰모글루
MIT 경제학자 · 2024 논문생산성 효과는
작을 수 있다.
AI가 영향을 주는 과제의 비율과 과제당 비용 절감을 곱해, 10년간 총요소생산성 증가를 0.66% 이하로 추정했다. 어려운 과제의 효과는 더 작다고 가정했다. 분석은 기존 과제에 대한 영향에 초점을 두었고, 더 큰 생산성 효과는 노동자를 위한 새 과제가 만들어지는지에 달려 있을 것이라고 결론에 적었다. [24]
원문 발췌 · 2024
“GDP and aggregate productivity gains can be estimated by what fraction of tasks are impacted and average task-level cost savings.”GDP와 경제 전체의 생산성 증가는 영향을 받는 과제의 비율과 과제당 평균 비용 절감으로 추정할 수 있다.
실험에서 관찰된 과제별 절감을 경제 전체에 대입한 계산이다.
전체 원문 읽기읽는 포인트과제 단위 실험의 큰 숫자와 경제 전체 추정의 작은 숫자를 함께 본다. 새 과제가 얼마나 생기는지는 이 계산의 중심 밖에 있다.
BOK행정자료 해석
한국은행 조사국
한진수·오삼일 · 2025.10 이슈노트청년 일자리는 줄고,
50대 일자리는 늘었다.
국민연금 가입자 자료로 업종별 AI 노출도와 연령별 고용을 비교했다. 줄어든 청년 일자리 대부분이 AI 고노출 업종에 있었고, 임금 영향은 고용과 달리 뚜렷하지 않았다고 적었다. [30]
원문 발췌 · 2025-10
“AI 확산 초기에 주니어 고용이 줄어드는 반면 시니어 고용은 늘어나는 ‘연공편향 기술변화’가 나타나고 있다.”한국은행 공식 견해가 아닌 집필자 견해로 표기됐다.
전체 원문 읽기읽는 포인트저자들은 청년고용 위축이 앞으로도 이어질지는 불확실하다고 밝혔다. 같은 현상의 다른 해석은 다음 카드(한국노동연구원)에 있다.
KLI고용보험 자료 해석
장지연
한국노동연구원 선임연구위원 · 2026.02전체 영향은 제한적이고,
특정 집단에서 먼저 보인다.
AI 도입 기업 종사자를 약 1,574만 명 중 18.0%로 추정했다. 청년층 감소는 기존 근로자를 유지하고 신규 채용을 줄이는 한국 노동시장의 고용관행이 충격을 청년에 몰았기 때문으로 해석했다. [32]
원문 발췌 · 2026-02
“생성형 AI가 노동시장 전반에 미치는 영향은 제한적이지만, 청년층, 정보통신업, 사무직 등 특정 집단과 업종에서는 이미 가시화되고 있음을 확인하였다.”업종별 AI 도입률: 정보통신업 약 61%, 금융보험업 약 47%.
전체 원문 읽기읽는 포인트같은 청년 고용 감소를 한국은행은 기술 변화의 방향으로, 이 글은 채용 관행으로 설명한다. 저자는 AI의 영향과 다른 요인을 완전히 분리하기 어렵다고 밝혔다.
AFL노동조합 입장
AFL-CIO
미국 노동총연맹 · 2025.10 원칙AI 도입의 규칙을
노동자와 함께 정하자.
‘Workers First Initiative on AI’에서 원칙 8개를 냈다. 노동권과 단체교섭 강화, 해로운 직장 AI에 대한 안전장치, 투명성과 책임, AI 연구개발에 노동자 목소리 반영 등이 들어 있다. [35]
원문 발췌 · 2025-10
“We reject the false choice between American competitiveness on the world stage and respecting workers’ rights and dignity.”세계 무대의 경쟁력과 노동자의 권리·존엄 존중 사이에서 하나를 고르라는 거짓 선택을 거부한다.
리즈 슐러 AFL-CIO 위원장의 발언.
전체 원문 읽기읽는 포인트데이터 연구가 아닌 조직의 정책 입장이다. 원칙별 세부 조항은 원문에서 확인한다.
| 쟁점 | 의견의 차이 | 실제 데이터와 대조 |
|---|---|---|
| 새로운 일 vs. 기존 일의 감소 | 올트먼은 새로운 활동·풍요, 아모데이는 전환기의 고용 충격에 더 무게를 둔다. | 업무별 성과 변화는 관찰됐지만, 이 자료만으로 순고용 변화의 방향과 규모를 확정할 수 없다. [15] [22] |
| 사람의 전문성 | 몰릭은 전문성 공유, 오터는 전문적인 판단에 참여할 사람의 확대를 강조한다. | P&G 실험과 2026년 사용 분석은 업무 지식과 AI의 결합 가능성을 뒷받침한다. 장기 고용·임금의 보장은 아니다. [20] [07] |
| 조직의 역할 | 기술 발전만큼 팀 구성·교육·도입 방식이 중요하다는 논지. | Microsoft 2026 설문에서도 품질 관리·비판적 사고가 중요한 사람의 역량으로 꼽혔다. 의견 설문이다. [17] |
| 생산성의 크기 | 실험에 근거한 해석은 과제 단위의 큰 효과를, 애쓰모글루는 경제 전체의 작은 효과(10년 총요소생산성 0.66% 이하)를 제시한다. | 한국 취업자 설문에서 업무시간은 3.8% 줄었고 실제 생산 증가와의 상관은 0이었다. 자영업자·전문직·AI 고강도 사용자에서는 생산성 증가가 관찰됐다. [31] [24] |
| 청년 고용 감소의 이유 | 한국은행은 경력이 적은 청년의 정형화된 업무를 AI가 상대적으로 쉽게 대체하는 ‘연공편향 기술변화’로, 한국노동연구원은 기존 인력을 유지하고 신규 채용을 줄이는 고용관행으로 설명한다. | 미국 ADP 자료에서도 22~25세 격차(19%)가 관찰됐고, 저자들은 학력을 통제하면 패턴이 약해진다고 밝혔다. 한국노동연구원은 AI 영향과 다른 요인의 분리가 어렵다고, 한국은행은 위축이 이어질지 불확실하다고 적었다. [30] [32] [25] |
| 도입의 규칙 | 기업 발표와 연구는 위임할 작업의 범위를, AFL-CIO는 단체교섭·투명성·노동자 참여 같은 제도를 앞세운다. | 미국 노동자 설문에서 과업의 46.1%는 자동화에 긍정적이었고, 직업의 45.2%에서 동등한 협업이 선호됐다. [33] [35] |
06 / HUMAN ROLE실행을 맡긴 뒤,
실행을 맡긴 뒤,
사람의 일은 어떻게 달라질까?
관점을 연결하는 질문 아래 역할은 현재 자료에서 읽을 수 있는 후보들이다. 고정된 미래의 직무표는 아니다.
문제 정의
왜 필요한지, 어떤 결과를 성공으로 볼지 정한다.
맥락과 기준
자료·업무 규칙·예외·우선순위·완료 기준을 AI가 사용할 수 있게 만든다.
검증과 통합
그럴듯한 결과와 쓸 수 있는 결과를 구분하고 기존 업무에 연결한다.
판단과 책임
고객과의 약속, 예외 처리, 공개·배포·금액 등 중요한 결정을 맡는다.
| 업무 단계 | 개발자의 변화 | 일반 사무의 변화 | 사람이 확인할 것 |
|---|---|---|---|
| 요구 파악 | 기능 요청을 구현 가능한 요구사항과 수용 기준으로 정리 | 요청 목적·독자·기한·자료 범위를 정리 | 풀어야 할 문제가 맞는가? |
| 자료 준비 | 저장소·설계·실행 환경·이슈 이력을 연결 | 규정·원문·기존 문서·업무 데이터를 연결 | 최신 자료와 올바른 권한인가? |
| 실행 위임 | 구현·수정·테스트·문서화의 묶음을 맡김 | 수집·정리·계산·초안·앱 입력의 묶음을 맡김 | 맡긴 범위와 결과가 일치하는가? |
| 결과 검토 | 변경 차이·테스트·보안·운영 영향 검토 | 원문 대조·수치·누락·맥락·대외 표현 검토 | 검증 근거가 있고 오류를 잡을 수 있는가? |
| 최종 완료 | 통합·출시 판단과 장애 대응 책임 | 승인·발송·고객 약속과 예외 처리 책임 | 실제 사용에서 목적을 달성했는가? |
위 표는 연구와 도구 구조를 바탕으로 제안한 업무 설계다. 모든 조직에서 이미 실현된 사실을 나열한 표가 아니다. [07] [14] [23]
AI 결과의 품질 관리50%
비판적 사고46%
선택 비율. 객관적인 역량 점수나 고용 보장 확률이 아니며 합계 100%인 구성비도 아니다.
07 / NEXT미래를 단정하지 말고,
미래를 단정하지 말고,
변화를 확인할 신호를 보자.
유행 예측을 업무 설계에 필요한 조건으로 바꾼다. 아래는 관찰 근거에서 도출한 전망이며, 확정된 일정표가 아니다.
| 가능한 방향 | 현재의 신호 | 확산에 필요한 조건 | 앞으로 확인할 지표 |
|---|---|---|---|
| 답변보다 완성된 결과를 맡김 | 장시간 에이전트 세션과 결과물 중심 사용 증가 [08] | 완료 기준, 신뢰성, 접근 가능한 자료와 도구 | 사람의 개입·재작업까지 포함한 완료율과 총시간 |
| 업무 전문가가 직접 도구를 만듦 | 코딩 외 직업에서도 코딩 세션의 성공 신호 관찰 [07] | 분야 지식, 검증, 유지보수와 기술 지원 | 실제로 사용하는 도구의 비율·운영 오류·유지 비용 |
| 여러 시스템·상대방과 연결 | 다단계 앱 실행과 에이전트 대행 실험 [17] [09] | 의도 이해, 권한, 기록, 취소·복구와 예외 처리 | 잘못된 실행·승인 대기·분쟁·복구 빈도 |
| 채용과 교육 경로의 재설계 | 초급 사무직 충격 전망과 청년 채용 둔화의 잠정적 증거 [19] [22] | 수요 변화, 교육, 감독 아래 경험을 쌓는 기회 | 초급 채용·숙련 형성·임금·직무 이동의 장기 데이터 |
서로 다른 자료 사이에 남는 질문빠른 실행이 가능해지면,
실행 ↔ 판단 개인 ↔ 조직 대체 ↔ 확장 초급 ↔ 숙련
빠른 실행이 가능해지면,
무엇이 다음 병목이 될까?
결과를 만드는 시간이 줄면, 좋은 결과를 골라내는 시간은 어떻게 달라질까?
개인은 빨라져도 승인·회의·협업 방식이 같다면, 조직 전체는 얼마나 달라질까?
같은 인력으로 더 많은 일을 할까, 같은 일을 더 적은 인력으로 할까? 무엇이 그 선택을 결정할까?
기초 작업을 AI에 맡긴다면, 다음 세대의 전문성은 어떤 경험을 통해 쌓일까?
08 / QUESTIONS FOR YOUR WORK이 기록을 읽은 뒤,
이 기록을 읽은 뒤,
내 일에 어떤 질문을 던질까?
직업 이름보다 하루의 작업을 살펴본다. 자신의 업무를 새로 보기 위한 질문이고, 정답은 정해 두지 않았다.
내가 시간을 쓰는 곳은 어디인가?
찾기, 만들기, 옮기기, 확인하기, 조율하기 중 어느 작업이 가장 많은가?
생각할 단서 · 이메일 시간은 줄었지만 회의 시간은 바뀌지 않은 실험 [14]나만 알고 있는 기준은 무엇인가?
문서에 없는 규칙, 좋은 결과를 알아보는 기준, 상황별 예외를 다른 사람이나 AI에게 설명할 수 있는가?
생각할 단서 · 업무 전문성과 세션 성공의 연관성 [07]잘 끝났다는 것을 어떻게 아는가?
테스트, 원문, 수치, 사용자의 반응 중 무엇으로 결과를 확인하는가? 틀렸을 때 어디서 발견되는가?
생각할 단서 · 같은 도구도 과제에 따라 성과가 달랐던 실험 [11][12]내 일이 바뀌면 누구의 일도 바뀌는가?
동료의 검토, 고객과의 약속, 승인자의 판단, 초급 구성원의 학습 기회는 어떻게 달라지는가?
생각할 단서 · AI와 팀 구성에 관한 실험·해석 [20]초급자가 배우던 일을 AI가 맡으면, 다음 숙련자는 어디서 자라나?
내 팀에서 신입이 처음 맡던 일은 무엇이었나? 그 일이 줄면 판단력을 기르는 경험은 어디서 얻는가?
생각할 단서 · 미국 22~25세 노출 직업 고용 19% 격차 [25] · 한국 청년 일자리 21.1만 개 감소 [30] · 채용 관행 해석 [32]줄어든 시간은 어디로 갔나?
AI로 아낀 시간이 더 많은 산출, 더 깊은 검토, 다른 일 중 어디에 쓰였는지 확인할 수 있는가?
생각할 단서 · 업무시간 3.8% 단축과 생산 증가의 상관 0 [31] · 이메일은 줄고 회의는 그대로인 실험 [14]관찰을 위한 기준
속도만 보면 무엇을 놓칠까?
준비 + 작업 + 검토 + 수정 + 협업
작업을 빠르게 생성하는 것과 일을 잘 끝내는 것은 같지 않다. 시간·오류·재작업·산출물의 사용 여부를 함께 관찰하면, 자신의 업무에서 어떤 변화가 일어나는지 더 분명하게 볼 수 있다.
09 / REFERENCES
확인할 수 있는 근거.
검토 기준일 2026.10.02 · 제품 발표는 출시 사실의 근거, 연구는 해당 표본의 결과, 개인 글은 의견의 근거로 사용했다.
이 페이지를 읽는 기준
출판일 ≠ 실험일. 2025년 출판 연구에 과거 도구가 쓰였을 수 있다. 연구 버전이 바뀐 경우 사용한 버전을 명시했다.
관찰 ≠ 인과, 노출 ≠ 실직, 시연 ≠ 실무. 사용자 설문과 모델 분류 기반 결과에는 표본·측정의 한계가 있다. 한국 자료(한국은행·한국노동연구원)는 한국 표본의 결과로, 미국·유럽·특정 서비스의 결과는 각자의 표본 결과로 읽는다. 연구가 개정된 경우(예: Canaries 2025.08 초판 13% → 2026.08 개정판 19%) 사용한 판을 적었다.
현재는 확인한 근거의 현재. 2026년 여름과 9월 자료까지 반영했지만 모든 최신 모델·기업의 도입을 포괄하는 전수 조사는 아니다. 자동 갱신되는 페이지가 아닌 날짜 기준의 조사본이다.
- 01GPT-3 논문
범용 언어 모델과 예시 기반 작업 수행의 초기 이정표.
- 02OpenAI · Introducing ChatGPT
대화형 서비스의 공개 시점과 당시 한계.
- 03OpenAI · Function calling
모델이 외부 함수 호출에 필요한 구조화된 인자를 출력. 실행은 연결된 프로그램이 담당.
- 04OpenAI · o1-preview
답하기 전 추론에 더 많은 시간을 쓰는 모델 계열.
- 05Anthropic · Computer use
화면 인식·마우스·키보드 조작 기능의 공개 베타.
- 06OpenAI · Introducing Codex
격리된 작업 환경에서 코드 수정과 테스트 등 작업을 수행하는 에이전트.
- 07Anthropic · Agentic coding and persistent returns to expertise
2025년 10월~2026년 4월, 약 40만 세션·23.5만 명. 모델 분류기로 의사결정·전문성·성과를 추정. 실제 사업 성과는 관찰하지 못함.
- 08Anthropic · Economic Index: Cadences
대화에서 장시간 에이전트 작업으로의 변화. 설문 연결 표본 약 9,700명은 일반 인구의 대표 표본이 아님.
- 09Anthropic · Project Swap
직원 201명의 책 교환을 에이전트가 대행. 제한된 시장 실험이며 일반 구매·협상 성과로 확대 해석할 수 없음.
- 10Brynjolfsson · Li · Raymond — Generative AI at Work
고객지원 인력 5,172명. 2023년 초고의 14% 대신 2025년 출판본의 평균 15%를 사용.
- 11Dell’Acqua 외 — Navigating the Jagged Technological Frontier
BCG 컨설턴트 758명·GPT-4. 이 페이지의 수치는 링크한 2023년 초고 기준. 2026년 저널 출판본도 존재.
- 12METR · Early-2025 developer productivity
숙련 오픈소스 개발자 16명·246개 작업. 2025년 2~6월 도구를 평가.
- 13METR · Experiment design update (We are Changing our Developer Productivity Experiment Design)
AI 없이 일하기 싫어 참여하지 않는 개발자·작업 선택·병렬 작업 측정 문제로 최신 효과의 크기를 신뢰하기 어려움.
- 14Dillon 외 — Shifting Work Patterns with Generative AI
66개 기업·7,137명·6개월. 실제 사용자 집단의 실험 후반 주당 이메일 시간 2시간 감소. 2025년 5월 초판은 도구를 절반 이상의 주에 쓴 사람 기준 주 3.6시간(처리군 전체 1.3시간)으로 보고. 이 페이지는 개정판의 ‘사용한 80%, 주 2시간’을 사용.
- 15Humlum · Vestergaard — Still Waters, Rapid Currents
덴마크 도입 설문과 노동시장 행정자료 연결. ChatGPT 출시 후 2년까지 소득·기록 노동시간의 2% 초과 효과를 배제.
- 16ILO–NASK · Generative AI and Jobs
전 세계 고용 약 4분의 1이 어느 정도 노출된 직업. 노출도는 실제 실직률이 아님.
- 17Microsoft · 2026 Work Trend Index 소개 글 (How Frontier Firms are rebuilding the operating model for the age of AI)
10개국 AI 사용 근로자 20,000명 설문. 50% 품질 관리, 46% 비판적 사고는 중요하다고 선택한 비율. 전체 노동자 대표성·인과효과와 구별.
- 18Sam Altman · The Gentle Singularity
새로운 인지 노동과 풍요·적응에 대한 전망. 고용 전환의 어려움도 인정.
- 19Dario Amodei · The Adolescence of Technology
초급 사무직 충격과 사회의 적응 속도에 대한 우려. 확정된 미래나 측정된 고용 감소가 아님.
- 20Ethan Mollick · The Cybernetic Teammate
P&G 전문가 776명 무작위 실험을 공동저자가 설명. 제품 아이디어 과제·짧은 워크숍의 결과.
- 21David Autor · Applying AI to Rebuild Middle Class Jobs
AI를 사람의 전문성 확장에 적용하면 더 많은 사람이 고차원 의사결정을 수행할 수 있다는 조건부 논지.
- 22Anthropic · Labor market impacts of AI
미국 고노출 직업에서 실업률의 체계적 증가를 발견하지 못함. 22~25세 채용 둔화는 잠정적 증거.
- 23Anthropic · Building effective agents
미리 정해진 경로를 따르는 워크플로와, 모델이 동적으로 작업·도구 사용을 결정하는 에이전트를 구분.
- 24Acemoglu — The Simple Macroeconomics of AI
과제 노출 비율 × 과제당 비용 절감으로 10년 총요소생산성 0.66% 이하. 어려운 과제의 효과는 더 작다고 가정. 새 과제의 효과는 따로 논의.
- 25Brynjolfsson · Chandar · Chen — Canaries in the Coal Mine?
미국 ADP 급여자료, 2021.01~2026.06, 월 350만~500만 명. 인과 추정이 아닌 기술적 지표라고 저자가 명시.
- 26Yale Budget Lab — Evaluating the Impact of AI on the Labor Market: Current State of Affairs
미국 인구조사(CPS) 미시자료로 출시 후 33개월의 직업 구성 변화를 인터넷·컴퓨터 도입기와 비교. 예측이 아니라고 명시.
- 27Yale Budget Lab — Tracking the Impact of AI on the Labor Market
정기 갱신 지표. 2026년 9월 갱신본: 직업 구성이 AI 도입과 분명히 맞물려 바뀌지는 않음.
- 28Stack Overflow — 2025 Developer Survey: AI
응답 4만9천여 명(177개국), 자발적 응답. 2026 결과는 2026-10-02 현재 공개 전.
- 29한국은행 — AI와 노동시장 변화 (BOK 이슈노트 제2023-30호)
특허와 직무 내용의 유사도로 직업별 노출 지수 산출. 노출은 대체 가능성의 추정이며 실제 대체 수치가 아님. 집필자 개인 견해.
- 30한국은행 — AI 확산과 청년고용 위축: 연공편향 기술변화 (BOK 이슈노트 제2025-30호)
국민연금 가입자 1,616만 명(2025.07). 청년고용 위축의 지속 여부는 불확실하다고 명시. 집필자 개인 견해.
- 31한국은행 — AI 도입은 생산성을 높이는가? 초기 3년의 효과 분석 (BOK 이슈노트 제2026-12호)
취업자 5,512명(2025.05~06). 업무처리량은 자기보고라 측정 오차·인식 편향 가능성을 저자가 명시.
- 32한국노동연구원 — AI 기술 확산이 고용에 미치는 영향 (노동리뷰 2026년 2월호)
고용보험 DB와 구인공고로 AI 노출·도입 기업을 식별. AI 영향과 다른 요인의 분리가 어렵다고 저자가 명시.
- 33Shao 외 — Future of Work with AI Agents
미국 노동자 1,500명, 직업 104개·과업 844개. 응답자가 일자리 불안 때문에 솔직한 답을 보류했을 가능성을 저자가 인정.
- 34IMF — Bridging Skill Gaps for the Future: New Jobs Creation in the AI Age (SDN/2026/001)
선진국 구인공고 약 10건 중 1건이 새 기술 요구. 연관성 분석이며 IMF 공식 견해 아님.
- 35AFL-CIO — Workers First Initiative on AI
미국 노동총연맹의 AI 원칙 8개. 데이터 연구가 아닌 정책 입장.