AI TREND
연봉이 높을수록 AI 대체가능성이 높은 이유?
AI가 지식노동의 한계비용을 0으로 수렴시키는 시대에는 지식의 보유가 아닌 AI 산출물을 올바른 방향으로 지휘하는 판단력이 생산성과 경쟁력을 좌우하는 핵심입니다.
AI가 지식노동의 한계비용을 0으로 수렴시키는 시대에는 지식의 보유가 아닌 AI 산출물을 올바른 방향으로 지휘하는 판단력이 생산성과 경쟁력을 좌우하는 핵심입니다.
위그로스
2026년 3월 26일
2026년 3월 5일, Anthropic이 발표한 보고서 Labor market impacts of AI: A new measure and early evidence는 AI 위협에 대한 기존 통념을 정면으로 뒤집습니다. 많은 사람들은 AI가 먼저 단순 반복 작업과 저임금 노동을 대체할 것이라고 생각해왔습니다. 그러나 데이터는 전혀 다른 결과를 보여줍니다. AI에 가장 많이 노출된 직군은 더 많이 교육받고, 더 많이 버는 사람들이었습니다.
원문보기 - Labor market impacts of AI: A new measure and early evidence. Anthropic (2026)
1. 데이터로 보는 AI 노출 직군
출처: Most exposed occupationsTop ten most exposed occupations using our task coverage measure
Anthropic이 이번 보고서에서 새롭게 제시한 지표는 '실측 노출도(Observed Exposure)'입니다. 기존 연구가 AI가 이론적으로 이 업무를 수행할 수 있는가에 집중했다면, Anthropic은 한 발 더 나아가 실제로 Claude가 이 업무에 사용되고 있는가를 측정했습니다. 이를 위해 미국 직업정보 데이터베이스 O\*NET의 약 800개 직종 태스크 데이터, Eloundou et al(2023)의 LLM 이론적 노출 지표(β), 그리고 Anthropic 자체 사용 데이터인 Anthropic Economic Index를 교차 결합했습니다.
세 데이터를 결합해 드러난 사실은 명확합니다. AI의 현재 실제 업무 침투율은 이론적 가능 범위의 극히 일부에 불과합니다. Computer & Math 직군의 경우 이론적 적용 가능성은 94%이지만, 실제 Claude 업무 침투율은 33%에 그칩니다. 이 간격이 시사하는 것은 하나입니다. AI 충격은 이미 시작됐지만, 아직 피크에는 도달하지 않았다는 것입니다.
보고서에서 AI 노출도가 가장 높은 직군은 컴퓨터 프로그래머로, 실제 업무 침투율이 75%에 달합니다. 이어 고객서비스 담당자, 데이터 입력 직원이 67%로 그 뒤를 잇고, 금융 분석가 역시 상위 노출 직군에 포함됩니다. 반면 AI 노출도가 전혀 없는 직종은 전체 근로자의 30%에 달하며, 요리사, 오토바이 정비사, 인명구조원, 바텐더 등 물리적 현장 업무가 이 범주에 속합니다.
이 분류가 주는 통찰은 단순합니다. AI가 대체하는 것은 '힘든 일'이 아니라 '언어와 논리를 다루는 일'입니다. 코드를 작성하고, 고객 문의에 답하고, 데이터를 정리하고, 문서를 검토하는 업무들은 LLM이 가장 잘하는 영역과 정확히 겹칩니다. 이것이 왜 고임금 직군이 더 취약한지를 이해하는 첫 번째 열쇠입니다.
2. 고소득자가 더 취약한 이유
가장 충격적인 발견은 AI 노출도 상위 25% 직군과 노출도 0% 직군의 근로자 특성 비교에서 나옵니다. 노출도가 높은 집단은 그렇지 않은 집단에 비해 평균 47% 더 높은 임금을 받습니다. 학력 면에서는 대학원 이상 학위 보유자가 비노출 집단에서는 4.5%에 불과하지만, 노출 상위 집단에서는 17.4%로 약 4배 차이가 납니다. 성별로는 노출도 높은 집단이 여성일 가능성이 16%p 더 높고, 아시아계일 가능성은 두 배에 달합니다.
이 데이터가 의미하는 바는 명확합니다. AI는 '저숙련·저임금 노동의 위협'이라는 기존 서사를 부정합니다. 더 많이 공부하고, 더 어려운 일을 하며, 더 많이 받는 사람일수록 AI에 먼저 노출됩니다. Eloundou et al.(2023)이 GPT-4를 분석한 논문 GPTs are GPTs에서도 같은 결론이 도출됩니다. 이 논문은 미국 전체 근로자의 약 80%가 업무의 10% 이상을 LLM의 영향을 받을 수 있고, 약 19%는 업무의 50% 이상이 영향권에 들어올 수 있다고 추정하면서, 특히 고임금 직종일수록 LLM 노출도가 더 높다고 명시합니다.
3. AI가 지식 노동을 잠식하는 구조
출처: A.I. Is Going to Disrupt the Labor Market. It Doesn’t Have to Destroy It.
왜 고학력·고임금 직군이 더 취약한가에 대한 구조적 설명은 업무의 성격에 있습니다. 제조업 노동자의 업무가 물리적 조작과 현장 판단에 의존하는 반면, 지식 노동자의 핵심 업무는 정보 처리, 문서 작성, 데이터 분석, 코드 생성 등 '언어와 논리를 디지털 형태로 다루는 작업'입니다. LLM은 정확히 이 영역에서 설계되었고, 최적화되어 있습니다. AI가 '더 빠른 타자기'가 아니라 '더 저렴한 지식 노동자'로 기능하기 시작하면, 가장 먼저 가격 경쟁에 노출되는 것은 지식 노동 그 자체입니다.
Eloundou et al.의 분석에 따르면, LLM 단독으로는 미국 전체 업무의 약 15%를 동일한 품질로 더 빠르게 처리할 수 있습니다. 그러나 LLM 위에 구축된 소프트웨어 툴과 결합했을 때 이 수치는 47~56%로 급증합니다. 이는 현재 '실제 업무 침투율 33%'가 이론적 한계가 아니라, 도구와 워크플로우가 갖춰질수록 확장되는 수치임을 뜻합니다. Anthropic 데이터가 보여주는 이론과 실제의 간격은 위협이 끝난 지점이 아니라, 아직 도달하지 않은 지점입니다.
또한 Anthropic 보고서는 중요한 사실 하나를 확인합니다. ChatGPT 출시 이후 현재까지, AI 노출도가 높은 직군의 실업률에는 통계적으로 유의미한 변화가 나타나지 않았습니다. 대규모 해고가 이루어지고 있다는 증거는 없습니다. 그러나 신호는 이미 다른 곳에서 포착되고 있습니다.
22~25세 청년층을 대상으로 분석한 결과, AI 고노출 직군으로의 신규 취업률이 2022년 대비 14% 하락했습니다. Stanford의 Erik Brynjolfsson 연구팀이 발표한 Canaries in the Coal Mine?(2025) 역시 동일한 연령대에서 AI 노출 직군의 고용이 6~16% 감소했음을 확인했으며, 이는 해고가 아닌 신규 채용 감소에서 비롯된 것이라고 밝혔습니다. AI가 신입 사원이 하던 업무, 즉 코드 초안 작성·데이터 정리·보고서 초안·기본 법률 문서 검토를 흡수하면서, 조직이 신입을 채용하고 훈련시킬 필요 자체가 줄어들고 있는 것입니다.
4. O-Ring 이론: 임계점이 오면 충격은 비선형으로 온다
경제학자 Joshua Gans와 Avi Goldfarb는 2025년 발표한 O-Ring Automation 논문에서 중요한 경고를 제시합니다. O-Ring 모델이란 우주왕복선의 O-링 하나가 고장나서 전체가 폭발하듯, 업무도 모든 태스크에 AI가 침투할 때 비로소 고용 효과가 가시화된다는 이론입니다. 현재처럼 AI가 특정 태스크만 처리하는 단계에서는 고용 충격이 제한적으로 보일 수 있습니다. 그러나 AI 업무 침투율이 임계점을 넘는 순간, 충격은 선형이 아닌 비선형으로 나타날 가능성이 있습니다.
Anthropic 보고서도 이 시나리오를 명시적으로 검토합니다. 만약 노출도 상위 10% 직군 전체가 실직한다면, 해당 집단의 실업률은 3%에서 43%로 폭등하고, 미국 전체 실업률은 4%에서 13%로 뛴다. 물론 이 시나리오가 현실화되지는 않겠지만, 이 수치가 보여주는 것은 AI의 영향력이 집중된 직군에서 얼마나 밀도 높게 잠재해 있는지입니다. 현재의 평온함이 실제 안전을 뜻하지는 않습니다.
5. 전 세계 8억 인구 중 AI로 서비스를 만드는 사람은 몇 명일까?
출처: 2025: The State of Consumer AI | Menlo Ventures
'모두가 AI를 쓴다'는 말이 넘쳐나지만, 데이터는 다른 이야기를 합니다. Menlo Ventures가 2025년 미국 성인 5,031명을 대상으로 실시한 조사에 따르면, 미국 성인의 61%가 지난 6개월 내 AI를 사용한 경험이 있습니다. 이를 전 세계로 환산하면 약 17억~18억 명이 AI를 사용한 셈입니다. 그러나 여기서 중요한 질문이 시작됩니다. 사용한다는 것이 실제로 무엇을 뜻하는가. 2026년 2월 기준, 전 세계 81억 인구를 AI 활용 수준에 따라 분류하면 이렇습니다.
AI 미사용: 약 68억 명, 전체 인류의 84%
무료 챗봇 사용자: 약 13억 명, 16%
유료 구독($20/월): 약 1,500만~2,500만 명, 0.3%
AI로 코딩·서비스 구축: 약 200만~500만 명, 0.04%
이 수치들이 어디서 오는지를 Menlo Ventures 보고서로 검증할 수 있습니다. 보고서는 전 세계 AI 사용자 18억 명이 월 $20씩 구독한다면 이론적으로 연간 4,320억 달러의 시장이 되어야 하지만, 실제 시장 규모는 120억 달러에 불과하다고 밝힙니다. 즉, 유료 전환율은 약 3%에 그칩니다. ChatGPT조차 주간 활성 사용자의 5%만이 유료 구독자로 전환됩니다. '모두가 AI를 쓴다'는 말의 실체는, 대부분이 무료로 가끔 써보는 수준이라는 것입니다.
사용 깊이를 들여다보면 격차는 더 선명해집니다. Menlo Ventures 조사에서 AI 활용 침투율이 가장 높은 영역은 글쓰기(51%), 코딩(47%), 과제·업무 지원(43%)입니다. 그런데 미국 성인 전체 기준으로 보면, 이메일 작성에 AI를 쓰는 사람조차 19%에 불과합니다. 단일 업무에서 AI를 5명 중 1명만 쓴다는 뜻입니다. 즉, AI는 도처에 존재하지만 실제로 업무에 깊게 체화한 사람의 수는 극히 제한적입니다.
AI로 직접 서비스를 만드는 0.04%는 다른 의미를 지닙니다. Menlo Ventures는 코딩 도구 Cursor가 2년 만에 연환산 매출 5억 달러 이상으로 성장하고, Lovable은 출시 1년 이내에 연환산 6,000만 달러 이상에 도달했다고 보고합니다. 이 숫자들은 0.04%가 만들어내는 경제적 가치가 나머지 99.96%가 생산하는 것보다 훨씬 크다는 것을 보여줍니다. 84%가 AI를 쓰지 않는 지금, 0.04% 안에 드는 것은 단순한 기술 습득이 아니라 가장 비어 있는 시장에 가장 먼저 진입하는 것을 의미합니다.
7. AI FOMO가 아닌 AI 중심의 업무생산성 높이는 방법
지금 시장에서 벌어지는 일을 IBM이 정확히 포착했습니다. 2,000명의 CEO를 대상으로 한 설문에서 64%의 CEO가 기술에 대한 명확한 이해 없이도 뒤처질 위험 때문에 AI에 투자한다고 답했습니다. 이것은 FOMO입니다. 두려움에서 비롯된 투자는 MIT 연구에서 확인된 것처럼 생성형 AI 이니셔티브의 95%가 실질적 수익을 내지 못하는 결과로 이어집니다.
그러나 실제로 AI를 체화한 조기 도입자의 결과는 다릅니다. Fullview 조사에 따르면 AI 조기 도입 기업은 투자 1달러당 3.70달러의 가치를 보고했으며, 최상위 집단은 10.30달러를 기록했습니다. Freshworks의 글로벌 연구에서는 AI를 실제 업무에 적용한 직원들이 주당 평균 3시간 47분, 연간 기준으로는 약 24 영업일에 해당하는 시간을 절약한다는 것이 확인됐습니다. 차이는 AI를 쓰느냐 안 쓰느냐가 아니라, 어떻게 조준해서 쓰느냐에서 납니다.
비용 측면도 마찬가지입니다. Claude API를 Mac Mini 같은 로컬 환경에 연결해 개인 워크플로우로 구성하거나, 기업이 전사 도입 대신 핵심 태스크에 집중적으로 API를 투입하는 방식은 월정액 구독 모델 대비 비용 대비 효과를 극적으로 높이는 접근입니다. 실제로 Claude Code는 출시 이후 빠르게 확산되어 2026년 초 기준 연환산 매출 25억 달러 규모에 도달했습니다. 이 수치는 AI를 '쓴다'는 것과 'AI로 무언가를 만든다'는 것 사이의 간격이 얼마나 빠르게 경제적 가치로 전환되는지를 보여줍니다.
AI가 이미 잘 처리하는 업무, 즉 코드 초안 작성, 데이터 정리, 보고서 요약, 정형화된 문서 검토는 적극적으로 위임하고, 그로 확보된 시간을 판단·조율·전략 수립에 투입해야 합니다. Computer & Math 직군의 이론적 적용 가능성은 94%이지만 실제 업무 침투율은 33%입니다. 이 61%p의 간격은 두 가지로 해석됩니다. 하나는 AI가 아직 이 업무들을 완전히 장악하지 못했다는 의미이고, 다른 하나는 이 간격을 빠르게 익혀서 도구화하는 사람이 그만큼의 생산성 우위를 가져간다는 의미입니다.
David Autor와 David Thompson의 2025년 논문 Expertise는 또 다른 중요한 시각을 제공합니다. AI가 특정 태스크를 대체한 이후에도, 남아있는 태스크들은 더 높은 수준의 전문성을 요구하게 된다는 것입니다. 즉, AI 이후의 고임금 직군은 AI가 처리하지 못하는 판단과 맥락 이해, 이해관계자 간 조율 같은 고숙련 영역으로 더욱 집중됩니다. AI를 도구로 쓰는 사람과 AI에 대체되는 사람의 차이는 결국 이 남은 영역에서 얼마나 깊은 전문성을 갖추느냐에 달려 있습니다.
결론: AI로 인한 지식 격차의 종말
출처: Educator AI Learning Assistant - Educator AI Professional
지금까지의 데이터가 가리키는 답은 하나입니다. 연봉이 높을수록 AI에 취약한 이유는, 고연봉 지식노동이 지금껏 희소했기 때문입니다. 법률 문서를 검토하고, 코드를 짜고, 재무 분석을 하는 능력은 오랫동안 습득하기 어렵고, 공급이 제한되어 있었습니다. 그 희소성이 높은 연봉을 정당화했습니다. AI가 바꾸는 것은 그 전제 자체입니다. LLM은 '언어와 논리를 디지털로 처리하는 능력'을 더 이상 희귀하지 않게 만듭니다. 그리고 희소하지 않은 것은 더 이상 비쌀 수 없습니다.
여기서 AI 에이전트는 한 단계 더 나아갑니다. 지금까지 AI는 질문에 답하는 도구였습니다. 에이전트는 목표를 받아 스스로 계획을 세우고, 도구를 선택하며, 여러 단계를 자율적으로 실행하는 시스템입니다. Gartner는 2025년 현재 기업 소프트웨어의 5% 미만에 불과하던 AI 에이전트 탑재 비율이 2026년 말 40%에 이를 것으로 전망합니다. 멀티 에이전트 시스템 관련 문의는 2024년 1분기에서 2025년 2분기 사이 무려 1,445% 급증했습니다. 에이전트 시장 규모는 2024년 약 50억 달러에서 2033년 1,390억 달러로 성장할 것으로 추정됩니다. 이것은 AI가 '보조 도구'에서 '반자율 디지털 직원'으로 전환하는 속도입니다.
이 맥락에서 다리오 아모데이의 발언은 선언에 가깝습니다. 2026년 3월 Nikhil Kamath와의 인터뷰에서 그는 이렇게 말했습니다.
코딩은 가장 먼저 사라진다. 소프트웨어 엔지니어링 전체는 더 오래 걸리겠지만, 무엇을 만들지 결정하고, AI 모델 팀을 관리하는 역할은 남을 것이다. 만약 AI가 당신 업무의 95%를 처리한다면, 당신이 기여하는 나머지 5%는 오히려 100%의 산출물을 지휘하기 때문에 증폭된다.
그리고 2026년 2월, 그는 아예 시한을 못 박았습니다.
2026년 말 또는 2027년 초가 되면, 노벨상 수준의 지적 능력을 갖추고 컴퓨터를 인간처럼 조작할 수 있는 AI 시스템이 등장할 것이다. 나는 이것을 '데이터센터 안의 천재들의 나라'라고 부른다.
이 발언은 과장이 아니라 가속을 설명하는 말입니다. Claude.ai 월 방문자는 2025년 1월 1,600만 명에서 12월 1억 7,600만 명으로 1년 만에 11배 증가했습니다. Deloitte는 전사 47만 명에게 Claude를 도입했고, 비즈니스 고객은 30만 개사를 넘었습니다. 이 속도가 의미하는 것은, '에이전트가 지식노동자를 대체하는 시나리오'가 먼 미래가 아니라 현재 진행 중인 기술 곡선 위에 있다는 사실입니다.
결국 이 모든 흐름이 AI는 지식노동의 한계비용을 0으로 수렴시키는 것으로 귀결됩니다. 법률 조언, 코드 생성, 데이터 분석을 수십억 명이 동시에, 거의 무료로 받을 수 있는 세계에서는 그 능력만으로는 차별화가 불가능합니다. 고연봉이 정당화되어 온 근거, 즉 지식의 희소성이 무너집니다. 아모데이가 경고한 백오피스 화이트칼라의 절반이 1~5년 안에 영향을 받는다는 전망은 AI의 발전으로 인한 앞으로 펼쳐질 실제 결과입니다.
그러나 동시에, 이것은 기회의 재배분이기도 합니다. 전 세계 81억 명 중 AI를 실제 생산 도구로 쓰는 사람이 0.04% 이며, 아모데이가 말하는 95%를 AI에 위임하고 나머지 5%로 100%를 지휘하는 구조는 지금 가장 먼저 이 도구를 깊게 체화하는 사람이 가장 큰 생산성을 만들어낼 수 있다는 것을 뜻합니다. AI로 인해 지식의 희소성이 끝난다면, 그 자리에 새로운 희소성이 생깁니다. AI가 만들어내는 산출물을 올바른 방향으로 지휘하는 판단력, 그것이 AI 시대에 살아남는 필수요건이 될 것입니다.
2026년 3월 5일, Anthropic이 발표한 보고서 Labor market impacts of AI: A new measure and early evidence는 AI 위협에 대한 기존 통념을 정면으로 뒤집습니다. 많은 사람들은 AI가 먼저 단순 반복 작업과 저임금 노동을 대체할 것이라고 생각해왔습니다. 그러나 데이터는 전혀 다른 결과를 보여줍니다. AI에 가장 많이 노출된 직군은 더 많이 교육받고, 더 많이 버는 사람들이었습니다.
원문보기 - Labor market impacts of AI: A new measure and early evidence. Anthropic (2026)
1. 데이터로 보는 AI 노출 직군
출처: Most exposed occupationsTop ten most exposed occupations using our task coverage measure
Anthropic이 이번 보고서에서 새롭게 제시한 지표는 '실측 노출도(Observed Exposure)'입니다. 기존 연구가 AI가 이론적으로 이 업무를 수행할 수 있는가에 집중했다면, Anthropic은 한 발 더 나아가 실제로 Claude가 이 업무에 사용되고 있는가를 측정했습니다. 이를 위해 미국 직업정보 데이터베이스 O\*NET의 약 800개 직종 태스크 데이터, Eloundou et al(2023)의 LLM 이론적 노출 지표(β), 그리고 Anthropic 자체 사용 데이터인 Anthropic Economic Index를 교차 결합했습니다.
세 데이터를 결합해 드러난 사실은 명확합니다. AI의 현재 실제 업무 침투율은 이론적 가능 범위의 극히 일부에 불과합니다. Computer & Math 직군의 경우 이론적 적용 가능성은 94%이지만, 실제 Claude 업무 침투율은 33%에 그칩니다. 이 간격이 시사하는 것은 하나입니다. AI 충격은 이미 시작됐지만, 아직 피크에는 도달하지 않았다는 것입니다.
보고서에서 AI 노출도가 가장 높은 직군은 컴퓨터 프로그래머로, 실제 업무 침투율이 75%에 달합니다. 이어 고객서비스 담당자, 데이터 입력 직원이 67%로 그 뒤를 잇고, 금융 분석가 역시 상위 노출 직군에 포함됩니다. 반면 AI 노출도가 전혀 없는 직종은 전체 근로자의 30%에 달하며, 요리사, 오토바이 정비사, 인명구조원, 바텐더 등 물리적 현장 업무가 이 범주에 속합니다.
이 분류가 주는 통찰은 단순합니다. AI가 대체하는 것은 '힘든 일'이 아니라 '언어와 논리를 다루는 일'입니다. 코드를 작성하고, 고객 문의에 답하고, 데이터를 정리하고, 문서를 검토하는 업무들은 LLM이 가장 잘하는 영역과 정확히 겹칩니다. 이것이 왜 고임금 직군이 더 취약한지를 이해하는 첫 번째 열쇠입니다.
2. 고소득자가 더 취약한 이유
가장 충격적인 발견은 AI 노출도 상위 25% 직군과 노출도 0% 직군의 근로자 특성 비교에서 나옵니다. 노출도가 높은 집단은 그렇지 않은 집단에 비해 평균 47% 더 높은 임금을 받습니다. 학력 면에서는 대학원 이상 학위 보유자가 비노출 집단에서는 4.5%에 불과하지만, 노출 상위 집단에서는 17.4%로 약 4배 차이가 납니다. 성별로는 노출도 높은 집단이 여성일 가능성이 16%p 더 높고, 아시아계일 가능성은 두 배에 달합니다.
이 데이터가 의미하는 바는 명확합니다. AI는 '저숙련·저임금 노동의 위협'이라는 기존 서사를 부정합니다. 더 많이 공부하고, 더 어려운 일을 하며, 더 많이 받는 사람일수록 AI에 먼저 노출됩니다. Eloundou et al.(2023)이 GPT-4를 분석한 논문 GPTs are GPTs에서도 같은 결론이 도출됩니다. 이 논문은 미국 전체 근로자의 약 80%가 업무의 10% 이상을 LLM의 영향을 받을 수 있고, 약 19%는 업무의 50% 이상이 영향권에 들어올 수 있다고 추정하면서, 특히 고임금 직종일수록 LLM 노출도가 더 높다고 명시합니다.
3. AI가 지식 노동을 잠식하는 구조
출처: A.I. Is Going to Disrupt the Labor Market. It Doesn’t Have to Destroy It.
왜 고학력·고임금 직군이 더 취약한가에 대한 구조적 설명은 업무의 성격에 있습니다. 제조업 노동자의 업무가 물리적 조작과 현장 판단에 의존하는 반면, 지식 노동자의 핵심 업무는 정보 처리, 문서 작성, 데이터 분석, 코드 생성 등 '언어와 논리를 디지털 형태로 다루는 작업'입니다. LLM은 정확히 이 영역에서 설계되었고, 최적화되어 있습니다. AI가 '더 빠른 타자기'가 아니라 '더 저렴한 지식 노동자'로 기능하기 시작하면, 가장 먼저 가격 경쟁에 노출되는 것은 지식 노동 그 자체입니다.
Eloundou et al.의 분석에 따르면, LLM 단독으로는 미국 전체 업무의 약 15%를 동일한 품질로 더 빠르게 처리할 수 있습니다. 그러나 LLM 위에 구축된 소프트웨어 툴과 결합했을 때 이 수치는 47~56%로 급증합니다. 이는 현재 '실제 업무 침투율 33%'가 이론적 한계가 아니라, 도구와 워크플로우가 갖춰질수록 확장되는 수치임을 뜻합니다. Anthropic 데이터가 보여주는 이론과 실제의 간격은 위협이 끝난 지점이 아니라, 아직 도달하지 않은 지점입니다.
또한 Anthropic 보고서는 중요한 사실 하나를 확인합니다. ChatGPT 출시 이후 현재까지, AI 노출도가 높은 직군의 실업률에는 통계적으로 유의미한 변화가 나타나지 않았습니다. 대규모 해고가 이루어지고 있다는 증거는 없습니다. 그러나 신호는 이미 다른 곳에서 포착되고 있습니다.
22~25세 청년층을 대상으로 분석한 결과, AI 고노출 직군으로의 신규 취업률이 2022년 대비 14% 하락했습니다. Stanford의 Erik Brynjolfsson 연구팀이 발표한 Canaries in the Coal Mine?(2025) 역시 동일한 연령대에서 AI 노출 직군의 고용이 6~16% 감소했음을 확인했으며, 이는 해고가 아닌 신규 채용 감소에서 비롯된 것이라고 밝혔습니다. AI가 신입 사원이 하던 업무, 즉 코드 초안 작성·데이터 정리·보고서 초안·기본 법률 문서 검토를 흡수하면서, 조직이 신입을 채용하고 훈련시킬 필요 자체가 줄어들고 있는 것입니다.
4. O-Ring 이론: 임계점이 오면 충격은 비선형으로 온다
경제학자 Joshua Gans와 Avi Goldfarb는 2025년 발표한 O-Ring Automation 논문에서 중요한 경고를 제시합니다. O-Ring 모델이란 우주왕복선의 O-링 하나가 고장나서 전체가 폭발하듯, 업무도 모든 태스크에 AI가 침투할 때 비로소 고용 효과가 가시화된다는 이론입니다. 현재처럼 AI가 특정 태스크만 처리하는 단계에서는 고용 충격이 제한적으로 보일 수 있습니다. 그러나 AI 업무 침투율이 임계점을 넘는 순간, 충격은 선형이 아닌 비선형으로 나타날 가능성이 있습니다.
Anthropic 보고서도 이 시나리오를 명시적으로 검토합니다. 만약 노출도 상위 10% 직군 전체가 실직한다면, 해당 집단의 실업률은 3%에서 43%로 폭등하고, 미국 전체 실업률은 4%에서 13%로 뛴다. 물론 이 시나리오가 현실화되지는 않겠지만, 이 수치가 보여주는 것은 AI의 영향력이 집중된 직군에서 얼마나 밀도 높게 잠재해 있는지입니다. 현재의 평온함이 실제 안전을 뜻하지는 않습니다.
5. 전 세계 8억 인구 중 AI로 서비스를 만드는 사람은 몇 명일까?
출처: 2025: The State of Consumer AI | Menlo Ventures
'모두가 AI를 쓴다'는 말이 넘쳐나지만, 데이터는 다른 이야기를 합니다. Menlo Ventures가 2025년 미국 성인 5,031명을 대상으로 실시한 조사에 따르면, 미국 성인의 61%가 지난 6개월 내 AI를 사용한 경험이 있습니다. 이를 전 세계로 환산하면 약 17억~18억 명이 AI를 사용한 셈입니다. 그러나 여기서 중요한 질문이 시작됩니다. 사용한다는 것이 실제로 무엇을 뜻하는가. 2026년 2월 기준, 전 세계 81억 인구를 AI 활용 수준에 따라 분류하면 이렇습니다.
AI 미사용: 약 68억 명, 전체 인류의 84%
무료 챗봇 사용자: 약 13억 명, 16%
유료 구독($20/월): 약 1,500만~2,500만 명, 0.3%
AI로 코딩·서비스 구축: 약 200만~500만 명, 0.04%
이 수치들이 어디서 오는지를 Menlo Ventures 보고서로 검증할 수 있습니다. 보고서는 전 세계 AI 사용자 18억 명이 월 $20씩 구독한다면 이론적으로 연간 4,320억 달러의 시장이 되어야 하지만, 실제 시장 규모는 120억 달러에 불과하다고 밝힙니다. 즉, 유료 전환율은 약 3%에 그칩니다. ChatGPT조차 주간 활성 사용자의 5%만이 유료 구독자로 전환됩니다. '모두가 AI를 쓴다'는 말의 실체는, 대부분이 무료로 가끔 써보는 수준이라는 것입니다.
사용 깊이를 들여다보면 격차는 더 선명해집니다. Menlo Ventures 조사에서 AI 활용 침투율이 가장 높은 영역은 글쓰기(51%), 코딩(47%), 과제·업무 지원(43%)입니다. 그런데 미국 성인 전체 기준으로 보면, 이메일 작성에 AI를 쓰는 사람조차 19%에 불과합니다. 단일 업무에서 AI를 5명 중 1명만 쓴다는 뜻입니다. 즉, AI는 도처에 존재하지만 실제로 업무에 깊게 체화한 사람의 수는 극히 제한적입니다.
AI로 직접 서비스를 만드는 0.04%는 다른 의미를 지닙니다. Menlo Ventures는 코딩 도구 Cursor가 2년 만에 연환산 매출 5억 달러 이상으로 성장하고, Lovable은 출시 1년 이내에 연환산 6,000만 달러 이상에 도달했다고 보고합니다. 이 숫자들은 0.04%가 만들어내는 경제적 가치가 나머지 99.96%가 생산하는 것보다 훨씬 크다는 것을 보여줍니다. 84%가 AI를 쓰지 않는 지금, 0.04% 안에 드는 것은 단순한 기술 습득이 아니라 가장 비어 있는 시장에 가장 먼저 진입하는 것을 의미합니다.
7. AI FOMO가 아닌 AI 중심의 업무생산성 높이는 방법
지금 시장에서 벌어지는 일을 IBM이 정확히 포착했습니다. 2,000명의 CEO를 대상으로 한 설문에서 64%의 CEO가 기술에 대한 명확한 이해 없이도 뒤처질 위험 때문에 AI에 투자한다고 답했습니다. 이것은 FOMO입니다. 두려움에서 비롯된 투자는 MIT 연구에서 확인된 것처럼 생성형 AI 이니셔티브의 95%가 실질적 수익을 내지 못하는 결과로 이어집니다.
그러나 실제로 AI를 체화한 조기 도입자의 결과는 다릅니다. Fullview 조사에 따르면 AI 조기 도입 기업은 투자 1달러당 3.70달러의 가치를 보고했으며, 최상위 집단은 10.30달러를 기록했습니다. Freshworks의 글로벌 연구에서는 AI를 실제 업무에 적용한 직원들이 주당 평균 3시간 47분, 연간 기준으로는 약 24 영업일에 해당하는 시간을 절약한다는 것이 확인됐습니다. 차이는 AI를 쓰느냐 안 쓰느냐가 아니라, 어떻게 조준해서 쓰느냐에서 납니다.
비용 측면도 마찬가지입니다. Claude API를 Mac Mini 같은 로컬 환경에 연결해 개인 워크플로우로 구성하거나, 기업이 전사 도입 대신 핵심 태스크에 집중적으로 API를 투입하는 방식은 월정액 구독 모델 대비 비용 대비 효과를 극적으로 높이는 접근입니다. 실제로 Claude Code는 출시 이후 빠르게 확산되어 2026년 초 기준 연환산 매출 25억 달러 규모에 도달했습니다. 이 수치는 AI를 '쓴다'는 것과 'AI로 무언가를 만든다'는 것 사이의 간격이 얼마나 빠르게 경제적 가치로 전환되는지를 보여줍니다.
AI가 이미 잘 처리하는 업무, 즉 코드 초안 작성, 데이터 정리, 보고서 요약, 정형화된 문서 검토는 적극적으로 위임하고, 그로 확보된 시간을 판단·조율·전략 수립에 투입해야 합니다. Computer & Math 직군의 이론적 적용 가능성은 94%이지만 실제 업무 침투율은 33%입니다. 이 61%p의 간격은 두 가지로 해석됩니다. 하나는 AI가 아직 이 업무들을 완전히 장악하지 못했다는 의미이고, 다른 하나는 이 간격을 빠르게 익혀서 도구화하는 사람이 그만큼의 생산성 우위를 가져간다는 의미입니다.
David Autor와 David Thompson의 2025년 논문 Expertise는 또 다른 중요한 시각을 제공합니다. AI가 특정 태스크를 대체한 이후에도, 남아있는 태스크들은 더 높은 수준의 전문성을 요구하게 된다는 것입니다. 즉, AI 이후의 고임금 직군은 AI가 처리하지 못하는 판단과 맥락 이해, 이해관계자 간 조율 같은 고숙련 영역으로 더욱 집중됩니다. AI를 도구로 쓰는 사람과 AI에 대체되는 사람의 차이는 결국 이 남은 영역에서 얼마나 깊은 전문성을 갖추느냐에 달려 있습니다.
결론: AI로 인한 지식 격차의 종말
출처: Educator AI Learning Assistant - Educator AI Professional
지금까지의 데이터가 가리키는 답은 하나입니다. 연봉이 높을수록 AI에 취약한 이유는, 고연봉 지식노동이 지금껏 희소했기 때문입니다. 법률 문서를 검토하고, 코드를 짜고, 재무 분석을 하는 능력은 오랫동안 습득하기 어렵고, 공급이 제한되어 있었습니다. 그 희소성이 높은 연봉을 정당화했습니다. AI가 바꾸는 것은 그 전제 자체입니다. LLM은 '언어와 논리를 디지털로 처리하는 능력'을 더 이상 희귀하지 않게 만듭니다. 그리고 희소하지 않은 것은 더 이상 비쌀 수 없습니다.
여기서 AI 에이전트는 한 단계 더 나아갑니다. 지금까지 AI는 질문에 답하는 도구였습니다. 에이전트는 목표를 받아 스스로 계획을 세우고, 도구를 선택하며, 여러 단계를 자율적으로 실행하는 시스템입니다. Gartner는 2025년 현재 기업 소프트웨어의 5% 미만에 불과하던 AI 에이전트 탑재 비율이 2026년 말 40%에 이를 것으로 전망합니다. 멀티 에이전트 시스템 관련 문의는 2024년 1분기에서 2025년 2분기 사이 무려 1,445% 급증했습니다. 에이전트 시장 규모는 2024년 약 50억 달러에서 2033년 1,390억 달러로 성장할 것으로 추정됩니다. 이것은 AI가 '보조 도구'에서 '반자율 디지털 직원'으로 전환하는 속도입니다.
이 맥락에서 다리오 아모데이의 발언은 선언에 가깝습니다. 2026년 3월 Nikhil Kamath와의 인터뷰에서 그는 이렇게 말했습니다.
코딩은 가장 먼저 사라진다. 소프트웨어 엔지니어링 전체는 더 오래 걸리겠지만, 무엇을 만들지 결정하고, AI 모델 팀을 관리하는 역할은 남을 것이다. 만약 AI가 당신 업무의 95%를 처리한다면, 당신이 기여하는 나머지 5%는 오히려 100%의 산출물을 지휘하기 때문에 증폭된다.
그리고 2026년 2월, 그는 아예 시한을 못 박았습니다.
2026년 말 또는 2027년 초가 되면, 노벨상 수준의 지적 능력을 갖추고 컴퓨터를 인간처럼 조작할 수 있는 AI 시스템이 등장할 것이다. 나는 이것을 '데이터센터 안의 천재들의 나라'라고 부른다.
이 발언은 과장이 아니라 가속을 설명하는 말입니다. Claude.ai 월 방문자는 2025년 1월 1,600만 명에서 12월 1억 7,600만 명으로 1년 만에 11배 증가했습니다. Deloitte는 전사 47만 명에게 Claude를 도입했고, 비즈니스 고객은 30만 개사를 넘었습니다. 이 속도가 의미하는 것은, '에이전트가 지식노동자를 대체하는 시나리오'가 먼 미래가 아니라 현재 진행 중인 기술 곡선 위에 있다는 사실입니다.
결국 이 모든 흐름이 AI는 지식노동의 한계비용을 0으로 수렴시키는 것으로 귀결됩니다. 법률 조언, 코드 생성, 데이터 분석을 수십억 명이 동시에, 거의 무료로 받을 수 있는 세계에서는 그 능력만으로는 차별화가 불가능합니다. 고연봉이 정당화되어 온 근거, 즉 지식의 희소성이 무너집니다. 아모데이가 경고한 백오피스 화이트칼라의 절반이 1~5년 안에 영향을 받는다는 전망은 AI의 발전으로 인한 앞으로 펼쳐질 실제 결과입니다.
그러나 동시에, 이것은 기회의 재배분이기도 합니다. 전 세계 81억 명 중 AI를 실제 생산 도구로 쓰는 사람이 0.04% 이며, 아모데이가 말하는 95%를 AI에 위임하고 나머지 5%로 100%를 지휘하는 구조는 지금 가장 먼저 이 도구를 깊게 체화하는 사람이 가장 큰 생산성을 만들어낼 수 있다는 것을 뜻합니다. AI로 인해 지식의 희소성이 끝난다면, 그 자리에 새로운 희소성이 생깁니다. AI가 만들어내는 산출물을 올바른 방향으로 지휘하는 판단력, 그것이 AI 시대에 살아남는 필수요건이 될 것입니다.
메타(Meta) AI Agent의 서막, 해커웨이 2.0
빠르게 움직이고, 실행하고, 기존의 틀을 부수고, 다시 쌓는 해커웨이 철학을 바탕으로 세계에서 가장 빠르게 AI 네이티브 조직으로 전환하고 있는 메타(Meta) 기업을 살펴보겠습니다.
AI TREND
2026년 3월 17일
메타(Meta) AI Agent의 서막, 해커웨이 2.0
빠르게 움직이고, 실행하고, 기존의 틀을 부수고, 다시 쌓는 해커웨이 철학을 바탕으로 세계에서 가장 빠르게 AI 네이티브 조직으로 전환하고 있는 메타(Meta) 기업을 살펴보겠습니다.
AI TREND
2026년 3월 17일
AI 시대 생산성 격차를 만드는 북극성지표(NSM)
비약적으로 발전하는 AI 시대에는 방향 있는 학습과 명확한 North Star Metric(NSM) 설정이 문제 해결 속도를 좌우하는 핵심입니다.
MARKETING
2026년 2월 27일
AI 시대 생산성 격차를 만드는 북극성지표(NSM)
비약적으로 발전하는 AI 시대에는 방향 있는 학습과 명확한 North Star Metric(NSM) 설정이 문제 해결 속도를 좌우하는 핵심입니다.
MARKETING
2026년 2월 27일
고객 데이터 집착이 만든 성장, 스포티파이(Spotify)
스포티파이가 0.2초의 집착으로 전 세계 음악 시장을 재편했듯, 데이터 기반의 정교한 실험과 지표 관리는 비즈니스 성장의 첫 출발점입니다.
MARKETING
2026년 2월 19일
고객 데이터 집착이 만든 성장, 스포티파이(Spotify)
스포티파이가 0.2초의 집착으로 전 세계 음악 시장을 재편했듯, 데이터 기반의 정교한 실험과 지표 관리는 비즈니스 성장의 첫 출발점입니다.
MARKETING
2026년 2월 19일
메타(Meta) AI Agent의 서막, 해커웨이 2.0
빠르게 움직이고, 실행하고, 기존의 틀을 부수고, 다시 쌓는 해커웨이 철학을 바탕으로 세계에서 가장 빠르게 AI 네이티브 조직으로 전환하고 있는 메타(Meta) 기업을 살펴보겠습니다.
AI TREND
2026년 3월 17일
AI 시대 생산성 격차를 만드는 북극성지표(NSM)
비약적으로 발전하는 AI 시대에는 방향 있는 학습과 명확한 North Star Metric(NSM) 설정이 문제 해결 속도를 좌우하는 핵심입니다.
MARKETING
2026년 2월 27일
고객 데이터 집착이 만든 성장, 스포티파이(Spotify)
스포티파이가 0.2초의 집착으로 전 세계 음악 시장을 재편했듯, 데이터 기반의 정교한 실험과 지표 관리는 비즈니스 성장의 첫 출발점입니다.
MARKETING
2026년 2월 19일
실험하는 조직이 빠르게 성장하는 법: AB TEST(2)
빠르게 성장하는 조직과 정체된 조직의 차이는 아이디어의 개수가 아닌 얼마나 빠르고 정확하게 가설을 검증하고 그 다음 액션을 수행하는지 입니다.
DATA INTELLIGENCE
2026년 2월 6일
AI TREND
연봉이 높을수록 AI 대체가능성이 높은 이유?
AI가 지식노동의 한계비용을 0으로 수렴시키는 시대에는 지식의 보유가 아닌 AI 산출물을 올바른 방향으로 지휘하는 판단력이 생산성과 경쟁력을 좌우하는 핵심입니다.
위그로스
2026년 3월 26일
2026년 3월 5일, Anthropic이 발표한 보고서 Labor market impacts of AI: A new measure and early evidence는 AI 위협에 대한 기존 통념을 정면으로 뒤집습니다. 많은 사람들은 AI가 먼저 단순 반복 작업과 저임금 노동을 대체할 것이라고 생각해왔습니다. 그러나 데이터는 전혀 다른 결과를 보여줍니다. AI에 가장 많이 노출된 직군은 더 많이 교육받고, 더 많이 버는 사람들이었습니다.
원문보기 - Labor market impacts of AI: A new measure and early evidence. Anthropic (2026)
1. 데이터로 보는 AI 노출 직군
출처: Most exposed occupationsTop ten most exposed occupations using our task coverage measure
Anthropic이 이번 보고서에서 새롭게 제시한 지표는 '실측 노출도(Observed Exposure)'입니다. 기존 연구가 AI가 이론적으로 이 업무를 수행할 수 있는가에 집중했다면, Anthropic은 한 발 더 나아가 실제로 Claude가 이 업무에 사용되고 있는가를 측정했습니다. 이를 위해 미국 직업정보 데이터베이스 O\*NET의 약 800개 직종 태스크 데이터, Eloundou et al(2023)의 LLM 이론적 노출 지표(β), 그리고 Anthropic 자체 사용 데이터인 Anthropic Economic Index를 교차 결합했습니다.
세 데이터를 결합해 드러난 사실은 명확합니다. AI의 현재 실제 업무 침투율은 이론적 가능 범위의 극히 일부에 불과합니다. Computer & Math 직군의 경우 이론적 적용 가능성은 94%이지만, 실제 Claude 업무 침투율은 33%에 그칩니다. 이 간격이 시사하는 것은 하나입니다. AI 충격은 이미 시작됐지만, 아직 피크에는 도달하지 않았다는 것입니다.
보고서에서 AI 노출도가 가장 높은 직군은 컴퓨터 프로그래머로, 실제 업무 침투율이 75%에 달합니다. 이어 고객서비스 담당자, 데이터 입력 직원이 67%로 그 뒤를 잇고, 금융 분석가 역시 상위 노출 직군에 포함됩니다. 반면 AI 노출도가 전혀 없는 직종은 전체 근로자의 30%에 달하며, 요리사, 오토바이 정비사, 인명구조원, 바텐더 등 물리적 현장 업무가 이 범주에 속합니다.
이 분류가 주는 통찰은 단순합니다. AI가 대체하는 것은 '힘든 일'이 아니라 '언어와 논리를 다루는 일'입니다. 코드를 작성하고, 고객 문의에 답하고, 데이터를 정리하고, 문서를 검토하는 업무들은 LLM이 가장 잘하는 영역과 정확히 겹칩니다. 이것이 왜 고임금 직군이 더 취약한지를 이해하는 첫 번째 열쇠입니다.
2. 고소득자가 더 취약한 이유
가장 충격적인 발견은 AI 노출도 상위 25% 직군과 노출도 0% 직군의 근로자 특성 비교에서 나옵니다. 노출도가 높은 집단은 그렇지 않은 집단에 비해 평균 47% 더 높은 임금을 받습니다. 학력 면에서는 대학원 이상 학위 보유자가 비노출 집단에서는 4.5%에 불과하지만, 노출 상위 집단에서는 17.4%로 약 4배 차이가 납니다. 성별로는 노출도 높은 집단이 여성일 가능성이 16%p 더 높고, 아시아계일 가능성은 두 배에 달합니다.
이 데이터가 의미하는 바는 명확합니다. AI는 '저숙련·저임금 노동의 위협'이라는 기존 서사를 부정합니다. 더 많이 공부하고, 더 어려운 일을 하며, 더 많이 받는 사람일수록 AI에 먼저 노출됩니다. Eloundou et al.(2023)이 GPT-4를 분석한 논문 GPTs are GPTs에서도 같은 결론이 도출됩니다. 이 논문은 미국 전체 근로자의 약 80%가 업무의 10% 이상을 LLM의 영향을 받을 수 있고, 약 19%는 업무의 50% 이상이 영향권에 들어올 수 있다고 추정하면서, 특히 고임금 직종일수록 LLM 노출도가 더 높다고 명시합니다.
3. AI가 지식 노동을 잠식하는 구조
출처: A.I. Is Going to Disrupt the Labor Market. It Doesn’t Have to Destroy It.
왜 고학력·고임금 직군이 더 취약한가에 대한 구조적 설명은 업무의 성격에 있습니다. 제조업 노동자의 업무가 물리적 조작과 현장 판단에 의존하는 반면, 지식 노동자의 핵심 업무는 정보 처리, 문서 작성, 데이터 분석, 코드 생성 등 '언어와 논리를 디지털 형태로 다루는 작업'입니다. LLM은 정확히 이 영역에서 설계되었고, 최적화되어 있습니다. AI가 '더 빠른 타자기'가 아니라 '더 저렴한 지식 노동자'로 기능하기 시작하면, 가장 먼저 가격 경쟁에 노출되는 것은 지식 노동 그 자체입니다.
Eloundou et al.의 분석에 따르면, LLM 단독으로는 미국 전체 업무의 약 15%를 동일한 품질로 더 빠르게 처리할 수 있습니다. 그러나 LLM 위에 구축된 소프트웨어 툴과 결합했을 때 이 수치는 47~56%로 급증합니다. 이는 현재 '실제 업무 침투율 33%'가 이론적 한계가 아니라, 도구와 워크플로우가 갖춰질수록 확장되는 수치임을 뜻합니다. Anthropic 데이터가 보여주는 이론과 실제의 간격은 위협이 끝난 지점이 아니라, 아직 도달하지 않은 지점입니다.
또한 Anthropic 보고서는 중요한 사실 하나를 확인합니다. ChatGPT 출시 이후 현재까지, AI 노출도가 높은 직군의 실업률에는 통계적으로 유의미한 변화가 나타나지 않았습니다. 대규모 해고가 이루어지고 있다는 증거는 없습니다. 그러나 신호는 이미 다른 곳에서 포착되고 있습니다.
22~25세 청년층을 대상으로 분석한 결과, AI 고노출 직군으로의 신규 취업률이 2022년 대비 14% 하락했습니다. Stanford의 Erik Brynjolfsson 연구팀이 발표한 Canaries in the Coal Mine?(2025) 역시 동일한 연령대에서 AI 노출 직군의 고용이 6~16% 감소했음을 확인했으며, 이는 해고가 아닌 신규 채용 감소에서 비롯된 것이라고 밝혔습니다. AI가 신입 사원이 하던 업무, 즉 코드 초안 작성·데이터 정리·보고서 초안·기본 법률 문서 검토를 흡수하면서, 조직이 신입을 채용하고 훈련시킬 필요 자체가 줄어들고 있는 것입니다.
4. O-Ring 이론: 임계점이 오면 충격은 비선형으로 온다
경제학자 Joshua Gans와 Avi Goldfarb는 2025년 발표한 O-Ring Automation 논문에서 중요한 경고를 제시합니다. O-Ring 모델이란 우주왕복선의 O-링 하나가 고장나서 전체가 폭발하듯, 업무도 모든 태스크에 AI가 침투할 때 비로소 고용 효과가 가시화된다는 이론입니다. 현재처럼 AI가 특정 태스크만 처리하는 단계에서는 고용 충격이 제한적으로 보일 수 있습니다. 그러나 AI 업무 침투율이 임계점을 넘는 순간, 충격은 선형이 아닌 비선형으로 나타날 가능성이 있습니다.
Anthropic 보고서도 이 시나리오를 명시적으로 검토합니다. 만약 노출도 상위 10% 직군 전체가 실직한다면, 해당 집단의 실업률은 3%에서 43%로 폭등하고, 미국 전체 실업률은 4%에서 13%로 뛴다. 물론 이 시나리오가 현실화되지는 않겠지만, 이 수치가 보여주는 것은 AI의 영향력이 집중된 직군에서 얼마나 밀도 높게 잠재해 있는지입니다. 현재의 평온함이 실제 안전을 뜻하지는 않습니다.
5. 전 세계 8억 인구 중 AI로 서비스를 만드는 사람은 몇 명일까?
출처: 2025: The State of Consumer AI | Menlo Ventures
'모두가 AI를 쓴다'는 말이 넘쳐나지만, 데이터는 다른 이야기를 합니다. Menlo Ventures가 2025년 미국 성인 5,031명을 대상으로 실시한 조사에 따르면, 미국 성인의 61%가 지난 6개월 내 AI를 사용한 경험이 있습니다. 이를 전 세계로 환산하면 약 17억~18억 명이 AI를 사용한 셈입니다. 그러나 여기서 중요한 질문이 시작됩니다. 사용한다는 것이 실제로 무엇을 뜻하는가. 2026년 2월 기준, 전 세계 81억 인구를 AI 활용 수준에 따라 분류하면 이렇습니다.
AI 미사용: 약 68억 명, 전체 인류의 84%
무료 챗봇 사용자: 약 13억 명, 16%
유료 구독($20/월): 약 1,500만~2,500만 명, 0.3%
AI로 코딩·서비스 구축: 약 200만~500만 명, 0.04%
이 수치들이 어디서 오는지를 Menlo Ventures 보고서로 검증할 수 있습니다. 보고서는 전 세계 AI 사용자 18억 명이 월 $20씩 구독한다면 이론적으로 연간 4,320억 달러의 시장이 되어야 하지만, 실제 시장 규모는 120억 달러에 불과하다고 밝힙니다. 즉, 유료 전환율은 약 3%에 그칩니다. ChatGPT조차 주간 활성 사용자의 5%만이 유료 구독자로 전환됩니다. '모두가 AI를 쓴다'는 말의 실체는, 대부분이 무료로 가끔 써보는 수준이라는 것입니다.
사용 깊이를 들여다보면 격차는 더 선명해집니다. Menlo Ventures 조사에서 AI 활용 침투율이 가장 높은 영역은 글쓰기(51%), 코딩(47%), 과제·업무 지원(43%)입니다. 그런데 미국 성인 전체 기준으로 보면, 이메일 작성에 AI를 쓰는 사람조차 19%에 불과합니다. 단일 업무에서 AI를 5명 중 1명만 쓴다는 뜻입니다. 즉, AI는 도처에 존재하지만 실제로 업무에 깊게 체화한 사람의 수는 극히 제한적입니다.
AI로 직접 서비스를 만드는 0.04%는 다른 의미를 지닙니다. Menlo Ventures는 코딩 도구 Cursor가 2년 만에 연환산 매출 5억 달러 이상으로 성장하고, Lovable은 출시 1년 이내에 연환산 6,000만 달러 이상에 도달했다고 보고합니다. 이 숫자들은 0.04%가 만들어내는 경제적 가치가 나머지 99.96%가 생산하는 것보다 훨씬 크다는 것을 보여줍니다. 84%가 AI를 쓰지 않는 지금, 0.04% 안에 드는 것은 단순한 기술 습득이 아니라 가장 비어 있는 시장에 가장 먼저 진입하는 것을 의미합니다.
7. AI FOMO가 아닌 AI 중심의 업무생산성 높이는 방법
지금 시장에서 벌어지는 일을 IBM이 정확히 포착했습니다. 2,000명의 CEO를 대상으로 한 설문에서 64%의 CEO가 기술에 대한 명확한 이해 없이도 뒤처질 위험 때문에 AI에 투자한다고 답했습니다. 이것은 FOMO입니다. 두려움에서 비롯된 투자는 MIT 연구에서 확인된 것처럼 생성형 AI 이니셔티브의 95%가 실질적 수익을 내지 못하는 결과로 이어집니다.
그러나 실제로 AI를 체화한 조기 도입자의 결과는 다릅니다. Fullview 조사에 따르면 AI 조기 도입 기업은 투자 1달러당 3.70달러의 가치를 보고했으며, 최상위 집단은 10.30달러를 기록했습니다. Freshworks의 글로벌 연구에서는 AI를 실제 업무에 적용한 직원들이 주당 평균 3시간 47분, 연간 기준으로는 약 24 영업일에 해당하는 시간을 절약한다는 것이 확인됐습니다. 차이는 AI를 쓰느냐 안 쓰느냐가 아니라, 어떻게 조준해서 쓰느냐에서 납니다.
비용 측면도 마찬가지입니다. Claude API를 Mac Mini 같은 로컬 환경에 연결해 개인 워크플로우로 구성하거나, 기업이 전사 도입 대신 핵심 태스크에 집중적으로 API를 투입하는 방식은 월정액 구독 모델 대비 비용 대비 효과를 극적으로 높이는 접근입니다. 실제로 Claude Code는 출시 이후 빠르게 확산되어 2026년 초 기준 연환산 매출 25억 달러 규모에 도달했습니다. 이 수치는 AI를 '쓴다'는 것과 'AI로 무언가를 만든다'는 것 사이의 간격이 얼마나 빠르게 경제적 가치로 전환되는지를 보여줍니다.
AI가 이미 잘 처리하는 업무, 즉 코드 초안 작성, 데이터 정리, 보고서 요약, 정형화된 문서 검토는 적극적으로 위임하고, 그로 확보된 시간을 판단·조율·전략 수립에 투입해야 합니다. Computer & Math 직군의 이론적 적용 가능성은 94%이지만 실제 업무 침투율은 33%입니다. 이 61%p의 간격은 두 가지로 해석됩니다. 하나는 AI가 아직 이 업무들을 완전히 장악하지 못했다는 의미이고, 다른 하나는 이 간격을 빠르게 익혀서 도구화하는 사람이 그만큼의 생산성 우위를 가져간다는 의미입니다.
David Autor와 David Thompson의 2025년 논문 Expertise는 또 다른 중요한 시각을 제공합니다. AI가 특정 태스크를 대체한 이후에도, 남아있는 태스크들은 더 높은 수준의 전문성을 요구하게 된다는 것입니다. 즉, AI 이후의 고임금 직군은 AI가 처리하지 못하는 판단과 맥락 이해, 이해관계자 간 조율 같은 고숙련 영역으로 더욱 집중됩니다. AI를 도구로 쓰는 사람과 AI에 대체되는 사람의 차이는 결국 이 남은 영역에서 얼마나 깊은 전문성을 갖추느냐에 달려 있습니다.
결론: AI로 인한 지식 격차의 종말
출처: Educator AI Learning Assistant - Educator AI Professional
지금까지의 데이터가 가리키는 답은 하나입니다. 연봉이 높을수록 AI에 취약한 이유는, 고연봉 지식노동이 지금껏 희소했기 때문입니다. 법률 문서를 검토하고, 코드를 짜고, 재무 분석을 하는 능력은 오랫동안 습득하기 어렵고, 공급이 제한되어 있었습니다. 그 희소성이 높은 연봉을 정당화했습니다. AI가 바꾸는 것은 그 전제 자체입니다. LLM은 '언어와 논리를 디지털로 처리하는 능력'을 더 이상 희귀하지 않게 만듭니다. 그리고 희소하지 않은 것은 더 이상 비쌀 수 없습니다.
여기서 AI 에이전트는 한 단계 더 나아갑니다. 지금까지 AI는 질문에 답하는 도구였습니다. 에이전트는 목표를 받아 스스로 계획을 세우고, 도구를 선택하며, 여러 단계를 자율적으로 실행하는 시스템입니다. Gartner는 2025년 현재 기업 소프트웨어의 5% 미만에 불과하던 AI 에이전트 탑재 비율이 2026년 말 40%에 이를 것으로 전망합니다. 멀티 에이전트 시스템 관련 문의는 2024년 1분기에서 2025년 2분기 사이 무려 1,445% 급증했습니다. 에이전트 시장 규모는 2024년 약 50억 달러에서 2033년 1,390억 달러로 성장할 것으로 추정됩니다. 이것은 AI가 '보조 도구'에서 '반자율 디지털 직원'으로 전환하는 속도입니다.
이 맥락에서 다리오 아모데이의 발언은 선언에 가깝습니다. 2026년 3월 Nikhil Kamath와의 인터뷰에서 그는 이렇게 말했습니다.
코딩은 가장 먼저 사라진다. 소프트웨어 엔지니어링 전체는 더 오래 걸리겠지만, 무엇을 만들지 결정하고, AI 모델 팀을 관리하는 역할은 남을 것이다. 만약 AI가 당신 업무의 95%를 처리한다면, 당신이 기여하는 나머지 5%는 오히려 100%의 산출물을 지휘하기 때문에 증폭된다.
그리고 2026년 2월, 그는 아예 시한을 못 박았습니다.
2026년 말 또는 2027년 초가 되면, 노벨상 수준의 지적 능력을 갖추고 컴퓨터를 인간처럼 조작할 수 있는 AI 시스템이 등장할 것이다. 나는 이것을 '데이터센터 안의 천재들의 나라'라고 부른다.
이 발언은 과장이 아니라 가속을 설명하는 말입니다. Claude.ai 월 방문자는 2025년 1월 1,600만 명에서 12월 1억 7,600만 명으로 1년 만에 11배 증가했습니다. Deloitte는 전사 47만 명에게 Claude를 도입했고, 비즈니스 고객은 30만 개사를 넘었습니다. 이 속도가 의미하는 것은, '에이전트가 지식노동자를 대체하는 시나리오'가 먼 미래가 아니라 현재 진행 중인 기술 곡선 위에 있다는 사실입니다.
결국 이 모든 흐름이 AI는 지식노동의 한계비용을 0으로 수렴시키는 것으로 귀결됩니다. 법률 조언, 코드 생성, 데이터 분석을 수십억 명이 동시에, 거의 무료로 받을 수 있는 세계에서는 그 능력만으로는 차별화가 불가능합니다. 고연봉이 정당화되어 온 근거, 즉 지식의 희소성이 무너집니다. 아모데이가 경고한 백오피스 화이트칼라의 절반이 1~5년 안에 영향을 받는다는 전망은 AI의 발전으로 인한 앞으로 펼쳐질 실제 결과입니다.
그러나 동시에, 이것은 기회의 재배분이기도 합니다. 전 세계 81억 명 중 AI를 실제 생산 도구로 쓰는 사람이 0.04% 이며, 아모데이가 말하는 95%를 AI에 위임하고 나머지 5%로 100%를 지휘하는 구조는 지금 가장 먼저 이 도구를 깊게 체화하는 사람이 가장 큰 생산성을 만들어낼 수 있다는 것을 뜻합니다. AI로 인해 지식의 희소성이 끝난다면, 그 자리에 새로운 희소성이 생깁니다. AI가 만들어내는 산출물을 올바른 방향으로 지휘하는 판단력, 그것이 AI 시대에 살아남는 필수요건이 될 것입니다.