# Anthropic, AI가 노동시장에 미치는 영향 보고서 발표 > Clean Markdown view of GeekNews topic #27285. Use the original source for factual precision when an external source URL is present. ## Metadata - GeekNews HTML: [https://news.hada.io/topic?id=27285](https://news.hada.io/topic?id=27285) - GeekNews Markdown: [https://news.hada.io/topic/27285.md](https://news.hada.io/topic/27285.md) - Type: GN+ - Author: [neo](https://news.hada.io/@neo) - Published: 2026-03-08T00:33:51+09:00 - Updated: 2026-03-08T00:33:51+09:00 - Original source: [anthropic.com](https://www.anthropic.com/research/labor-market-impacts) - Points: 13 - Comments: 1 ## Summary AI의 영향이 가장 먼저 닥치는 곳은 **저임금 노동이 아닌 고임금·고학력 직군**입니다. Anthropic의 새 보고서에 따르면 프로그래머가 AI 노출도 1위로, 코딩 자동화의 수혜자이자 잠재적 피해자라는 역설이 드러납니다. 아직 대규모 해고는 없지만, **신입 채용이 조용히 줄어드는 흐름**이 포착되며, 이론적으로 가능한 자동화 영역 중 실제로 구현된 비율은 3분의 1 수준에 그칩니다. AI가 노동시장을 재편하는 과정은 이미 시작됐지만, 그 속도와 방향은 여전히 인간의 선택에 달려 있습니다. ## Topic Body - AI가 가장 많이 위협하는 건 **저소득층이 아니라 고학력·고임금 직군**: AI 피해는 "쉬운 일자리"가 아닌 "**좋은 일자리**"에 먼저 닥침 - **프로그래머가 가장 많이 노출된 직업 1위**. 커버리지 75%로 전체 직군 중 최상위인데, 정작 코딩 에이전트를 가장 많이 쓰는 사람도 개발자 본인이라는 역설적 상황 - **AI 때문에 해고되는 사람은 아직 없지만, 신입 채용 문이 조용히 닫히는 중**: 기존 직원을 자르는 게 아니라 새로 뽑지 않는 방식으로 AI가 사람을 대체 - **이론상 AI가 대체할 수 있는 업무의 대부분은 아직 대체되지 않고 있음**: 컴퓨터&수학 직군의 경우 이론적 커버리지는 94%지만 실제는 33%에 불과. 앞으로 채워질 공간이 그만큼 크다는 경고 - **여성과 고학력자가 AI 대체 위험에 더 많이 노출**되어 여성 비율이 16%p 높음. 흔히 AI가 "남성 블루칼라 일자리"를 위협한다고 생각하지만, 데이터는 정반대를 가리킴 --- ### 주요 발견 (Key Findings) - **‘관측 노출도(observed exposure)’** 는 LLM의 이론적 가능성과 실제 사용 데이터를 결합해 **자동화 중심의 업무 활용 정도를 측정**하는 지표 - 자동화된 사용과 업무 관련 사용에 더 높은 가중치를 부여 - 실제 AI 사용은 이론적 가능성의 일부에 불과하며, **AI가 수행 가능한 작업 중 실제로 사용되는 비율은 낮음** - **노출도가 높은 직업일수록** 미국 노동통계국(BLS)의 **2034년까지 고용 성장률 예측이 낮게 나타남** - **고노출 직업군 종사자**는 평균적으로 **여성 비중이 높고, 학력이 높으며, 임금 수준이 높고, 연령이 많음** - 2022년 말 이후 **실업률의 체계적 증가 증거는 없으나**, **청년층 신규 채용 둔화**가 관측됨 ### 연구 배경 및 목적 - AI의 노동시장 영향을 측정·예측하려는 연구가 급증하고 있으나, **과거 접근 방식의 예측 정확도에는 한계**가 있었음 - 오프쇼어링 취약 직업으로 분류된 일자리의 약 25%가 10년 후에도 견조한 고용 성장을 유지한 사례가 대표적 - 산업용 로봇의 고용 영향 연구들은 상반된 결론을 내리고 있으며, 중국 무역 충격의 일자리 손실 규모도 여전히 논쟁 중 - 이 연구의 목표는 AI가 고용에 미치는 영향을 측정하는 접근 방식을 확립하고, 새 데이터가 생길 때마다 주기적으로 분석을 갱신하는 것 - AI의 영향이 명확해지기 전에 프레임워크를 구축함으로써, 사후 분석보다 **경제적 혼란을 더 신뢰성 있게 식별**할 수 있음 ### 인과 추론과 비교 기준(Counterfactuals) - COVID-19처럼 효과가 크고 급격한 경우 인과 추론이 쉽지만, AI의 영향은 인터넷 확산이나 중국 무역 충격처럼 집계 데이터에서 즉각 드러나지 않을 가능성 - 일반적 접근법은 AI 노출 수준이 높은 직군과 낮은 직군의 결과를 비교해 혼재 변수로부터 AI 효과를 분리하는 것 - 이 연구도 **태스크 기반 접근법**을 따르며, 이론적 AI 능력 측정과 실제 사용 데이터를 결합해 직업 단위로 집계 ### 노출도 측정 방법 - 세 가지 데이터 소스를 결합: - **O\*NET 데이터베이스**: 미국 약 800개 직업의 업무 태스크 목록 - **Anthropic Economic Index** 기반 실제 Claude 사용 데이터 - Eloundou et al.(2023)의 태스크별 이론적 노출도 추정치(β): LLM이 태스크 속도를 2배 이상 높일 수 있으면 1, 추가 도구 필요 시 0.5, 불가능 시 0 - 이론적으로 가능한 태스크도 실제 사용에 나타나지 않는 이유로는 모델 한계, 법적 제약, 소프트웨어 요건, 인간 검증 단계 등이 있음 - 예: "약국에 처방 정보를 전달하고 약 재처방을 승인"은 이론적 노출도 β=1이지만 실제 Claude 사용에서는 관측되지 않음 - 이론적 노출도와 실제 사용은 높은 상관관계를 보이며, 이전 4개 Economic Index 보고서에서 관측된 태스크의 **97%** 가 β=0.5 또는 β=1 범주에 해당 ### 관측 노출도(Observed Exposure) 지표 - **관측 노출도**는 LLM이 이론적으로 속도를 높일 수 있는 태스크 중, 실제 업무 환경에서 **자동화된 형태로 사용되는 비율**을 정량화 - 직업의 노출도가 높아지는 조건: - 해당 태스크가 AI로 이론적으로 가능하고 Anthropic Economic Index에서 유의미한 사용 빈도를 보일 때 - 업무 관련 맥락에서 사용될 때 - 자동화 비율이 높거나 API 구현 방식일 때 (자동화는 full weight, 증강적 사용은 half weight) - AI 영향 태스크가 전체 직무에서 차지하는 비중이 클 때 - 이론적 커버리지(파란색)와 실제 관측 노출도(빨간색)의 차이는 크며, AI는 이론적 능력에 훨씬 미치지 못하는 상태 - Computer & Math 직군: 이론적 커버리지 94%, 실제 커버리지 **33%** - Office & Admin 직군: 이론적 커버리지 90% ### 가장 높은 노출도 직업군 - 관측 노출도 기준 상위 10개 직업 중 상위 3개: - **Computer Programmers**: 커버리지 75% (코딩에 Claude가 광범위하게 사용됨) - **Customer Service Representatives**: 1st-party API 트래픽에서 주요 태스크가 증가 추세 - **Data Entry Keyers**: 소스 문서를 읽고 데이터를 입력하는 주요 태스크에서 자동화가 두드러지며, 커버리지 67% - 전체 노동자의 **30%는 커버리지 0**으로, 태스크가 최소 임계치에 미치지 못함 - 해당 그룹 예시: 요리사, 오토바이 정비사, 라이프가드, 바텐더, 식기세척원, 탈의실 직원 ### 노출도와 BLS 고용 전망의 관계 - BLS의 2024~2034 직업별 고용 성장 전망과 관측 노출도를 비교한 결과, **노출도가 높을수록 성장 전망이 약함** - 커버리지 10%p 증가 시 BLS 성장 전망이 **0.6%p 하락** (고용 수준 가중 회귀 기준) - Eloundou et al.의 이론적 β 지표만으로는 이 상관관계가 나타나지 않음 → 관측 노출도가 독립적으로 더 유효한 예측 지표임을 시사 ### 고노출 직군 종사자의 인구통계적 특성 - ChatGPT 출시 직전(2022년 8~10월) 기준, 노출도 상위 25%와 노출도 0% 그룹을 비교: - 고노출 그룹이 여성일 확률 **16%p 높음** - 백인일 확률 **11%p 높음**, 아시아계일 확률은 약 2배 - 평균 임금이 **47% 높음** - 대학원 졸업자 비율: 비노출 그룹 4.5% vs 고노출 그룹 **17.4%** (약 4배 차이) ### 실업률 분석 결과 - 분석의 우선 지표로 **실업률**을 선택한 이유: 취업 의사가 있으나 일자리를 찾지 못한 상태를 가장 직접적으로 포착하기 때문 - 2016년 이후 실업률 추세를 보면, COVID-19 시기에는 비노출(대면 직업 비중 높은) 그룹의 실업률이 훨씬 크게 상승 - ChatGPT 출시 이후 고노출 그룹의 실업률 변화는 **통계적으로 유의미하지 않음** (소폭 증가하였으나 0과 구별 불가 수준) - 이 프레임워크로 감지 가능한 시나리오 예시: - 상위 10%가 전부 해고될 경우, 해당 그룹 실업률 3% → 43%, 전체 실업률 4% → 13% - "화이트칼라 대침체" 시나리오(상위 25%의 실업률이 3% → 6%로 두 배)도 이 분석으로 감지 가능 ### 청년층 채용 둔화 징후 - Brynjolfsson et al.(2025)은 22~25세 노동자의 고노출 직군 고용이 **6~16% 감소**했으며, 이는 주로 해고 증가보다 **채용 감소** 때문이라고 분석 - 이 연구에서 고노출 직군 청년층의 실업률 자체는 평탄하게 유지됨 - 채용 감소는 실업률로 나타나지 않을 수 있음: 많은 청년 신규 진입자가 CPS에 직업을 등록하지 않거나 노동시장 자체를 이탈할 수 있기 때문 - CPS 패널 데이터를 활용해 **22~25세의 신규 취업률**을 고노출/저노출 직군으로 분리해 추적 - 2024년부터 고노출 직군 진입률이 시각적으로 하락하기 시작 - 저노출 직군의 월 취업률은 2%로 안정적이나, 고노출 직군 진입률은 약 **0.5%p 감소** - ChatGPT 이후 시기 평균 추정치: 2022년 대비 고노출 직군 취업률 **14% 하락** (통계적으로 겨우 유의미한 수준) - 25세 초과 노동자에게서는 이 같은 감소가 관측되지 않음 - 다만 대안적 해석도 존재: 채용되지 않은 청년층이 기존 직장에 머물거나, 다른 직업을 택하거나, 학업으로 복귀했을 가능성 ### 연구의 한계 및 향후 계획 - 현재 사용된 Eloundou et al. 지표는 2023년 초 LLM 능력 기준으로 업데이트 필요 - 향후 Claude 사용 데이터를 지속적으로 반영해 태스크·직업별 커버리지 추이를 업데이트할 계획 - 고노출 분야 학위를 가진 **최근 졸업생**이 노동시장에서 어떻게 대응하는지 추적하는 것이 핵심 후속 과제 - 이 프레임워크는 다른 사용 데이터와 타국의 컨텍스트로 확장 적용 가능 ## Comments ### Comment 52568 - Author: neo - Created: 2026-03-08T00:33:51+09:00 - Points: 1 ###### [Hacker News 의견들](https://news.ycombinator.com/item?id=47268391) - 지난 10년간 **Big Tech**에서 일하다가 한 달 전에 퇴사했음 회사 밖에서 일하니 생산성이 50배는 오른 느낌임 AI가 생산성에 미치는 영향을 보면, LLM은 (1) 보일러플레이트 코드 작성, (2) 언어 간 코드 변환, (3) 새로운 개념 학습과 요약, (4) 문서화 같은 단순 작업에 강함 하지만 대기업에서는 이런 일이 자주 일어나지 않음. 대부분은 회의와 시스템 통합에 시간을 씀 AI가 진짜 도움이 된 건 해커톤 때뿐이었음. 그 외에는 오히려 일이 늘었음 반면 독립적으로 일할 때는 네 가지 모두에서 큰 **생산성 향상**을 체감함. 법적 문제나 배포 버그 걱정도 덜함 결국 “누가 쓰느냐”에 따라 AI는 게임 체인저일 수도, 아닐 수도 있음 - 우리 회사는 거의 모든 내부 업무에 AI를 씀 하지만 AI에게 인생의 **root access**를 주면 실망만 남음. AI는 항상 **아키텍트의 통제**가 필요함 나는 AI가 이메일을 작성하게 하지만, 전송은 내가 직접 함. 데이터 접근은 허용하되 최종 결정은 내가 내림 MongoDB 시절의 교훈 덕분에 신기술에 신중하게 접근함. 지금은 Elixir로 직접 래퍼를 만들고, **Ash framework**와 Phoenix로 자동화를 구축했음 여러 모델을 병렬로 써서 한 회사가 내 데이터를 전부 알 수 없게 함. 진짜 과제는 **프라이버시**임 - 스타트업 창업자이자 초기 멤버로 일해본 입장에서, **FAANG 출신**만 경험한 사람들은 작은 팀의 **소유 기반 생산성**을 잘 모름 - 나도 (1)과 (3)에 가장 많이 의존함. LLM은 일종의 **강화된 Stack Overflow** 같음 하지만 대기업에서는 코드 작성이 전체 업무의 20% 정도라, 나머지 80%가 여전히 병목임 - 결국 **조직 규모가 커질수록 병목은 조율 비용**에서 생김 - 흥미로운데, 수익을 내고 있는지 궁금함. 수익이 없다면 그건 취미 생산성일 뿐, **노동 시장의 생산성**이라 부르긴 어려움 - AI로 생산성 향상을 못 느낀다는 사람들에게 묻고 싶음, 어디서 막히는지? 나는 [이전 댓글](https://news.ycombinator.com/item?id=47271168)에 워크플로우를 설명했는데, **레거시 코드베이스**에서도 절반의 단계를 줄였음 이제는 거의 코드를 직접 안 쓰고, LLM이 제안한 변경을 검토만 함. 결과가 무섭게 좋음 - 해고하는 회사들은 비전이 없음. 우리 비영리 조직은 오히려 **채용 중**임 일이 빨라졌다면 더 많은 일을 하면 됨. 수익을 지역사회에 환원하며 **실질적 가치**를 만들어냄 - LLM은 보일러플레이트 코드나 낯선 코드베이스에서 시작점을 잡을 때 유용함 하지만 복잡한 코드에서는 오히려 **품질 저하**로 이어짐. 유지보수 가능한 코드를 원하면 직접 하는 게 낫음 - 이번 릴리스에서 Claude Code와 Codex로 기능을 구현했는데, **버그 폭발**로 이어짐 초기 구현은 빨랐지만, 디버깅 단계가 훨씬 오래 걸릴 듯함 - AI에게 **feature flag 정리 작업**을 맡겼는데, 사람이 3분 걸리는 일을 15분에 끝냄 지시를 무시하고 코드 정리를 엉망으로 해서 오히려 비용이 5배로 늘었음 그래도 12월 이후 개선됐다는 말이 있어 다시 시도해볼 예정 - 실패율이 너무 높음. 단순 CRUD 수준을 넘어서면 **환각과 과잉 코드 작성**이 심함 Stack Overflow 대체 수준에 머물러 있음 - 나는 코드 작성보다는 **운영과 유지보수**를 담당함 지금까지 AI는 내 업무에 거의 영향을 주지 못했음. 오히려 **Docker**가 훨씬 큰 변화를 줬음 - AI는 예전의 **좋았던 검색엔진** 수준임. 게임 개발에서는 거의 쓸모없음 기본 함수도 잘못 만들고, 논리 오류가 잦음 - 운영 쪽에서도 비슷함. 이메일은 AI가 써주지만, 전체 프로세스는 그대로임 클라우드, Terraform, Ansible 같은 기술들이 훨씬 더 큰 변화를 줬음 - 이건 80년대 **생산성 역설(Productivity Paradox)** 과 비슷함 [위키 문서](https://en.wikipedia.org/wiki/Productivity_paradox)처럼, 기술은 보이지만 통계에는 안 나타나는 시기임 - 우리 회사는 AI 도입으로 **6개월 로드맵을 몇 주 만에** 끝내는 수준임 이제는 **PM과 엔지니어링 매니저 감축**까지 검토 중임. 35년 커리어 중 가장 큰 변화임 - 나도 생산성은 올랐지만 **피로감**이 커졌음 작은 NGO라서 AI 덕분에 더 많은 일을 같은 자금으로 처리함. 덕분에 **학습 속도와 품질**도 향상됨 하지만 일의 양은 줄지 않음. 오히려 더 많은 일을 하게 됨 - 개발자로서 생산성이 두 배로 늘었지만, **업무량은 그대로**임 기대치가 함께 올라가서 결국 **일정만 압축**된 셈임 - “결코 쉬워지지 않는다, 단지 더 빨라질 뿐”이라는 **사이클리스트 명언**이 떠오름 - AI가 일을 줄여주진 않음, 대신 **동료 한 명을 대체**함 - 개발이 백로그와 **기술 부채**를 앞지른 적은 없음 - 관련 개념으로 [**Jevons Paradox**](https://en.wikipedia.org/wiki/Jevons_paradox) 참고 - 목표는 언제나 주어진 시간 안에 최대한 많이 완수하는 것임 - 지금 진행 중인 프로젝트는 **AI 없이는 시도조차 못 했을 규모**임 하지만 여전히 LLM의 출력을 완전히 신뢰하지 않음. **SwiftLint** 돌리기도 두려움 그래도 프로젝트 속도는 엄청나게 빨라졌음. 예전엔 2년 걸리던 걸 한 달 만에 절반 이상 완성함 - 나는 **vibe-coder**인데, 나 혼자 쓰는 앱은 여러 개 출시했음. 혼자일 때는 충분히 가능함 - 나도 LLM을 완전히 신뢰하지 못함. 그래서 **Cursor**처럼 diff를 직접 검토할 수 있는 UX를 선호함 - 코드가 린터를 통과하도록 **hook 자동화**를 쓰지 않는 이유가 궁금함 - AI의 실제 영향은 크지 않다고 봄 AI를 잘 쓰는 사람은 살짝 더 생산적이지만, 그걸 드러내면 **업무가 10배 늘어남** 진짜 변화는 **인디 개발자나 프리랜서**에게 있음 - 회사는 채용을 멈추고 **토큰 예산만 늘림**, 효과는 불분명함 - 만약 모두가 10배 생산적이라면 **Electron이 아닌 네이티브 앱**이 나왔어야 함. 현실은 그렇지 않음 - 2025년 12월 이후 수치 변화를 지켜보고 싶음 - AI 제품을 파는 회사의 말은 **신뢰하지 않음** - 자기 제품의 **장기 전망을 부풀리는 지표**를 새로 만들어낸 게 웃김 - IPO를 노리고 있음 - 결국 이런 기술은 **대중이 아닌 기업 의사결정용 도구**로 귀결됨 - 마케팅 부서 동료는 회사 승인 LLM(Gemini)으로는 **가짜 업무**만 하고, 진짜 일은 개인 계정의 **Claude**로 처리함 이유는 회사가 프롬프트를 수집해 **자신의 대체 모델을 학습시킬까 두렵기 때문**임 - 하지만 실제로는 개인 계정이 학습에 쓰일 가능성이 더 높음. 완전 유료 계정이 아니면 **프롬프트 학습 제외**가 안 됨 - 회사에서 **주니어 채용을 중단**했음 이제는 그들이 하던 일을 AI에게 맡기는 게 더 효율적임 다만 이건 일시적 조정기임. 앞으로 **전문성의 형태**가 바뀌면 다시 채용이 재개될 것임 - 오히려 AI를 잘 다루는 **저비용 주니어**를 더 뽑는 게 합리적임 문제는 AI가 아니라 **수익 구조**와 같은 거시경제 요인임 - 혹시 Claude 로그에서 **노출 빈도만으로 영향력을 추정**한 건 아닌지 의문임 그건 마치 **스네이크 오일 판매자**가 자기 고객을 조사해 “의사가 필요 없다”고 주장하는 꼴임 데이터 해석이 완전히 **왜곡된 전제** 위에 서 있음