일자리에 무슨 일이 벌어지고 있나? AI 과대광고와 현실 구분하기

 (siepr.stanford.edu)
1P by GN⁺ | ★ favorite | 댓글 1개
  • 현재 데이터에서는 AI 노출도가 높은 직종의 대규모 고용 감소가 확인되지 않지만, 신규 졸업자와 젊은 사무직의 채용 부진에는 AI가 일부 영향을 미쳤을 가능성이 있음
  • 2022년 이후 실업률은 AI 노출 상위 20% 직군에서 0.77%p, 하위 20% 직군에서 0.85%p 상승해 AI발 실직보다 노동시장 전반의 둔화에 가까움
  • 생성형 AI는 고객 지원·코딩·글쓰기·법률 업무 등의 속도를 대체로 높였지만, 효과는 직무와 숙련도에 따라 달랐으며 부정확성·잘못된 조언·창의성 획일화도 나타남
  • 기업의 AI 도입률은 조사에 따라 약 20%에서 80% 이상까지 차이가 나며 빠르게 상승했지만, 대부분은 일부 기능의 실험·파일럿 단계에 머물러 고용에 미친 영향도 아직 작음
  • 초기 증거만으로 AI의 장기적 고용 효과를 확정할 수 없으며, 도입 속도와 조직 재편 기간이 노동시장 충격의 규모와 정책 대응 여력을 좌우함

대규모 AI발 실직을 뒷받침하는 증거는 아직 부족함

  • AI가 가까운 시일 내 사무직 노동시장을 크게 흔들 것이라는 우려가 커졌으며, Anthropic CEO Dario Amodei는 AI가 사무직 일자리의 절반을 없애고 실업률을 20%까지 높일 수 있다고 예측함
  • 현재 집계 데이터에서는 AI가 이미 심각한 일자리 감소를 일으켰다는 증거가 거의 없음
    • 2022년 이후 실업률은 AI 노출 상위 20% 직군에서 0.77%p, 노출 하위 20% 직군에서 0.85%p 상승함
    • 이는 AI 노출 직군만의 충격보다 노동시장 전반의 약화를 가리킴
  • AI 노출도가 높은 직종의 고용 추세도 비교적 안정적임
    • 코딩 비중이 높은 직종의 고용 증가세는 둔화했지만 여전히 플러스임
    • AI 도입이 기업의 채용 공고를 줄였다는 증거는 없음
    • 소프트웨어 개발자 채용 공고는 최근 1년간 다른 직종보다 빠르게 증가함
  • 기업용 AI를 도입한 회사의 고용은 이후 2년간 10% 증가했으며, 직원 1인당 AI 지출이 가장 많은 기업이 증가세를 주도함
  • AI를 이유로 든 해고 발표도 실제 원인은 서로 다름
    • 일부 제한적 감원은 AI 자동화와 관련될 수 있음
    • 다른 감원은 AI 투자용 현금 확보나 팬데믹 시기 과잉 채용 조정에서 비롯된 것으로 보임
    • 인사 담당자들은 직접적인 해고보다 직무 통합과 자동화 가능한 직무의 신규 채용 회피에서 AI의 영향이 더 뚜렷하다고 봄
  • 집계 통계에 드러나지 않는 일부 집단의 충격은 존재할 수 있으며, 특히 젊은 사무직 노동자 수요에서 부정적 신호가 나타남

신규 졸업자 채용 감소와 AI의 관계

  • 신규 졸업자 실업률은 2026년 초 5.6% 로 올라 3년 전보다 1.6%p 상승함
  • 초급 직무에는 일상적인 조사·분석·글쓰기처럼 AI가 상당 부분 수행할 수 있는 작업이 많아 신규 채용 수요가 약해질 수 있음
  • Brynjolfsson·Chandar·Chen의 연구에서는 2022년 ChatGPT 출시 이후 소프트웨어 개발자와 고객 서비스 담당자 등 AI 노출 직종의 초기 경력자 고용이 뚜렷하게 감소함
    • 같은 직종의 고연령 노동자 고용은 비교적 안정적이거나 계속 증가함
    • 연구진은 젊은 노동자를 AI 노동시장 충격을 먼저 겪는 “탄광 속 카나리아”에 비유함
    • 미국과 영국의 후속 연구에서도 2022년부터 젊은 AI 노출 노동자의 채용에 유사한 부정적 효과가 확인됨
  • 다만 감소 시점은 AI만으로 설명하기 어려움
    • 2022년 당시 AI 모델의 역량은 매우 제한적이었음
    • 미국 연방준비제도는 ChatGPT 공개 수개월 전인 2022년 3월부터 인플레이션에 대응해 금리를 공격적으로 인상함
    • 두 연구에서는 AI 노출 직종의 채용 감소가 통화정책 전환 이후이자 ChatGPT 출시 이전에 시작됐다고 분석함
    • 팬데믹 시기 과잉 채용과 원격근무 확대도 영향을 줄 수 있음
  • 원격근무는 현장 학습을 늦춰 젊은 노동자 채용의 가치를 낮출 수 있으며, 팬데믹 이후 원격근무 친화적 직종의 채용은 경력자 쪽으로 기울기 시작함
  • 교란 요인을 통제한 추가 분석에서는 초급 노동자의 고용 감소가 2024년부터 두드러짐
    • 2022년 전후 감소에는 AI 이외의 요인이 작용했을 가능성이 있음
    • 2024년에는 AI 도입과 모델 역량이 크게 발전해 직접적인 AI 영향의 개연성이 높아짐
  • 2022년 무렵 초급 AI 노출 직종의 채용이 크게 감소한 것은 분명하지만, AI의 인과적 영향을 거시경제 충격과 분리하는 문제는 아직 해결되지 않음

생산성은 대체로 향상됐지만 효과가 고르지 않음

  • 실험에서는 챗봇과 코딩 도구가 경력과 성과가 낮은 노동자의 업무 성과를 상대적으로 크게 높이는 경우가 많았음
  • 대형 콜센터의 생성형 AI 도우미는 전체 생산성을 15% 향상함
    • 초보·저숙련 상담원이 시간당 해결한 문제 수는 30% 늘어남
    • 고숙련 상담원에게는 성과 개선이 없었고 응답 품질이 소폭 하락함
  • GitHub Copilot 실험에서는 소프트웨어 개발 작업이 56% 빨라졌으며, 개선 폭은 경험이 적은 개발자에게 집중됨
    • 별도의 기업 현장 실험에서는 회사에 따라 개발 생산성 효과가 10~30%로 나타남
  • ChatGPT는 모든 숙련도 집단의 글쓰기 시간을 줄였고, 글쓰기 능력이 낮은 노동자의 결과물 품질도 높임
  • 젊은 변호사의 계약서 작성 등 법률 업무와 의료 기록 작성에서도 속도 향상이 관찰됨
    • 의료용 AI 기록 도구의 효과는 작았으며, 간헐적인 부정확성 때문에 의사의 감독이 필요했음
  • 각 연구는 작업 종류와 기간이 다르고 일부는 무작위 실험이 아니어서 효과 크기를 직접 비교하기 어려움

작업별로 달라지는 역량과 판단 비용

  • AI 성능은 적용 작업에 따라 크게 긍정적이거나 부정적인 들쭉날쭉한 경계(jagged frontier) 를 보임
  • 실제 직장에서는 직원이 AI를 언제 어떻게 사용할지 결정하고, 결과가 유용한지 또는 추가 수정이 필요한지 판단해야 함
  • 케냐 기업가 대상 실험에서는 저숙련 기업가가 AI를 쓰지 않고 사업을 성장시킨 집단보다 매출과 이익이 낮았음
    • 저숙련자는 자신의 상황에 맞지 않는 일반적인 AI 조언을 실행할 가능성이 높았음
    • 성과가 좋은 기업가는 사업 요구에 더 적합한 제안을 추출함
  • AI는 개인 결과물의 품질을 높이면서 집단의 아이디어 다양성을 줄일 수 있음
    • 창작 글쓰기에서는 저숙련자의 이야기 품질이 향상됐지만, AI를 사용한 이야기들은 인간이 작성한 이야기보다 서로 훨씬 비슷했음
    • AI 도구를 도입한 과학자는 논문을 더 많이 발표했지만, 연구되는 전체 주제 수와 과학자 간 교류는 감소함

개별 작업의 개선이 경제 전체 생산성으로 이어지지 않는 이유

  • AI가 수익성 있게 단축할 수 있는 작업의 비중은 경제 전체에서 아직 작을 수 있음
  • AI가 지원하지 못하는 공정의 병목이 전체 생산성 향상을 제한할 수 있음
  • 기업은 새로운 기술을 도입할 때 업무 기능을 재편하고 보완 투자를 해야 하므로 측정 생산성이 초기에 오히려 하락할 수 있음
  • 실험에서 확인된 효과는 대부분 특정 작업과 짧은 기간을 대상으로 하므로 경제 전체의 장기 생산성 효과와 같지 않음
  • AI가 결국 생산성을 높일 가능성은 있지만, 현재 기업 도입 속도에서는 총생산성 통계에 아직 나타나지 않을 수 있음

빠르지만 불균등한 기업 도입

  • AI 전환이 3년에 걸쳐 일어나는지 20년에 걸쳐 일어나는지는 정책 문제를 크게 바꿈
    • 급격한 전환은 많은 노동자를 동시에 밀어낼 수 있음
    • 느린 전환은 노동자와 정책 담당자에게 적응할 시간을 줌
  • 기업 조사들은 모두 AI 사용이 빠르게 증가한다고 보지만, 도입률 추정치는 크게 다름
    • 미국 인구조사국의 전국 대표 조사 BTOS는 약 20%의 기업이 AI를 사용한다고 추산함
    • 미국 기업 임원 대상 조사에서는 직원의 80% 이상이 업무에서 AI를 사용함
    • Ramp 고객사 중 50% 이상이 AI 도구나 공급업체에 비용을 지출함
    • 전국 대표 가구 조사에서는 취업 응답자의 40% 이상이 직장에서 AI를 사용함
  • 수치 차이는 조사 방법과 표본 구성에서 비롯됨
    • 대기업의 AI 도입률이 높아 고용 규모로 가중한 비율은 단순 기업 수 기준보다 높음
    • Ramp 표본은 전체 기업을 대표하지 않으며 AI 도입률이 높은 기술 기업에 치우침
    • 연방준비제도 연구는 전국 표본을 사용하는 인구조사국의 낮은 추정치를 선호할 근거가 있고, 고용 가중치를 적용하면 조사 간 차이가 상당히 줄어든다고 봄
  • AI 도입은 기술 기업과 금융 같은 정보 집약 산업에 집중됨
    • 가장 일반적인 적용 영역은 영업·마케팅, IT, 전략, 재무, 회계임
    • 도입 기업도 한두 개 업무 기능에 제한하거나 여러 작업에서 낮은 빈도로 사용하는 경우가 많음
    • 포괄적인 AI 통합은 예외이며, McKinsey 조사에서는 대부분이 실험·파일럿 단계이고 소수 대기업만 확장 배포를 주도함
  • 현재 기업의 AI 도입이 고용에 미친 영향은 작음
    • 인구조사국 데이터에서 고용 영향이 있다고 답한 기업은 5%였고, 증가와 감소 응답 수가 같았음
    • Atlanta Fed 조사 임원의 80%는 AI 투자가 아직 직원 수나 생산성을 바꾸지 않았다고 답함
    • 덴마크 연구에서는 AI가 노동자의 작업과 시간 배분을 재편했지만 고용·근로시간·소득에는 아직 영향을 주지 않음
    • AI 도입 기업의 고용이 이후 2년간 10% 증가했다는 연구 결과도 있음

초기 증거가 장기적 미래를 결정하지는 않음

  • 과거 기술 혁신은 기업과 노동시장을 바꾸기까지 수년에서 수십 년이 걸렸음
  • Robert Solow는 1987년 “컴퓨터 시대는 생산성 통계를 제외한 모든 곳에서 볼 수 있다”고 말함
    • 1980년대 기업들은 PC에 대규모 투자했지만, 효과를 얻으려면 기업용 소프트웨어와 노동자 재교육, 조직 재편이 추가로 필요했음
    • 이런 도입 마찰 때문에 컴퓨터 혁명의 측정 가능한 경제적 성과는 1990년대 후반이 되어서야 나타남
  • AI를 바라보는 전망은 크게 갈림
    • 정상 기술(normal technology) 로 보는 쪽은 AI가 과거 기술처럼 변혁적이지만 점진적으로 확산할 것으로 봄
    • 다른 쪽은 이르면 2027년에 세계를 바꾸는 효과가 나타날 것으로 예상함
  • 정상 기술 전망을 뒷받침하는 강한 근거는 과거 기술 혁명이 일부 직종의 노동 수요를 없애거나 줄이는 동시에 새로운 일자리와 산업을 만들었다는 역사임
    • 일과 경제의 성격은 변했지만 총고용은 증가함
  • AI가 과거와 다르다고 보는 쪽은 빠른 도입 속도, 인지 노동에 대한 불균형한 영향, 하나의 직종이 아니라 광범위한 사무직에 걸친 특성을 근거로 삼음
  • 어느 전망이 맞더라도 기술 혁명은 개인에게 큰 충격을 줄 수 있으므로, 노동시장 변화를 신속히 파악하고 가능한 정책 대응을 준비해야 함

함께 보면 좋은 글 β

GN⁺   [-]
Hacker News 의견들

  • 토론을 열자마자 최상위 댓글 두 개가 정반대임. 하나는 AI가 기존 고성과자의 생산성을 더 높여 80:20을 99:1로 만든다고 하고, 다른 하나는 LLM이 평균 이하를 끌어올리지만 숙련자는 방해해 평균으로 수렴시킨다고 함

    • 반대쪽 체감도 진솔하다고 보지만, 소프트웨어의 한계비용이 거의 0이라 효율적 시장의 소비는 AI를 쓰는 시니어가 만든 최상급 제품에 집중될 것임. 생산량은 AI를 쓰는 주니어가 지배하더라도 실제 사용되지 않는다면 진정한 생산성인지 의문이며, 나도 주니어 3명을 해고하고 혼자 일하게 됐고 비슷한 경우를 많이 봄
      쉬운 일이 끝나면 어려운 일만 남아 주니어는 더 진행하지 못할 수 있음. 관료적인 회사는 쉬운 일을 대량으로 만들어내므로 Jira 티켓 처리량을 생산성으로 측정하면 주니어의 AI 생산성 향상이 훨씬 크게 보일 것임
    • 몇 주 전 실제 기능 개발에 Codex를 쓰기 시작하기 전에는 ChatGPT로 사소한 일만 처리했고, 깊은 문제 해결에는 Codex가 맞지 않을 거라 여겼지만 틀렸음. 이 도구들이 얼마나 똑똑한지 몰랐음
      지금은 나와 프런트엔드 개발자 2명, 풀스택에 가까운 개발자, 테스터, 제품 담당자 2명, PM으로 구성된 대형 프로젝트를 나와 테스터만으로 더 효율적으로 수행할 수 있다고 봄. 20년 만에 SQL을 다시 써도 느려지지 않고, CSS·기능·테스트까지 혼자 빠르게 처리 가능함
      원래 프로젝트당 개발자 1~2명인 작은 조직이라 대형 프로젝트 운영이 엉망이고 소통에 노력의 80%를 낭비함. 초반 범위와 UI/UX 패턴에는 제품팀이 유용했지만 이후에는 구체적인 디자인 요청만 맡기고, 철저한 테스터가 특이한 경계 조건을 잡아주면 충분함
      내가 천재라는 뜻이 아니라 여러 분야에서 적당히 유능할 뿐인데도, 숙련된 풀스택 개발자가 UX 감각과 이해관계자 관리 능력까지 갖추고 이 도구를 쓰면 가능한 일이 무서울 정도임
    • 몇 겹 벗겨보면 꼭 모순은 아님. 주니어의 50% 향상은 시니어의 10%보다 절대량이 작을 수 있어 수익 체감이 파레토 분포와 양립 가능함
      향상이 주니어에게 집중된다는 결과도 배정 업무의 차이일 수 있음. 시니어가 주니어 업무를 하면 1,000% 빨라질 수 있지만, 실제 어려운 일은 시니어에게 몰리고 이제는 Claude로 쉽게 처리되지 않는 일 자체가 어려운 일로 분류됨
    • 효과는 업무·언어·경력에 크게 좌우됨. 저성과자는 평범한 개발자 수준의 속도를 내기 시작했지만 대부분 재작업이 필요한 조잡한 결과를 만들었음. 다만 반복 속도가 빨라져 학습도 빨라지는 듯하므로 장기적으로는 생산적이 될 가능성이 있음
      고성과자는 업무를 매우 빠르게 끝내 품질과 절차에 집중하면서 잘 다듬어진 소프트웨어를 만들지만, PM들이 이를 알아차리고 스프린트에 일을 계속 추가하면서 악화되기 시작함
      더 놀라운 점은 더 이상 분야별 전문가(SME) 일 필요가 없다는 것임. Android 경험이 전혀 없는 소규모 팀이 이식하기 까다로운 제품 기능을 몇 달 만에 거의 버그 없이 출시했으며, AI가 없었다면 최소 반년 이상 걸렸을 것임. 전날 “무슨 뜻인지도 모르겠다”고 하던 일이 다음 날 완료되는 수준임
    • 가장 황당한 건 더 빠른—더 낫다고는 하지 않겠음—코드 생성기가 인류의 문제를 해결할 거라 믿는 태도임

  • 이런 연구의 난점은 Claude Code와 OpenAI Codex 같은 코딩 에이전트가 11월 말에야 제대로 작동하기 시작했고, 12월 휴가 때문에 많은 사람이 실제로 쓴 시점은 1월 초였다는 것임. OpenClaw, Anthropic Copilot, ChatGPT “Work” 같은 범용 에이전트는 더 늦었음
    2022~2025년의 대화형 시스템보다 업무에 미치는 영향이 훨씬 클 수 있으므로, 2025년 말까지만 다룬 연구는 실질적인 성능 도약을 놓쳤을 가능성이 있음

    • 1월 말 대형 기술 기업에서 팀 전체가 해고됐고 명목상 이유는 AI였지만 실제로는 2022년 과잉 채용 때문이라고 봄. 큰 노력 없이 4월에 새 직장을 구했고, 채용 회사는 여전히 개발자를 뽑으며 내 자격에 맞는 사람을 찾는 데 오래 걸렸다고 했음
      Claude를 쓰지만 다른 곳에서 본 AI 광신도 거의 없었고, 이것도 구직의 중요한 필터였음. 일자리 감소 서사는 크게 과장됐으며 Anthropic과 OpenAI 및 그 대변자들의 파멸 마케팅에 가깝다고 봄
    • “이제야 정말 잘 작동하기 시작했다”는 해가 2026년인지 2025년인지 2024년인지 2023년인지 모르겠으며, 너무 많이 들은 이야기임
    • 작년 이맘때보다 채용 담당자의 접촉이 훨씬 늘었지만 기술 자체보다 과대광고 주기와 더 밀접해 보임. 창업자들은 거대 산업이나 제품을 에이전트 우선 대체재로 바꾸면 큰돈을 벌 수 있다고 VC를 설득하고, 그 자금으로 코딩 에이전트를 관리·실행·조정할 사람을 더 채용함
      작년에는 “같은 소프트웨어를 더 적은 인원으로 만든다”는 분위기였지만 지금은 “다른 종류나 방식의 소프트웨어를 만든다”는 기대 속에 초기 기업들이 성장 중임. 다만 미래 인력 규모나 성공 여부는 보장하지 않음
      비스타트업 기업에서는 여전히 해고 위협과 AI 도구 사용 압박이 있으며, 장시간 실행되는 에이전트가 레거시 코드에서 신중한 감독 없이도 고장 없이 효과적인지는 확신이 엇갈림
    • 기업들은 2026년 1월 훨씬 전부터 AI를 해고 명분으로 사용해 왔으므로 연구 결론과도 맞음(출처). 2026년부터 증가세가 있지만 실제 AI발 해고일 수도, AI가 더 좋은 해고 명분이 된 것일 수도 있음
    • 영향은 주로 소프트웨어 개발에 집중됐고 법률·금융 등에서는 광범위한 자동화와 해고가 보이지 않음. LLM의 기억력·신뢰성·장기 계획에는 현실적인 장벽이 있어 점진적으로 진행될 것임
      소프트웨어 개발이 완전히 변했어도 2027년에 개발자가 필요 없어지거나 수가 50% 감소한다고 믿는 사람은 많지 않아 보임

  • 생산성은 파레토 분포를 따르며 AI는 이미 생산적인 사람을 비례적으로 더 생산적으로 만드는 날카로운 도구임. AI 지능이 높아질수록 80:20이 90:10, 95:5, 99:1로 변할 수 있음
    기업 관료제는 느리게 변하지만 최고 성과자가 나와 더 작은 경쟁사를 만들면 중대형 기업이 소기업으로 대체되는 변화는 빠를 것임. 효율적인 기업 간 경쟁은 소비자 잉여를 늘리는 동시에 대규모 경제적 이탈과 세수 기반 붕괴를 낳을 수 있음
    AI가 최근에야 이 정도로 좋아졌고 경쟁사 설립에도 시간이 필요해 후행 지표에는 아직 드러나지 않을 것임. 나도 틈새 산업의 최고급 소프트웨어보다 나은 제품을 사실상 무료로 제공하면서 큰돈을 벌 수 있는 상품화를 진행 중이며, 경쟁자에게 이를 알릴 이유가 없음. 여러 산업에서 같은 일이 벌어지면 세계가 완전히 바뀔 수 있음

    • 중대형 기업이 따르는 수많은 규제와 직원 지원 체계를 스타트업 소유자나 직원이 감당하기는 어려움. 그런 업무로 넘어가는 순간 정의상 더 이상 스타트업이 아님
      다중 클라우드·다중 지역 배포부터 지역 규제, 회계, 세금, 법률까지 관료제를 처리하는 매우 똑똑한 로봇이 있어야 하며, 지금은 SAP 같은 기업이 이런 역할을 함. 그런 자동화가 가능해지면 우리가 아는 형태의 회사 자체가 필요 없는 상황에 가까워짐

  • 실업률 차트가 코로나 발생 전부터 1년 이상 완만하게 상승하는 이유가 의문임. BLS 자료는 2020년 3월에 갑자기 급등함(자료)
    또 2015년의 “AI 노출”이 무엇인지 불분명함. 당시 LLM은 없었고 인용 논문의 5분위 구분은 사실상 AI가 아니라 컴퓨터 사용량에 가까움. 체스를 두는 AI와 실제 업무를 수행하는 LLM을 구별해야 하며, 후자는 등장한 지 아마 1년 정도밖에 안 됐음

    • 16%짜리 최고점을 잘라내고 시간 지연 평활화를 적용한 것으로 보임. 점 데이터 자체는 BLS에 더 가까움

  • 최근 채용 시장에서 내 자격을 확인해 봤고, 조직 내 단독 개발자로 지난 18개월간 충분히 최신 흐름을 따라왔다고 생각했지만 결과는 가혹했음. 기업들이 에이전트형 AI 경력 4년을 요구하고 있었음
    결국 모두가 내용을 지어내고 있으며, 기본 원리는 이해하지 못한 채 과대광고를 믿어서 누구도 넘을 수 없는 기준을 세운 것임. AI 네이티브 역량을 쌓아도 AI 네이티브 직무에는 자격 미달이 됨

    • 2023년에 Auto-GPT를 만져봤다면 내년에 에이전트 경력 4년을 채울 수 있음. 물론 당시 방식과 지금 방식은 겹치는 부분이 거의 없고, 작년과 올해를 비교해도 비슷한 느낌임. Anthropic은 모델에 상식이 생겼다며 시스템 프롬프트 대부분을 삭제하기도 했음
      그래도 오래된 모델이나 제약이 비슷한 최신 소형 모델을 만져보는 데는 가치가 있음. 세심한 문맥 관리와 잘 만든 예시 같은 습관은 최신 모델에도 통하며 성능을 높이고 비용을 줄여줌. 가능하면 말로 설명하기보다 보여줘야 함
      매우 흥미롭고 재미있었던 기본·텍스트 모델이 사라진 것은 아쉬움
    • 다른 지원자들이 자동 탈락하는 채용 담당자·인재 확보 단계를 통과하면 되므로, 오히려 허술한 기준을 유리하게 활용해야 함
    • 지금의 과대광고도 문제지만, 1999년에 Java 경력 5년을 요구하던 기업들이 떠오름. 아마 Gosling과 동료들만 채용하려 했던 모양임
    • 채용 공고의 요건은 실제 필수 조건이 아니라 희망 목록에 가까움. Y 기술 X년을 요구해도 X-1년이라고 지원을 포기할 필요가 없으며, 회사도 모든 조건을 충족할 사람을 기대하거나 각 항목을 크게 중시하지 않을 수 있음
      “경력 X년”도 문자 그대로의 기간보다 숙련도의 대리 지표임. 그 일을 X년 한 평균적인 사람만큼 잘하고 이를 입증할 수 있다면 충분함
    • HR은 늘 요구 경력을 부풀림. Java 1.0 출시 당시에도 4~5년 경력을 요구했으니, 업무를 모르는 사람이 채용 공고를 작성하는 문제는 수십 년째 이어지고 있음

  • 짚어야 할 핵심이 두 가지 있음. 첫째, 도표 3의 생산성 연구 대부분은 2023~2024년 자료라 Copilot이 높은 수치를 기록했으며, 당시에는 강력한 자동 완성 수준이고 코딩 에이전트가 폭발적으로 보급되기 전이었음
    둘째, 미국인의 50% 이상이 매주 AI를 쓴다고 자가 보고하지만 실제 사용은 근무 시간의 6% 뿐이어서, Google 연구가 표현한 “넓지만 얕은 사용”에 해당함
    같은 조사에서 절약된 시간은 근무 시간의 2%로 나타나 AI 사용 시간당 생산성 향상이 30%를 넘으며, 여러 산업과 통제 연구 결과에도 부합함. 일부 경제학자는 이 정도의 낮은 도입률만으로도 국가 단위 노동생산성 통계에 영향이 나타난다고 봄
    6%는 매우 낮으므로 고용 영향은 이제 시작일 수 있음. 자가 보고와 미시·거시 수치상 유용성이 확인되는 만큼 사용자와 업무 범위가 모두 늘어날 것이며, 영향은 서서히 진행되다가 갑자기 폭발할 가능성이 두려움
    도입 추적 자료, Google 연구 (토론), St. Louis Fed 자료, 생산성 분석

  • 생산성 향상은 주로 저경력 엔지니어에게 집중되고 고경력자에게서는 사라지거나 마이너스가 된다는 큰 단서가 있음. LLM은 기준선을 평균으로 옮겨 평균 이하에게는 도움이 되지만 평균 이상에게는 방해가 된다는 체감과 맞음
    또한 LLM으로 한 작업은 직접 수행한 것보다 기억에 덜 남음. 그렇다면 저경력 엔지니어가 실제 경력을 쌓지 못하는 셈임. 기술 기업 CEO들은 임금을 덜 줘도 되는 저숙련 노동자를 원하는 것일 수 있음

    • 작은 회사를 운영하지만 정반대로 봄. 저숙련자는 LLM 출력의 결함을 알아채지 못하고 생각 없이 복사해 붙이기만 하므로 누구나 대신할 수 있음. 이제 주니어 채용에는 관심이 없고 시니어 엔지니어의 가치가 가장 커졌음
    • 소프트웨어 개발 조직과 직무를 두 부류로 나누면 유용함. 소프트웨어가 제품이자 수익·차별화의 원천인 회사에서는 좋은 개발자가 좋은 제품과 높은 이익으로 이어지므로 숙련자를 시장 가격에 채용하며, 이런 직무를 택해야 함
      반대로 소프트웨어가 비핵심 부품이나 사내 IT 시스템에 불과한 회사에서는 개발자를 수익 자산이 아닌 최소화해야 할 비용으로 봄. 가장 저렴하고 경력이 적은 인력을 찾고, 외주나 LLM으로 우수 개발자 채용을 피하려 함
      실제 업무가 어렵고 숙련자를 필요로 해도 회사가 비용으로 보는 한 가장 싼 노동력으로 처리하려 할 것임. 가능하다면 소프트웨어 품질과 수익성의 연결이 경영진에게 명백하지 않은 제품이나 IT 시스템 업무는 피해야 함
    • 기억에 덜 남는 이유가 작업에 직접 관여하는 정도가 낮아서인지, 아니면 수행량과 기억할 내용이 늘어 절대 기억량은 비슷하지만 비율이 낮아진 것인지 궁금함. 둘 다이거나 다른 이유일 수도 있음
    • 기억 유지 문제가 지나치게 간과됨. 전체 개요는 알지만 세부는 모르는 관리자와 비슷해지며, 검토만 해서는 직접 수행할 때만큼 작업에 깊이 들어가지 못함
    • 그렇다면 CEO들이 원한 대로 된 셈임. 에이전트형 코딩 때문에 모든 추정이 망가지고 바이브 코딩이 넘치는 유해한 환경을 피할 수 있다면 임금 삭감도 감수할 의향이 있음

  • 직장에서 AI의 가장 큰 영향은 개발자용 LLM 코드 생성기지만, 기업에서 가능한 일의 표면만 긁은 수준임. 우리 회사는 사업 목표를 위해 AI의 진정한 힘을 활용할 방향성·의지·기술력이 없어 외부 패키지 솔루션만 구매하고 환경에 지능 계층을 통합하지 못함
    이런 회사가 드물지는 않을 것임. 챗봇은 유용하지만 AI가 업무를 바꾸는 데는 수년, 어쩌면 수십 년이 걸리고 일상생활은 더 오래 걸릴 수 있음. 아무리 심대한 기술도 현실의 마찰과 맞서며 확산돼야 함

    • 닷컴 붐 이후 10년 넘게 온라인 존재감이 없어도 잘 운영된 회사가 많았음. 기존 계약으로 일하는 냉난방 공조 서비스라면 웹사이트가 없어도 괜찮았음
      하지만 AI는 웹사이트보다 훨씬 광범위하게 스며들고 있으며 모두가 이미 휴대전화를 쓰므로 마찰도 생각보다 낮음. MS Copilot이 충분히 좋아지면 비기술 사용자도 AI에 일을 시킬 것임
      냉난방 공조 업체 사장이 “Brentwood의 Bob’s Burgers에 큰 긴급 상황이 생겼으니 직원 두 명을 최대한 빨리 보내고 필요하면 다른 방문 일정을 바꿔라”라고 지시할 수 있음. 이런 작업에는 막대한 토큰이 필요하지 않아 저렴해질 것이며, “일정 잡기”나 “X에게 Y에 관해 연락하기” 같은 일반 사무 명령은 3~5년 안에 매우 실용적이 될 전망임. 주된 병목은 에이전트가 적절한 데이터에 접근하도록 만드는 작업임

  • 주변에서는 실제로 일자리를 잃는 사람이 보이지만 다행히 아직 직접 영향받지는 않았음. SaaS·iPaaS·서버리스를 주요 제공 기술로 채택하면서 대행사 업무는 이미 10년 전보다 더 작은 팀이 수행함
    AI 덕분에 더 적은 인원으로 더 많은 일을 할 수 있지만, 모두를 바쁘게 할 만큼 프로젝트 수요가 충분하지 않음

  • Anthropic CEO Dario Amodei는 AI가 사무직 절반을 없애고 실업률을 20%로 높일 수 있다고 예측하면서, 동시에 특정 모델은 출시하기 너무 위험하다고 말함

    • Anthropic은 곧 자신들이 전 세계의 유일한 “기술” 공급자가 되고 모든 거래가 자사 구독 안에서 이뤄진다는 믿음이 퍼지길 바랄 것임. 사람들이 AI 생성 콘텐츠를 팔고 다른 사람의 에이전트가 사면서 Anthropic이 세계 경제 전체가 된다는 서사는 향후 IPO에서 무한대에 가까운 기업 가치를 받는 데 도움이 될 것임
답변달기