AI의 노동시장 영향: 새로운 측정 방법과 초기 증거 - 브런치

글로벌 오픈이노베이션 리더의 글 읽기 글로벌 오픈이노베이션 리더의 글 읽기 ☕안녕하세요, Dr. Jin,입니다. 오늘은 Anthropic이 2026년 3월 5일 공개한 따끈따끈한 연구 보고서를 소개합니다. 제목은 "Labor market impacts of AI: A new measure and early evidence", 우리말로 옮기면 "AI의 노동시장 영향: 새로운 측정 방법과 초기 증거"입니다. 보고서 저자는 Maxim Massenkoff와 Peter McCrory. Anthropic 소속 경제학자들이 직접 Claude의 실사용 데이터를 활용해서 "AI가 실제로 일자리를 빼앗고 있는가?"라는 질문에 데이터로 답한 겁니다. AI 기업이 자기 제품의 노동시장 영향을 이렇게 직접 분석해서 공개한다는 것 자체가 꽤 의미 있는 일이죠. 이 보고서의 핵심 의의는 단순합니다. "AI가 뭘 할 수 있다"는 이론이 아니라, "AI가 실제로 현장에서 뭘 하고 있는가"를 측정하는 새로운 방법을 제안했다는 겁니다. 그리고 그 결과가 꽤 흥미롭습니다. 공포스러운 예측과 달리, 지금까지의 실업률 데이터에서는 AI의 영향이 아직 통계적으로 명확하게 보이지 않는다는 것이죠. 단, 한 가지 예외가 있는데... 그 이야기는 본문에서 하겠습니다. � 이 글의 목차 왜 기존 AI 노동시장 연구는 부족했나 — 겸손함이 필요한 이유 새로운 측정 지표: '관찰된 노출도(Observed Exposure)'란 무엇인가 이론과 현실의 갭 — AI의 잠재력 vs. 실제 현장 침투율 가장 AI에 노출된 직업은? 상위 10개 직업 분석 BLS 고용 전망과의 교차 검증 — "시장은 이미 알고 있다" 누가 위험에 노출되어 있나? — AI 노출 직종 종사자 특성 실업률 데이터로 본 초기 결과 — 아직은 평온하다 경고 신호: 2024년 청년 취업 시장에서 발견된 이상 징후 Dr. Jin의 평가와 한국 혁신 생태계에의 시사점 저자들은 논문 서두에서 꽤 쿨하게 자기비판적인 이야기를 꺼냅니다. 과거의 주요 연구들을 돌이켜보면, 한번은 미국 일자리의 약 4분의 1이 해외 아웃소싱에 취약하다고 분석한 연구가 있었지만, 10년이 지나도 그 일자리들의 고용은 오히려 건전하게 성장했습니다. 정부의 직업 전망 예측은 방향성은 맞았지만 단순한 과거 추세 연장 이상의 예측력을 보여주지 못했고, 산업용 로봇의 고용 효과 연구조차 정반대의 결론이 나오는 상황이었습니다. 한마디로, "충격적인 기술 변화의 노동시장 영향을 측정하는 건 사후에 봐도 여전히 어렵다"는 겁니다. AI도 마찬가지일 수 있다는 뜻이죠. AI의 영향은 코로나19보다는 인터넷 확산이나 중국과의 무역 충격과 더 비슷할 수 있습니다. 즉각적인 실업률 급등이 아니라, 무역 정책과 경기 사이클 같은 다른 요인들과 뒤섞여서 조용히, 그러나 누적적으로 나타날 수 있다는 거죠. 그래서 저자들은 이렇게 말합니다: 지금 당장 큰 변화가 없을 때 미리 분석 틀을 세워놓자고요. 이 접근법은 의미 있는 효과가 나타나기 전인 지금 기반을 다져놓음으로써, 미래의 발견이 사후 분석보다 경제적 혼란을 더 신뢰할 수 있게 포착하게 해줄 것이라고 기대합니다. 이 보고서의 가장 핵심적인 기여는 "Observed Exposure(관찰된 노출도)"라는 새로운 측정 지표를 개발했다는 겁니다. 기존 연구들은 주로 "이 작업이 이론적으로 AI로 대체 가능한가?"를 기준으로 삼았습니다. 대표적인 선행 연구가 Eloundou et al.(2023)인데, 이들은 각 직업 과업(task)에 β라는 점수를 부여했습니다. β=1이면 LLM만으로 해당 작업 속도를 2배 이상 높일 수 있고, β=0.5면 추가 도구나 소프트웨어와 함께 사용하면 동일한 가속이 가능하며, β=0이면 LLM으로는 50% 이상의 시간 단축이 불가능한 작업입니다. 이건 이론적 가능성(theoretical capability)입니다. 그런데 Anthropic의 접근은 여기서 한 발짝 더 나갑니다. 실제로 Claude가 어떤 작업에 얼마나 쓰이고 있는지를 보는 거죠. 세 가지 데이터를 결합합니다. 첫째, 미국 내 약 800개 직업의 과업을 목록화한 O*NET 데이터베이스. 둘째, Anthropic Economic Index에서 측정된 자사 실제 사용 데이터. 셋째, Eloundou et al.의 이론적 노출도 추정치. 그리고 핵심 아이디어는 이겁니다: 관찰된 노출도(Observed Exposure)는 "LLM이 이론적으로 가속화할 수 있는 작업들 중, 실제로 전문적 업무 환경에서 자동화 사용이 관찰되는 작업의 비율"을 정량화하려는 겁니다. 이론적 가능성이 훨씬 넓은 범위를 포괄하지만, 그 갭이 좁혀지는 것을 추적함으로써 관찰된 노출도는 경제적 변화가 나타나는 시점에 맞춰 인사이트를 제공합니다. 측정 방식도 꽤 세밀합니다. LLM으로 이론적으로 가능한 작업이 Claude 트래픽에서 충분한 업무 관련 사용량을 보이면 '커버된' 작업으로 계산하고, 이후 수행 방식을 조정합니다. 완전히 자동화된 구현은 100% 가중치를 받고, 보조적(augmentative) 사용은 절반의 가중치를 받습니다. 마지막으로 이 작업 수준의 커버리지 지표를 각 작업에 소요되는 시간 비율로 가중 평균하여 직업 수준으로 집계합니다. 결과가 꽤 충격적입니다. 이론은 훨씬 앞서가고 있고, 현실은 아직 한참 뒤처져 있습니다. 아래 그림을 보시면 직관적으로 느껴지죠. 파란 면이 이론적 가능성, 즉 이론적인 AI 활용의 가능성이면, 붉은 면이 관찰된 노출도, 즉 실제 AI 활용도입니다. Eloundou et al.의 이론적 노출도(β=1 또는 β=0.5)에 해당하는 작업들이 Claude 실제 사용량의 97%를 차지합니다. 즉, 사람들이 Claude로 실제로 하는 일은 이론적으로 가능한 것들 안에서 이루어지고 있죠. 이 부분은 당연한 이야기입니다. 문제는 반대 방향에서 봤을 때입니다. 컴퓨터 및 수학 분야에서 β 지표는 해당 직업 작업의 94%에서 LLM 침투 여지가 있다고 보지만, 실제로 Claude는 이 카테고리 전체 작업의 33%만 커버하고 있습니다. 이론상으론 94%인데, 현실에서의 침투율은 33%. 엄청난 갭이죠. AI는 아직 이론적 역량에 한참 못 미칩니다. 역량이 발전하고 채택이 확산되고 배포가 깊어지면서, 실제 커버리지(붉은 영역)가 이론적 가능성(파란 영역)을 향해 점점 확대될 것입니다. 또한 이론적으로 AI 역량 밖에 있는 영역도 여전히 넓습니다. 농업의 전정 작업이나 농기계 운용 같은 물리적 작업부터 법정에서의 의뢰인 대리 같은 법률 업무까지, 수많은 과업들이 여전히 AI의 영역 밖에 있습니다. 그렇다면 실제 관찰된 노출도가 낮은 이유는 무엇일까요? 이론적으로 가능한 일부 작업들이 실제 사용량에 잡히지 않는 이유는 모델의 한계 때문일 수도 있고, 법적 제약, 특정 소프트웨어 요구사항, 사람의 검증 단계, 또는 다른 장벽들로 인해 확산이 느린 것일 수 있습니다. 그럼 실제 데이터 기준으로 가장 위험한 직업들은 어디일까요? 관찰된 노출도 기준 상위 10개 직업을 보면 컴퓨터 프로그래머(74.5%), 고객 서비스 담당자(70.1%), 데이터 입력 작업자(67.1%), 의료기록 전문가(66.7%), 시장조사 및 마케팅 전문가(64.8%), 도매·제조업 영업사원(62.8%), 금융 및 투자 분석가(57.2%), 소프트웨어 품질 보증 분석가 및 테스터(51.9%), 정보 보안 분석가(48.6%), 컴퓨터 사용자 지원 전문가(46.8%)가 있습니다. 한 가지 흥미로운 점은 고객 서비스 담당자가 2위라는 겁니다. 고객 서비스 담당자의 경우, 그들의 주요 과업들이 API를 통한 1차 트래픽에서 점점 더 많이 관찰됩니다. 즉, 기업들이 이미 Claude를 고객 대응 자동화에 활발히 활용하고 있다는 신호입니다. 반대로, 하위 30%의 근로자들은 노출도가 0입니다. 이들의 과업이 데이터에서 너무 드물게 나타나 최소 임계값을 충족하지 못한 겁니다. 이 그룹에는 요리사, 오토바이 수리공, 수영 안전 요원, 바텐더, 식기 세척 직원 등이 포함됩니다. 의외의 발견은 회계사, 변호사 같은 전문직이 최상위권에 없다는 점입니다. 이론적 노출도는 높지만, 실제 자동화 사용 패턴이 아직 완전히 정착되지 않았기 때문으로 보입니다. 미국 노동통계국(Bureau of Labor Statistics, BLS)은 2025년에 2024~2034년 직업별 고용 전망 데이터를 발표했습니다. 이걸 이번 관찰된 노출도 지표와 비교해보면 어떨까요? 직업 수준에서 현재 고용량을 가중치로 한 회귀분석 결과, 관찰된 노출도가 높은 직업일수록 BLS의 고용 성장 전망이 약하게 나타났습니다. 노출도가 10%포인트 증가할수록 BLS의 성장 전망이 0.6%포인트 하락합니다. 그 자체로 수치가 크지는 않습니다만, 중요한 포인트가 하나 있습니다. 이론적 노출도인 Eloundou et al.의 β 지표만 사용했을 때는 이런 상관관계가 없었습니다. 이론적 가능성이 아니라, 실제 사용 데이터를 기반으로 한 관찰된 노출도만이 BLS 전망과 연관성을 보인다는 거죠. 이는 새 지표의 타당성을 간접적으로 검증해줍니다. 노동시장 전문 분석가들도 이미 비슷한 방향을 바라보고 있었던 겁니다. 보고서에서 꽤 충격적인 섹션이 하나 있습니다. AI 노출도 상위 25% 직종 종사자와 노출도 0% 직종 종사자를 비교한 표인데요, 인구통계학적으로 두 그룹이 크게 다릅니다. 노출도 높은 그룹은 여성일 가능성이 16%포인트 더 높고, 백인일 가능성이 11%포인트 더 높으며, 아시아계일 가능성은 약 2배에 달합니다. 평균 시급은 47% 더 높고, 교육 수준도 더 높습니다. 대학원 학위 소지자는 노출도 없는 그룹에서는 4.5%지만, 가장 많이 노출된 그룹에서는 17.4%로 거의 4배 차이가 납니다. 이게 무슨 의미인지 생각해보면 꽤 복잡해집니다. AI 대체 위험이 학력 낮고 저임금인 블루칼라 노동자에게 집중될 것이라는 일반적 예상과 정반대입니다. AI가 가장 먼저, 가장 직접적으로 영향을 줄 수 있는 직종은 오히려 고학력·고임금의 화이트칼라 지식 노동자들입니다. 이건 정책적으로도, 사회적으로도 기존의 프레임을 완전히 바꿔야 한다는 신호입니다. "AI로 인한 피해는 취약계층에게 집중된다"는 서사가 적어