사람들은 ChatGPT에 어떤 일을 맡길까: 165개 업무 활동의 공개 데이터

배경과 문제

AI의 경제적 역할을 이해하려면 어떤 직업이 기술의 영향을 받을 수 있는지와 실제 사용자가 어떤 업무에 AI를 쓰는지를 구별해야 한다. 이번 공개 자료는 후자를 살피기 위한 것이다. OpenAI는 업무와 관련 있다고 분류한 소비자용 ChatGPT 메시지를 O*NET의 중간 업무 활동(IWA)에 연결했다. IWA는 여러 직업에 공통인 과업을 묶은 범주로, 마케팅 자료 개발·프로그래밍·비즈니스 데이터 분석 등이 있다. 이 자료는 기존 Signals의 사용 통계에 업무 활동별 국가·분기 비교를 추가한다.

이 데이터가 중요한 이유는 국가별 비교와 시간에 따른 변화를 가능하게 하기 때문이다. 연구자는 ChatGPT 사용 패턴을 다른 경제 지표와 연결해 AI 도입이 노동 시장에 미치는 영향을 탐구할 수 있다. 하지만 원시 대화 내용은 공개되지 않고, 개인정보를 제거한 뒤 자동 분류한 집계 통계만 제공된다. 따라서 연구자는 개별 메시지를 읽지 않고도 패턴을 분석할 수 있지만, 분류 오류나 표본 편향 같은 한계를 이해해야 한다.

기존 접근의 한계

직업 통계와 메시지 통계는 질문과 분모가 다르다. 직업별 고용자 수는 노동 시장의 구성을, 업무로 분류한 메시지의 비중은 표본 안에서 ChatGPT를 어떤 과업에 썼는지를 보여준다. 사용자가 프로그래밍을 질문했다고 직업이 개발자라고 확정할 수 없고, 한 사람이 여러 메시지를 보낼 수도 있다. 따라서 이번 자료를 고용 통계와 비교하는 것은 유용하지만, 두 분포를 같은 종류의 수치처럼 빼서 대체된 일자리 수를 계산할 수는 없다.

공통 업무 분류를 쓰면 국가마다 다른 언어로 들어온 메시지를 같은 범주에서 비교할 수 있다. 그러나 산업 구성, AI 접근성, 소비자용 서비스 이용자 구성이 어떻게 다른지는 별도로 조사해야 한다. 국가 간 차이가 보인다고 그 원인을 특정 산업이나 언어 장벽으로 확정할 수 없다. 또 개인정보 보호 기준을 충족하지 못한 국가·분기는 공개되지 않으므로, 어느 나라가 표에 없다는 이유만으로 그 나라에서 해당 업무에 AI를 쓰지 않는다고 읽어서도 안 된다.

연구방법을 단계별로

Signals v3 전체는 2024년 7월부터 2026년 9월까지 매달 100만 개의 소비자용 ChatGPT 메시지를 표집한다. 계정에 신고된 나이가 18세 이상인 경우만 포함하며, 기업 메시지·Codex 사용·삭제된 계정·학습 이용 거부자는 제외한다. 날짜별 가중치로 월간 메시지 분포를 반영한다. 이 전체 표집 기간과 새 IWA 국가별 파일의 기간은 다르다. 후자는 2025년 1분기부터 2026년 3분기까지의 일곱 분기를 제공한다.

개인정보 보호를 위해 연구자는 원시 메시지를 읽지 않는다. 먼저 개인 식별 정보(PII)를 제거한 뒤, LLM 기반 분류기가 메시지를 자동으로 분류한다. 분류기는 메시지가 업무 관련인지, 어떤 주제인지, 그리고 O*NET의 332개 후보 IWA 중 어디에 해당하는지 판단한다. 공개 데이터에서는 드문 IWA를 '기타 IWA'로 묶어 165개 범주로 줄였다.

통계 공개 전에는 한 메시지의 포함 여부가 결과에 미치는 영향을 제한하는 차등 개인정보 보호(DP)를 적용한다. 집계에 잡음을 더하고 정규화·반올림하기 때문에 비중의 합이 정확히 1이 아닐 수 있다. 공개 여부는 가중치를 반영한 유효 메시지 수로 결정하며, 일반 비교 집단에는 100개 기준, 국가별 분기 IWA 자료에는 1,000개 기준을 쓴다. 뒤의 기준은 국가·분기 비교 집단에 관한 것으로, 공개된 모든 업무 범주에 각각 1,000개 이상의 메시지가 있다는 뜻은 아니다.

결과와 숫자의 의미

공통 74개국에서 국가별 상위 10개 IWA 범주의 비중을 합한 뒤 국가를 동일하게 가중하면 2025년 1분기 56.0%, 2026년 3분기 51.1%다. 반올림된 본문 수치로는 4.9%포인트 차이다. 공식 CSV를 같은 방식으로 재계산해 두 끝값을 확인했다. 여기서 상위 범주에는 기타 IWA도 포함하며, 사람이나 메시지가 많은 나라에 더 큰 가중치를 주는 전 세계 평균은 아니다. 집중도 하락은 사용의 폭이 넓어진 패턴과 맞지만, 그 자체가 국가별 전문화나 생산성 변화의 원인을 증명하지는 않는다.

이 수치는 업무 종류 분포의 변화를 나타내며, 사람 수나 생산성, 일자리 감소율을 의미하지 않는다. 예를 들어, 한 국가에서 프로그래밍 관련 메시지 비중이 줄고 마케팅 자료 작성 비중이 늘었다면, 이는 사용자 구성이 바뀌었거나 기존 사용자가 다른 업무에 ChatGPT를 활용하기 시작했을 수 있다. 원문은 이러한 차이가 국가별 업무 종류 차이 또는 AI 도구 접근성 차이를 반영할 수 있다고 설명한다.

또한 미국 고용 가중 업무 구성과 ChatGPT 사용 분포를 비교하면 두 분포가 크게 다르다. 미국 직업의 고용 가중 업무 중 약 43%가 '기타 IWA'에 속하는데, 여기에는 물건 이동, 차량 운전, 의료 기록 유지 등이 포함된다. 이 범주들은 원래 미국 ChatGPT 표본에서 충분히 흔하지 않아 개별 보고 기준을 충족하지 못했다. 따라서 ChatGPT 사용이 미국 경제의 실제 업무 구성을 대표하지 않는다는 점을 보여준다.

구체적인 예시

데이터 사전의 분류 예시에서 운영 서비스의 SQL 쿼리가 너무 느리니 최적화해 달라는 요청은 업무 관련으로 표시된다. 반면 등에 여드름이 많으니 어떻게 하면 좋을지 묻는 요청은 업무와 무관한 예시다. 이는 질문에 드러난 맥락을 분류하는 방식이다. 같은 사람이 여가와 업무 요청을 섞어 보낼 수 있으므로, 업무 관련 표시는 그 사람의 직업이나 근무 시간을 인증한 값이 아니다.

IWA 분류 예시에서는 오류 기록과 함께 버그를 고쳐 달라는 요청을 4.A.3.b.1.I01, 즉 컴퓨터 시스템·생산 장비 프로그래밍으로 표시한다. 인수하려는 회사의 할인현금흐름 분석 요청은 4.A.1.b.3.I03, 재무 데이터 계산에 해당한다. 이는 분류기 프롬프트에 제시된 예시이며 모든 실제 요청의 정답을 독립 검증한 결과는 아니다. 이렇게 분류된 메시지를 집계해 국가별·분기별 업무 활용의 비중을 비교한다.

한계와 오해하기 쉬운 점

이 데이터는 소비자용 ChatGPT 메시지 표본에 기반하므로, 기업용 ChatGPT나 Codex 사용을 포함하지 않아 전체 직장 AI 사용을 대표하지 못한다. 또한 ChatGPT를 사용하는 사람들만 포함하므로 선택 편향이 있다. AI를 사용하지 않는 근로자나 다른 AI 도구를 쓰는 사람들은 제외된다.

분류는 LLM 기반 자동 분류이므로 오류가 있을 수 있다. 메시지의 맥락이 모호하거나 여러 업무가 섞인 경우 잘못 분류될 가능성이 있다. 또한 희소 집계에는 노이즈와 반올림이 적용되어 정확도가 떨어진다. 국가별 사용 차이만으로 산업 구조나 AI 접근성의 인과관계를 증명할 수 없다.

개인정보 보호와 관련해, 차등 개인정보 보호는 메시지 단위 보장이며 사용자 전체 생애 대화에 대한 동일한 보장이 아니다. 과거 재공개분의 누적 privacy budget은 최신분보다 크다. 예를 들어 2025년 12월 이전 데이터는 ε=5, δ=4/N인 반면 2026년 7~9월 데이터는 ε=1, δ=1/N이다. 이는 재공개로 인한 추가 노출을 반영한다.

실제로 어떻게 활용할까

분석할 때는 같은 버전의 국가별·분기별 IWA 파일에서 비교할 나라와 기간을 먼저 정하는 편이 좋다. 예를 들어 특정 업무의 비중을 한 나라 안에서 따라가거나 공통 관측 국가만 골라 비교할 수 있다. 산업·교육 지표와 결합해 후속 질문을 만들 수 있지만 원시 대화를 직접 읽을 수는 없다. 자료는 CC BY 4.0으로 공개되며, 재사용할 때 출처와 라이선스를 표시하고 변경했다면 그 사실도 밝혀야 한다.

표를 읽을 때는 전체 ChatGPT 메시지에서 업무 메시지가 차지하는 비율과, 업무 메시지 안에서 특정 IWA가 차지하는 비율을 따로 보아야 한다. 예를 들어 교육 자료 작성의 비중이 높아져도 교육 종사자 수가 늘었다고 결론 내릴 수 없다. 우선 서비스 이용 양상이 바뀌었다는 가설을 세우고, 정책이나 투자 판단에 쓰기 전 별도의 현장 자료로 확인하는 용도에 가깝다. 국가·분기의 누락은 0으로 채우지 말고 공개 기준에 따른 결측으로 다루어야 한다.

버전도 맞춰야 한다. 이번 v3는 월 표본을 이전의 30만 개에서 100만 개로 늘리고 과거 통계도 다시 계산했다. 예전 파일과 새 파일을 이어 붙이면 실제 사용 변화와 표집·재공개 변화가 섞일 수 있다. 공식 배포 묶음의 데이터 사전과 함께 분석 버전, 기간, 공통 국가, 기타 범주의 포함 여부를 기록하면 같은 결과를 재현하기 쉽다. 이번 검토에서는 공개 집계 CSV의 끝값을 재계산했으며, 비공개 메시지의 분류 정확도를 독립 검증한 것은 아니다.