AI가 일을 얼마나 바꿀까: 일반인과 AI 연구소 직원의 기대 차이

배경과 문제

AI가 경제를 어떻게 바꿀지에 대한 전망은 전문가들 사이에서도 크게 엇갈린다. 이 연구는 그 불일치의 핵심 원인이 무엇인지 묻는다. AI 능력이 얼마나 빨리 좋아질지에 대한 믿음의 차이인지, 아니면 그 능력이 실제 업무에 얼마나 빨리 퍼질지에 대한 견해 차이인지, 그리고 어떤 기대가 빠른 경제 성장과 연결되는지를 조사한다.

이를 위해 연구진은 2026년 8월 두 집단을 설문했다. 하나는 미국 성인을 대표하도록 가중치를 준 10,980명 표본이고, 다른 하나는 최전선 AI를 매일 만들고 사용하는 Anthropic 직원 1,334명이다. 질문은 AI의 능력, 사용 범위, 시간 절약, 자율성, 실직자의 재취업 어려움 등을 다뤘다. 두 집단을 비교하면 기술에 가장 가까운 사람들과 일반 대중의 기대가 어떻게 다른지 드러난다.

기존 접근의 한계

미래 AI를 낙관하는지 비관하는지만 물으면 의견이 어디서 갈리는지 알기 어렵다. 기술이 충분히 발전한다고 보아도 기업의 도입은 느릴 것이라고 생각할 수 있고, 도입이 빠르더라도 사람이 결과를 검토하느라 절약되는 시간은 작다고 볼 수 있다. 이 연구는 하나의 거시 전망 뒤에 들어 있는 여러 기대를 나누어 비교한다.

또한 AI 능력 자체의 발전 속도와 그 능력이 실제 업무에 적용되는 속도는 서로 다른 문제다. 능력이 있어도 기업이 쓰지 않으면 경제 효과는 작다. 이 연구는 능력, 도입, 자율성, 시간 절약, 노동 전환 마찰이라는 다섯 차원을 한꺼번에 물어봄으로써, 기대의 어느 부분이 경제 전망 차이를 만드는지 분해할 수 있게 했다.

연구방법을 단계별로

미국 성인 조사는 2026년 8월 11일부터 23일까지 온라인 패널로 실시됐다. 총 16,395회 인터뷰에서 같은 사람의 첫 응답만 남겨 10,980명을 분석했고, 인구통계 가중치를 다시 계산했다. 8월 9일부터 12일까지의 Anthropic 내부 설문에는 직원 1,334명이 참여했다. 미국 표본의 일부 미래 질문은 절반에게 2027년, 나머지 절반에게 2030년을 기준으로 무작위 배정됐으며, 직원 설문은 가중치 없이 모두 2030년을 기준으로 했다.

응답자는 AI가 숙련된 전문가만큼 잘 할 수 있는 여덟 가지 과제(일상 이메일 작성부터 노벨상급 과학 발견까지)를 언제쯤 해낼지 답했다. 이어서 AI가 할 수 있는 업무 중 2030년까지 실제로 AI가 수행할 비율, AI와 인간의 협업 방식, AI에 적합한 한 작업의 소요 시간 단축 정도, 자신의 현재 업무 시간 중 2030년까지 AI가 할 수 있는 비율, 그리고 2030년 실업률 전망을 물었다.

마지막으로 각 응답자의 답을 기존 경제 모형인 'Economic Scenarios for Transformative AI'에 대입해 2030년 연간 GDP 성장률을 계산했다. 이때 다섯 가지 핵심 질문에 모두 답한 응답자만 사용했는데, 미국 성인은 2030년 절반에 배정된 3,259명, 직원은 1,093명이었다. 다른 모형 매개변수는 'Substantial' 시나리오 값으로 고정했다.

결과와 숫자의 의미

두 집단은 현재 AI 능력에 대해서는 대체로 동의했다. 여덟 과제의 난이도 순서도 거의 같았다. 그러나 미래 진전 속도에서는 큰 차이가 났다. 2030년까지 AI가 노벨상급 발견을 할 수 있다고 답한 비율은 미국 성인 39%, 직원 91%였다. 또한 과제에 따라 미국 성인의 19~40%는 AI가 특정 과제를 '결코' 못 할 것이라고 답한 반면, 직원 중 그런 응답은 최대 2%에 불과했다.

자신의 일자리에 대한 기대 차이는 더 컸다. 2030년까지 AI가 자신의 현재 업무 시간 중 평균 몇 %를 할 수 있을지에 대해 미국 취업자는 평균 28%, Anthropic 직원은 평균 75%라고 답했다. 80% 이상을 AI가 할 수 있다고 답한 비율은 미국 취업자 5%에 그친 반면 직원은 과반(그림 6에서는 55%)이었다.

AI에 적합한 한 작업의 소요 시간이 AI를 쓰면 4분의 1 이하로 줄어든다고 답한 비율은 미국 성인 중 업무에서 AI를 쓰는 사람 26%, 직원 59%였다. 이는 검토·수정 시간을 포함한 주관적 응답이며 전체 생산성이 4배가 된다는 실측이 아니다. 직원의 85%는 절반 이하로 줄어든다고 답했지만, 미국 성인 AI 사용자의 29%는 시간이 같거나 더 걸린다고 답했다.

실업률 전망에서는 두 집단이 비슷한 사고방식을 보였다. 현재 실업률 4.2%를 제시하고 2030년 실업률을 물었을 때, 자신의 업무 중 AI가 할 수 있는 비중이 80% 이상이라고 예상한 미국 취업자의 평균 예상 실업률은 12.2%였다. 미국 취업자 전체에서 AI 노출 예상이 10%포인트 높아질수록 예상 실업률은 0.4%포인트 높아졌다. 이는 관찰된 연관성이지 실제 자동화의 인과효과가 아니다.

응답을 경제 모형에 넣은 결과, 2030년 연간 GDP 성장률 중위값은 미국 성인 5.4%, 직원 17.1%였다. 이는 각자의 가정을 동일한 모형으로 환산한 조건부 시나리오이며, 실측 성장이나 검증된 예측은 아니다. 9월 9일 공개된 시나리오 탐색기에 48시간 내 응답한 웹 방문자 23,075명의 중위값은 12.5%였다. 이들은 AI에 관심을 갖고 스스로 찾아온 표본이므로 일반 대중을 대표한다고 볼 수 없다. 세 집단의 내부 차이도 커서 결과 분포가 넓게 겹쳤다.

구체적인 예시

실제 설문에서 미국 성인에게 AI 도입 장애물 아홉 가지 중 최대 세 가지를 고르게 하자, 고객의 대인 접촉 선호가 가장 자주 선택됐고 개인정보·보안, 신뢰성, 법·규제·책임 문제가 뒤를 이었다. 업무에서 AI를 정기적으로 쓰는 사람 중 42%가 개인정보·보안을 상위 세 장애물에 넣었고, 37%는 고객 선호를 골랐다. 여러 항목을 고를 수 있었으므로 42%를 단 하나의 최우선 장애물로 선택한 비율로 읽으면 안 된다.

시간 절약 문항을 이해하기 위한 가상 예시를 들어 보자. AI 없이 문서 요약에 60분 걸리던 사람이 초안 작성과 검토·수정을 모두 합쳐 15분에 끝낸다고 생각한다면, 이 작업에 대해서는 원래 시간의 4분의 1이라는 응답에 해당한다. 연구진이 이런 사람의 실제 작업 시간을 측정했다는 뜻은 아니다. 이 한 작업의 절약을 전체 근무일이나 회사 생산성에 그대로 곱할 수도 없다.

Anthropic 직원은 AI가 자신의 업무 대부분을 수행할 수 있을 것이라고 예상하면서도 회사 고용은 늘 것이라고 기대했다. 직원의 95%가 향후 12개월 동안 인원이 증가할 것이라고 답했고, 증가율 중위값은 66%, 27%는 인원이 현재의 두 배 이상이 될 것으로 예상했다. 이는 개인적 기대이며 회사의 공식 계획이 아니다. 또한 직원들은 AI로 일자리를 잃고 다른 직종으로 옮겨야 하는 사람이 새 일자리를 찾는 데 걸리는 시간을 중위값 12개월로 답해, 미국 성인의 중위 응답 범위 7~12개월보다 약간 더 비관적이었다.

한계와 오해하기 쉬운 점

이 연구는 AI 능력을 직접 시험하거나 2030년 GDP·실업률을 실제로 예측 검증한 실험이 아니다. 사람들의 기대를 비교한 설문과 그 기대를 기존 경제 모형에 넣은 시나리오다. 직원의 개인 응답은 회사 공식 전망이나 채용 계획이 아니며, 직원 집단이 옳다는 결론도 없다.

미국 성인 표본은 온라인 자발적 패널이라 인터넷 비사용자를 제외하고 선택 편향을 완전히 교정하지 못한다. 미래 질문은 2027·2030을 절반씩 무작위 배정했으므로 10,980명 전원이 모든 2030 문항에 답한 것이 아니다. '모름' 응답 12~21%는 문항별로 제외됐고, 직원은 '모름' 선택지 없이 건너뛸 수 있었다.

2030년 노벨상급 발견 가능 응답 39% 대 91%는 응답자 비율이지 실제 성공 확률이 아니다. 업무 시간 중 AI 수행 가능 비중 평균 28% 대 75%는 범주 중간값(미국)과 슬라이더(직원)를 사용한 것이다. AI 사용자 26% 대 직원 59%는 한 작업의 소요 시간이 4분의 1 이하라는 주관적 응답이며 전체 생산성 실측이 아니다.

GDP 시나리오는 다섯 핵심 질문을 완주한 하위 표본에만 적용했고, 나머지 모형 매개변수는 Substantial 시나리오로 고정했다. 따라서 빠진 응답이나 다른 경제 가정을 바꾸면 결과도 달라질 수 있다. 부록은 미국 성인의 답을 직원의 같은 백분위 답으로 하나씩 바꾸어 기대 차이의 기여도를 살핀다. 바꾸는 순서에 따라 기여도가 달라져 120개 순서의 결과를 평균했으며, 그림의 선은 최소·최대 범위이지 신뢰구간이 아니다. 이 교체 실험의 그림에 표시된 17.2%를 원래 직원 응답의 중위값 17.1%와 혼동하지 않아야 한다.

실제로 어떻게 활용할까

활용할 때는 AI가 기술적으로 할 수 있는지, 사람들이 실제로 쓸 것인지, 검토를 포함해 얼마나 시간을 아끼는지를 나누어 질문할 수 있다. 원문의 장애물 순위는 일반인이 예상하는 장애물의 순위다. 기술보다 규제나 신뢰가 실제 도입을 더 많이 막는다는 인과 증거로 확대하지 말고, 현장에서 따로 확인할 질문으로 활용하는 편이 적절하다.

업무에서 AI를 정기적으로 쓰는 미국 성인의 능력 기대는 전체 미국 성인보다 높지만 직원 집단보다는 낮았다. 저자들은 AI 사용 경험이 퍼지면 기대도 달라질 수 있다고 해석한다. 다만 사용 경험이 기대를 바꾼 것인지, 원래 기대가 높은 사람이 AI를 더 쓴 것인지는 이 비교만으로 가릴 수 없다. AI 연구소와 다른 직장의 업무 구성과 도구 접근성 차이도 함께 보아야 한다.

해설자의 활용 제안은 노동자에게 일반적인 AI 낙관론만 묻기보다, 자기 업무 중 어떤 부분이 바뀔 것으로 보는지와 전직에 무엇이 어려울 것 같은지를 함께 살펴보자는 것이다. 이런 응답은 우려를 이해하는 단서가 될 수 있지만 실제 재교육 수요나 프로그램 효과를 측정한 자료는 아니다. 미국 성인과 한 AI 기업 직원의 비교를 다른 국가와 산업의 정책에 곧바로 일반화해서도 안 된다.