"AI가 네 일의 94%를 할 수 있어." 이 문장을 들으면 등골이 서늘하죠. 그런데 같은 연구에 이런 문장도 있어요. "근데 실제로 쓰이는 건 33%뿐이야." 갑자기 안심이 되죠? 바로 이 안도감이 함정이에요. Anthropic이 자기네 Claude 사용 데이터 수백만 건을 까서 보여준 건, '아직 괜찮다'가 아니라 '언제, 누구부터 무너지는지'였거든요.
33%라는 숫자에 안심하면 안 되는 이유
2026년 3월, Anthropic 경제학자 Maxim Massenkoff와 Peter McCrory가 "Labor market impacts of AI"라는 논문을 냈어요. 여기서 처음 등장한 게 '관측 노출도(Observed Exposure)'예요. 지금까지 연구들이 "AI가 이론적으로 뭘 할 수 있나"만 쟀다면, 이 연구는 Claude의 실제 업무 사용 기록을 미국 직업 DB(O*NET)에 포개서 '할 수 있다'와 '실제로 하고 있다'의 차이를 처음으로 숫자로 박았어요.
그래서 나온 헤드라인 숫자가 컴퓨터·수학 직종 이론 94% vs 현실 33%예요. 61%포인트. 보통 사람은 이 격차를 보고 "거 봐, AI 호들갑이 심했네"라고 읽어요. 그런데 연구진이 격차의 원인으로 꼽은 네 가지를 보면 해석이 완전히 달라져요 — 모델 한계, 법적 제약, 추가 소프트웨어 통합 필요, AI 출력에 대한 인간 검토 필요.
여기서 '모델 한계'는 네 개 중 하나일 뿐이에요. 나머지 셋(법·통합·검토)은 기술이 아니라 시간과 환경의 문제예요. 법이 정비되고, 연동 도구가 깔리고, 검토 절차가 자동화되면 풀려요. 즉 33%는 천장이 아니라 현재 진행형 숫자예요. METR 데이터에 따르면 AI가 완주할 수 있는 태스크의 복잡도는 7개월마다 2배씩 커지고 있고요.
한 줄로 머리에 박기
이론적 노출도 = AI가 '기술적으로' 할 수 있는 태스크 비율
관측 노출도 = 실제 Claude 사용에서 '진짜로 쓰이고 있는' 태스크 비율
둘의 간극이 클수록 = "아직 AI가 못 먹은 파이가 크다" = 동시에 "그 파이는 곧 채택 장벽만 풀리면 사라진다." 안심거리가 아니라 카운트다운이에요.
실제로 Claude는 이미 '할 수 있는 일'에 정밀하게 꽂혀 쓰이고 있어요. 사용의 68%가 '완전 노출' 태스크(beta=1.0), 29%가 '부분 노출', 고작 3%만 '비노출'이었어요. 사람들이 AI를 레시피 묻는 데 낭비하는 게 아니라, 대체 가능성이 가장 높은 업무에 정조준해 쓰고 있다는 뜻이에요.
그럼 누구부터, 어떻게 무너지나
이 연구가 진짜 무서운 건 '평균'이 아니라 '분포'를 보여줘서예요. 실제 노출도 순위는 이론적 예측과 묘하게 어긋나요.
| 직업 | 관측 노출도 | 이론적 노출도 | 격차 |
|---|---|---|---|
| 컴퓨터 프로그래머 | 74.5% | 94% | 19.5%p |
| 고객 서비스 담당자 | 70.1% | ~90% | ~20%p |
| 데이터 입력 전문가 | 67.1% | ~85% | ~18%p |
| 컴퓨터·수학 직종 평균 | 33% | 94% | 61%p |
| 요리사, 정비사, 바텐더 등 | 0% | ~5% | ~5%p |
프로그래머가 74.5%로 1위, 고객 서비스 70.1%, 데이터 입력 67.1%로 뒤를 잇고요. 반대편엔 전체 노동자의 약 30%가 노출도 0%예요 — 요리사, 오토바이 정비사, 인명구조원, 바텐더처럼 몸을 쓰는 현장 직종이에요. 키보드 앞에 앉아 있을수록 위험하다는, 직관과 정반대의 그림이죠.
그리고 가장 의외의 발견. AI에 가장 많이 노출된 사람들은 '저임금 단순 노동자'가 아니에요. 노출 상위 25% 직종 노동자는 하위 그룹 대비:
소득이 47% 높고, 대학원 학위 보유율이 3.9배(17.4% vs 4.5%), 여성 비율은 16%포인트 높아요. AI가 겨눈 건 컨베이어벨트가 아니라 고학력·고소득 화이트칼라의 책상이라는 거예요. 이 글을 읽고 있을 당신일 확률이 높다는 뜻이고요.
"아직 대량 실업은 없다"의 진짜 의미
연구진은 신중해요. ChatGPT 출시(2022년 12월) 이후 AI 고노출 직종에서 실업률의 체계적 증가는 아직 없었어요. 하지만 한 집단만 떼어 보면 다른 그림이 나와요. 22~25세 청년층의 경우, AI 고노출 직종 구직률(job finding rate)이 14% 떨어졌어요. 연구진도 "겨우 통계적으로 유의미한 수준"이라고 인정하지만, 동시에 "주목할 초기 신호"라고 못 박았어요.
Dallas Fed의 독립 연구가 이 신호를 보강해요. AI 노출 상위 10% 산업의 전체 고용은 2022년 이후 1% 줄었고, 컴퓨터 시스템 설계는 5% 감소했어요. 그런데 같은 분야 임금은 16.7% 올랐어요 — 전국 평균(7.5%)의 2배가 넘죠. 해석하면 한 문장이에요. 경험자는 더 비싸지고, 신입의 문은 좁아진다. '해고'가 아니라 '신규 채용 중단'으로 조용히 진행되는 침식이에요.
그래서 등장한 단어, "화이트칼라 대침체"
논문에서 가장 회자된 대목이에요. 연구진은 2007~2009년 대침체 때 미국 실업률이 5%→10%로 두 배 뛴 걸 짚으면서, AI 고노출 직종에서 실업률이 3%→6%로 두 배가 되는 시나리오를 경고했어요. Fortune은 이걸 "화이트칼라 대침체(Great Recession for white-collar workers)"라고 이름 붙였고요.
"우리의 프레임워크에서 이 정도 규모의 변화는 충분히 감지 가능할 것이다. 아직 그런 일은 벌어지지 않았지만, 그것이 우리가 감시를 멈출 이유는 되지 않는다."
— Massenkoff & McCrory, Anthropic 연구진
'아직 안 일어났다'는 '안 일어난다'가 아니에요
BLS(미국 노동통계국)의 독립 전망과 교차 검증하니, AI 관측 노출도가 10%포인트 높아질 때마다 BLS의 해당 직종 성장률 전망이 0.6%포인트씩 낮아지는 상관관계가 나왔어요. 정부의 보수적인 공식 전망 데이터마저 같은 방향을 가리키고 있다는 신호예요.
읽고 닫지 말고, 오늘 할 5가지
이 연구의 메시지를 공포로 소비하면 아무 소용 없어요. 핵심은 명확해요. AI의 이론적 능력은 이미 당신의 업무 대부분을 덮지만, 채택까지는 아직 시간과 조건이 남아 있다. 그 시간이 곧 당신의 기회 창(窓)이에요. 닫히기 전에 할 일 5가지.
- 내 직업의 '관측 노출도'를 직접 까보기
Anthropic이 직업별 원본 데이터를 Hugging Face에 공개했어요. 내 직무의 어떤 태스크가 이미 AI로 커버되고, 어떤 게 아직인지 항목 단위로 확인하세요. "74.5%가 커버되는 프로그래머"라도, 살아남는 건 결국 그 나머지 25.5%를 누가 쥐고 있느냐예요. 그 25.5%가 뭔지 모르면 방어가 불가능해요. - AI가 못 하는 그 25%에 시간을 몰아주기
연구가 짚은 채택 장벽 — 법적 제약, 인간 검토 필요성, 복잡한 판단 — 이 그대로 인간의 잔존 가치 지도예요. 코딩이면 아키텍처 설계와 비즈니스 로직 판단, CS면 감정 대응과 에스컬레이션 판단. 'AI가 초안 뽑고 내가 최종 책임지는' 영역을 의도적으로 키우세요. - AI를 '검색창'이 아니라 '팀원'으로 굴리는 연습
Dallas Fed 데이터가 증명하듯, AI 고노출 분야에서 경험자 임금은 오히려 16.7% 올랐어요. AI를 잘 부리는 사람은 대체되는 게 아니라 더 비싸졌다는 거예요. ChatGPT에 단발성 질문하는 수준을 넘어서, 반복 업무를 워크플로우로 묶어 AI에 위임하는 셋업을 하나라도 만들어 보세요. - 22~25세라면, 채용 방정식을 다시 쓰기
청년 채용 감소는 "AI 때문에 해고"가 아니라 "AI 때문에 신입을 안 뽑는" 구조예요. 신입의 정형 업무가 가장 먼저 자동화되니까요. 그러니 포트폴리오에 'AI 활용 결과물'을 전면에 내세우고, 자동화하기 어려운 도메인 전문성 한 가지를 명시적으로 어필하세요. '시키면 하는 사람'이 아니라 'AI까지 부려 결과 내는 사람'으로 포지셔닝하는 거예요. - 6개월마다 이 점검을 반복하기
이 연구의 가장 중요한 한 줄: 94%가 33%에 머무는 건 기술 한계가 아니라 채택 속도의 문제예요. 법·통합 도구·조직 변화가 풀리면 33%는 빠르게 올라가요. 게다가 AI 태스크 복잡도는 7개월마다 2배. 그래서 한 번의 진단으론 부족하고, 반년마다 1~4번을 다시 돌려야 해요. 캘린더에 반복 일정 하나 박아두는 게 이 글의 마지막 실천이에요.
