핵심 요약Anthropic 연구는 "AI가 할 수 있는 일"과 "현장에서 실제로 쓰이는 일" 사이에 큰 격차가 있음을 데이터로 보여준다.
이 격차가 줄어들수록 위험이 큰 쪽은 육체노동이 아니라 고학력·고임금의 화이트칼라 직무일 수 있다.
현재는 대규모 실업보다 채용 둔화 신호가 더 뚜렷하며, 향후 '화이트칼라형 경기침체' 시나리오도 배제하기 어렵다고 본다.
'가능'과 '현실' 사이: AI 도입의 핵심은 격차다
전기가 특정 직업을 사라지게 했고 컴퓨터가 사무직의 많은 역할을 바꿨듯, 생성형 AI도 "업무 단위"에서 대체를 진행한다.
이번 연구의 흥미로운 지점은 AI가 무엇을 "할 수 있다"는 주장에 그치지 않고, 무엇을 "실제로 하고 있는지"를 사용 데이터로 측정해 둘을 비교했다는 점이다.
결론은 단순하다. AI는 기술적으로 가능한 범위에 비해, 현장에서 아직 '표면만 긁는 수준'으로 쓰이고 있다.
관측 노출(Observed exposure): AI 대체 위험을 재는 새 자
연구진은 '관측 노출'이라는 지표로, 직무별로 "이론상 자동화 가능 업무 비중"과 "실제 업무 상황에서 AI가 수행한 흔적(사용 데이터)"을 맞대어 본다.
이 방식은 막연한 직업 전망 대신, 특정 직무가 AI와 얼마나 겹치는지(겹칠 준비가 되었는지)를 수치로 설명하게 해준다.
쉽게 비유하면, "설계도상으로는 집 전체를 지을 수 있는 로봇"이 있지만, 지금은 현장에서 벽돌 몇 장만 쌓는 정도인지 확인하는 것이다.
어디가 가장 위험한가: 화이트칼라 상층부가 더 노출될 수 있다
가장 AI 노출이 큰 집단은 흔히 떠올리는 창고·현장직이 아니라, 변호사·재무분석가·소프트웨어 개발자 같은 지식노동자 쪽에 가깝다.
연구는 높은 노출 집단이 낮은 노출 집단보다 여성 비중이 더 높고, 평균 임금이 높으며, 대학원 학위 보유 가능성이 훨씬 큰 특성을 보인다고 요약한다.
특히 컴퓨터 프로그래머, 고객 서비스 담당, 데이터 입력 업무가 대표적으로 노출이 크다고 지목된다.
수치로 보는 격차: "할 수 있는 일"이 "하고 있는 일"을 압도한다
컴퓨터·수학 계열 직무는 대형언어모델이 이론상 업무의 94%를 처리할 수 있지만, 실제 관측된 사용에서는 33% 수준에 머문다고 제시된다.
사무·행정 직군도 이론상 가능 범위가 90%에 가깝지만, 실제 사용은 그보다 훨씬 작다.
연구는 이를 "파란 영역(가능)"이 "빨간 영역(실사용)"을 크게 덮는 그림으로 설명하며, 시간이 지나 도입이 깊어지면 빨간 영역이 파란 영역을 '채워갈' 수 있다고 본다.
왜 아직 대체가 폭발하지 않았나: 규제·도구·검수의 병목
격차의 원인은 기술이 약해서라기보다, 제약 조건이 많아서다.
법적 규제, 모델 한계, 추가 소프트웨어 도구 필요, 그리고 무엇보다 "사람이 최종 검수해야 하는 구조"가 도입 속도를 늦춘다.
연구는 이런 병목이 '영구적'이라기보다 '일시적'일 수 있다고 보고, 시간이 지나면 자동화 범위가 빠르게 넓어질 수 있다고 경고한다.
"AI 노출 0"도 있다: 물리적 현장 직무의 방어력
전체 노동자의 약 30%는 AI 노출이 0에 가깝다고 언급된다.
요리사, 정비사, 바텐더, 설거지처럼 물리적 공간에서 손과 몸이 필요한 일은 LLM만으로 대체하기 어렵다.
즉, 위험은 "화이트칼라 vs 블루칼라"의 단순 구도가 아니라, "언어·문서·분석 중심 업무 단위가 얼마나 많은가"에 더 가깝다.
'화이트칼라 대침체' 시나리오: 실업보다 먼저 보이는 신호는 채용 둔화
연구가 제시하는 가장 강한 문구는 '화이트칼라 대침체(Great Recession for white-collar workers)' 가능성이다.
2007~2009년 금융위기 때 실업률이 5%에서 10%로 두 배가 된 것처럼, AI 고노출 직군 상위 25%에서 실업이 3%→6%로 두 배가 되면 관측 프레임워크에서 뚜렷하게 포착될 것이라고 말한다(아직은 발생하지 않음).
다만 현재 관측되는 문제는 대규모 해고의 급증이라기보다, AI 노출 직군에서의 채용 둔화에 가깝다. 포스트-ChatGPT 시기(2022 대비) 노출 직군의 구직 성공률이 14% 낮아졌다는 신호가 제시되지만, 통계적으로는 '간신히 유의미'한 수준이라고 조심스럽게 표현한다.
기업 사례와 해석의 함정: 'AI 때문'이라는 설명을 그대로 믿기 어렵다
일부 기업은 AI를 이유로 대규모 감원을 발표하지만, 그것이 순수한 자동화 효과인지(혹은 구조조정 명분인지)는 분리해 봐야 한다는 반론도 함께 언급된다.
즉, "AI가 사람을 대체했다"는 헤드라인은 강하지만, 실제로는 비용 절감, 조직 슬림화, 경기 요인 등과 섞여 있을 수 있다.
그래서 관측 노출 같은 프레임이 중요한데, 말이 아니라 "업무에서 AI가 실제로 쓰였는가"를 근거로 토론하게 해주기 때문이다.
인사이트
AI 시대의 리스크는 '직업명'보다 '업무 묶음'에 있다.
자신의 일을 문서작성·요약·분석·규칙 기반 의사결정처럼 잘게 쪼개 "AI가 이미 잘하는 조각"이 얼마나 되는지 점검하고, 그 조각을 감독·설계·검증·대면 협업으로 재배치하는 전략이 필요하다.
단기적으로는 해고보다 채용 둔화가 먼저 올 수 있으니, 주니어일수록 포트폴리오(성과 증거)와 현장형 역량(도메인 지식+검수 능력+도구 운영)을 서둘러 갖추는 편이 안전하다.
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.