AI를 가장 많이 쓰는 직무가 가장 위협을 느낀다 — Anthropic 보고서가 드러낸 비대칭

같은 사람이 “AI로 생산성이 크게 올랐다”와 “내 일자리가 위태롭다”를 동시에 말한다. 인지부조화인가, 합리적 판단인가. Anthropic의 최신 경제 보고서는 후자에 무게를 싣는다.

같은 도구, 정반대의 감정

2026년 4월 23일, Anthropic이 자사 사용자 데이터를 기반으로 한 AI 경제 영향 조사를 공개했다. Gigazine이 같은 날 일본어로 정리해 보도한 이 보고서의 핵심은 한 줄로 요약된다. “AI를 가장 많이 쓰는 직무일수록 일자리에 대한 위협 인식이 높다.”

직관과는 정반대로 들린다. 일반적인 가설은 다음과 같다. AI를 잘 쓰는 사람은 AI를 도구로 길들인 사람이고, 따라서 위협을 덜 느낄 것이다. AI를 못 쓰는 사람이야말로 위협을 느낄 것이다. 그런데 실제 데이터는 정반대를 가리킨다. 사용 강도(exposure)가 높은 직무일수록 위협 인식이 강했다.

이 패턴은 단순한 통계적 우연으로 보기 어렵다. Anthropic이 측정한 평균 생산성 향상 점수는 7점 만점에 5.1점이다. 이는 응답자 다수가 “주요한 생산성 향상(major productivity gains)“을 체감하고 있음을 뜻한다. 그런데 같은 응답자들이 동시에 일자리 위협을 보고하고 있다. 즉, 한쪽 손에는 큰 이득을, 다른 손에는 큰 불안을 들고 있는 셈이다.

이 글은 이 비대칭이 무엇을 의미하는지, 그리고 외주를 발주하거나 사내에 AI 도입을 추진하는 기업 의사결정자에게 어떤 함의를 갖는지를 분석한다. 결론을 미리 말하자면, 이 데이터는 AI 도입을 강행할 근거도, 자제할 근거도 아니다. 다만 “누가, 어떻게, 어느 속도로”라는 질문에 대해 더 정밀한 답을 요구한다.

보고서가 드러낸 다섯 가지 패턴

패턴 1: 사용 강도와 위협 인식의 양의 상관

Anthropic은 응답자별로 Claude 사용 강도를 측정한 “exposure” 메트릭을 만들었다. 이 메트릭이 높은 직무군일수록, 향후 AI로 인해 자신의 일자리가 영향받을 가능성을 더 높게 인식했다. 통계적 표현으로는 “exposure와 perceived job threat 사이의 양의 상관”이다.

이 결과는 두 가지 해석을 동시에 허용한다. 하나는 “AI를 많이 쓰면서 그 능력을 가까이서 본 사람일수록, AI가 어디까지 할 수 있는지를 안다”는 해석이다. 외부에서 볼 때 막연한 가능성으로 보이는 것이, 사용자에게는 구체적 현실이다. 본인이 매주 Claude로 처리하는 작업 가운데 절반은 5년 전 자신의 직무 정의서에 핵심 업무로 적혀 있었던 것들이다. 이 사실은 두 가지를 동시에 시사한다. 자기 능력의 확장이자, 자기 가치의 희석이다.

패턴 2: 커리어 단계별 차이

같은 보고서에서 Anthropic은 커리어 단계 변수도 분석했다. 결과는 명확했다. early-career professionals, 즉 주니어급 종사자가 시니어보다 일자리 손실 우려를 유의하게 더 높게 보고했다.

이는 다른 데이터와도 정합한다. Salesforce는 2025년 한 해 동안 신규 SWE를 0명 채용했다. 미국 대학에서 컴퓨터과학 전공 신청자 수는 정점 대비 최대 62%까지 줄었다는 보도도 있다. AI가 시니어 엔지니어를 대체하는 속도보다, 주니어 엔지니어 자리를 줄이는 속도가 빠르다는 가설은 업계에서 점점 입지를 넓히고 있다.

Anthropic의 이번 데이터는 “주니어들의 우려가 막연한 비관이 아니라 데이터적 근거를 가진 인식” 임을 시사한다. 단순히 “젊으니까 더 두려워한다”가 아니라, 이들이 시장의 신호를 가장 먼저 읽고 있을 가능성이 있다는 뜻이다.

패턴 3: 소득과 혜택의 불균형

생산성 향상의 분포는 직군별로 균일하지 않았다. 매니지먼트, 소프트웨어 엔지니어링, 그리고 기타 고소득 직군이 생산성 향상의 가장 큰 몫을 가져갔다. AI가 모든 사람을 평준화하는 도구가 아니라, 이미 잘하던 사람을 더 잘하게 만드는 도구에 가깝다는 가설을 부분적으로 지지한다.

경제학에서 이를 “skill-biased technical change”라 부른다. 신기술이 고숙련 노동자의 가치를 높이고 저숙련 노동자의 가치를 낮추는 패턴이다. 1990년대 이후 컴퓨터화의 효과가 대표적 사례로 꼽힌다. AI가 같은 패턴을 더 강하게 반복하고 있다는 것이 이번 데이터의 한 해석이다.

패턴 4: “expanded scope”와 “speed increase”가 90%

응답자들이 보고한 향상의 거의 90%는 두 가지 카테고리에 집중됐다.

첫째, expanded scope (영역 확장). 자기 전문성 외 영역 작업을 가능하게 만드는 효과다. 비전공 코드를 작성한다거나, HR 담당자가 SQL을 다룬다거나, 디자이너가 프론트엔드 코드를 직접 만진다. 둘째, speed increase (속도 향상). 한 응답자는 “2시간 걸리던 금융 작업이 15분에 끝났다”고 보고했다. 8배 가속이다.

이 두 가지 패턴은 표면적으로는 모두 긍정적이다. 그러나 자세히 보면 양면성이 있다. 영역 확장은 동시에 자기 직무의 경계 흐려짐을 뜻한다. 프론트엔드 엔지니어가 백엔드 코드를 직접 쓸 수 있다면, 백엔드 엔지니어의 입장에서는 자기 영역에 들어오는 사람이 늘어난다. 8배 속도 향상은 동시에 인당 처리량 증가, 즉 같은 일을 하는 데 사람이 8배 덜 필요하다는 함의를 갖는다.

패턴 5: 양극단에서 위협감 최대

가장 흥미로운 패턴은 마지막에 있다. 속도 변화의 양극단, 즉 속도가 크게 떨어진 그룹과 속도가 크게 올라간 그룹 양쪽에서 일자리 위협 인식이 가장 높았다.

큰 속도 향상이 위협감과 연결되는 이유는 직관적이다. “이렇게 빨라지면 결국 사람이 덜 필요해진다”는 추론이다. 그러나 속도가 떨어진 그룹의 위협감은 다른 이야기다. 이들은 AI를 도입했지만 오히려 워크플로우가 망가졌거나, 검토·교정 비용이 늘었거나, 출력의 신뢰성 문제로 시간이 더 걸리는 경우다. 그럼에도 “AI를 도입했다”는 사실 자체가 경영진에게는 효율화 압력으로 인식되고, 실제 효율은 떨어졌지만 인력은 줄어들 수 있다는 우려가 발생한다.

여기에 창작 분야의 패턴이 추가된다. 보고서에 따르면 창작 직군은 AI 도입 자체는 다른 분야보다 느리지만, 위협 인식은 매우 강했다. 이는 AI가 직접 침투하지 않더라도 시장 가격을 떨어뜨릴 수 있다는 합리적 우려를 반영한다. AI가 만든 일러스트와 카피가 시장 단가를 끌어내리면, 본인이 AI를 쓰지 않더라도 영향을 받는다.

왜 같은 사람이 두 감정을 동시에 갖는가

생산성 향상과 일자리 위협을 같은 응답자가 동시에 보고하는 패턴은 처음 볼 때는 모순처럼 보인다. 그러나 합리적으로 분해할 수 있다.

첫째, 시간 지평의 차이다. 생산성 향상은 지금 당장 자신이 체감하는 것이다. 일자리 위협은 1~3년 뒤의 가능성이다. 두 감정은 서로 다른 시간축을 보고 있기 때문에 모순이 아니다.

둘째, 개인 효용과 시장 가치의 분리다. 본인이 AI로 8배 빨라진다는 것은 개인 효용이다. 동시에 그 8배는 노동 시장에서 본인의 시간 단가가 8분의 1이 될 가능성을 의미한다. AI가 본인을 강화하는 동시에 본인의 unique value를 commoditize하기 때문이다.

셋째, 합리적 판단의 결과다. 인지부조화 가설은 “사람들이 모순된 두 감정을 동시에 갖는 것은 비합리적”이라고 본다. 그러나 위 두 가지를 고려하면, 이번 데이터의 패턴은 응답자들이 자신의 상황을 매우 정확히 읽고 있다는 증거에 가깝다. AI를 가장 많이 쓰는 사람일수록, AI의 능력 곡선과 자신의 능력 곡선의 거리를 가장 정확히 잰다.

보고서의 한계와 다른 데이터와의 충돌

이번 Anthropic 조사는 특정한 표본 조건을 가진다. 응답자는 Claude 개인 계정 보유자 중 자원해서 응답한 사람들이다. 이는 자기선택 편향(self-selection bias) 가능성을 만든다. AI에서 개인적으로 큰 혜택을 본 사람일수록 응답에 적극적일 수 있고, 따라서 5.1/7이라는 평균 향상치는 실제 모집단보다 과대 추정됐을 가능성이 있다.

더 중요한 모순은 같은 시기 다른 조사들과의 충돌이다.

미국 NBER이 2026년 2월 공개한 기업 단위 조사에 따르면, AI를 도입한 기업의 약 80%가 의미 있는 생산성 향상을 보고하지 않았다. MIT가 2025년 발표한 다른 조사에서는 기업 AI 파일럿의 95%가 ROI를 만들지 못했다는 결론도 있었다. 같은 시기 Gallup이 측정한 Z세대의 AI에 대한 감정 변화는 흥분(excitement)이 36%에서 22%로 떨어지고, 분노(anger)가 22%에서 31%로 오른 것으로 나타났다.

개인 단위 응답자들은 큰 향상을 보고하는데, 기업 단위에서는 향상이 측정되지 않는 이 모순을 어떻게 해석할 것인가. 가능성은 세 가지다.

첫째, 자기 보고 편향. 개인은 자신이 절약한 시간을 과대평가하고, 늘어난 검토·교정 시간을 과소평가하는 경향이 있다.

둘째, 워크플로우 효과의 미반영. 한 단계에서 시간이 줄어도, 그 산출물이 다음 단계의 병목을 만들면 전체 처리량은 늘지 않는다. 개발자가 코드를 8배 빨리 쓰더라도, 코드 리뷰·QA·배포 단계가 그대로면 출시 속도는 8배가 되지 않는다.

셋째, 자기선택 편향. 응답한 개인이 AI 적극 사용자인 반면, 기업 단위 조사는 적극 사용자와 소극 사용자를 모두 포함한다.

세 가설 모두 부분적으로 사실일 가능성이 높다. 어느 쪽이든 결론은 같다. 개인 응답자의 5.1/7은 기업 차원의 ROI를 보장하지 않는다.

발주 기업과 사내 AI 도입 책임자의 관점

이 데이터를 발주 기업, 즉 외주 IT 인력을 받거나 사내 직원에게 AI 도입을 권장하는 기업의 의사결정자 시각으로 옮겨 본다.

협력사의 “AI로 X% 빨라졌다” 주장에 대한 검증

외주 협력사가 견적을 내거나 일정을 협의할 때, “AI 도입으로 X% 빨라졌다”는 근거를 제시하는 사례가 늘고 있다. 이번 보고서의 함의는 이런 주장을 액면가 그대로 받아들이기 어렵다는 것이다. 응답자 단위에서 5.1/7이라는 큰 향상이 보고되더라도, 그것이 프로젝트 단위 산출물 품질·일정·총비용으로 어떻게 환산되는가는 별개의 문제다.

검토할 가치가 있는 항목은 다음과 같다.

• 단계별 시간 측정. 코드 작성, 코드 리뷰, QA, 통합 테스트 각 단계에서 AI가 어디서 얼마나 시간을 줄였는가.
• 재작업 비율. AI가 만든 산출물의 재작업 빈도가 사람이 만든 것 대비 어떻게 다른가.
• 인력 구성. 동일 일정·품질 기준에서 인원이 줄었는가, 혹은 같은 인원으로 산출물이 늘었는가.

이 세 가지 가운데 어느 것도 명확히 답할 수 없다면, “AI로 빨라졌다”는 주장은 정성적 인상에 가깝다.

사내 직원의 위협감 관리

이번 보고서의 가장 중요한 함의 중 하나는, 직원의 일자리 우려가 비합리적 비관이 아니라 데이터적 근거를 가진 인식이라는 점이다. AI를 적극적으로 쓰는 직원일수록 우려가 크다는 사실은, AI 도입을 강하게 추진하는 회사일수록 우려가 빠르게 커질 수 있음을 시사한다.

이를 완전히 없앨 수는 없다. 다만 다음과 같은 접근이 검토할 가치가 있다.

• 역할 재정의의 명시화. AI 도입 후 각 직무의 핵심 가치가 어디로 이동하는지를 회사가 미리 그리고, 그 그림을 직원과 공유한다. 이를 미루는 회사일수록 직원의 불안이 추정으로 채워진다.
• 재교육 트랙의 구체성. “재교육”이라는 추상적 약속이 아니라, 어떤 스킬셋으로 어떤 기간 안에 전환할 수 있는지의 구체적 경로가 필요하다.
• early-career에 대한 별도 설계. 주니어의 우려가 가장 크다는 데이터에 비추어, 신입 채용 정책과 주니어 직무 설계는 별도의 검토를 요한다. 단순히 “주니어를 줄이고 시니어로 대체”하는 전략은 중장기적으로 인재 파이프라인을 망가뜨릴 위험이 있다.

”AI 강화 직무”의 해고 ROI 신중 평가

가장 위험한 의사결정은 “AI로 X 직무가 빨라졌으니 인원을 줄여도 된다”는 단선적 추론이다. 이번 데이터는 두 가지를 시사한다.

첫째, 개인 단위 향상이 기업 단위 ROI로 환산되지 않을 가능성이 크다(NBER, MIT 데이터 참조). 둘째, 위협감이 큰 직원일수록 이미 AI를 가장 잘 쓰는 직원일 가능성이 높다. 이런 직원을 줄이는 것은 회사 차원에서 AI 활용 역량을 함께 줄이는 결과를 낳을 수 있다.

해고 결정이 필요한 상황이라면, 적어도 **“AI로 빨라진 만큼 줄인다”**는 산식이 아니라, **“빨라진 시간을 어디에 재배치하는가”**의 질문이 먼저 와야 한다. 후자가 답해질 때까지 전자는 보류할 가치가 있다.

시나리오: 단기, 중기, 장기

이번 데이터로부터 그려볼 수 있는 시나리오는 세 가지다.

단기 (1년): AI 잘 쓰는 사람이 더 잘 쓰게 되는 강화 패턴이 지배적이다. 매니지먼트와 SWE를 비롯한 고소득 직군의 생산성 향상이 두드러지고, 주니어와 창작 직군의 위협감이 커진다. 기업 단위 ROI는 여전히 명확히 나타나지 않는다.

중기 (2~3년): 두 갈래로 나뉜다. 한쪽은 워크플로우 재설계와 역할 재정의를 통해 개인 향상을 기업 ROI로 전환한 회사들이다. 다른 한쪽은 그러지 못한 채 비용만 증가한 회사들이다. 둘의 격차가 벌어진다. 직무 양극화도 깊어진다.

장기 (5년 이상): 두 가능성이 갈린다. 하나는 기업 단위 ROI가 입증되어 AI 통합이 완전히 일상화되는 시나리오. 다른 하나는 거품이 꺼지고 일부 영역에서 AI 도입이 후퇴하는 시나리오. 어느 쪽이든 인력 구성과 역할 정의가 한 번 더 재편된다.

세 시나리오 모두 공통점이 있다. 단기적으로는 위협감이 데이터로 정당화되는 시기다.

결론: 비대칭이 우리에게 묻는 것

리드 질문으로 돌아가 본다. 같은 사람이 “AI로 큰 향상”과 “내 일자리 위협”을 동시에 보고하는 것은 인지부조화인가, 합리적 판단인가. 이번 보고서의 데이터는 후자에 무게를 싣는다. 자신을 강화하는 도구가 동시에 자신을 commoditize할 수 있다는 사실을, 가장 많이 쓰는 사람이 가장 정확히 읽는다.

이것은 AI 도입을 멈춰야 한다는 결론이 아니다. 도입을 가속해야 한다는 결론도 아니다. 다만 **“누가, 어떤 속도로, 어떤 안전장치와 함께”**라는 질문에 대해, 회사 전체가 더 정밀한 답을 가져야 할 시점이 왔다는 신호다.

발주처 IT 매니저, HR, 경영진에게 이 데이터가 던지는 질문은 단순하다. 우리 회사에서 AI를 가장 잘 쓰는 직원이 가장 큰 불안을 안고 있다면, 그 불안을 읽지 못하는 도입 전략은 어떤 방향으로 우리 회사를 끌고 가는가. 이 질문에 대한 답이 준비되기 전에 도입 속도를 결정하는 것은, 데이터가 시사하는 비대칭을 무시하는 일이 된다.

비대칭은 무시할 수 있는 것이 아니다. 비대칭은 다음 분기 인력 계획서에서 그 비용을 청구할 것이다.

출처

• Anthropic AI Economic Impact Report (2026-04-23)
• Gigazine 보도: AI 사용 강도와 일자리 위협 인식의 상관관계 (2026-04-23)
• NBER: Enterprise AI Productivity Survey (2026-02)
• MIT: Enterprise AI Pilot ROI Study (2025)
• Gallup: Gen Z AI Sentiment Tracker (2026-03)