AI는 이미 연 2조 7천억 달러를 절약한다 — 대부분의 노동자는 그 방에 없다

연간 2조 7천억 달러. IMF 이코노미스트 두 명이 AI가 지금 전 세계에서 절약해 주는 노동시간에 매긴 값입니다. 측정 가능했던 86개국 합산 GDP의 약 3.4%에 해당합니다. [사실] 그런데 탄자니아에서는 이 가치의 사실상 전부가 전체 노동자의 5%도 안 되는 직업군 안에서 만들어집니다. [사실]

두 숫자 모두 2026년 7월 발표된 같은 워킹페이퍼에서 나왔습니다. Rachel Yuting Fan과 Ha Minh Nguyen의 "Aggregate Gains from AI and Their Distribution: Global Evidence from Usage Data"(IMF WP 2026/147)입니다. IMF 워킹페이퍼는 스태프 연구이지 IMF 공식 입장이 아니라는 표준 단서가 붙습니다. 헤드라인 숫자는 널리 퍼질 겁니다. 누가 빠져 있는지의 지도도 함께 퍼져야 합니다.

노출 추측이 아니라 사용 관찰

AI의 일자리 영향 추정 대부분은 AI가 할 수 있을 법한 일에 직업을 대조하는 노출 지수 방식입니다 — BLS가 고용 전망에 AI 노출 카테고리를 신설했을 때 다뤘던 접근이죠. Fan과 Nguyen은 질문을 뒤집습니다. 어떤 직업이 실제로 AI를 쓰고 있고, 어느 나라에서, 어떻게 변하고 있는가?

원재료는 Anthropic Economic Index 5개 릴리스입니다. 2025년 1월부터 2026년 2월까지, 릴리스마다 Claude 대화 100만 건을 샘플링해 Anthropic의 분류기가 O*NET 직업 과업으로 매핑합니다. [사실] 세 번째 파동부터는 국가 코드가 붙습니다. 2026년 2월 릴리스에서는 176개국이 지오코딩되고 117개국이 최소 대화량 기준을 넘었으며, ILO 임금 데이터가 있는 86개국 — 세계 GDP의 79% — 이 핵심 표본이 됩니다. [사실] 눈에 띄는 공백 하나: Anthropic이 영업하지 않는 중국은 빠져 있습니다. [사실]

집계 지표인 노동비용 환산가치(LCE)의 산식은 단순합니다. 대화 1건당 절약 시간 × 대화 수 × 해당 직업의 현지 임금. "기존 소프트웨어 수정" 과업이라면 사람 단독 3.54시간이 AI 보조 시 0.30시간으로 줄어 대화당 3.24시간이 절약됩니다. [사실] 중위 가정(주당 Claude 대화 2억 건, 시장점유율 25% → 전체 시장 주당 약 8억 건)으로 확장하면 연간 2조 7천억 달러가 나오는데, 시장 가정에 따라 1조 6천억~6조 1천억 달러라는 민감도 범위를 저자들이 정직하게 공개합니다. [사실]

나눗셈을 직접 해 보면 숫자가 손에 잡힙니다. 주당 8억 건이면 연간 약 416억 건이고, AI 대화 1건당 평균 약 65달러어치의 노동시간이 절약된다는 계산이 됩니다 — 논문이 암시만 하고 명시하지 않은 산수입니다. [추정]

반대 방향으로 움직이는 두 곡선

개별 노동자에게 가장 중요하다고 보는 발견입니다. AI를 쓰는 직업의 평균 임금은 떨어지고 있습니다. 미국 임금 가중 사용 지수가 2025년 1월 82,353달러에서 2026년 2월 77,845달러로 5.5% 하락했는데, 컴퓨터·수학 직군이 글로벌 대화 점유율 4.9%p를 잃는 동안 교육이 4.1%p, 판매가 2.7%p, 사무행정이 1.6%p를 얻었기 때문입니다. [사실] 그런데 총 LCE는 데이터 마지막 6개월 동안 연환산 1조 2천억 달러에서 2조 7천억 달러로 두 배 넘게 뛰었습니다. [사실]

역설의 해답은 고용 규모입니다. 교사, 판매원, 행정 직원은 소프트웨어 개발자보다 시급이 낮지만 수가 압도적으로 많아서, 건당 가치가 낮은 대화가 훨씬 큰 노동력 위에서 곱해지며 총액을 밀어올립니다. LCE 증가분에서 대화량 성장이 차지한 몫은 한 분기 약 72%, 다음 분기 84%였습니다. [사실]

소프트웨어라는 핵이 바깥으로 녹아 나오고 있습니다. 논문이 끝내 쓰지 않은, 이 논문에서 가장 희망적인 문장입니다.

AI 이득의 지니계수

논문의 두 번째 발명품은 AI 집중 지수(ACI)입니다. 보건경제학에서 가져와 변형한 것으로, AI의 시간 절약이 고용 비중 대비 고임금 직업에 쏠리면 양수, 중립이면 0입니다. 거의 모든 나라에서, 모든 파동에서, 양수입니다. [사실]

아픈 건 격차입니다. 미국 0.49, 인도 0.84, 케냐 0.78, 탄자니아 0.98. 사하라 이남 아프리카와 남아시아의 ACI는 0.90~1.00에 몰려 있어 측정된 이득 사실상 전부가 임금 사다리 꼭대기로 흐르는 반면, 서유럽·북미는 0.35~0.55입니다. [사실] 국가 사이의 기울기도 그만큼 가파릅니다. 고소득 국가가 전체 LCE의 96%를 가져가며 자국 GDP의 약 4.2% 규모인 반면, 중소득국은 약 0.6%, 저소득국은 0.1%입니다. [사실]

"넓게 퍼졌다"는 미국조차 들리는 것만큼 넓지 않습니다. 논문 자체의 계산 예시에서 미국 고용의 23.2%인 전문직이 AI 시간 절약의 83.6%를 가져가고, 임금 사다리를 기능공·테크니션까지 올라가 미국 고용의 65.1%를 덮어도 이득의 10.7%만 쌓입니다. [사실] 비율을 내 보면, 미국 임금 사다리 하위 3분의 2는 비례 몫의 약 6분의 1을 가져가고 있습니다. [추정]

다만 기울기는 완화 중입니다. ACI가 하락한 나라가 6개월 사이 108개국 중 32개(30%)에서 110개국 중 53개(48%)로 늘었고, 상승에서 하락으로 반전한 나라가 26개 — 그중 12개가 중소득국입니다. [사실] 씁쓸한 각주 하나: 81개국 중 20개국은 변화가 아예 없었는데, 분류된 AI 대화 전부가 단 하나의 직업군에 매핑됐기 때문입니다. [사실]

확산을 예측하는 것: 소득이 아니라 영어

국가 간 회귀에서는 IMF AI 준비지수의 규제 하위지수인 AI 규제 준비도가 GDP 대비 AI 가치 포착의 지배적 예측 변수였고, 부유하고 준비된 나라일수록 이득도 더 넓게 퍼져 있었습니다. [사실] 그런데 집중이 하락하는지는 소득도 준비도도 예측하지 못합니다. 예측하는 건 영어가 공용어인지 여부입니다. [사실]

저자들의 해석은 이렇습니다. 법전, 교육과정, 업무 문서를 영어로 쓰는 나라는 제도적 지식이 LLM 학습 데이터에 잘 들어가 있어서, AI가 영어로 일할 수 있는 엘리트만이 아니라 폭넓은 직업에 현지에 맞는 답을 준다는 것입니다. [주장] 미국을 제외해도 계수가 유지되니 초기 도입국 효과만은 아닙니다. [사실] 제도적 삶이 저자원 언어로 돌아가는 모든 나라 — 한국 포함 — 가 곱씹을 대목입니다. AI 이득의 폭을 제약하는 건 인프라보다, 누구의 문서로 모델이 학습됐는가일 수 있습니다.

이 논문이 벗어날 수 없는 측정 문제

이제 불편한 부분입니다. 지난주 우리는 미국 노동자 2만 명을 설문한 NBER 논문을 다뤘습니다. 챗로그 기반 직업 지표가 설문으로 잰 채택률과 0.11~0.34밖에 상관하지 않고, 챗로그끼리도 거의 안 맞는다는 내용이었죠. 이번 IMF 추정은 단일 벤더의 챗로그 위에 통째로 세워져 있습니다. 더 나아가 절약 시간 변수는 실험으로 잰 것이 아니라 Claude 자신이 추정한 값입니다 — 모델이 자기 시간 절약을 자기가 채점하는 셈입니다. [주장] 저자들도 이를 공개적으로 명시하며, 평균 절약 시간을 1.80~3.81시간으로 흔드는 경계 실험에서도 총액은 2조 5천억~2조 9천억 달러 안에 머뭅니다. 대화량이 많은 과업일수록 정밀하게 추정돼 있기 때문입니다. [사실] 그래도 남습니다. 각 파동은 소비자 웹 대화 단 1주일 치이고, 기업용 API 트래픽은 제외됐으며, API 사용은 고임금 컴퓨팅 직군에 더 심하게 쏠려 있어(51%) ACI는 실제 집중도의 하한일 가능성이 큽니다. [사실]

제외된 기업 채널에는 인상적인 비율이 하나 더 숨어 있습니다. 각주에서 Anthropic API만으로 연간 약 1조 1,400억 달러의 노동 가치를 추산하는데, 대화당 매출 0.34달러로 역산한 약 310억 건이 근거입니다. 나란히 놓아 보면, 구매자는 대화 1건에 약 0.34달러를 내고 논문 추산으로 약 37달러어치의 노동시간을 절약합니다 — AI의 가격과 노동 가치 사이 약 100배의 쐐기입니다. [추정] 이 쐐기의 일부만 실재해도 모든 고용주가 받는 도입 압력은 어마어마합니다.

정직하게 덧붙이면, 이 비판은 우리 자신도 벱니다. 이 사이트의 직업 페이지가 렌더링하는 노출 지표는 이 논문이 쓴 것과 같은 Anthropic Economic Index 계보에서 나왔습니다. 그리고 LCE는 현재 임금으로 절약 시간을 계산한 부분균형 회계일 뿐, 대체나 임금 압축, 그 이득이 노동자에게 가는지 기업에 가는지는 말해 주지 않습니다 — 저자들이 명시적으로 열어 둔 질문입니다.

내 월급에는 무슨 뜻인가

실용적 독법 세 가지. 첫째, 교육·판매·사무행정에서 일한다면 확산이 지금 당신의 직업군에 도착하고 있습니다. 대화 점유율이 가장 빠르게 늘어난 세 직군이고, 대화당 65달러 산수는 당신 분야에서 만들어지는 가치가 AI가 건드릴 수 있는 과업 수에 비례해 커진다는 뜻입니다. 둘째, "직업군으로 이득이 흐른다"와 "당신에게 흐른다"는 다릅니다. 2조 7천억 달러가 월급으로 갈지 기업 마진으로 갈지는 교섭력과, AI가 당신의 과업을 보완하는지 대체하는지에 달려 있습니다. 셋째, AI 사용이 아직 소수 전문직 거주지에 갇힌 나라에서 일한다면, 여기서 실측된 제약은 학습 데이터 대표성과 규제 준비라는 제도 변수이지 개인의 노력이 아닙니다. 안도이자, 노력의 방향에 대한 경고입니다.

데이터는 2026년 2월에 끝납니다. AI는 임금 사다리를 타고 내려오는 중이고, 문서가 영어로 말하는 곳에서 더 빠릅니다. 바닥에는 아직 닿지 않았습니다 — 스무 개 나라에서는 아직 첫 번째 방을 떠나지도 못했습니다.

Sources

• Fan, R. Y. & Nguyen, H. M. (2026). "Aggregate Gains from AI and Their Distribution: Global Evidence from Usage Data." IMF Working Paper 2026/147, 2026년 7월 10일. https://www.imf.org/en/publications/wp/issues/2026/07/10/aggregate-gains-from-ai-and-their-distribution-global-evidence-from-usage-data-577586 (전문은 IMF eLibrary로 확인. 원자료인 Anthropic Economic Index는 Hugging Face에 공개, 임금은 ILOSTAT)

이 글은 AI 보조 분석으로 작성되었습니다. 모든 수치는 워킹페이퍼 전문과 대조 검증했으며, 우리가 직접 도출한 계산은 추정으로 표기했습니다.