생성형 AI, 직업 80%에 침투 — 그런데 대다수 노동자는 아직 안 쓴다

2026년 일터의 AI를 설명하는 숫자는 세 개입니다. 생성형 AI는 이제 미국 직업의 80% 이상, 세부 업무 과업의 40% 이상에서 쓰이고 있습니다 — 그런데 그 과업들 대부분에서, 실제로 그 일을 하는 노동자 중 채택한 사람은 절반이 안 됩니다. "나만 빼고 다들 AI 쓰는 거 아냐?"라는 질문에 확정적인 답을 기다려왔다면, 여기 있습니다. 거의 모든 곳에서, 답은 '아니오'예요. 새로 나온 NBER 워킹페이퍼가 처음으로 생성형 AI 채택을 직업 평균이나 플랫폼 일화가 아니라, 미국 경제 전체에 걸쳐 과업 하나하나 단위로 실측했습니다.

[사실] 이 논문 — 알렉산더 빅(세인트루이스 연방준비은행), 애덤 블랜딘(밴더빌트), 데이비드 데밍(하버드), 타일러 슈마허(밴더빌트)의 "What Work Does Generative AI Do?", 2026년 8월 NBER 워킹페이퍼 35677호 — 은 실시간인구조사(RPS)에 기반합니다. 분기마다 약 5,000명의 미국 성인을 조사하는 전국 대표 온라인 서베이로, 과업 단위 생성형 AI 문항은 2025년 8월부터 2026년 5월까지 네 차례 조사됐습니다.

생성형 AI가 실제로 하는 일, 첫 과업 단위 전수조사

이 논문이 다른 연구와 갈라지는 지점은 측정 설계입니다. 설문 응답자에게 수천 개의 과업을 일일이 물을 수는 없죠. 그래서 RPS는 먼저 2018 SOC 체계로 응답자의 세부 직업을 특정하고, 그 직업에서 가장 중요한 O*NET 업무활동 10개를 보여준 뒤, 실제로 수행하는 것을 고르게 하고, 마지막으로 그중 어떤 과업에 생성형 AI를 정기적으로 쓰는지 묻습니다. 그 결과물은 어떤 노출 지수도, 어떤 챗로그 연구도 만들지 못한 것입니다: 노동자 본인에게서 직접 측정한 2,040개 세부 업무활동의 채택률, 그리고 네 차례 조사에서 순위가 안정적으로 유지되는 데이터요.

[사실] 2026년 5월 기준 헤드라인 수치는 이렇습니다. 미국 노동자의 45%가 업무에 생성형 AI를 쓰고, 18-64세 성인의 55%가 업무 외에 쓰며, 62%는 어디에서든 씁니다.

넓게 퍼졌지만, 얕다

저자들이 붙인 표현은 "widespread but shallow(넓지만 얕은)"이고, 분포가 그 말을 뒷받침합니다.

[사실] 세부 직업의 80% 이상, 세부 과업의 40% 이상에서 채택률이 20%를 넘습니다 — 하지만 채택률 70%를 넘는 직업은 여섯에 하나 꼴이고, 50%를 넘는 과업은 전체의 2.8%뿐이며, 70%를 넘는 과업은 경제 전체에 단 하나도 없습니다.

[사실] 직업 순위표 최상단은 컴퓨팅·분석 클럽입니다: 컴퓨터·정보 연구과학자 87.3%, 정보보안 분석가 85.4%, 컴퓨터 프로그래머 81.2%. 최하단은 신체·대인 노동입니다: 동물 돌봄 종사자 5.3%, 접수원 7.6%, 객실 청소원 11.3%.

그 상위 10위 안에 조용한 반전이 하나 있습니다. 최고경영자의 채택률이 79.7% — 소프트웨어 개발자의 78.8%를 근소하게 앞섭니다. 경영진이 AI를 만드는 사람들만큼 AI를 쓰고 있다는 얘기죠. 고채택 분야에서 일하신다면, 이 사이트의 소프트웨어 개발자, 정보보안 분석가, 컴퓨터 프로그래머 상세 페이지에서 AI가 해당 직무와 어떻게 맞물리는지 다루고 있습니다.

노출 점수는 절반도 못 맞힌다

여기서부터 논문이 논쟁적으로 변합니다. 지난 3년간 AI와 일자리에 관해 쓰인 거의 모든 것 — 이 사이트의 분석 상당수를 포함해서 — 은 "노출 점수", 즉 AI가 어떤 직업에 영향을 줄 수 있는지에 대한 모델 기반 예측에 기대 왔습니다. 이 논문은 그 예측을 실측 채택률과 대조했고, 점수들은 기대에 못 미쳤습니다.

[사실] 측정치에 따라 노출 점수는 직업 간 채택 변이의 5~53%, 과업 간 변이의 7~44%만을 설명합니다.

[추정] 저자들의 회귀 분석은 더 직설적입니다: 직업 노출 점수는 설명 가능한 직업 수준 채택 변이의 절반에 조금 못 미치는 정도만 포착합니다.

빗나간 지점들은 무작위가 아닙니다. [사실] 접수원은 가장 크게 과대예측된 직업입니다. 노출 기반 모델은 채택률 54.0%를 예측했지만 실제는 7.6%였습니다. 예측이 관측된 현실의 약 7배로 달린 셈이죠 — 모델은 자동화 가능한 정보 업무를 봤지만, 실제 일터에는 컴플라이언스 규정, 빈약한 기술 교육, 실험할 유인의 부재가 있었습니다. 고객서비스 상담원도 같은 패턴으로, 31%포인트 과대예측됐습니다.

반대 방향의 빗나감도 그만큼 시사적입니다. [사실] 건설장비 운전원은 19.5%로 예측됐지만 실제 채택률은 60.7%였고, 특수교육 교사·최고경영자·컴퓨터 수리공 모두 예측치를 25%포인트 이상 웃돌았습니다. 저자들이 짚는 이 과소예측 집단의 공통점은 자율성입니다: 아무도 이들의 프롬프트를 결재하지 않습니다.

과업보다 옆자리 동료가 더 중요하다

이 논문의 가장 깊은 발견은 회귀분석 표 하나에 묻혀 있습니다. [사실] 과업 고정효과만으로는 특정 노동자가 특정 과업에 생성형 AI를 쓰는지 여부의 변이를 11.2%밖에 설명하지 못하는데, 개인 고정효과를 추가하면 44.0%로 뜁니다. 산수를 해보면 개인 요인이 과업 자체보다 거의 3배를 설명합니다. 인구통계 변수 — 나이, 성별, 인종, 학력 — 는 숫자를 거의 움직이지 못합니다.

쉽게 말해: 당신이 하루 종일 무엇을 하는지보다 당신이 누구인지가 AI 사용을 훨씬 잘 예측합니다. 같은 일을 나란히 하는 두 사람이 정반대의 채택 선택을 하는 게 일상적이라는 겁니다.

[사실] 저자들은 이 현상의 일부를 영역을 넘나드는 학습으로 추적합니다. 생성형 AI를 6개월 이상 써온 노동자는 같은 일을 하는 신규 사용자보다 약 0.4개 더 많은 과업에 AI를 쓰고, 도구변수 추정에 따르면 한 노동자의 다른 과업들에서 채택이 10%포인트 오르면 특정 과업의 채택도 5.4~7.0%포인트 오릅니다 — 업무 사용이 가정 사용으로 번지는 유사한 파급효과도 확인됐습니다.

[주장] 저자들은 이를 고정비용 이야기로 읽습니다. 이득이 분명한 영역 어디서든 학습 비용을 한 번 치르면, 다른 모든 곳에 생성형 AI를 적용하는 비용이 싸진다는 것 — 이는 모델이 더 나아지지 않아도, 경험이 쌓이는 것만으로 직업 내부의 채택이 계속 깊어질 것임을 시사합니다.

챗로그 연구를 겨냥한 측정 경고

논문의 마지막 절은 지금 가장 많이 인용되는 생성형 AI 데이터셋들을 정조준합니다. 플랫폼 챗로그로 구축한 과업 분류 — Anthropic의 Claude 데이터, OpenAI의 ChatGPT 데이터, Microsoft의 Copilot 데이터입니다.

[사실] 네 측정치는 거의 합의하지 못합니다. RPS 과업 점유율과 OpenAI의 상관은 0.11, Anthropic과는 0.34, Microsoft와는 0.10입니다 — 챗 데이터셋끼리도 서로 안 맞아서, 모든 쌍별 상관이 0.4 미만이고 Anthropic 대 Microsoft는 0.08입니다.

메커니즘은 범용 만능 과업으로의 과잉 분류입니다. [사실] OpenAI 챗의 15% 이상이 "문서·저작물 편집"으로 분류되는데, 미국 노동자 중 그 과업을 공식적으로 포함하는 직업에 있는 사람은 2.4%뿐이고, 서베이에서 이 과업은 AI 보조 업무의 0.1%만 차지합니다. 챗 분류기가 보는 것과 노동자가 보고하는 것 사이에 150배의 간극이 있는 겁니다. [사실] 전체적으로 상위 10개 과업이 챗 데이터에서는 전체 사용의 46~61%를 흡수하지만, 서베이에서는 22%입니다.

이게 왜 중요하냐면: 챗로그 과업 점유율은 수십 편의 연구에서 직업 수준 "AI 노출" 대리지표로 재활용돼 왔고 — 지난주부로 공식 통계에까지 들어갔기 때문입니다. [사실] 저희가 2025-35 고용 전망 분석에서 다룬 BLS의 신설 관측 기반 AI 노출 카테고리는 부분적으로 Claude와 Copilot 텔레메트리 위에 세워져 있습니다. 이 논문은 그 측정 계보 전체에 찍힌 경고 도장으로 도착했습니다: 챗 분류기는 대화의 텍스트는 보지만 타이핑하는 사람의 직업은 보지 못하므로, 사용을 엉뚱한 직업에 귀속시킨다는 것입니다.

정직하려면 우리 자신을 향한 단서 두 개가 필요합니다. 이 사이트의 직업 분석도 이 논문이 비판하는 노출·챗로그 연구 계보에 기대고 있으므로, 이 교정은 여기에도 적용됩니다. 그리고 서베이에도 자기만의 사각지대가 있습니다: [주장] 저자들은 자신들의 수치를 하한선으로 간주합니다. 응답자는 자동완성, 회의 요약, 조용한 코파일럿처럼 쓰는 줄도 모르고 쓰는 내장형 AI를 보고할 수 없고, 온라인 패널은 가중치를 매겨도 오프라인 노동자를 완벽히 대표하지 못할 수 있기 때문입니다.

내 커리어에 이것이 의미하는 것

실용적 독해는 세 가지입니다. 첫째, 고채택 직업의 미채택자라면 위험은 더 이상 가설이 아닙니다. 데이터는 당신과 똑같은 과업을 하는 동료가 생성형 AI로 일하는 동안 당신은 그렇지 않다는 걸 보여주고, 학습 메커니즘은 그 격차가 복리로 벌어진다는 뜻입니다. 둘째, 모델이 과대예측한 사무직 — 접수원, 보험청구 처리원 — 이라면, 주변의 낮은 채택률은 안전의 증거가 아닙니다. 그것은 고용주와 규제기관이 지금 걷어내려 애쓰는 장벽(컴플라이언스 규정, 데이터 제한)의 반영이고, 장벽이 무너지면 당신 직무의 채택은 급격히 뛸 수 있습니다. 애초에 그 업무 자체는 늘 노출돼 있었으니까요. 셋째, 개인 변이라는 발견은 역설적으로 희망적인 쪽입니다. 채택은 직함이 배정하는 운명이 아닙니다. 파급효과가 입증된, 배울 수 있는 기술입니다 — 어디서든, 업무 밖에서라도 시작하는 것이 다른 모든 곳에서 시작하는 비용을 측정 가능하게 낮춥니다.

이 논문이 만드는 가장 깊은 전환은 질문 자체에 있습니다. 지난 3년간 논쟁은 AI가 어떤 직업을 바꿀지를 물었습니다. 이제 증거는 변이의 대부분이 한 층 아래에 산다고 말합니다: 같은 직업 안, 이미 채택한 사람과 아직 하지 않은 사람 사이에요.

출처

• Bick, A., Blandin, A., Deming, D.J., Schumacher, T. (2026). "What Work Does Generative AI Do?" NBER Working Paper No. 35677, 2026년 8월. 세인트루이스 연방준비은행 워킹페이퍼 2026-017로도 공개. nber.org/papers/w35677

이 글은 1차 자료에 대한 AI 보조 분석으로 작성되었습니다. 모든 수치는 워킹페이퍼 전문(62쪽, 2026년 8월 25일자 세인트루이스 연방준비은행 판본)과 대조해 검증했습니다.