AI 완전 자동화는 왜 거의 수지가 맞지 않는가 — MIT 새 연구가 말하는 진짜 숫자 11%

AI와 일자리에 대한 대부분의 논의는 이분법으로 시작합니다. AI가 당신의 일을 완전히 가져가거나, 아니면 그대로 두거나. MIT와 IBM 연구진이 2026년 3월 arXiv에 올린 새 워킹페이퍼는 이런 프레임이 실제 경제학을 크게 빗나간다고 주장합니다 [사실].

핵심 숫자 자체는 소박해 보여요. 비용 효과적인 자동화가 컴퓨터 비전 노출 노동보상의 약 11%를 잡아낸다, 기업 단위에서 말이죠. 그런데 이 11% 뒤에 더 깊은 발견이 숨어 있고, 그게 당신이 자기 직업의 AI 위험을 보는 방식을 바꿉니다.

데이터가 실제로 뭘 말하는지, 그리고 왜 완전 대체가 아니라 부분 자동화가 대다수 노동자가 앞으로 수년간 마주하게 될 현실인지 짚어볼게요.

아무도 말하지 않는 볼록 비용 곡선

이 논문은 작업 자동화의 최적 정도를 평가하는 통합 프레임워크를 만듭니다. 자동화 강도를 "할까 말까"가 아니라 연속적 선택으로 다뤄요. 기업은 비용을 최소화하는 AI 정확도 수준을 고르는데, 자동화 없음에서 인간-AI 부분 협업, 완전 자동화까지 스펙트럼이 펼쳐집니다 [사실].

공급 측면은 AI 스케일링 법칙을 끌어옵니다. 성능은 데이터·컴퓨트·모델 크기와 연결되는데, 그 관계가 예측 가능하지만 수확 체감을 보여요. 정확도를 더 높이는 비용은 볼록(convex) 합니다. 좋은 성능은 종종 싸지만, 거의 완벽한 정확도는 불균형하게 비싸요 [사실].

이 한 가지 특성 — 볼록성 — 이 거의 모든 일을 합니다. 그게 의미하는 바는, 완전 자동화가 거의 비용 최적이 아니라는 거예요. 부분 자동화, 즉 기업이 잔여 작업을 위해 인간 노동자를 유지하는 형태가 균형으로 자주 등장합니다 [주장, 프레임워크가 뒷받침].

노동자에게 풀어 말하면, 당신의 직무가 요구하는 마지막 5%의 정확도가 종종 AI에게 가장 비싼 5%라는 거예요. 그게 당신의 해자(moat)지, 약점이 아닙니다.

작업 복잡도가 대체 정도를 결정한다

수요 측면에서는 모델 정확도를 노동 대체 비율로 매핑하는, 엔트로피 기반의 작업 복잡도 척도를 도입합니다. 프레임워크 보정에는 O*NET 작업 데이터, 3,778명 도메인 전문가 설문, GPT-4o로 분해한 작업 데이터가 쓰였고, 컴퓨터 비전 영역에서 구현되었어요 [사실].

드러나는 패턴은 깔끔합니다. 저복잡도 작업은 높은 대체율을 보입니다. 고복잡도 작업은 제한된 부분 자동화를 선호합니다 [사실].

직업 단위 예측에서 이게 중요해요. 당신 역할이 사전 정의된 카테고리로 문서를 분류하거나, 정형화된 양식을 옮겨 적거나, 예측 가능한 결함을 표시하는 등 단순·저엔트로피 작업으로 채워져 있다면, 더 높은 대체 비율을 마주합니다. 반면 복잡한 판단과 정형 산출을 섞는 역할이라면, 비용 최적 균형은 당신을 루프 안에 남겨둡니다.

11% 노동보상 수치는 기업 단위 추정치지, 경제 전체의 천장이 아니에요. 경제 전체 배포 시나리오에서는 AI-as-a-Service와 AI 에이전트의 고정비용이 더 많은 사용자에게 분산되며 그 비율이 가파르게 오릅니다 [사실]. 헤드라인 11%는 출발점이지 종착점이 아닙니다.

당신 커리어에 무엇이 바뀌는가

논문 프레임워크를 진지하게 받아들이면 세 가지가 달라져요.

첫째, "AI가 노동자를 대체한다"는 정책 토론은 잘못된 질문을 던지고 있습니다. 정답에 가까운 질문은 — 당신 작업의 어느 조각이 AI에게 어느 정확도 임계값에서 넘어가고, 어떤 잔여 작업이 가치를 유지하는가 — 입니다. 답은 직무명이 아니라 작업 구성에 달려 있어요.

둘째, 배포 규모가 모델 능력보다 더 중요합니다. AI-as-a-Service와 에이전트 플랫폼은 고정비용을 사용자 사이에 분산해 경제적으로 가능한 작업의 집합을 넓힙니다. 한 기업이 배포하기엔 너무 비싼 모델이 수천 명에 분할 상각되면 비용 효과적이 됩니다. 당신 산업이 분절되어 있고 디지털 도입이 느리다면, 당신 타임라인은 헤드라인이 암시하는 것보다 깁니다.

셋째, 부분 자동화는 전이 단계가 아니라 장기 균형입니다. 저자들은 분명히 말합니다. "부분 자동화는 단순한 전이 국면이 아니라 경제적으로 합리적인 장기 결과인 경우가 많다" [사실, 논문 결론]. 이는 완전 대체라는 지배적 문화 서사와 충돌하지만, 우리가 이미 영상의학·법무 보조·고객 지원 같은 분야에서 수년간 보고 있는 — 인간과 AI가 워크플로우를 함께 쓰는 — 모습과 일치합니다.

메커니즘은 컴퓨터 비전을 넘어선다

논문의 구현 영역은 컴퓨터 비전이지만, 저자들은 메커니즘이 일반화된다고 주장해요. 다른 AI 시스템도 비슷한 스케일링 법칙 경제 — 볼록 비용 곡선, 컴퓨트와 데이터의 수확 체감 — 를 보입니다. 컴퓨터 비전에서 완전 자동화를 비경제적으로 만든 동일 논리가 언어 모델·코드 생성·예측 도구에도 적용되어야 한다는 것 [주장, 일반화 논거].

그게 성립한다면 11% 수치는 AI 정확도를 연속적으로 조정 가능한 어떤 작업 도메인에든 유용한 벤치마크입니다. 오류 허용도가 비정상적으로 높은 도메인 — 대규모 콘텐츠 모더레이션, 추천 랭킹 — 은 그보다 위에 위치할 거예요. 오류 허용도가 낮은 도메인 — 의료 의사결정 지원, 금융 컴플라이언스 — 은 정확도 비용의 볼록 꼬리가 더 가파르기 때문에 훨씬 아래에 위치합니다.

노동자에게 실용적 가이드는 이거예요. 당신 작업의 오류 허용도를 추정해보세요. 산업의 AI 실수 허용도가 낮을수록 비용 균형이 테이블 위에 남겨두는 잔여 인간 노동이 더 많습니다.

자기 분야에서 무엇을 봐야 하나

세 가지 신호가 당신 역할이 부분 자동화로 가는지 완전 대체로 가는지 알려줍니다.

첫째, 회사가 AI 서비스를 사는지 만드는지. AI-as-a-Service 조달은 고정비용 분할 상각이 작동 중이라는 신호예요. 사내 자체 구축은 자동화가 집중되어 있고 더 느리다는 신호입니다.

둘째, 직장의 AI 도구가 의사결정을 보강하는지 대체하는지. 보강 도구 — 초안·요약·검색 — 는 부분 자동화 균형에 들어맞습니다. 대체 도구 — 인간 검토 없이 케이스를 종결하는 풀파이프라인 — 는 당신 작업 구성이 고대체 끝에 있다는 신호예요.

셋째, 당신 일에 대한 AI 정확도 임계값이 시간이 지나며 올라가는지. 회사가 2년 전엔 90% 정확도를 용인했는데 지금은 99%를 요구한다면, 볼록 비용의 벽이 당신 일자리를 지켜주고 있는 셈입니다. 정확도 임계값이 평탄하다면, 당신의 잔여 가치는 작업 구성의 복잡도에 달려 있어요.

이 MIT 논문은 누구의 고용 안정도 약속하지 않아요. 대신 "자동화되었나 아닌가"라는 이분법 질문을 — 당신 작업 구성이 어느 정확도와 어느 규모에서 모델과 재분배되는가 — 라는 더 유용한 질문으로 바꿉니다. 후자는 자기 직업에 대해 직접 답할 수 있는 질문이에요.

출처

• Economics of Human and AI Collaboration: When is Partial Automation More Attractive Than Full Automation? — Wensu Li, Atin Aboutorabi, Harry Lyu, Kaizhi Qian, Martin Fleming, Brian C. Goehring, Neil Thompson (2026-03-31)

AI 활용 공시

이 글은 원 논문의 AI 보조 분석을 통해 작성되었으며, 모든 정량적 주장과 직접 인용은 원문과 대조 검증되었습니다. 편집 프레이밍·직업 단위 해석·정책 시사점은 노동자 독자를 위해 작성된 편집 판단을 반영합니다. 11% 수치와 "장기 균형으로서 부분 자동화" 주장은 인용 워킹페이퍼 출처입니다.