AI를 잘 써도 연봉이 오르지 않는 이유: 2만 5천 명 추적 연구

URL: https://www.youtube.com/watch?v=mc8txxUSpUI 날짜: 2026-09-03 채널: Science Adam 원제: Why Your 'Salary' Stays the Same Even If You're Good at Using AI (Tracked 25,000 People at the Un...

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

==AI를 잘 활용하면 생산성·임금·일자리가 함께 늘어날 것이라는 기대는 왜 현실의 월급 장부에서 보이지 않으며, 실제 충격은 어디에 먼저 나타나는가?==

• AI 모델의 성능은 연산 자원과 데이터가 늘어나는 동안 둔화되지 않았지만, 성능 향상이 현실 경제에 퍼지는 속도는 사람·설비·규제의 속도에 묶여 있다.
• 덴마크의 2만 5천 명 노동자 급여 자료에서는 AI 활용 여부에 따른 임금과 근로시간 변화가 통계적으로 정밀한 0에 가까웠다.
• 미국 ADP의 월별 500만 명 급여 자료에서는 고용 전체가 무너지지 않았지만, 22~25세 초년생의 고용만 11% 줄어드는 입구 효과가 나타났다.
• AI가 기존 업무를 없애면 사람의 일이 사라지는 대신 기준선이 올라간다는 Aaron Levie의 낙관론은 베테랑의 자리를 설명하지만, 문 밖에서 신입이 넘어야 할 문턱이 높아진다는 문제까지 함께 드러낸다.

AI는 단순히 사람을 해고하는 기계가 아니다. AI가 지식 업무를 값싸게 만들수록 기업은 같은 일을 더 많이, 더 개인화해 요구하고, 사람은 고객을 만나고 현실을 실행하며 조직 사이를 조율하는 더 높은 단계의 일을 맡는다. 그 과정에서 경험 많은 사람은 AI라는 완벽한 비서를 얻지만, 교과서적 지식만 갖춘 신입은 첫 계단을 잃을 수 있다. 낙관과 안전망, 혁신을 막지 않는 자유를 동시에 설계해야 한다.

1. 무너지지 않는 스케일링과 ‘잘난 척하는 관리인’

AI 발전의 속도는 벽에 부딪힌 것이 아니라, 왜 성공하는지 완전히 이해하지 못한 채 커지는 스케일링 법칙(Scaling Laws)에 기대고 있다.

1.1. 빵 반죽이 무너지는 임계점과 AI의 예외

1. AI 발전이 멈췄다는 논쟁

   1. 작년의 질문: AI 발전이 벽에 부딪힌 것 아니냐는 논쟁이 있었지만, Aaron Levie는 이제 그 벽을 완전히 뚫었다고 판단한다.
   2. Kimi K3의 등장: Kimi K3가 등장하면서 최근 발전이 분명해졌다는 말이 이어진다. 같은 캠페인에서 광고 다섯 개를 만드는 수준이 아니라 5,000개를 만드는 수준으로 작업량이 변했다.

2. 빵의 크기와 생산 투입량의 비유

   1. 두 배의 직관: 재료를 두 배 넣으면 빵 한 덩어리가 정확히 두 배 커지는 것처럼 보인다. 요리 과학책 추천사를 쓰기 위해 직접 빵을 구웠다는 개인적 경험이 비유의 출발점이다.
   2. 열 배의 실패: 재료를 열 배 넣으면 반죽 자체가 잘 되지 않고 손목이 시큰해진다. 반죽이 작업대에 들어가지 않으며, 어떻게 구워도 속은 익지 않고 겉만 바싹 익은 채 가운데가 푹 꺼진다.
   3. 임계점: 덩치가 커질수록 열이 중심까지 도달하지 못한다. 세상 대부분의 일도 적당히 밀어붙일 때는 좋아지지만 임계점을 넘으면 무너진다는 설명이 붙는다.

3. AI 스케일링의 비정상적인 확장성

   1. 꺼지지 않는 대상: 컴퓨터와 데이터를 열 배, 100만 배로 늘려도 무너지지 않는 예외가 있다. 빵이 열 배 정도에서 꺼지는 것과 달리 AI는 1억 배까지 확장을 시도할 수 있다.
   2. OpenAI의 실제 확장: OpenAI는 ChatGPT를 세상에 내놓기 3년 전에 「신경 언어 모델을 위한 스케일링 법칙(Scaling Laws for Neural Language Models)」 논문을 냈고, 컴퓨터와 데이터를 실제로 1억 배 규모까지 늘려 왔다.
   3. 성능의 계단: 일반적인 빵은 재료를 두 배 넣으면 크기가 두 배지만, 언어 모델은 컴퓨터를 열 배로 늘려야 지능이 한 칸 오르는 식으로 설명된다. 다음 한 칸에도 다시 열 배의 자원이 필요하다.

1.2. 카플란·아모데이와 계산 가능한 성능

1. 스케일링 법칙을 만든 물리학자들

   1. Jared Kaplan: 논문 첫머리에 이름을 올린 Jared Kaplan은 원래 블랙홀을 연구하던 이론물리학자다.
   2. Dario Amodei: 저자 목록 끝에는 Dario Amodei가 있다. Amodei 역시 물리학자이며 Princeton에서 물리학 박사학위를 받았다.
   3. 저자 순서의 의미: 앞쪽 저자는 직접 계산하고 실험을 돌린 사람이고, 뒤쪽 저자는 연구를 제안하고 끝까지 책임진 사람이라는 학계의 관례가 소개된다. 연구를 밀어붙인 Amodei는 현재 Anthropic의 CEO다.

2. 늘린 세 가지와 진짜 발견

   1. 모델의 부품 수: 기계 속 부품의 수, 즉 모델의 매개변수 규모를 늘린다.
   2. 학습에 쓰는 컴퓨터 양: 모델을 학습시킬 때 투입하는 연산 자원(Compute)을 늘린다.
   3. 데이터: 모델이 학습하는 데이터의 양과 품질을 늘린다. 세 요소를 늘리면 모델이 똑똑해진다는 사실 자체는 널리 알려져 있다.
   4. 예측 가능성: 진짜 발견은 얼마나 똑똑해질지 미리 계산할 수 있다는 점이다. 컴퓨터를 열 배로 늘렸을 때 거대한 모델의 성적이 몇 칸 오를지 사전에 예측하고, 실제 결과가 계산과 소름 돋을 만큼 정확히 맞는다.

3. 구조 설계보다 총부품 수가 중요한 이유

   1. 높이와 폭의 선택: 당시 연구자들은 부품을 위로 높게 쌓을지, 옆으로 넓게 펼칠지 고민했다. 이는 어떤 구조가 더 잘 작동하는지의 문제였다.
   2. 논문의 답: 높게 쌓든 넓게 펼치든 결과에는 큰 차이가 없고, 결정적인 것은 부품이 몇 개냐라는 결론이 나왔다.
   3. 경쟁의 문턱 변화: 소수의 천재가 남다른 설계도를 그려야 이기는 판이라면 그런 인재를 데려오지 못한 기업은 시작도 못 한다. 총부품 수가 결정한다면 핵심 자원은 사람의 천재성보다 달러와 반도체 칩이 된다.
   4. 자본집약적 출발선: 결국 천문학적인 달러를 투입할 수 있는 회사들만 거대한 AI 경쟁의 출발선에 설 수 있다.

4. 알고리즘의 성공과 이해의 부재

   1. 저자들의 자백: 논문에는 자신들의 발견을 스스로 깎아내리는 고백이 있다. 현재 제안한 스케일링 법칙이 왜 성립하는지 확고한 이론적 이해가 없다는 내용이다.
   2. 관리되는 계산식: 스케일링 법칙은 계산식이며 예측한 결과는 실제로 정확히 나온다. 그러나 왜 그렇게 들어맞는지는 만든 사람들도 모른다.

1.3. 「파운데이션」의 천 년짜리 방정식

1. 영화가 되지 못한 각본

   1. 20세기 폭스의 프로젝트: 20세기 폭스가 영화로 만들려다 끝내 포기한 「파운데이션(Foundation)」 각본이 소개된다. 원작은 Isaac Asimov의 SF 소설이고, 현재 Apple TV 드라마로도 제작됐다.
   2. 각본의 운명: 각본은 마지막 장까지 완성됐지만 화면으로 옮겨지지 못해 시나리오로만 남았다.

2. Hari Seldon의 사회 예측

   1. 개인의 궤적을 모으는 수학: 수학자 Hari Seldon은 개인 한 명 한 명이 어디로 흘러갈지 계산하는 방정식을 만든다.
   2. 제국의 붕괴: 계산 결과는 현재의 제국이 무너진다는 것이며, Seldon은 거기서 멈추지 않고 그 뒤에 무엇을 해야 하는지까지 계산해 남긴다.
   3. 방으로 표현된 방정식: 각본 속 방정식은 사람이 걸어 들어갈 수 있는 거대한 방으로 시각화된다. 지하 깊은 곳의 방 허공에는 Seldon의 수학 기호가 사방으로 끝없이 뻗고, 바닥은 어디인지 보이지 않아 들어간 사람은 방정식 한가운데를 둥둥 떠다닌다.

3. 천 년 동안 계속된 계산과 관리인

   1. 멈추지 않는 시스템: 거대한 계산은 천 년 전부터 혼자 풀리고 있으며 한 번도 멈추지 않았다.
   2. 학자들의 고백: 방을 대대로 관리해 온 학자들은 수식을 어떤 원리로 움직이는지 이해하지 못한다고 말한다. 자신들은 ‘잘난 척하는 관리인에 가깝다’고 고백한다.
   3. 유일한 이해자: 방정식을 제대로 이해한 사람은 딱 한 명, 방정식을 만든 Seldon뿐이다. 그러나 Seldon은 천 년 전에 죽었기 때문에 관리인들은 물어볼 수 없다.

4. 현실의 차가운 농담

   1. 살아 있는 저자들: SF 속에서는 만든 사람이 죽어 질문할 수 없지만, 현실의 스케일링 법칙 저자들은 전부 살아 있다. 그중 한 사람은 지금도 거대한 AI 기업을 이끈다.
   2. 같은 대답: 물어볼 사람은 많은데 돌아오는 대답은 SF 속 관리인과 같다. “왜 들어맞는지는 우리도 모른다.”
   3. 거대한 베팅: 그럼에도 축구장 몇 개를 덮는 데이터센터를 계속 짓고, 수백조 원을 투입한다. 작동 원리를 완전히 설명하지 못하는 계산 위에 문명의 미래를 올리는 장면이다.

2. 끝나지 않는 모델 경쟁과 중국의 추격

연산·데이터·학습 공정의 개선이 AI 모델 성능을 계속 끌어올리며, 경쟁의 중심은 미국의 선두 생태계와 중국의 거의 대등해진 오픈 웨이트 생태계로 나뉜다.

2.1. 둔화되지 않은 진보와 비용 경쟁

1. 성능을 밀어 올리는 공정

   1. 사전 학습(Pre-training): 기업들은 사전 학습 단계와 그 안에 들어가는 데이터의 품질을 계속 개선한다.
   2. 사후 학습(Post-training): 사후 학습 단계와 두 학습 단계 사이의 모든 공정에서도 모델 능력을 끌어올리는 돌파구가 나온다.
   3. 새로운 공급 생태계: AI 연구소에 데이터를 공급하는 신생 기업 생태계가 통째로 생겼다.

2. 기하급수적 전망과 선두 연구소

   1. 고품질 데이터의 유입: 높은 품질의 새로운 데이터가 계속 들어오므로 모델의 진보는 완전한 기하급수 곡선을 그린다고 볼 수 있다는 판단이 제시된다.
   2. 동시 경쟁: 미국의 선두 연구소들이 최소한의 차이로 서로를 뒤쫓으며 최전선을 달린다. Anthropic의 Claude 계열, OpenAI의 GPT 계열, Grok, Meta, Gemini가 각자 좋은 성적을 내고 있다.
   3. 차이보다 비용: 모델 사이의 지능 차이는 크지 않은데 비용 차이는 크게 벌어진다. 그래서 어떤 기업은 저렴한 공급을, 다른 기업은 고급 업무 특화를 선택한다.

3. 오픈 웨이트 모델

   1. 폐쇄형 사용법: GPT나 Claude 계열은 기업 서버에 접속해 빌려 쓰고, 모델 가중치(Weights)는 공개하지 않는다.
   2. 직접 실행: 오픈 웨이트 모델은 학습 결과가 담긴 파일을 내려받아 자기 컴퓨터에서 직접 돌릴 수 있다.
   3. 미국의 사례: 미국에도 오픈 웨이트 모델을 내놓는 기업이 있으며, NVIDIA 계열과 Thinking Machines 등 몇 곳이 언급된다.

2.2. Kimi K3가 바꾼 중국의 위치

1. 6개월에서 1년 뒤처졌다는 기존 평가

   1. 과거의 합의: 1년 전 최고 AI 연구자 10명에게 중국이 얼마나 뒤처졌는지 물으면, 대체로 최소 6개월에서 길게는 1년이라는 답이 나왔다.
   2. 근거: 미국이 수출을 막아 둔 칩을 구하기 어렵고 모델을 만드는 기술도 뒤처졌다는 이유였다.
   3. 수정된 판단: 최근 3~6개월 동안 모두의 생각이 크게 바뀌었으며, 중국은 1~2년 뒤처진 것이 아니라 대략 3개월 정도 뒤처졌다고 보는 쪽으로 평가가 이동했다.

2. Kimi K3의 객관·주관 평가

   1. 종합 3위: Artificial Analysis의 모델 종합 평가에서 Kimi K3는 577개 모델 가운데 세계 3위로 평가된다.
   2. 오픈 모델 1위: 오픈 모델만 놓으면 1위다. 일부 평가는 Kimi가 같은 일을 처리하면서 더 많은 토큰을 사용하고 판단력이나 감각이 다르다고 지적하지만, 매우 좋은 모델이라는 결론은 유지된다.
   3. RM Arena: 숫자로 단번에 환산하기 어려운 인간 평가도 있다. 사람들이 실제로 모델을 돌려 비교하는 LM Arena의 프런트엔드 디자인 평가에서는 Kimi가 세계 1위에 올랐다.
   4. 생태계의 결론: 어느 평가를 보든 중국에는 미국에 거의 대등한 수준까지 올라온 오픈 웨이트 생태계가 있다. 동시에 미국에는 매우 강력한 선두 생태계가 있다.

3. Moonshot AI와 양쯔린

   1. 창업자: Kimi를 만든 인물로 1990년대생 양쯔린이 소개된다. Tsinghua University를 수석으로 졸업하고 Carnegie Mellon University에 진학한 천재 엔지니어다.
   2. Moonshot AI: 2023년 회사를 창업했다. Moonshot은 달을 향해 쏜다는 뜻이며, 양쯔린이 좋아하는 Pink Floyd 앨범의 이름에서 회사명을 가져왔다.
   3. 음악 취향: 창업 연도인 2023년은 해당 앨범 발매 50주년이었다. 회사 이름과 함께 Radiohead, Queen, Nirvana 같은 밴드 이름도 언급되며, 록 밴드 마니아가 세운 회사라는 색깔이 부각된다.
   4. 기업가치: Moonshot AI의 기업가치는 당시 200억 달러까지 올라갔다.

4. K3 공개가 만든 시장 충격과 반전

   1. 공개일과 순위: 7월 16일 Kimi K3가 전격 공개됐고, 성능 평가 지수에서 577개 모델 중 3위, 오픈 모델 중 1위를 기록했다.
   2. 주식시장 반응: 다음날 Nasdaq은 1.4% 하락했다. Philadelphia Semiconductor Index는 그 주에만 10% 폭락해 15개월 만에 최악의 한 주를 기록했다.
   3. TSMC 사례: TSMC는 영업이익이 77% 늘었다고 발표했는데도 주가가 7% 넘게 빠졌다. 시장은 당시 실적보다 미래에 대한 어두운 전망을 두려워했다.
   4. 칩 수요의 역설: 이렇게 좋은 모델이 무료로 풀리면 비싼 칩을 계속 살 이유가 있느냐는 공포가 생겼다. 그러나 Moonshot은 며칠 뒤 신규 가입 버튼을 잠갔다. 사용자가 몰려 GPU가 부족했기 때문이다.
   5. 반전의 의미: 칩 수요를 죽일 것처럼 보였던 모델이 오히려 칩이 없어서 손님을 돌려보냈다. 뛰어난 오픈 모델과 대규모 연산 수요가 동시에 존재한다는 역설이다.

2.3. 한 장의 기획서로 개발팀 규모의 일을 시키기

1. Kimi K3 실험의 조건

   1. 기획서 한 장: 한 장 분량의 제대로 된 기획서를 프롬프트로 넣는다. 짧은 코드 한 줄을 던져 요행을 바라는 방식이 아니다.
   2. 게임 요구사항: 8인 멀티플레이어 레이싱 게임을 만들고, 서버가 플레이어 위치를 실시간으로 맞추며, 캐릭터와 카트를 3D 도구에서 직접 생성하라고 지시한다.
   3. 결과: Kimi K3는 브라우저에서 실행되는 게임을 내놓았고, 여덟 명이 같은 링크로 접속해 서로 부딪히며 달릴 수 있었다.

2. 새로운 분업

   1. 사람의 기획: 무엇을 만들고 무엇을 만들지 말지, 어디까지 완성해야 하는지를 기획서에 명확하게 적는 일이 중요하다.
   2. AI의 개발: 기획이 제대로 되면 AI가 개발팀 하나가 하던 작업을 수행한다. 기획만 제대로 하면 개발은 AI가 한다는 결론이 나온다.
   3. 접근성: Kimi는 무료로 시작할 수 있고, 직접 사용해 보고 판단하라는 권유와 함께 링크가 더보기란과 댓글에 있다는 안내가 붙는다.

3. 지능보다 느린 확산과 현실의 병목

AI가 답을 내는 속도와 사회가 답을 실행하는 속도 사이에는 큰 간극이 있다. 혁신의 최종 병목은 모델 자체보다 사람이 현실에서 움직이는 속도다.

3.1. 가속주의자·파멸론자·실용주의자의 시간표

1. 미국 제조 역량을 되돌리는 질문

   1. 현장 난제: 미국의 제조업체 감각을 되돌리고 중국 선전의 제조 엔지니어가 하는 일을 AI가 대신하려면 매우 어려운 문제를 풀어야 한다.
   2. 2~3년 전망: 일부 사람들은 그 문제의 상당 부분이 앞으로 2~3년 안에 풀릴 것이라고 본다.
   3. 갈라지는 길: 문제가 하나씩 풀릴 때 목표가 실제로 앞당겨지는지, 아니면 여전히 먼지에 대한 답에서 AI 가속주의자와 다른 관점이 갈린다.

2. 양극단이 공유하는 전제

   1. 가속주의자: AI 지능이 급격히 상승하면 변화가 빠르게 온다고 본다.
   2. 파멸론자: AI 지능의 급상승이 통제 불능의 파괴를 가져올 것이라고 본다.
   3. 같은 시간표: 두 진영은 정반대 결론을 말하지만, 지능만 중요하다고 믿기 때문에 사실상 거의 같은 시간표를 쓴다.

3. 확산을 중시하는 실용주의

   1. 지능의 위치: 지능은 대단히 중요한 요소지만 변화 속도를 결정하는 전부는 아니다.
   2. 현장 확산(Diffusion): 모델의 답에서 가치를 뽑아내려면 그 답에 조직의 데이터를 섞고, 답을 들고 현실로 나가 실제로 손을 대야 한다.
   3. 실행 사례: 설비를 새로 들이거나 사람을 다시 배치하거나 새 제품을 시장에 내놓아야 한다.
   4. 피드백 순환: 실제로 해 보니 됐는지 안 됐는지의 기록이 다시 데이터가 되어 모델로 들어간다. 모델이 답을 내는 한 바퀴는 순식간이지만, 실제 실행의 한 바퀴는 사람의 속도로 돈다.

3.2. 사람·규제·현실 세계가 만드는 병목

1. 현실 제약의 세 가지 사례

   1. 생명의학: AI가 뚫어 준 생명의학 연구를 실제 임상시험으로 진행할 수 있는지가 별도의 문제다.
   2. 건축: AI가 앞당긴 설계를 실제 건물로 만들고 인허가까지 받아낼 수 있는지가 또 다른 문제다.
   3. 물리적 실행: 모델이 지시하는 일을 사람이 알아듣고 실제로 해내는 속도가 핵심 병목이다.

2. AI 인허가 검토

   1. 규칙 기반 자동화: 주정부 인허가 작업을 AI에 맡기는 방안이 검토되고 있다. 사람이 먼저 규칙을 정하고, 그 안에서 허용된 일을 AI가 빠르게 처리하게 한다.
   2. 시간 단축: 인허가 같은 서류 절차는 원래 몇 달, 길게는 몇 년이 걸릴 수 있다. 서류 작업을 자동화하면 며칠이나 몇 주로 줄어들 수 있고, 더 과감한 전망은 몇 시간까지 단축될 수 있다고 말한다.

3. 끝까지 남는 두 병목

   1. 사람의 직접 확인: 모든 서류를 자동화해도 누군가는 직접 봐야 하는 일이 하나씩 남는다. 그 검토가 상사에게 올라가고, 넘겨받은 사람은 또 다른 상사를 찾아간다.
   2. 물리적 노동: 사람이 직접 손을 대야 하는 일은 AI 에이전트를 붙여도 완전히 사라지지 않는다.
   3. 관계 조정: 사람과 사람 사이의 합의를 맞추는 일도 자동화가 끝난 뒤 남는다.
   4. 관료주의 논쟁: 관료주의가 문명이 타파해야 할 마지막 과업이라는 견해와, 관료주의가 끝끝내 풀리지 않는 문제로 영원히 남을 수 있다는 견해가 오간다. 채널 이름이 ‘American Optimist’인 만큼 장기적으로는 낙관 쪽에 서지만, 관료주의를 지나치게 무섭게 보는 것일 수 있다는 자각도 함께 나온다.

3.3. 로봇이 없던 일을 가능하게 만들다

1. 사라지는 일보다 새로 생기는 일

   1. 로봇의 충격: 시간을 더 멀리 보면 로봇공학에서 상당히 큰 충격이 올 수 있다.
   2. 현재 밖의 업무: 로봇이 맡게 될 일 대부분은 지금 사람이 하고 있는 일을 빼앗는 것이 아니라, 현재는 아예 하지 못하는 일이다.
   3. 불가능의 시장화: 사람을 쓰기에는 양이 너무 많아 포기했던 업무가 AI 에이전트와 로봇 덕분에 새 업무·새 시장으로 쏟아진다.

2. 계약서 수천 장에서 영업 기회를 찾기

   1. 기존 관행: 계약서에 한 번 도장을 찍고 나면 아무도 다시 읽지 않았다. 사람이 수천 장을 읽기에는 양이 너무 많았기 때문이다.
   2. 에이전트의 분석: 회사의 계약서 수천 장을 AI 에이전트에게 통째로 읽히면, 어느 고객에게 더 큰 계약을 제안할 수 있는지와 새로운 영업 기회가 어디에 있는지 찾아낼 수 있다.
   3. 일자리 효과: 에이전트는 누군가의 기존 일자리를 빼앗은 것이 아니라, 과거에 존재하지 않았던 계약 기회를 발견해 새로운 일을 만들었다.

3. 100년 전 사람이 본 AI 하인

   1. 상상 실험: 100년 전 사람에게 오늘의 AI와 로봇을 하인이라고 설명하면 기가 막혀 웃을 것이다.
   2. 당시에는 불가능했던 일: 로봇 하인이 과거 계약서 수천 장을 분석해 준다는 말은 100년 전에는 현실감이 없었다.

4. 고객별 문서가 기본이 된 마케팅

   1. 과거의 한 가지 문서: 마케팅 부서는 고객용 문서를 완벽하게 한 개 만들어 모두에게 보냈다.
   2. 현재의 개인화: 이제는 고객 한 명 한 명의 상황에 맞춰 자료를 세밀하게 다듬어야 한다.
   3. 기준선의 이동: 예전에는 하고 싶어도 불가능했으므로 개인화하지 못하는 것이 문제가 아니었다. AI로 가능해진 순간 개인화가 기본 기대치가 됐다.

3.4. Grove의 법칙과 ‘기준선이 올라가는’ 일자리

1. Intel과 Windows의 역설

   1. Andy Grove와 Bill Gates: Intel CEO였던 Andy Grove와 Bill Gates의 이야기가 언급된다.
   2. 성능을 먹어 치운 소프트웨어: Intel CPU 성능을 끌어올리면 Windows가 늘어난 성능을 고스란히 다시 잡아먹었다.
   3. 일자리의 반복: 기술이 더 빠르게 만들어 낸 여유가 곧 더 높은 요구사항으로 채워지는 현상이 일자리에서도 똑같이 벌어진다.

2. 마케팅과 계약 검토의 재계산

   1. 단순 계산: 한 회사가 일주일에 마케팅 자료 20건을 만들거나 계약서 100권을 검토한다고 하자. AI 에이전트가 두 일을 모두 해치우면 담당자는 할 일이 없어진 것처럼 보인다.
   2. 실제 시장 반응: 두 업무의 가격은 떨어지지만, 그 자리에 요구되는 기준선은 올라간다.
   3. 5,000개 캠페인: 한 캠페인에서 광고 다섯 개를 만드는 것이 아니라 5,000개를 만든다. 지역·고객층에 맞춰 광고를 늘리지 않으면 고객이 만족하지 않기 때문이다.
   4. 기대치의 급상승: AI는 평범한 광고를 대충 골라 뿌리는 방식의 효과를 낮추고, 모두의 기대치를 급격히 올렸다.

3. 영업 직원과 솔루션 엔지니어의 위로 이동

   1. 자동 회의 준비: AI가 영업 담당자마다 회의 준비를 해 주면 담당자는 회의 전에 고객사의 상황을 훨씬 잘 파악한다.
   2. 새로운 현장 업무: 솔루션 엔지니어가 시연을 만들고 마케팅 자료를 준비하던 시간은 줄지만, 고객 회사를 직접 찾아가 고객의 데이터로 제품이 실제로 돌아가는지 보여 주는 일이 새로 중요해진다.
   3. 구매 기준의 변화: 요즘 고객은 자신의 데이터로 제품이 진짜 작동하는 것을 보기 전에는 소프트웨어를 사지 않는다.
   4. 결론: AI 에이전트는 기존 업무를 너무 효율적으로 만들어 그 일을 잘하는 것만으로는 경쟁자와 구별되지 않게 한다. 사람은 시장이 요구하는 한 단계 위의 일을 맡는다.

4. 신입과 기업 경쟁의 연쇄

   1. 대량 실업을 믿는다는 뜻: AI 때문에 일자리가 대규모로 사라진다고만 믿으면 더 잘하는 기업이 등장한다는 사실도 믿지 않는 셈이다.
   2. 우수 인력의 증원: 어떤 기업은 인력을 줄이는 대신 판단력이 뛰어난 사람을 더 채용하고, 그 사람들이 AI 에이전트로 경쟁사보다 나은 제품과 서비스를 만든다.
   3. 연쇄적 기준 상승: 나머지 기업은 따라와야 하고, 경쟁 기준은 다시 올라간다. 기업 내부의 베테랑에게는 기회와 생산성 증가지만, 입구에 선 신입에게는 더 높은 문턱이다.

4. 두 개의 급여 장부가 보여 준 고용의 진짜 충격

덴마크 장부는 전체 임금의 변화를 찾지 못했고, 미국 장부는 전체 고용의 붕괴 대신 초년생에게 집중된 입구의 폐쇄를 포착했다.

4.1. 덴마크 2만 5천 명과 ‘정밀한 0’

1. 국가 장부의 구조

   1. 월급과 근로시간: 덴마크 정부는 각 사람이 이번 달 얼마를 벌었고 몇 시간을 일했는지 파악한다.
   2. 감시가 아닌 행정: 국민을 감시하려는 목적이 아니라 세금과 복지를 위해 매달 국가 장부에 기록되는 구조다. 예를 들어 한 사람이 400만 원을 벌었는지 160시간 일했는지가 남는다.
   3. 검증할 주장: Aaron Levie의 주장, 즉 일자리는 사라지지 않고 없던 일이 새로 생기며 AI가 만든 여유 시간은 더 높은 수준의 일거리로 채워진다는 명제를 이 장부에 대입한다.

2. 연구 표본과 비교

   1. 연구진: University of Chicago와 Copenhagen의 경제학자들이 국가 장부를 펼쳤다.
   2. 표본: AI를 많이 사용하는 직업에 종사하는 25,000명에게 AI 도구를 쓰는지 물었다.
   3. 비교: AI를 쓴다고 답한 사람과 쓰지 않는다고 답한 사람의 실제 월급을 행정 장부에서 비교했다.

3. 임금과 시간의 결과

   1. 정밀한 0: AI 사용 여부에 따른 월급 변화는 ‘정밀한 0’이었다. 대충 훑어 차이를 못 찾은 0이 아니라, 임금이 1%만 달라도 잡아낼 초고배율 현미경으로 찾은 진짜 0이다.
   2. 과학적 부재 증명: 바퀴벌레 한 마리가 있다는 말은 한 마리만 잡아 보여 주면 증명되지만, 집에 바퀴벌레가 절대 없다는 말은 찬장과 싱크대까지 모두 뒤져야 한다. AI 사용에 따른 임금 변화가 없다는 주장도 같은 방식으로 엄격히 검증해야 한다.
   3. 근로시간: AI를 사용한 노동자의 월급은 오르지도 내리지도 않았고, 일하는 시간도 그대로였다.

4. 도입률과 절약 시간

   1. 실제 사용률: 회사가 AI를 사용하라고 권한 곳에서는 83%가 실제로 AI를 사용했다. 결과가 0이었던 이유가 회사에 도입만 해 놓고 아무도 쓰지 않았기 때문은 아니다.
   2. 작은 시간 절약: 노동자가 보고한 시간 절약은 총 근무시간에 비하면 코딱지만 한 수준이었다.
   3. 칼퇴가 아닌 재배치: AI가 아껴 준 시간 대부분은 정시 퇴근이 아니라 다른 업무를 처리하는 데 쓰였다. AI가 비워 놓은 자리에 다른 일이 곧바로 들어왔다.
   4. 스마트폰의 반복: 스마트폰이 처음 나왔을 때 일처리가 빨라질 것이라고 기대했지만 일이 줄지 않았던 현상과 비슷한 반복이다.

4.2. 미국 ADP 500만 명과 지워진 첫 계단

1. 더 큰 장부

   1. ADP 자료: 미국 최대 급여 관리 기업 ADP의 장부를 Stanford 연구진이 분석했다.
   2. 표본 규모: 매달 500만 명의 월급 명세서를 낱낱이 확인했다. 500만 명은 덴마크 인구 전체에 맞먹는 규모다.
   3. 추적 기간: 방대한 기록을 2026년 6월까지 추적했다.

2. 경제 전체의 초록불

   1. 고용 안정: 경제 전체로 보면 고용은 평화로웠다.
   2. 베테랑 증가: AI를 가장 적극적으로 사용하는 직종의 30~40대 베테랑 개발자·회계사 등은 오히려 일자리가 10% 늘었다.
   3. 해고 감소: 해고는 증가하지 않고 오히려 줄었다. 기존에 일하던 사람의 자리는 안전했고 월급 봉투도 흔들리지 않았다.

3. 연령을 넣자 켜진 빨간불

   1. 22~25세 구간: 같은 개발자·회계사 직종이라도 사회에 첫발을 내딛는 22~25세에서 일하는 사람이 11%나 사라졌다.
   2. 사라진 책상: 신입사원 10명이 들어가야 할 사무실에서 책상 하나가 폐기된 것과 같은 규모다.
   3. 비AI 직종과의 대비: 같은 20대 초반이라도 AI를 덜 사용하는 용접공·배관공 일자리는 오히려 10% 늘었다.

4. 해고가 아니라 채용문

   1. 22세 컴퓨터공학 졸업생: 갓 졸업한 22세가 소프트웨어 개발자가 되려 하고, 채용 공고의 ‘신입 환영’ 문구를 믿고 이력서를 낸다.
   2. 보이지 않는 거절: “뛰어난 역량에도 불구하고 이번에는 모시지 못하게 됐다”는 답장조차 오지 않는 경우가 많다. 다른 곳에 계속 지원해도 침묵만 돌아온다.
   3. 해고 통계의 사각지대: 이 사람은 잘린 적이 없다. 취업하지 못했으므로 해고될 자격도 없다. 500만 명 급여 장부에서 잘린 사람은 오히려 줄었지만 기업이 신입 자리를 줄였다는 사실은 별도의 지표에서 드러난다.
   4. 문 밖의 세대: 고용 전문가는 해고율이 낮다며 안전한 시장이라고 말할 수 있다. 그러나 문으로 못 들어온 사람은 그 안전성의 기준에 애초부터 포함되지 않는다. 회사 안에서는 비명이 들리지 않고, 충격은 문 밖에서 기다리는 청년에게만 쏟아진다.
   5. 사다리의 첫 칸: 누구도 회고하지 않는 사이 다음 세대가 밟을 사다리의 첫 칸만 조용히 지워졌다.

4.3. 신입의 형식지와 베테랑의 암묵지

1. 형식지(Knowledge)라는 신입의 무기

   1. 교육에 담긴 지식: 갓 졸업한 청년의 무기는 전공 서적과 시험 문제집에 가득 담긴 형식지(Explicit Knowledge)다.
   2. AI가 잘하는 영역: 형식지는 AI가 세상에서 가장 잘 다루는 영역이다. 정리·검색·설명·반복 적용이 가능한 지식이기 때문이다.
   3. 신입 채용의 약화: 기업은 교과서 지식을 즉시 제공하는 AI를 갖게 되면서 교과서를 막 떼고 나온 사람에게 비싼 초봉을 지급해 채용할 이유가 줄어든다.

2. 베테랑의 현장 감각

   1. 암묵지(Tacit Knowledge): 10년 경력자의 머릿속에는 어떤 교과서에도 적혀 있지 않은 현장의 감각이 있다.
   2. 문제 구조화: 엉킨 상황을 어떻게 풀어야 하는지, 어떤 문제가 진짜 문제인지 어떻게 파악할지 같은 판단이 암묵지다.
   3. AI의 한계: AI에게 특수상대성이론을 물으면 Einstein처럼 유창하게 가르치지만, 복잡하게 얽힌 현실 업무를 던지면 지시받은 일만 하는 비서에 가까워진다.

3. ‘베이비 아인슈타인’과 완벽한 비서

   1. 베테랑의 조합: 베테랑의 모니터 앞에는 아인슈타인의 두뇌를 가진 완벽한 비서가 24시간 대기하는 셈이다.
   2. 채용 가치의 이동: 기업 입장에서는 교과서에서 막 나온 ‘베이비 아인슈타인’을 굳이 높은 월급으로 채용해야 할 필요가 줄어든다.
   3. 두 설명의 결합: 연구진은 형식지와 암묵지의 차이로, Aaron Levie는 AI가 기존 일을 해치워 기준선을 올린다는 방식으로 같은 방향의 결론에 도달한다.

4.4. 탄광 속 카나리아와 카프카의 문

1. 신입은 탄광 속 카나리아

   1. 비유의 뜻: 연구진은 신입 노동자를 탄광 속 카나리아라고 불렀다. 광부들이 갱도에 데리고 들어가던 작은 새다.
   2. 먼저 감지하는 충격: 유독 가스가 퍼지면 카나리아가 사람보다 먼저 쓰러진다. 신입의 고용 감소는 AI가 노동시장에 주는 충격을 가장 먼저 감지하는 신호일 수 있다.
   3. 인과관계의 유보: 연구 제목에는 물음표가 달려 있다. 신입 고용 감소의 주범이 AI인지 아닌지라는 원인 논쟁은 데이터가 보여 주는 현상과 분리해 남겨 둔다.

2. 「법 앞에서」의 남자

   1. 문 앞의 시골 남자: Franz Kafka의 짧은 우화 「법 앞에서(Before the Law)」에는 안으로 들어가려 문 앞에 선 시골 남자가 나온다.
   2. 반복되는 허가 거절: 문은 언제나 활짝 열려 있고 문지기가 서 있다. 남자가 들어가도 되느냐고 묻자 문지기는 “지금은 안 된다”고 답한다. 나중에는 가능하냐는 질문에도 “될 수도 있지만 지금은 안 된다”고 답한다.
   3. 기다림과 소진: 남자는 문 옆에 앉아 기다린다. 며칠이 몇 년이 되고, 청년의 젊음은 모두 흘러간다. 돌아오는 대답은 계속 “지금은 안 된다”다.
   4. 마지막 계시: 숨이 끊어지기 직전 노인이 된 남자는 왜 수십 년 동안 자신 말고 아무도 이 문을 원하지 않았느냐고 묻는다. 문지기는 그 문이 오직 너만을 위해 만들어진 문이었으며 이제 닫겠다고 답한다.

3. 신입 채용문의 카프카적 재현

   1. 열려 있다고 쓰인 문: ‘신입 환영’이라고 적힌 문은 20대 초중반을 위해 열려 있던 문이었다.
   2. 안쪽의 무관심: 안에서 일하는 사람은 그 문을 볼 일이 없다. 이미 통과한 사람은 문이 덜 열렸는지 확인할 이유가 없다.
   3. 설명 없는 거절: 22세 지원자에게 누구도 문이 다쳤다고 말해 주지 않는다. 부족해서 탈락한 것인지, 애초에 문이 덜 열린 것인지 알 수 없는 채 카프카의 문지기처럼 같은 답만 받는다.
   4. 조용한 통계: 함께하기 어렵게 문이 열리고 있다는 사실은 장부에 조용히 찍힌다. 문턱 앞에 선 초년생들만 자신이 밀린 것인지 문이 좁아진 것인지 모른다.

5. 만든 사람들이 먼저 겁먹은 산업

AI에 대한 대중의 반감은 기술의 실제 위험뿐 아니라, AI를 만든 업계가 수십 년 동안 자신의 공포를 반복해 외부에 퍼뜨린 결과이기도 하다.

5.1. 두 설계자와 양당의 반감

1. 대담의 인물

   1. Joe Lonsdale: Palantir를 공동창업하고 여러 기업을 키운 투자자다.
   2. Aaron Levie: Fortune 500대 기업의 68%가 문서를 맡긴 Box를 이끄는 CEO다.
   3. 자기고백의 위치: 두 사람은 빅테크 선두권에서 AI 판을 설계한 자본가이지만, 기술의 정점에서 자신들이 만든 문지기와 미래의 문을 이야기한다.

2. 정치와 여론의 초록불·빨간불

   1. 나쁜 여론: AI에 대한 여론은 매우 나쁘다. 민주당과 공화당 양쪽에서 모두 반감이 나타난다.
   2. 데이터센터 중단: New York주는 데이터센터 건설을 일시 중단시켰다. 일부 공화당 주는 데이터센터를 아예 금지하는 법안까지 검토하지만 아직 통과시키지는 않았다.
   3. 실리콘밸리 혐오: 사람들이 AI 자체를 싫어하는지, 돈 많은 실리콘밸리 괴짜들이 재수 없어서 그들을 싫어하는지 묻는 냉소가 나온다.
   4. 초당적 미움: 두 사람의 정치 성향은 다르지만 세상이 자신들을 같은 ‘못된 부자 패거리’로 취급한다는 데 동의한다. AI가 있든 없든 자신들이 미움받는 것은 사실이고, 그 미움에는 여야가 따로 없다.

5.2. 공포를 수출한 업계의 자기모순

1. 자초한 문제

   1. 수십 년의 자기 겁주기: 업계는 수십 년 동안 기술을 두고 스스로를 겁줬다.
   2. 다음 모델의 공포: ChatGPT가 나온 뒤 4년 동안도 매번 다음 모델을 무서워했고, 그 공포를 세상에 그대로 퍼뜨렸다.
   3. 사람들의 추론: AI 설계자들이 벌벌 떤다면 대중이 AI를 좋아할 이유가 없다고 생각하게 됐다. AI가 세상을 파괴할 것이라고 말하는 사람이 정작 AI를 만드는 이상한 인지 부조화가 생겼다.

2. Larry David의 부조화 비유

   1. 코미디 인물: 불안해하고 신경질적인 인물을 연기하는 코미디언 Larry David가 AI 모델을 만든다고 상상하면 현재 업계의 모습과 닮았다는 농담이 나온다.
   2. 업계 전체의 문제: 특정 회사나 특정 집단 하나의 문제가 아니라 업계 전반에 퍼진 습관이다.

3. Geoffrey Hinton과 의료 일자리 예언

   1. 예측: 노벨상 수상자이자 AI의 대부인 Geoffrey Hinton까지 거슬러 올라가면 영상의학 전문의가 모두 일자리를 잃을 것이라는 예측이 있었다.
   2. 실제 전개: 그런 일은 벌어지지 않았다. 의료 영상 판독에 AI 연산을 더 투입하고, 전문의가 지금도 그 결과를 검토한다.
   3. 업계의 버릇: AI 업계는 다음에 무엇이 올지를 차분히 그리기보다 품고 있는 공포를 전부 세상에 내놓는 버릇이 있다. 미리 겁을 주는 편이 더 나은 사회를 만든다고 여기기 때문이다.

5.3. 위험을 인정하면서도 좋은 결과를 앞세우기

1. 차가운 시선의 연쇄 효과

   1. 공개 토론의 가치: AI를 둘러싼 논의를 공개적으로 하는 것 자체는 좋다.
   2. 투자·규제 위축: 그러나 시선이 차가워지면 파장이 넓게 퍼진다. 데이터센터 건설이 막히고 AI 모델이 규제로 묶인다.
   3. 세금의 불확실성: 어느 행정부가 들어서느냐에 따라 새로운 세금이 붙을 수 있다.
   4. 업계의 책임: 이런 반감과 정책 리스크의 상당 부분은 업계가 자초했다.

2. 여론을 바꾸는 세 가지 조건

   1. 직접 겪는 좋은 결과: 사람들이 AI 기술로 좋은 결과를 직접 경험하게 해야 한다.
   2. 좋은 사례의 전면 배치: 성공 사례를 공포스러운 이야기보다 훨씬 앞세워야 한다.
   3. 실제 위험의 감소: AI에 진짜 위험이 있다는 사실은 의심할 여지가 없으므로, 두려워하는 위험을 계속 줄여야 한다.

3. 다음 선거와 혼란

   1. 대선 쟁점: AI는 다음 대선에서 가장 큰 쟁점이 될 가능성이 높다.
   2. 분노 동원: AI를 공격해 대중의 분노를 모으기가 너무 쉽다.
   3. 단기 전망: 앞으로 몇 년은 AI를 둘러싸고 매우 어수선한 시간이 될 수 있다.

6. 20년 뒤 미국과 아령 모양의 사회

미국의 창업 생태계가 AI 경쟁을 계속 이끌 가능성은 높지만, 혁신의 과실과 전환 비용을 함께 감당하려면 자유로운 도전과 강한 안전망을 동시에 갖춰야 한다.

6.1. 미국의 창업 기질

1. 자본·인재·아이디어의 결합

   1. 독보적인 창업 능력: 세계 어디를 돌아다녀도 미국처럼 자본과 인재와 아이디어를 한데 모아 누군가 만들고 싶은 것을 바로 키워 올리는 나라는 찾기 어렵다.
   2. 세계 최고의 강점: 여러 면에서 세계 최고의 나라라는 평가 중에서도, 창업과 혁신을 실제 사업으로 밀어 올리는 능력이 특히 독보적이다.
   3. 20년 전망의 근거: 20년 뒤에도 미국이 AI에서 앞설 것이라는 확신은 이 창업 기질에서 나온다.

2. 계속 보완할 조건

   1. 세계 인재 유입: 세계 각지의 뛰어난 인재를 계속 끌어와야 한다.
   2. 제도적 기반: 혁신을 받쳐 주는 제도가 있어야 한다.
   3. 정치적 낙관: 나라를 이끄는 자리에 어느 정도 낙관이 있어야 하며, 미래를 만들어 볼 수 있다는 낙관이 필요하다.

6.2. 데이터센터 논쟁과 진보의 기회비용

1. 선거에 대한 불안

   1. 성과 보존의 위험: 다음 선거가 불안한 이유는 지금 터져 나오는 놀라운 성과를 모두 지켜내지 못할 수도 있기 때문이다.
   2. 정책 선택: 사회가 혁신의 속도를 늦추는 선택을 할 경우, 아직 오지 않은 성과까지 포기할 수 있다.

2. Bernie Sanders의 반대 논리

   1. 세 가지 비용: 데이터센터 때문에 전기요금이 오르고, 수돗물이 마르고, 일자리도 사라진다는 주장이 제시된다.
   2. 안전장치 우선론: 안전장치가 마련될 때까지 멈추자는 결론이다.

3. 낙관론자의 되물음

   1. 수명 연장: 앞으로 50년 동안 사람의 수명을 10년, 15년, 20년씩 늘려 줄 수 있는 진보를 포기하자는 것인지 되묻는다.
   2. 질병의 재작성: 예방할 수 있는 병의 목록 자체를 통째로 바꿀 가능성이 있는 진보를 함께 포기하자는 뜻인지 묻는다.
   3. 진짜 선택: 결국 선택은 나아갈 것인가, 멈출 것인가다. 나아가는 길이 순탄하지 않다는 사실도 인정한다.

6.3. 안전망과 자유의 동시 설계

1. 사회 안전망

   1. 전환기의 보호: 변화 속에서 일자리를 잃고 다시 자리를 잡지 못하는 사람이 나오면 국가가 받쳐 줘야 한다.
   2. 낙관의 조건: 혁신을 지지하는 낙관은 전환 비용을 개인에게만 떠넘길 때 지속될 수 없다.

2. 기회를 막지 않는 자유

   1. 도전의 허용: 기회를 쫓아 달려 나가는 사람은 어디까지 가든 막지 말아야 한다.
   2. 두 정책의 결합: 뒤처진 사람을 받쳐 주는 안전망과 앞으로 달려가는 사람을 놓아주는 자유가 함께 필요하다.

3. 아령 모양의 사회

   1. 양끝이 두꺼운 구조: 사회 안전망과 도전의 자유라는 양끝만 두꺼운 아령 모양의 사회를 만들어야 한다.
   2. 중간의 의미: 혁신을 막지 않으면서 실패·실직·재훈련의 충격을 흡수하는 구조가 AI 시대의 사회적 타협점이다.

주요 발언 모음

“왜 들어맞는지는 우리도 모른다.”

“우리는 잘난 척하는 관리인에 가깝습니다.”

“AI 모델의 진보는 사실상 전혀 둔화되지 않았습니다. 일부 영역에서는 오히려 가속도가 붙었습니다.”

“지능은 대단히 중요한 요소가 맞습니다. 다만 속도를 붙잡는 건 확산입니다.”

“AI가 비워 놓은 자리에 다른 업무가 쏙 들어온 겁니다.”

“AI가 기존 일을 너무 효율적으로 만들어 버렸습니다. 이제 그 일을 사람이 잘한다고 해서 남들과 구별되지 않습니다.”

“신입들은 탄광 속 카나리아입니다.”

“만든 사람들이 먼저 겁을 먹었습니다. AI가 세상을 파괴할 거라고 말하는 사람이 정작 AI를 만드는 사람이죠. 그러면서 멈추지도 않아요.”

“받쳐주는 안전망과 내달리는 자유, 그 양끝만 두꺼운 아령 모양의 사회를 만들어야 한다고 봅니다.”

핵심 데이터 & 수치

• 2년의 모델 확장: 몇 달마다 두 배가 되면 대략 6번의 doubling, 즉 2⁶=64배 규모가 된다.
• AI 스케일링: OpenAI는 ChatGPT 공개 3년 전에 스케일링 법칙 논문을 냈고, 컴퓨터·데이터 투입을 1억 배까지 확장하는 사례가 제시된다.
• Moonshot AI: 2023년 창업, 기업가치 200억 달러, Kimi K3 공개일 7월 16일.
• Kimi K3 순위: Artificial Analysis 종합 평가에서 577개 모델 중 세계 3위, 오픈 모델 중 1위이며 LM Arena 프런트엔드 디자인 평가에서는 세계 1위.
• 시장 반응: K3 공개 다음날 Nasdaq -1.4%, Philadelphia Semiconductor Index는 해당 주 -10%, TSMC 주가는 영업이익 +77% 발표 뒤에도 -7% 이상.
• 덴마크 연구 표본: AI를 많이 사용하는 직업의 노동자 25,000명과 실제 급여·근로시간 행정자료를 비교했다.
• AI 도입 실사용률: 회사가 사용을 권한 경우 83%가 실제로 사용했다.
• 미국 ADP 자료: Stanford 연구진이 매달 500만 명의 급여 명세서를 2026년 6월까지 추적했다.
• 연령별 고용: AI 활용 직종의 30~40대 베테랑 고용은 +10%, 22~25세 초년생 고용은 -11%였다.
• 비AI 직종 대비: AI를 덜 사용하는 용접공·배관공의 20대 초반 일자리는 +10%였다.
• Box 고객 기반: Fortune 500대 기업의 68%가 Box의 문서를 사용한다는 설명이 나온다.
• 진보의 시간축: 미국 제조업의 어려운 문제 상당 부분이 2~3년 안에 풀릴 수 있다는 전망과, 20년 뒤에도 미국이 AI 선두에 있을 것이라는 전망이 함께 제시된다.
• 인허가 병목: 기존 인허가는 수개월에서 수년, 자동화 후에는 며칠·몇 주, 낙관적 전망으로는 몇 시간까지 단축될 수 있다.

결론 및 시사점

1. AI 활용 자체는 임금 상승을 보장하지 않는다. 덴마크의 정밀한 0은 절약된 시간이 퇴근이나 임금 인상보다 추가 업무로 흡수된다는 점을 보여 준다.
2. AI의 첫 노동시장 충격은 대량 해고보다 채용문 축소로 나타날 수 있다. 해고율이 낮아도 22~25세의 첫 진입 기회가 11% 줄면 다음 세대의 경력 사다리가 끊긴다.
3. 신입은 형식지를, 베테랑은 암묵지와 상황 판단을 판다. AI가 전자를 값싸게 제공할수록 기업은 후자의 경험과 책임을 더 높게 요구한다.
4. 개인은 도구 사용법만 익히는 데서 멈추지 말고 현실의 문제를 정의하고, 사람·설비·고객·규제를 조율하며, AI의 답을 실행한 뒤 피드백을 다시 쌓는 능력을 길러야 한다.
5. 기업은 AI로 기존 업무를 줄이는 동시에 신입이 암묵지를 습득할 견습·멘토링·현장 프로젝트의 통로를 새로 만들어야 한다.
6. 정책은 데이터센터·전기·물 사용량과 AI 위험을 관리하되, 임상·신약·제조·개인화 서비스처럼 아직 존재하지 않던 기회를 일률적으로 막지 않아야 한다.
7. AI 업계는 파괴 예언만 수출하지 말고 실제 개선 사례를 공개하며, 위험을 줄이는 조치와 대중이 체감하는 이익을 함께 보여 줘야 한다.
8. 지속 가능한 AI 사회는 혁신의 자유와 전환기의 안전망을 동시에 갖춘 ‘아령’ 구조여야 한다.

핵심 요약 (20줄)

1. AI 발전은 벽에 부딪힌 것이 아니라 연산과 데이터의 스케일링에 힘입어 일부 영역에서 오히려 가속되고 있다.
2. 빵 반죽은 열 배만 커져도 속이 익지 않고 무너지지만 AI 모델은 1억 배까지 투입을 늘려도 성능 향상을 이어 왔다.
3. 스케일링 법칙은 성능을 정확히 예측하지만 왜 들어맞는지는 만든 연구자들도 완전히 이해하지 못한다.
4. Jared Kaplan과 Dario Amodei가 참여한 스케일링 연구는 구조의 기발함보다 부품 수와 자본의 중요성을 키웠다.
5. 천 년 동안 방정식을 관리하지만 원리를 모르는 「파운데이션」 속 학자들은 AI 업계의 ‘잘난 척하는 관리인’과 닮았다.
6. Anthropic·OpenAI·Grok·Meta·Gemini는 작은 성능 차이와 큰 비용 차이를 바탕으로 가격·특화 경쟁을 벌인다.
7. Kimi K3는 577개 모델 가운데 종합 3위와 오픈 모델 1위를 기록하며 중국이 미국에 1~2년 뒤처졌다는 평가를 뒤집었다.
8. Kimi K3 공개 뒤 반도체 시장이 흔들렸지만 Moonshot AI는 GPU 부족으로 신규 가입을 잠가 연산 수요의 역설을 드러냈다.
9. 한 장의 기획서만으로 8명이 동시에 접속하는 3D 레이싱 게임을 만들면서 AI 개발의 기준선이 높아졌다.
10. AI의 답은 빠르지만 설비·임상시험·건축 인허가를 현실에서 실행하는 한 바퀴는 사람의 속도로 돈다.
11. 자동화 뒤에도 사람이 직접 확인해야 하는 물리적 작업과 사람 사이의 합의는 끝까지 남는다.
12. AI 에이전트는 계약서 수천 장을 읽어 과거에 하지 못했던 영업 기회를 찾아내며 없던 일을 새로 만든다.
13. 마케팅 광고 다섯 개가 5,000개로 늘어난 것처럼 AI는 업무량을 줄이기보다 고객의 기대치를 끌어올린다.
14. 덴마크 2만 5천 명의 행정자료에서 AI 활용 여부에 따른 월급과 근로시간 변화는 초고배율 검증에도 정밀한 0이었다.
15. AI 사용을 권한 회사에서는 83%가 도구를 실제로 썼지만 절약된 시간 대부분은 다른 업무로 채워졌다.
16. 미국 ADP 500만 명 자료에서 AI 직종의 30~40대 베테랑 고용은 10% 늘었지만 22~25세 고용은 11% 줄었다.
17. AI가 형식지는 잘 제공하지만 현장 암묵지는 흉내 내기 어려워 베테랑은 완벽한 AI 비서를 얻고 신입은 채용문을 잃는다.
18. 신입 노동자는 유독 가스에 먼저 쓰러지는 탄광 속 카나리아처럼 노동시장 충격을 먼저 드러내는 집단이다.
19. AI 업계가 수십 년간 자기 공포를 대중에게 퍼뜨린 탓에 민주·공화 양쪽의 반감과 데이터센터 규제가 커졌다.
20. 혁신을 막지 않는 자유와 일자리를 잃은 사람을 받치는 안전망이 양끝에서 함께 두꺼운 아령 모양의 사회가 필요하다.