마이크로소프트 새로운 일의 미래 보고서 5년: AI 도입률과 생산성 착시, 도구가 아니라 협업자라는 관점

핵심 메시지

• AI 도입률은 전반적으로 오르고 있지만 산업과 집단에 따라 편차가 크고, 한 독일 설문에서는 응답자 약 38%가 업무에 AI를 쓴다고 답했다.
• K-12 교사 80%, 학생 90%가 생성형 AI를 학업에 써 봤다고 답했는데 대부분 교육 전용 도구가 아니라 범용 챗봇을 그대로 쓴다.
• 도구를 주면 모두가 열 배 생산적이 된다는 기대는 성립하지 않았고, 연구진은 이를 생산성 압박 역설로 부른다.
• 노동시장 지표에서는 아직 큰 효과가 잡히지 않으며, 초기 경력 노동자만 상대적으로 영향 가능성이 보인다.
• AI를 도구로 보는 사람과 협업자로 보는 사람의 활용 폭이 달랐고, 협업자로 보는 쪽이 더 오래 붙들고 더 넓게 썼다.

쉽게 이해하기

마이크로소프트 리서치 팟캐스트의 이번 회차는 다섯 번째 새로운 일의 미래 보고서를 놓고 저자 세 명과 이야기한다. 진행은 마이크로소프트 수석 과학자 제이미 티번이 맡았고, 소프트웨어 엔지니어링 생산성을 연구하는 제나 버틀러, AI와 인지를 다루는 제이크 호프먼, 경제학 관점에서 참여한 리베카 얀선이 나왔다. 보고서는 2020년 팬데믹으로 일하는 방식이 흔들리던 때 사내 연구자들이 모여 시작했고 이듬해 첫 판이 나온 뒤 해마다 발간돼 왔다. 저자가 50명이 넘고 마이크로소프트 바깥의 연구도 함께 담되, 연구자가 있고 데이터로 뒷받침할 수 있는 영역에서만 주장을 담는 것을 원칙으로 한다. 티번은 다섯 해 동안의 서문을 다시 읽어 봤다고 말한다. 2021년에는 일이 다시는 예전 같지 않을 것이라고 썼고, 2022년에는 한 세대에 한 번 있을 속도로 변한다고 썼으며, 2023년에는 한 번이 아니라 두 번의 세대적 전환을 지나고 있다고 썼다. 그런데 지금 돌아보면 매년 새로운 격변이 있었다기보다, 디지털 기술이 사람의 일을 어떻게 거들 수 있는가라는 하나의 큰 이동 한복판에 계속 있었던 셈이라는 것이다. 호프먼은 연구 현장의 변화로 이를 뒷받침한다. 2023년 초에는 모델 하나를 벤치마크로 평가하는 연구가 대부분이었고 사람이 개입된 평가는 드물었지만, 3년 만에 누구나 원하는 모델을 쓰고 현장 실험까지 돌릴 수 있게 됐다. 질문도 이 도구가 얼마나 빨라지게 하느냐에서 효율 바깥의 더 넓은 효과가 무엇이냐로 옮겨 갔다.

도입률은 오르지만 결이 고르지 않다. 얀선은 한 독일 설문에서 응답자의 약 38%가 업무에 AI를 쓴다고 답했지만 이는 평균일 뿐이라고 짚는다. IT와 구매 부문이 마케팅이나 운영보다 개방적이라는 결과가 있었고, 남성이 여성보다 더 개방적이라는 근거도 나왔다. 무엇에 쓰는지는 대화 기록을 분석한 연구들이 답을 준다. 정보를 찾는 일과 소통하는 일이 상위에 있고 글쓰기 관련 과업이 많은데, 도구마다 결이 달라 앤스로픽 쪽 자료에서는 코딩과 개발자 사용의 비중이 더 크게 나타난다. 교육 분야 숫자는 더 선명하다. 최근 설문에서 K-12 교사의 80%, 학생의 90%가 생성형 AI를 학업에 써 봤다고 답했고 사용은 해마다 늘고 있다. 흥미로운 것은 교육 전용 도구와 스타트업이 그렇게 많은데도 대부분이 범용 코파일럿, 챗GPT, 클로드, 제미나이를 학습 모드도 아닌 상태로 그냥 쓴다는 점이다. 호프먼은 이를 정책과 훈련의 공백이라고 본다. 모두가 쓰는데 어떻게 써야 도움이 되는지에 대한 좋은 안내가 없다는 것이다. 다만 올해 미국교사연맹이 마이크로소프트, 오픈AI, 앤스로픽과 함께 교사 재교육 프로그램을 시작한 것 같은 움직임은 희망적인 신호로 꼽는다.

가장 놀라웠던 점을 묻자 버틀러는 개인이 도입에 미치는 영향력을 든다. 동료들과 어떻게 이야기하는지, 리더가 어떻게 시연하고 언급하는지가 사람들이 그 도구를 써도 된다고 느끼는지를 바꾼다는 연구가 여럿이다. 도구는 주어졌지만 안내서는 없었기 때문에, 좋은 활용 사례 대부분이 현장에서 아래로부터 발굴돼 공유됐다. 호프먼은 실험의 문턱이 낮아진 점을 든다. 예전에는 반복 작업 하나를 자동화하려 해도 코드를 짜고 여러 잡다한 것을 알아야 했지만 지금은 그 장벽이 훨씬 낮다. 대신 에이전트에 모든 권한을 주고 풀어 놓는 식의 무모함도 함께 늘었다고 지적한다. 얀선은 상호작용 방식 자체가 달라진 점을 꼽는다. 텍스트 결과물에서 중요한 부분을 더블클릭해 더 파고들도록 알리는 식의 연구가 나오고 있는데, 이는 사람마다 필요와 선호가 다르다는 사실을 도구가 받아들이기 시작했다는 뜻이다. 영향은 직무 전체가 아니라 과업 단위로 나타난다. 소프트웨어 엔지니어링에서는 보일러플레이트가 줄고 어려운 문제에 쓰는 시간이 늘었는데, 그 결과 재미있는 문제만 계속 붙들게 되면서 뇌가 쉴 틈이 없어 번아웃과 인지 과부하가 생긴다는 관찰도 함께 나온다. 개인 생산성 쪽에서는 여러 현장·실험실 연구가 과업 완료가 빨라지고 결과물이 나아지는 경향을 보고하지만, 그렇지 않은 연구도 있고 과의존 문제도 제기된다. 얀선은 AI가 잘하는 것과 못하는 것이 들쭉날쭉한 경계로 나뉘어 있다는 점을 강조한다. 노동시장 지표에서는 고용률과 구인공고를 봐도 아직 전체적으로 큰 효과가 잡히지 않으며, 초기 경력 노동자 집단에서만 상대적으로 영향 가능성이 보인다. 그마저도 거시 추세와 구분하려면 시간이 더 필요하다는 단서를 붙인다.

호프먼은 지금을 AI의 소셜미디어 순간에 비유한다. 소셜미디어는 아주 빠르게 개발되고 확산됐으며 당시 명백해 보이던 채택과 참여를 향해 최적화됐는데, 수십 년이 지난 지금 무엇이 왜 일어났는지 풀어내기 어렵게 됐다. 그래서 이번에는 채택률과 속도만 근시안적으로 좇지 말고, 도구가 만들어 내는 더 넓은 효과를 측정하고 관찰할 능력을 제품 안에 넣어야 한다고 말한다. 이것은 기술적인 문제이자 사회적인 문제이고 자동 텔레메트리와 설문을 엮어야 하는 어려운 연구 과제인데, 리더가 이를 제품 설계의 중요한 축이라고 분명히 말해 주지 않으면 현장에서 위로 밀어 올리기 어렵다고 덧붙인다. 버틀러는 AI 리터러시를 그 연장선에 놓는다. 소프트웨어 엔지니어를 대상으로 한 연구에서 생산성 압박 역설이라는 현상이 관찰됐다. 도구를 받고 생산성이 크게 오를 것이라는 기대를 받았지만 그 도구가 어떻게 작동하는지도, 그것으로 어떻게 더 생산적이 되는지도 모르는 상태에서 상사는 더 많은 결과물을 기다린다. 그래서 이미 아는 방식을 더 열심히 하게 되고, 도입 직후에는 생산적으로 보이지만 실제로 일하는 방식이 바뀐 것은 아니었다. 챗GPT에 딸기의 r 개수를 묻는 밈도 같은 맥락이다. 작동 원리를 아는 사람에게는 당연한 결과이지만, 모르면 애초에 올바른 질문을 던질 수 없다. 사회적 인식도 사용에 영향을 미친다. 얀선은 AI를 쓰는 사람이 게으르거나 덜 유능하게 비치는 경우가 있다는 발견을 전하고, 버틀러는 같은 글이라도 여성이 AI를 써서 썼다고 하면 남성이 그랬다고 할 때보다 덜 유능하다고 평가받은 연구를 소개한다. 세상에 이미 있던 편향이 새로운 도구로 옮겨 온 것이다. 다만 AI가 흔해질수록 타인의 사용을 판단하는 태도는 줄어드는 경향도 함께 보인다.

후반부의 주제는 메타포다. 예전의 컴퓨터는 결정론적이어서 시키는 대로 했지만 지금의 모델은 확률적이고 자연어로 대화할 수 있다. 그래서 도구라고 부르기도 하고 협업자라고 부르기도 한다. 호프먼은 전문성은 있지만 늘 정확하지는 않은 인턴이나 학생을 다루는 경험과 비슷하다고 말한다. 얀선은 두 집단에 각각 협업 도구로 접근하도록, 그리고 기술적 역량 중심으로 접근하도록 다른 교육을 준 연구를 소개하는데, 협업적으로 접근한 쪽이 경험도 결과도 더 나았다. 버틀러의 연구는 더 구체적이다. 같은 팀에서 같은 코드를 만지고 같은 매니저 밑에 있는데 사용량이 다른 개발자들을 인터뷰했더니, 많이 쓰는 쪽이 AI를 협업자로 봤다. 도구로 보면 망치를 든 사람이 못을 찾듯 쓸 자리를 한정하지만, 협업자로 보면 잘 안 될 때 내가 다르게 물어봐야겠다며 포기하지 않는다는 것이다. 마무리에서 세 사람은 없애고 싶은 오해를 하나씩 꼽는다. 많이 쓸수록 생산적이라는 생각, 좋은 도구만 주면 누구나 열 배가 된다는 생각, 그리고 전부 좋거나 전부 나쁘다는 이분법이다. 널리 이해되길 바라는 발견으로는 과거를 기준으로 삼는 벤치마킹의 한계, 인간을 대체하는 것보다 증강하는 쪽의 기회 공간이 훨씬 넓다는 에릭 브리뇰프슨의 그림, 그리고 컴퓨터과학 교육이 사라지는 것이 아니라 추상화 수준을 높인 계산적 사고와 문제 분해로 재정의되고 있다는 정리를 든다. 버틀러가 든 비유가 인상적이다. 전기와 컴퓨터가 없던 시절에 우주로 천천히 간 것이 아니라 아예 가지 못했다는 것이다. 더 빨리 할 수 있는 일이 아니라 전에는 아예 할 수 없던 일이 무엇인지를 묻는 자리에 상상력이 필요하다는 이야기다.

주요 인사이트

• 도입률 평균값은 실제 사용 양상을 거의 설명하지 못한다. 산업, 성별, 도구별로 갈라 보지 않으면 숫자가 오히려 오해를 만든다.
• 교육 현장에서 범용 챗봇이 학습 모드도 없이 쓰인다는 사실은, 제품의 부족이 아니라 안내와 훈련의 공백이 병목이라는 신호다.
• 도입 직후의 생산성 향상이 일하는 방식의 변화가 아니라 압박에 대한 반응일 수 있다는 지적은, 기업의 도입 성과 측정 방식 자체를 문제 삼는다.
• 채택과 참여만 최적화한 소셜미디어의 전례는 지금 넓은 효과를 측정할 장치를 제품에 넣어 두지 않으면 나중에 원인을 되짚을 수 없다는 경고다.
• AI를 협업자로 보는 사람이 더 넓게 쓴다는 관찰은 능력 차이가 아니라 프레이밍 차이이며, 교육 설계로 바꿀 수 있는 변수다.

자주 묻는 질문

관련 AI 소식