AI가 바꿀 경제의 미래
세 가지 시나리오

00결론부터 보기

이 자료가 말하는 결론은 여섯 줄로 줄일 수 있습니다.

• 📈 경제는 어느 경우에도 커진다. 다만 커지는 폭이 +1.6%에서 +32.4%까지 크게 벌어진다.
• 💼 흔들리는 건 '지식 노동'이다. 개발자·회계·상담처럼 책상에서 하는 일이 가장 크게 바뀌고, 그 사람들은 전기공·설비처럼 AI 영향이 덜한 직업으로 옮겨 가야 할 수 있다.
• 📉 평균 임금은 대체로 오르지만, 지식 노동만 방향이 반대다. 게다가 설비가 천천히 늘어나는 경우에는 평균 임금도 내려갈 수 있다(−9.2%).
• ⚖️ 커진 파이에서 일한 사람 몫은 줄고, 설비를 가진 쪽(자본) 몫은 늘어난다. 극단적 변화(lv3)에서는 노동 몫이 60%에서 45%까지 내려간다.
• 🤝 성장이 곧 모두의 이득은 아니다. GDP가 올라도 일하는 사람 전체의 소득이 줄어드는 조합도 있다. 그래서 진짜 문제는 '성장'이 아니라 '나눔'이 된다.
• ⏳ 지금은 어느 경우인지 알 수 없다. 오늘 데이터는 세 경우 모두와 맞는다. 1~2년 안에 나올 데이터가 우리가 어디에 있는지 알려 준다.

01이 문서는 무엇을 다루나

AI가 경제에 어떤 영향을 줄지는 아직 아무도 정확히 모릅니다. 세상이 엄청나게 풍요로워질 수도, 일자리가 크게 사라질 수도, 둘 다 아닐 수도 있습니다.

앤트로픽 경제팀은 이 질문에 답하려고 미국 경제를 흉내 낸 계산 모델을 만들었습니다. AI의 능력과 사용 정도를 바꿔 넣으면, 2030년 경제가 어떻게 달라지는지 보여 줍니다. 이 글은 그 결과를 정리한 것입니다.

02경제는 '과업(task)'으로 이루어져 있다

이 모델의 핵심 아이디어는 간단합니다. 모든 직업을 '작은 일들의 묶음'으로 본다는 것입니다. 예를 들어 간호사라는 직업은 "환자 확인하기, 활력 징후 재기, 물품 주문하기, 근무표 짜기…" 같은 수십 개의 작은 일로 이루어져 있습니다.

AI는 이 작은 일(과업) 하나하나를 네 가지 방식 중 하나로 바꿉니다. 그래서 같은 간호사라도 하는 일의 구성이 달라집니다. 없어지는 일, 도움받는 일, 새로 생기는 일이 섞입니다.

• 변화 없음. 사람만 할 수 있는 일. 예: 환자를 목욕시키기.
• 보조 (증강). AI가 도와서 더 빠르고 잘하게 함. 예: 퇴원 안내문 초안 쓰기, 원격 모니터링, 근무표 짜기.
• 자동화. AI가 혼자 처리. 예: 활력 징후 기록, 병동 물품 주문.
• 새로 생긴 일. AI 때문에 새로 만들어진 과업. 예: AI가 분류한 결과가 맞는지 확인하기, AI가 제안한 치료 계획 검토하기.

이렇게 과업이 바뀌면 직업의 내용도 서서히 달라집니다. 손으로 기록하던 일은 줄고, AI가 한 일을 점검하는 일은 늘어납니다. 사람은 나머지 일을 더 많이 맡게 되고, 생산성은 올라갑니다. (과업 목록은 미국 노동부 O*NET 분류를 따랐습니다.)

이 작은 일들이 미국 전역에서 하루에도 수백만 번 일어나고, 그것을 전부 더한 것이 곧 경제입니다. 최근 1년 기준 30조 달러(약 40,000조 원) 규모. 결국 AI가 경제를 얼마나 바꾸는지는 "얼마나 도와주고, 얼마나 대신하고, 얼마나 새 일을 만들고, 얼마나 빨리 퍼지느냐"에서 갈립니다.

03세 가지 시나리오

미래는 AI가 얼마나 똑똑해지는지, 그리고 사람들과 회사가 그걸 얼마나 빨리 쓰는지에 따라 갈립니다. 연구팀은 서로 뚜렷하게 다른 세 가지 경우를 골랐습니다. 이 문서에서는 이들을 점진적 변화(lv1), 상당한 변화(lv2), 극단적 변화(lv3)로 부릅니다.

세 경우를 가르는 것은 다섯 개의 값뿐입니다. 아래 표의 왼쪽 칸에 있는 다섯 항목이 그것이고, 세 경우는 같은 모델에 이 값만 달리 넣어 계산한 결과입니다.

원문 보고서의 시나리오 입력값(m, d, a, ψ, ρ)을 옮긴 것입니다. "AI가 닿는 과업"에 "실제로 쓰이는 정도"를 곱한 것이 실제 영향 범위입니다.

극단적 변화(lv3)에서는 나라 전체가 역사상 가장 부유해집니다. 하지만 그와 동시에 지식 노동 일자리는 크게 줄고, 실업은 평소 경기침체 때보다 높아집니다. 그래서 이 경우의 숙제는 "성장"이 아니라 "이익을 널리 나누기"가 됩니다.

04사람들은 미래를 어떻게 예측하나: 약 1만 9천 명 설문

이 예측 도구는 사람들에게 다섯 가지를 물어봅니다. ① AI가 어떤 일을 할 수 있나(능력) ② 얼마나 많이 쓰이나(사용) ③ 얼마나 혼자 하나(자율성) ④ 생산성을 얼마나 올리나(생산성) ⑤ 새 직업을 찾는 데 얼마나 걸리나(전환).

2026년 8월, 약 19,000명이 이 질문에 답했습니다. 다만 성격이 다른 두 집단이라 나눠서 봐야 합니다.

• 일반 대중 10,980명. 조사기관(Morning Consult)의 온라인 패널로, 미국 성인 인구를 대표하도록 나이·성별·학력·인종·지역·소득에 가중치를 준 대표 표본입니다. 8월 11~23일, 하루 약 2,000명씩 8회로 나눠 진행했습니다.
• 탐색기 페이지 방문자 7,926명. 이 예측 도구 페이지에 들어와 같은 질문에 직접 답한 사람들입니다. 스스로 참여한 표본이라 미국 전체를 대표하지는 않으므로 참고용입니다.

기술 보고서에 실린 공식 설문은 대표 표본 10,980명이고, 방문자 7,926명은 원문 웹 페이지에 함께 표시된 별도 집단입니다. 아래 수치는 대표 표본(10,980명)의 답을 모델에 넣은 결과입니다.

즉 대부분의 사람은 "인터넷보다 크지만, 세상을 완전히 뒤집지는 않는" 중간 정도의 미래를 상상하고 있었습니다.

05발견 1: GDP: 모두 늘지만, 폭이 완전히 다르다

GDP는 나라 안에서 1년 동안 만들어진 것의 총합입니다. * 2025년 가격 기준. 한화는 1달러 ≈ 1,345원으로 단순 환산한 근사값(환율에 따라 달라짐).

숫자의 크기보다 속도에서 차이가 더 큽니다. 극단적 변화(lv3)에서는 2030년 성장률이 연 15.4%까지 오릅니다. 원문은 이 대목에서 "이 속도가 유지된다면 1인당 소득이 5년마다 2배가 된다"고 적습니다. 지난 100년 동안 미국이 35년마다 2배였으니, 약 7배 빠른 속도입니다. 다만 이 2배는 평균이고, 뒤에서 보듯 늘어난 몫은 대부분 자본 쪽으로 갑니다.

그런데 크기보다 중요한 질문이 남습니다. 커진 경제에서 노동자가 가져가는 몫은 얼마인가? 새 일자리를 찾아야 하는 사람은 몇 명인가? 다음 세 발견이 그 답입니다.

06발견 2: 직업을 바꿔야 하는 사람이 늘어난다

세상은 원래도 조금씩 변합니다. 누군가는 일자리를 잃고 새 일자리를 찾습니다. 평소에는 힘들어도 크게 무너지진 않습니다.

그런데 변화가 큰 경우에는 지식 노동자에게 자동화와 교체가 크게 집중됩니다. 개인 입장에서는 아래 왼쪽 같은 일을 하던 사람이 오른쪽 같은 일로 옮겨 가야 할 수도 있습니다. 문제는 직업을 완전히 바꾸는 일이 어렵다는 점입니다. 새 기술을 배워야 하고, 원하지 않을 수도 있고, 새 직장을 구하는 것도 쉽지 않습니다.

보고서가 직접 예로 든 것은 소프트웨어 엔지니어 → 전기공("소프트웨어 엔지니어가 곧바로 전기공이나 간호사가 되지는 않는다")이고, 원문 페이지는 코더·콜센터 상담원 → 전기공·간호사를 듭니다. 나머지 예시는 보고서 부록이 밝힌 미국 표준직업분류(SOC) 기준. 지식 노동 12개 그룹(경영·재무, 컴퓨터·수학, 법률, 사무·행정 지원 등)과 그 밖 10개 그룹(건설·추출, 설치·정비·수리, 보건 지원, 운송 등). 에서 골랐습니다. 원문이 든 '간호사'는 이 분류로는 보건 전문직이라 지식 노동 그룹에 들어가지만, 원문은 현장 인력이 부족한 이동 대상으로 함께 언급합니다.

극단적 변화(lv3)에서는 지식 노동의 자동화가 훨씬 빠르게 진행되어, 영향을 받은 사람이 오랫동안 실업 상태에 머물 수 있습니다. 지식 노동 쪽 실업은 오르고, AI 영향을 덜 받는 직업 쪽 실업은 내려갑니다.

07발견 3: 임금: 평균은 오르는데, 오르는 곳이 딴 데다

세 경우 모두 평균 임금은 오릅니다. 그런데 그 상승은 지식 노동 바깥에 집중됩니다. 이유는 사람이 직업을 바꾸는 데 시간이 걸리기 때문입니다. 지식 노동의 수요가 줄면 그쪽 임금은 눌리고, 반대로 AI가 지식 노동의 생산성을 올리면 그 덕을 보는 분야(예: 건설)의 일손 수요가 늘어 임금이 오릅니다.

여기에 흥미로운 사실이 하나 있습니다. 임금이 얼마나 빨리 조정되느냐에 따라 고통이 나타나는 방식이 완전히 달라집니다. 임금이 뻣뻣하면(회사가 임금을 잘 안 내리면) 해고가 늘고, 임금이 유연하면 해고는 줄지만 임금이 크게 떨어집니다.

극단적 변화(lv3)에서 임금 조정 속도만 바꿔 본 결과입니다.

08발견 4: 파이는 커지는데 사람 몫은 줄어든다

지금은 경제가 만든 1달러 중 약 60센트는 일하고 받는 임금(노동), 40센트는 설비를 가진 쪽이 가져가는 몫(자본)입니다.

경제가 커지면서 AI가 일을 대신하게 되면, 1달러 중 더 많은 부분이 자본 소득으로 흘러갈 수 있습니다. AI를 돌리려면 서버·칩·전력 같은 설비가 필요한데, 그것을 짧은 시간에 충분히 늘리기 어려우면 설비의 값이 오르기 때문입니다.

극단적 변화(lv3)에서는, 빠르게 커지는 경제의 이익은 고르게 퍼지지 않습니다. 지식 노동자는 임금이 줄거나 일자리를 잃고, 전체적으로 노동자가 가져가는 몫 자체가 작아집니다. 2030년까지 노동 소득 총액은 거의 그대로입니다.

숫자로 보면 더 분명합니다. 극단적 변화(lv3)에서 자본의 수익률은 6.5% → 8.3%로 약 28% 오릅니다. GDP가 오른 부분은 전부 자본 소득으로 흘러가, 그 총액이 AI가 없을 때보다 81% 늘어납니다. 반대로 지식 노동의 임금 총액은 31% 줄고(임금 −11.5% × 일자리 −21.5%), 그 외 직업의 임금 총액은 거의 같은 폭으로 늘어납니다. 전체 노동 소득은 2030년에도 거의 그대로입니다.

그래서 이 경우의 진짜 과제는 "얼마나 벌 것인가"가 아니라 "잘 나눌 것인가"가 됩니다.

또 하나 중요한 변수가 있습니다. 설비(자본)가 얼마나 쉽게 늘어나느냐입니다. 컴퓨터와 기계를 빨리 늘릴 수 있으면 그만큼 노동이 이익을 더 가져가고, 늘리기 어려우면 자본 값이 뛰어 노동 몫이 줄어듭니다.

극단적 변화(lv3)에서 자본이 늘어나는 속도만 바꿔 본 결과입니다.

자본이 아주 느리게 늘어나면 GDP 증가폭은 줄고(+21.3%) 평균 임금은 오히려 내려갑니다(−9.2%). 같은 AI라도 노동자가 이익을 얼마나 가져가는지는 자본이 얼마나 잘 늘어나는지에 달려 있다는 뜻입니다.

지금까지는 경제가 커지면 일하는 사람 몫도 어느 정도는 따라온다고 봤습니다. 그런데 보고서는 시나리오 값들을 서로 섞으면 정반대 경우도 나온다는 점을 짚습니다. 일자리는 없어지는데 그만큼의 성과가 따라오지 않는 조합입니다.

경제학에서는 이런 기술을 "별로 대단하지 않은 기술(so-so technology)"이라고 부릅니다(Acemoglu·Restrepo 2019). 일자리는 없애지만 생산성을 크게 올리지는 못해서, 사라진 일자리를 이익으로 메우지 못하는 기술이라는 뜻입니다.

중요한 건 이 조합이 보고서가 다루는 값들의 범위 안에 있다는 점입니다. 특별히 이상한 가정을 넣지 않아도 이런 결과가 나올 수 있다는 것이 이 예시의 요지입니다.

09미래는 정해져 있지 않다 🧭

2030년 경제가 어떤 모습일지는 세 가지에 달려 있습니다. 🤖 AI가 무엇을 할 수 있는지, 🏢 회사와 사람이 그걸 어떻게 받아들이는지, ⚖️ 그리고 그 이익을 어떻게 나누기로 하는지입니다.

보고서의 결론은 세 가지로 요약됩니다.

• 지금은 어느 경우인지 알 수 없습니다. 오늘의 노동시장 데이터는 세 경우 모두와 들어맞습니다. 지금까지 AI의 노동시장 충격이 크지 않은 것을 두고 "점진적 변화(lv1)라서 그렇다"와 "극단적 변화(lv3)의 아주 이른 단계라서 아직 안 보인다" 두 해석이 다 가능합니다.
• 1~2년 안에 드러날 것입니다. 모델의 각 숫자(과업 비중·사용률·생산성 향상·재취업 기간)는 실제로 측정 가능한 것들입니다. 그래서 앞으로 나올 데이터가 우리가 어느 경우에 있는지 알려 줍니다.
• 돈은 있지만, 저절로 오지는 않습니다. 극단적 변화(lv3)에서 전체 이득은 지식 노동자가 잃는 것의 약 3배입니다. 보상할 돈은 있지만, 그 돈이 비용을 진 사람에게 가는 것은 성장이 저절로 해 주지 않습니다.

보고서는 그 수단으로 재훈련, 소득 지원, 보편적 기본자본, 기본소득, 그리고 아직 설계되지 않은 장치들을 꼽습니다. 지금까지 기술 변화에 대응해 이런 규모의 이전이 스스로 이뤄진 전례는 없었습니다.

이 계산 모델은 앤트로픽이 지원하는 노동시장 대응 연구와 정책 제안에 쓰입니다. 목표는 AI의 혜택이 미국과 세계 여러 나라에 고르게 돌아가게 하는 것입니다.

10이 모델이 하지 못하는 것 (v1.0 안내문 요약)

연구팀은 외부 경제학자들에게 검토를 받았고, 그때 나온 지적들입니다. 아직 결론이 나지 않은 논쟁이라, 읽으면서 직접 생각해 볼 만합니다.

논점 1

사람 한 명의 고통은 담기지 않는다

이 계산은 사람을 한 명씩 따라가지 않고 '몇만 명이 전직'처럼 숫자로만 셉니다. 그 사람들이 실제로 겪는 어려움은 어디에 담을까요?

논점 2

AI에 노출된 직업, 정말 줄어들까?

이 모델은 그 직업이 줄어든다고 봅니다. 하지만 AI가 생산성을 높여 그 일이 오히려 늘어날 수도 있다는 반론이 있습니다. 어느 쪽이 맞을까요?

논점 3

"극단적 변화(lv3)"도 "점진적 변화(lv1)"도 양쪽에서 비판받는다

"극단적 변화(lv3)는 상상에 가깝다"는 평가가 있는가 하면, "점진적 변화(lv1)는 이미 보이는 변화조차 너무 작게 본다"는 평가도 있습니다. 중간은 어디일까요?

논점 4

데이터센터 짓는 경기 부양 효과가 빠졌다

AI를 돌리려고 데이터센터를 대규모로 짓고 있습니다. 그 공사 자체가 일자리와 투자를 늘리는 효과가 모델에 반영되지 않았습니다.

논점 5

AI가 기술 발전 자체를 더 빠르게 만들면?

AI는 연구와 개발을 도와 새 아이디어가 더 빨리 나오게 합니다. 이 통로를 모델에 실제로 넣고 계산했지만, 경제에 미친 효과는 거의 없었습니다.*

• 로봇 공학의 발전. AI가 몸을 갖게 되면 육체 노동도 바뀝니다. 이걸 넣지 않았기 때문에 분석을 2030년까지만 했습니다.
• 물가 경직성과 수요의 맞물림. 충격이 소비를 줄여 다시 충격을 키우는 악순환을 담지 못합니다.
• 노동자의 이질성. 직업을 바꾼 사람이 쌓아 온 경력과 기술을 잃지 않고 새 직업의 임금을 곧바로 받는다고 가정합니다. 실제 이직의 손실을 과소평가할 수 있습니다.
• 집안일·돌봄의 가치. AI가 가사와 돌봄을 덜어 주는 이득은 GDP 밖이라 잡히지 않습니다.
• 자본의 종류 구분. AI용 컴퓨트와 다른 자본을 나누지 않고, 이미 2024년 이전에 자동화된 과업의 생산성 향상도 반영하지 않습니다.

외부 검토자: Daron Acemoglu, David Autor, David Romer, Jón Steinsson, Pascual Restrepo 등 다수. 모델과 기술 보고서는 Anton Korinek, Chad Jones, Szymon Sacher, Tess Cotter, Peter McCrory가 함께 썼습니다.

11자가개선은 이미 시작됐다

앞에서 본 것처럼 이 모델은 자가발전(재귀적 자기개선)을 계산에 넣지 않았습니다. AI가 나은 아이디어를 내고 그 아이디어가 다시 AI를 끌어올리는 순환은, 넣었다고 가정하는 대신 미리 정한 값으로 처리했습니다.

그런데 2026년 들어 AI를 만드는 곳들이 자가개선을 실제 연구개발로 돌리기 시작했습니다. 아직 완성된 기술은 아니지만, "언젠가 올 일"이 아니라 조직과 컴퓨트를 넣는 작업이 됐습니다. 아래는 그중 원문으로 확인한 자료만 시간순으로 모은 것입니다.

구글은 두 번에 걸쳐 이 방향으로 움직였습니다. 2025년 5월 공개한 AlphaEvolve는 Gemini를 붙인 코딩 에이전트가 알고리즘을 스스로 고쳐 쓰는 도구입니다. 구글은 이 도구가 자사 데이터센터 운영, 칩 설계, AI 학습 코드를 개선했다고 밝혔습니다. 그 목록에는 AlphaEvolve 자신을 돌리는 모델의 학습 과정도 들어 있습니다.

2026년 9월에는 한 단계 더 안쪽으로 들어갔습니다. Dream-RSI는 "어디를 먼저 파헤칠지 정하는 규칙"을 AI가 직접 고쳐 쓰는 구조입니다. 지난 탐색 기록을 그대로 두고, 새 규칙이 그 기록을 다른 순서로 훑었을 때의 점수만 계산합니다. 코드를 다시 돌리지 않으므로 후보 수천 개를 실행 없이 비교할 수 있고, 이긴 규칙 하나만 실제 탐색에 다시 들어갑니다. 논문은 라쏘 회귀 실험에서 기존 방식(SimpleTES)보다 탐색 호출을 162배 적게 썼다고 적었습니다.

이 문서의 원문을 낸 앤트로픽도 같은 해 6월에 사내 자료를 열었습니다. 「When AI Builds Itself」에는 자사 코드베이스에 병합되는 코드의 80% 이상을 클로드가 쓴다는 값(2026년 5월 기준, 2025년 2월 이전에는 한 자릿수), 엔지니어 한 명이 하루에 병합하는 코드가 2024년의 8배가 됐다는 값, 학습 코드를 빠르게 고치는 시험에서 클로드가 낸 속도 향상이 2025년 5월 3배에서 2026년 4월 52배로 늘었다는 값이 들어 있습니다. 정렬 연구를 열린 문제로 던져 에이전트가 실험을 스스로 설계하게 한 시도도 함께 공개했습니다. 사람 연구자 둘이 일주일 동안 23%를 채운 몫을 에이전트가 800시간 동안 97%까지 채웠습니다.

다만 앤트로픽은 여기서 선을 긋습니다. "우리는 아직 거기까지 가지 않았고, 자가개선은 필연이 아니다"라고 적고, 남은 병목은 "무엇을 연구할지 정하는 판단"이라고 밝힙니다. 그 판단을 빼고 나머지를 자동화하는 것만으로도 사람 한 명이 끌고 가는 작업량이 크게 늘어난다는 것이 이 자료의 주장입니다.

OpenAI는 2026년 7월 GPT-Red를 공개했습니다. 사람이 하던 레드팀(모델의 허점을 찾아내는 일)을 자동화한 모델이고, 이 모델이 만든 공격으로 다음 모델을 훈련시켜 견고하게 만듭니다. OpenAI는 이걸 "오늘의 모델이 다음 모델을 더 안전하게 만드는 일"이라고 적습니다. Sakana AI는 같은 해 6월 도쿄에 자가개선 전담 조직(RSI Lab)을 만들었고, Nvidia는 9월 에이전트가 일하는 틀을 스스로 고쳐 쓰는 SoL-Pi를 내놨습니다.

프린스턴대 등 공동 연구진은 2026년 7월 그림자 평가라는 방법을 내놨습니다. 아직 공개되지 않은 학회 투고 논문 2편의 핵심 질문을 에이전트에게 주고 엿새와 수천 달러어치 컴퓨트를 준 뒤, 원래 논문을 쓴 사람이 채점하게 했습니다. 결과는 두 편 모두 게재 불가였습니다. 문헌 조사, 실험 수백 번, 결과 정리 같은 엔지니어링은 사람 없이 해냈지만, 무엇을 시도할지 고르고 막힌 길에서 되돌아오는 일은 하지 못했습니다.

비슷한 시기 경제학 논문 하나는 자가개선의 되먹임 고리가 아직 스스로 유지되는 가속을 만들 만큼 강하지 않다고 계산했습니다. 다만 그 고리가 강해지고 있다고 덧붙였습니다. 앤트로픽 공동창업자 잭 클라크도 "오늘의 AI에게는 창의성이 없다"며 단기 일정에는 약세 신호라고 적었습니다.

출처: Dream-RSI (Zheng 등, 2026.09.14, arXiv:2609.14858) · AlphaEvolve (Google DeepMind, 2025.05) · When AI Builds Itself (The 앤트로픽 Institute, 2026.06.04) · Import AI 455 (Jack Clark, 2026.05.04) · GPT-Red (OpenAI, 2026.07.15) · Sakana AI RSI Lab (2026.06) · Can AI agents conduct open-ended AI research? (Kirgis 등, 2026.07.29, arXiv:2607.27191) · The Economics of Recursive Self-Improvement (Elasticity Institute, 2026.07.13) · SoL-Pi (Nvidia, 2026.09.17, arXiv:2609.20519). 값은 각 자료 본문에서 확인했습니다.