수십 년에서 몇 년으로? 노벨상 수상자들의 경고와 기술 채택의 데이터

7월 13일 ‘지금 행동해야 한다(We Must Act Now)’라는 제목의 공동성명이 발표되었습니다. 노벨 경제학상 수상자 16인을 포함해 경제학자와 AI 연구자 200여 명이 서명했습니다. 대런 애스모글루, 조지프 스티글리츠, 마이클 스펜스, 폴 크루그먼, 벤 버냉키 같은 경제학자들과 요슈아 벤지오, 얀 르쿤 같은 AI 연구자들의 이름이 나란히 올랐고, 에릭 브린욜프슨, 아자이 아그라왈, 앤턴 코리넥, 톰 커닝햄이 조직을 맡았습니다. 국내 언론도 이를 단신으로 전했습니다.

발표문에서 조직자 두 사람은 취지를 이렇게 요약했습니다. 브린욜프슨은 “AI 역량은 그것이 갖는 경제적 함의에 대한 우리의 이해보다 훨씬 빠르게 발전하고 있다”고 말했고, 코리넥은 “증기기관과 전기, 컴퓨터는 각각 사회에 적응할 수십 년의 시간을 주었지만 AI는 몇 년밖에 주지 않을 수 있다”고 덧붙였습니다. 성명은 AI가 대규모 일자리 대체의 위험과 생활수준 향상의 기회를 함께 안고 있으며, 인간을 보완하고 사회에 이익이 되도록 제도와 정책을 지금 준비해야 한다고 촉구합니다.

코리넥의 문제 제기와 관련해 데이터로 점검할 수 있는 한 요소는 기술 확산에 걸리는 기간이 실제로 짧아져 왔는지 여부입니다. 이번 글에서는 세 종류의 자료로 이를 채택의 측면에서 점검합니다. 다만 채택은 ‘AI 역량의 발전, 채택, 사용 강도, 생산성과 고용에 대한 영향, 제도적 적응’으로 이어지는 사슬의 앞부분일 뿐이므로, 채택 속도만으로 경제적 영향의 속도나 제도가 필요로 하는 시간을 직접 추론할 수는 없습니다.

한 세기의 채택 곡선: 중앙값 11년에서 7년으로

첫 번째 데이터는 미국의 기술별 보급률·사용률 계열입니다. Comin과 Hobijn(2004), Horace Dediu 등 여러 원자료를 Our World in Data가 취합해 가공한 시계열은 20세기 초의 전력과 유선전화부터 21세기의 스마트폰까지, 각 기술이 미국 사회에 퍼진 궤적을 담고 있습니다.

미국 기술별 보급률·사용률 곡선 — 그림 1: 미국의 기술별 보급률·사용률 추이. 선별한 기술의 확산 궤적을 보여주며, 측정 단위와 원자료는 기술마다 다르다. 유선전화 곡선이 2000년대 이후 하락하는 것은 휴대전화로의 대체를 반영한다. (자료: Our World in Data가 Comin & Hobijn (2004), Horace Dediu 등 여러 원자료를 취합한 시계열)

곡선의 기울기를 하나의 숫자로 요약하기 위해, 각 계열의 값이 10%에서 50%까지 도달하는 데 걸린 시간을 계산했습니다. 10%와 50%는 확산 단계를 가르는 이론적 경계라기보다, 기술 사이의 비교를 위해 선택한 분석 임계값입니다.

기술별 10퍼센트에서 50퍼센트 도달 소요 시간 — 그림 2: 각 계열의 값이 10%에서 50%까지 걸린 시간. 선형 보간으로 계산했으며, 10% 도달이 1980년 이후인 계열은 파란색으로 표시했다. 스마트폰은 자료가 35% 시점부터 시작되어 계산에서 제외했다. (자료: Our World in Data. 계산: 필자)

결과는 코리넥의 문제 제기와 제한적으로 부합합니다. 유선전화는 10%에서 50%까지 43년, 세탁기는 35년, 전력은 16년이 걸렸습니다. 반면 10% 도달이 1980년 이후인 기술들은 대부분 한 자릿수입니다. 인터넷 8년, 휴대전화 7년, 소셜미디어는 5년이었습니다.

물론 이 그림을 기술 결정론으로 읽지 않도록 세 가지 단서가 필요합니다. 첫째, 옛 기술이 모두 느렸던 것은 아닙니다. 라디오는 10%에서 50%까지 6년이 걸려 인터넷(8년)이나 PC(15년)보다 빨랐고 컬러TV도 7년이었으므로, 두 시대 기술의 분포는 서로 겹칩니다. 차이가 나타나는 것은 집단의 중앙값입니다. 10% 도달이 1980년 이전인 기술들의 중앙 소요 시간은 11년, 이후인 기술들은 7년이며, 임계값을 20%→50%나 10%→80%로 바꾸거나, CSV에서 두 임계값 도달 시점을 산출할 수 있는 29개 이질적 계열 전체로 계산해도 이 차이의 방향은 유지됩니다. 둘째, 확산 속도는 기술 자체만이 아니라 가격, 소득, 인프라의 함수입니다. 세탁기와 유선전화의 확산 구간은 대공황과 전쟁 시기와 겹쳐 있습니다. 셋째, 이 목록은 정의와 출처가 서로 다른 계열 가운데 필자가 선정한 것이고, 50%에 도달하지 않은 기술을 제외한 완결된 사례만 비교하므로 선택 편향이 생길 수 있다는 점도 감안해 읽어야 합니다.

생성형 AI: 출시 약 2년 뒤, 절반 가까이가 사용

그렇다면 생성형 AI는 이 곡선들 위 어디에 있을까요. 세인트루이스 연준의 빅(Bick), 밴더빌트대의 블랜딘(Blandin), 하버드대의 데밍(Deming)이 Management Science에 발표한 연구는 생성형 AI 사용에 관한 첫 전국 대표 표본 조사입니다. 저자들은 1984년부터 컴퓨터 사용을 추적해 온 미국 Current Population Survey(CPS)의 컴퓨터·인터넷 사용 부가조사 질문을 본떠 재구성한 문항으로, 2024년 8월과 11월 두 차례에 걸쳐 1만 명 이상의 성인에게 생성형 AI 사용 여부를 물었습니다. 비슷한 잣대로 측정했기 때문에 40년 전 PC의 확산과 비교할 수 있다는 것이 이 연구의 강점입니다. 다만 이 조사(Real-Time Population Survey, RPS)는 정부의 확률표본이 아니라 인구 구성에 맞춰 가중한 온라인 패널이라는 한계도 논문에 명시되어 있습니다.

결과를 사용 강도별로 나누면 이렇습니다. ChatGPT 출시(2022년 11월) 약 2년 뒤 시점에 미국 18~64세의 45.5%가 생성형 AI를 업무 또는 업무 외에서 사용한다고 응답했고, 37.1%는 직전 일주일에 한 번 이상, 10.4%는 직전 일주일 동안 매일 사용했습니다. 비슷한 문항으로 측정한 IBM PC 출시 3년 뒤인 1984년의 컴퓨터 사용률은 19.7%였고, 인터넷은 논문처럼 1995년을 상용화의 기준연도로 잡으면, 2년 뒤인 1997년 미국의 이용률이 ITU 자료에서 21.6%(약 22%)였습니다. ITU 지표는 전체 인구 중 최근 3개월 안에 인터넷을 이용한 사람의 비율이므로, 생성형 AI·PC 조사와는 모집단과 문항이 다른 별도 비교치입니다. 요컨대 출시 후 비슷한 시점(생성형 AI 2년, PC 3년)에서 비교하면 생성형 AI의 사용률은 비슷한 문항으로 측정된 PC의 두 배 이상이고, 기준이 다른 인터넷 지표와 견줘도 수치상 약 두 배입니다. 저자들이 첫 대중 시장 컴퓨터의 기준으로 잡은 1981년 IBM PC 대신 1977년의 애플 II 등을 쓰면 PC의 확산은 더 느리게 측정되므로, 기준 시점의 선택이 이 비교를 생성형 AI에 유리하게 만든 것도 아닙니다.

생성형 AI와 PC의 출시 2~3년 뒤 사용률 비교 — 그림 3: 대중 시장 제품 출시 후 비슷한 시점(생성형 AI 2년, PC 3년)에서 비교한 사용률. 전체와 업무 외·가정은 18~64세 전체, 업무는 18~64세 취업자 기준. (자료: Bick, Blandin & Deming (2026) Figure 2)

세부 구성이 흥미롭습니다. 18~64세 취업자 중 업무상 사용률은 생성형 AI 32.1%, 1984년의 PC 25.1%로 비슷한 수준입니다. 두 기술의 격차는 업무 비교보다 업무 외·가정 비교에서 더 크게 나타납니다. 생성형 AI는 업무 외 사용률이 37.7%인 반면 1984년 가정에서 컴퓨터를 쓰는 사람은 5.5%에 불과했습니다. PC는 비싼 하드웨어와 훈련을 요구했지만 생성형 AI의 상당수는 무료이고 브라우저만 있으면 된다는 점이 가능한 설명 중 하나입니다. 저자들 스스로 지적하듯, 채택의 문턱이 낮았다는 사실은 빠른 확산의 원인인 동시에 사용률이 같다고 편익도 같지는 않다는 단서이기도 합니다. 또한 이 조사는 응답자가 인지한 사용만 포착하며, 저자들은 검색이나 문서 도구에 내장된 AI처럼 인지되지 않는 사용이 있어 추정치를 하한으로 해석합니다.

또 하나 주목할 대목은 개인과 기업의 측정 격차입니다. 같은 기간 미국 센서스국의 기업 조사(BTOS)에서 최근 2주간 재화·서비스 생산에 AI를 사용했다고 답한 기업은 5.3%로, 근로자 개인의 업무상 사용률 32.1%와 차이가 컸습니다. 두 수치는 기업과 개인, 모든 AI와 생성형 AI, 기업의 최근 2주 생산 활용과 개인의 업무상 사용이라는 정의 차이 때문에 직접 비교할 수 없고, 격차를 기업의 채택이 그만큼 느리다는 증거로 읽어서도 안 됩니다. 같은 문항 아래에서도 측정치는 2025년 말 약 10%까지 상승했고, 2025년 11월 센서스국이 질문을 생산 과정만이 아닌 모든 업무 기능을 포괄하도록 넓히자 측정치가 직후 17%로 거의 두 배가 되었습니다. 해당 연구진은 근로자와 기업 수치의 초기 격차가 상당 부분 측정 방식에서 비롯되었다고 결론짓습니다. 묻는 방식에 따라 기업 사용률 측정치가 크게 달라진다는 사실 자체가, 기업 수준의 AI 사용을 재는 일이 아직 정착되지 않았음을 보여줍니다. 한편 Bick·Blandin·Deming(2026)의 근로자 조사에서는 응답자가 보고한 시간 절약이 전체 노동시간의 1.4%이며, 설문 응답과 생산함수 가정으로 산출한 경제 전체 노동생산성의 잠재적 수준 효과는 1.2%로 추정됩니다. 실제 생산성 통계에서 관측된 효과가 아니라 설문 응답과 모형 가정에 기반한 잠재 추정치입니다.

그림 1과 2의 계열은 대부분 가구 기준 보급률이지만 소셜미디어와 스마트폰은 개인 기준 사용률이며, 그림 3은 18~64세 개인 기준 사용률입니다. 잣대가 서로 달라 직접 포개어 읽을 수 없습니다. 선정한 미국 계열에서는 10% 도달이 1980년 이후인 집단의 중앙 확산 기간이 더 짧았고, 별도의 개인 조사에서는 생성형 AI의 출시 초기 사용률이 PC보다 높았습니다. 서로 다른 지표에서 얻은 두 결과이며, 같은 지표의 연속 시계열이 아닙니다.

인터넷에서는 한국이 더 빨랐다, 생성형 AI는 어떤가

코리넥의 문제 제기를 한국에 적용할 때는 확인할 것이 하나 더 있습니다. 적어도 인터넷에서는 한국의 확산 속도가 미국보다 훨씬 빨랐기 때문입니다.

ITU 자료로 계산하면 미국은 인터넷 이용률이 10%에서 80%에 도달하는 데 약 20년이 걸렸습니다. 한국은 약 9년이었습니다. 선형 보간 기준으로 한국은 1998년(6.8%)과 1999년(23.6%) 사이에 10%에 도달했고, 2007년(78.8%)과 2008년(81.0%) 사이에 80%에 도달했습니다. 출발은 미국보다 3년가량 늦었지만 80% 도달은 오히려 8년 빨랐습니다.

한국과 미국의 인터넷 이용률 추이 — 그림 4: 인터넷 이용 인구 비중, 한국과 미국. 이용률 10%에서 80%까지 한국은 약 9년, 미국은 약 20년이 걸렸다(선형 보간 계산). (자료: Our World in Data, 원자료 ITU. 계산: 필자)

물론 이는 인터넷 한 사례이며, 그 자체로 ‘한국은 모든 기술에서 빠르다’를 입증하지는 않습니다. 그렇다면 생성형 AI에서는 어떨까요. 미국의 조사처럼 과거 기술과 같은 잣대로 비교할 수 있는 자료는 아직 없지만, 한국의 초기 이용 수준을 보여주는 공공기관의 조사 결과는 있습니다. 과학기술정보통신부와 한국지능정보사회진흥원의 2025년 인터넷이용실태조사에서는 2025년 7월 기준 만 12세 이상 인터넷 이용자의 44.5%가 생성형 AI 기반 서비스를 경험한 것으로 나타났습니다. 서동현·오삼일·김민정이 2025년 5~6월 만 15~64세 취업자 5,512명을 대상으로 실시한 가중 웹패널 조사(한국은행 이슈노트)에서는 조사 대상 취업자의 63.5%가 생성형 AI를 한 번이라도 사용했고, 전체 취업자 기준 22.2%는 정기적으로 사용했습니다. 업무상 이용 경험률은 51.8%였고, 전체 취업자 기준 17.1%는 정기적으로 업무에 이용했습니다. 두 조사는 한국에서도 높은 초기 이용 경험률이 관찰된다는 점을 보여줍니다. 다만 생성형 AI 이용이 미국보다 더 빠르게 확산됐는지는 동일한 모집단과 문항, 시점의 비교 자료가 없어 판단하기 어렵습니다.

한국에서도 높은 초기 이용 경험률이 관찰된 만큼, 정책 준비에 주어진 시간이 수십 년이 아니라 몇 년 단위일 가능성은 고려할 필요가 있습니다. 여기서 중요한 정책 논점은 채택의 속도 자체가 아니라 적응의 시간입니다. 빠른 채택은 노동시장과 교육, 사회안전망에 허용되는 준비 기간이 짧아질 가능성을 제기합니다. 다만 실제 조정에 필요한 시간이 채택 속도와 같은 비율로 줄어든다는 뜻은 아닙니다.

채택의 속도와 적응의 시간

데이터를 종합하면 이렇습니다. 선정한 계열에서 값이 10%에서 50%에 이르는 중앙 소요 시간은 10% 도달이 1980년 이전인 기술의 11년과 이후 기술의 7년이었고(최장은 유선전화 43년, 최단은 전자레인지 4년), 별도의 개인 조사에서 출시 약 2년 뒤의 생성형 AI 사용률은 비슷한 문항으로 측정된 PC의 두 배 이상이었습니다. 이 두 관찰은 코리넥의 문제 제기와 제한적으로 부합합니다. 한국은 인터넷 확산에서 미국보다 빨랐고 생성형 AI에서도 높은 초기 이용 경험률이 관찰됩니다. 다만 이 글이 측정한 것은 어디까지나 채택이며, 채택 속도만으로 경제적 영향이나 제도적 적응에 필요한 시간을 직접 추론할 수는 없습니다.

신기술이 생산성 통계에 나타나기까지는 보완적 투자와 업무 방식의 재설계가 필요합니다. 브린욜프슨·록·시버슨의 ‘생산성 J커브’ 연구는 범용기술이 가치를 내려면 무형의 보완적 투자가 필요하고, 이러한 투자가 통계에 충분히 포착되지 않아 도입 초기의 생산성 증가가 과소측정될 수 있음을 보여줍니다. 생성형 AI에서도 기업 조사의 측정치가 질문 방식에 따라 크게 달라지는 지금의 상황은, 기업 수준의 AI 사용을 정확히 측정하는 일부터가 아직 정착되지 않았음을 보여줍니다. 성명이 요구하는 것도 예언이 아니라 준비입니다. 영향의 규모와 시점이 불확실할수록, 어느 쪽으로 전개되어도 대응할 수 있는 제도를 미리 갖추라는 것입니다.

이 관점은 앞서 다룬 정부의 ‘3·4·5 비전’과도 연결됩니다. AI와 반도체로 성장의 속도를 올리겠다는 전략과, 그 속도가 노동시장에 만들 조정 압력에 대비하라는 성명은 상충하는 이야기가 아니라 같은 동전의 양면입니다. 반도체 호황과 청년 고용 부진이 동시에 관찰된다는 사실만으로 고용 부진을 AI 채택의 결과로 식별할 수는 없습니다. 다만 관련 관찰 분석은 나오기 시작했습니다. 한진수·오삼일(2025)의 BOK 이슈노트는 국민연금 자료에서 2022년 7월부터 2025년 7월 사이 15~29세 가입자가 21만 1천 명 줄었고, 그중 AI 고노출 업종의 감소분이 20만 8천 명이었다고 보고합니다. 여기서 노출도는 실제 AI 도입률이 아니라 직업별 인간 능력과 AI 응용기술의 연관성을 업종별 직업 구성으로 가중 집계한 잠재 노출지수이며, 분석은 노출지수 상위 50% 업종을 고노출 업종으로 분류합니다. 노출지수에 기반한 관찰 연구여서 인과관계로 단정할 수는 없습니다. 그럼에도 이 결과는 성장 전략과 노동시장의 조정 정책을 같은 시야에서 검토할 하나의 근거를 제공합니다. 성장 전략의 성패만큼이나, 짧아질 수 있는 정책 준비 기간 안에 제도가 대응 역량을 갖추는지를 지켜볼 문제입니다.

📐 방법 및 재계산 정보

자료: Our World in Data의 ‘미국 가구 기술 채택’(Comin & Hobijn (2004), Horace Dediu 등 여러 원자료의 취합)과 ‘인터넷 이용 인구 비중’(원자료 ITU, 최근 3개월 이용 기준). 모두 2026년 7월 16일 조회분이며, 조회 시점의 데이터 사본을 로컬에 보존했습니다.
기술 선정: 두 임계값(10%·50%)의 도달 시점을 산출할 수 있다는 동일 규칙을 자료 전체에 적용하면 29개 계열이 조건을 충족합니다. 이 가운데 널리 알려진 가정용 기술을 중심으로 분석 대상으로 선정한 12개 예시 계열을 사용했으며(태블릿 등 조건을 충족하는 나머지 계열은 제외), 편의적으로 구성한 목록이므로 기술 전체에 대한 통계적 일반화는 하지 않습니다. 사용한 OWID 계열명은 Electric power, Landline, Automobile, Radio, Household refrigerator(별도의 Refrigerator 계열 대신 사용), Washing machine, Colour TV, Microwave, Microcomputer, Cellular phone, Internet, Social media usage입니다. 이 가운데 Social media usage는 가구가 아니라 미국 성인 개인 기준 사용률이고, 그림 1에만 쓴 Smartphone usage도 개인 기준입니다. 스마트폰(Smartphone usage)은 첫 관측이 35%부터 시작되어 소요 시간 계산에서 제외했습니다. 12개 중 9개는 첫 관측값이 정확히 10%여서 해당 연도를 10% 도달 시점으로 썼고, 전자레인지(3%)와 PC(8.2%), 소셜미디어(5%)는 10% 아래에서 시작해 보간으로 구했습니다. 최초 관측값이 10%인 계열은 실제 도달 시점이 그보다 이를 수 있으므로, 10%→50% 소요 기간이 실제보다 짧게 측정될 수 있습니다.
계산: 임계값에 처음 도달한 시점을 인접 관측치의 선형 보간으로 구하고, 두 시점의 차이를 소요 시간으로 정의했습니다. 본문과 그림의 기술별 소요 기간과 12개 예시 계열의 중앙값은 정수로 반올림했고, 아래 보조 점검의 중앙값은 소수점 첫째 자리까지 제시했습니다. 비율은 원자료의 표기를 따랐습니다.
민감도: 10% 도달 연도가 1980년 이전인 7개와 이후인 5개로 나누면, 10%→50% 소요 시간의 집단 중앙값은 11년과 7년입니다. 임계값을 20%→50%로 바꾸면 8년과 4년, 10%→80%로 바꾸면 33년과 13년(PC는 최대 보급률 78%로 80% 미도달이라 제외)입니다. 어느 임계값에서도 집단 중앙값의 차이는 유지되지만, 라디오(10%→50%에 6년)와 컬러TV(7년)처럼 빠른 과거 사례가 있어 두 집단의 분포 자체는 겹칩니다. 1980년이라는 구분점은 비교를 위한 서술적 기준이며, 구조적 단절을 통계적으로 추정한 결과가 아닙니다.
CSV 내 조건 충족 계열을 이용한 보조 민감도 점검: 선정한 12개 대신 두 임계값 도달 시점을 산출할 수 있는 29개 계열 전체로 같은 계산을 반복하면, 10%→50% 중앙값은 10% 도달이 1980년 이전인 22개 계열에서 12.8년, 이후 7개 계열에서 7.1년입니다. 임계값을 20%→50%로 바꾸면 7.8년과 4.2년, 10%→80%로 바꾸면 19.5년과 12.9년(도달 계열 18개와 4개)입니다. 다만 이 29개는 서로 독립된 가구 기술의 표본이 아니며, 자동변속기처럼 자동차와 중첩되는 계열, 두 종류의 냉장고 계열, 가구 단위가 아닌 계열(실시간총액결제, 컨테이너 항만 등)도 포함합니다. 12개 선정의 대표성을 입증하는 검정이 아니라, 계산 범위를 넓혔을 때 결과의 방향이 유지되는지를 확인한 계열 포함 범위에 대한 민감도 점검으로 읽어야 합니다.
생성형 AI 수치의 정의: 본문의 45.5%는 업무 또는 업무 외에서 생성형 AI를 사용한다고 응답한 18~64세의 비율이며, 직전 1주에 한 번 이상 사용 37.1%, 직전 1주 동안 매일 사용 10.4%와 구분됩니다. 업무상 사용률 32.1%(직전 1주 27.2%)는 18~64세 취업자 기준입니다. PC(19.7%)와의 비교는 CPS의 유사 문항 기준이고, 한국 조사의 수치는 문항 성격에 맞춰 이용 경험률로 표기했습니다.

🔗 참고자료

본 글은 필자 개인의 의견으로, 소속 기관의 공식 입장과 무관합니다.