AI 와 일자리
공포론과 회의론 사이
AI 와 일자리 — 합리적 공포와 합리적 회의
자매편 into-the-latent-space 11편 "내 자리는 안전한가요"에서 일반 독자용으로 짧게 다룬 주제를, 이 부록에선 디테일하게 풀어둡니다. AI 가 일자리를 어떻게 바꾸는지에 대해 두 개의 정직한 직관 — 합리적 공포와 합리적 회의 — 이 어떻게 부딪히고, 학계와 산업계가 어떤 통계·논리 위에서 그 부딪힘을 다루는지가 주제예요.
한 줄 요약
공포론은 속도·폭·깊이 세 축에서 합리적 근거를 가집니다. 회의론은 자동화의 역사적 패턴, 노동 총량의 오류, 그리고 AI 자체의 한계라는 세 축에서 합리적 근거를 가집니다. 두 결론을 동시에 인정하는 자리에서 정직한 그림이 시작돼요 — 일자리는 사라지기보다 모양이 달라진다. 다만 평균은 평균이고, 개인은 개인이다.
두 개의 직관
| 직관 | 공포론 | 회의론 |
|---|---|---|
| 출발점 | "이번 자동화는 사무직·창의 직군의 핵심까지 닿는다" | "자동화는 늘 일자리 모양만 바꿔왔다" |
| 핵심 가정 | 작업의 자동화 = 직무의 사라짐 | 작업의 자동화 = 그 작업의 단가 하락 = 수요 폭발 |
| 인지 오류 위험 | "이번엔 정말 다르다" 의 과잉 일반화 | "어차피 잘 풀린다" 의 평균 함정 (개인 비용 무시) |
양쪽이 모두 합리적 근거를 가지고 있다는 점 — 이걸 인정하는 데서 시작합니다. 한쪽을 무시한 채 다른 쪽만 강조하면 정직하지 않은 분석이 됩니다.
갈래 1 — 종말론의 합당한 근거
자동화 파동마다 "이번엔 다르다" 라는 말은 등장했어요. 19세기 러다이트, 20세기 초의 사무 자동화, 1980년대의 PC, 1990년대의 인터넷. 매번 "이번엔 다르다" 라고 했고, 매번 어느 정도 일자리는 늘었어요. 그래서 이 말 자체에 회의가 묻어다녀요.
다만 이번 LLM 파동에는 — 학계 다수가 인정하는 — 세 가지 객관적 차이가 있어요.
1. 속도 (Pace)
지난 자동화는 산업 전반에 퍼지는 데 수십 년이 걸렸어요. ATM 은 1969년 첫 도입 후 1990년대까지 약 20년에 걸쳐 보급됐어요. 인터넷은 1995년 상용화 후 사무실에 자리 잡는 데 10년 이상 걸렸고요.
LLM 은 시간 단위가 다릅니다. ChatGPT 가 일반 공개된 게 2022년 11월이었는데, 2026년 초 시점에 — Stanford AI Index 기준 — 전 세계 기업의 약 78%가 어떤 식으로든 AI 를 업무에 도입했고(생성형 AI 한정은 71%), 전문 개발자의 약 85%는 매주 AI 코딩 도구를 씁니다. 3년 만에 전 산업의 80% 수준 침투. 이전 자동화 파동의 약 10분의 1 시간으로 압축된 셈이에요.
함의: 적응 시간이 짧다는 건, 변화의 비용을 분배하는 메커니즘(재교육, 산업간 이동, 사회 안전망)이 따라잡기 어렵다는 의미입니다. 개인 차원에서 한 직업이 사라지는 속도가 같은 사람이 새 직업에 적응하는 속도보다 빠를 수 있어요. 장기 평균이 좋다고 해서 단기 개인 비용이 작은 건 아닙니다.
2. 폭 (Breadth)
지난 자동화는 한 산업에 한 번씩 들어갔어요. 직물 산업, 자동차 공장, 전화 교환원, 콜센터. 한 분야에서 일자리를 잃은 사람은 다른 분야로 옮겨갈 수 있었어요 — 자동차 공장 노동자가 사무직으로, 사무직이 IT 로.
LLM 은 거의 모든 화이트칼라 직군에 동시에 닿습니다. 글쓰기, 그림 그리기, 코드, 법률 문서, 회계, 상담, 번역, 디자인. "다른 산업으로 도망갈" 안전한 곳이 — 적어도 화이트칼라 안에서는 — 줄어든 거예요.
OECD 의 2023년 OECD Employment Outlook 은 OECD 국가 평균 약 27%의 일자리가 "자동화 위험이 높음" 으로 분류된다고 추정했어요. 이전 파동에서 한 번에 영향받은 비율이 한 자릿수에서 십몇 퍼센트 수준이었던 것과 비교하면 폭이 큽니다.
3. 깊이 (Depth)
가장 결정적인 차이가 이거예요. 지난 자동화는 단순 반복 작업을 가져갔어요. 그래서 "사람만이 할 수 있는" 영역 — 기획, 디자인, 글쓰기, 판단, 협상 — 이 늘 안전지대로 남아 있었죠. 화이트칼라 직군이 자동화의 안전지대로 여겨졌던 이유가 이것이에요.
LLM 은 그 안전지대 안에서 작동합니다. 적당히 잘 해버려요. 문제는 — 적당히 잘 한다 가 평균적인 작업자보다 잘 한다는 의미일 수 있다는 점이에요.
- 번역: 전문 번역가의 평균 품질에 가까움 (특정 도메인 제외)
- 일러스트: 흔히 발주되는 상업 일러스트 수준에 도달
- 법률 문서 초안: 신입 변호사의 초안 수준에 근접
- 코드: 표준적인 보일러플레이트는 시니어 수준 이상
이전 파동이 "근육 노동" 을 자동화했다면, 이번 파동은 "사무 노동의 중간 수준" 을 자동화하고 있어요. 위쪽의 전문가급 판단·창의·맥락 통합은 여전히 사람의 영역이지만, 그 위쪽으로 가기 전 단계를 AI 가 채워버립니다. 신입 자리가 가장 먼저 사라지는 패턴 — 이게 지금 채용 시장에서 관측되는 신호 중 하나예요.
갈래 2 — 종말론 자체의 합당한 회의
종말론의 근거가 합리적이라는 사실이, 종말론이 시키는 행동(공포에 마비됨, 변화에 등 돌림, 도구 외면)까지 합리적이라는 뜻은 아닙니다. 종말론 자체가 부작용을 만들어요.
자기 충족적 예언
권위 있는 인물의 단언은 사람들의 행동을 바꿉니다. 그 행동이 누적되면 — 예측 자체가 부분적으로 실현되거나, 정반대의 손실을 만들어요. 방사선과 사례(아래) 가 후자의 정확한 예입니다.
도구 외면
"어차피 AI 가 다 가져갈 것" 이라는 체념은 AI 를 적극적으로 익히지 않게 만듭니다. 그런데 현장에서 일어나는 실제 변화의 대부분은 — 두 직군 사이의 대체가 아니라, 같은 직군 안에서 AI 를 잘 쓰는 사람이 그렇지 않은 사람의 자리를 흡수하는 형태입니다. 종말론을 가장 진지하게 들은 사람이 가장 먼저 자리를 잃게 되는 메커니즘이에요.
학습된 무력감 (Learned Helplessness)
"내가 뭘 해도 안 되는 흐름" 이라는 인지가 누적되면, 학습·이동·재교육 동기 자체가 약해져요. 사회 전체에 이 무력감이 번지면, 변화의 비용을 누구도 적극적으로 부담하려 하지 않게 되고, 결국 가장 약한 자리의 사람들이 모든 짐을 지게 됩니다.
노동 총량의 오류 (Lump of Labor Fallacy)
회의론의 가장 핵심적인 갈래. 종말론은 — 거의 모든 버전이 — 명시적으로든 암묵적으로든 한 가지 가정을 깔고 있습니다. "세상에 일거리의 총량은 정해져 있다." 이 가정 위에서만 "한 사람이 두 배로 빨라지면 누군가 한 명은 잘려야 한다" 가 자동으로 따라옵니다.
이 가정은 — 19세기 말 영국의 노동시간 단축·피스레이트(piece-rate, 성과급) 논쟁 맥락에서 처음 명시적으로 형식화된 이래 — 경제학에서 가장 끈질기게 등장하는 인지 오류 중 하나예요. 그래서 Lump of Labor Fallacy 라는 고유 이름이 붙어 있어요. 1891년 영국 경제학자 데이비드 슐로스(David Schloss) 가 "Why Working-Men Dislike Piece-Work" 에서 Lump of Labour 라는 표현을 처음 쓴 것으로 인정됩니다. 이후 모든 자동화 파동에서 — 직물기, 증기기관, 컴퓨터, ATM, 인터넷 — 매번 등장했어요. 매번 틀렸고요.
왜 이 가정이 틀리는가 — 가격 메커니즘
작업의 자동화는 그 작업의 단가를 떨어뜨립니다. 그런데 단가가 떨어지면 — 그 단가에서는 경제성이 없던 새로운 용도가 가능해져요. 새 용도에서의 수요가 자동화된 부분의 손실보다 크면, 그 직군의 총 수요는 오히려 늘어납니다.
제번스의 역설 (Jevons Paradox)
이 메커니즘을 가장 또렷이 본 사례가 1865년 영국 경제학자 윌리엄 스탠리 제번스(William Stanley Jevons)의 The Coal Question 입니다. 그는 당시 영국에서 증기기관의 석탄 효율이 좋아지고 있다는 사실에 주목했어요. 표준 직관은 "효율이 좋아지면 석탄 소비가 줄어든다" 였습니다.
제번스가 데이터로 보여준 건 정반대였어요. 석탄을 더 효율적으로 쓰게 될수록 석탄의 총 소비는 늘어났다. 한 단위 작업당 석탄이 덜 들게 되니, 그 가격에서 가능해진 새로운 용도가 폭발했고, 새 용도의 수요 총합이 효율 개선분을 압도한 거예요. 이게 제번스의 역설입니다.
정보재(Information Goods)에서의 응용
제번스의 역설은 자원 경제학에서 시작했지만, 정보재 — 코드, 글, 이미지, 데이터 — 에서 특히 강하게 작동합니다. 정보재는 한계 비용이 0에 가깝고, 새 용도에 대한 한계 효용이 광범위하게 분포되어 있기 때문이에요.
- 코드: AI 가 보조하면서 코드 한 줄의 생산 단가가 떨어졌어요. 그런데 GitHub 의 Octoverse 2024/2025 데이터를 보면 — 동일 기간 동안 활성 저장소 수, 신규 코드 양, 신규 개발자 등록 모두 가속화됐어요. 단순 대체가 일어났다면 정반대 신호가 나와야 했죠.
- 소프트웨어의 미닿은 분야: 소상공인 행정, 농업 데이터, 비영리 단체 도구, 지역 행정, 의료 기록 정리, 1인 사업자 자동화 등 — 인건비가 비싸서 소프트웨어가 닿지 못했던 분야가 어마어마하게 남아 있습니다. AI 보조 코딩의 단가 하락은 이 영역의 신규 진입을 가능하게 만들어요.
- 이미 닿은 분야의 고도화: 자율주행, 로봇, 우주, 양자 컴퓨팅, 생명과학 시뮬, AI 자체 — 더 복잡한 코드가 얹어질 여지가 끝없이 남아 있습니다.
종말론은 분자(자동화된 부분)만 봅니다. 분모(가능해지는 새 용도)가 폭발한다는 사실은 자주 누락돼요.
AI 자체의 한계
자매편 10편 "한계"에서 정리한 LLM 의 구조적 한계 — 시간을 모름(학습 컷오프), 자기 자신을 모름(자기 인식 없음), 책임을 못 짐(법적·도덕적 주체 아님) — 는 회의론의 또 다른 축입니다. 이 한계들 때문에, AI 가 만든 결과물 옆에는 항상 사람이 서 있어야 합니다. 검토하고, 책임지고, 맥락에 맞춰 다듬는 역할이에요. 이 자리는 한동안 자동화로 채워지지 않습니다.
사례 1 — 방사선과의 10년 (2016~2026)
힌튼의 2016년 단언
2016년 10월 27일, 토론토 Rotman School of Management 에서 열린 Machine Learning and the Market for Intelligence 컨퍼런스(Creative Destruction Lab 주최)에서 제프리 힌튼(Geoffrey Hinton, 2024 노벨 물리학상 수상, 통상 "딥러닝의 대부" 로 불리는 인물)이 단상에 올라 단호하게 말했습니다.
"I think that if you work as a radiologist, you are like the coyote that's already over the edge of the cliff but hasn't yet looked down... People should stop training radiologists now. It's just completely obvious that within five years deep learning is going to do better than radiologists."
요지는 — 5년 안에 딥러닝이 영상 판독에서 사람을 능가하므로 방사선과 의사 양성을 지금 당장 멈춰야 한다 — 였어요. 권위 있는 학자의 단언으로 의대생들 사이에 큰 동요가 있었어요.
2026년의 현실
10년 후, 통계는 정반대 방향을 가리킵니다. (수치는 미국 ACR / AMA / RSNA 데이터 기반 대략치)
| 지표 | 2016 | 2026 |
|---|---|---|
| 활성 방사선과 의사 수 (미국) | 약 35,000명 | 약 38,000명 (+10%) |
| 평균 연봉 | 약 $440K | 약 $571K (+30%) |
| 메이요 클리닉 방사선과 인력 | ~260명 | ~400명 (+55%) |
| 인력 수급 | 균형 | 부족 (Workforce Shortage) |
힌튼의 예측은 결과적으로 빗나갔어요. 그가 예측한 방향과 정확히 반대 의 일이 일어났어요.
왜 빗나갔나 — 메커니즘
세 가지 메커니즘이 동시에 작동했어요.
- 수요 측 폭발: AI 보조로 의사당 처리 가능 검사 건수가 늘면서, 그 단가에서 가능해진 영상 검사가 폭발했어요. CT/MRI 검사 건수가 같은 기간 동안 빠르게 늘었습니다.
- 인구 고령화: 영상 검사 수요 자체의 자연 증가. AI 와 별개의 변수예요.
- 자기 충족적 예언의 역작용: 의대생들이 진로 선택에서 방사선과를 회피하면서 신규 공급이 줄었어요. 종말론의 예측이 — 결과적으로 — 공급 부족 이라는 정반대 형태의 손실을 만들어버린 거예요.
젠슨 황의 인용과 정리
엔비디아 CEO 젠슨 황(Jensen Huang)은 이 사례를 자주 인용합니다. 2025년 12월 CNBC 인터뷰와 여러 컨퍼런스 발언을 종합하면 그의 정리는 이렇습니다.
"The number of radiologists has actually grown. Today, just about every radiologist is using AI in some way. The role of a radiologist is not to study the images — the role is to diagnose a disease."
황의 핵심 메시지 두 가지:
- 직무는 작업이 아니다 — 방사선과 의사의 본질적 직무는 영상 판독 이 아니라 진단·소통·환자 관리. AI 가 작업 한 부분을 보조한다고 직무가 사라지지 않음.
- AI 는 도구다 — 거의 모든 방사선과 의사가 어떤 식으로든 AI 를 사용 중. 대체가 아니라 보조.
회의론에 대한 회의 — 황의 해석을 비판하는 시각
황의 해석이 너무 단순화되었다는 비판도 있습니다. 방사선과 의사이자 블로거 벤 화이트(Ben White)는 "Radiology Isn't an Example of Jevons Paradox — Yet" 라는 글에서 다음 점을 지적했어요.
- AI 가 실제 처리하는 방사선 업무는 매우 작은 비중: 2026년 기준 FDA 승인 방사선 AI 모델은 다수지만, 실제 임상 워크플로우에 깊이 통합된 사례는 일부예요 (유방촬영, 폐결절 등). 황이 말하는 "AI 보조" 의 실제 무게는 과장됐을 수 있어요.
- 수요 증가의 다른 원인이 더 클 수 있다: 인구 고령화, CT/MRI 보급, 검진 제도 변화 등이 AI 와 별개로 작동해요.
- 노동시장 자체가 AI 와 무관하게 작동: 방사선과 인력 시장의 변동은 AI 도입과 통계적으로 강한 인과 관계를 보여주지 않아요 (단순 상관관계만 관찰됨).
화이트의 결론은 방사선과 사례를 노동 총량 오류의 결정적 반례로 사용하기엔 데이터가 아직 부족하다 는 신중론입니다. 다만 그도 — 힌튼의 2016년 예측이 빗나갔다는 점 자체는 인정합니다.
힌튼 자신의 갱신된 입장
힌튼은 이후 인터뷰에서 자신의 2016년 발언을 일부 수정했어요. 핵심 수정점:
- 방향은 맞았지만 타이밍이 틀렸다 — AI 가 방사선 업무 일부를 대체할 거라는 큰 방향은 유지.
- 이미지 분석 영역에 한정한 발언이었어야 했다 — 방사선과 의사 전체 업무가 아니라 영상 판독 작업에 한정.
이 갱신은 직무 vs 작업 의 구분이 사후적으로 들어온 셈이에요. 황의 정리와 사실상 같은 방향입니다.
사례 2 — ATM 의 역설 (James Bessen)
자동화 회의론의 가장 자주 인용되는 사례. 경제학자 제임스 베센(James Bessen, Boston University)이 2015년 저서 Learning by Doing: The Real Connection between Innovation, Wages, and Wealth 에서 정리한 사례입니다.
데이터
| 연도 | 미국 은행원 수 | ATM 보급 |
|---|---|---|
| 1970 | ~30만 명 | 미미 |
| 1985 | ~40만 명 | 본격 보급기 |
| 2000 | ~50만 명 | 포화 |
| 2010 | ~50만 명+ | 모바일/온라인 뱅킹 등장 전 |
ATM 도입 초기(1969~) 의 표준 예측은 "은행원의 대규모 실업". 1970~2010 의 40년간 미국 은행원 수는 줄지 않고 늘었어요.
베센의 메커니즘 분석
- 지점당 직원 수는 감소: ATM 도입으로 지점당 평균 직원 수가 약 20명에서 13명 수준으로 줄었어요.
- 지점 운영 비용 하락: 그러나 지점 하나를 운영하는 총 비용이 떨어졌어요.
- 지점 수 증가: 비용 하락에 따라 은행들이 신규 지점을 적극 개설. 1970년 대비 2000년 무렵 미국 은행 지점 총수는 약 40% 증가했어요.
- 직무 변화: 줄어든 게 입출금 처리 작업 이었지, 은행원 직무 가 아니었어요. 남은 직원의 업무가 상담·영업·신용 평가·금융 상품 판매 쪽으로 옮겨갔습니다.
일반화 — 자동화의 "보통의 결말"
베센의 일반 명제: 작업의 자동화는 직무의 사라짐이 아니라 직무의 모양 변화로 귀결되는 경우가 많다. 단, 단가 하락이 그 직군의 수요 증가로 이어질 때에 한해서.
수요가 가격에 민감하지 않은 직군에서는 다른 결말이 나올 수도 있어요 (예: 전화 교환원 — 1950년대 자동 교환기 보급 후 직군 자체가 거의 소멸).
사례 3 — 코드와 제번스의 역설 (진행 중)
코드 영역은 — 본편에서 짚은 것처럼 — 노동 총량 오류와 제번스의 역설을 동시에 보여주는 가장 현재진행형의 사례예요.
GitHub 데이터의 신호
GitHub 의 Octoverse 리포트들(2023~2025) 을 종합하면:
- AI 보조 코딩 도구 사용률: Copilot 도입 후 3년 만에 전체 활성 개발자의 70~80%가 AI 도구 일상 사용.
- 신규 저장소 수: 가속 추세 유지. 단순 대체였다면 정체 또는 하락 신호가 나왔어야 함.
- 신규 개발자 등록: 전 세계적으로 가속. 특히 비전통 IT 국가(아프리카, 동남아, 남미)에서의 신규 진입이 두드러짐.
- 언어 다양성: AI 보조로 진입 장벽이 낮아지면서 신규 사용자의 기술 스택이 더 넓어짐.
Stack Overflow Developer Survey
연간 Stack Overflow Developer Survey 결과를 보면:
- 2023→2025 사이 개발자 본인 인식 변화: "AI 가 내 일자리를 위협한다" 가 약 25%~30% 수준에서 유지. 증가하지 않음.
- "AI 보조 사용이 본인 생산성을 높였다" 응답은 약 70~80% 수준으로 증가.
- "AI 보조로 가능해진 작업의 종류가 늘었다" 가 핵심 정성 응답 패턴.
ai-technical-debt 와의 교차점
다만 — 자매 부록 ai-technical-debt.md 에서 정리한 것처럼 — 코드 영역에서의 AI 보조는 양적 증가 와 함께 질적 부채 를 함께 만듭니다.
- 생성된 코드의 복잡도가 약 41% 증가 (정적 분석 기준)
- 디버깅 시간 증가 (개발자 63%가 "AI 코드 디버깅이 직접 짠 것보다 오래 걸린다")
- 이해 부채와 인지 부채의 축적
즉 코드 영역에서 일자리 차원의 결말은 제번스의 역설 (수요 폭발) 쪽으로 보이지만, 코드 품질 차원의 결말은 기술 부채 폭발 쪽으로 갑니다. 두 결말이 같은 직군 안에서 동시에 일어나고 있어요. 시니어 개발자의 가치가 오히려 올라가고, 주니어 진입 자리가 흔들리는 — 현재 채용 시장의 비대칭적 신호의 원인 중 하나로 해석됩니다.
갈라진 전선 — 학계 주요 목소리
| 인물 | 소속 | 입장 | 핵심 주장 / 자료 |
|---|---|---|---|
| Daron Acemoglu | MIT | 비관-중도 | Power and Progress (2023, with Simon Johnson). 자동화의 분배 문제와 권력 집중 강조. "AI 가 일을 가져가는 게 문제가 아니라, 누가 그 잉여를 가져가는지가 문제." |
| Geoffrey Hinton | University of Toronto | 비관 | 2016년 방사선과 발언 (수정). 2023 이후 AI 안전 우려로 전향. 2024 노벨 물리학상. |
| Erik Brynjolfsson | Stanford / MIT | 중도-낙관 | The Second Machine Age (2014). AI 의 보완재적 성격 강조. 단기 분배 문제는 인정. |
| David Autor | MIT | 중도 | "Why Are There Still So Many Jobs?" (JEP 2015). 자동화는 작업을 자동화하지 직무를 자동화하지 않는다는 정리. 일자리 양극화 현상 추적. |
| James Bessen | Boston University | 회의-낙관 | Learning by Doing (2015). ATM 사례의 1차 출처. 자동화의 역사적 패턴 분석. |
| Anton Korinek | University of Virginia | 중도 | "Generative AI for Economic Research" (JEL 2023). AI 의 보조 도구로서의 가능성과 한계. |
| Jensen Huang | NVIDIA | 낙관 | 산업계 입장. 도구 활용론. 방사선과 사례를 자주 인용. |
학계 다수의 중도 입장은 대략 이렇게 정리됩니다.
- 작업의 자동화는 일어난다 — 부정하지 않음.
- 그러나 그 자동화가 직무의 소멸로 이어지는 경우는 일부에 그친다 — 대부분은 모양 변화로 귀결.
- 다만 분배 문제는 별도의 문제다 — 평균이 좋아져도 개인 비용이 작은 건 아니다.
- 정책적 대응이 필요하다 — 재교육, 사회 안전망, 적응 지원. 자유시장에 맡기면 분배 비용이 약한 자리에 집중됨.
정직한 평가 — 평균과 개인
자동화 회의론은 종종 — 의도치 않게 — 평균의 함정 에 빠집니다. "평균적으로 일자리는 늘어났다" 가 "모든 사람이 무사하다" 와 같은 말은 아니에요.
- ATM 도입 후 은행원 총수 는 늘었지만, 1970년대 어느 지점에서 자기 자리를 잃은 개인의 이야기도 있어요.
- 방사선과 의사 총수 가 늘었지만, 그 변화의 속도를 따라잡지 못해 다른 분야로 옮겨가지 못한 개인도 있어요.
- 코드 직군 총수 가 늘어나도, 신입 자리가 흔들리면서 어렵게 진입을 시도한 개인의 비용은 별도예요.
종말론의 진짜 문제는 — 예측이 틀렸다는 점이 아니라, 틀린 예측이 만든 부작용을 누가 지는지에 대해 침묵한다 는 점입니다. 회의론의 진짜 문제는 — 패턴이 맞다는 점이 아니라, 맞는 패턴 안에서 분배가 어떻게 이뤄지는지에 대해 침묵한다 는 점입니다.
정직한 그림에는 둘 다 들어가야 해요.
- 일자리는 보통 사라지지 않고 모양이 달라진다 — 패턴.
- 그러나 변화의 비용은 균등하게 분배되지 않는다 — 분배.
- 둘 중 어느 한쪽만 강조하면 정직하지 않은 분석이다 — 메타.
더 깊이 들어가려면
자매편 / 자매 부록
- 본편 입문:
into-the-latent-space11편 "내 자리는 안전한가요" - 자매 부록:
ai-technical-debt.md— AI 와 일하는 방식이 만드는 부작용 (이해 부채·인지 부채). 코드 영역의 질적 부채 측면.
외부 자료
- James Bessen, Learning by Doing: The Real Connection between Innovation, Wages, and Wealth (Yale University Press, 2015). ATM 사례의 1차 출처.
- Daron Acemoglu & Simon Johnson, Power and Progress: Our Thousand-Year Struggle Over Technology and Prosperity (PublicAffairs, 2023). 자동화의 분배·권력 문제.
- David Autor, "Why Are There Still So Many Jobs? The History and Future of Workplace Automation" (Journal of Economic Perspectives, 2015). 자동화와 직무의 분리.
- Erik Brynjolfsson & Andrew McAfee, The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies (W. W. Norton, 2014). AI 의 보완재적 분석.
- Anton Korinek, "Generative AI for Economic Research: Use Cases and Implications for Economists" (Journal of Economic Literature, 2023).
- William Stanley Jevons, The Coal Question (1865). 제번스의 역설 원전.
- Stanford AI Index Report (연간). AI 도입·산업 영향 통계.
- OECD Employment Outlook (연간). 자동화 위험 노출도 추정.
- GitHub Octoverse (연간). 코드 생산성·진입 통계.
- Stack Overflow Developer Survey (연간). 개발자 본인 인식 추이.