이 글은 Claude Opus 5 을 이용해 초안이 작성되었으며, 이후 퇴고를 거쳤습니다.

이오플래닛에 소개된 AI 허니문은 끝났다: 테크 인력이 정확히 반으로 갈라졌다 를 읽고, 원 조사를 직접 찾아보았습니다. 출처는 노엄 시걸(Noam Segal)이 레니 라치츠키(Lenny Rachitsky)와 함께 진행한 두 번째 연례 테크 종사자 심리 조사 입니다. 에어비앤비·트위터·메타·재피어·피그마 등에서 리서치를 이끌어 온 사람이 설계했고, 표본은 약 6,000명입니다.

가장 많이 인용되는 문장은 이것입니다. “AI가 당신의 직업 정체성을 어떻게 바꿨습니까"라고 물었더니 절반은 “일이 다시 재미있어졌다” 고 답했고, 나머지 절반에게서는 “내 뇌가 썩어 가는 것 같다” 는 답이 돌아왔다는 것입니다.

이 글은 두 가지를 하려고 합니다. 먼저 그 조사가 실제로 어떤 숫자를 내놓았는지 정리하고, 그다음 “뇌가 썩는 것 같다"는 체감이 근거 있는 감각인지를 다른 최신 연구 네 갈래로 교차검증합니다. 그리고 분량의 절반은 마지막 질문에 씁니다. 그래서 개인은 무엇을 바꿀 수 있는가.

1. 조사가 말한 것: 반으로 갈라진 절반과 절반#

갈라진 축은 ‘역량’이 아니라 ‘정체성’이었습니다#

조사는 응답자에게 AI가 자신의 직업적 정체성을 어떻게 바꿨는지 물었고, 답은 다섯 갈래로 모였습니다.

정체성 응답 비율 뉘앙스
증폭됐다(amplified) 49.0% “더 많이, 더 잘 할 수 있다”
재정의됐다(redefined) 27.4% 역할이 바뀌는 중, 좋고 나쁨은 판단 보류
불안정해졌다(destabilized) 13.9% 내 자리가 어디인지 불확실하다
축소됐다(diminished) 5.0% 덜 필요한 사람이 된 것 같다
변하지 않았다(unchanged) 3.2% —

“정확히 반으로 갈라졌다"는 표현은 여기서 나옵니다. 증폭됐다는 쪽이 49.0%, 나머지가 51.0%입니다.

이 조사에서 가장 중요한 발견은 비율 그 자체가 아니라, 이 정체성 응답이 다른 무엇보다 강한 예측 변수였다 는 점입니다. 회귀분석에서 정체성 응답은 커리어 낙관도(표준화 β = +0.39)와 “이 분야를 남에게 추천하겠는가”(β = +0.60)를 예측하는 힘이, 직군·직급·회사 규모를 전부 합친 것보다 컸습니다. 증폭 집단과 축소 집단 사이의 낙관도 효과 크기는 Cohen’s d ≈ 1.55 로, 창업자냐 아니냐가 만드는 차이(d ≈ 0.56)의 약 세 배였습니다.

쉽게 말해, 당신이 어떤 직군인지보다 “AI 앞에서 자신을 어떤 사람으로 규정하는가"가 당신의 커리어 감각을 더 잘 설명한다 는 뜻입니다.

감정은 네 유형으로 뭉쳤습니다#

감정 응답을 군집분석한 결과는 네 갈래였습니다.

  • 활력형(Energized) 41% — 흥분됨 91%, 호기심 83%, 희망적 59%. 가장 낙관적이고 번아웃이 가장 적습니다.
  • 갈등형(Conflicted) 35% — 갈등된다 68%, 호기심 64%인데 동시에 압도됨 56%, 지침 55%가 따라붙습니다.
  • 혼란형(Disoriented) 12% — “내 역할이 계속 바뀐다"가 정의적 특징이며 압도됨 74%, 지침 73%입니다.
  • 적개형(Resentful) 12% — 이 집단은 전원이 “AI를 쓰라는 압박을 느낀다"를 선택했습니다. 낙관도와 분야 추천 의향이 가장 낮습니다.

주목할 점은 이 감정들이 서로 배타적이지 않다는 것입니다. 응답자의 77%가 긍정 감정과 부정 감정을 최소 하나씩 동시에 선택했고, 평균적으로 다섯 개 이상의 감정을 골랐습니다. 전체에서 “흥분된다"는 64%였지만 “희망적이다"는 33%에 그쳤습니다. 흥분과 희망이 같은 것이 아니라는 사실이 숫자로 드러난 셈입니다.

번아웃은 오르고 낙관은 내려갔습니다#

지표 2025 2026 변화
유의미한 번아웃 44.7% 55.7% +11.0%p
커리어 낙관도 54.8% 48.7% -6.1%p

“매우” 또는 “완전히” 번아웃 상태라는 응답이 26.2%였습니다. 반면 일 자체의 즐거움은 비교적 유지됐습니다. 42.6%가 “매우/극도로” 즐긴다고 답했고, 36.7%는 “보통”, 20.6%는 “거의 즐기지 않는다"였습니다. 일이 싫어진 것이 아니라, 일이 사람을 갈아 넣고 있다 는 그림에 가깝습니다.

그리고 가장 서늘한 숫자는 추천 의향입니다. 자기 직군을 지금 업계에 들어오는 사람에게 추천하겠느냐는 질문의 순추천지수(NPS)는 전체 평균 -39 였습니다. 플러스를 기록한 직군은 하나도 없었습니다. 창업자가 -5로 가장 높았고, VP 급이 -23, 시니어·스태프 개인기여자(IC)가 -49였습니다. 직급이 낮을수록 남에게 말리는 강도가 셌습니다.

2. 가장 큰 공포는 해고가 아니었습니다#

이 조사에서 널리 인용되는 두 번째 발견이 여기 있습니다. 걱정거리 순위를 매겼더니 이렇게 나왔습니다.

순위 걱정거리 비율
1 같은 보상으로 더 많은 일을 해내라는 기대 51%
2 지속 불가능한 속도에 갇히는 것 46%
3 내 결과물의 품질이 떨어지는 것 41%
… … …
하위권 AI에게 일자리를 빼앗기는 것 22%

“AI가 나를 대체할 것"이라는 공포는 최하위권이었습니다. 더 인상적인 것은 “AI가 내 일의 일부를 대체하고 있다"는 응답과 “해고가 걱정된다"는 응답 사이의 상관이 사실상 0(r = +0.05) 이었다는 점입니다. 두 감정은 완전히 별개로 움직였습니다. 해고 걱정 자체는 응답자의 41.2%가 최소 보통 이상으로 느꼈고, 그중 19.9%는 “매우/극도로” 걱정했습니다. 다만 그 불안의 원인이 AI 대체는 아니었다는 뜻입니다.

한 응답자의 말이 이 구조를 압축합니다. “AI는 잡일을 덜어 줍니다. 그런데 동시에 잡일을 더 많이 벌일 수 있게도 해 줍니다.”

효율이 개인에게 여유로 돌아오지 않고 곧장 기대치 상향으로 흡수되는 구조 — 조사가 잡아낸 1위 공포는 기술에 대한 공포가 아니라 분배에 대한 공포 입니다.

3. “내 뇌가 썩는 것 같다"는 체감의 실체#

절반의 응답자가 말한 감각은 근거 있는 것일까요, 아니면 변화에 대한 막연한 불편일까요. 다른 조사·실험 네 갈래를 겹쳐 보면 윤곽이 제법 뚜렷해집니다.

3.1 체감과 실측은 어긋납니다 — METR 무작위 대조 실험#

이 조사에서 82%가 “AI가 내 일을 최소 보통 이상으로 낫게 만든다"고 답했고, 49.4%는 “매우/극도로"라고 답했습니다. 그런데 이 자기보고를 그대로 믿어도 되는지에 대한 반례가 있습니다.

METR이 2025년 상반기에 수행한 무작위 대조 실험입니다. 숙련된 오픈소스 개발자 16명에게 자신이 오래 기여해 온 성숙한 저장소(평균 100만 줄 이상)의 실제 작업 246건을 배정하고, 작업마다 AI 도구 사용 허용 여부를 무작위로 정했습니다.

  • 실험 전 개발자들의 예상: AI를 쓰면 24% 빨라질 것
  • 실제 측정 결과: AI 허용 작업이 오히려 19% 느렸음
  • 실험을 다 겪은 뒤의 자기평가: 그래도 20% 빨라졌다 고 답변

METR은 이를 “체감과 실제 성과 사이의 상당하고 지속적인 간극"이라고 표현했습니다. 주의할 점도 분명합니다. METR 자신이 이 결과를 당시 시점의 기록 으로 규정하며, 2025년 초 도구(주로 Cursor Pro + Claude 3.5/3.7 Sonnet)와 숙련자·성숙 코드베이스라는 조건에 한정된다고 밝혔습니다. 주니어·신규 프로젝트·최신 모델에 그대로 적용되지 않습니다.

그래도 남는 교훈은 조건과 무관합니다. “빨라진 것 같다"는 감각은 실제 속도와 다른 방향을 가리킬 수 있으며, 그 어긋남은 겪고 나서도 교정되지 않았습니다.

3.2 인지부채는 은유가 아니라 측정된 현상입니다 — MIT, 그리고 MS·CMU#

MIT 미디어랩의 “Your Brain on ChatGPT” 연구는 참가자 54명에게 32채널 EEG를 씌우고 20분간 에세이를 쓰게 했습니다. 조건은 LLM 사용, 검색엔진 사용, 아무 도구 없음 세 가지였습니다.

  • 뇌 연결성은 외부 도움이 커질수록 체계적으로 낮아졌습니다. 도구 없는 집단이 가장 강했고, 검색엔진이 중간, LLM 집단이 가장 약했습니다.
  • LLM 집단의 80% 이상이 방금 자기가 쓴 글의 한 문장을 정확히 인용하지 못했습니다. 24시간 뒤 자기 글 회상률은 LLM 집단 약 17%, 도구 없는 집단 약 46%였습니다.

연구진은 이를 인지부채(cognitive debt) 라고 불렀습니다. 산출물은 나왔지만 그 과정이 내 머릿속에 남지 않은 상태입니다. 다만 이 연구도 한계가 큽니다. 표본 54명, 에세이 과제, 프리프린트 단계이며 코딩 업무로 곧장 일반화할 수 없습니다.

여기에 마이크로소프트 리서치와 카네기멜런대가 함께 한 지식노동자 조사를 겹쳐 보면 메커니즘이 조금 보입니다. 주 1회 이상 생성형 AI를 쓰는 지식노동자 319명에게서 실제 업무 사례 936건을 수집한 결과입니다.

  • AI에 대한 신뢰가 높을수록 비판적 사고를 덜 합니다.
  • 반대로 자기 자신에 대한 신뢰(자기효능감)가 높을수록 비판적 사고를 더 합니다.
  • 생성형 AI는 비판적 사고를 없애기보다 그 성격을 바꿉니다. 정보를 만들어 내는 일에서 검증하고, 통합하고, 관리하는 일 로 옮겨 갑니다.

앞의 조사에 담긴 어느 응답자의 문장이 이 지점과 정확히 겹칩니다. “요즘은 제가 충분히 깊게 생각하지 않는 것 같습니다. 그냥 Claude를 따라갈 뿐이에요.”

3.3 속도는 올라갔고, 안정성은 내려갔습니다 — DORA 2025#

개인의 인지 차원을 벗어나 팀 단위 실측으로 가면 DORA 2025 보고서가 있습니다.

  • AI 도입은 이제 소프트웨어 전달 처리량(throughput)과 뚜렷한 양의 상관 을 보입니다. 전년도 결과가 뒤집힌 부분입니다.
  • 동시에 AI 도입은 전달 불안정성과도 양의 상관 을 유지합니다. 변경 실패, 재작업, 문제 해결 소요가 함께 늘어납니다.
  • 응답자의 약 30%는 AI가 생성한 코드를 거의 신뢰하지 않는다 고 답했습니다.
  • 보고서의 대표 명제는 이것입니다. AI는 팀을 고쳐 주지 않습니다. 이미 있는 것을 증폭할 뿐입니다.

이 마지막 문장이 앞선 조사와 맞물립니다. 정체성 응답이 갈라진 이유가 개인의 태도만은 아닐 수 있습니다. 좋은 시스템 위에 있으면 AI는 증폭기가 되고, 무너진 시스템 위에 있으면 같은 도구가 문제를 키웁니다.

3.4 품질 비용은 사라지지 않고 옆자리로 갑니다 — HBR workslop#

마지막 조각은 BetterUp Labs와 스탠퍼드 소셜미디어랩이 2025년 9월 HBR에 발표한 workslop 조사입니다. workslop 은 그럴듯해 보이지만 실제로 일을 진전시키지 못하는 AI 생성 산출물을 뜻합니다. 미국 정규직 1,150명 조사 결과입니다.

  • 41%가 최근 한 달 안에 workslop 을 받았습니다.
  • 한 건을 수습하는 데 평균 1시간 56분 이 들었습니다.
  • 받는 업무 중 평균 15.4%가 workslop 이라고 응답했습니다.
  • 받은 사람의 53%가 짜증을 느꼈고, 42%는 보낸 사람을 덜 신뢰하게 됐다 고 답했습니다. 절반 가까이가 그 동료를 이전보다 덜 유능하다고 평가했습니다.
  • 관리자가 더 많이 노출됩니다. 관리자 54%, 개인기여자 38.5%입니다.

핵심은 비용이 사라진 게 아니라 이동했다 는 것입니다. 보내는 쪽의 30분 절약이 받는 쪽의 두 시간이 되어 나타납니다. 개인 생산성 지표는 개선된 것처럼 보이는데 조직 전체는 느려지는 구조가 이렇게 만들어집니다.

4. 그래서 개인은 무엇을 바꿀 수 있는가#

여기까지가 진단입니다. 그런데 진단만으로 끝내면 이 글도 “업계가 힘들다"는 감상에 그칩니다. 위 네 연구는 공통적으로 개인이 손댈 수 있는 지점 을 남겨 놓았습니다.

미리 분명히 해 둘 것이 하나 있습니다. 조사가 꼽은 1위 공포(같은 보상, 더 많은 산출)는 개인의 습관 문제가 아니라 분배와 계약의 문제입니다. 개인의 노력으로 그 구조가 해결되지는 않습니다. 아래 여섯 가지는 구조를 바꾸는 방법이 아니라, 구조가 바뀌기 전까지 내 판단력과 신뢰를 지키는 방법 입니다.

4.1 위임의 경계선을 작업 전에 긋습니다#

인지부채는 AI에게 넘긴 다음에 생기는 것이 아니라, 처음부터 붙잡지 않아서 생깁니다. 이미 이해한 것을 넘기는 것과, 이해하지 않은 채로 넘기는 것은 전혀 다른 행동인데 화면상으로는 똑같아 보입니다.

작업을 시작하기 전에 한 줄로 정해 두면 이 구분이 유지됩니다.

  • 이 작업에서 내가 직접 판단할 것: 문제 정의, 설계 선택지와 트레이드오프, 실패 모드
  • 이 작업에서 넘겨도 되는 것: 정형 변환, 보일러플레이트, 초안, 탐색적 조사

경계는 사람마다 다르고 작업마다 다릅니다. 중요한 건 위치가 아니라, 경계가 그날의 피로도에 따라 무의식적으로 밀려나지 않게 하는 것 입니다.

4.2 체감 대신 흔적을 남깁니다#

METR 실험의 교훈은 “AI가 느리다"가 아니라 자기 체감이 성과의 신뢰할 만한 지표가 아니라는 것 입니다. 그리고 그 어긋남은 겪는다고 저절로 교정되지 않았습니다.

개인 단위에서 완벽한 측정은 불가능하지만, 체감보다 나은 흔적은 남길 수 있습니다.

  • 작업 단위로 시작·완료 시각을 대충이라도 기록해 둡니다.
  • 리뷰에서 되돌아온 횟수, 머지 후 수정 횟수처럼 뒤에 발생한 비용 을 같이 셉니다.
  • 주 1회 회고 때 “이번 주 AI 덕에 빨라졌다고 느낀 작업"과 “실제 소요·재작업"을 나란히 놓고 봅니다.

체감과 기록이 계속 어긋나는 영역이 발견되면, 그 영역이 바로 4.1의 경계선을 다시 그어야 할 곳입니다.

4.3 검증을 산출물의 일부로 편입합니다#

DORA가 말한 “믿되 검증하라"와 MS·CMU가 말한 “비판적 사고의 성격이 검증·통합·관리로 옮겨 간다"는 같은 이야기입니다. 검증은 일이 끝난 뒤 붙이는 선택 단계가 아니라, AI를 쓰는 순간 업무 정의에 포함되는 단계 가 되었습니다.

실무에서 쓸 만한 기준 하나는 이것입니다.

이 코드를, AI 없이, 처음부터 다른 사람에게 설명할 수 있는가.

설명할 수 없다면 아직 내 산출물이 아닙니다. 완성도와 무관하게, 그 상태로 넘기면 검증 비용이 리뷰어에게 이전됩니다.

4.4 내가 workslop 의 발신자인지 먼저 확인합니다#

workslop 조사에서 사람들은 대체로 자신을 받는 쪽 으로 놓고 답했습니다. 그런데 41%가 받았다면 보내는 사람도 그만큼 있다는 뜻입니다.

넘기기 전에 한 번만 자문하면 대부분 걸러집니다.

이걸 받는 사람이 이걸 쓸 수 있게 되기까지 몇 분을 더 써야 하는가.

그 시간이 내가 아낀 시간보다 크면, 그것은 생산성이 아니라 비용 전가 입니다. 42%가 발신자를 덜 신뢰하게 됐다는 숫자는, 이 전가가 평판으로 청구된다는 뜻이기도 합니다.

4.5 아낀 시간의 처분권을 명시적으로 다룹니다#

“AI는 잡일을 덜어 주는 동시에 잡일을 더 벌일 수 있게 해 준다"는 응답자의 말은, 아낀 시간의 처분권이 기본값으로 조직에 귀속된다는 관찰입니다. 아무 말도 하지 않으면 그 시간은 조용히 다음 작업으로 채워집니다.

개인이 할 수 있는 건 처분처를 먼저 말해 두는 것 입니다. 회고나 1:1에서 “이번 분기에 확보한 시간의 일부는 테스트 보강과 문서화에 쓰겠다"처럼 용처를 선점해 두면, 최소한 그 시간이 논의 대상이 됩니다. 51%가 걱정한 압박을 없애지는 못해도, 무언의 흡수는 늦출 수 있습니다.

4.6 정체성 서술은 말이 아니라 업무 구성으로 바꿉니다#

조사에서 가장 강한 예측 변수가 정체성 응답이었다는 사실은 솔깃하지만, 여기서 조심할 것이 있습니다. 이건 상관관계이지 인과가 아닙니다. “나는 증폭된 사람이다"라고 자기암시를 한다고 낙관도가 따라오지 않습니다. 실제로는 좋은 환경에 있는 사람이 그렇게 답했을 가능성이 큽니다.

그렇다면 바꿔야 할 것은 자기 서술이 아니라 그 서술을 뒷받침하는 업무 구성 입니다.

  • 이번 분기에 내가 판단을 내린 일 이 몇 건인지 세어 봅니다. 실행만 한 일과 구분해서 셉니다.
  • 그 비중이 계속 줄고 있다면, 정체성이 흔들리는 게 아니라 역할이 실제로 축소되고 있는 것 입니다. 이건 마음가짐이 아니라 협상이나 이동으로 다뤄야 할 문제입니다.
  • DORA의 “AI는 증폭기"라는 명제도 같은 방향을 가리킵니다. 무너진 시스템 위에서 개인 태도로 버티는 데는 한계가 있습니다.

시니어·스태프 IC의 추천 지수가 -49로 가장 낮았다는 숫자를 여기 겹쳐 보면, 이 문제를 개인의 멘탈 관리로 환원하는 것이 왜 무리인지도 함께 보입니다.

5. 이 데이터를 읽을 때의 주의사항#

숫자가 선명할수록 과잉 해석되기 쉬워, 한계를 함께 적어 둡니다.

  • 자기보고 조사입니다. 정체성 응답, 번아웃, 생산성 향상 모두 응답자의 주관입니다. METR 실험이 보여준 대로 자기보고와 실측은 어긋날 수 있습니다.
  • 자기선택 편향이 있습니다. 프로덕트·테크 뉴스레터 구독자 기반 표본이므로 업계 전체의 대표 표본이 아닙니다. 창업자 응답도 살아남은 창업자만 담깁니다.
  • 상관은 인과가 아닙니다. 정체성 응답이 낙관도를 예측한다는 것과, 정체성을 바꾸면 낙관도가 올라간다는 것은 다른 주장입니다.
  • 개별 연구의 조건이 좁습니다. METR은 숙련자·성숙 코드베이스·2025년 초 도구, MIT는 54명·에세이 과제·프리프린트입니다. 어느 것도 “AI가 개발자를 망친다"의 증거로 쓰기에는 부족합니다.
  • 연도·조건이 섞여 있습니다. 조사 본체는 2026년, 나머지 자료는 2025년 기준입니다. 이 분야는 반년이면 도구 지형이 바뀝니다.

그럼에도 다섯 갈래 자료가 서로 다른 방법론으로 같은 방향 을 가리킨다는 점은 남습니다. 산출량은 늘었고, 그 이득 중 일부는 품질·안정성·검증 부담의 형태로 어딘가에 청구되고 있습니다.

6. 한눈에 보는 요약#

항목 수치
정체성이 “증폭됐다” 49.0% (나머지 51.0%)
번아웃 (2025 → 2026) 44.7% → 55.7%
커리어 낙관도 (2025 → 2026) 54.8% → 48.7%
자기 직군 추천 NPS 평균 -39, 플러스 직군 없음
1위 걱정 같은 보상, 더 많은 산출 (51%)
AI에게 일자리 상실 걱정 22% (하위권)
AI 대체 체감 ↔ 해고 걱정 상관 r = +0.05 (사실상 무관)
AI가 일을 낫게 한다 82% (매우/극도로 49.4%)
METR 실측 vs 체감 19% 느려짐 vs 20% 빨라졌다고 응답
MIT: 자기 글 24시간 회상률 LLM 약 17% vs 도구 없음 약 46%
DORA: AI 코드 신뢰 낮음 약 30%
workslop 수신 경험 / 수습 시간 41% / 건당 평균 1시간 56분

절반이 “일이 다시 재미있어졌다"고 답하고 절반이 “뇌가 썩는 것 같다"고 답했다면, 둘 중 하나가 틀린 것이 아니라 같은 도구가 서로 다른 조건 위에서 정반대로 작동하고 있다 고 읽는 편이 정확해 보입니다. DORA의 표현을 빌리면 AI는 증폭기이고, 증폭기는 무엇이 이미 거기 있었는지에 따라 결과가 갈립니다.

그래서 개인에게 남는 질문은 “AI를 쓸 것인가 말 것인가"가 아닙니다. 내가 아낀 시간이 어디로 갔는지, 그리고 내가 여전히 직접 내리고 있는 판단이 무엇인지 를 아는 것입니다. 조사에서 가장 강한 예측 변수가 정체성이었다는 결과는, 적어도 이 질문을 계속 붙들고 있는 편이 그렇지 않은 편보다 낫다는 힌트로는 읽을 만합니다.

References#