81,000명에게 물었다. "AI가 뭘 해주길 바라세요?"

들어가며

구독자님, 누군가 "AI가 뭘 해주면 좋겠어요?"라고 물으면, 뭐라고 답하시겠어요?

아마 대부분은 "업무 효율화"부터 떠올릴 거예요. 이메일 자동 분류, 보고서 초안 작성, 데이터 정리. 저도 그렇고요. 그런데 지난주 Anthropic이 공개한 연구 결과를 보고, 좀 멈칫했어요. 81,000명에게 같은 질문을 던졌더니, 처음엔 비슷한 답이 나왔거든요. "전문적 탁월함"이 1위(18.8%)였어요. 그런데 AI 인터뷰어가 한 걸음 더 들어갔어요. "그래서 그게 실현되면 뭘 하고 싶은데요?" 여기서 답이 바뀌었어요.

159개국, 70개 언어. 역대 최대 규모의 다국어 정성 연구^[1]​라고 해요. 오늘은 이 연구가 보여주는 세 가지 발견, 그리고 이 연구 자체가 가진 방법론적 의미까지 함께 이야기해 볼게요.

표면의 답과 진짜 답 사이

연구 결과를 숫자로 먼저 볼게요. "AI가 마법 지팡이처럼 뭐든 해줄 수 있다면, 뭘 원하세요?"라는 질문에 대한 응답이에요.

1위는 생산성이에요. 놀랍지 않죠. 그런데 흥미로운 건 두 번째 질문 이후에 벌어진 일이에요. Anthropic Interviewer^[2]​는 단순히 "뭘 원하세요?"에서 멈추지 않았어요. "그 바람 뒤에 있는 진짜 희망은 뭔가요?"라고 다시 물었어요. 그러자 생산성을 1순위로 꼽았던 사람들의 답이 달라졌어요. 콜롬비아의 한 사무직 응답자는 이렇게 말했어요 — AI 덕분에 업무를 효율적으로 처리하게 됐고, 지난 화요일에는 일을 마무리하는 대신 어머니와 함께 요리를 했다고요. 일본의 한 프리랜서는 클라이언트 문제에 쓰는 두뇌 에너지를 줄여서, 책을 더 읽고 싶다고 했어요.

GTM 전략 관점에서 보면, 이건 전형적인 "표면 니즈와 심층 니즈의 괴리"예요. 고객에게 "뭐가 필요하세요?"라고 물으면 기능을 말해요. 그런데 "왜 그게 필요한데요?"라고 세 번쯤 파고들면, 완전히 다른 욕구가 나와요. AI 기업들이 "생산성 30% 향상"을 마케팅 메시지로 쓰고 있는데, 정작 사용자들이 그 30%로 하고 싶은 건 가족과 저녁을 먹는 것이었던 거예요.

전체 응답을 구조적으로 보면, 약 3분의 1은 AI로 삶의 여유를 만들고 싶어했어요 — 시간, 돈, 인지적 여유. 약 4분의 1은 더 의미 있는 일을 하고 싶어했고요(일에서 도망치는 게 아니라, 일의 질을 높이는 것). 약 5분의 1은 더 나은 사람이 되고 싶어했어요 — 배우고, 치유하고, 성장하는 것. 나머지는 무언가를 만들거나(창작), 세상을 고치고(사회 변화) 싶어했어요.

한 사람 안의 빛과 그림자

이 연구에서 제가 가장 주목한 발견은 이거예요. 희망과 불안이 서로 다른 진영을 나누는 게 아니라, 한 사람 안에서 공존한다는 것. 연구팀은 이걸 "빛과 그림자(Light and Shade)"라고 불렀어요. 다섯 가지 핵심 긴장이 반복적으로 나타났어요.

학습 ↔ 인지 퇴화. 응답자의 33%가 AI의 학습 효과를 언급했어요. 동시에 17%는 AI에 의존하면서 스스로 생각하는 능력을 잃고 있다고 걱정했어요. 한국의 한 응답자는 이렇게 말했어요 — AI가 준 답으로 좋은 성적을 받았지만, 실제로 배운 건 아무것도 없었다고요. 그때 가장 큰 자책감을 느꼈다고요. 흥미로운 건 교육자 집단이에요. 교사와 학자들은 인지 퇴화를 직접 목격했다고 답한 비율이 평균의 2.5~3배였어요. 아마 학생들에게서 그 변화를 보고 있는 거겠죠.

의사결정 향상 ↔ 신뢰성 문제. 이건 다섯 가지 긴장 중 유일하게 부정적 측면이 긍정적 측면을 압도한 항목이에요. 22%가 AI 덕분에 더 나은 판단을 내리게 됐다고 말한 반면, 37%는 AI의 불안정한 신뢰성이 오히려 좋은 판단을 방해한다고 했어요. 양쪽 모두 직접 경험에 뿌리를 두고 있었어요 — 혜택을 언급한 사람의 88%, 피해를 언급한 사람의 79%가 실제로 겪은 일이었어요. 특히 법률·금융·의료 등 고위험 직종에서 이 긴장이 평균의 거의 2배로 나타났어요. 변호사 집단은 절반 가까이가 신뢰성 문제를 직접 경험했다고 답했는데, 동시에 의사결정 혜택을 가장 많이 보고한 집단이기도 했어요. AI의 판단에 기대면서, 동시에 그 판단에 데이는 거예요.

시간 절약 ↔ 환상적 생산성. 응답자의 절반(50%)이 시간 절약 효과를 언급했어요. 가장 많이 언급된 혜택이에요. 하지만 18%는 오히려 기대치가 올라가면서 더 바빠졌다고 했어요. 프랑스의 한 프리랜서 개발자의 표현이 인상적이에요 — "일하는 시간 대비 쉬는 시간의 비율은 전혀 바뀌지 않았다, 같은 자리에 있으려고 더 빨리 달려야 하는 것뿐"이라고요. 붉은 여왕 효과^[3]​의 AI 버전이에요.

감정적 지지 ↔ 감정적 의존. 이건 비율은 작지만(16% 대 12%), 가장 강하게 얽혀 있는 긴장이었어요. AI에게 감정적 지지를 받는다고 답한 사람은, 동시에 AI에 감정적으로 의존하게 될까 봐 걱정할 확률이 3배 높았어요. 한 미국 대학원생은 이렇게 고백했어요 — 파트너에게도 말하지 못하는 것들을 Claude에게 이야기하고 있었다고, 마치 감정적 외도를 하는 것 같았다고요.

경제적 역량 강화 ↔ 경제적 대체. 28%가 AI를 통한 경제적 기회를 언급했고, 18%는 일자리 대체를 우려했어요. 여기서 프리랜서 크리에이터 그룹이 가장 극단적인 위치에 있었어요. 실질적 경제적 혜택을 보고 있다고 답한 비율(23%)과, 실질적 위협을 경험하고 있다고 답한 비율(17%)이 거의 비등했어요. AI가 동시에 도구이면서 경쟁자인 셈이에요.

우려 항목의 전체 순위도 의미가 있어요. 신뢰성 문제(26.7%)가 1위였어요. 환각^[4]​, 부정확한 인용, 검증에 드는 부하. 그 다음이 고용·경제(22.3%), 자율성·주체성(21.9%), 인지 퇴화(16.3%) 순서예요. 고용·경제 우려가 AI에 대한 전반적 태도를 가장 강하게 예측하는 변수였어요. 다른 어떤 이슈보다 이 문제가 사람들의 AI 감정 온도를 좌우했다는 뜻이에요.

방법론이라는 또 하나의 발견

솔직히 저는 연구 결과만큼이나 연구 방법 자체에 주목했어요.

이 연구는 AI(Claude)가 인터뷰어 역할을 했어요. 정해진 기본 질문을 하되, 응답에 따라 후속 질문을 적응적으로 생성했어요. 그리고 수집된 응답을 역시 Claude 기반 분류기가 다차원으로 코딩했어요. "사람들이 뭘 원하는지", "그걸 이미 경험하고 있는지", "뭘 우려하는지", "직업이 무엇인지", "AI에 대한 전반적 태도" 등으로요.

기존 정성 연구의 최대 규모를 비교해 보면 의미가 더 선명해져요. USC Shoah Foundation의 홀로코스트 증언 아카이브가 약 52,000건인데, 이건 1994년부터 1999년까지 5년에 걸쳐 모은 거예요. 세계은행의 "Voices of the Poor" 프로젝트가 60개국 약 60,000명인데, 이것도 1990년대 전반에 걸친 장기 프로젝트였고요. Anthropic의 이번 연구는 80,508명, 159개국, 70개 언어를 1주일 만에 수집했어요.

정성 연구는 전통적으로 깊이와 규모 사이의 트레이드오프가 있었어요. 깊이 있는 인터뷰를 하려면 소수만 할 수 있고, 대규모로 하려면 선택지를 줄인 설문조사로 갈 수밖에 없었죠. AI 인터뷰어는 이 트레이드오프를 무너뜨릴 수 있는 가능성을 보여줬어요.

물론 한계도 분명해요. 첫째, 표본 편향이에요. 이 사람들은 이미 Claude를 쓰고 있는 활성 사용자예요. AI에 충분한 가치를 느끼고 있어서 계속 쓰고 있는 사람들이죠. 둘째, 질문 순서 편향이에요. 인터뷰가 긍정적 비전을 먼저 물어보고, 우려를 나중에 물었어요. 이 순서가 응답에 영향을 미쳤을 가능성이 있어요. 셋째, 더 근본적인 문제로, AI가 질문을 생성하고 응답을 분류하는 과정에서 어떤 편향이 들어갔는지에 대한 별도 검증이 필요해요. 분류기가 놓친 뉘앙스, 문화적 맥락에 따른 해석 차이 같은 것들이요.

그럼에도 이 방법론은 사회과학에 진지한 질문을 던져요. 전통적 연구에서 인간 코더의 일관성(inter-rater reliability)도 완벽하지 않거든요. AI 분류기의 일관성과 비교하는 연구가 나온다면, 꽤 흥미로운 결과가 나올 수 있어요.

오스왈드의 시선

이 연구의 재밌는 점은 두가지에요.  첫째, AI 산업의 마케팅 메시지와 사용자의 실제 욕구 사이에 꽤 큰 간극이 있다는 것이에요. AI 기업들은 "생산성", "효율", "자동화"를 앞세우고 있어요. 분명히 사람들도 처음엔 그걸 원한다고 말해요. 그런데 한 겹 벗기면 나오는 건 "아이를 학교에서 데리러 갈 시간", "어머니와 요리할 여유"예요. 개인적으로 이건 제품의 기능(feature)과 고객의 성과(outcome)가 다른 전형적인 사례예요. "생산성 30% 향상"은 기능이에요. "화요일 저녁에 엄마랑 요리"가 성과예요. AI 기업들이 진짜 다음 단계로 가려면, 기능이 아니라 성과를 약속해야 해요.

둘째, 편향을 인정하면서도 연구를 했다는 태도에 주목해요. Anthropic은 이 연구의 한계를 스스로 명시했어요. Claude 사용자만 대상이라 편향이 있고, 질문 순서에도 영향이 있을 수 있다고요. 그러면서도 "그래서 안 하는 것"이 아니라, 한계를 공개하면서 진행했어요. 데이터 분석에서 가장 위험한 건 "편향이 없다고 주장하는 것"이에요. 편향이 있다고 솔직하게 말하면서 결과를 내놓는 게 훨씬 정직한 연구 태도라고 생각해요.

한 가지 더 — 이 연구에서 한국 응답자의 목소리가 몇 번 인용됐는데, 하나같이 인상적이었어요. "인류는 자기보다 똑똑한 것을 다뤄본 적이 없다"고 말한 소프트웨어 엔지니어, AI가 준 답으로 좋은 성적은 받았지만 아무것도 배우지 못했다고 고백한 학생. 기술 수용도가 높은 한국 사회에서, 기술에 대한 성찰의 깊이도 함께 높아지고 있다는 신호라고 봐요.

마치며

하나, 사람들이 AI에게 원하는 건 '더 빠른 업무'가 아니라 '더 나은 삶'이에요. 생산성은 수단이지, 목적이 아니었어요. 둘, 희망과 불안은 별도의 진영이 아니라, 한 사람 안에서 동시에 작동해요. AI를 가장 잘 활용하는 사람이 AI를 가장 깊이 걱정하고 있었어요. 셋, AI 인터뷰어를 활용한 대규모 정성 연구는 사회과학의 새로운 도구가 될 가능성이 있어요. 한계는 분명하지만, 가능성도 분명해요.

이 연구의 원문은 인터랙티브 데이터 시각화와 함께 공개되어 있어요. 지역별, 우려 유형별, 비전 유형별로 필터링해서 개별 응답을 직접 읽어볼 수 있어요. 시간이 되신다면 Quote Wall부터 둘러보시길 추천해요. 숫자가 보여주지 못하는 결이 거기에 있어요.

참고자료 & 더 읽기

핵심 출처

배경 지식

필자 안광섭은 세종대학교 경영학과 교수이자 OBF(Oswarld Boutique Consulting Firm) 리드 컨설턴트이다. 대학에서 경영데이터 관리, 비즈니스 애널리틱스 등 데이터 분석을 가르치는 한편, 현장에서는 GTM 전략과 인공지능 전략 컨설팅을 이끌며 기술과 비즈니스의 접점을 설계하고 있다. AI 대화 시스템의 기억 아키텍처(HEMA) 연구로 학술 논문을 발표했으며, 매일 글로벌 AI 논문을 큐레이션하는 Daily Arxiv 프로젝트를 운영하고 있다. 고려대학교 KBMA와 기술경영전문대 석사과정을 졸업했다. 지은 책으로 《생각을 맡기는 사람들: 호모 브레인리스》가 있다.