Executive Summary

시그널스는 제품이 아니라 데이터셋이다. 오픈AI 경제연구팀이 챗GPT 사용 통계를 정기적으로 묶어 내놓는 공개 자료이고, 「3.0」은 출시 이름이 아니라 판 번호다. 발표문 본문에는 「3.0」이라는 말이 한 번도 나오지 않는다. 판 번호는 데이터 사전 표지와 권장 인용문에만 있다.

이번 판에서 받을 수 있는 것은 CSV 24개와 41쪽짜리 데이터 사전 하나다. 라이선스는 CC BY 4.0이라 출처만 밝히면 누구나 다시 분석하고 다시 배포할 수 있다. 이 글에 나오는 수치 가운데 출처를 따로 적지 않은 것은 모두 그 CSV를 직접 집계한 값이다. 업무 활동 표만 보면 2025년 1분기부터 2026년 3분기까지 일곱 분기가 들어 있고, 메시지 표본 자체는 2024년 7월부터 2026년 9월까지다. 두 기간은 다르다.

표본의 조건도 데이터 사전에 적혀 있다. 매달 일반 사용자 메시지 100만 건을 뽑아 분류했고, 신고 나이 18세 이상 개인 계정만 들어간다. 계정을 지운 사용자와 학습 이용을 거부한 사용자는 빠진다. 집계값에는 차등 프라이버시 노이즈를 넣은 뒤 다시 정규화했다. 그리고 두 가지가 처음부터 빠져 있다. 코딩 에이전트 코덱스(Codex)와 기업용 계정이다. 이 두 줄은 7절에서 한국의 프로그래밍 수치를 읽을 때 결정적으로 되돌아온다.

나라 수는 말하는 사람마다 다르게 적힌다. 발표문은 「약 100개국」이라 쓰고, 원자료에서 한 번이라도 등장하는 나라는 94개국이며, 일곱 분기에 빠짐없이 나오는 나라는 74개국이다. 분기 하나를 단면으로 잘라 순위를 매길 때의 분모는 또 다르다. 2026년 3분기에 수록된 나라는 76개국이다. 이 글은 순위를 말할 때마다 분모가 되는 나라 수를 문장 안에 같이 적는다.

그런데 이번 판의 진짜 변화는 분량이 아니다. 데이터 사전 8절의 변경 이력을 펴면, 업무 활동을 나라별로 쪼갠 표가 v3.0에서 처음 생겼다고 적혀 있다. 그전까지 오넷 업무 활동 데이터는 미국 월별 표 두 개뿐이었고, 이번에 그 둘이 국가×분기 표 하나로 교체됐다. 한국의 업무 활동 비중을 다른 나라와 견줄 수 있게 된 것 자체가 v3.0의 산물이라는 뜻이다. 그리고 그 첫 공개판에서 168가지가 이름 없이 나왔다.

시그널스 데이터 사전 v3.0 8절 「Changelog」와 각주 4를 표로 옮겼다. 변경 이력은 v1.1부터 적혀 있어 v1.0 칸은 비웠다. 월 표본은 과거 기간까지 소급해 다시 집계된다. 분기당 1,000건 문턱은 국가×분기 업무 활동 표에만 걸리는 규칙이다(5절).

기업용 데이터가 따로 있기는 하다. 오픈AI는 2026년 8월 12일 기업 고객 메시지 1,000만 건 이상을 분석한 「엔터프라이즈 시그널스」를 따로 냈다. 다만 그쪽은 오넷을 쓰지 않는다. 글쓰기, 코딩, 시스템·에이전트 운영, 채용, 영업, 정책, 커뮤니케이션, 디자인이라는 자체 범주를 쓴다. 범주가 모두 몇 개인지, 「기타」 버킷이 있는지, 라이선스가 무엇인지는 페이지에 적혀 있지 않고 CSV 다운로드도 확인되지 않았다. 분류 체계가 다르니 개인용에서 빠진 현장 일과 관리 일이 기업용 표에서 되살아나지도 않고, 두 표를 이어 붙일 수도 없다. 코덱스와 기업용을 뺀 자리는 그대로 남는다.

남의 수치를 비판하기 전에 그 수치를 먼저 재현해 보는 것이 순서다. 오픈AI가 이번 발표에서 가장 앞에 내건 숫자는 「74개국에서 상위 10개 활동이 차지하는 비중이 56.0%에서 51.1%로 내려갔다」였다. 같은 CSV를 받아 같은 74개국으로 같은 계산을 돌리니 2025년 1분기 56.04%, 2026년 3분기 51.05%가 나왔다. 소수 둘째 자리까지 맞는다. 공개된 원자료로 발표문의 머리 수치가 그대로 재현된다는 뜻이고, 이 글이 뒤에서 하는 모든 지적은 그 재현이 된다는 전제 위에 서 있다.

오픈AI는 이 하락을 좋은 쪽으로 읽었다. 쓰임이 넓어져 몇 개 활동에 쏠리던 집중이 풀렸다는 것이다. 그런데 같은 표에는 반대쪽 얼굴이 함께 있다. 어느 이름에도 붙지 못해 「기타 IWA」로 들어간 몫이 같은 기간에 계속 커졌다. 74개국 평균으로 2025년 1분기 1.39%에서 2026년 3분기 2.05%가 됐으니 1.5배다. 한국과 미국도 같은 방향이고, 미국은 1.35%에서 2.40%로 가장 많이 늘었다.

「기타 IWA」가 분류된 업무 메시지에서 차지하는 비중. 시그널스 v3.0의 국가×분기 업무 활동 CSV를 페블러스가 직접 집계했다. 평균은 일곱 분기에 모두 수록된 74개국의 단순 평균이다.

오픈AI가 집중도 하락에 얹은 또 하나의 해석은 나라마다 쓰임이 갈라지고 있다는 것이었다. 이 대목에는 이미 나온 반론이 있다. 마케팅 전문 매체 PPC랜드는 10월 30일 기사에서, 상위 10개 비중은 내려갔지만 국가 간 분산을 재는 지표는 일곱 분기에 걸쳐 22.2%에서 23.0%로 움직였을 뿐이라고 적었다. 2025년 3분기와 2026년 3분기가 거의 같은 수준이라는 지적도 함께 있다. 이 두 수치는 페블러스가 센 값이 아니라 PPC랜드가 계산해 공개한 값이다.

정리하면 같은 데이터에서 두 문장이 동시에 참이다. 상위 활동의 집중도가 낮아졌고, 어느 이름에도 못 들어간 몫이 커졌다. 분류표가 쓰임을 따라가지 못할수록 둘은 함께 일어난다. 그러면 질문은 하나로 좁혀진다. 저 「기타」 칸에는 무엇이 들어 있나.

「165는 오넷 업무 활동 332개의 절반에 못 미친다」는 산수는 페블러스가 처음 적은 것이 아니다. PPC랜드의 루이스 리조가 10월 26일과 10월 30일 두 기사에서 먼저 적었다. 10월 30일 기사는 "165개 범주는 오넷에서 가져온 중간 수준 업무 활동이고, PPC랜드가 계산해 보니 오넷의 332개 중 절반에 조금 못 미친다"고 썼고, 10월 26일 기사는 경제 쪽 막대에서 가장 큰 덩어리가 43.1%의 「기타 IWA」라는 점도 짚었다.

PPC랜드는 공개된 범주 수를 오넷 총수와 나눠 추정했다. 페블러스는 추정 대신 분류기 지시문을 열었다. 시그널스 데이터 사전 9절에는 오픈AI가 실제로 모델에 넣은 프롬프트 전문이 실려 있고, 거기에 다음 문장이 있다.

지시문에 실린 332개 이름을 통째로 긁어 오넷 30.3 공식 배포 파일 GWAs to IWAs.txt와 맞대어 보니 332개가 전부 일치했다. 충돌은 한 건도 없었다. 즉 오픈AI는 오넷의 중간 수준 업무 활동 전부를 분류 후보로 썼다. 그런데 공개된 CSV에서 활동 이름 칸의 고윳값을 세면 165개가 나오고, 그중 하나는 활동 이름이 아니라 「기타 IWA」라는 상자다. 이름이 남은 활동은 164개다.

데이터 사전은 이 축약을 숨기지 않는다. 활동 이름 칸을 설명하면서 「희소 코드 묶기(rare-code grouping)」라고 적고, "드문 IWA는 프라이버시와 견고성을 위해 「기타 IWA」 상자로 묶인다"고 쓴다. 다만 그 상자에 몇 개가 들어갔는지, 어느 것이 들어갔는지는 적지 않는다. 기준도 적지 않는다. 데이터 사전 전문에서 문자열을 세어 보면 그 사정이 더 분명해진다.

시그널스 데이터 사전 v3.0 41쪽 전문을 문자열로 검색한 결과. 기획 단계 보존본과 2026년 11월 1일 다시 받은 사본 두 벌에서 같은 수가 나왔다.

「165개 업무 활동」은 데이터 문서의 말이 아니라 발표문과 보도의 말이다. 데이터 문서가 쓰는 말은 「희소 코드 묶기」뿐이고, 왜 묶었는지에 대한 해명인 「일관된 대표성 기준」도 발표문에만 있다. 두 문서가 서로 다른 해상도를 말하고 있는데 그 차이를 적은 쪽은 아무도 없다.

한 가지를 더 분명히 해 둔다. 332라는 수도 오넷 전체가 아니다. 오넷은 업무 활동을 세 층으로 쌓아 둔다. 가장 세밀한 세부 업무 활동(DWA) 2,087개가 있고, 그것을 332개 중간 수준 업무 활동으로 묶고, 다시 41개 일반 업무 활동(GWA)으로 묶는다. 그 아래에 직업별 과업 기술문 18,796개가 따로 있다. 오픈AI는 가운데 층을 골랐고, 그 층의 절반을 이름 없이 냈다. 332가지로 나눈 뒤 164가지에만 이름을 붙였으니, 168가지가 이름을 잃었다.

페블러스 원본 도식 (오넷 업무 활동 계층 재구성). 분류기 지시문에 실린 332개 전수 목록과 공개 CSV의 활동 이름 고윳값 165개(164개 + 「기타 IWA」 1칸)를 직접 대조해 그렸다. 데이터 사전 어디에도 이 그림은 없다 — 수치 둘 다 원자료에서 센 것이다.

168개를 하나씩 읽는 것은 독자에게도 글에게도 무리다. 그래서 오넷이 이미 만들어 둔 상위 범주를 썼다. 중간 수준 업무 활동 332개는 각각 41개 일반 업무 활동 가운데 하나에 속한다. 공개된 164개와 묶여 사라진 168개를 그 41개 범주에 나눠 담으면, 어느 종류의 일이 이름을 잃었는지가 한눈에 드러난다. 결과는 한 문장으로 요약된다. 책상 일은 남고 현장 일이 지워졌다. 그리고 관리 일도 통째로 지워졌다.

오른쪽 숫자는 「뭉친 수 / 그 범주의 전체 활동 수」다. 막대 길이는 전체 활동 수에 비례한다. ⚠️ 오넷 일반 업무 활동 41개 가운데 12개만 뽑았다. 위 아홉은 뭉친 비율이 높은 쪽, 아래 셋은 한 항목도 뭉치지 않은 쪽이다. 한 항목도 뭉치지 않은 범주는 아래 본문에 적은 대로 여섯이고, 그림에는 큰 셋만 실었다. 그림에 넣지 않은 29개 가운데 다섯은 그 사이에 있고, 그 다섯도 아래 본문에 적었다. 41개 전수 표는 공개 CSV와 오넷 30.3 공식 파일(참고문헌 3번과 7번)만 있으면 누구나 다시 만들 수 있다. 페블러스가 그 둘을 맞대어 직접 집계했다.

이름이 한 개도 남지 않은 범주가 다섯이다. 기계·공정 제어 12개, 부하 직원 지도·지시·동기부여 12개, 기계 장비 수리·정비 6개, 전자 장비 수리·정비 3개, 차량·기계 장치 운전 1개. 거의 사라진 범주도 넷이다. 물건 취급·이동은 47개 중 44개가, 장비·구조물·자재 점검은 12개 중 11개가, 일반 신체 활동 수행은 17개 중 13개가, 공정·자재·주변 감시는 11개 중 9개가 「기타」로 들어갔다.

반대쪽도 그만큼 또렷하다. 데이터·정보 분석 12개, 컴퓨터로 하는 일 6개, 정보의 뜻을 남에게 풀어 주기 5개, 일정 짜기 3개, 분쟁 조정·협상 3개, 대중을 직접 상대하기 3개는 한 항목도 빠지지 않고 이름이 남았다. 여기서 눈에 걸리는 것은 두 번째 범주다. 현장 일이 지워진 것은 챗GPT에서 드물다는 설명으로 받아들일 수 있지만, 부하 직원을 지도하고 지시하고 동기를 부여하는 일 12개가 하나도 남지 않은 것은 설명이 더 필요하다. 관리자는 책상에서 일하고 챗GPT도 쓴다.

위 아홉과 아래 셋 사이에 낀 범주들이 그 의문을 키운다. 남을 돕고 돌보는 일은 12개 가운데 7개, 자원을 감시하고 관리하는 일은 7개 가운데 6개, 남의 일과 활동을 조정하는 일은 7개 가운데 5개가 「기타」로 들어갔다. 세 범주 모두 절반을 넘는다. 부하 직원을 지도하는 12개가 통째로 사라진 것이 한 범주에서만 벌어진 일이 아니라는 뜻이다. 사람을 맡고 자원을 맡고 남의 일을 맞추는 자리는 범주를 옮겨 가며 되풀이해 이름을 잃었다. 견주어 둘 만한 값으로, 창의적으로 생각하기는 22개 중 7개, 결정 내리고 문제 풀기는 11개 중 4개가 묶여 3분의 1 안팎에 머문다.

4.1같은 168가지인데 분모가 둘이다

이 지점에서 숫자 두 개가 자주 섞인다. 하나는 오픈AI 발표문에 나오는 43%다. 영어 원문은 "매핑된 미국 직업의 고용 가중 과업 구성 가운데 약 43%가 개별 보고된 범주 바깥의 「기타 IWA」로 들어간다"고 적고, 공식 한국어판도 같은 수식어 셋을 다 살려 옮긴다. 매핑된 직업이어야 하고, 직업 수가 아니라 과업 구성이어야 하고, 고용 규모로 가중해야 43%가 된다. 「미국 일자리의 43%」나 「미국 노동자의 43%」로 줄이면 다른 말이 된다.

다른 하나는 챗GPT 쪽 숫자다. 분류된 업무 메시지를 분모로 하면 「기타 IWA」는 2026년 3분기에 미국 2.40%, 한국 2.31%, 74개국 평균 2.05%다. 두 수는 같은 168가지를 가리키는데 분모가 다르다. 챗GPT 업무 대화에서 2%대인 일이, 고용을 가중한 미국 직업의 과업 구성에서는 40%대를 차지한다. 이 간극이 오픈AI가 이 비교를 내놓은 이유이기도 하다. 챗GPT가 쓰이는 일과 미국 경제가 실제로 하는 일은 다르다는 것이다.

그래서 43%를 검증해 보려 했는데, 여기서 한 가지를 먼저 적어야 한다. 공개된 24개 CSV만으로는 43%를 재현할 수 없다. 미국 직업의 과업 구성과 고용 가중치를 담은 파일이 묶음 안에 없다. 연구자가 검증하라며 원자료를 열어 두고도 발표문에서 가장 센 수치 하나는 산문으로만 남긴 셈이다. 다만 그 문장만 쓰면 수치를 믿을 수 없다는 암시가 되므로, 바깥에서 직접 계산해 봤다.

재료는 오넷 30.3 원본과 미국 노동통계국 고용 통계다. 직업별 과업을 세부 업무 활동으로, 다시 중간 수준 업무 활동으로 올린 뒤 직업 안에서 정규화하고, 2025년 5월 전국 고용으로 가중해 168가지 집합의 몫을 냈다. 과업 가중치를 세 가지로 바꾸고 중복 매핑 분배를 두 가지로 바꾼 여섯 가지 계산이 42.10%에서 42.95% 사이에 들어왔다. 894개 직업이 계산에 들어갔고 미국 세분류 고용의 89.4%를 대표한다. 오픈AI가 쓴 가중 공식과 같은 방법일 수는 없다. 오픈AI는 실제 대화 분류 결과를 썼고 이 계산은 현직자 설문 기반 오넷 평점을 썼다. 서로 다른 재료와 서로 다른 방법이 1%포인트 안에서 만났다면, 43%는 임의로 고른 숫자가 아니라 오넷 체계 자체의 성질에 가깝다. 즉 검증은 되지만, 공개 묶음 안에서는 안 된다.

4.2한국에서 그 일을 하는 사람은 몇 명인가

한국 독자에게 40%대라는 수가 얼마나 큰지 감이 잡히지 않을 수 있어 규모만 옆에 둔다. ⚠️ 환산이 아니다. 오넷 업무 활동과 한국표준직업분류는 1:1로 대응하지 않고, 과업 시간 가중과 취업자 수 비중은 재는 잣대부터 다르다. 지워진 168가지가 몰려 있는 범주와 직능 성격이 가장 가까운 한국 직업 대분류가 얼마나 큰지만 아래에 적는다.

국가데이터처 「2026년 9월 고용동향」의 직업별 취업자 표를 한국표준직업분류 8차 기준으로 보면, 관리자 40만 6천 명, 농림어업 숙련종사자 136만 1천 명, 기능원 221만 9천 명, 장치·기계조작 및 조립종사자 281만 9천 명, 단순노무종사자 405만 3천 명이다. 다섯을 합치면 1,085만 8천 명이고 전체 취업자 2,926만 6천 명의 37.10%다. 관리자를 빼고 현장 네 대분류만 세면 35.72%다. 43%와 37.1%를 같은 수라고 쓰면 안 된다. 다만 미국에서 과업 시간으로 40%대가 이름 없이 묶인 종류의 일이라면, 한국에서 그 일을 하는 사람은 취업자 셋 중 하나를 넘는다.

왜 하필 저 168가지였나. 발표문은 한 문장으로 답한다. 공식 한국어판 표현으로 "이러한 업무 범주들은 기존 미국 ChatGPT 사용 데이터에서 충분히 일관되게 나타나지 않아 개별 범주로 표시하기 위한 기준을 충족하지 못했"다는 것이다. 영어 원문의 "consistent representation in the original U.S. ChatGPT sample"이 그 자리다.

이 한 줄을 뒤집어 읽으면 고리가 보인다. 챗GPT에서 드물다는 이유로 표에서 지워졌다. 그러면 이 표는 설계상 「챗GPT가 아직 닿지 않은 일」을 보여 줄 수 없다. 오픈AI 자신은 이 데이터를 챗GPT 사용과 미국 경제의 실제 업무 사이의 차이를 보라고 내놓았는데, 차이가 가장 클 쪽이 먼저 잘려 나간 것이다. 이름이 남은 164가지는 이미 챗GPT가 닿은 일이고, 닿지 않은 일에 대해 이 표가 말할 수 있는 것은 「기타」 한 칸의 크기뿐이다.

그런데 공개 해상도를 깎는 손잡이는 이것만이 아니다. 데이터 사전에 수치로 적힌 문턱이 두 개 더 있고, 둘은 서로 다른 것을 지운다.

• 전역 셀 문턱. v2.0에서 도입됐다. 가중과 노이즈 주입을 거친 메시지 수가 100을 넘는 칸만 공개한다. 작은 칸은 통째로 비운다.
• 업무 활동 표 전용 문턱. 데이터 사전 각주 4에 있다. 국가·분기별 업무 활동 비중에는 "분기당 유효 메시지 1,000건"이라는 최소치를 따로 건다. 이유로 적힌 말은 "이 집계에서 고려하는 범주 수가 많기 때문(high cardinality)"이다.

두 번째 문턱이 지우는 것은 활동이 아니라 나라다. 원자료에서 분기별 수록국 수를 세면 90, 84, 79, 80, 77, 81, 76으로 줄어든다. 첫 분기 90개국에서 마지막 분기 76개국으로 열넷이 줄었다. 활동의 절반이 이름을 잃는 것과 같은 설계가 한 층 위에서 한 번 더 돌아가고 있는 셈이다.

페블러스 원본 도식. 분기별 업무 활동 표에 수록된 나라 수. 분기당 유효 메시지 1,000건 문턱이 작은 나라부터 지운다. 시그널스 v3.0 국가×분기 업무 활동 CSV를 직접 집계했다.

여기서부터는 이 글이 붙인 추론이다. 전역 표본은 모든 분기에 월 100만 건으로 똑같이 적용됐고 그것도 과거 기간까지 소급 재집계됐는데, 그런데도 수록국이 줄었다. 분자가 같은데 결과가 줄었다면 남는 설명은 분모 쪽이다. 전체 메시지 가운데 업무 관련 메시지의 몫 자체가 내려가면, 작은 나라는 같은 표본에서도 분기 1,000건 문턱 아래로 떨어진다. 챗GPT를 덜 써서가 아니라 업무 대화 비중이 낮아져 표에서 사라지는 구조다. 방법론 논문은 비업무 메시지 비중이 2024년 6월 53%에서 2025년 6월 73%로 올랐다고 적었고, PPC랜드는 10월 30일 기사에서 업무 요청 비중이 32.2%로 내려갔다고 보도했다. 방향은 맞아떨어진다. 다만 오픈AI는 수록국이 줄어든 이유를 밝히지 않았다.

여기까지 세면 이 표에서 무언가가 사라지는 자리가 넷이다. 첫째, 이름을 잃고 「기타」로 들어간 168가지. 둘째, 처음부터 집계 대상이 아닌 코덱스와 기업용 계정. 셋째, 분류기가 어느 활동에도 해당하지 않는다고 판단해 −1을 낸 메시지. 분류기 지시문에 그 경로가 적혀 있는데 그 몫이 얼마인지는 데이터 사전 어디에도 없고, 공개 표의 분모는 어디까지나 「분류된」 업무 메시지다. 넷째, 분기 문턱 아래로 떨어진 나라. 넷 가운데 셋은 크기를 알 수 없고, 하나만 이 글이 세어 봤다.

이 설계를 오픈AI 한 회사의 실수로 읽으면 번지수가 틀린다. 희소 범주를 묶고 작은 칸을 비우는 것은 공식 통계가 수십 년 다뤄 온 문제다. 미국 2020년 센서스에 차등 프라이버시를 적용하면서 벌어진 논쟁이 정본 사례다. 노이즈는 작은 수에 상대적으로 더 크게 걸리고, 억제 문턱은 작은 집단을 선택적으로 지운다. 소수 인종, 농촌, 작은 지역의 추계가 특히 뒤틀린다는 실증이 여러 편 쌓여 있다. 억제는 중립적인 거르개가 아니라 문턱을 넘긴 값만 남기는 편향 장치라는 것도 이미 아는 사실이다. 새로운 것은 사라진 쪽이 소수 인종이 아니라 현장 일과 관리 일이라는 점이다.

마지막으로 「기타」 칸의 크기 자체가 무엇을 뜻하는지도 깔끔하지 않다. 2026년 3분기 76개국에서 이 비중이 가장 큰 나라는 칠레 3.02%, 볼리비아 3.00%, 에티오피아 2.96%, 스웨덴 2.72%, 일본 2.67% 순이고, 가장 작은 쪽은 모로코 1.20%, 파키스탄 1.22%, 나이지리아 1.34%, 우즈베키스탄 1.39%, 포르투갈 1.46% 순이다. 양쪽 끝에 고소득국과 중하위소득국이 섞여 있다. 위쪽 끝에 스웨덴과 일본이 있고 아래쪽 끝에 포르투갈이 있으니, 소득 수준으로는 설명되지 않는다. 1인당 사용량 순위와의 순위 상관도 −0.18로 사실상 없다. 설명 변수가 잡히지 않는다는 것은, 이 칸의 크기가 그 나라 사용자 구성이 우연히 분류표 밖 업무에 얼마나 쏠렸는가에 가깝다는 뜻이다. 지표로 쓰기에는 불안정하고, 그 불안정함 자체가 공개 설계의 한계를 보여 준다.

공개된 값이 얼마나 단단한지는 시그널스 데이터 사전에 적혀 있지 않다. 데이터 사전은 파이프라인의 자세한 내용을 Chatterji 외 「How People Use ChatGPT」(NBER 워킹페이퍼 34255, 2025년 9월)에서 찾으라고 적고, 9절 프롬프트에 대해서도 "그 논문에서 원래 쓴 프롬프트와 같다"고 밝힌다. 그 논문 부록 B에는 분류기 다섯을 사람 주석과 맞대어 본 검증 표가 있다. 검증에 쓴 자료는 자사 대화가 아니라 공개 코퍼스 와일드챗(WildChat)이다.

표를 그대로 옮기면 층마다 일치도가 크게 갈린다. 업무 관련 여부처럼 두 갈래로 가르는 일은 모델이 사람 다수결과 코헨 카파 0.83으로 맞는다. 그런데 332지선다인 중간 수준 업무 활동 층에서는 사람 둘끼리도 플라이스 카파 0.34에 그친다. 이 글이 지금까지 인용한 모든 비중은 바로 그 층에서 나온 값이다.

Chatterji 외(2025) 부록 B 표 5 「Validation topline results」를 옮겼다. 「—」는 사람 주석자가 둘뿐이어서 다수결을 낼 수 없었던 칸이라고 표 각주가 밝힌다. 업무 활동 두 행의 코헨 카파(사람 대 사람)는 각각 0.37과 0.36이다. ⚠️ 같은 부록의 산문은 사람끼리 코헨 카파를 0.27로 적어 표와 어긋난다. 이 글은 표 값을 쓴다.

저자들이 낮은 일치도의 이유를 직접 적어 두었다는 점이 중요하다. 숨긴 한계가 아니라 공시된 한계다.

저자들이 예로 든 그 활동이 하필 7절에서 한국의 특징으로 꼽을 항목 가운데 하나다. 「뉴스·엔터·예술 콘텐츠 개발」에서 한국은 76개국 중 9위다. 이 글이 그 순위를 읽을 때도 같은 모호함이 깔려 있다는 뜻이고, 그래서 7절의 순위는 한 자리 차이를 다투는 용도가 아니라 큰 방향을 보는 용도로만 쓴다.

한 가지 더. 논문은 332가지로 분류한 뒤 41개 일반 업무 활동으로 올려서 보고했다. 중간 수준 업무 활동 단위의 수치를 공개한 적이 없다. 그 단위가 공개 데이터로 나온 것은 v3.0이 처음이다. 그리고 논문도 일반 업무 활동 층에서 사용자 100명 미만인 범주를 「Suppressed」로 묶어 그림에서 뺐다. 드물면 접는다는 규칙은 v3.0에서 새로 생긴 것이 아니라 이 연구 계보가 처음부터 들고 있던 설계 사상이다. 층을 내려 해상도를 올리면 접어야 할 칸이 더 많아진다는 것도 같이 따라온다.

AI타임스가 10월 31일 전한 한국 수치 여섯 개를 원자료와 하나씩 맞대어 봤다. 문서 편집 17.3%에서 17.3%, 시각 자료 제작 3.3%에서 7.2%, 언어·문화·종교 정보 해석 7.3%에서 5.2%, 컴퓨터 문제 해결 4.3%에서 2.9%, 마케팅 자료 4.2%에서 3.8%, 교육·직업 상담 3.2%에서 3.3%. 여섯 개가 모두 원자료와 일치한다. 반올림 자리까지 맞다. 분기별 추이로 적은 「1분기 3.6%, 2분기 5.8%, 3분기 7.2%」도 원자료와 같다. 보도는 틀리지 않았다.

단서를 적은 것도 그 기사가 먼저다. AI타임스는 조사 대상이 개인용 계정의 업무 메시지로 한정된다는 것, 기업용 계정과 코덱스 이용 기록이 빠져 있다는 것, 한국 이용자의 표본 규모가 따로 공개되지 않았다는 것을 기사 끝에 적어 두었다. 이 글이 7.3절에서 프로그래밍 수치를 읽을 때 쓰는 단서가 바로 그것이다.

2026년 10월 26일부터 11월 1일까지 페블러스가 확인한 범위의 한국어 보도다. 전수 조사는 아니다. 테크수다는 한국의 정보 해석 비중이 미국의 두 배를 넘는다는 국제 비교를 이미 적었다. ⚠️ 테크수다가 쓴 한국 수치(의사결정 18.9%, 창의적 사고 17.2%, 컴퓨터 다루기 6.9%)는 41개 일반 업무 활동 층이고, 이 글의 수치는 165개 중간 수준 업무 활동 층이다. 두 층의 수치를 섞어 읽으면 안 된다.

7.1「1년 새 2배」는 세계가 함께 겪은 변화다

보도가 멈춘 자리는 비교다. 한국의 시각 자료 제작 비중이 1년 새 두 배로 늘었다는 것은 맞는데, 같은 기간 세계도 그만큼 늘었다. 일곱 분기에 모두 수록된 74개국의 평균은 3.09%에서 7.94%로 2.6배가 됐다. 한국은 2.54%에서 7.16%로 2.8배이지만, 출발점이 낮았고 2025년 2분기부터 마지막 분기까지 내내 평균 아래다.

「시각 자료 제작(Create visual designs or displays)」이 분류된 업무 메시지에서 차지하는 비중. 평균은 일곱 분기에 모두 수록된 74개국의 단순 평균이다. 2026년 3분기 단면으로 순위를 매길 때는 그 분기에 수록된 76개국이 분모가 되고, 그 76개국 평균은 7.93%다. 두 평균의 분모가 다르다.

2026년 3분기 단면에서 한국은 수록된 76개국 가운데 45위다. 1위는 태국으로 13.0%이고 아르헨티나 12.1%, 멕시코 11.3%, 브라질 11.2%, 도미니카공화국 11.1%, 이라크 11.0%, 페루 11.0%, 아제르바이잔 10.9%, 이집트 10.6%, 인도네시아 10.6%가 열 번째까지를 채운다. 중남미가 다섯, 중동과 북아프리카와 코카서스가 셋, 동남아가 둘이다. 서유럽도 북미도 동아시아도 열 안에 없다. 「한국에서 그림 요청이 늘었다」는 한국 이야기가 아니라 세계 흐름이고, 한국은 그 흐름을 평균보다 낮게 따라갔다.

7.2그러면 한국은 무엇이 다른가

같은 데이터를 국가 간 순위로 다시 세우면 한국의 윤곽이 다르게 나온다. 한국이 세계 평균보다 두드러지게 높은 쪽은 남의 사정을 듣고 조언하는 일, 말과 문화를 옮기는 일, 그리고 규정과 법과 기술을 풀어 설명하는 일이다. 낮은 쪽은 가르치는 일과 파는 일이다.

2026년 3분기, 그 분기에 수록된 76개국 기준. 한국이 세계 평균보다 두드러지게 높은 10개와 낮은 8개를 추려 열여덟 행을 전부 실었다. ⚠️ 165개 활동 전체의 순위표는 아니다. 페블러스가 시그널스 v3.0 공개 CSV를 직접 집계했다.

가장 눈에 띄는 것은 언어·문화·종교 정보 해석이다. 한국 5.23%는 76개국 평균의 1.3배이고 미국과 견주면 3.1배다. 번역과 통역, 그리고 다른 문화권의 자료를 옮겨 읽는 일에 챗GPT를 쓰는 비중이 그만큼 높다는 뜻이다. 개인 상담과 사업·재무 데이터 분석이 나란히 3위라는 조합도 한국 이야기를 만든다. 반대로 가르치는 일 71위와 마케팅 자료 68위는 세계 최하위권이다.

그 바로 뒤에 기술 쪽 두 항목이 붙는다. 기술 설계·응용 조사 6위, 제품·서비스 기술 설명 7위다. 둘 다 76개국 평균의 1.6배를 넘는다. 그런데 바로 다음 절에서 보듯 컴퓨터 시스템 프로그래밍은 54위로 평균 아래다. 코드를 짜게 시키는 쪽은 평균에 못 미치는데 기술을 조사하고 풀어 설명하게 시키는 쪽은 열 손가락 안에 든다. 7.3절의 제품 경계 이야기와 그대로 이어지는 대목이다.

재무에서도 방향이 갈린다. 사업·재무 데이터를 분석하는 일은 3위인데 재무 데이터를 계산하는 일은 46위로 평균 아래다. 같은 재무라도 숫자를 두드리는 자리가 아니라 숫자를 읽는 자리에 챗GPT를 쓴다. 가르치는 쪽은 반대로 세 항목이 나란히 아래에 모였다. 교육 프로그램·계획 개발 41위, 안내·교육 자료 준비 49위, 학술·직업 과목 가르치기 71위다. 한 항목이 튄 것이 아니라 교육이라는 묶음 전체가 평균 아래에 있다.

다만 6절에서 적었듯 이 층의 라벨은 사람끼리도 자주 갈린다. 위 열여덟 행에서 읽을 것은 개별 등수가 아니라 묶음이 어느 쪽으로 쏠렸는가다.

7.3프로그래밍이 줄어 보이는 것은 제품 경계 때문이다

한국의 컴퓨터 시스템 프로그래밍 비중은 2025년 1분기 8.96%에서 2026년 3분기 2.70%로 약 3분의 1이 됐다. 컴퓨터 문제 해결도 5.64%에서 2.91%로 내려갔다. 여기서 「한국 사람들이 AI로 코딩을 덜 한다」로 읽으면 안 된다. 같은 급감이 74개국 평균(7.84%에서 3.12%)과 미국(6.69%에서 2.40%)에도 똑같이 있다. 그리고 1절에서 먼저 적어 둔 대로 이 데이터셋은 코덱스와 기업용 계정을 제외한다. 더 그럴듯한 읽기는 코딩 작업이 챗GPT 바깥의 에이전트와 편집기로 옮겨 가 이 표에서 사라졌다는 쪽이다. 보이는 것을 정하는 게 분류표만은 아니다. 제품 경계도 정한다.

마지막으로 사용량이다. 1인당 메시지 수 기준 한국 순위는 2025년 1분기 67위에서 2026년 3분기 24위로 올라섰다. 숫자가 작을수록 많이 쓴다는 뜻이다. 한 줄로 올라선 것은 아니다. 2025년 2분기에 31위로 단번에 올라선 뒤 32위, 36위, 38위로 세 분기 내리 밀렸고 바닥은 2026년 1분기 38위다. 그 뒤 29위, 24위로 다시 올라왔다. 이 순위의 분모는 세계은행 세계개발지표의 2023년 인구 추계로 고정돼 있다. 분모가 움직이지 않으니 순위 변화는 전부 사용량 쪽 효과다.

페블러스 관심의 이유

스키마가 정한 것을 모델이 되돌리지 못한다

이 글이 짚은 것은 모델이 틀렸다는 이야기가 아니다. 332가지로 분류해 164가지로 내보내는 순간, 그 데이터를 쓰는 모든 연구는 164가지의 세계만 본다. 페블러스의 DataClinic이 고객 데이터셋에서 반복해 찾아내는 결함이 정확히 이 모양이다. 라벨 체계에 칸이 없거나 너무 드물어서 「기타」로 쓸려 들어간 클래스가, 정작 현업에서 가장 중요한 클래스인 경우다. 모델을 더 키워도 그 클래스는 보이지 않는다. 고쳐야 할 것은 스키마다.

지워진 168가지의 얼굴을 다시 보면 이 문제가 페블러스에 더 가깝게 닿는다. 물건 취급·이동 44개, 기계·공정 제어 12개, 장비·구조물·자재 점검 11개, 차량·기계 장치 운전 1개. Physical AI가 겨누는 일이 통째로 그 안에 있다. 사무직 AI 사용 통계만 보고 「AI가 일을 얼마나 바꿨나」를 판단하면, 페블러스가 실제로 데이터를 만드는 영역은 통계에 존재하지 않는 것으로 나온다. 존재하지 않는 것으로 집계된 영역에는 예산도 정책도 붙지 않는다.

쪼개기와 접기가 서로를 부른다

희소 클래스를 「기타」로 접는 것은 라벨링 현장의 표준 관행이고 이유도 같다. 표본이 적어 불안정하기 때문이다. 그런데 그 접기는 모델이 그 클래스를 영영 못 배우게 만들고, 다음 사이클에서 그 클래스는 더 드물어진다. 오픈AI가 적은 「챗GPT 표본에서 일관되게 나타나지 않아서 뺐다」가 그 되먹임의 1단계다. 데이터 품질의 말로는 희소 클래스 붕괴이고, 페블러스가 합성 데이터와 자동 라벨에서 반복해 온 경고와 같은 구조다.

6절이 한 층을 더 쌓는다. 라벨 공간을 332개로 넓히면 사람끼리도 일치도가 0.3대로 떨어진다. 「칸을 잘게 쪼개면 해상도가 올라간다」가 공짜가 아니라는 뜻이다. 해상도를 올릴수록 라벨이 불안정해지고, 불안정하다는 이유로 다시 접게 된다. 쪼개기와 접기가 서로를 부른다. 여기에 프라이버시 보호가 접는 쪽의 정당한 근거로 올라앉으면 되돌리기가 더 어려워진다. 프라이버시와 소수 범주 가시성이 맞부딪히는 자리이고, 둘 다 데이터 품질 문제다.

같은 문제에 다른 답을 낸 곳도 있다. 앤트로픽은 대화를 오넷의 가장 세밀한 과업 층에 직접 매핑한다. 3절에서 적은 과업 기술문 1만 8,796개가 그 층이니, 오픈AI가 고른 332개 층보다 쉰 배 넘게 잘다. 거기에 더해 데이터에서 직접 뽑아낸 상향식 범주 체계를 따로 돌린다. 2025년 3월 보고서 기준으로 클러스터가 600개를 넘는다. 고정된 정부 분류표가 놓치는 쓰임을 잡기 위해서다. 오픈AI는 드문 범주를 접어서 지웠고, 앤트로픽은 고정 분류표 바깥을 별도 체계로 보완했다. 어느 쪽이 옳은지를 여기서 가리지는 않는다. 다만 선택은 설계자가 하고, 그 선택이 보이는 세계를 정한다.

사용 로그를 지표로 만드는 조직이 물어야 할 다섯

이 글의 내용을 자기 조직으로 옮기면 점검표가 된다. 자사 서비스의 사용 로그를 분류 체계에 얹어 경영 지표로 쓰는 곳이라면 다섯 가지를 물어야 한다. 금융과 공공 쪽 고객에게는 그대로 모델·지표 관리 점검표가 된다.

• 분류 해상도와 공개 해상도가 같은가. 332개로 분류해 164개로 보고하고 있지 않은가. 두 수가 다르면 보고서 독자는 그 차이를 모른다.
• 「기타」 칸의 크기를 추세로 보고 있는가. 커지고 있다면 분류표가 현실을 못 따라간다는 신호다. 크기 자체보다 기울기가 말해 준다.
• 분류 실패분의 크기를 아는가. 어느 범주에도 못 들어간 입력이 분모에서 조용히 빠져 있지 않은가.
• 제품 경계가 지표를 비틀고 있지 않은가. 작업이 다른 도구로 옮겨 갔을 뿐인데 「수요가 줄었다」로 읽히고 있지 않은가.
• 분류기 일치도를 층별로 재 봤는가. 가장 세분화된 층이 가장 못 믿을 층인데 보고서는 늘 그 층의 숫자를 쓴다. 층마다 일치도를 재고, 못 믿을 층은 못 믿는다고 적는 것까지가 지표다.

남의 게이트를 세던 글에서 공개자 자신의 축약을 세는 글로

페블러스 블로그는 분류 게이트가 가시성을 정하는 문제를 네 편에서 다뤘다. AI 사용 통계의 업무 필터는 남이 만든 직업 필터를 독립 코퍼스에 다시 걸어 통과율을 셌고, AI 위험 분류체계의 책임 공백은 분류표가 책임자를 지목하지 않는 문제를 다뤘다. 에이전트 위임 직업 지도는 오넷을 쓴 선행이고, 앤트로픽 로봇 노출 지수와 로봇 노출 지수 ROE는 현장 일을 문서로 판정하는 문제를 각각 다른 각도에서 짚었다. 지워진 168가지가 누구의 일인지는 뒤의 두 편과 그대로 맞물린다.

이 글이 더하는 것은 대상이 바뀌었다는 점이다. 앞의 네 편이 남이 만든 게이트를 재현해 가시성 손실을 셌다면, 이번에는 공개자가 스스로 연 원자료로 그 공개자 자신의 축약을 셌다. 오픈AI가 CC BY 4.0으로 열어 두지 않았다면 불가능한 작업이고, 그래서 이 글은 숨겼다거나 감췄다고 쓰지 않는다. 열어 준 것과 보여 준 것이 다르다는 것이 이 글의 전부다. 「165는 332의 절반에 못 미친다」는 PPC랜드가 먼저 적었고, 한국의 국제 비교는 테크수다가 한 걸음 먼저 갔다. 페블러스가 더한 것은 지워진 활동을 이름으로 세고 상위 범주로 묶은 일이다.

참고문헌

1차 문헌, 오픈AI

• 1.OpenAI, ChatGPT's expanding world of work, 2026-10-26. 43%, 「consistent representation」, 「nearly 100 countries」, 56.0%에서 51.1%로의 집중도 하락이 모두 이 발표문에 있다. ⚠️ openai.com은 자동화 요청을 403으로 막는다. 리더 프록시(r.jina.ai)로 전문을 받았다.
• 2.OpenAI, 같은 발표문의 공식 한국어판. 이 글의 용어 정본이다. 「중간 수준 업무 활동」, 「기타 IWA」, 「고용 규모를 가중치로 적용」이 그 번역을 따른 것이다.
• 3.OpenAI, OpenAI Signals v3.0 데이터셋, CSV 24개, CC BY 4.0, 2026-10-26 공개. 직접 내려받기 https://cdn.openai.com/signals/data-download-csv.zip(CDN 직링크는 403 없이 받아진다). 2026-11-01에 다시 받아 CSV 24개와 활동 이름 고윳값 165를 재확인했다.
• 4.OpenAI, Signals README / Data Dictionary, Version 3.0, 41쪽. https://cdn.openai.com/signals/data-dictionary.pdf. 7절 차등 프라이버시, 8절 변경 이력, 각주 4의 분기당 1,000건 문턱, 9절 분류기 프롬프트 전문이 여기 있다. 3절의 문자열 횟수도 이 문서를 센 것이다.
• 5.OpenAI, Enterprise Signals, 2026-08-12. 기업 고객 메시지 1,000만 건 이상. 오넷이 아닌 자체 범주를 쓴다. 범주 총수, 「기타」 버킷 유무, 라이선스는 페이지에 적혀 있지 않다.

1차 문헌, 학술과 공식 통계

• 6.A. Chatterji, T. Cunningham, D. Deming, Z. Hitzig, C. Ong, C. Shan, K. Wadman, How People Use ChatGPT, NBER Working Paper 34255, 2025-09, doi:10.3386/w34255. 데이터 사전이 파이프라인 정본으로 가리키는 문서. 6절의 부록 B 표 5와 B.1.4 축자, 332개 분류 후 41개로 올려 보고한 사실, 100명 미만 범주의 Suppressed 처리가 여기서 왔다. NBER 공식 PDF는 유료 장벽이 있어 무료 전문 사본으로 읽었다.
• 7.O*NET Resource Center, O*NET 30.3 Database. GWAs to IWAs.txt, GWAs to IWAs to DWAs.txt, Tasks to DWAs.txt, Task Ratings.txt, Occupation Data.txt. 일반 업무 활동 41개, 중간 수준 업무 활동 332개, 세부 업무 활동 2,087개, 직업 1,016개, 과업 기술문 18,796개를 이 파일들로 확정했다. 3절의 332개 이름 대조와 4절의 43% 재현에 쓴 재료다.
• 8.U.S. Bureau of Labor Statistics, OEWS May 2025 National(national_M2025_dl.xlsx). 전 직종 취업자 1억 5,549만 5,730명. ⚠️ bls.gov 직접 내려받기는 자동화 요청을 403으로 막아 버지니아주 오픈데이터 포털 미러를 썼다.
• 9.국가데이터처(통계청), 「2026년 9월 고용동향」 통계표 「4.직업(신)」, 2026-10-16 발표. 한국표준직업분류 8차 개정 기준. 4.2절의 대분류별 취업자 수와 37.10%의 출처.
• 10.World Bank, World Development Indicators 2023년 인구 추계(시그널스 1인당 분모) · World Bank FY2026/27 소득 분류(5절의 소득 수준 대조).
• 11.Anthropic, Economic Index 및 Handa 외, 「Which Economic Tasks are Performed with AI?」(Clio 방법론). 「페블러스 관심의 이유」의 구조적 대비에 썼다. ⚠️ 앤트로픽의 「All Other」 비중 수치는 확인하지 못해 쓰지 않았다.
• 12.미국 2020년 센서스 차등 프라이버시 논쟁 문헌 일반. 5절 끝 단락의 배경이다. ⚠️ 개별 논문의 수치를 인용하지 않고 일반론으로만 썼다. 노이즈가 작은 수에 상대적으로 크게 걸린다는 것, 억제 문턱이 작은 집단을 선택적으로 지운다는 것, 문턱을 넘긴 값만 공개되어 편향이 생긴다는 것이 그 일반론의 내용이다.

보도

• 13.PPC Land(Luis Rijo), Americans use ChatGPT at work most to make decisions — 1 in 5 requests, 2026-10-26. 「경제 쪽에서 가장 큰 단일 덩어리가 43.1%의 Other IWA」. ⭐ 3절의 선행 인정 대상.
• 14.PPC Land(Luis Rijo), ChatGPT work requests fall to 32.2% as writing loses its top spot, 2026-10-30. 「165개는 PPC Land 계산으로 332개의 절반에 조금 못 미친다」. 2절의 국가 간 분산 22.2%에서 23.0%와 5절의 업무 요청 비중 32.2%도 이 기사에서 왔다. ⭐ 3절의 선행 인정 대상.
• 15.AI타임스(김해원), 한국인 챗GPT 활용, 문서 편집 1위 유지…시각 자료 제작 1년 새 2배, 2026-10-31. 7절 서두에서 수치 여섯 개를 원자료와 대조한 대상.
• 16.테크수다, 한국 ChatGPT 업무 활용, '컴퓨터 다루기'에서 '창의적 생각'으로 이동, 2026-10-27. 한국의 국제 비교를 먼저 적은 기사. ⚠️ 이 기사 수치는 41개 일반 업무 활동 층이고 이 글은 165개 중간 수준 업무 활동 층이다.
• 17.뉴스1, "글쓰기 다음은 그림"…韓 챗GPT 시각자료 요청 비중 2배 늘어, 2026-10-31. · CBC뉴스, 서플(AI프리즘) 10월 말 보도. 7절 보도 census 표의 나머지 행.

페블러스 블로그 인접 글

AI 사용 통계에서 업무 필터가 대화 절반을 걸러냈다(2026-08-21). ⚠️ 그 글의 47.9%는 직업 필터 통과율이지 「기타」 범주 비중이 아니다. 이 글의 2.4%·43%와 같은 축에 놓지 않는다. 다른 데이터와 다른 지표인데 결론이 겹친다. · 책임자를 지목하지 않는 AI 위험 분류체계(2026-08-11) · 도구는 닿아도 석사 이상 직업은 AI에 덜 넘겼다(2026-08-25) · 앤트로픽의 로봇 자동화 전망, 현장 측정 없는 문서 판정(2026-10-03) · 로봇 노출 지수 ROE, 임금이 낮은 직업일수록 높다(2026-10-21).