로봇이 블루칼라 일자리를 빼앗을까? Anthropic의 2026년 연구가 실제로 말하는 것 (Anthropic, Tesla, Nvidia, Jobbit)

지난 10년 동안 자동화에 관한 대중적 논의는 하나의 숫자에 의존해 왔습니다. 2013년 옥스퍼드의 Carl Benedikt Frey and Michael Osborne는 미국 고용의 47%가 향후 20년 안에 컴퓨터화될 위험이 높은 직업에 속해 있다고 추정했고, 이 수치는 이후 일의 미래를 다루는 모든 연설에서 되풀이되었습니다. 13년이 지난 지금, 창고와 건설 현장을 텅 비게 만들 것이라던 로봇은 시연 현장, 수천 곳의 공장, 그리고 소수의 택시에는 도착했지만, 대체될 것이라던 사람들은 여전히 일하고 있으며 그중 상당수는 고용주가 채우지 못하는 인력 부족 직종에 있습니다. 통상적인 이야기에는 무언가 잘못된 부분이 있었고, 최근까지 아무도 그것이 무엇인지 측정하지 못했습니다.

2026년 9월 30일 Anthropic의 경제팀은 Russell Legate-Yang and Maxim Massenkoff의 논문 "What work can robots do?"를 발표했습니다. 이 검토가 확인할 수 있는 범위에서, 이 논문은 미국 경제의 모든 물리적 업무를 실제로 존재하는 로봇에 비추어 평가하고, 47%라는 수치가 한 번도 묻지 않았던 질문, 즉 어떤 가격에 가능한가를 묻는 첫 시도입니다. 그 답은 논쟁의 구도를 바꿉니다. 로봇은 이미 미국 물리적 업무의 약 4분의 3을 수행할 수 있지만, 사람보다 저렴한 경우는 1,000건 중 3건에 불과합니다. 1990년대 이후 로봇 가격이 하락해 온 속도로 이 격차를 좁힌다면 업무의 10분의 1에 도달하는 데 약 40년이 걸리며, 공격적인 시나리오에서도 물리적 업무의 절반은 2050년 이후에 가능해집니다. 이 사례 연구는 논문을 면밀히 읽고, AI가 이미 사무 업무에 일으키고 있는 변화에 관한 증거와 나란히 놓고, 반론을 검토한 뒤, 이 패턴이 영국의 기술 인력, 소규모 기업 소유자, 그리고 논문이 이제 수치화한 전제, 즉 기계와 사람 사이의 인계가 향후 20년의 핵심 설계 문제라는 전제 위에 세워진 Jobbit 같은 회사에 무엇을 뜻하는지 짚어 봅니다.

연구 결과 요약

첫째, 대부분의 물리적 업무에서 이제 능력은 결정적인 제약이 아닙니다. Anthropic의 연구는 로봇이 미국 물리적 업무의 74%를 수행할 수 있으며, 이는 전체 근무 시간의 34%에 해당한다고 밝힙니다. 이는 상상 속의 로봇이 아니라 판매되었거나 배치되었거나 시연된 로봇을 기준으로 한 수치입니다.

둘째, 제약은 비용입니다. 오늘날 로봇이 노동자와 비용 경쟁력이 있는 업무는 전체 직무 업무의 0.3%입니다. 노출도가 가장 높은 대규모 직종인 포장 작업자의 경우 추정 연간 절감액은 노동 비용 약 $49,000 대비 노동자 1인당 약 $2,500이며, 택시 기사의 경우 로봇은 여전히 사람보다 약 $7,000 더 비쌉니다.

셋째, 격차는 천천히 좁혀집니다. 로봇 가격은 1990년대 이후 연평균 약 3% 하락해 왔습니다. 이 속도라면 로봇이 미국 업무의 10%에서 비용 경쟁력을 갖추기까지 40년이 걸립니다. 논문의 빠른 시나리오, 즉 비용이 4배 빠르게 하락하고 능력이 2배 빠르게 향상되는 경우에도 로봇이 물리적 업무의 절반에서 사람보다 저렴해지는 시점은 2050년경이며, 과거 추세로는 2085년입니다. 물리적 업무의 90%를 자동화하는 데는 여전히 53년이 걸립니다.

넷째, 디지털 업무는 정반대의 모습입니다. 미국 업무의 약 50%는 대규모 언어 모델만으로 노출되어 있고 언어 모델 또는 로봇을 합치면 81%가 노출되어 있으며, 급여 데이터에서 나온 초기 노동시장 증거는 AI 노출도가 가장 높은 직종의 22세에서 25세 고용이 덜 노출된 동료들보다 약 19% 낮은 수준임을 보여 줍니다. 경력자나 경제 전체에는 아직 이에 상응하는 움직임이 없습니다.

다섯째, 로봇에 가장 많이 노출된 사람들은 완충 장치가 가장 적은 사람들입니다. 노출되지 않은 노동자와 비교하면 이들은 학위를 가졌을 가능성이 55퍼센트포인트 낮고, 시간당 약 $30를 덜 벌며, 실업률은 두 배 이상 높습니다.

여섯째, 남아 있는 장벽은 구체적이고 측정 가능합니다. 물리적 업무의 약 70%는 능력 때문에 막혀 있으며 그중 대략 절반은 조작과 손재주 때문입니다. 14%는 현행 규제에, 25%는 사람들의 선호에 막혀 있습니다. 이런 업무는 수십 년 동안 사람이 필요할 업무이며, 기계를 가르칠 데이터가 아직 존재하지 않는 업무이기도 합니다.

사례: 이 연구가 적합한 실험실인 이유

자동화 전망은 대개 두 가지 방식 중 하나로 실패해 왔습니다. Frey and Osborne의 연구처럼 직종 단위로 접근한 연구는 직업 전체를 자동화 가능한 단위로 취급했고, 그 결과 47%라는 수치가 나왔습니다. Melanie Arntz, Terry Gregory and Ulrich Zierahn at the OECD가 2016년에 21개국을 대상으로 각 직종 내부의 업무 구성을 반영해 업무 단위로 같은 작업을 반복하자 자동화 가능한 일자리의 비중은 9%로 떨어졌습니다. 한편 전문가 설문 연구는 기계가 무엇을 할 수 있게 될지를 전문가들에게 물었는데, 이는 끝내 출시되지 않을 수도 있는 기술에 거는 내기입니다.

Anthropic의 논문은 설계 단계에서 두 함정을 모두 피합니다. 논문은 미국 노동부의 직업 데이터베이스인 O*NET에 실린 약 900개 직종의 약 19,000개 업무 기술문과 Bureau of Labor Statistics의 고용 및 임금 데이터에서 출발합니다. Claude 모델을 사용해 각 업무를 물리적, 인지적, 대인적 내용으로 점수화하고, 일반 소프트웨어로는 자동화할 수 없는 물리적 업무만 남긴 다음, 각 업무를 실제로 수행한 것으로 입증된 구체적인 로봇을 웹에서 검색하며, 증거로 상업적 배치, 판매 또는 의미 있는 시연을 요구합니다. 각 업무는 환경 통제 정도에 따라 4단계 척도에 배치됩니다. E0은 어떤 로봇도 할 수 없는 경우, E1은 공장 라인 같은 목적 맞춤형 환경에서 로봇이 할 수 있는 경우, E2는 창고 같은 구조화된 인간 시설에서 가능한 경우, E3는 도시 도로 같은 비구조적 환경에서 가능한 경우입니다. 배치된 로봇 대부분은 설계된 공간에 있으며, 그래서 저자들은 이 단계를 단기 위험의 좋은 척도로 봅니다.

비용은 가정이 아니라 모델링됩니다. 노출된 각 업무에 대해 모델은 인용된 로봇의 연간 비용을 추정합니다. 여기에는 구매와 설치, 유지보수, 소프트웨어, 에너지, 감독, 보험, 폐기 비용이 포함되며, 고정 비용은 추정 자본 비용으로 연간화됩니다. 이를 해당 업무에 쓰는 시간의 비중으로 환산한 노동자의 총보수와 비교합니다. 로봇의 연간 비용이 대체하는 노동보다 낮아질 때에만 그 업무는 비용 경쟁력이 있는 것으로 계산됩니다. 저자들은 이어서 전체 체계를 거꾸로 검증합니다. 1977년과 이후 수십 년간 존재했던 로봇에 비추어 업무를 평가한 결과, 당대의 로봇에 더 많이 노출된 직종이 이후 더 많은 임금과 고용을 잃었음을 보였으며, 이는 노출도 척도가 가치를 가지려면 해내야 하는 일입니다.

이 연구는 미국의 연구입니다. 독자가 기억해야 할 한계가 바로 이것입니다. 영국의 임금, 에너지 가격, 규제, 직종 구성은 다르며, 아직 아무도 영국 데이터에 이 방법을 적용하지 않았습니다. 그러나 걸려 있는 것은 오히려 더 큽니다. Construction Industry Training Board's June 2026 forecast에 따르면 건설 부문은 수요를 따라가기 위해 2026년부터 2030년까지 연평균 41,200명, 총 206,000명 이상의 추가 인력이 필요하며, 기존 인력의 40%가 45세 이상이고 브렉시트 이후 200,000명이 넘는 EU 노동자가 떠났습니다. Department for Education의 2025년 12월 Occupations in Demand 발표는 수요가 높은 125개 직종에 1,090만 명, 즉 전체 노동력의 32.9%가 있다고 집계하며, 그 목록에서 가장 큰 숙련 기술직으로 전기 기사 및 전기 설비 기술자(201,000개 일자리)와 차량 기술자 및 정비사(183,000개)를 꼽습니다. 로봇이 곧 기술직을 대체할 것이라면 인력 부족은 일시적인 문제일 것입니다. 아래의 증거는 그렇지 않다고 말합니다.

증거의 연표, 2013년부터 2026년까지

발견 1: 로봇은 물리적 업무 대부분을 할 수 있지만 그중 거의 아무것도 수지가 맞지 않는다

논문의 첫 번째 숫자는 인용될 숫자이므로 정확히 서술할 가치가 있습니다. 미국의 전체 근무 시간 중 54%는 인지적 또는 대인적 업무이고 46%는 물리적 업무입니다. 물리적 업무 안에서 12퍼센트포인트는 저자들이 찾을 수 있었던 어떤 로봇도 할 수 없고(E0), 23은 목적 맞춤형 환경에서(E1), 10은 창고 같은 구조화된 인간 시설에서(E2), 1은 비구조적 환경에서(E3) 할 수 있습니다. 합치면 로봇은 물리적 업무의 74%를 수행할 수 있고, 이는 전체 근무 시간의 34%입니다. 사례는 구체적입니다. 도시 도로를 달리는 자율주행 택시, 창고에서 재고를 옮기는 자율 이동 로봇, 제작 공장의 AI 유도 용접 셀, 운전자 없이 직선으로 땅을 파는 트렌치 굴착기가 그것입니다.

두 번째 숫자가 중요한 숫자입니다. 모델이 각 업무에 대해 인용된 로봇의 가격을 매기고 그것이 대체할 노동과 비교하면, 로봇이 더 저렴한 것은 전체 직무 업무의 0.3%에 불과합니다. 로봇이 업무의 95%를 할 수 있는 직종에 속한 미국 노동자는 약 300,000명이고, 가장 큰 집단인 약 560,000명의 포장 작업자는 비용 동등성이 가장 분명한 사례로, 노동 비용이 약 $49,000인 사람보다 로봇이 연간 약 $2,500 저렴한 것으로 추정됩니다. 반대편 끝에서는 데이터상 기술적으로 가장 노출도가 높은 직종인 로봇 택시(노출도 지수 3점 만점에 2.2)가 규제를 고려하기 전에도 대체할 운전자보다 연간 약 $7,000 더 비싼 것으로 추정됩니다. 노출도가 가장 높은 10개 직종 중 9개는 차량 운전직입니다.

저자들이 제시하고 이 검토가 가장 설득력 있다고 보는 해석은, 물리적 한계선이 경제적 한계선보다 훨씬 멀리 이동했다는 것입니다. 지난 50년 동안 로봇은 매년 이전에는 할 수 없었던 물리적 업무의 약 2%를 할 수 있게 되었습니다. 1977년에는 물리적 업무의 62%를 수행할 수 없었지만, 오늘날에는 같은 업무의 24%를 수행하지 못합니다. 능력은 복리로 쌓였습니다. 비용은 그렇게 따라오지 못했는데, 상자를 나를 수 있는 로봇도 유지보수, 에너지, 감독, 보험이 따르는 자본 자산이며, 일한 시간에 대해서만 급여를 받는 노동자와 경쟁하기 때문입니다.

발견 2: 낙관적인 경우에도 일정은 수십 년이다

논문의 가장 중대한 기여는 시나리오 분석인데, "로봇은 비싸다"를 날짜로 바꾸어 주기 때문입니다. Bank of Japan 시계열과 기타 출처를 바탕으로 한 로봇 가격은 1990년대 이후 연평균 약 3% 하락해 왔습니다. 이 속도를 유지하면 로봇이 미국 업무의 10%에서 비용 경쟁력을 갖추기까지 약 40년이 걸립니다. 비용이 20% 하락하면(과거 속도로 약 7년) 약 280만 명 노동자의 물리적 업무에서 로봇이 경쟁력을 갖추게 되고, 전체 업무의 10%에 도달하려면 70%의 하락이 필요합니다.

빠른 시나리오는 의도적으로 후하게 설정되었습니다. 품질 조정 비용은 과거보다 최대 4배 빠르게 하락하고, 로봇은 새로운 업무를 2배 빠르게 배웁니다. 그런데도 로봇이 물리적 업무의 50%에서 비용 경쟁력을 갖추는 것은 2050년경에 이르러서이며, 과거 추세로는 2085년이고, 물리적 업무의 90%를 자동화하는 데는 53년이 걸립니다. 저자들이 쓴 문장은 경제학 논문치고는 이례적으로 평이해서 인용할 만합니다. "Robots would need to sustain record rates of price declines and quality improvements over the coming decades to enable rapid physical automation."

여기서 증거와 해석은 구분되어야 합니다. 이 날짜들은 예측이 아니라 모든 업무에 균일하게 적용된 가정의 결과이며, 저자들 스스로 이것이 로봇 기업들이 실제로 우선순위를 정하는 방식을 반영하지 않을 수 있다고 말합니다. 예를 들어 창고 피킹 같은 고부가가치 업무 하나에 노력을 쏟아붓는 기업은 나머지 경제가 제자리인 동안 그 업무의 비용을 연 3%보다 훨씬 빠르게 낮출 수 있습니다. 시나리오가 확립하는 것은 정확한 달력이 아니라 문제의 형태입니다. 물리적 자동화는 하드웨어 경제학이 지배하는 길고 고르지 않은 과정이며, 업무 하나가 추가될 때의 한계비용이 0에 가까운 소프트웨어와 대조됩니다.

과거 기술과의 비교는 이 해석을 뒷받침합니다. 이 기술의 이전 세대인 산업용 로봇에 관한 Acemoglu and Restrepo's 2020 study는 1990년부터 2007년 사이 노동자 1,000명당 로봇이 한 대 늘 때마다 영향을 받은 미국 통근권역의 고용 대 인구 비율이 0.2퍼센트포인트, 임금이 0.42% 감소했음을 발견했습니다. 실재하고, 측정 가능하며, 느린 효과였습니다. 이 효과는 로봇이 이미 가장 저렴했던 부문에서 17년에 걸쳐 누적되었고 다른 곳에서는 나타나지 않았습니다.

발견 3: 디지털 업무는 정반대의 이야기다

같은 연구 그룹이 반대편 한계선을 측정하며, 그 대조가 이 사례 연구의 핵심입니다. Anthropic의 이전 노출도 연구와 이 논문 자체의 비교는 미국 업무의 약 50%가 대규모 언어 모델만으로 닿을 수 있는 범위에 있고, 언어 모델 또는 로봇을 합치면 81%가 닿을 수 있는 범위에 있다고 봅니다. 직종별 패턴은 시사적입니다. 운송 및 물자 이동 직종은 언어 모델에 대한 노출도가 15% 미만이지만 로봇을 포함하면 약 90%이고, 사무 및 행정 지원 직종은 이미 언어 모델에 크게 노출되어 있고 로봇을 포함하면 거의 100%에 이르며, 개인 돌봄 및 서비스 직종은 두 기술이 다루지 못하는 방식으로 대인적이기 때문에 두 경우 모두 약 40%에 머뭅니다.

언어 모델 추정치에는 더 긴 내력이 있습니다. 2023년 OpenAI와 University of Pennsylvania의 Tyna Eloundou, Sam Manning, Pamela Mishkin and Daniel Rock은 미국 노동자의 80%가 업무의 최소 10%가 언어 모델에 노출된 직종에 속하고 19%는 업무의 절반 넘게 노출된 직종에 속한다는 것을 발견했으며, 글쓰기, 프로그래밍, 데이터 분석이 가장 많이 노출되고 물리적 업무와 야외 업무가 가장 적게 노출되었습니다. 익명화된 Claude 대화를 O*NET 업무에 대응시키는 Anthropic Economic Index는 사람들이 도구로 실제로 무엇을 하는지 보여 줍니다. 2026년 보고서들에서 증강은 자동화를 근소하게 앞서 52% 대 45%였고, 사용은 다양해져서 가장 흔한 10개 업무가 2025년 11월부터 2026년 2월 사이에 대화의 24%에서 19%로 줄었습니다. 이 Index는 또한 1인당 GDP가 1% 오르면 1인당 사용량이 0.7% 오르는 것과 연관된다고 보고하는데, 이는 도입이 부를 따라간다는 점을 상기시킵니다.

노출이 대체로 바뀌었는지는 급여 데이터가 신중하게 답하는 질문입니다. Stanford의 Digital Economy Lab의 Erik Brynjolfsson, Bharat Chandar and Ruyu Chen은 미국 노동자 2,500만 명 이상의 ADP 기록을 사용해 2025년에 AI 노출도가 가장 높은 직종의 경력 초기 노동자는 상대적 고용 감소를 겪었지만 같은 직무의 경력자는 그렇지 않았다고 보고했습니다. 연중 중반까지의 데이터를 반영한 2026년 8월 개정판은 그 직종의 22세에서 25세 고용이 덜 노출된 동료를 따라갔을 경우보다 약 19% 낮다고 보며, 조정은 임금이 아니라 채용을 통해 이루어지고 AI가 증강이 아니라 자동화하는 곳에 집중되어 있다고 합니다. 동시에 Anthropic 자체의 경제학자 Maxim Massenkoff and Peter McCrory는 10월 1일 Yahoo Finance가 보도한 바와 같이 2022년 말 이후 고도로 노출된 노동자의 실업에서 체계적인 증가를 발견하지 못했으며, AI가 초급 사무직 일자리의 절반을 없앨 수 있다는 Anthropic 최고경영자 Dario Amodei의 경고는 지금까지의 데이터로는 관찰이 아니라 경고로 남아 있습니다.

정직한 종합은 이렇습니다. 현재 AI 물결의 첫 번째 측정 가능한 노동시장 효과는 창고의 로봇이 아니라 사무실에서 채용되지 않은 졸업생입니다. 물리적 업무는 경제학이 보호하고, 사무 업무는 그렇지 못합니다.

발견 4: 누가 노출되어 있고, 나머지를 가로막는 것은 무엇인가

로봇에 노출된 업무의 인구학적 특성은 정책을 형성해야 할 발견입니다. 노출되지 않은 직종의 노동자와 비교하면 고도로 노출된 직종의 노동자는 여성일 가능성이 20퍼센트포인트 낮고, 히스패닉일 가능성이 16포인트 높으며, 학사 학위를 가졌을 가능성이 55포인트 낮고, 시간당 약 $30를 덜 받으며, 실업 상태일 가능성이 두 배 이상 높습니다. 또한 무거운 물건을 나르거나, 극심한 더위 속에서 일하거나, 유해 물질 근처에서 일할 가능성도 훨씬 높습니다. 로봇이 이미 할 수 있는 업무는 불균형적으로 힘들고, 위험하고, 보수가 낮은 업무이며, 이는 그 업무를 자동화해야 한다는 가장 강력한 논거인 동시에 전환이 관리되지 않으면 고통스러울 이유이기도 합니다.

나머지를 가로막는 것도 마찬가지로 구체적입니다. 로봇이 아직 할 수 없는 물리적 업무의 약 70%는 능력에 의해 제한되며, 그중 대략 절반은 조작과 손재주에 의해 제한됩니다. 염색, 매설된 배관 주변의 손 굴착, 비계 설치, 엉킨 전선 풀기 같은 것들입니다. 계획과 추론의 부족이 8%를 차지합니다. 규제는 물리적 업무의 14%를, 사람들의 선호는 25%를 막고 있으며, 이 둘을 합치면 공장에서는 로봇이 용인되지만 침실이나 교실에서는 용인되지 않는 업무 대부분을 아우릅니다. 논문 속 두 직종은 하나의 직무 안에서도 그림이 얼마나 뒤섞여 있는지 보여 줍니다. 석고보드 이음매 작업자는 노출도 지수가 1.6이며, 근무 시간의 41%는 자율 분사 로봇에 노출되어 있고 26%는 지저분한 마감 작업이 로봇의 능력 밖이기 때문에 노출되어 있지 않습니다. 재활용 선별 작업자는 1.7이며, 근무 시간의 75% 넘게가 컨베이어 벨트의 컴퓨터 비전 그리퍼에 노출되어 있고 노출되지 않은 시간은 8%에 불과합니다.

기술 인력이 기억해야 할 것은 저자들의 요약입니다. 노출되지 않은 업무는 "highly interpersonal or requires physical skills that robots today don't have"이며, "if the past is any guide, taxi drivers and warehouse packers will see changes sooner than nurses and mechanics"라는 것입니다.

메커니즘: 패턴이 이런 모습인 이유

네 가지 메커니즘이 발견을 설명하고 다음에 올 일을 예측합니다.

배치를 결정하는 것은 업무가 아니라 환경이다. 4단계 척도는 이 논문의 조용한 통찰입니다. 공장 라인에서 흠잡을 데 없이 용접하는 로봇(E1)은 모든 장선의 간격이 앞의 것과 조금씩 다른 주택 증축 현장에서는 쓸모가 없습니다. 물리적 경제의 대부분, 그리고 기술직 거의 전부는 E3 조건, 즉 비구조적이고, 즉흥적이며, 사람들 사이에서 이루어집니다. 로봇은 E1을 정복했고 E2로 나아가고 있지만, E3는 50년이 지난 지금도 업무의 1%만 차지합니다.

하드웨어 경제학은 소프트웨어 경제학이 아니다. 언어 모델은 일단 훈련되면 다음 업무를 0에 가까운 비용으로 수행하며, 그래서 사무 업무에서는 노출이 몇 년 만에 대체로 바뀌었습니다. 로봇은 감가상각되는 자산이며, 일하는 현장마다 구매하고, 설치하고, 보험에 들고, 유지보수하고, 전력을 공급하고, 감독해야 합니다. 연 3%의 가격 하락은 그 차이의 특징이며, 논문의 시나리오는 4배의 가속조차 동등성이 도래하는 연대를 얼마나 적게 바꾸는지 보여 줍니다.

능력은 복리로 쌓이지만, 데이터를 통해서다. 로봇은 매년 물리적 업무의 약 2%를 얻고, 남은 업무의 절반인 손재주가 필요한 업무는 바로 훈련 데이터가 가장 부족한 업무입니다. 모델은 글로 쓰인 웹에서 글쓰기를 배우지만, 배관공의 손에 해당하는 말뭉치는 없습니다. 남은 24%의 진전은 실제 장소에서 그 일을 하는 사람들과 함께 실제 작업을 포착하는 데 달려 있으며, 이는 본질적으로 느리고 소프트웨어 물결이 겪어 보지 못한 동의와 소유권 문제를 제기합니다.

선호와 규칙은 지연이 아니라 바닥이다. 선호에 의해 제한되는 25%와 규제에 의해 제한되는 14%의 업무는 더 나은 로봇을 기다리고 있는 것이 아닙니다. 기계에 들어 올려지는 것에 대한 환자의 의향, 자율주행 차량에 대한 지방 당국의 규칙, 주방을 설치한 사람과 직접 이야기하고 싶다는 고객의 바람은 정치적이고 문화적인 시간 척도로 변하며, 그래서 저자들은 이를 능력 및 비용과 별개로 다룹니다.

회의적인 독자라면 이와 함께 세 가지 대안적 설명을 염두에 두어야 합니다. 노출도 평가는 간결한 업무 기술문을 읽는 모델이 산출한 것이며, 저자들이 지적하듯 이 기술문은 "omit details that may be easy for humans but hard for robots"이므로, 직종 전체로는 능력이 과소평가되는 동시에 업무 수준에서는 과대평가되었을 수 있습니다. 비용 추정은 공개 가격이 거의 없는 시장의 근사치입니다. humanoid price survey in August 2026은 상용 휴머노이드 58종 중 12종만이 검증된 가격을 갖고 있음을 발견했습니다. 그리고 시나리오는 모든 업무에 같은 하락을 가정하는데, Nvidia와 Tesla가 거는 것과 같은 범용 조작의 돌파구는 저자들의 표현으로 "leapfrog our scale"할 수 있습니다. 날짜는 형태 면에서는 견고하고 세부 면에서는 무릅니다.

업계의 반응

반응은 논문이 긋는 선을 따라 갈렸습니다. 하드웨어 진영에서 Nvidia 최고경영자 Jensen Huang은 2026년 1월 CES에서 로봇공학의 "ChatGPT moment"를 예측한 바 있고, Elon Musk는 Tesla의 Optimus 휴머노이드가 이르면 2027년에 판매되며 대량 생산 시 장기 목표 가격이 $20,000 미만이라고 말했지만 공식 가격은 존재하지 않습니다. Morgan Stanley의 2025년 전망은 휴머노이드 시장이 2050년까지 $5 trillion을 넘고 2030년대 후반부터 도입이 가속될 것으로 봅니다. Yahoo Finance는 10월 2일 Anthropic 논문을 그런 베팅들이 시험하게 될 전망으로 규정했습니다. 출하되는 현실은 더 소박합니다. Unitree의 G1은 정가가 $13,500이고 이 회사는 2025년에 5,500대가 넘는 휴머노이드를 출하해 경쟁사 전체를 합친 것보다 많았습니다. 미국 창고에 가장 많이 배치된 휴머노이드인 Agility의 Digit은 대당 $250,000 이상 또는 서비스형으로 월 약 $8,500에 책정되어 있으며, 기업가치 $39 billion의 Figure는 공개 가격 없이 기업에 판매합니다.

경제학자들은 대체로 이 일정을 받아들였습니다. Yahoo Finance가 인용한 Apollo의 수석 이코노미스트 Torsten Sløk는 공격적인 전망에서도 광범위한 물리적 대체에는 수십 년이 걸릴 것이라며 정밀 조작, 규제, 선호의 병목을 들었습니다. 더 날카로운 논쟁은 디지털 쪽에 있습니다. Stanford의 급여 증거와 Anthropic 자체의 실업 분석은 이미 얼마나 많은 대체가 일어났는지에 대해 서로 다른 방향을 가리키며, 이곳에서는 OpenAI, Anthropic, Google, Microsoft, Manus, 그리고 Muse를 가진 Meta가 웹을 탐색하고, 양식을 채우고, 여러 단계의 사무 업무를 완수하는 에이전트를 내놓고 있습니다. 이는 노출도가 가장 높고 비용이 가장 낮은 범주입니다.

이 지형에서 Jobbit의 입장은 예측이 아니라 설계상의 선택이며, 논문은 우연히 그것을 설명합니다. 이 회사의 AI 에이전트는 증거가 자동화 비용이 낮다고 말하는 디지털 업무, 즉 검토 가능한 업무를 처리합니다. 조사, 문서, 웹사이트, 자동화, 이미지, 그리고 일을 둘러싼 행정 업무가 그것입니다. 작업에 손, 현장 판단, 또는 책임질 사람이 필요할 때, 즉 논문의 수치가 수십 년 동안 대부분의 물리적 업무라고 말하는 경우에는 pro.jobbit.uk의 검증된 전문가에게 일이 넘어가며, 대금은 에스크로에 보관되고 고객은 에이전트를 지켜보다가 언제든 직접 제어할 수 있습니다. 이 회사의 연구 부문인 Jobbit Labs는 논문이 데이터 격차에서 찾아낸 더 느린 문제를 다룹니다. 실제 일을 하는 사람들로부터 동의를 받아 현실 세계의 업무 데이터를 수집해 물리적 AI를 위한 월드 모델을 훈련하고 검증하는 것입니다. Jobbit은 이 모델의 성과에 대한 시험 데이터를 발표하지 않았으며 여기서 발표했다고 주장하지도 않습니다. 주장은 더 좁습니다. 비용 동등성이 수십 년 뒤에 있는 동안 증거가 뒷받침하는 것은 에이전트와 인력 네트워크를 결합한 구조라는 것입니다. 이 분할의 실무적 측면은 12 Jobs an AI Agent Can Do for Your Business This Week와 Should Your Next Hire Be an AI Agent?에, 프리랜서에 관한 증거는 Do AI Agents Replace Freelancers?에, 회사 자체는 What Is Jobbit?에 정리되어 있습니다.

기업이 이 증거로 해야 할 일

이 증거는 전략 컨설턴트 없이도 소규모 기업이 적용할 수 있는 위임 규칙을 뒷받침합니다.

물리적 작업을 둘러싼 디지털 계층을 먼저 자동화하십시오. 비용과 능력이 이미 만나는 곳이 거기이기 때문입니다. 배관공의 견적서, 청구서, 웹사이트, 후기 요청, 공급업체 조사, 일정 관리는 언어 모델에 노출된 50%의 업무에 해당하며, 논문 자체의 수치에 따르면 설치 작업, 눅눅한 수납장 안에서의 진단, 집주인과의 대화는 어디로도 가지 않습니다. 향후 10년 동안 기술직 사업의 마진은 로봇을 기다리는 데서가 아니라 절약한 사무 시간을 더 많은 현장 시간에 쓰는 데서 나옵니다.

물리적 자동화는 직무에 대한 인력 결정이 아니라 업무에 대한 조달 결정으로 다루십시오. 논문의 비용 모델이 본보기입니다. 그 한 가지 업무에 대해 로봇의 연간 총비용을 노동과 비교해 가격을 매기고, 자신의 환경 단계에서, 향후 수년간 동등성은 반복적인 포장, 이동, 용접, 선별 같은 E1과 E2 조건에서만 기대하십시오. 고객의 집에서 이루어지는 거의 모든 일에서 동등성은 달력에 없습니다.

노출되지 않은 핵심을 위해 채용하고 훈련하십시오. 로봇이 할 수 없는 물리적 업무의 24%와 사람들이 로봇이 하기를 원하지 않는 25%는 기술직의 지속되는 부분입니다. 손재주, 비구조적 공간에서의 판단, 그리고 사람과의 관계입니다. CITB가 말하는 2030년까지 206,000명의 인력 격차는 시장이 그것에 대가를 치를 것임을 말해 줍니다.

헤드라인이 아니라 인계를 지켜보십시오. 어떤 일에서든 유용한 질문은 기계가 어디서 멈추고 사람이 어디서 시작해야 하는가이며, 그 선은 업무마다 이동합니다. 누가 에이전트의 결과물을 검토하는지, 누가 현장 작업을 승인하는지, 누가 고객에게 책임을 지는지를 적어 두는 기업은 실패 없이 이득을 얻습니다.

마지막으로, 초기 신호를 올바른 곳에서 읽으십시오. 논문은 물리적 혼란의 첫 징후를 보려면 노출된 직종, 즉 운전자와 창고 포장 작업자를 추적하라고 제안하며, 급여 데이터는 디지털 혼란이 이미 졸업생 채용에서 눈에 보인다고 말합니다. 후자는 지금, 전자는 나중에 대비하십시오.

한계와 열린 질문

이 연구는 미국의 연구이며, 모델이 평가했고, 정적입니다. 노출도와 비용 평가는 Claude가 업무 기술문과 로봇에 관한 웹 증거를 읽은 결과이며, 과거와는 대조되었지만 현장 시험과는 대조되지 않았습니다. 인간 전문가 패널은 손재주를 다르게 평가할 수 있습니다. 비용 추정은 차입 한도 같은 도입 마찰을 빼놓았고, 시나리오는 노출된 직종의 임금 하락이 도입을 더 늦출 가능성을 포함한 피드백 효과를 제쳐 두었습니다. 논문은 예를 들어 예지 정비처럼 로봇 없이 AI가 물리적 업무를 바꿀 수 있는 방식을 검토하지 않으며, 에너지 비용, 규제, 기술직의 구조가 다른 영국을 모델링하지도 않습니다.

디지털 증거에도 나름의 한계가 있습니다. 급여 데이터는 노출된 직종에서 젊은 노동자의 상대적 고용을 보여 줄 뿐 인과관계를 보여 주지 않으며, Stanford 저자들은 자신들의 발견이 "no widespread displacement so far"와 부합한다고 설명합니다. Anthropic의 실업 분석과 Stanford의 채용 분석은 서로 다른 측면에서 둘 다 옳을 수 있습니다. 하나의 어시스턴트에서 나온 사용 데이터는 경제가 아닙니다. 그리고 휴머노이드 시장은 여기에 인용된 어떤 가격이든 2026년 10월 초의 스냅숏이 될 만큼 빠르게 움직입니다.

열린 질문은 다음 10년을 결정할 것들입니다. 로봇이 설계된 시연이 아니라 실제 작업에서 배우게 되면 범용 조작이 연 2%보다 빠르게 향상되는가, 규제와 선호라는 바닥이 움직이는가, 그리고 저자들의 표현대로 일 자체가 어떻게 변하는가, 즉 "perhaps becoming more social and interpersonal as robots and AI advance"입니다.

결론

로봇이 블루칼라 일자리를 빼앗을까요? 47%가 시사한 방식으로는 아니며, 일하는 기술 인력이 계획에 넣어야 할 어떤 일정으로도 아닙니다. Anthropic의 연구는 로봇이 이미 대부분의 물리적 업무를 할 수 있지만 그중 거의 아무것도 감당할 수 없음을, 경제성이 매년 몇 퍼센트씩 좁혀짐을, 그리고 기록적인 로봇 발전이 이루어지는 세계에서도 물리적 업무의 절반은 2050년 이후까지 사람의 손에 남음을 보여 줍니다. 오늘 측정 가능한 혼란은 노출이 가장 높고 비용이 가장 낮으며 첫 졸업생들이 이미 급여 명부에서 빠져 있는 디지털 업무에 있습니다. 영국의 기술직이나 소규모 기업에 증거가 가리키는 전략은 하나입니다. 사무를 자동화하고, 손을 지키고, 한쪽에서 다른 쪽으로 넘기는 지점을 의도적으로 정하십시오. 그 인계가 Jobbit이 일하는 곳이며, 이 논문은 Jobbit이 세워진 그 격차가 오랫동안 존재할 이유를 지금까지 가장 명료하게 서술한 글입니다.

자주 묻는 질문

로봇이 블루칼라 노동자를 대체할까요?

Anthropic의 2026년 9월 연구에 따르면 수십 년 동안은 아닙니다. 로봇은 이미 미국 물리적 업무의 약 74%를 할 수 있지만 노동자보다 저렴한 것은 그중 0.3%에 불과하며, 로봇 가격이 연 3%씩 하락하는 과거 속도로는 업무의 10%에서 비용 동등성에 도달하는 데 약 40년이 걸립니다. 공격적인 시나리오에서도 물리적 업무의 절반은 2050년 이후에 가능해집니다.

어떤 직업이 로봇에 가장 많이 노출되어 있나요?

차량 운전직과 창고 포장 작업자입니다. 택시 기사는 노출도 지수 3점 만점에 2.2로 가장 높고, 노출도가 가장 높은 10개 직종 중 9개가 운전직이며, 포장 작업자는 로봇이 이미 사람보다 근소하게 저렴한 가장 분명한 사례입니다. 간호사, 정비사, 대부분의 숙련 기술직은 작업에 손재주, 비구조적 공간에서의 판단, 또는 사람과의 접촉이 필요하기 때문에 반대편 끝에 있습니다.

AI가 로봇이 물리적 일자리를 가져가는 것보다 사무직 일자리를 더 빨리 가져가고 있나요?

초기 증거는 초급 수준에서 그렇다고 말합니다. Stanford의 2,500만 명 이상 노동자 급여 기록 분석은 AI 노출도가 가장 높은 직종의 22세에서 25세 고용이 덜 노출된 동료보다 약 19% 낮고 경력자에게는 이에 상응하는 변화가 없음을 발견했으며, Anthropic의 경제학자들은 노출된 노동자 전반의 실업에서 체계적인 증가를 발견하지 못했습니다. 디지털 업무는 모델이 존재하기만 하면 자동화하는 데 거의 비용이 들지 않지만, 물리적 업무에는 여전히 비싼 하드웨어가 필요합니다.

기술 인력은 자동화에 대해 무엇을 해야 하나요?

AI가 이미 저렴하고 유능한 사업의 사무 쪽을 자동화하고, 로봇이 따라올 수 없는 기술, 즉 손재주, 비구조적 공간에서의 진단, 고객과의 관계에 투자하십시오. CITB에 따르면 영국 건설 부문만 해도 2030년까지 206,000명이 넘는 추가 인력이 필요하므로, 기술직에서 사람의 몫은 과잉이 아니라 부족 상태입니다.

Jobbit이 해결하려는 격차는 무엇인가요?

자동화된 디지털 업무와 사람의 물리적 업무 사이의 인계입니다. Jobbit의 AI 에이전트는 증거가 자동화 비용이 낮다고 말하는 조사, 문서, 웹사이트, 행정 업무를 처리하고, 손, 현장 방문, 또는 책임이 필요한 일은 pro.jobbit.uk의 검증된 전문가에게 넘기며 대금은 에스크로에 보관됩니다. Jobbit Labs는 이 연구가 물리적 AI에 빠진 요소로 지목한 현실 세계의 업무 데이터를 다룹니다.