🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

2026년 초 정량 사회과학자 1,260명을 조사한 결과, 연구용 AI 챗봇 경험은 81%로 넓게 퍼졌지만 자율적으로 분석 코드를 작성·실행하는 코딩 에이전트의 정기 사용은 20%에 그쳤고, 초기 채택은 분야·성별로 추정되는 이름·대학 위상·경력 단계에 따라 크게 갈렸다.

📌 핵심 요약

• 조사는 2026년 2~3월 정량 사회과학자를 대상으로 진행됐으며, 응답자의 81%가 연구 과정에서 생성형 AI를 사용해 본 적이 있다고 답했다. 하지만 Claude Code, Codex, Cursor, Google Antigravity처럼 명령줄 또는 개발 환경에 통합되어 코드를 작성·실행하는 코딩 에이전트를 주 1회 이상 정기적으로 쓰는 비율은 20%에 머물렀다.
• 코딩 에이전트 채택은 매우 불균등했다. 경제학자는 39%, 정치학자는 25%가 사용한다고 답한 반면 공중보건, 교육, 커뮤니케이션 분야는 한 자릿수에 그쳤다. 박사과정생과 박사후연구원은 4분의 1 이상이 사용했지만, 정년보장 교수층에서는 그 비율이 절반 이하로 낮아졌다.
• 성별로 분류되는 이름과 소속 대학 위상에 따른 격차도 두드러졌다. 전형적으로 남성 이름을 가진 연구자는 전형적으로 여성 이름을 가진 연구자보다 두 배 이상 높은 비율로 코딩 에이전트를 사용했고, 상위권 및 사립대 소속 연구자도 더 높은 사용률을 보였다. 이러한 차이는 단순히 AI를 한 번 시도해 본 경험의 차이만으로 설명되지 않았다.
• AI의 실제 활용처는 논문 초안 작성보다 코드 생성과 문장 편집에 집중되어 있었다. 코딩 에이전트 사용자의 97%, 그 외 AI 사용자의 77%가 정량 데이터 분석 코드를 생성하는 데 AI를 썼다고 답했으며, 다음으로는 산문 편집, 방법론 조언, 선행연구 배경 확인이 많았다. 전체 AI 사용자 중 산문 초안 작성에 AI를 써 본 비율은 3분의 1 수준이었다.
• 코딩 에이전트 사용자는 같은 분야와 경력 단계의 비사용자보다 더 많은 프로젝트를 시작하고, 더 많은 워킹페이퍼를 게시하며, 더 많은 연구비 제안서를 제출한 것으로 나타났다. 다만 이 비교는 인과관계가 아니라 기술에 먼저 뛰어든 연구자들이 원래 더 생산적이었을 가능성을 배제하지 못하는 기술적 비교다. 또한 학술지 신규 제출이나 재투고 증가에 대한 증거는 아직 발견되지 않았다.

🧩 주요 포인트

1. 조사는 2026년 2~3월 정량 사회과학자를 대상으로 진행됐으며, 응답자의 81%가 연구 과정에서 생성형 AI를 사용해 본 적이 있다고 답했다. 하지만 Claude Code, Codex, Cursor, Google Antigravity처럼 명령줄 또는 개발 환경에 통합되어 코드를 작성·실행하는 코딩 에이전트를 주 1회 이상 정기적으로 쓰는 비율은 20%에 머물렀다.
2. 코딩 에이전트 채택은 매우 불균등했다. 경제학자는 39%, 정치학자는 25%가 사용한다고 답한 반면 공중보건, 교육, 커뮤니케이션 분야는 한 자릿수에 그쳤다. 박사과정생과 박사후연구원은 4분의 1 이상이 사용했지만, 정년보장 교수층에서는 그 비율이 절반 이하로 낮아졌다.
3. 성별로 분류되는 이름과 소속 대학 위상에 따른 격차도 두드러졌다. 전형적으로 남성 이름을 가진 연구자는 전형적으로 여성 이름을 가진 연구자보다 두 배 이상 높은 비율로 코딩 에이전트를 사용했고, 상위권 및 사립대 소속 연구자도 더 높은 사용률을 보였다. 이러한 차이는 단순히 AI를 한 번 시도해 본 경험의 차이만으로 설명되지 않았다.
4. AI의 실제 활용처는 논문 초안 작성보다 코드 생성과 문장 편집에 집중되어 있었다. 코딩 에이전트 사용자의 97%, 그 외 AI 사용자의 77%가 정량 데이터 분석 코드를 생성하는 데 AI를 썼다고 답했으며, 다음으로는 산문 편집, 방법론 조언, 선행연구 배경 확인이 많았다. 전체 AI 사용자 중 산문 초안 작성에 AI를 써 본 비율은 3분의 1 수준이었다.
5. 코딩 에이전트 사용자는 같은 분야와 경력 단계의 비사용자보다 더 많은 프로젝트를 시작하고, 더 많은 워킹페이퍼를 게시하며, 더 많은 연구비 제안서를 제출한 것으로 나타났다. 다만 이 비교는 인과관계가 아니라 기술에 먼저 뛰어든 연구자들이 원래 더 생산적이었을 가능성을 배제하지 못하는 기술적 비교다. 또한 학술지 신규 제출이나 재투고 증가에 대한 증거는 아직 발견되지 않았다.

🧠 상세 정리

1. 조사의 목적과 기본 결과

글은 2026년 2월 말부터 3월까지 진행된 정량 사회과학자 1,260명 대상 설문을 바탕으로, AI와 코딩 에이전트가 사회과학 연구에 어떻게 들어오고 있는지 살핀다. 핵심 결과는 연구용 생성형 AI 경험은 이미 넓게 퍼졌지만, 자율적으로 코드를 작성하고 실행하는 코딩 에이전트의 채택은 아직 제한적이라는 점이다. 응답자의 81%는 연구 과정에서 생성형 AI를 사용해 본 적이 있다고 답했으나, Codex, Cursor, Claude Code 같은 명령줄 통합형 코딩 어시스턴트를 주 1회 이상 정기적으로 쓴다는 응답은 20%에 그쳤다. 특히 Claude Code가 가장 많이 언급된 도구였고, 코딩 에이전트 사용자 중 86%가 Claude Code를 사용한다고 답했다.

2. 사회과학 연구에서 코딩 에이전트가 갖는 의미

글은 기존 AI 챗봇과 코딩 에이전트를 구분하면서, 후자가 사회과학 연구 방식을 더 근본적으로 바꿀 수 있다고 본다. 일반적인 챗봇은 주로 글쓰기 보조에 쓰였지만, 코딩 에이전트는 연구 아이디어와 데이터셋을 받아 분석 코드를 작성하고 실행하며 결과를 해석하고 반복할 수 있다. 이는 경험적 연구에서 인간 연구자의 핵심 작업으로 여겨졌던 분석 실행 단계 일부가 자동화될 수 있음을 뜻한다. 저자들은 이러한 변화가 연구 실행 속도를 높이고 더 많은 발견을 가능하게 할 수 있지만, 동시에 학술 기록의 혼잡, 연구 자원의 불평등, AI가 선택하는 분석 방식이 사회 이해에 미치는 영향이라는 더 깊은 문제도 낳을 수 있다고 지적한다.

3. 표본의 성격과 해석상 주의점

이 설문은 활성화된 정량 사회과학자를 겨냥했지만 대표 표본은 아니라고 명시되어 있다. 응답자는 Claude Max 계정 접근권을 제공하는 연구에 참여하도록 모집되었기 때문에, AI 도구에 관심이 많은 연구자가 상대적으로 더 많이 포함되었을 수 있다. 다만 저자들은 이 표본이 더 일반적인 초청을 받은 이전 표본과 꽤 유사했다고 덧붙인다. 분야별로는 경제학, 정치학, 사회학이 각각 표본의 약 5분의 1씩을 차지했고, 경영학과 심리학이 그 뒤를 이었다. 직급은 정교수·부교수가 약 40%, 조교수가 25%, 박사과정생이 약 30%였다.

4. AI 사용은 넓지만 코딩 에이전트 채택은 낮다

설문은 AI 사용을 두 단계로 측정했다. 먼저 연구 과정에 생성형 AI 모델을 써 본 적이 있는지를 물었고, 여기에는 81%가 그렇다고 답했다. 이어서 Codex, Cursor, Claude Code 같은 명령줄 통합형 AI 코딩 어시스턴트를 주 1회 이상 정기적으로 사용하는지를 물었고, 후속 질문으로 실제 도구 사용 여부도 확인했다. 그 결과 정기적 코딩 에이전트 사용자는 전체의 20%에 불과했다. 조사가 Claude Code와 Opus 4.6에 대한 논의가 활발해진 지 약 두 달 뒤에 이뤄졌고, 응답자 자체가 AI에 관심이 있는 쪽으로 기울었을 가능성이 있는데도 채택률이 5분의 1 수준이라는 점이 강조된다.

5. 분야와 경력 단계에 따른 큰 격차

코딩 에이전트 채택은 분야별로 큰 차이를 보였다. 경제학자는 39%, 정치학자는 25%가 사용한다고 답한 반면, 공중보건 6%, 교육 4%, 커뮤니케이션 6%처럼 한 자릿수에 머문 분야도 있었다. 이러한 기울기는 전반적인 AI 사용률 차이와도 어느 정도 맞물리지만, 코딩 에이전트에서는 그 차이가 더 가파르게 나타났다. 경력 단계별로는 박사과정생과 박사후연구원 중 4분의 1을 조금 넘는 비율이 주 1회 이상 사용한다고 답했지만, 정년보장 교수층에서는 그 비율이 절반 이하로 떨어졌다. 저자들은 젊은 연구자가 기술에 더 익숙하고 코드·데이터를 직접 다룰 가능성이 높으며, 연구 성과 압박도 강하다는 점을 배경으로 제시한다.

6. 성별로 분류되는 이름과 대학 위상에 따른 불평등

채택 격차는 분야와 경력 단계에만 그치지 않는다. 저자들은 연구자의 이름을 성별에 따라 분류해 비교했고, 전형적으로 남성 이름을 가진 응답자가 전형적으로 여성 이름을 가진 응답자보다 두 배 이상 높은 비율로 코딩 에이전트를 사용한다는 결과를 제시했다. 상위권 대학과 사립대 소속 연구자도 사용률이 눈에 띄게 높았으며, 이러한 차이는 모두 통계적으로 유의하다고 설명된다. 더 중요한 점은 이 성별 격차가 단순히 AI를 한 번이라도 시도해 본 비율 차이만으로 설명되지 않는다는 것이다. AI를 연구에 사용해 본 사람들만 놓고 보아도 정기적 코딩 에이전트 사용의 성별 격차는 유지되거나 더 커졌고, 같은 분야와 경력 단계 안에서 비교해도 차이가 지속됐다.

7. AI의 주된 용도는 논문 대필이 아니라 코드와 편집

글은 학계의 AI 논의가 환각이 섞인 문헌 검토, 정형화된 서론 문장, 자동 논문 작성 가능성 같은 글쓰기 문제에 집중해 왔다고 지적한다. 그러나 실제 응답에서 가장 흔한 AI 사용처는 정량 데이터 분석 코드를 작성하는 일이었다. 코딩 에이전트 사용자의 97%, 그 외 AI 사용자의 77%가 코드 생성을 위해 AI를 쓴다고 답했다. 그다음으로는 산문 편집, 방법론 조언 요청, 선행연구 배경 확인이 많이 언급됐다. 전체 AI 사용자로 넓혀 보아도 산문 초안 작성에 AI를 사용한 사람은 3분의 1 정도였고, 경제학과 경영학 연구자를 제외하면 논문 초안 작성은 일반적 사용처가 아니었다.

8. 생산성 신호와 인과 해석의 한계

저자들은 코딩 에이전트가 연구 생산성을 높이는지가 더 큰 연구의 핵심 질문이라고 설명하지만, 현재 제시된 설문 결과는 기준선 조사에 따른 기술적 비교라고 선을 긋는다. 코딩 에이전트 사용자는 같은 분야와 경력 단계의 비사용자보다 더 많은 프로젝트를 시작하고, 더 많은 워킹페이퍼를 게시하며, 더 많은 연구비 제안서를 제출했고, 학회 제출도 더 많을 가능성이 있었다. 경험적 프로젝트 시작은 약 10%, 워킹페이퍼 게시는 약 75% 더 생산적인 것처럼 보인다는 설명도 나온다. 그러나 이는 사용자가 스스로 코딩 에이전트를 선택한 집단이라는 점 때문에 인과 효과로 볼 수 없다. 초기 채택자들이 원래 더 생산적이었을 가능성이 남아 있기 때문이다.

9. 학술지 제출 증가가 아직 보이지 않는 이유

흥미로운 점은 코딩 에이전트 사용자가 프로젝트 초기 단계에서는 더 활발해 보이지만, 학술지에 새 논문을 더 많이 제출하거나 재투고를 더 빠르게 한다는 증거는 없었다는 것이다. 저자들은 이것이 시간차 때문일 수 있다고 본다. 코딩 에이전트 사용은 비교적 최근 현상이므로, 프로젝트를 시작하고 워킹페이퍼를 게시한 효과가 학술지 제출 단계까지 아직 도달하지 않았을 수 있다. 동시에 코딩 에이전트가 프로젝트를 시작하고 분석을 가동하는 데는 유용하지만, 학술지 제출 직전의 마지막 완성도 개선에는 상대적으로 덜 도움이 될 가능성도 제기된다. 즉, 관측된 생산성 증가는 연구 파이프라인의 앞부분에 집중되어 있다.

10. 낙관과 우려가 함께 나타나는 연구자들의 전망

설문은 연구자들이 AI 도구의 미래 영향을 어떻게 예상하는지도 물었다. 응답자들은 AI가 출판 가능한 논문 작성 생산성을 높일 것이라는 점에는 대체로 낙관적이었다. 1점부터 10점까지의 척도에서 88%가 5점을 넘겼고, 절반은 8점 이상을 줬다. AI를 더 다양한 작업에 사용하는 연구자일수록, 그리고 코딩 에이전트 사용자일수록 이러한 생산성 기대가 높았다. 하지만 사회과학 전체에 대한 영향에 대해서는 더 신중했다. 응답자의 70%는 논문 생산성 향상에 대한 기대가 사회과학 전반의 개선 기대보다 높았고, 이는 더 많은 논문이 심사와 주목의 혼잡, 경쟁 심화 같은 비용을 동반할 수 있다는 우려를 시사한다.

🧾 핵심 주장 / 시사점

• 이 글의 핵심은 ‘AI 사용 확산’과 ‘코딩 에이전트 채택’이 같은 현상이 아니라는 점이다. 챗봇은 이미 다수 연구자가 접했지만, 연구 파이프라인의 실행 단계를 맡기는 에이전트형 도구는 아직 초기 채택 국면이며 그 격차가 더 선명하게 드러난다.
• 코딩 에이전트가 생산성 증가와 연결되어 보이는 지점은 학술지 제출이라는 최종 산출보다 프로젝트 시작, 워킹페이퍼 게시, 연구비 제안서 제출 같은 초기·중간 단계다. 이는 도구가 아이디어를 빠르게 분석 가능한 형태로 바꾸는 데 특히 유용할 수 있음을 보여주지만, 논문 완성의 마지막 단계까지 자동으로 해결한다는 증거는 아니다.
• 초기 채택이 남성 이름을 가진 연구자, 젊은 연구자, 상위권·사립대 소속 연구자에게 기울어져 있다는 결과는 코딩 에이전트가 단순한 생산성 도구를 넘어 학술 자원 격차를 확대할 수 있음을 시사한다. 기술 자체의 성능만큼이나 접근성, 훈련, 제도적 지원, 연구 평가 체계가 중요한 변수로 떠오른다.

✅ 액션 아이템

• 연구 조직 안에서 생성형 AI 일반 사용률과 Codex, Cursor, Claude Code 같은 코딩 에이전트의 정기 사용률을 분리해 측정한다.
• 분야, 경력 단계, 성별로 분류되는 이름, 대학 위상에 따른 채택 격차를 확인하고, 교육·접근권·지원 프로그램이 필요한 집단을 식별한다.
• 코딩 에이전트가 프로젝트 시작, 워킹페이퍼 게시, 연구비 제안서 제출처럼 연구 파이프라인 앞단에 미치는 영향을 별도로 추적한다.

❓ 열린 질문

• 코딩 에이전트 사용자가 더 생산적으로 보이는 결과는 도구의 효과일까, 아니면 원래 더 생산적인 연구자가 먼저 채택한 선택 효과일까?
• 코딩 에이전트가 논문 완성보다 프로젝트 초기 실행을 더 크게 돕는다면, 연구 평가와 지원 제도는 어떤 단계의 산출을 새롭게 봐야 할까?
• 초기 채택 격차가 계속된다면 AI 코딩 도구는 사회과학 연구의 민주화를 촉진할까, 아니면 기존 자원 격차를 더 확대할까?