New insights from Google’s AI & Economy ATLAS

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Google의 AI & Economy ATLAS는 지역·직업별 AI 활용 차이와 과학에서 LLM·특화 모델의 상호 보완적 활용을 보여주며, 시간 절약을 실제 발견으로 연결하려면 연구 과정의 병목 해소가 필요할 수 있음을 시사한다.

📌 핵심 요약

• Google은 ATLAS의 수백만 개 글로벌 데이터 포인트를 탐색할 수 있는 공개형 인터랙티브 경험을 출시해 직업별 AI 활용, 가정 내 사용 방식, 국가별 도입 수준을 살펴볼 수 있도록 했다.
• 인도에서는 예술·디자인·미디어 직종이 업무 관련 AI 사용의 19%로 세계 평균의 1.6배를 차지하며, 미국에서는 컴퓨터·수학 직종이 30%로 미국 외 지역 비중의 두 배를 차지한다.
• OECD와 비OECD 국가의 AI 사용 선도 직종은 다르며, 브라질과 UAE는 1인당 GDP로 예상되는 수준보다 도입률이 높다. 수작업 관련 과업은 브라질·독일 업무 AI 사용의 7%로 세계 평균의 1.4배이며, 일본은 4%다.
• Google·Google DeepMind·MIT FutureTech의 연구는 특화 AI 모델 2,600개와 미국·영국 과학자 600명 이상에 대한 설문을 분석했다. 응답자의 거의 절반이 매일 AI를 사용하며, Gemini 같은 LLM과 특화 모델은 서로 다른 과업에서 상호 보완적으로 활용된다.
• 과학자들은 AI로 주당 7시간에 조금 못 미치는 시간을 절약한다고 보고했지만, AI 출력 검증과 미검증 가설의 적체, 물리적 실험·임상 검증의 병목 때문에 시간 절약이 즉각적인 발견 증가로 이어지지는 않을 수 있다.

🧩 주요 포인트

1. 직업·지역별 AI 사용 구성의 차이 → AI 도입을 해석할 때 국가 전체 수준뿐 아니라 직종과 과업별 활용 양상을 함께 살펴볼 필요가 있다.
2. Gemini 같은 LLM의 폭넓은 사용과 특화 모델의 분야·과업별 집중 → 과학에서 두 모델 유형은 서로 다른 역할을 맡으며 상호 보완적으로 활용된다.
3. 주당 7시간에 조금 못 미치는 시간 절약과 물리적 실험·임상 검증의 병목 공존 → 생산성 향상을 실제 연구 성과로 연결하려면 과학 연구 과정과 작업 흐름의 재설계가 필요할 수 있다.

🧠 상세 정리

1. ATLAS 데이터 탐색의 확대

Google은 2026년 9월 15일 AI & Economy ATLAS의 새로운 데이터 시각화와 과학자의 AI 활용 연구를 소개했다. ATLAS는 사무실, 연구실, 창작 현장뿐 아니라 가정에서도 사람들이 AI를 어떻게 사용하는지 살피며, AI가 전 세계의 일을 어떻게 바꾸고 있는지 보여준다. 새롭게 출시하는 공개형 인터랙티브 경험은 수백만 개의 글로벌 데이터 포인트를 더 쉽게 탐색하고 활용하도록 하는 데 목적이 있다. 이용자는 전기 기술자부터 구매 관리자까지 직업별 AI 활용 수준을 자세히 살펴보고, 가정 내 사용 방식과 국가별 도입 수준도 탐색할 수 있다.

2. 인도와 미국에서 두드러지는 직종별 활용

ATLAS는 인도와 미국의 업무 관련 AI 사용에서 서로 다른 직종이 두드러진다는 사례를 제시한다. 인도의 예술·디자인·미디어 직종은 업무 관련 AI 사용의 19%를 차지하며, 이 비중은 세계 평균의 1.6배다. 미국에서는 컴퓨터·수학 직종이 업무 관련 AI 사용의 30%를 차지하며, 이는 미국 외 지역에서 해당 직종이 차지하는 비중의 두 배다. 원문은 이를 각각 인도 창작 산업의 높은 AI 활용과 미국의 기술 분야 AI 도입 선도 사례로 소개한다. 이 수치는 각 직종 종사자 가운데 AI를 사용하는 사람의 비율이 아니라, 업무 관련 AI 사용에서 해당 직종이 차지하는 구성 비중을 나타낸다.

3. 경제권·소득 수준·수작업 과업의 차이

OECD 국가에서는 컴퓨터·수학 직종과 비즈니스·재무 운영 직종이 AI 사용을 주도한다. 비OECD 국가에서는 사무·행정 지원, 예술·디자인·엔터테인먼트·스포츠·미디어, 교육·도서관 직종이 상위권을 차지해 다른 양상을 보인다. 국가별 AI 도입은 대체로 소득 수준과 상관관계가 있지만, 브라질과 UAE는 1인당 GDP로 예상되는 수준보다 높은 도입률을 보인다. 실시간 장비 진단과 문제 해결 등 수작업 관련 과업에 대한 AI 사용도 지역별로 상당한 차이가 있다. 브라질과 독일에서는 이러한 과업이 업무 AI 사용의 7%로 세계 평균의 1.4배를 차지하는 반면, 일본에서는 4%를 차지한다.

4. 과학자의 AI 활용을 분석한 연구

Google과 Google DeepMind는 MIT FutureTech와 협력해 ATLAS 데이터를 바탕으로 과학자의 AI 활용을 연구했다. 연구는 특화 AI 모델 2,600개에 대한 분석과 미국·영국 과학자 600명 이상에 대한 설문을 포함하며, 과학자가 수행하는 일을 체계화한 MIT FutureTech의 새로운 분류 체계에 따라 구성됐다. 결과에 따르면 과학자는 여러 다른 직업보다 높은 수준으로 AI를 사용하고, 설문 응답자의 거의 절반은 매일 어떤 형태로든 AI를 활용한다. 과학에서는 LLM과 특화 모델이 모두 널리 쓰이며 상호 보완적으로 작용하지만, 담당하는 과업에는 차이가 있다. Gemini 같은 LLM은 다양한 과학 분야와 과업 범주에 걸쳐 사용되는 반면, 특화 AI 모델은 보건·생명과학과 분야별 데이터 예측·생성·시뮬레이션 과업에서 상대적으로 더 흔하다.

5. 시간 절약과 발견 사이의 병목

과학자들은 AI를 통해 주당 7시간에 조금 못 미치는 시간을 절약한다고 보고했으며, 이는 연구에 더 많은 시간을 쓸 수 있게 한다. 그러나 연구는 이런 시간 절약이 곧바로 새로운 발견으로 이어지지는 않을 수 있다고 지적한다. AI 출력의 타당성을 검증하는 데 상당한 시간이 들고, 아직 시험하지 못한 가설이 더 많이 쌓이며, 물리적 실험과 임상 검증 같은 후속 단계에서 병목이 나타난다는 근거도 확인됐다. 즉, 연구 과정의 일부가 빨라져도 뒤따르는 실험과 검증 단계가 전체 성과의 확대를 제약할 수 있다. 원문은 과학도 다른 많은 직업과 마찬가지로 AI의 생산성 잠재력을 지니지만, 이를 대규모 산출물과 발견으로 연결하려면 연구 과정과 작업 흐름을 재설계해야 할 수 있다고 설명한다.

6. 장기 연구로 남겨진 질문

원문은 AI와 경제의 미래에 관해 여전히 많은 질문이 남아 있다고 밝히며 마무리한다. 앞서 제시한 지역·직종별 활용 차이와 과학자의 시간 절약은 AI가 일에 미치는 변화를 보여주지만, 연구 결과 자체도 발견 증가로 이어지는 과정에 불확실성이 있음을 드러낸다. Google은 ATLAS를 장기 연구 프로젝트로 설명하고, 학계를 비롯한 여러 파트너와 함께 새로운 연구 영역을 찾아갈 계획이라고 밝혔다. 앞으로도 AI가 경제를 어떻게 변화시키는지 더 잘 이해하는 데 기여할 새로운 통찰을 제공하는 것이 이 프로젝트의 방향이다. 따라서 이번 발표는 현재의 활용 양상을 탐색할 수 있는 접근성을 높이는 동시에, 과학 연구에서 확인된 성과와 제약을 후속 연구의 맥락에 놓는다.

🧾 핵심 주장 / 시사점

• AI 활용은 국가 소득 수준과 대체로 관련되지만 브라질·UAE의 사례와 직종별 차이는 소득 수준만으로 도입 양상을 충분히 설명하기 어렵다는 점을 보여준다.
• 과학에서 LLM과 특화 모델의 활용은 역할이 구분되는 상호 보완적 양상이며, 분야와 과업에 따라 상대적으로 많이 쓰이는 모델 유형이 달라진다.
• AI의 시간 절약 효과와 최종 연구 성과는 구분해 볼 필요가 있다. 가설 생성 이후의 실험·검증 역량이 생산성 향상을 발견으로 연결하는 데 중요한 제약으로 나타난다.

✅ 액션 아이템

• ATLAS의 공개형 인터랙티브 경험을 활용해 직업·지역별 AI 사용 구성과 국가별 도입 수준을 비교 검토.
• 과학 과업별로 Gemini 같은 LLM과 특화 모델의 활용 차이 및 상호 보완적 역할을 검토.
• 주당 7시간에 조금 못 미치는 시간 절약이 연구 성과로 이어지는 데 필요한 물리적 실험·임상 검증의 병목 해소와 연구 과정 재설계 가능성을 검토.

❓ 열린 질문

• 브라질과 UAE의 AI 도입률이 1인당 GDP로 예상되는 수준보다 높은 이유는 무엇인가?
• Gemini 같은 LLM과 특화 모델의 상호 보완적 활용은 과학 과업별로 어떤 차이를 보이는가?
• 물리적 실험·임상 검증의 병목을 줄이면 주당 7시간에 조금 못 미치는 시간 절약이 실제 발견 증가로 얼마나 이어질 수 있는가?