AI는 화이트칼라의 업무를 벌써 절반이나 해낼 수 있을까?

"AI가 일자리를 빼앗을 것이다"라는 말은 벌써 몇 년째 나오고 있습니다.

하지만 너무 많이 들어서 지겨울 법도 한데, 막상 자신의 업무에 대입해 보면 "그래서 실제로 어디까지 가능한 거지?"라는 의문이 잘 풀리지 않습니다. 이메일은 쓸 수 있다. 코드도 쓸 수 있다. 자료도 만들 수 있다. 하지만 그것을 정말 "일을 잘한다"라고 말해도 되는 걸까요? 이 지점이 상당히 중요합니다.

여기서 등장한 것이 바로 GDPval입니다. OpenAI가 만든 것으로, AI가 "실제 경제적 가치가 있는 실무 태스크 (Task)"
를 얼마나 수행할 수 있는지 측정하는 **벤치마크 (Benchmark, 성능을 측정하는 척도)**이며, 논문도 발표되었습니다 (arXiv:2510.04374).

이 기사에서는 GDPval에 대해 여러 해외 기사, 공식 발표, 논문을 바탕으로 재구성하며, "AI는 화이트칼라 (사무·지식 노동)의 업무를 어디까지 수행할 수 있는가"를 살펴보겠습니다. 선동적인 태도가 아니라, 가능한 한 숫자를 통해 냉정하게 접근해 보겠습니다.

GDPval의 핵심은 AI에게 시험 문제를 풀게 하는 것이 아니라, "실제 납품물 (Deliverable)"을 만들게 한다는 점입니다.

예를 들어,

• 변호사라면 법률 서면
• 엔지니어라면 설계도
• 간호사라면 케어 플랜 (Care Plan)

이와 같이 현장에서 확실히 가치가 있는 성과물을 AI에게 만들게 합니다. 그리고 해당 분야의 전문가가 인간의 업무와 비교하여 채점하는 방식입니다.

결론부터 말씀드리면, 현재 가장 강력한 모델은 전문가의 업무와 "동일하거나 그 이상"이라고 평가받는 비율이 벌써 절반 가까이 도달했습니다.

다만, "그럼 내일부터 인간은 필요 없겠네"라는 상황으로 바로 이어지지는 않습니다. 여기에는 상당히 중요한 "단서"가 붙습니다.

AIはホワイトカラーの仕事をもう半分こなせる？

애초에 GDPval은 무엇을 측정하는가?

기존 AI 벤치마크의 상당수는 "시험 문제" 형식이었습니다. 수학 문제를 풀게 하거나, 코딩 문제를 풀게 하거나, 퀴즈에 답하게 하는 방식입니다. 물론 그것으로 지능의 정도는 어느 정도 파악할 수 있습니다.

하지만 그것은 "업무를 잘하는가"와는 별개의 문제입니다.

실무에서는 정답이 하나로 정해져 있는 문제만 있는 것이 아닙니다. 보기 편한지, 의뢰 내용에 부합하는지, 사용하는 사람이 그대로 쓸 수 있는지와 같은 세세한 부분까지 포함되어야 비로소 "업무로서 사용할 수 있다"라고 말할 수 있는 것입니다.

GDPval은 발상이 반대입니다.

실재하는 직업에서 실제로 돈이 발생하는 성과물, 즉 **deliverable (납품물)**을 AI에게 만들게 합니다.

대상은 9개 업종, 44개 직종입니다. 게다가 태스크를 만든 이들은 평균 14년, 최소 4년의 실무 경험이 있는 현직 전문가들입니다. 비전문가가 "이런 일이 있을 것 같다"라고 상상해서 만든 과제가 아닙니다.

채점 방식도 상당히 진지합니다.

라벨을 숨긴 "AI의 성과물"과 "인간의 성과물"을 나란히 두고, 해당 직종의 전문가가 비교합니다. 이는 **pairwise comparison (두 개를 나란히 두고 어느 쪽이 더 나은지 선택하는 방식)**이라고 불리는 방법입니다.

게다가 1회의 비교에 전문가가 평균 1시간 이상을 할애합니다.

단순히 훑어보고 "이쪽인가?"라고 하는 것이 아니라, 제대로 업무로서 평가하고 있는 느낌입니다.

흥미로운 보충 설명도 있습니다. 자동으로 채점하는 AI 채점자도 시험해 보았으나, 인간의 판정과 **66%**밖에 일치하지 않았습니다.

즉, "AI 업무의 좋고 나쁨을 올바르게 측정하는 것" 자체에 아직 인간의 눈이 필요하다는 뜻입니다. 이 점은 은근히 중요합니다.

従来の試験型ベンチと、実務の成果物で測るGDPvalの違い

숫자로 보는 GDPval: 44개 직종·1,320개 태스크의 규모

그럼 GDPval의 규모를 숫자로 살펴보겠습니다.

대상은 9개 업종 / 44개 직종입니다. 이 직종들이 연간 벌어들이는 임금은 합계로 대략 3조 달러 (약 $3T) 규모입니다. 미국 경제의 상당히 큰 부분을 보고 있는 셈입니다.

태스크는 총 1,320개입니다. 그중 220개는 gold subset (골드 서브셋)으로 공개되어 있습니다.

업종 내역은 다음과 같습니다. 괄호 안은 미국 GDP에서 차지하는 비율입니다.

• 부동산·임대: 13.8%
• 정부: 11.3%
• 제조: 10.0%
• 전문·과학·기술 서비스: 8.1%
• 의료·사회 복지: 7.6%
• 금융·보험: 7.4%
• 소매: 6.3%
• 도매: 5.8%
• 정보: 5.4%

여기서 중요한 점은 GDPval이 육체 노동을 제외하고 있다는 것입니다.

어디까지나 디지털로 완결되는 지식 노동이 대상입니다. 즉, 화이트칼라에 가까운 업무입니다.

따라서 "AI는 화이트칼라의 업무를 어디까지 수행할 수 있는가?"를 측정하기에는 매우 적합한 척도라고 할 수 있습니다.

9業種44職種1320タスク、対象賃金3兆ドル規模というGDPvalのスケール

그래서, AI는 인간을 얼마나 이기고 있는가?

자, 본론입니다.

AI는 인간 전문가를 상대로 어느 정도 승리하고 있을까요?

GDPval에서는 「승률 + 무승부율」을 봅니다. 즉, 인간 전문가의 결과물과 비교했을 때, AI의 결과물이 “승리” 또는 “대등”하다고 판정된 비율입니다.

결과는 다음과 같습니다.

Claude Opus 4.1: 47.6% (이 시점에서 최강) GPT-5: 39.0% o3: 35.2% o4-mini: 29.1% GPT-4o: 12.5%

Gemini 2.5 Pro나 Grok 4도 테스트되었지만, 매체에 따라 구체적인 수치가 나오지 않았기 때문에 여기서는 생략하겠습니다.

상당히 임팩트가 크죠.

Claude Opus 4.1은 **47.6%**입니다. 즉, 전문가의 업무와 비교했을 때 거의 절반 가까운 케이스에서 「동등하거나 그 이상」이라고 평가받고 있다는 뜻입니다.

게다가 성장세가 빠릅니다. OpenAI 계열 모델의 승률은 지난 1년 사이 **약 10% → 약 35%**로 올라갔습니다.

1년 만에 이 정도라면 매우 빠릅니다. 너무 빠르지 않나요?

다만, 이 부분은 냉정하게 볼 필요가 있습니다.

47.6%는 어디까지나 「승리 + 대등」입니다. 뒤집어 말하면, 아직 절반 이상은 인간 전문가가 더 낫다고 판정되고 있습니다.

따라서 「이제 인간은 필요 없다」가 아니라, 「상당한 실무 태스크에서 인간을 바짝 추격해 왔다」고 보는 것이 적절할 것 같습니다.

モデル別の勝率＋互角率。Claude Opus 4.1が47.6%で最高、GPT-4oは12.5%

잘하는 부분, 허점이 드러나는 부분

그렇다면 AI는 어떤 일을 잘하고, 어떤 부분에서 넘어질까요?

잘하는 업종으로는 정부·소매·도매 태스크가 있으며, 최강급 모델들이 인간을 상당히 바짝 추격하고 있습니다. 이른바 near parity, 즉 「거의 대등한」 상태에 가깝습니다.

GPT-5는 특히 텍스트 중심의 결과물을 잘 만들어냈습니다. 문장을 읽고, 정리하고, 형태를 만드는 종류의 업무 말이죠.

반면, 취약한 패턴도 보입니다.

이해하기 쉬운 것은, 작업 시간이 긴 태스크일수록 승률이 떨어진다는 점입니다. 0~2시간 내에 끝나는 태스크가 가장 강하며, 장기전이 될수록 약해집니다.

이건 실무적인 느낌이 들죠. 짧은 태스크라면 기세로 밀어붙일 수 있지만, 긴 업무가 되면 전제를 유지하거나, 세밀한 정합성을 확인하거나, 도중에 방침을 조정하는 등의 능력이 필요합니다. 거기서 허점이 드러나는 것입니다.

실패의 내용 또한 매우 인간적이어서 흥미롭습니다.

지시 무시
Claude·Grok·Gemini는 「참조 데이터를 무시했다」거나 「지정한 것과 다른 포맷으로 출력했다」와 같은 지시 불이행으로 패배하는 경향이 있었습니다. GPT-5는 이런 종류의 실수가 가장 적었다고 합니다. -
포맷 붕괴
GPT-5는 PDF의 50% 이상에서 검은 사각형 노이즈가 발생하거나, PowerPoint의 중대한 레이아웃 붕괴가 초기에 86%나 발생했습니다. 프롬프트를 개선하면 64%까지 낮아지긴 했지만, 여전히 눈에 띄는 수준입니다. 내용은 좋아도 겉모습 때문에 감점되는 경우입니다. -
약속 미이행
Gemini와 Grok은 「만들겠습니다」라고 말해놓고 결과물을 내놓지 않는 경우가 종종 있었습니다. 이는 업무 현장에서는 꽤 곤란한 문제입니다. -
정확도 문제
모든 모델에서 데이터를 지어내는 것, 즉 **할루시네이션 (Hallucination, AI가 그럴듯한 거짓말을 지어내는 것)**이나 계산 실수가 있었습니다. GPT-5와 Grok은 정확도 에러가 비교적 적은 편이었습니다. -
실패 시의 심각도
GPT-5의 실패를 인간이 검토했을 때, 약 29%는 「심각함/치명적」, 45%는 「허용 범위 내지만 평균 이하」였습니다.

이렇게 보면 머리는 좋습니다. 아주 좋습니다.

하지만 “마지막 마무리”에서 넘어집니다. 그야말로 신입 사원들에게서 흔히 볼 수 있는 모습과 같습니다.

「대충은 알고 있고 방향성도 맞다. 하지만 납품 전에 그대로 내놓기에는 불안하다」와 같은 느낌이죠.

AIが得意なこと・苦手なことと、失敗の中身

「100배 빠르고 100배 싸다」는 게 정말일까?

이 부분은 숫자의 마법에 주의해야 할 중요한 파트입니다.

OpenAI의 발표에 따르면, 「프론티어 모델은 GDPval의 태스크를 전문가보다 약 100배 빠르게, 약 100배 저렴하게 수행할 수 있다」고 합니다.

이것은 엄청난 임팩트가 있죠. 100배니까요.

하지만 다른 관점에서 보면 인상이 상당히 달라집니다.

논문에서는 「일단 AI에게 시키고, 필요하면 인간이 수정한다」는 시나리오도 고려하고 있습니다. 이 경우 GPT-5의 속도는 약 1.12배, 비용은 약 1.18배 개선되는 데 그칩니다.

단숨에 현실적인 숫자가 되었네요.

즉, 같은 기술이라도,

AI 단독의 생성 비용으로 보느냐 -
인간의 리뷰를 포함한 실제 운용으로 보느냐

에 따라 100배가 될 수도, 1.1배 정도가 될 수도 있는 것입니다.

이 지점이 정말 중요합니다.

AI의 성능이나 비용 개선 수치를 볼 때는, "무엇과 비교했을 때 몇 배인가"를 반드시 확인하고 싶어집니다.

실무에서는 AI가 내놓은 결과물을 그대로 납품할 수 있는 케이스만 있는 것이 아닙니다. 확인하고, 수정하고, 다듬고, 관계자에게 설명하는 과정. 그러한 공정을 포함해서 생각하면 수치는 상당히 달라집니다.

2026년 현재, 스코어는 이미 인간을 초월했나?

GDPval의 원데이터, 즉 공개된 220개 태스크(Task)를 사용하여 제삼자가 지속적으로 모델을 다시 측정하고 있는 버전도 있습니다.

그것이 GDPval-AA v2입니다.

여기서는 모델에게 셸 조작(Shell operation)과 웹 브라우징(Web browsing)을 허용하여, 실제로 결과물을 만들게 합니다. 그 후, 블라인드 방식의 페어와이즈 비교(Pairwise comparison)를 **Elo 레이팅 (Elo rating, 체스 등에서 사용하는 대전 성적으로부터 강함을 수치화하는 메커니즘)**으로 변환합니다.

기준은 인간의 실력 = 1000점.

이 점수를 크게 넘어서면, "이 측정 방식에서는 인간보다 위"라고 보는 지표가 됩니다.

2026년 시점의 상위권은 다음과 같습니다.

Claude Fable 5 (2026년 6월): 1,760
GPT-5.6 Sol (max) (2026년 7월): 1,748
GPT-5.6 Sol (xhigh): 1,702
Claude Sonnet 5 (2026년 6월): 1,607
Claude Opus 4.8 (2026년 5월): 1,600

인간의 1000점에 대한 이 수치입니다.

적어도 이 측정 방식 위에서는, 많은 태스크에서 이미 "인간 초월"의 영역에 들어와 있다고 봐도 무방할 것 같습니다.

다만, 여기서도 중요한 것은 "이 측정 방식 위에서는"이라는 점입니다.

GDPval-AA v2는 결과물 베이스로 상당히 실무에 가깝게 평가하지만, 그렇다고 해서 실무의 모든 것을 측정하고 있는 것은 아닙니다. 이 뒤에 나오는 주의사항은 잊지 말고 기억해 두어야 합니다.

GDPval-AA v2のEloランキング。人間1000点に対しモデルは1600〜1760点

GDPval-AA v2 Leaderboardの画面

출처: Artificial Analysis (https://artificialanalysis.ai/evaluations/gdpval-aa)

그럼 정말로, 화이트칼라는 실업자가 될까?

여기까지 보면, "그럼 화이트칼라의 일, 상당히 위험한 것 아닌가?"라는 생각이 드실 겁니다.

물론 위기감을 가져야 할 부분은 있습니다.

하지만 GDPval이 측정하지 못하는 부분도 꽤 많습니다.

우선, GDPval의 태스크는 "사양이 확실히 결정된 단판 승부"입니다.

의뢰 내용이 있고, 필요한 데이터가 있으며, 결과물을 만든다. 이것은 실무의 일부로서는 상당히 현실적입니다.

하지만 실제 업무에서 힘든 것은, 오히려 그 전후 단계인 경우가 많습니다.

• 회의를 통한 조율
• 고객과의 관계 구축
• 모호한 요구사항을 구체화하는 작업
• 동료와의 잡담 수준의 지식 공유
• "애초에 무엇을 만들어야 하는가"를 결정하는 시간

이러한 "태스크와 태스크 사이"는 GDPval에서 측정되지 않습니다.

게다가 채점에도 주관이 개입됩니다.

어떤 채점자는 정확성을 중시할 수도 있고, 다른 채점자는 외관을 중시할 수도 있습니다. 사용 편의성을 중요하게 여기는 사람도 있습니다. 같은 직종이라도 사람에 따라 "좋은 업무"의 정의는 조금씩 다르기 때문입니다.

그리고 가장 중요한 주의사항이 있습니다.

루틴한 보조 업무야말로 젊은 인력이 전문성을 쌓는 "입구"가 되기도 한다는 점입니다.

자료를 수집한다. 표를 정리한다. 선배의 결과물을 모방한다. 번거로운 확인 작업을 한다.

이러한 일들은 확실히 AI가 잘하기 쉬운 영역입니다. 하지만 동시에 인간이 업무를 배우기 위한 계단이기도 합니다.

만약 그 부분을 AI가 계속해서 대신하게 된다면, 업무가 통째로 사라지기 전에 "성장할 장소"가 사라질지도 모릅니다.

이것은 상당히 뿌리 깊은 문제입니다.

베테랑의 업무가 바로 사라진다기보다, 젊은 인력이 베테랑이 되기 위한 사다리의 가장 낮은 칸이 없어지는 것입니다. 그렇게 생각하면 단순한 효율화의 문제로 끝날 일이 아니죠.

AIがホワイトカラーの仕事を奪うイメージを描いた海外メディアの記事

출처: Transformer (https://www.transformernews.ai/p/openai-gdpval-ai-jobs-work)

요약: 가장 큰 뉴스는 "척도가 생겼다"는 것

GDPval의 진정한 가치는 "AI가 인간을 이겼다"라는 단 한 점에만 있는 것이 아닙니다.

오히려 더 큰 것은, AI의 "업무 능력"을 실무의 결과물 베이스로 제대로 측정할 수 있게 되었다는 점입니다.

시험 문제가 아니라 실제 납품물을 만들게 하고, 현직 전문가가 이를 비교합니다. 이를 통해 "AI가 똑똑한가"가 아니라, "AI를 업무에 사용할 수 있는가"라는 질문에 상당히 근접한 평가를 할 수 있게 되었습니다.

현재 가장 강력한 모델들은 일부 업종에서 인간 전문가에게 육박하고 있습니다. 경우에 따라서는 대등하거나, 측정 방식에 따라서는 인간을 뛰어넘는 점수도 나오고 있습니다. 게다가 발전 속도도 상당히 빠릅니다.

반면, 약점 또한 명확합니다.

• 작업이 길어지면 약해짐
• 지시를 따르지 못할 때가 있음
• 외관이나 포맷이 무너짐
• 환각 (Hallucination) 또는 계산 실수가 있음
• 인간의 리뷰가 포함될 경우, 효율 개선은 상당히 현실적인 수치가 됨
• 회의, 조정, 관계 구축, 요구사항 정의와 같은 "업무 사이의 과정"은 측정되지 않음

따라서 너무 두려워할 필요는 없습니다.

하지만, 얕보는 것 또한 상당히 위험합니다.

앞으로 중요해지는 것은 "AI에게 일자리를 빼앗길 것인가?"라는 너무나 거대한 질문뿐만 아니라, 훨씬 더 구체적으로 바라보는 것이라고 생각합니다.

내 업무 중 어디를 AI에게 맡길 수 있는가.
어디를 인간이 확인하지 않으면 위험한가.
그리고, 어디가 내 가치의 중심인가.

GDPval과 같은 데이터를 살펴보며, 그 부분을 냉정하게 생각해 나가는 것이 좋아 보이네요.

참고한 기사

• GDPval: Evaluating AI Model Performance on Real-World Economically Valuable Tasks (arXiv 2510.04374)
• Measuring the performance of our models on real-world tasks (OpenAI)
• AI models are getting really good at things you do at work (Transformer)
• OpenAI's New Benchmark Shows AI Does Knowledge Work 100X Faster and Cheaper Than Experts (Marketing AI Institute)
• GDPval-AA v2 Leaderboard (Artificial Analysis)

Discussion