에이전트 AI 도입은 빨라졌는데, 현장은 '수습 노동'에 치인다

에이전트 AI는 일을 빠르게 처리해 주지만, 그 결과를 검수하고 고치는 사람의 시간도 함께 늘고 있다.

에이전트 AI(사용자 대신 여러 단계의 일을 스스로 처리하는 AI)를 기업이 업무에 넣는 속도는 빨라졌다. 그런데 10월 13일 가디언 보도와 여러 설문·조사는 같은 경고를 한다. 준비 없이 도입하면 저품질 결과물과 오류를 사람이 수습하느라, 절약한 시간보다 검수·수정에 쓰는 시간이 커질 수 있다는 것이다.

개발자에게 묻는 말은 보통 두 가지다. 일자리가 줄어드나, 그리고 일은 더 힘들어지나. 지금 확인되는 그림은 “직업이 한꺼번에 사라졌다”기보다 채용·고용 증가가 둔화하고, 현장에 남은 사람은 리뷰·수습 부담이 커진 쪽에 가깝다.

도입은 늘었고, 자율 실행은 아직 적다

와튼 스쿨·GBK Collective의 2026 AI 도입 보고서에 따르면, 조사 대상 부서의 약 3분의 2(67%)가 어떤 형태로든 AI 에이전트를 쓴다고 답했다.
다만 사람 승인 없이 작업을 끝까지 맡기는 부서는 17%에 그쳤다. 대부분은 단계마다 사람이 승인하거나, 초안·제안만 받고 최종 결정은 사람이 한다.
가트너는 2025년 1월 웨비나 참석자 3,412명을 대상으로 한 설문에서, 소속 조직이 에이전트 AI에 크게 투자했다고 답한 비율을 19%, 보수적으로 투자했다고 답한 비율을 42%로 집계했다. 나머지 상당수는 관망이거나 불확실하다고 했다.
같은 해 6월 가트너는 비용 상승, 불명확한 사업 가치, 위험 통제 부족을 이유로 2027년 말까지 에이전트 AI 프로젝트의 40% 이상이 취소될 수 있다고 전망했다. 이는 이미 측정된 실패율이 아니라 전망치다.
가트너는 또 챗봇·RPA(정해진 업무를 스크립트로 반복하는 자동화)를 에이전트인 것처럼 포장하는 에이전트 워싱(agent washing)을 경고했다. 실제 에이전트 역량이 있는 공급자는 수천 곳 중 약 130곳 수준으로 추정한다고 밝혔다.

절약한 시간은 검수·수습으로 되돌아온다

글린(Glean) Work AI Institute가 미국·영국·호주의 풀타임 디지털 근로자 6,000명을 대상으로 2025년 12월~2026년 1월에 조사한 Work AI Index는 숫자로 이 역설을 보여 준다.

디지털 근로자의 87%가 업무에 AI를 쓰고, 자동화만으로 주당 약 11시간을 절약한다고 답했다.
그런데 회사 성과가 크게 좋아졌다고 본 사람은 13%에 그쳤다.
그 사이 사람들은 주당 평균 6.4시간을 봇시팅(botsitting)에 쓴다. AI에 맥락을 넣고, 결과를 검수하고, 오류를 고치고, AI가 만든 결과물을 정리하고, 도구 사이를 오가는 일이다. 조사는 이를 “AI를 쓸 수 있게 만드는 숨은 노동”이라고 부른다.
검수가 감당이 안 되면 사람들은 확인을 건너뛴다. 조사에서 AI 사용자의 69%가 검토하지 않았거나 충분히 이해하지 못한 AI 결과물을 그대로 넘긴 적(botshitting)이 있다고 인정했다. 41%는 물어보면 설명할 수 없는 결과물을 낸 적이 있다고 했다.
CIO 보도에 따르면, 글린 쪽은 여러 AI 에이전트를 쓰는 사람일수록 이런 건너뛰기가 더 잘 나온다고 설명했다. 에이전트는 한 번에 여러 단계를 돌릴 수 있어, 중간에 무엇이 잘못됐는지 나중에야 드러난다는 것이다.

Adaptavist 설문(지식 노동자 2,500명, 가디언·CIO 보도 기준)에서도 42%가 “AI로 절약한 시간보다 결과 검증에 더 오래 걸린다”고 답했다.

코드는 늘었는데, 사람이 리뷰하기는 더 어려워졌다

개발 현장에서는 이 수습이 곧 코드 리뷰 병목으로 나타난다. 에이전트가 뽑아내는 코드(프로덕션에 올릴 후보가 되는 변경)의 양과, 그 변경을 사람이 읽고 판단할 수 있는 여력의 균형이 깨진다는 뜻이다.

하버드 연구진 Fiona Chen·James Stratton이 엔지니어링 분석 도구 Jellyfish 데이터로 700개 이상 소프트웨어 기업의 작업 기록(2021년~2026년 3월)을 본 연구(2026년 10월 Ars Technica 보도)에 따르면, AI 코딩 에이전트를 도입한 뒤 평균적으로 다음과 같았다.

코드 줄 수 약 30%, 커밋 약 20%, 풀 리퀘스트(PR, 다른 사람이 검토한 뒤 본 코드에 합치도록 올리는 변경 제안) 약 23% 증가했다.
그런데 이슈·에픽(큰 기능 단위) 해결률처럼 실제로 끝난 소프트웨어 산출은 통계적으로 뚜렷하게 늘지 않았다.
PR이 올라온 뒤 합쳐질 때까지의 리뷰 소요 시간은 평균 49% 늘었다. 수정 요청이 난 PR 비율은 거의 두 배, PR당 댓글은 약 35% 늘었다.
이에 맞춰 코드 리뷰를 하는 직원 비중은 약 14% 늘었다. 연구진은 이 데이터만으로는 AI 때문에 고용을 줄였다는 증거를 찾기 어려웠다고 밝혔다. 코딩이 빨라진 만큼, 사람이 검증하는 쪽으로 일이 옮겨 갔다는 해석이다.
2026년 3월 기준 측정 기업의 약 80%가 AI 코드 리뷰를 쓰지만, 리뷰 댓글의 약 23%, PR의 약 11%만 AI가 담당했다. 나머지 대부분은 여전히 사람이 본다.

여기에 인력 감축이 겹치면 병목은 더 커진다. Challenger, Gray & Christmas 6월 보고서 집계로 2026년 1~6월 미국 해고 발표 중 AI를 이유로 든 건수는 10만 1,743건, 전체의 약 23%였다. 기업이 밝힌 해고 사유를 센 것이어서 실제 원인과는 다를 수 있다. 해고가 곧 AI 생산성 증명인 것은 아니다. 피츠버그 대학 연구(가디언 인용)는 AI에 투자하고 인력을 줄인 뒤에도 생산성이 오르지 않았다는 결론을 냈다고 전했다.

메타 사례가 이 긴장을 보여 준다. 내부에서 Project OT로 불린 계획은 일부 팀을 최대 60%까지 줄이고 에이전트로 일상 업무를 대체하는 시나리오를 검토했다가, 5월 구조조정 이후 추가 감원 물결은 접었다는 것이 로이터 보도다. 그 사이 내부 게시물 기준으로는 코드 변경은 220% 늘었는데 사용자에게 가는 기능 개선은 36%에 그쳤고, 기술·보안 사고 수습 시간은 최대 70% 늘었다. 코드를 더 뽑아내는 쪽은 커지고, 그 코드를 읽고 사고를 막는 인력·시간은 따라가지 못한 모양새다.

엔지니어링 분석 회사 Faros의 2026년 보고서(자사 플랫폼 개발자 약 2만 2,000명 데이터, 벤더 자료)는 중앙값 기준 리뷰 시간이 5배로 늘고, 리뷰 없이 합쳐지는 PR이 31% 더 많아졌다고 적었다. 벤더가 낸 숫자라 독립 연구와 같게 두지는 않지만, “생성은 늘고 사람이 감당하는 검수는 빠듯해진다”는 방향은 Jellyfish 연구·메타 보도와 맞닿아 있다.

메타·마이크로소프트가 보여 준 ’급도입’의 비용

가디언(10월 13일)은 빠르게 AI를 켠 뒤 오류·저품질 수습과 보안·비용 부담 때문에 사용을 제한하거나 교육을 늘리는 기업 사례를 모았다.

메타: 위 Project OT와 코드·사고 수치는 로이터 조사(2026년 8월 26일)와 Ars Technica 보도가 바탕이다. 내부 게시물 기준으로는 AI 에이전트가 “사람이 하기 어려운 대규모·파괴적 행동”을 했다는 경고와 함께, 주요 기술·보안 사고가 전년 대비 40% 늘었다는 내용도 전해졌다. 메타는 해당 내부 수치에 논평을 거부했다. 저커버그는 7월 타운홀에서 에이전트 기술 발전이 기대만큼 빠르지 않았다고 인정했다는 것이 보도 내용이다.
마이크로소프트: 가디언 보도에 따르면 Kathleen Hogan은 도구를 배포하고 교육한 뒤 사용량을 늘리는 방식만으로는 업무가 바뀌지 않았고, 일하는 과정 자체를 다시 짜야 했다는 취지로 말했다. Ryan Roslansky는 AI가 쓴 문서를 다시 AI로 요약하다 새로운 생각이 남지 않는 악순환(doom loop)을 경계한다고 공개적으로 말했다(가디언 단일 출처, 원문 미확인).

일자리는 줄었나, 일은 더 힘들어졌나

일자리. 미국 연준(Federal Reserve) 워킹페이퍼(2026년 3월)는 ChatGPT 공개(2022년 11월) 이후 코더(프로그래밍 비중이 큰 직업) 고용 증가 속도가 크게 둔화했다고 본다. 산업 충격을 통제한 뒤에도 연간 고용 증가율이 이전보다 약 3%포인트 낮아졌다는 추정이다. 다만 같은 논문은 코더 고용이 여전히 늘고 있다고 적는다. “일자리가 없어졌다”가 아니라 예전만큼 빨리 늘지 않는다에 가깝다.

GitHub Copilot 도입을 본 다른 연구(NBER 발표 자료)는, 도입 기업에서 기술직 채용이 약 36% 줄어든 신호가 있었고, 그 충격은 기존 직원 대량 해고보다 신규 채용 축소 쪽에 더 많이 잡혔다고 설명한다. Jellyfish 연구는 에이전트 도입 직후 표본 기업에서 고용 감소를 뚜렷하게 보지 못했다.

Challenger 집계(AI를 이유로 든 미국 해고 발표 10만 1,743건, 6월까지)와 메타 구조조정은 이런 채용 둔화·인력 재배치와 겹쳐 보이는 사례다. 숫자마다 범위가 달라서, “AI가 개발자 자리를 대체했다”로 한 줄에 묶기는 이르다.

일의 강도. 여기 증거는 더 선명하다. 주 6.4시간 봇시팅, 리뷰 시간 +49%, 메타의 사고 수습 +70%는 같은 방향이다. 코드를 쓰는 시간은 줄어도, 에이전트가 만든 변경을 읽고, 고치고, 책임지는 일은 늘 수 있다. 인력을 줄이거나 채용을 멈춘 상태에서 생성량만 키우면, 남은 개발자가 그 검수·수습을 떠안는 구조가 된다. 그래서 지금 개발자에게 AI 도입이 뜻하는 바는 “자리를 빼앗겼다”보다 같은 팀으로 더 많은 변경을 검증해야 하고, 채용 문은 예전보다 좁아질 수 있다에 가깝다.

확인되지 않았거나 범위를 넘기는 말

“에이전트 AI 도입이 전 산업에서 급증했다”는 말은 부서 단위 설문(와튼 67%)·투자 의도(가트너)와는 맞지만, 전 세계 모든 기업의 실제 프로덕션 배포율을 뜻하지는 않는다.
메타 내부의 사고 +40%·수습 시간 +70%·코드 변경 +220% 수치는 로이터가 본 내부 게시물 기준이며, 메타가 공식 확인한 수치는 아니다.
Jellyfish 연구는 “AI가 고용을 줄였다”는 증거를 찾기 어려웠다고 했다. Challenger의 AI 관련 해고 건수·메타 구조조정·연준의 코더 고용 둔화는 서로 다른 데이터이며, 같은 결론을 중복 확인한 것이 아니다.
연준 논문의 “약 3%포인트”는 증가율 둔화이지, 고용 총량이 3% 줄었다는 뜻이 아니다. Copilot 연구의 채용 -36%는 특정 도입 기업·계약 타이밍 표본에 한정된다.
가트너의 “2027년까지 40% 취소”는 전망이지, 이미 그렇게 됐다는 측정이 아니다.
Faros의 리뷰 시간 5배·무리뷰 PR +31%는 벤더 자체 데이터다.
가디언 원문은 열어 보지 못했다. 마이크로소프트 임원 발언과 피츠버그 대학 연구는 가디언 보도를 옮긴 단일 출처이며 원문과 대조하지 못했다. Challenger 수치는 1차 보고서로, Adaptavist 수치는 설문 보도로 따로 확인했다.

개발자에게 달라질 수 있는 것

아래는 보도를 바탕으로 한 추정과 조언이다. 지금 당장 모든 개발자 일자리가 사라지는 국면으로 보기는 어렵다. 다만 채용은 까다로워지고, 현장 일은 리뷰·수습 비중이 커질 수 있다.

에이전트 권한은 작게 시작한다. 프로덕션에서 머지, 배포, 고객 데이터 조회, 외부 API 호출처럼 되돌리기 어려운 행동은 기본 거부(deny-by-default)로 두고, 허용 목록을 조금씩 연다.
“쓴 시간”이 아니라 “통과한 검수”를 본다. 코드·문서 생성량을 성과 지표로 삼으면 메타 사례처럼 변경은 늘고 사고·수습도 늘 수 있다. 테스트 통과율, 롤백, 보안 이슈, 리뷰에서 잡힌 오류를 같이 본다.
에이전트 도입과 리뷰 인력 감축을 동시에 하지 않는다. 코드 줄 수·PR이 늘면 리뷰 시간도 같이 늘어난다는 연구가 있다. 인원부터 먼저 줄이면 무리뷰 머지와 사고 수습이 늘 수 있다.
중간 단계를 로그로 남긴다. 에이전트가 여러 도구를 연쇄 호출하면, 실패 지점을 못 찾으면 수습 비용이 커진다. 행동 기록(로그)과 단계별로 다시 돌려 볼 수 있는 실행 기록이 있어야 한다.
사람 검수 시간을 예산에 넣는다. 주 6.4시간 봇시팅 같은 숫자는 모든 팀에 그대로 적용되지는 않지만, “AI가 알아서 한다”는 가정으로 리뷰 인력을 줄이면 이중고가 커질 수 있다.
쓰는 능력만으로 버티기 어렵다. 에이전트가 초안을 만들수록, 요구사항을 쪼개고 결과를 검증하고 사고를 막는 일이 차별점이 된다. 채용이 줄어든 시장에서는 그 쪽이 더 잘 드러난다.
에이전트라는 이름만 믿지 않는다. 챗봇·RPA 재포장인 경우가 있다. 실제로 목표를 잡고 도구를 고르며 상태를 유지하는지, 아니면 단일 프롬프트 응답인지를 기준으로 고른다.

앞으로 볼 것

와튼·글린 후속 조사에서 에이전트 자율 실행 비율과 봇시팅 시간이 어떻게 바뀌는지, 가트너 전망대로 에이전트 프로젝트 취소가 실제로 늘는지, 그리고 대기업이 에이전트 권한·감사 로그·역할별 교육을 제품 정책에 어떻게 박아 넣는지를 보면 된다.