AI 사용자 4유형 Part 1: 당신은 어느 칸에 있습니까

이 글은 Claude Opus 5 를 이용해 초안이 작성되었으며, 이후 퇴고를 거쳤습니다.

Pew Research Center 가 2026년 2월에 미국 성인 5,119명을 조사한 결과입니다.

항목	비율
AI 챗봇을 써 본 적 있음	49%
매일 사용	24%
챗봇 사용에 “매우/대단히 자신 있다”	18%

절반이 쓰는데, 자신 있게 쓴다는 사람은 다섯 중 하나입니다. 도입은 이미 절반까지 왔고 숙련이 그것을 따라가지 못했습니다.

이 격차를 메우겠다는 글은 인터넷에 넘칩니다. “프롬프트는 이렇게 쓰세요”, “이 도구를 쓰세요”, “매일 30분씩 연습하세요”. 그런데 대부분 잘 안 먹힙니다.

이유는 단순합니다. 그런 조언은 모두 같은 사람을 상정하고 쓰였는데, 실제로는 사람마다 망하는 지점이 다르기 때문입니다.

어떤 사람은 AI 를 너무 안 써서 손해를 봅니다
어떤 사람은 너무 믿어서 손해를 봅니다
어떤 사람은 도구를 계속 갈아타느라 아무것도 못 쌓습니다
어떤 사람은 회사가 시켜서 쓰는데 왜 쓰는지도 모릅니다

이 넷에게 같은 조언을 하는 것은 무의미합니다. 그래서 이 시리즈는 먼저 유형을 나누고 시작합니다.

Part 1 (이 글) — 두 축의 정의, 왜 이 축인가, 그리고 자가진단
Part 2 — 빠르게 도입하는 두 유형의 처방
Part 3 — 늦게 도입하는 두 유형의 처방, 그리고 공통 원칙

1. 먼저 쓰지 않기로 한 축 이야기#

유형을 나눈다고 하면 가장 먼저 떠오르는 것이 성격입니다. 실제로 이 글의 초안 단계에서 검토했고, 근거도 있습니다. 2025~2026년 연구들은 Big Five 의 개방성(새로운 것에 열려 있음) 과 성실성(꾸준함) 이 각각 독립적으로 생성형 AI 수용을 예측한다고 보고합니다.

그러니 이렇게 나눌 수 있습니다.

flowchart LR
    H0[" "]:::hdr
    H1["꾸준함 낮음"]:::hdr
    H2["꾸준함 높음"]:::hdr
    R1["개방성 높음"]:::hdr
    A["메뚜기형<br/>계속 갈아탄다"]
    B["얼리어답터 지속형<br/>이미 잘 쓰고 있다"]
    R2["개방성 낮음"]:::hdr
    C["무관심형<br/>해 줄 조언이 없다"]
    D["뚝심형<br/>늦게 들이지만 오래 간다"]
    H0 ~~~ H1 ~~~ H2
    R1 ~~~ A ~~~ B
    R2 ~~~ C ~~~ D
    classDef hdr fill:none,stroke:none,color:#dddddd
    style A fill:#FFD700,color:#000000
    style B fill:#90EE90,color:#000000
    style C fill:#4a4a4a,color:#888888,stroke:#888888,stroke-dasharray: 5 5
    style D fill:#87CEEB,color:#000000

그럴듯해 보입니다. 그런데 이 축은 세 가지 이유로 쓸모가 없습니다.

첫째, 한 칸이 죽습니다. (개방성 낮음 · 꾸준함 낮음) 칸에 해 줄 수 있는 정직한 조언은 “안 쓰셔도 됩니다” 하나뿐입니다. 네 칸 중 하나가 비어 있는 분류는 분류가 아닙니다.

둘째, 두 축이 같은 방향을 가리킵니다. 개방성도 높을수록 좋고 꾸준함도 높을수록 좋습니다. 그러면 사분면이 아니라 대각선 하나짜리 우열 등급표 가 됩니다. 오른쪽 위가 우등생, 왼쪽 아래가 낙제생인 표에서 나올 조언은 “우등생이 되세요"뿐입니다.

셋째, 그리고 이게 결정적인데 — 성격은 성과를 예측하지 못했습니다.

2. 실제로 성과를 가른 것#

2026년 1월 22일 Science 에 실린 연구가 있습니다. 복잡계과학허브(Complexity Science Hub) 연구진이 GitHub 의 파이썬 기여 3천만 건 이상, 개발자 약 16만 명 을 분석했습니다. 설문이 아니라 실제 커밋 기록입니다.

결과는 이랬습니다.

지표	값
미국 신규 코드 중 AI 작성 비중	5% (2022) → 29% (2024년 말)
경험이 적은 개발자의 AI 사용 비중	37%
숙련 개발자의 AI 사용 비중	27%
전체 생산성 증가	3.6%

여기서 핵심은 마지막 줄이 아니라 가운데 두 줄과의 조합입니다.

초보자가 AI 를 더 많이 썼습니다. 그런데 생산성 향상은 거의 전적으로 숙련자에게 돌아갔고, 초보자에게서는 통계적으로 유의한 이득이 확인되지 않았습니다.

연구진의 표현을 빌리면, AI 는 운동장을 자동으로 평평하게 만들어 주지 않으며 오히려 기존 격차를 벌릴 수 있습니다.

이 결과가 뒤집는 통념이 있습니다. 우리는 보통 “AI 를 많이 쓸수록 이득” 이라고 가정합니다. 그래서 조언도 “더 써 보세요"로 흐릅니다. 그런데 이 데이터에서는 덜 쓴 쪽이 더 얻었습니다.

무엇이 달랐을까요. 숙련자는 AI 가 내놓은 것이 틀렸을 때 알아챌 수 있었습니다. 초보자는 그렇지 못했습니다. 같은 도구를 더 오래 붙잡고 있어도, 잘못된 출력을 걸러내지 못하면 그 시간은 이득으로 전환되지 않습니다.

성과를 가른 것은 얼마나 쓰느냐 가 아니라 결과물을 판별할 수 있느냐 였습니다.

그래서 이 시리즈는 성격 대신 다른 두 축을 씁니다.

3. 축 하나 — 얼마나 빨리 들이는가#

첫 번째 축은 그대로 살립니다. 새로운 도구를 얼마나 빨리, 얼마나 기꺼이 들이는가.

이 축은 심리학의 개방성과 거의 겹치지만, 여기서는 성격이 아니라 행동 으로 정의하는 편이 낫습니다.

	빠른 도입	느린 도입
새 모델이 나오면	그 주에 써 본다	남들이 쓰는 걸 보고 나서 생각한다
도구 개수	여러 개를 동시에 쓴다	하나를 오래 쓴다
시작 계기	스스로 찾아서	필요가 생기거나 누가 권해서

Pew 데이터의 연령별 분포가 이 축의 실재를 보여 줍니다.

연령	AI 챗봇 사용 경험
18~29세	66%
30~49세	61%
50~64세	42%
65세 이상	23%

다만 나이가 이 축을 결정하지는 않습니다. 40대 얼리어답터와 20대 회의론자는 얼마든지 있습니다. 나이는 상관 요인이지 정의가 아닙니다.

4. 축 둘 — 결과물을 의심하는가#

두 번째 축이 이 시리즈의 진짜 축입니다. AI 가 내놓은 것을 그대로 받아들이는가, 아니면 확인하는가.

이 축이 실재한다는 근거#

옥스퍼드 인터넷 연구소와 베를린 HIIG·TU 베를린 공동 연구진이 ChatGPT 초기 사용자 344명을 유형화한 결과가 2026년 1월 Electronic Markets 에 실렸습니다. 네 유형이 나왔는데, 그중 두 유형의 대비가 인상적입니다.

유형	비중	특징
Naïve Pragmatists	약 25%	편의와 결과 우선. 위험에 노출될 만큼 AI 를 신뢰
Cautious Adopters	약 30%	호기심 있고 실용적이나 경계함. 이득과 위험을 계속 저울질

두 집단은 AI 를 쓰는 양이 비슷합니다. 다른 것은 신뢰의 보정입니다. 도입 여부로는 이 둘이 구별되지 않고, 검증 성향으로만 구별됩니다.

(단서를 하나 달아 둡니다. 이 조사는 2023년 4월에 이루어져 표본이 초기 자발적 사용자 에 한정됩니다. 2026년 일반 인구의 분포로 읽으면 안 됩니다.)

그리고 과신은 생각보다 자동적입니다#

Computers in Human Behavior 에 2024년 실린 행동 실험이 불편한 사실을 보여 줍니다.

조언이 AI 가 생성한 것이라는 사실을 아는 것만으로 과의존이 발생했습니다. 참가자들은 그 조언이 맥락 정보와 배치될 때, 심지어 자기 자신의 판단과 어긋날 때도 AI 조언을 따랐습니다.

이것이 의미하는 바는 분명합니다. 검증은 저절로 되지 않습니다. 의식적으로 설계해서 끼워 넣지 않으면, 기본값은 과신 쪽입니다.

검증 성향의 실제 모습#

	저검증	고검증
답을 받으면	바로 쓴다	한 번 더 확인한다
틀린 걸 발견하면	“가끔 그러네”	“어떤 종류의 질문에서 그러지?”
출처	잘 안 본다	링크를 눌러 본다
중요한 일에서	똑같이 쓴다	검증 강도를 올린다

마지막 줄이 특히 중요합니다. 고검증형의 특징은 항상 의심하는 것이 아니라, 상황에 따라 의심의 강도를 조절한다는 것입니다. 모든 것을 다 의심하면 AI 를 쓰는 의미가 없어집니다.

5. 네 개의 칸#

두 축을 겹치면 이렇게 됩니다.

flowchart LR
    H0[" "]:::hdr
    H1["결과를 잘 안 본다"]:::hdr
    H2["결과를 의심한다"]:::hdr
    R1["빨리 들인다"]:::hdr
    A["① 순진한 실용가<br/>빨리 들이고 그대로 쓴다<br/><br/>가장 흔하고 가장 위험한 칸"]
    B["② 감별하는 얼리어답터<br/>빨리 들이고 꼼꼼히 본다<br/><br/>이득이 가장 크지만 가장 지치는 칸"]
    R2["늦게 들인다"]:::hdr
    D["④ 떠밀린 사용자<br/>시켜서 쓰고 관심은 없다<br/><br/>가장 안 보이는 칸"]
    C["③ 신중한 후발주자<br/>늦게 들이지만 제대로 본다<br/><br/>가장 안전하지만 가장 비싼 칸"]
    H0 ~~~ H1 ~~~ H2
    R1 ~~~ A ~~~ B
    R2 ~~~ D ~~~ C
    classDef hdr fill:none,stroke:none,color:#dddddd
    style A fill:#FF9999,color:#000000
    style B fill:#90EE90,color:#000000
    style C fill:#87CEEB,color:#000000
    style D fill:#D3D3D3,color:#000000

각 칸을 한 문장으로 요약하면 이렇습니다.

	유형	한 줄 요약	주된 손실
①	순진한 실용가	빨리 들이고 그대로 쓴다	잘못된 결과물의 확산, 판단력 위축
②	감별하는 얼리어답터	빨리 들이고 꼼꼼히 본다	검증 비용, 번아웃, 도구 과잉
③	신중한 후발주자	늦게 들이지만 들이면 제대로 본다	기회비용, 진입 지연
④	떠밀린 사용자	시켜서 쓰고 관심은 없다	①과 ③의 손실을 동시에

②가 정답처럼 보이지만 ②에도 고유한 실패 방식이 있습니다. 검증에는 비용이 들고, 그 비용이 이득을 초과하는 순간이 옵니다. Part 2에서 자세히 다루겠습니다.

④는 문헌에 없는 칸입니다#

솔직하게 밝혀 둘 것이 있습니다. 앞서 인용한 옥스퍼드·베를린 유형화에는 ④에 대응하는 유형이 없습니다. 그 연구가 자발적 초기 사용자만 표본으로 삼았기 때문입니다. 회사가 시켜서 억지로 쓰는 사람은 애초에 표집되지 않았습니다.

그러나 2026년의 현실에서 이 칸은 분명히 존재하고, 조직 안에서는 오히려 다수일 수 있습니다. ④는 문헌 근거가 아니라 관찰과 추론에 기반한 칸이라는 점을 감안하고 읽어 주시기 바랍니다.

6. 자가진단#

각 문항에 “그렇다/아니다"로 답해 주십시오.

A군 — 도입 속도#

새 AI 모델이나 도구가 나왔다는 소식을 들으면 그 주 안에 한 번은 써 본다
지금 정기적으로 쓰는 AI 도구가 두 개 이상이다
누가 권해서가 아니라 내가 찾아서 쓰기 시작했다
AI 관련 뉴스레터나 커뮤니티를 하나 이상 구독한다
어떤 작업을 할 때 “이거 AI 로 되나?“를 먼저 떠올린다

“그렇다” 3개 이상 → 빠른 도입 (위쪽 칸)

B군 — 검증 성향#

AI 답변에 출처가 있으면 최소한 한 번은 눌러 본다
중요한 일과 안 중요한 일에서 AI 를 쓰는 방식이 다르다
AI 가 틀린 적이 있고, 그게 어떤 종류의 질문이었는지 기억한다
같은 질문을 다르게 물어서 답이 흔들리는지 확인해 본 적이 있다
AI 답변을 그대로 쓰지 않고 최소한 다시 쓰거나 손본다

“그렇다” 3개 이상 → 고검증 (오른쪽 칸)

결과#

A군	B군	당신의 칸	읽어야 할 편
3개 이상	2개 이하	① 순진한 실용가	Part 2
3개 이상	3개 이상	② 감별하는 얼리어답터	Part 2
2개 이하	3개 이상	③ 신중한 후발주자	Part 3
2개 이하	2개 이하	④ 떠밀린 사용자	Part 3

진단할 때 흔한 착각 두 가지#

“나는 의심이 많으니까 고검증이겠지.” 아닙니다. B군은 태도가 아니라 행동 을 묻습니다. AI 를 못 믿겠다고 말하면서 정작 답을 확인해 본 적은 없는 경우가 대단히 흔합니다. 앞서 인용한 실험이 보여 준 것이 정확히 그것입니다 — 태도와 행동은 따로 놉니다.

“나는 개발자니까 당연히 검증하지.” 이것도 아닙니다. Science 연구가 말한 것은 숙련자가 이득을 봤다 는 것이지 개발자가 이득을 봤다 는 것이 아닙니다. 그리고 검증 능력은 영역별로 다릅니다. 코드는 꼼꼼히 보면서 세무나 의학 답변은 그대로 믿는 사람이 많습니다.

그래서 진단은 “나는 어떤 사람인가"가 아니라 “이 작업에서 나는 어떤가"로 하는 편이 정확합니다. 같은 사람이 업무에서는 ②이고 개인 생활에서는 ①일 수 있습니다.

7. 그리고 꾸준함이라는 변수#

축은 둘이지만, 처방을 정할 때는 세 번째 변수가 필요합니다. 꾸준함 입니다.

같은 칸에 있어도 이 둘은 처방이 달라야 합니다.

한번 정하면 몇 달씩 지키는 사람
사흘은 잘 하다가 넷째 날부터 안 하는 사람

전자에게는 무엇을 할지 만 알려 주면 됩니다. 후자에게 그렇게 하면 실패합니다. 후자에게 필요한 것은 의지가 필요 없는 장치 입니다. 체크리스트가 아니라 자동화이고, 습관이 아니라 기본값 설정입니다.

Part 2와 Part 3에서 각 유형의 처방을 제시할 때, 꾸준한 사람용과 쉽게 질리는 사람용을 나눠서 적겠습니다.

정리#

미국 성인의 49%가 AI 챗봇을 쓰지만 자신 있게 쓴다는 사람은 18%입니다. 도입은 절반까지 왔고 숙련은 따라오지 못했습니다.
성격(개방성 × 꾸준함)으로 나누는 것은 쓸모가 없습니다. 한 칸이 죽고, 두 축이 같은 방향이라 등급표로 무너집니다.
Science 2026 연구에서 초보자는 AI 를 더 많이 썼는데(37% vs 27%) 이득은 숙련자가 가져갔습니다. 성과를 가른 것은 사용량이 아니라 판별력 이었습니다.
따라서 축은 도입 속도 × 검증 성향입니다. 네 칸 모두 고유한 실패 방식을 갖고 있으며, ②조차 안전하지 않습니다.
진단은 “나는 어떤 사람인가"가 아니라 “이 작업에서 나는 어떤가"로 해야 합니다.

Part 2에서는 위쪽 두 칸 — ① 순진한 실용가와 ② 감별하는 얼리어답터 — 의 처방을 다루겠습니다. 진단 결과가 아래쪽이셨다면 Part 3으로 가셔도 됩니다.

References#

2026년 자료

Pew Research Center. (2026, June 17). How Americans’ opinions and use of AI differ by age. (조사 기간 2026-02-17~23, 미국 성인 5,119명, American Trends Panel) https://www.pewresearch.org/internet/2026/06/17/how-opinions-and-use-of-ai-differ-by-age/
Daniotti, S., Wachs, J., Feng, X., & Neffke, F. (2026, January 22). Who is using AI to code? Global diffusion and impact of generative AI. Science. doi:10.1126/science.adz9311 — 요약과 수치는 연구 수행 기관인 Complexity Science Hub 의 공식 보도자료를 통해 확인했습니다.
Gerling, C., Teubner, T., & Braesemann, F. (2026, January 28). Who uses general-purpose AI? A typology of ChatGPT early adopters. Electronic Markets. doi:10.1007/s12525-025-00853-0 — 옥스퍼드 인터넷 연구소 보도자료

비교·배경 자료 (발표 연도를 함께 적습니다)

Klingbeil, A., Grützner, C., & Schreck, P. (2024). Trust and reliance on AI — An experimental study on the extent and costs of overreliance on AI. Computers in Human Behavior, 160, 108352. doi:10.1016/j.chb.2024.108352 — 2024년 자료입니다.
개방성·성실성과 생성형 AI 수용의 관계는 Central European Management Journal 33(2) (2025) 및 Scientific Reports (2025) 를 참고했습니다. 본문에서는 이 축을 채택하지 않는 근거 로만 사용했습니다.