AI 사용자 4유형 Part 3: 늦게 들이는 사람들, 그리고 모두에게

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

Part 1 에서 축을 세우고, Part 2 에서 위쪽 두 칸을 다뤘습니다. 이번 편은 아래쪽 두 칸입니다.

flowchart LR
    H0[" "]:::hdr
    H1["결과를 잘 안 본다"]:::hdr
    H2["결과를 의심한다"]:::hdr
    R1["빨리 들인다"]:::hdr
    A["① 순진한 실용가<br/><br/>Part 2"]
    B["② 감별하는 얼리어답터<br/><br/>Part 2"]
    R2["늦게 들인다"]:::hdr
    D["④ 떠밀린 사용자<br/><br/>이번 편"]
    C["③ 신중한 후발주자<br/><br/>이번 편"]
    H0 ~~~ H1 ~~~ H2
    R1 ~~~ A ~~~ B
    R2 ~~~ D ~~~ C
    classDef hdr fill:none,stroke:none,color:#dddddd
    style A fill:#555555,color:#999999
    style B fill:#555555,color:#999999
    style C fill:#87CEEB,color:#000000
    style D fill:#D3D3D3,color:#000000

Part 2의 두 유형이 “얼마나 확인할지"의 문제였다면, 이번 두 유형은 “애초에 시작을 어떻게 할지” 의 문제입니다.

③ 신중한 후발주자 — 가장 안전하지만 가장 비싼 칸#

이 유형의 초상#

성급하게 뛰어들지 않습니다. 남들이 열광할 때 한 발 물러서서 봅니다. 그리고 한번 들이면 제대로 씁니다.

이 유형에게 흔한 문장들입니다.

“쓸 만해지면 그때 쓰지”
“지금 방식으로도 잘 되는데”
“결국 다 확인해야 하면 그게 무슨 도움이 되나”

세 번째 문장이 중요합니다. 이 유형은 검증 능력이 이미 있습니다. 그래서 AI 를 쓰면 검증 부담이 자기에게 온다는 것을 정확히 예측하고, 그 부담을 지느니 원래 하던 대로 하는 쪽을 택합니다.

이건 무지가 아니라 합리적 계산 입니다. 다만 그 계산에 빠진 항목이 있습니다.

이 유형이 치르는 대가#

첫째, 기회비용이 복리로 쌓입니다.

Pew 의 2026년 2월 조사에서 미국 성인의 49% 가 AI 챗봇을 써 봤고 24% 는 매일 씁니다. 연령별로는 18~29세 66%, 30~49세 61%입니다. 이제 이것은 얼리어답터의 취미가 아니라 동료 절반의 기본 도구 입니다.

문제는 도구 자체가 아니라 그 도구를 쓰며 쌓이는 감각 입니다. 어떤 작업이 AI 에 맞고 어떤 작업이 안 맞는지, 어떻게 물어야 쓸 만한 답이 나오는지 — 이건 읽어서 얻어지지 않고 써 보면서만 쌓입니다. 그리고 늦게 시작하면 그만큼 늦게 쌓입니다.

둘째, 관망이 결정처럼 느껴집니다.

“아직 안 쓰기로 했다"는 능동적 판단처럼 느껴지지만, 실제로는 판단을 미루는 상태가 길어진 것 일 때가 많습니다. 재평가 시점을 정해 두지 않으면 관망은 무기한이 됩니다.

셋째, 이 유형이 가장 잘하는 것이 낭비됩니다.

Part 1과 Part 2에서 반복해서 인용한 Science 2026 연구의 결론을 다시 보십시오. 개발자 약 16만 명, 커밋 3천만 건 이상을 분석한 결과, 생산성 향상은 거의 전적으로 숙련자에게 돌아갔고 초보자에게서는 유의한 이득이 확인되지 않았습니다.

이 결과를 뒤집어 읽으면 이렇게 됩니다. AI 에서 가장 큰 이득을 볼 수 있는 사람은 이미 판별력을 갖춘 사람입니다.

③ 유형은 바로 그 판별력을 가진 사람들입니다. AI 가 가장 크게 도울 수 있는 집단이 가장 늦게 들어오고 있습니다. 이것이 이 칸의 진짜 손실입니다.

처방#

핵심 원칙은 하나입니다. 넓게 시작하지 말고, 하나만 정확히 겨누십시오.

이 유형에게 “일단 여러 가지 써 보세요"는 최악의 조언입니다. 탐색 자체가 이 유형의 성향에 반하기 때문입니다.

처방 1 — 진입점을 딱 하나만 고르십시오#

조건 세 가지를 모두 만족하는 작업을 하나 찾으십시오.

매주 반복되는 일 — 효과를 여러 번 확인할 수 있어야 합니다
틀려도 안전한 일 — 되돌릴 수 있어야 검증 부담이 없습니다
하기 싫은 일 — 동기가 이미 있습니다

세 조건에 자주 걸리는 것들입니다.

작업	왜 좋은 진입점인가
회의록·통화 내용 정리	매주 있고, 초안이라 안전하고, 대개 하기 싫습니다
긴 문서·논문 요약	원문이 손에 있으니 검증이 곧바로 가능합니다
형식적인 메일 초안	어차피 손볼 것이라 오류 위험이 낮습니다
정규식·셸 명령어 작성	돌려 보면 맞는지 즉시 압니다

마지막 두 줄이 특히 이 유형에게 맞습니다. 검증이 즉각적이고 값싼 작업 이라, 검증 부담을 지기 싫다는 원래의 계산이 성립하지 않습니다.

처방 2 — 기존 워크플로를 바꾸지 마십시오#

새 앱을 깔고 새 습관을 만드는 방식은 이 유형에게 잘 안 맞습니다. 대신 이미 쓰는 도구 안에 들어와 있는 AI 기능부터 쓰십시오.

에디터에 이미 있는 기능, 브라우저에 이미 있는 기능, 오피스 도구에 이미 있는 기능. 진입 장벽이 0에 가까울수록 이 유형은 실제로 시작합니다.

처방 3 — 검증 부담을 역이용하십시오#

이 유형이 AI 를 꺼리는 이유가 “어차피 다 확인해야 한다"라면, 확인이 곧 결과인 작업 을 고르면 됩니다.

코드는 돌려 보면 압니다
번역은 원문이 옆에 있으면 압니다
요약은 원문을 아는 문서면 압니다
계산은 검산하면 됩니다

이런 작업에서는 검증이 별도의 비용이 아니라 원래 하던 일의 일부입니다. 이 유형의 강점이 약점으로 작동하지 않는 영역 이 여기입니다.

처방 4 — 재평가 날짜를 못 박으십시오#

관망이 무기한이 되지 않게 하는 유일한 방법입니다. “6개월 뒤에 다시 본다"를 캘린더에 넣으십시오.

그때 볼 기준도 미리 적어 두십시오. “내 업무의 어떤 부분이 여전히 손으로만 되는가”, “동료들이 쓰는 것 중 내가 안 쓰는 것은 무엇인가” 정도면 충분합니다.

꾸준함에 따른 조절#

꾸준한 편이라면 — 이 유형에게 가장 잘 맞는 조합입니다. 처방 1에서 고른 작업 하나만 최소 두 달 붙잡으십시오. 이 유형의 강점은 깊이입니다. 넓히는 것은 그다음입니다.

쉽게 질리는 편이라면 — ③ 유형이면서 쉽게 질리는 경우는 흔치 않지만, 있다면 진입 자체가 어렵습니다. 처방 2(기존 도구 안의 기능)만 하십시오. 새로 시작할 것이 하나도 없는 방식이라 포기할 것도 없습니다.

④ 떠밀린 사용자 — 아무도 세지 않는 칸#

먼저 밝혀 둘 것#

Part 1에서 적었듯, 이 칸은 문헌 근거가 약합니다.

옥스퍼드·베를린 연구진이 ChatGPT 초기 사용자 344명을 유형화했을 때 나온 네 유형(AI Enthusiasts, Naïve Pragmatists, Cautious Adopters, Reserved Explorers) 중 어디에도 이 유형은 없습니다. 그 연구가 자발적 사용자만 표본으로 삼았기 때문입니다. 회사가 시켜서 억지로 쓰는 사람은 애초에 조사에 잡히지 않습니다.

그래서 이 칸은 관찰과 추론에 기반한 구성물 입니다. 그럼에도 다루는 이유는, 2026년 조직 안에서 이 칸이 오히려 다수일 수 있기 때문입니다.

이 유형의 초상#

회사가 라이선스를 사 줬고, 쓰라고 합니다
교육도 받았습니다. 슬라이드는 기억 안 납니다
가끔 씁니다. 주로 급할 때, 주로 복사해서 붙여넣기로
AI 가 재미있지도 무섭지도 않습니다. 그냥 관심이 없습니다

이 유형에게 “AI 를 잘 쓰는 법"을 알려 주는 것은 대체로 무의미합니다. 문제가 방법이 아니라 동기이기 때문입니다.

왜 이 칸이 위험한가#

②나 ③처럼 이 유형도 AI 를 적게 씁니다. 그런데 결과는 전혀 다릅니다.

	③ 신중한 후발주자	④ 떠밀린 사용자
적게 쓰는 이유	판단해서	관심이 없어서
쓸 때	목적을 갖고	급해서
결과	확인하고 씀	그대로 붙여넣음
손실	기회비용	기회비용 + 오류 확산

④는 ①의 위험과 ③의 손실을 동시에 집니다. 게다가 ①과 달리 관심이 없으므로 자기 오류를 알아채고 고칠 동기도 없습니다.

그리고 이 유형은 잘 보이지 않습니다. ①은 눈에 띄게 AI 를 쓰고, ③은 눈에 띄게 안 씁니다. ④는 겉으로는 “적당히 쓰는 사람"으로 보입니다. 조직이 AI 도입 성과를 측정할 때 이 칸이 통계에 어떻게 잡힐지 생각해 보시면, 왜 도입률과 실제 효과가 어긋나는지 짐작이 됩니다.

처방#

이 유형에게 필요한 것은 사용법이 아닙니다. “이게 나한테 무슨 소용인가"에 대한 답 하나입니다.

처방 1 — 회사가 시킨 용도를 잊으십시오#

교육에서 배운 사용법은 대개 조직에 이득이 되는 용도 입니다. 그것으로 동기가 생기지 않는 것은 자연스럽습니다.

대신 본인이 진심으로 하기 싫은 일 을 하나 떠올리십시오. 업무든 아니든 상관없습니다.

매달 쓰는 형식적인 보고서
영수증 정리, 일정 조율 메일
읽어야 하는데 안 읽히는 긴 문서
개인적인 것 — 여행 일정, 식단, 운동 계획

그 하나에만 쓰십시오. 회사가 사 준 도구로 회사 일이 아닌 걸 해도 됩니다. 어차피 라이선스는 이미 결제되어 있습니다.

처방 2 — 딱 하나만 지키십시오#

이 유형에게 검증 체계를 요구하는 것은 비현실적입니다. 규칙 하나면 됩니다.

밖으로 나가는 것에는 숫자와 이름을 확인한다.

남에게 보낼 메일, 제출할 문서, 공유할 자료. 그것들에 들어간 숫자와 고유명사만 확인하십시오. 나머지는 안 하셔도 됩니다.

이 규칙 하나가 ④의 위험 중 절반 — 오류 확산 — 을 막습니다. 그리고 30초면 됩니다.

처방 3 — 안 써도 된다는 선택지#

정직하게 말씀드리면, AI 를 쓰지 않는 것도 유효한 선택입니다.

지금 하는 일이 잘 되고 있고, AI 로 개선될 부분이 잘 안 보인다면, 억지로 쓰는 것보다 안 쓰는 편이 낫습니다. 관심 없이 쓰는 것이 가장 나쁜 조합 이기 때문입니다.

다만 그렇게 결정하실 거라면 ③으로 이동하십시오. 즉 “안 쓴다"를 명시적으로 정하고, 재평가 날짜를 잡으십시오. ④와 ③의 실질적 차이는 여기 하나입니다. 결정을 했는가.

꾸준함에 따른 조절#

꾸준한 편이라면 — 처방 1에서 고른 그 하나를 두 달만 해 보십시오. 두 달 뒤에도 소용없다고 느껴지면 처방 3으로 가십시오. 그건 실패가 아니라 결론입니다.

쉽게 질리는 편이라면 — 처방 2만 하십시오. 검증 규칙 하나만 지키고 나머지는 흘러가게 두셔도 됩니다. 최소한 남에게 피해를 주지 않는 상태 가 확보되면, 그것만으로 충분한 목표입니다.

네 유형 모두에게#

1. 이 분류는 사람이 아니라 상황에 붙습니다#

Part 1에서도 적었지만 다시 강조합니다. 같은 사람이 영역마다 다른 칸에 있습니다.

코드는 꼼꼼히 보면서 세무 답변은 그대로 믿는 개발자가 흔합니다. 업무에서는 ②인데 개인 생활에서는 ①인 경우도 흔합니다. 그러니 “나는 ①이다"보다 “이 작업에서 나는 ①이다” 로 쓰는 편이 정확하고 유용합니다.

성격 기반 유형화가 잘 안 되는 이유도 여기 있습니다. 2026년 Frontiers in Psychology 에 실린 잠재 프로파일 분석은 502명의 Big Five 프로파일에서 깔끔한 2x2 가 아니라 크기가 크게 불균등한 세 집단 을 찾아냈습니다(한 집단이 73.5%). 성격은 사분면으로 잘 떨어지지 않습니다. 행동은 그나마 낫습니다.

2. 검증할 것을 미리 정하는 것이 전부입니다#

네 유형의 처방을 한 줄로 압축하면 같은 문장이 됩니다.

무엇을 확인하고 무엇을 확인하지 않을지 미리 정하십시오.

①은 확인할 것을 정하지 않아서 다 안 봅니다
②는 확인하지 않을 것을 정하지 않아서 다 봅니다
③은 다 봐야 한다고 가정해서 시작을 안 합니다
④는 아무것도 정하지 않았습니다

Klingbeil 과 동료들의 2024년 실험이 보여 준 것이 이것입니다. AI 라는 사실을 아는 것만으로 과의존이 생깁니다. 즉 검증은 그때그때 판단에 맡겨서는 안 되고, 미리 정해 둔 규칙으로 처리해야 합니다. 판단에 맡기면 기본값이 이깁니다.

3. 자기 오류 지도를 만드십시오#

유형과 무관하게 가장 효과가 큰 습관 하나를 고르라면 이것입니다.

AI 가 틀린 것을 발견하면 어딘가에 한 줄 적어 두십시오.

몇 달 모으면 “이 도구는 이런 종류의 질문에서 흔들린다"는 감각이 생깁니다. 이게 Science 2026 연구가 말한 숙련자의 우위 — AI 가 틀렸을 때 알아채는 능력 — 을 만드는 가장 값싼 방법입니다.

4. 그리고 아직 아무도 정답을 모릅니다#

마지막으로 균형을 맞춰 두겠습니다.

이 시리즈는 세 개의 연구를 반복해서 인용했습니다. 그중 하나(Science 2026)의 데이터는 2024년 말까지 입니다. 에이전트형 코딩 도구가 본격 보급된 2025~2026년 구간은 들어 있지 않습니다.

또 하나(Gerlich 2025)는 상관 연구라 인과를 말하지 않으며 정정도 게재되었습니다.

그리고 METR 은 자기 연구의 부호가 뒤집힌 뒤 설계 자체를 폐기하면서 “현 설계로는 신뢰성 있게 정량화할 수 없다” 고 밝혔습니다.

AI 가 생산성에 얼마나 도움이 되는지는 아직 정밀하게 측정되지 않았습니다. 그러니 이 글의 처방들도 확정된 공식이 아니라 현재까지의 증거로 세운 잠정적인 것 으로 받아들여 주시기 바랍니다.

다만 방향 하나는 여러 증거가 일관되게 가리킵니다. 더 많이 쓰는 것이 아니라 더 잘 판별하는 것이 이득을 만듭니다. 이 시리즈에서 하나만 가져가신다면 그것이면 충분합니다.

정리#

③ 신중한 후발주자

검증 능력이 이미 있어서 AI 에서 가장 큰 이득을 볼 수 있는 집단 인데 가장 늦게 들어옵니다.
처방은 넓게 시작하지 않고 하나만 정확히 겨누는 것 입니다. 매주 반복되고, 틀려도 안전하고, 하기 싫은 일.
검증이 곧 결과인 작업(코드·번역·요약·계산)을 고르면 이 유형의 강점이 약점으로 작동하지 않습니다.
관망이 무기한이 되지 않도록 재평가 날짜를 캘린더에 못 박으십시오.

④ 떠밀린 사용자

문헌에 잡히지 않는 칸이지만 조직 안에서는 다수일 수 있습니다. ①의 위험과 ③의 손실을 동시에 집니다.
필요한 것은 사용법이 아니라 “나한테 무슨 소용인가"에 대한 답 하나 입니다.
지킬 규칙은 하나면 됩니다. 밖으로 나가는 것에는 숫자와 이름을 확인한다.
안 쓰는 것도 유효한 선택입니다. 다만 명시적으로 정하고 재평가 날짜를 잡으면, 그건 ④가 아니라 ③입니다.

공통

이 분류는 사람이 아니라 상황에 붙습니다.
무엇을 확인하고 무엇을 확인하지 않을지 미리 정하는 것 이 네 유형 처방의 공통 뼈대입니다.
자기 오류 지도 가 가장 값싼 숙련 수단입니다.
증거는 아직 확정적이지 않습니다. 다만 방향은 일관됩니다 — 더 많이가 아니라 더 잘 판별하는 것.

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) 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 — 수치는 Complexity Science Hub 공식 보도자료로 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 — 표본이 2023년 4월의 초기 자발적 사용자 344명이므로 2026년 일반 인구로 일반화할 수 없습니다.
METR. (2026, February 24). We are Changing our Developer Productivity Experiment Design. https://metr.org/blog/2026-02-24-uplift-update/
Frontiers in Psychology (2026). Personality profiles and usage experience are associated with trust and dependence on generative AI: a latent profile analysis. doi:10.3389/fpsyg.2026.1810554 — 중국·한국 502명 대상. 잠재 프로파일 3개 가 도출되었습니다.

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.
Gerlich, M. (2025). AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking. Societies, 15(1), 6. doi:10.3390/soc15010006 — 상관 연구이며 인과를 입증하지 않습니다. 2025년 9월 정정이 게재되었습니다.