AI 뉴스는 새 기능으로 무엇을 할 수 있는지 알려 주지만, AI를 생활에 직접 들여놓은 사람의 글은 그 뒤에 사람에게 어떤 변화가 생기는지 보여 주고, 거기서 나온 의문을 연구로 확인해 볼 수 있다는 점이 다르다.
AI 기사를 매일 쓰는 사람들을 보다 보면 살짝 짓궂은 생각이 든다.
"AI 기사 쓰느라 너무 바빠서 정작 본인 생활에는 AI를 별로 안 쓰는 거 아냐?"
물론 이걸 사실이라고 단정할 수는 없다. AI 기자나 연구원 한 명 한 명이 사생활에서 AI를 몇 시간 쓰는지 제대로 조사한 자료는 없다.
그래도 찾아보면 완전히 엉뚱한 생각은 아니다.
기자도 직장인도 AI를 꽤 쓰기 시작했다. 하지만 쓰는 곳은 검색, 요약, 받아쓰기, 번역, 맞춤법 검사처럼 원래 하던 일의 한 부분인 경우가 많다.[1][2]
여기서 중요한 건 AI를 자주 접하는 것과 내 생활 자체를 AI에 맡겨 보는 것은 다르다는 점이다.
이 차이가 글을 만드는 방식 자체를 바꾼다.
1. "AI 기자는 AI를 안 쓴다"는 틀렸다. 다만 쓰는 곳이 꽤 좁다
영국 기자 1,004명을 조사한 Reuters Institute 보고서를 보면, 56%가 업무에 AI를 일주일에 한 번 이상 썼고, 27%는 기자 업무 중 적어도 하나에 매일 AI를 썼다.[1]
그러니 "기자는 AI를 안 쓴다"는 말은 그냥 틀렸다.
그런데 한 달에 한 번 이상 쓰는 용도 상위권을 보면 받아쓰기·자막 49%, 번역 33%, 맞춤법 검사·교정 30%다. 취재 자료 조사 22%, 아이디어 내기 16%, 기사 일부 작성 16%, 기사 초안 작성은 10%였다.[1]
AI를 접하는 일은 많다. 하지만 그중 상당수는 기사를 만드는 과정 안의 편리한 기능이다.
일본 직장인 조사도 비슷하다. NIRA의 2026년 2월 조사에서 업무에 생성형 AI를 꾸준히 쓰는 사람은 27%, 한 번이라도 써 본 사람은 39%였다. 자주 쓰는 용도는 정보 찾기·검색, 글쓰기, 요약, 교정·편집이었다. 반면 행동이나 계획 제안, 사람 관리, 프로젝트 관리 보조 같은 용도는 10% 미만이었다.[2]
즉, AI는 분명 퍼지고 있다.
하지만 많은 경우 아직 "일 속의 편리한 기능 하나"로 퍼지고 있다.
생활, 일, 취미, 결정, 조사, 일정, 자동화, 고민까지 모두 AI와 연결해 쓰는 방식과는 꽤 다르다.
2. "AI 기사를 쓰려고 AI를 쓰는 것"과 "내 생활을 AI에 맡기는 것"은 다르다
AI 뉴스를 쓰는 일이라면 이런 하루만으로도 AI를 엄청 쓰는 것처럼 보인다.
새 기능 발표를 읽는다.
AI에게 요약시킨다.
해외 기사를 번역시킨다.
기사 구성을 짜게 한다.
제목을 다듬게 한다.
교정까지 맡긴다.
이건 분명히 AI 활용이다.
하지만 처음부터 끝까지 AI에 대한 글을 쓰려고 AI를 쓰는 것이다.
반면 생활에 AI를 들여놓는 사람은 그 대상이 자기 자신이다.
여행지를 정한다. 일을 자동화한다. 공부 방법을 바꾼다. 쇼핑할 때 비교한다. 시간 쓰는 법을 짠다. 취미에서 생긴 궁금증을 파고든다. 그러다 자기 행동이 바뀌면 그 변화까지 AI에게 분석시킨다.
한마디로,
AI를 지켜보는 쪽에서 AI가 들어온 생활을 지켜보는 쪽으로 옮겨 가는 것이다.
보도자료 100개를 읽는 것과 패치 노트를 읽은 게임을 100시간 플레이하는 게 다른 것과 같다.
3. 생활에 들이면 생각지 못한 부작용을 겪는다
여기가 제일 중요하다.
뉴스에는 AI가 이제 무엇을 할 수 있는지가 나온다.
연구에는 AI로 몇 % 빨라졌는지가 나온다.
그런데 실제로 오래 써 보면 그다음 일이 생긴다.
일이 40% 줄었다. 그런데 일찍 끝나기는커녕 일을 더 넣어 버렸다.
기다리는 시간이 사라졌다. 효율은 좋아졌을 텐데 쉬는 시간까지 사라졌다.
AI가 바로바로 답한다. 이것저것 찾아보는 게 너무 재밌어서 일이 게임처럼 됐다.
너무 편해서 사용 제한이 거슬렸는데, 알고 보니 그 제한이 나를 강제로 쉬게 해 주고 있었다.
이런 질문은 업데이트 안내문만 읽어서는 잘 안 나온다.
실제로 써 보고, 내 행동이 바뀌고, 그 변화에 "어? 이상한데?" 하고 느껴야 비로소 나온다.
AI가 뭘 할 수 있는지 소개하는 거라면 직접 얻은 정보는 회사가 갖고 있다.
하지만 AI를 생활에 들였을 때 사람에게 무슨 일이 생기는지에 대한 직접 경험은 써 본 사람만 갖고 있다.
4. 뉴스 해설은 '답'을 전하고, 생활 속 AI는 '질문'까지 만든다
보통의 AI 뉴스 해설은 질문이 이미 정해져 있다.
"새 모델은 뭐가 바뀌었지?"
"새 기능은 어떻게 쓰지?"
"요금은 얼마지?"
필요한 건 정확하게 정리하는 일이다.
생활에 AI를 들인 경우에는 질문 자체가 현장에서 나온다.
"시간을 아꼈는데 왜 잠자는 시간이 줄었지?"
"본전 뽑으려고 너무 많이 쓰는 건가? 아니, 그냥 재밌어서 그런 거 아냐?"
"게임 좋아해도 AI 안 쓰는 사람은 있잖아. 차이는 게이머냐 아니냐가 아니라, 탐색을 좋아하느냐 아닐까?"
이 질문을 들고 연구를 찾아보면 몰입(플로), 시간 사용의 반동 효과, 자율성의 역설, 끝내지 못한 일, 자기 효능감 같은 따로따로였던 연구가 하나의 경험으로 이어진다.
뉴스를 읽고 연구를 소개하는 게 아니다.
현실에서 이상한 일이 생겨서, 연구에 도움을 청하러 가는 것이다.
여기서 정보가 흐르는 방향이 뒤집힌다.
5. 직접 경험 → 가설 → 연구 → 방식 바꾸기 → 다시 경험
이 흐름을 한 줄로 정리하면 이렇다.
연구나 새 기능을 알게 된다 → 생활에 넣는다 → 이상한 현상을 겪는다 → 가설을 세운다 → 기존 연구와 맞춰 본다 → 쓰는 방식을 바꾼다 → 다시 써 본다.
글을 쓰고 끝나지 않는다.
내 생활 방식까지 바뀐다.
그리고 바꾼 뒤에 또 데이터가 쌓인다.
예를 들어 "AI로 시간을 줄이면 일을 더 넣어 버린다"는 문제를 겪었다면, 다음에는 "오늘 꼭 해낼 것 3가지를 먼저 정하고, 새로 생긴 일은 내일 할 일 목록으로 넘긴다"로 방식을 바꾼다.
그다음 정말로 일하는 시간이 줄었는지 확인한다.
여기까지 가면 단순한 경험담도, 단순한 논문 소개도 아니다.
생활 자체가 작은 실험실이 된다.
6. 비슷한 연구 방법은 있다. 그래도 논문인 척할 필요는 없다
자기 경험을 재료로 더 넓은 사회 현상과의 연결을 생각하는 연구 방법으로 '자기민속지(오토에스노그래피)'가 있다. 단순한 자서전이 아니라, 개인의 경험을 사회·문화·제도의 맥락 속에 놓고 분석하는 방법이다.[3]
물론 블로그 글을 썼다고 해서 정식 자기민속지 연구가 되는 건 아니다.
다만 "나에게 일어난 일을 관찰하고, 그걸 바깥의 지식과 연결해 의미를 생각한다"는 정보를 만드는 방식은 비슷하다.
또 하나 비슷한 게 혁신 연구에서 말하는 '리드 유저'다.
Eric von Hippel은 일반 시장보다 먼저, 더 강하게 필요를 느끼고 그걸 해결하면 큰 이득을 얻는 사용자는 스스로 해결책을 만들기 쉽고, 나중에 일반화될 수요를 먼저 겪는 경우가 있다고 정리했다.[4]
MIT의 2026년 Lead User Innovation Handbook도 리드 유저를 "많은 사람보다 먼저 필요를 겪고, 스스로 해결책을 만드는 사람"이라고 설명한다.[5]
AI를 생활에 극단적으로 들인 사람이 먼저 겪는 "너무 편해서 멈출 수 없다", "AI 결과를 확인하는 일이 늘었다", "AI가 기다리게 하지 않아서 사람이 쉴 틈이 없다" 같은 문제가 나중에 흔해질 가능성은 있다.
그렇게 보면 AI를 많이 쓰는 사람은 그냥 남보다 빨리 써 본 사람이 아니라, 미래 AI 생활의 버그를 먼저 밟는 테스터가 될 수도 있다.
7. 일본어 AI 글은 '활용법·사례·조사 해설'이 강하다
2026년 9월 8일 기준으로 일본어 검색 결과를 보면 "생성형 AI를 업무에 어떻게 쓸까? 활용법 20선", "업종·직종별 15가지 장면", "활용 사례 데이터베이스 1,745건"처럼 용도를 정리한 글이나 사례 모음이 눈에 띈다.[6][7][8]
연구 기관 쪽에서도 "이용률이 아니라 성숙도를 봐야 한다", "시간을 줄여도 전체 노동시간은 줄지 않는다" 같은 꽤 수준 높은 조사 해설이 나와 있다.[9][10]
당연히 수요가 있다.
"어디에 쓸 수 있어?"라는 초보자의 궁금증에도, "회사에 어떻게 도입하지?"라는 기업의 궁금증에도 답하기 좋다.
반면 검색 결과를 본 범위에서는,
AI를 생활 여러 영역에 깊이 넣는다 → 내 행동이 바뀐다 → 그 부작용에서 나만의 질문을 세운다 → 연구로 확인한다
까지를 꾸준한 형식으로 삼는 글은 상대적으로 적다.
개인 블로그나 note에는 실제 경험이 있다. 연구소에는 연구가 있다. AI 매체에는 최신 정보가 있다.
이 세 가지를 한 글에서 제대로 연결하는 자리는 비어 있는 것처럼 보인다.
이건 검색 결과를 전부 센 조사가 아니라 지금의 검색 결과 화면을 보고 세운 편집 가설이다. 하지만 차별화 방향으로는 꽤 알기 쉽다.
8. 왜 이런 글은 따라 하기 어려울까
AI 뉴스에는 큰 약점이 있다.
원재료가 똑같다는 것이다.
OpenAI는 누구에게나 같은 발표를 한다. Google도 같은 발표를 한다. 논문도 누구나 같은 PDF를 읽을 수 있다.
그러면 경쟁은 속도, 글솜씨, 도표, 브랜드, 검색 노출(SEO)이 된다.
그런데 생활에 AI를 들인 글은 재료의 일부가 내가 실제로 겪은 일이다.
같은 AI를 써도,
- 무엇에 썼는지
- 어떤 순서로 문제가 생겼는지
- 무엇이 이상하다고 느꼈는지
- 어떤 가설을 세웠는지
- 무엇을 바꿨는지
- 바꾼 뒤 어떻게 됐는지
가 다 다르다.
경쟁자도 논문은 읽을 수 있다.
하지만 "AI로 시간을 줄였는데 왜 아침까지 일하고 있지?" 하는 그 순간을 따라 하려면 실제로 꽤 비슷하게 써 봐야 한다.
정보가 아니라 경험 속 원인과 결과의 연결이 콘텐츠 자산이 된다.
이건 강하다.
9. 가장 큰 강점은 '글감'이 아니라 '연결'이다
경험만 있으면 일기가 된다.
연구만 있으면 해설이 된다.
강한 건 그 둘 사이의 연결이다.
어떤 일이 생긴다.
거기서 소박한 궁금증이 나온다.
다른 분야의 연구를 가져온다.
그러면 "따로따로라고 생각했던 것들"이 하나의 구조로 보이기 시작한다.
AI로 줄인 시간과 게임의 몰입.
AI의 즉각적인 답과 사라진 휴식.
탐색하고 싶은 마음과 AI를 잘 다룰 수 있다는 자신감.
사용 제한과 강제 저장.
이런 다른 분야끼리의 연결은 처음에 직접 경험이 있을수록 만들기 쉽다.
글을 쓰려고 재밌는 얘기를 찾는 게 아니라, 살다 보니 재밌는 문제가 생겨서 그걸 글로 쓰는 것이다.
순서가 반대다.
10. 단, "나한테 일어났으니 세상의 법칙"이라고 하면 끝장이다
생활 속 AI 글에는 분명한 약점도 있다.
한 사람의 경험은 한 사람의 경험이다.
탐색을 좋아하는 사람에게 일어난 일이 모두에게 일어난다는 보장은 없다. AI를 많이 쓰는 사람은 처음부터 평범한 사용자와 성격도 직업도 다를 수 있다. 재밌는 가설일수록 그걸 뒷받침하는 연구만 찾고 싶어진다.
그래서 최소한 글 안에서 다음을 나눠야 한다.
관찰: 실제로 무슨 일이 있었나.
가설: 왜 그랬다고 생각하나.
외부 근거: 비슷한 현상이 다른 곳에서도 확인됐나.
반대 근거: 반대 결과나 다른 설명은 없나.
방식 변경: 그럼 무엇을 바꿔서 해 볼까.
다시 관찰: 바꾼 뒤 어떻게 됐나.
이것만 해도 한 사람(N=1) 경험의 재미는 살리면서, N=1을 인류 전체로 부풀리는 사고는 꽤 피할 수 있다.
11. 결론: 논문만 읽고 끝내지 말자. 현실에 넣어 보고, 버그가 나면 다시 논문을 읽자
AI 뉴스 해설에는 가치가 있다.
연구 해설에도 가치가 있다.
'활용법 20선'에도 수요가 있다.
하지만 그것들과는 다른 가치가 있다.
AI 연구나 새 기능을 내 생활에 직접 넣어 보고, 그 결과 생긴 일을 직접 경험으로 건져 내고, 거기서 새 질문을 만들고, 연구로 확인하고, 다시 생활로 돌려보내는 것.
기자가 AI를 안 쓰는 게 아니다. 오히려 쓰고 있다.
다만 "기사를 만들기 위한 AI 사용"과 "내 생활 전체를 AI 실험실로 만드는 사용"은 전혀 다르다.
앞의 것은 AI에 대해 잘 알게 해 준다.
뒤의 것은 AI가 들어온 사람이 어떻게 바뀌는지를 잘 알게 해 준다.
여기에 글의 차별점이 있다.
바꿔 말하면,
AI 뉴스를 해설하는 게 아니다. AI를 현실에 넣어 보고, 버그가 나면 연구를 읽는다.
생활은 실험실.
연구는 공략 위키.
그리고 글은 그 플레이 기록을 다른 사람도 쓸 수 있는 공략 정보로 바꾸는 곳이다.
- Reuters Institute for the Study of Journalism. Neil Thurman, Sina Thäsler-Kordonouri, Richard Fletcher (2025). AI adoption by UK journalists and their newsrooms: surveying applications, approaches, and attitudes. Survey of 1,004 UK journalists reutersinstitute.politics.ox.ac.uk
- NIRA総合研究開発機構 (2026). 第4回デジタル経済・社会に関する就業者実態調査（速報） nira.or.jp
- O’Hara, S. (2018). Autoethnography: The Science of Writing Your Lived Experience. HERD, 11(4) doi.org
- von Hippel, E. (1986). Lead Users: A Source of Novel Product Concepts. Management Science, 32(7) mit.edu
- MIT OpenCourseWare (2026). Lead User Innovation Handbook ocw.mit.edu
- AI TopTier (2026). 生成AIを仕事で何に使う？利用ランキングと初心者向け活用法20選 ai-toptier.com
- Re:Imagines (2026). 生成AIの仕事活用術｜業種・職種別の使い方と業務効率化の具体例15選 reimagines.jp
- 生成AI活用普及協会 GUGA (2026). 生成AI活用事例データベース、2026年6月時点までの事例を追加・更新 guga.or.jp
- パーソル総合研究所 (2026). 「生成AIとはたらき方に関する実態調査」を発表 生成AIの活用で業務時間は平均16.7％削減 rc.persol-group.co.jp
- パーソル総合研究所 (2026). 利用率では測れない、職場での生成AI活用の実態 rc.persol-group.co.jp
