미국인 16%만 AI를 긍정한다, 청구서는 전기료였다

미국 성인의 44%가 ChatGPT를 쓰는데, AI가 사회에 좋을 것이라 답한 비율은 16%다.

사용률은 2023년 대비 두 배 이상 늘었지만 신뢰 지표는 같은 기간 최저치를 갱신했다. 22~25세 소프트웨어·고객지원 취업자는 2022년 말 이후 13% 줄었고, 엔트리급 채용공고는 35% 사라졌다. 같은 기간 아마존·마이크로소프트·구글·메타는 2024년 한 해에만 2,000억 달러를 데이터센터에 넣었고, 그 시설이 쓰는 전력은 이미 미국 전체의 4%다.

한눈에 보기

• 미국 성인 44%가 ChatGPT 사용, 그러나 AI의 사회적 영향을 긍정한 비율은 16% (Gallup·Pew 인용)
• Gen Z의 AI 관련 분노 응답 22% → 31%, 40%는 AI가 미국을 더 나쁘게 만든다고 답변
• 22~25세 소프트웨어·고객지원 고용 13% 감소, 엔트리급 채용공고 35% 감소 (ADP 페이롤 기반 스탠퍼드 분석)
• 데이터센터 전력 소비 미국 전체의 4% → 2030년 17% 전망, 버지니아 가정 전기요금 8~25% 인상 추산 (카네기멜런)
• 2024년 5월~2025년 3월 미국 전역에서 640억 달러 규모 데이터센터 건설이 저지·지연

원본 영상: https://www.youtube.com/watch?v=14Uc2WCSPiw

44% 사용과 16% 신뢰 사이

갤럽과 퓨의 조사 수치는 서로 반대 방향으로 움직이는 두 곡선을 보여준다. ChatGPT를 쓰는 성인 비율은 2023년 대비 두 배 이상 늘어 44%에 이르렀는데, AI가 사회에 긍정적 영향을 줄 것이라 답한 비율은 16%에 머문다. 보통 신기술은 써본 사람일수록 호감이 붙고, 그 호감이 다시 확산을 밀어 올린다. 여기서는 확산과 호감이 분리됐고, 분리된 상태로 몇 년째 벌어지고 있다.

이 역전을 설명하는 가장 단순한 가설은 사용자가 도입을 결정하지 않았다는 것이다. 회사의 협업 도구가 요약 기능을 켰고, 학교의 과제 시스템이 검사 도구를 붙였고, 검색 엔진이 결과 최상단을 생성형 답변으로 바꿨다. 개인은 그 조건 위에서 일하고 공부하고 검색했을 뿐이다. 44%라는 사용률은 선호도가 아니라 적응률에 가깝다.

세대별 수치는 ‘원래 신기술을 꺼리는 고령층의 반발’이라는 흔한 해석을 무너뜨린다. AI에 분노를 느낀다고 답한 Gen Z 비율은 22%에서 31%로 올랐고, 40%는 AI가 미국을 더 나쁘게 만든다고 답했다. 도구를 가장 능숙하게 다루고 가장 오래 쓰는 층이 가장 빠르게 돌아섰다는 뜻이다. 숙련도가 올라갈수록 반감이 줄어드는 일반적 패턴과 정반대다.

그래서 여론 수치를 읽을 때 중요한 것은 감정의 크기가 아니라 사건의 순서다. 먼저 도입이 있었고, 그다음 손실이 관측됐고, 여론은 마지막에 움직였다. 이 순서대로면 16%라는 숫자는 설득이 부족해서 생긴 원인이 아니라, 이미 일어난 일이 남긴 기록이다. 홍보나 교육으로 이 숫자를 올리려는 시도가 잘 먹히지 않는 이유도 여기에 있다.

22~25세에게서 사라진 첫 일자리

스탠퍼드 경제학자들이 ADP 페이롤 데이터를 분석한 결과, 22~25세 소프트웨어 개발·고객지원 종사자는 2022년 말 이후 13% 줄었다. 같은 기간 엔트리급 채용공고는 35% 감소했다. 두 수치는 성격이 다르다. 13%는 이미 일하던 사람이 빠져나간 결과이고, 35%는 앞으로 들어올 문 자체가 좁아졌다는 신호다.

영상이 짚는 핵심 변수는 도입 방식이다. 같은 모델, 같은 조직이라도 AI가 사람의 자리를 대신하도록 설계하면 고용이 빠지고, 사람의 작업을 거들도록 설계하면 고용이 유지된다. 기술의 성능이 아니라 도입 설계가 결과를 가른다는 이야기다. 그리고 현재 저임금·계약직·엔트리급 자리에서는 대체형 설계가 압도적으로 많다.

이 구분이 개인에게 중요한 이유는 회사가 어느 쪽을 택했는지 채용 공고에 적어주지 않기 때문이다. 겉으로는 같은 ‘AI 도입’이지만, 신입 자리를 없애는 도입과 신입의 첫 6개월을 단축하는 도입은 커리어에 정반대로 작용한다. 판단 기준은 하나로 압축된다 — 이 도구가 누구의 작업 시간을 줄이는가, 누구의 자리를 대신하는가.

청년층이 가장 큰 사용자이면서 가장 큰 피해자라는 조합은 여론 수치와도 맞물린다. 도구는 매일 쓰는데 그 도구가 원래 자기가 밟았어야 할 계단을 치우고 있다면, 숙련도와 반감이 동시에 오르는 것이 자연스럽다. 앞 구역의 22%→31%는 이 조건에서 나온 숫자로 읽어야 한다.

전력 4%에서 17%로

데이터센터는 이미 미국 전체 전력의 4%를 쓴다. 전망치는 2030년 17%다. 4배가 넘는 증가폭이며, 이 정도 규모는 신규 발전 설비를 지어도 소화가 쉽지 않다. 그리고 전력망은 전국이 하나로 묶여 있지 않고 지역별로 쪼개져 있어서, 부담은 시설이 들어선 지역에 몰린다.

카네기멜런 추산에 따르면 버지니아 가정의 전기요금은 8~25% 오를 것으로 본다. 이 인상은 개별 가구가 전기를 더 써서 생기는 것이 아니다. 신규 송전·발전 설비 비용이 요금 체계에 반영되면서 데이터센터를 쓰지 않는 가구에도 분산된다. 비용 발생 지점과 비용 부담 지점이 어긋나 있다는 점이 이 구조의 핵심이다.

전력만 문제가 아니다. 대형 데이터센터는 냉각에 물을 쓰고, 발전 설비는 대기질에 영향을 준다. 즉 하나의 시설이 전기요금·수도요금·대기질 세 갈래로 지역에 비용을 남긴다. 이 세 갈래는 청구서 형태가 달라서 주민이 한 원인으로 묶어 인식하기 어렵고, 그래서 반대 여론이 늦게 형성된다.

여기서 개인이 확인 가능한 것은 의외로 구체적이다. 거주 지역에 신규 데이터센터가 들어설 때 공청회 일정, 전력·용수 영향평가서, 요금 인상 신청 내역은 대부분 공개 절차를 거친다. 사후에 요금 고지서로 확인하는 것보다 사전 문서를 읽는 쪽이 훨씬 이르다.

멤피스와 뉴턴 카운티가 낸 비용

추상적인 전망치보다 두 지역 사례가 구조를 더 선명하게 보여준다. 테네시 멤피스 Boxtown에서는 xAI가 데이터센터 전력을 대기 위해 가스터빈 35기를 무허가로 돌렸고, 인근의 이산화질소 농도는 79% 증가했다. 조지아 뉴턴 카운티에서는 메타의 데이터센터 이후 주민 식수가 고갈됐고 상수도 요금은 33% 올랐다.

두 사례의 공통점은 부담의 방향이다. 모델을 학습시키는 쪽과 그 비용을 치르는 쪽이 다르고, 치르는 쪽은 대체로 협상력이 약한 지역이다. 무허가 터빈 35기가 실제로 돌아갔다는 사실은 절차가 사후에 따라붙었다는 뜻이기도 하다. 비용 전가는 부작용이 아니라 입지 선정 단계에서 이미 계산에 들어간 항목에 가깝다.

데이터 쪽에도 같은 구조가 있다. 학습에 쓰인 텍스트·이미지·코드 상당수는 창작자 허락 없이 수집됐고 보상도 없었다. 남의 전기와 물로 돌린 모델을, 그 데이터를 만든 사람에게 월 구독료로 되파는 흐름이 성립한다. 적대감의 정체를 ‘기술에 대한 두려움’이라 부르는 설명이 잘 맞지 않는 이유다.

2,000억 달러와 640억 달러

자본 규모는 이 흐름의 속도를 그대로 보여준다. 아마존·마이크로소프트·구글·메타는 2024년 한 해에만 데이터센터에 2,000억 달러를 썼다. 맥킨지는 2030년까지 관련 투자가 누적 5.2조 달러에 이를 것으로 본다. 개별 기업의 판단이 아니라 서로를 따라가는 설비 경쟁 구도라, 한 곳이 속도를 늦춰도 전체가 멈추지 않는다.

반대 흐름도 실제로 존재했다. Data Center Watch 집계로 2024년 5월부터 2025년 3월 사이 미국 전역에서 640억 달러 규모의 데이터센터 건설이 저지되거나 지연됐다. 주민 반대와 지방정부 심의가 실효를 낸 사례들이다. 규모만 보면 작지 않다.

다만 저지된 프로젝트 상당수는 취소가 아니라 이동으로 끝났다. 반대가 강한 지역을 피해 규제와 조직력이 약한 곳으로 옮겨 결국 지어진다. 개별 지역의 승리가 총량을 줄이지 못하고 위치만 바꾸는 구조다. 영상이 ‘멈출 수 있었던 힘은 이미 사라졌다’고 결론짓는 근거가 이 이동 패턴이다.

이 결론은 비관이라기보다 대상 설정의 문제로 읽는 편이 쓸모 있다. 총량을 막는 싸움과 비용 배분을 바꾸는 싸움은 다른 게임이고, 지역 단위 대응이 실제로 성과를 내는 쪽은 후자다. 전력·용수 사용 공시, 요금 분담 방식, 환경영향평가 기준은 총량과 달리 지역에서 조정 가능한 항목이다.

그래서 무엇이 달라지나

첫째, AI 회의론을 정보 부족으로 취급하는 접근은 근거가 약하다. 가장 많이 쓰는 세대에서 반감이 22%→31%로 오른 이상, ‘왜 반대하는가’보다 ‘무엇을 잃었는가’를 먼저 분리해야 한다. 이건 조직에서 도입 저항을 다룰 때도 똑같이 적용된다.

둘째, 업무에 도구를 들일 때 질문 하나가 실질적이다 — 이 도구는 누구의 자리를 대신하는가. 작업 단위로 대체형인지 보조형인지 라벨을 붙여두면, 나중에 어떤 판단이 고용을 줄였는지 추적할 수 있다. 항목은 네 칸이면 충분하다: 대상 직무, 대체인지 보조인지, 거절 가능성, 학습 데이터 출처.

셋째, 데이터센터 비용은 전기요금·수도요금·건강 형태로 일반 가구에 온다. 인근 신규 건설이 예고되면 공청회 일정과 전력·용수 영향평가서를 직접 확인하는 편이 고지서를 기다리는 것보다 빠르다. 지역 알림에 ‘데이터센터 + 도시명’을 등록해두는 정도면 1차 소스를 놓치지 않는다.

넷째, 자신의 글·이미지·코드가 학습셋에 들어갔는지는 데이터셋 검색 도구와 주요 언론이 정리한 소송 목록으로 부분 확인이 가능하다. 다만 전수 확인은 되지 않으므로 결과를 근거로 단정하기는 어렵다 — 여기까지는 확인 수단의 한계이며, 이후 판례가 어떻게 정리될지는 이 영상의 자료 범위 밖 추측이다.

정리

미국의 AI 반감은 여론 관리 실패가 아니라 13% 고용 감소, 8~25% 전기요금 인상, 79% 이산화질소 증가 같은 개별 청구서가 쌓인 결과다. 같은 도구라도 대체형으로 넣느냐 보조형으로 넣느냐가 고용을 정반대로 가르므로, 판단은 기술이 아니라 도입 설계에서 갈린다. 총량을 막는 일은 640억 달러 저지 사례에도 불구하고 이동으로 무력화됐지만, 비용을 누가 부담하는지는 지역 절차 안에서 아직 조정 가능한 항목으로 남아 있다.

원문 출처

원문 영상: 영상 원문 보기 — “Americans Have Turned Against AI”, The Infographics Show

원문: Americans Have Turned Against AI