미트 프록시(Meat Proxy) 뜻과 유래, 워크슬롭과 다른 점

미트 프록시(Meat Proxy)는 AI가 만든 글이나 코드를 읽지도 확인하지도 않고 그대로 다른 사람에게 넘기는 사람을 가리키는 말입니다. 컴퓨터 네트워크에서 프록시(proxy)는 우편물을 대신 받아 원래 주소로 넘겨 주는 중간 우체국처럼, 요청을 대신 받아 그대로 전달하는 서버를 뜻합니다. 여기에 고기를 뜻하는 meat를 붙여 사람이 그 중계 지점 노릇을 한다고 비꼰 표현입니다.

슬랙이나 메신저에서 챗GPT나 클로드 답변을 그대로 붙여 넣은 메시지를 받아 본 경험은 이제 드물지 않습니다. 정보를 나눠 주려는 선의인 경우가 대부분이라 문제로 느껴지지 않기도 합니다.

덜 알려진 쪽은 이 말이 지적하는 대상입니다. 미트 프록시는 AI를 쓰는 행위가 아니라 확인하지 않고 넘기는 행위를 가리키는데, 이 구분을 놓치면 AI 사용 자체를 나무라는 말로 오해하게 됩니다. 원문과 더 이른 용례, 관련 조사 자료를 2026년 9월 12일에 확인한 기준으로 정리하겠습니다.

미트 프록시라는 말이 퍼진 경위

널리 퍼진 계기는 2026년 8월 3일 개발자 니클라스 그룬(Niklas Gruhn)이 올린 짧은 글입니다. 슬랙에서 질문을 하거나 병합 요청에 의견을 남기거나 왓츠앱 단체방에서 이야기하다 보면 "클로드가 이렇게 말했어요"라는 머리말과 함께 답변 전문이 그대로 돌아온다는 내용으로 시작합니다.

글은 해커뉴스 첫 화면에 올랐고 2026년 9월 12일 기준 1,849포인트에 댓글 741개가 달렸습니다. 영어권과 일본 매체가 잇따라 다뤘고, 신조어 사전에도 항목이 생겼습니다.

다만 그룬이 이 표현을 처음 만든 사람인지는 분명하지 않습니다. 2026년 3월 31일 익명으로 올라온 "meat-based llm proxies"라는 글에 이미 "결국 미트 프록시를 거쳐 LLM과 대화하게 된다"는 문장이 있었고, 신조어 사전도 만든 사람이 분명하지 않다고 적어 두었습니다. 그룬은 표현을 줄이고 널리 알린 쪽에 가까워 보입니다.

3월 글과 8월 글은 문제 삼는 지점이 조금 다릅니다. 3월 글은 사람 사이의 대화가 사라지는 쪽을 이야기합니다. 상대가 생각을 하지 않으니 설득이 성립하지 않고, 내 쪽만 공을 들이는 상황이 반복되면 대화할 마음이 줄어든다는 내용입니다. 8월 글은 업무에서 생기는 중복을 이야기합니다. 두 글이 겹치는 지점에서 이 말의 쓰임이 정해졌습니다.

원문이 실제로 지적한 것

원문의 주장은 세 문장으로 줄어듭니다. 품질이 나쁘다는 이야기가 아니라는 점이 중요합니다.

• 중간에 낀 사람이 보태는 것이 없습니다. 받는 사람이 직접 물어보면 더 빠르고, 필요한 맥락도 자기가 정할 수 있습니다. 원문은 "나는 클로드와 직접 이야기할 수 있고 그편이 더 빠르다"고 적었습니다.
• AI 출력을 읽는 일 자체가 추가 노동입니다. 길고, 그럴듯한 헛소리가 자주 섞이고, 전문 용어가 갈수록 빽빽해집니다. 원문은 단어를 거의 다 찾아봐야 했던 한 문장을 예로 들었습니다.
• 코드 검토에서 책임이 뒤집힙니다. 티켓 설명을 그대로 AI에 넣고 나온 코드를 읽지 않은 채 올리면, 검토자가 받은 의견을 다시 AI에 넣는 일까지 하게 됩니다. 그러면 실제로 구현한 쪽은 검토자이고 올린 사람은 중계 지점만 맡습니다.

원문이 권하는 방법은 금지가 아닙니다. AI를 쓰되 출력을 그대로 넘기지 말고 읽고 이해하고 확인한 다음 자기 문장으로 다시 쓰라는 쪽입니다. 원문은 자기 문장으로 쓴 결과물이 앞의 세 단계를 거쳤다는 증거가 된다고 적었습니다.

택배 중간 배송지가 상자를 열어 보지 않고 그대로 다음 칸으로 넘기듯 AI 출력을 통과시키면, 상자 안에 무엇이 들었는지는 마지막 사람이 열어 볼 때 드러납니다. 원문이 요구하는 것은 넘기기 전에 상자를 열어 보고 자기 이름으로 다시 포장하라는 정도입니다.

워크슬롭과 미트 프록시가 다른 지점

비슷한 시기에 퍼진 말로 워크슬롭(workslop)이 있습니다. 2025년 9월 하버드 비즈니스 리뷰에 실린 조사에서 나온 말로, 겉보기에는 그럴듯한데 알맹이가 없는 AI 생성 결과물을 가리킵니다. 두 말이 자주 같이 쓰이는데 가리키는 대상이 다릅니다.

마지막 줄에 두 말의 차이가 드러납니다. AI가 내놓은 답이 정확하고 쓸모 있어도, 넘긴 사람이 그것을 읽지 않았다면 미트 프록시라는 지적은 그대로 성립합니다. 정확했던 것은 결과였지 판단이 아니었기 때문입니다.

받는 쪽이 치르는 비용

미트 프록시가 얼마나 흔한지 조사한 자료는 아직 보이지 않습니다. 대신 워크슬롭 조사가 받는 쪽의 부담을 숫자로 남겼습니다. BetterUp Labs와 스탠퍼드 소셜미디어랩이 2025년 9월 미국 사무직 1,150명에게 물은 결과입니다.

• 응답자의 40%가 지난 한 달 안에 동료에게서 워크슬롭을 받았습니다.
• 한 건을 처리하는 데 평균 2시간이 들었습니다.
• 이 시간을 돈으로 환산하면 1인당 월 186달러이고, 1만 명 규모 조직에서는 연 900만 달러에 해당한다는 추정이 붙었습니다.

세 숫자는 성격이 서로 다릅니다. 뒤의 두 값은 응답자가 답한 시간을 급여로 환산한 추정치라 조직마다 크게 달라질 수 있습니다. 다만 앞의 40%는 받아 본 사람의 비율이라 비교적 단단한 수치입니다.

이 부담이 어디로 흘러가는지가 실무에서 더 중요합니다. 확인하지 않고 넘긴 사람이 아낀 시간만큼 받는 사람의 시간이 늘어나기 때문에, 팀 전체로 보면 일이 줄지 않고 자리만 옮깁니다. AI 도입 효과를 재면서 보낸 쪽의 속도만 보면 이 이동이 잡히지 않습니다.

미트 프록시가 되지 않는 방법

상자를 열어 보는 단계를 어디에 넣느냐의 문제라서 방법은 단순합니다. 원문과 이어진 논의에서 반복해 나온 기준은 네 가지입니다. 전부 AI 사용을 줄이라는 이야기가 아니라 넘기는 단계에 관한 것입니다.

• 자기 문장으로 다시 씁니다. 그대로 붙여 넣지 않고 읽은 뒤 요점을 자기 말로 적습니다. 다시 쓰지 못한다면 아직 이해하지 못한 상태에 가깝습니다.
• AI가 만든 부분을 밝힙니다. 초안을 AI로 잡았다면 어디까지가 생성분이고 어디를 확인했는지 적습니다. 그래야 받는 사람이 검증 수위를 정합니다.
• 전달할 필요가 있는지 먼저 봅니다. 받는 사람이 직접 물어보는 편이 빠른 내용이라면 링크나 질문만 넘기는 편이 낫습니다.
• 확인할 수 없는 것은 넘기지 않습니다. 내가 판단할 수 없는 코드나 수치를 다른 사람에게 검토해 달라고 넘기면, 검토 부담이 통째로 옮겨 갑니다.

클라이언트에게 결과를 보고하는 업무에도 같은 기준이 적용됩니다. AI가 뽑은 카피 후보나 리포트 해석을 그대로 보내면, 숫자의 근거를 묻는 질문이 돌아왔을 때 답할 수 있는 사람이 없어집니다. 결과물의 품질과 별개로 설명할 수 있는 상태인지가 기준이 됩니다.

이 말이 빠르게 퍼진 이유도 여기에 있다고 봅니다. AI를 쓰느냐 마느냐를 두고 오래 논쟁하는 대신, 넘기기 전에 읽었느냐는 한 가지만 묻기 때문입니다.

자주 묻는 질문

AI가 만든 결과를 그대로 공유하면 전부 미트 프록시인가요?

읽고 확인한 뒤 공유했다면 해당하지 않습니다. 원문이 문제 삼은 것은 생성 자체가 아니라 읽지 않고 넘기는 단계입니다. 확인했다는 사실과 어디를 확인했는지 함께 적으면 받는 사람도 검증 수위를 정할 수 있습니다.

미트 프록시를 처음 만든 사람은 누구인가요?

널리 알린 사람은 2026년 8월 3일 글을 쓴 니클라스 그룬입니다. 다만 2026년 3월 31일 익명 글에 같은 표현이 먼저 보이기 때문에 최초 사용자는 분명하지 않고, 신조어 사전도 만든 사람을 확정하지 않았습니다.

워크슬롭과 같은 말인가요?

다릅니다. 워크슬롭은 알맹이 없는 결과물을 가리키고 미트 프록시는 확인하지 않고 넘긴 사람을 가리킵니다. 결과물이 정확해도 읽지 않고 넘겼다면 미트 프록시 쪽 지적은 남습니다.

Sources

• Don't be a meat proxy, Niklas Gruhn
• Don't be a meat proxy, Hacker News
• meat-based llm proxies
• Meat proxy, sf-isms
• AI-Generated "Workslop" Is Destroying Productivity, Harvard Business Review
• Workslop: The Hidden Cost of AI-Generated Busywork, BetterUp Labs