AI가 만든 아웃풋 폭증, 왜 성과로 안 바뀔까 — 커밋 180%에 릴리스 30%의 진실

AI 도구를 도입한 뒤 ‘생산성이 올랐다’는 보고가 쏟아진다. 코드를 쓰는 속도, 고객 문의 처리 건수, HR 시스템 자동화율 — 어느 지표를 꺼내도 숫자는 인상적이다. 그런데 그 숫자를 한 겹만 벗기면 이상한 장면이 나타난다. 코드 커밋이 180% 늘어난 조직에서 실제 제품 출시는 30%밖에 늘지 않았고, 기업 84%가 디지털 HR 시스템을 도입했지만 직원 교육 시간은 연 3.4일에 머문다. AI가 만들어내는 아웃풋 폭증과 실제 비즈니스 성과 사이에는 6배에 가까운 전환 손실이 있으며, 그 병목은 도구가 아니라 인간의 ‘스루풋 역량’에 있다.

커밋 180%, 릴리스 30% — 숫자가 말해주는 전환의 벽

2026년 발표된 한 연구가 소프트웨어 개발 현장에서 AI 코딩 도구 세 세대의 생산성 효과를 추적했다. 자동완성 도구가 커밋을 40% 늘렸고, 대화형 코딩 에이전트는 누적 140%, 자율형 에이전트는 180%까지 끌어올렸다. 여기까지만 보면 AI 생산성 혁명이 증명된 것처럼 보인다.

그런데 같은 연구에서 그 아웃풋이 제품으로 전환되는 과정을 추적하자 풍경이 달라졌다. 180%의 커밋 증가가 프로젝트 단위로 내려가면 50%, 실제 릴리스까지 가면 30%로 쪼그라들었다. 자율형 에이전트의 경우는 더 극적인데, 코드 라인 수가 741% 폭증하고 풀 리퀘스트가 65% 증가했지만 릴리스 증가폭은 고작 20%였다. 4대 주요 앱 마켓플레이스를 분석한 결과, 신규 앱 수는 소폭 늘었으나 총 사용량은 전혀 증가하지 않았다.

연구진이 추정한 AI와 인간 노력 사이의 대체탄력성은 0.25다. 1이면 완전 대체, 0이면 완전 보완인데, 0.25는 AI가 인간의 코드 작성을 대신할 수는 있어도 리뷰·테스트·통합·의사결정이라는 인간 고유 영역을 대체할 수 없다는 뜻이다. 솔직히 이 숫자가 던지는 메시지는 불편하다. AI 도구에 투자하는 것만으로는 생산성이 ‘알아서’ 올라가지 않는다는 것이니까.

챗봇이 일을 덜어줬는데 왜 직원은 더 지쳤나

코딩 현장에서 발견된 전환 손실이 고객 응대 분야에서는 더 인간적인 형태로 나타난다. 이스라엘 하이파대학교와 미국 퍼듀대학교 연구진이 텍스트 기반 상담 콜센터를 심층 관찰한 결과, 챗봇 도입이 직원의 업무 부담을 줄이기는커녕 세 가지 경로로 스트레스를 가중시키고 있었다.

가장 흥미로운 발견은 ‘재인간화 노동’이라는 개념이다. 고객이 “너 사람 아니지? 봇 말고 진짜 사람 연결해”라고 의심하는 순간, 직원은 자신이 인간임을 입증해야 하는 새로운 부담을 떠안는다. AI가 단순 업무를 가져가면서 직원의 일은 줄어든 게 아니라 질적으로 더 어려운 일만 남았다.

이 현상을 코딩 현장의 데이터와 나란히 놓으면 패턴이 보인다. AI가 양적 아웃풋(코드 라인, 단순 응대)을 폭발적으로 처리하면서 인간에게는 리뷰, 통합, 복잡한 판단이라는 고난도 영역이 집중된다. 아웃풋 폭증은 인간의 짐을 덜어준 게 아니라, 인간이 담당해야 할 일의 난이도를 한 단계 올려버렸다.

HR이 본 6.2일, 직원이 겪은 3.4일

AI가 인간에게 더 어려운 일을 넘기고 있다면, 그 어려운 일을 감당할 역량은 어디에서 오는가. 10개국 HR전문가 1,300명과 직원 5,500명을 대상으로 한 글로벌 서베이가 여기서 불편한 데이터를 내놓는다.

HR 부서는 직원들이 연간 6.2일 교육을 받는다고 추산했다. 직원 본인이 체감한 교육 일수는 3.4일이었다. 거의 2배 차이다. 더 심각한 건 24%의 직원이 지난 1년간 교육을 단 한 번도 받지 못했다고 답한 사실이다. 네덜란드와 독일에서는 이 비율이 35%까지 올라갔다.

성과 피드백에서도 같은 인식 간극이 나타난다. HR은 평가를 받지 못한 직원이 3%라고 답했지만, 직원 쪽에서는 경력개발 면담 자체를 받지 못했다는 응답이 20%였다. 17%p 차이. 체계적인 동료 피드백 시스템을 운영하는 조직은 15%에 불과했다.

개인적으로는 이 인식 격차가 ‘생산성 착시’의 뿌리라고 본다. AI 도구 도입률이 올라가면 HR 대시보드의 숫자는 좋아 보인다. 자동화율, 처리 건수, 시스템 적용률 — 모두 인풋 지표다. 그런데 실제로 직원이 AI 결과물을 판단하고 통합하는 역량, 즉 스루풋을 높이는 교육은 연 3.4일에 머무르고 있다. 인풋은 넘치는데 스루풋은 고갈된 상태가 바로 지금이다.

14만 인재 양성 선언과 연 3.4일 교육의 간극

거시적으로 보면 상황은 더 복잡해진다. 한국 정부는 2025년 말 제2차 청년정책 기본계획(2026~2030)을 발표하면서 5년간 200만 명에게 미래 역량 개발 기회를 제공하고, AI·에너지·정보보안 등 분야별 전문 인재 14만 명 이상을 양성하겠다고 선언했다. K-디지털 트레이닝 확대, 중소기업 재직자 AI 특화과정, 온라인 AI 교육 플랫폼까지 — 정책 메뉴는 화려하다.

그런데 이 선언을 기업 현장의 데이터와 나란히 놓으면 파이프라인의 양 끝이 연결되지 않는다. 정부가 14만 인재를 파이프라인에 투입하겠다고 하지만, 기업 현장에서 재직자가 받는 교육은 연 3.4일이다. 24%는 교육 자체를 받지 못한다. 인재가 파이프라인 입구에서 양성되어도, 기업이라는 파이프라인 출구에서 그 역량이 유지·갱신되지 않는 구조다.

보상 구조도 이 간극을 증폭시킨다. 같은 글로벌 서베이에서 직원이 꼽은 잔류 1순위는 보상(52%, 전년 대비 2배 상승)이었다. HR 부서가 중요하다고 판단한 교육·개발은 직원의 잔류 요인 중 7위(19%)에 그쳤다. 직원에게 교육은 ‘당장의 보상보다 덜 급한 것’이고, 기업에게 교육은 ‘시스템 도입보다 덜 급한 것’이다. 양쪽 모두 스루풋 투자를 미루고 있는 셈이다.

미충원율 6.5%가 숨기고 있는 진짜 문제

2026년 1분기 한국의 직종별사업체노동력조사에 따르면, 구인 인원 146.4만 명(전년 대비 +3.4%), 채용 인원 136.8만 명(+4.6%)으로 노동시장은 표면적으로 안정세를 보인다. 미충원율은 6.5%로 전년 대비 1.2%p 하락했다.

그런데 미충원의 사유를 뜯어보면 이야기가 달라진다. 기업이 사람을 못 구한 1순위 이유는 ‘필요한 경험을 갖춘 지원자 부족’(25.8%)이었다. 2순위는 필요한 교육·자격 보유자 부족(18.5%). 사람이 없는 게 아니라, 필요한 역량을 가진 사람이 없다는 것이다.

기업의 대응도 흥미롭다. 인력 부족에 대한 해법으로 68.4%가 ‘채용 비용 증대·채용 방법 다양화’를 택했고, 28.6%만이 ‘임금 인상 등 근로조건 개선’을 선택했다. 이건 좀 아쉽다. 채용 파이프라인을 넓히는 데만 집중하고, 기존 인력의 역량을 올려서 미충원을 해소하겠다는 접근은 보이지 않는다.

AI 코딩 도구 연구의 대체탄력성 0.25를 여기에 대입하면, 기업들이 AI 도구로 생산성을 높이려 해도 리뷰·통합·의사결정 역량을 가진 인력이 없으면 아웃풋이 성과로 전환되지 않는다. 미충원율 6.5%는 ‘일자리가 있는데 사람이 없다’가 아니라, ‘AI 시대에 스루풋을 담당할 인간이 준비되지 않았다’는 신호다.

스루풋에 투자한다는 것

지금까지 살펴본 데이터를 종합하면 하나의 구조가 드러난다. AI 도구는 아웃풋(코드, 응대, 데이터 처리)을 폭발적으로 늘리지만, 그것을 비즈니스 성과로 전환하는 과정에서 인간의 판단·통합·의사결정이라는 병목에 부딪힌다. 한국 정부는 파이프라인 입구에서 인재를 양성하고, 기업은 도구(인풋)에 투자하지만, 정작 그 사이를 연결하는 스루풋 — 재직자가 AI 결과물을 실제 제품·서비스·의사결정으로 바꾸는 역량 — 에는 연 3.4일만 투자하고 있다.

이건 단순히 ‘교육을 더 해라’는 이야기가 아니다. 교육 일수를 6일로 늘려도 그 교육이 AI 아웃풋을 판단·통합하는 훈련이 아니라면 전환 손실은 줄어들지 않는다. 코딩 현장에서 대체탄력성 0.25가 말해주는 건, AI가 만든 코드를 리뷰하고 테스트하고 통합하는 역량이야말로 생산성 전환의 핵심이라는 것이다. 고객 응대 현장에서 ‘재인간화 노동’이 말해주는 건, AI가 단순 업무를 대체할수록 인간에게 남는 일의 인지적·감정적 밀도가 높아진다는 것이다.

한 줄 요약: AI 아웃풋 폭증과 실제 성과 사이의 6배 전환 손실, 그 병목은 도구가 아니라 인간의 스루풋 역량에 있다.

💡 실무 시사점 — HR이 이번 분기에 점검할 3가지:

① AI 도구 도입률이 아니라 ‘전환율’을 측정하라. 자동화 건수, 처리 속도 같은 인풋 지표 대신, AI 아웃풋이 실제 제품·서비스·매출로 연결된 비율을 추적해야 한다. 코딩 현장의 커밋-릴리스 전환율 같은 지표를 자사 맥락에 설계할 때다.

② 교육 예산을 ‘시간’이 아니라 ‘전환 역량’에 배분하라. 연 3.4일이라는 숫자 자체보다 그 3.4일의 내용이 문제다. AI 결과물을 판단·검증·통합하는 훈련 — 코드 리뷰, 데이터 해석, 복잡한 의사결정 시뮬레이션 — 에 교육 시간을 집중해야 전환 손실이 줄어든다.

③ ‘재인간화 노동’을 직무 설계에 반영하라. AI 도입 후 남는 업무의 인지적·감정적 밀도가 높아진다는 사실을 직무기술서와 성과 기준에 반영해야 한다. 챗봇이 단순 문의를 처리한 뒤 직원에게 남는 복잡 민원의 난이도를 측정하고, 그에 맞는 보상과 지원 체계를 설계해야 한다.

#AI생산성착시 #스루풋역량 #전환손실 #재인간화노동 #HR교육격차

참고 링크

• NBER, “Writing Code vs. Shipping Code: Productivity Effects Across Generations of AI Coding Tools” (2026)
• McKinsey, “HR Monitor 2026: A turning point for the people function” (2026)
• DBR, “챗봇 기반 고객 응대, 직원 스트레스 더 키울 수도” (2026)
• 고용노동부, “2026년 상반기 직종별사업체노동력조사 결과 발표” (2026)
• 관계부처 합동, “제2차 청년정책 기본계획(2026~2030)” (2025)
• 한국은행, “인구변화가 지역별 노동시장에 미치는 영향 분석” (2025)

작성: 서재홍 | NODE