AI에 4,100억 달러를 쏟아부었는데 생산성은 왜 제자리인가

2025년 한 해, 전 세계 기업이 AI에 쏟아부은 돈은 4,100억 달러다. 하버드 경제학자 제이슨 퍼먼의 계산에 따르면, AI 관련 투자가 2025년 상반기 미국 GDP 성장의 92%를 차지했다. 그런데 골드만삭스 애널리스트들이 실제 경제 산출을 들여다본 결론은 단 한 줄이었다 — 측정 가능한 GDP 영향 제로. 개별 과업에서 10~70%의 생산성 향상을 만들어내는 기술이, 기업·산업·경제 전체로 올라가면 증발해버린다. 국제노동기구(ILO)는 이걸 집계 역설이라 부르며 확산 부족과 보완 투자 미비를 원인으로 지목했다. 하지만 이 설명은 역설의 절반만 건드린다. AI 생산성 역설의 진짜 원인은 확산 속도가 아니라, AI가 기존 과업을 최적화하는 기술이지 새로운 생산성을 창조하는 기술이 아니라는 구조적 특성에 있으며, 한국 기업 85%가 “업무 효율화”를 목표로 AI를 도입하는 한 이 역설은 반복된다.

한 줄 요약: AI 생산성 역설은 확산 지연이 아니라 ‘최적화’와 ‘창조’의 구조적 차이에서 발생한다 — “업무 효율화”를 AI 도입의 목표로 삼는 한 과업별 성과는 조직 전체로 전환되지 않는다.

과업 10~70%, 조직 0% — 이 숫자들이 같은 기술을 말하고 있다

ILO가 인용한 연구들은 인상적이다. AI를 도입한 과업에서 생산성이 10~70% 향상된다. MIT 연구팀은 최대 40%까지 올라갈 수 있다고 봤다. 특히 효과가 두드러지는 조건은 “잘 정의된 텍스트 집약적 과업”이고, 가장 큰 수혜를 받는 건 경험이 적은 근로자다.

이 숫자들을 나란히 놓으면 묘한 풍경이 된다. 같은 기술에 대해 과업 수준에서는 “10~70% 향상”이라 하고, 조직 수준에서는 “90%가 효과 없음”이라 한다. 이걸 단순히 “아직 확산이 덜 돼서”라고 설명하려면, 이미 AI를 쓰고 있는 기업 67%의 CEO들도 효과를 못 느낀다는 사실을 무시해야 한다. 문서 요약이 빨라지고 코드 작성이 효율적이 되었다는 과업별 체감은 분명 존재한다. 그런데 그 체감이 재무제표에 나타나지 않는다.

전기와 AI는 같은 종류의 역설이 아니다

ILO 보고서는 역사적 유비를 든다. 전기화가 총생산성을 높이는 데 40년이 걸렸고 ICT도 25~35년이 필요했으니, AI도 “상당한 조직 변화 이후에” 같은 경로를 밟을 것이라는 논리다. 표면적으로는 그럴듯하다. 하지만 이 유비에는 결정적 결함이 있다.

전기화는 기존 과업을 빠르게 만든 게 아니다. 존재하지 않던 과업을 만들어냈다. 증기 동력에서는 불가능했던 24시간 연속 생산, 소형 모터 기반 분산 제조, 가정용 전자제품이라는 완전히 새로운 산업이 태어났다. 컴퓨터도 수기 장부를 디지털화한 게 핵심이 아니라, 인터넷·소프트웨어·전자상거래라는 이전에 존재 자체가 불가능했던 경제 영역을 열었다. 이 기술들이 40년 뒤에 생산성을 끌어올린 건, 최적화가 축적되어서가 아니라 새로운 산업과 직종이 GDP에 잡히기 시작했기 때문이다.

AI의 현재 지배적 용도는 다르다. 한국 기업 AI 담당자 749명에게 도입 목적을 물었더니 70.5%가 “업무 효율성 및 생산성 향상”이라 답했다. 주요 활용 업무는 문서 요약·보고서 작성(43.1%), 데이터 분석(40.3%), 프로그래밍 보조(37.0%). 전부 이미 존재하는 과업을 더 빠르게 처리하는 것이다. 이건 전기화의 ‘창조’가 아니라, 같은 파이를 더 효율적으로 자르는 데 가깝다.

최적화의 합산에는 구조적 천장이 있다. 10개 과업이 각각 30% 효율화되더라도, 그 10개 과업이 만들어내는 총 가치가 30% 느는 건 아니다. 절약된 시간이 새로운 가치 창출로 전환되지 않는 한, 효율화는 비용 절감이지 생산성 증가가 아니다. ILO의 역사적 유비가 성립하려면, AI가 현재의 “과업 가속기” 단계를 넘어 전기화처럼 새로운 경제 영역을 여는 단계로 진화해야 한다. 아직 그런 조짐은 거시 지표 어디에서도 포착되지 않는다.

가장 큰 수혜자가 가장 먼 곳에 있다

ILO 보고서 안에 서로를 부정하는 두 문장이 공존한다. 하나는 “AI의 생산성 효과가 경험이 적은 근로자에게 가장 크다”는 분석이고, 다른 하나는 “혜택이 대기업과 디지털 선진 기업에 집중된다”는 경고다.

이건 단순한 디지털 격차 이야기가 아니다. 집계 역설의 또 다른 층위다. AI가 가장 많은 생산성을 끌어올릴 수 있는 근로자 수백만 명은 AI에 접근하지 못하고, AI가 가장 먼저 도착한 대기업에서는 이미 높은 수준의 생산성을 더 높이려 하기 때문에 한계수익체감에 걸린다. 결국 과업 수준의 10~70%라는 숫자는, 최적의 실험 조건에서 측정된 이론적 상한이지 실제 경제에서 실현되는 수치가 아닌 셈이다.

기업 규모별 AI 도입 실행 장애 요인을 보면 이 격차가 왜 좁혀지기 어려운지 드러난다. 기술 인력 부족(49.8%), 인프라·데이터 확보 어려움(32.0%), 경영진 투자 부족(21.0%). 전부 중소기업에 불리하게 작동하는 조건들이다. AI가 거시 생산성을 끌어올리려면 경제의 다수를 차지하는 중소기업까지 효과가 침투해야 하는데, 현재 구조에서 그건 자연적으로 일어나지 않는다.

한국 기업 85%가 확신하는 것, 글로벌 CEO 90%가 부정하는 것

한국 기업들의 AI에 대한 태도는 기묘한 자신감으로 가득하다. 응답 기업의 79.3%가 2026년 AI 예산을 늘릴 계획이고, 전사적으로 AI를 도입한 기업 중 ROI 불확실성을 우려하는 비율은 13.1%에 불과하다. 이미 쓰고 있으니 효과를 확신한다는 뜻이다.

그런데 이 자신감의 근거를 뜯어보면, 대부분 과업 수준의 체감에 기대고 있다. “ChatGPT로 보고서 쓰는 시간이 반으로 줄었다”는 개인의 경험이 “우리 회사 생산성이 올랐다”는 조직의 판단으로 비약하는 것이다. 이 비약을 의심하는 기업은 소수다. 반면, 글로벌 CEO 6,000명을 대상으로 한 NBER 서베이에서 90%가 “3년간 AI로 인한 측정 가능한 생산성 향상 없었다”고 답했고, 향후 3년 기대치도 1.4%에 그쳤다.

어느 쪽이 현실에 더 가까운가. 아폴로의 수석 이코노미스트 토르스텐 슬록은 이렇게 요약했다 — “AI는 거시경제 데이터를 제외한 모든 곳에 있다.” 한국 기업들이 느끼는 자신감은 과업 수준의 효율 개선이 만들어낸 착시일 가능성이 높다. 그 착시 위에서 예산을 늘리고 도입률을 85%로 끌어올리는 건, 집계 역설을 해결하는 게 아니라 심화하는 경로다.

절약된 30분은 어디로 증발하는가

과업별 효율 개선이 조직 생산성으로 전환되지 않는 메커니즘은 사실 단순하다. AI가 절약해준 시간이 어디로 가는지 아무도 추적하지 않는다.

보고서 작성에 1시간 걸리던 걸 AI로 30분에 끝냈다고 하자. 그 30분이 매출을 늘리는 활동에 쓰이면 조직 생산성이 올라간다. 하지만 현실에서 절약된 30분의 행선지는 대개 이렇다 — 또 다른 보고서, 슬랙 메시지 확인, 회의 준비, 혹은 AI가 생성한 초안을 검토·수정하는 데 다시 투입. 과업 A의 효율화가 과업 B의 효율화를 가능케 하는 선순환이 아니라, 절약된 시간이 기존 업무의 빈틈을 메우며 흡수되는 것이다.

CEO들이 응답한 주당 평균 AI 사용 시간은 1.5시간이다. 주 40시간 근무의 3.75%. 과업 수준에서 70% 효율화를 달성하더라도, 전체 근무시간의 3.75%에만 적용되면 조직 전체 효과는 2.6%에 불과하다. 여기서 AI 산출물 검증 시간을 빼면, NBER 서베이의 “측정 가능한 효과 없음”이라는 응답이 오히려 정확한 현실 인식으로 보인다.

도입률 말고 전환률을 측정해야 한다

집계 역설에서 빠져나오는 길이 있다면, 그건 AI를 더 많이 도입하는 게 아니라 AI가 절약한 자원이 어디로 가는지 추적하고 재배치하는 데서 시작한다. ILO 보고서도 “광범위한 기술 확산, 보완적 직장 재조직, 기술 개발 투자, 지원적 거시경제 조건”을 언급하긴 했지만, 이걸 확산의 전제조건으로만 다뤘다. 실제로 필요한 건 더 근본적인 질문의 전환이다.

“AI를 얼마나 도입했는가”가 아니라 “AI가 절약한 시간의 몇 퍼센트가 새로운 가치 창출로 전환되었는가”를 물어야 한다. 전기화가 40년 뒤에 생산성을 올린 건 전기를 더 많이 깔아서가 아니라, 전기가 가능하게 만든 새로운 일을 발견했기 때문이다. AI가 같은 전환을 이루려면, 기업은 효율화된 기존 과업에 머무르지 않고 AI가 가능하게 만드는 — 아직 존재하지 않는 — 과업과 역할을 설계해야 한다.

한국 기업의 85% 도입 목표는 그 자체로 나쁘지 않다. 하지만 그 85%가 전부 “문서 요약 40% 단축”이나 “코드 작성 37% 효율화”를 성과 지표로 삼는다면, 과업별 숫자는 올라가되 조직 생산성은 제자리걸음을 하는 역설이 국가 규모로 확대될 뿐이다. 집계 역설은 기술의 문제가 아니라, 기술이 절약한 것을 무엇으로 전환하느냐의 문제다.

💡 실무 시사점 — HR이 이번 분기에 점검할 3가지:

① AI 절약 시간의 행선지를 추적하라. 과업별 효율 개선이 아닌, 절약된 시간이 실제로 어떤 활동에 재투입되는지 모니터링해야 한다. “AI 도입률”이 아니라 “절약 시간 전환률”이 진짜 KPI다.

② 효율화 목표를 창조 목표로 전환하라. “보고서 작성 시간 50% 단축”이 아니라, 단축된 시간에 어떤 새로운 가치를 만들 것인지를 먼저 설계하고 AI를 도입해야 한다. 순서가 바뀌면 절약된 시간은 업무의 빈틈에 흡수된다.

③ 중소기업 AI 접근성 격차를 구조적 리스크로 인식하라. 공급망·협력사의 AI 역량 격차는 결국 대기업 생산성의 천장이 된다. 대기업이 자사 AI 효율화만 추구하면, 협력 생태계 전체의 집계 역설에 걸린다.

#AI생산성역설 #집계역설 #HR전략 #조직생산성 #AI도입

참고 링크

• ILO, “The Aggregation Paradox of AI: Why do micro-economic productivity gains from AI disappear at scale” (2026)
• Fortune, “Thousands of CEOs admit AI had no impact on employment or productivity” (2026)
• CIO Korea, “2026년 국내 기업 85%가 생성형 AI 도입…10곳 중 8곳 예산 확대” (2026)

작성: 서재홍 | NODE