AI 도구는 넘쳐나는데 생산성은 왜 제자리인가 — 빠진 레이어를 찾아서

2026년 현재, AI 도구를 한 개도 안 쓰는 사무직을 찾기 어렵다. 코딩 보조, 문서 요약, 회의록 자동화까지. 그런데 이상한 일이 벌어지고 있다. 개인은 분명 더 많은 도구를 쓰고 있는데, 조직 수준의 생산성 지표는 꿈쩍도 않는다. 도구의 양이 아니라 흐르는 경로가 문제라면? 여러 데이터를 교차하면 하나의 결론이 떠오른다. AI 생산성은 개인에게 직접 내려앉지 않는다 — 조직 설계라는 중간 레이어를 통과해야만 비로소 발현된다.

고숙련 직군이 가장 많이 ‘노출’됐는데, 성과는 왜 안 변하나

ILO가 2025년 발표한 AI 노출 지표 분석은 흥미로운 역전을 보여준다. 과거 자동화 지표는 저숙련·반복 업무를 위험군으로 지목했다. 그런데 최신 AI 역량 기반 측정치를 적용하면 결과가 뒤집힌다. 비즈니스·금융·컴퓨팅·교육 분야 — 이른바 고숙련 인지 직군이 AI에 가장 많이 노출된 것으로 나타난다.

노출이 곧 생산성 향상이라면, 이 직군들에서 성과 지표가 뛰어야 한다. 그런데 현실은 다르다. 16만 건 이상의 Product Hunt 출시 데이터를 분석한 연구에 따르면, ChatGPT-3.5 공개 이후 솔로 창업 진입이 급증했지만 플랫폼 상위 랭킹은 오히려 팀 기반 벤처가 더 강하게 지배하기 시작했다. AI 도구 접근성이 동등해진 조건에서, 개인의 도구 활용 능력은 차별화 요인이 되지 못한 셈이다.

별도 연구에서 고등학생의 ChatGPT 사용과 시험 성적의 관계를 2023~2024 시즌 데이터로 분석한 결과, 양 방향 모두 유의미한 변화가 없었다. AI를 숙제 지름길로 쓴 학생과 학습 보조로 쓴 학생의 효과가 상쇄돼 집계상 제로에 수렴한다는 해석이다. 솔직히 이건 좀 충격적이다. 가장 적극적으로 AI를 쓸 법한 세대에서조차 개인 단위 성과 변화가 통계적으로 감지 안 된다니.

한국이 보여주는 불편한 증거: 근로시간 8위, 생산성 24위

이 패턴을 거시 수준에서 확인할 수 있는 곳이 한국이다. 2023년 기준 한국의 연간 근로시간은 1,867시간으로 OECD 8위, 그런데 시간당 노동생산성은 51.1달러로 24위다. 미국(83.6달러)의 61%, 독일(83.3달러)의 61% 수준. 개인 단위의 투입량(시간)은 넘치는데, 산출(생산성)은 따라가지 못한다.

더 흥미로운 건 산업별 격차다. 제조업 1인당 생산성은 OECD 6위인 반면, 서비스업은 27위다. 서비스업 생산성은 제조업의 49.4% 수준 — 아일랜드를 제외하면 OECD 국가 중 가장 큰 격차다. 제조업은 라인·공정·팀 단위의 조직 설계가 이미 고도화돼 있다. 서비스업은? 여전히 개인의 역량과 헌신에 의존하는 구조가 많다.

AI 도구가 서비스업 사무직에 대량 투입되고 있지만, 조직 구조 자체가 개인 단위로 분절돼 있다면 도구의 효과는 개인 안에서 증발한다. 개인적으로는 이게 한국 서비스업 생산성 문제의 핵심이라고 본다. 더 많은 AI 도구를 도입하는 게 답이 아니라, AI가 흐를 수 있는 조직 경로를 만드는 게 먼저다.

‘노출’과 ‘발현’ 사이의 간극 — ILO가 놓친 것

ILO 브리프는 정직하게 인정한다. 모든 AI 노출 지표는 “AI가 할 수 있는 것”을 측정할 뿐, 실제로 일어날 일을 예측하지 않는다고. 정태적 직무 기술서에 의존하고, 경제적 타당성과 도입 장벽을 무시하며, 주관적 가정이 개입된다. ILO는 이를 “조기 경보 신호”로만 취급하라고 권고한다.

그런데 기업 현장에서 이 경고는 무시된다. “우리 직무의 40%가 AI로 대체 가능하다”는 컨설팅 보고서를 받아든 경영진은 곧바로 인력 감축 시나리오를 만든다. 노출 → 대체 → 효율이라는 직선 논리. 하지만 앞선 데이터가 말해주듯 노출은 자동으로 성과에 연결되지 않는다.

Stanford HAI가 2025년 AI and Organizations Lab을 출범한 이유가 여기에 있다. 200개 이상의 학술 팀이 제안서를 제출한 이 프로젝트의 핵심 질문은 “AI가 직무를 대체하는가?”가 아니라 “AI가 팀 역학, 의사결정, 조직 성과를 어떻게 재구성하는가?”다. 개인 수준의 노출 지표로는 설명할 수 없는 중간 레이어 — 팀, 프로세스, 거버넌스 — 를 정면으로 연구하겠다는 선언이다.

솔로 창업의 역설: AI가 개인을 증폭하면 팀이 질 거라는 환상

16만 건의 Product Hunt 데이터가 보여주는 패턴은 직관에 반한다. 생성형 AI 덕에 혼자서도 제품을 만들 수 있게 됐고, 실제로 솔로 창업자의 진입이 급증했다. 특히 과거 팀 기반 벤처가 지배하던 카테고리에서도 1인 제품이 쏟아졌다. 진입장벽은 분명히 낮아졌다.

그런데 상위 성과 제품을 보면 이야기가 다르다. 플랫폼 랭킹 상위 티어에서 팀 기반 벤처의 지배력이 오히려 강화됐다. 연구진은 이를 “저투입·실험적 진입”으로 진단한다 — AI가 만든 건 기회의 민주화가 아니라 실험의 민주화였을 뿐이다.

이건 기업 내부에도 그대로 적용된다. 모든 직원에게 동일한 AI 도구를 배포했을 때, 성과 차이를 만드는 건 개인의 프롬프트 실력이 아니라 그 도구의 산출물이 팀 워크플로에 어떻게 통합되는가의 문제다.

McKinsey OHI가 증명한 것: 도구가 아니라 거버넌스가 3배 수익을 만든다

McKinsey의 조직건강지수(OHI)는 2만 개 이상 기업, 수백만 명의 데이터를 축적한 글로벌 데이터베이스다. 핵심 발견: 조직건강 상위 사분위 기업은 하위 사분위 대비 주주수익이 3배다. 건강 개선 조치를 취한 기업의 80%가 1년 내 개선을 보였고, EBITDA가 평균 18% 상승했다.

여기서 “People + Performance Winners”(P+P 위너)로 분류된 기업들의 특성이 의미심장하다. 이들은 자문형 리더십(consultative leadership), 상향식 혁신(bottom-up innovation), 포용적 환경을 결합한다. 공통점이 보이는가? 전부 개인에게 도구를 주는 문제가 아니라 개인 간 연결과 흐름을 설계하는 문제다.

AI 도구 도입량으로는 P+P 위너와 일반 기업을 구분할 수 없다. 둘 다 비슷하게 쓴다. 차이를 만드는 건 도구 위에 놓인 조직 설계 — 의사결정 구조, 정보 흐름, 책임 배분 — 라는 레이어다.

조직 설계라는 ‘빠진 레이어’를 어떻게 설치하나

문제가 명확해졌다면 방향도 보인다. AI 도입 전략을 “어떤 도구를 쓸 것인가”에서 “도구의 산출물이 어디로 흐르게 할 것인가”로 전환해야 한다. Stanford HAI가 200개 팀의 제안을 모아 연구하려는 것도 이 질문이다.

한국 서비스업의 제조업 대비 생산성 절반이라는 수치가 단서를 준다. 제조업에서는 이미 개인의 작업이 라인을 통해 팀 단위로 흐르고, 품질 피드백이 즉시 순환하며, 의사결정이 공정 단위로 분산된다. 이 조직적 인프라가 있기에 새 도구(로봇이든 AI든)가 투입되면 즉시 라인 전체의 생산성으로 전환된다.

서비스업, 특히 사무직은? 개인이 AI로 문서를 만들고, 개인이 회의록을 요약하고, 개인이 보고서를 정리한다. 산출물은 개인의 이메일함에 갇힌다. 팀 수준의 워크플로에 통합되지 않으면 AI는 개인의 편의 도구일 뿐, 조직의 생산성 도구가 되지 못한다.

결국 남는 질문: 당신 조직에 ‘중간 레이어’가 있는가

데이터를 종합하면 하나의 그림이 완성된다. ILO의 AI 노출 지표는 고숙련직의 잠재적 변화를 경고하지만, 현실에서 그 잠재력은 개인 단위로는 발현되지 않는다(시험 성적 무변화, 솔로 창업자의 상위 진입 실패). 조직건강 상위 기업만이 3배 수익을 달성하고, 제조업과 서비스업의 생산성 격차는 동일 인력이 다른 조직 구조에서 얼마나 다른 결과를 내는지 보여준다.

AI 생산성은 개인에게 내려앉지 않는다. 조직 설계라는 중간 레이어를 통과해야만 비로소 발현된다. 이건 낙관도 비관도 아닌 구조적 사실이다. AI 도구를 잔뜩 도입했는데 생산성이 안 오른다고 한탄하는 조직이라면, 도구 탓이 아니라 도구와 성과 사이에 빠진 경로를 점검해야 한다.

한 줄 요약: AI 생산성은 개인이 아닌 조직 설계를 통해서만 발현된다 — 도구 도입이 아니라 산출물의 흐름 경로를 설계하라.

💡 실무 시사점 — HR이 이번 분기에 점검할 3가지:

① AI 산출물의 팀 통합 경로 확인. 직원들이 AI로 만든 결과물이 팀 워크플로에 실제 반영되는 구조가 있는지 매핑하라. 개인 메일함에 갇히면 생산성 제로다.

② 서비스 부문의 ‘라인 설계’ 도입. 제조업의 공정 흐름처럼 사무직의 업무 산출물이 순환·피드백되는 구조를 만들라. AI 도구 추가 구매보다 이게 먼저다.

③ 조직건강 진단 우선. 새 도구를 도입하기 전에 현재 조직의 의사결정 속도, 정보 흐름, 자문형 리더십 수준을 진단하라. McKinsey OHI 프레임의 핵심은 — 건강한 조직만이 도구를 성과로 전환한다.

#AI생산성 #조직설계 #노동생산성 #팀역량 #OHI

참고 링크

• ILO, “New ILO brief: AI exposure indicators and jobs” (2025)
• Stanford HAI, “Stanford HAI Launches AI and Organizations Lab” (2025)
• KDI, “우리나라 노동생산성 현황과 정책과제” (2024)
• McKinsey, “Rethinking organizational health for the new world of work” (2025)
• arXiv, “Little Impact of ChatGPT Availability on High School Student Test Score Performance” (2025)
• arXiv, “Generative AI Fuels Solo Entrepreneurship, but Teams Still Lead at the Top” (2025)

작성: 서재홍 | NODE