AI 사용 세계 1위, 생산성은 왜 1%의 벽에 갇혔나

3년 만에 63.5% — 인터넷보다 8배 빠른 확산, 그런데

생성형 AI가 한국 직장에 침투한 속도는 전례가 없다. 2022년 11월 ChatGPT 출시 이후 채 3년이 안 된 시점에, 15~64세 취업자의 63.5%가 생성형 AI를 사용해 본 적이 있다. 같은 확산 구간에서 인터넷 보급률은 7.8%에 불과했다. 기술 수용 곡선으로 보면, 한국은 AI 채택의 글로벌 선두 주자다. 미국 취업자 사용률 39.6%의 거의 두 배. 업무 목적 사용에 한정해도 51.8% 대 26.5%로 격차는 동일하다. 여기까지만 보면 한국은 AI 시대에 가장 잘 준비된 노동시장처럼 보인다.

문제는 이 수치의 다음 페이지에 있다. 이 압도적 사용률이 만들어낸 생산성 향상은 1.0%. 한국의 절반밖에 AI를 쓰지 않는 미국의 1.1%와 사실상 같다. 한국 근로자의 AI 도입 병목은 기술 접근성이 아니라 조직 설계에 있으며, 54%가 시간 절감 제로인 현실이 그 신호다.

한 줄 요약: AI 사용률 세계 1위라는 타이틀 이면에, 절반 이상이 ‘쓰기만 하고 바뀌지 않는’ 구조적 사각지대가 존재한다.

2배 더 쓰고, 같은 1%만 남기는 역설

수치를 나란히 놓으면 불편한 그림이 드러난다. 한국 근로자는 주당 5~7시간을 AI에 쓴다. 미국은 0.5~2.2시간. 하루 1시간 이상 AI를 사용하는 ‘헤비유저’ 비율은 한국 78.6%, 미국 31.8%. 사용 빈도, 시간, 강도 모든 지표에서 한국이 미국을 압도한다.

그런데 이 모든 격차가 생산성 수치에서는 증발한다. 한국 1.0%, 미국 1.1%. 통계적으로 의미 있는 차이가 아니다. 투입 대비 산출이라는 가장 기본적인 잣대를 들이대면, 한국 근로자들은 미국 동료보다 AI에 3~10배 더 많은 시간을 쏟고 동일한 결과를 얻고 있다.

이걸 ‘아직 초기라서’로 설명할 수 있을까. 그렇다면 미국도 초기인 건 마찬가지다. 오히려 더 적게 써서 같은 효과를 내는 미국 쪽이 AI-업무 통합에서 효율적이라는 해석도 가능하다. 한국의 높은 사용률은 생산성 혁신이 아니라 채택 열풍의 지표일 수 있다.

54.1%의 침묵 — 보고서가 각주로 밀어낸 진짜 숫자

생산성 1.0%라는 전체 평균이 가리고 있는 분포가 있다. 조사 대상 근로자의 54.1%는 AI를 사용하고도 업무 시간이 전혀 줄지 않았다고 답했다. 절반이 넘는 다수가 제로 효과를 경험한 것이다.

보고서는 이 수치를 ‘AI 활용 미숙련’ 또는 ‘결과물 검토에 시간이 소요되기 때문’이라고 설명한다. 기술적으로 틀린 말은 아니다. AI가 만들어낸 초안을 교정하는 데 절약한 시간만큼 다시 쓰인다면, 순(純) 시간 절감은 0에 수렴한다. 그런데 이 설명이 놓치는 게 있다. 결과물 검토에 그만큼 시간이 걸린다는 건, 해당 근로자의 업무 프로세스가 AI 산출물을 흡수할 수 있는 구조가 아니라는 뜻이기도 하다.

제로 효과 집단은 AI를 ‘안 쓰는’ 사람이 아니다. 쓰고 있는데 바뀌지 않는 사람이다. 이 구분이 중요하다. 채택(adoption)과 통합(integration)은 다른 문제다. 한국은 채택에서는 세계 최고 속도를 기록했지만, 통합에서는 절반 이상이 출발선에 머물러 있다.

경력 평준화라는 희망, 디지털 격차라는 현실

보고서가 제시하는 긍정적 시나리오 중 하나는 AI의 경력 평준화 효과다. 경력이 짧은 근로자일수록 AI로 인한 업무시간 감소폭이 크다는 데이터에 기반한다. 맥락을 모르면 희망적으로 읽힌다. 신입이 AI를 지렛대 삼아 경력자와의 격차를 좁히는 그림.

그런데 같은 보고서의 채택률 데이터를 겹쳐보면 이야기가 달라진다. 대학원 졸업자의 사용률은 72.9%, 고졸 이하는 38.4%. 18~29세는 67.5%, 50~64세는 35.6%. 소득이 높을수록 사용률도 올라간다. AI가 경력 격차를 좁히려면 먼저 AI에 접근해야 하는데, 접근 자체가 학력·연령·소득과 강하게 상관되어 있다.

경력 평준화는 이미 AI를 쓰는 집단 내부에서만 관찰되는 현상이다. AI를 쓰지 않는 — 또는 쓸 수 없는 — 집단까지 포함하면, AI 도입이 기존 노동시장의 불평등을 완화하기보다 새로운 축을 추가하고 있을 가능성이 높다. ‘디지털 리터러시’라는 보이지 않는 자격 요건이 이미 채용·승진·업무 배분의 변수로 작동하기 시작했다면, 평준화 서사는 선별적 사실에 기반한 과잉 낙관이 된다.

해방된 1.5시간은 어디로 갔는가

보고서의 생산성 추정에는 핵심 가정이 하나 내장되어 있다. AI로 절약된 업무 시간 — 주당 약 1.5시간 — 이 추가적인 생산 활동에 쓰인다는 전제다. 보고서도 이 점을 명시적으로 인정한다. 만약 절약된 시간이 여가에 쓰인다면 실제 생산성 향상분은 줄어든다고.

이 가정의 현실성은 의심스럽다. 한국 근로자의 주당 AI 사용 시간이 5~7시간이고, 그로 인한 시간 절감이 1.5시간이라면 — 나머지 3.5~5.5시간은 순수하게 AI를 사용하는 데 들어간 시간이다. AI가 벌어준 시간보다 AI에게 건넨 시간이 더 크다. 이건 보고서가 직접 계산하지 않은 산술이다.

물론 AI 사용 시간 전체를 비용으로 볼 순 없다. AI와 함께 수행한 업무 자체가 이전보다 질적으로 나을 수도 있다. 그러나 ‘시간 절감’이라는 프레임으로 생산성을 측정하면서, 시간 절감보다 큰 시간 투입은 프레임 밖에 두는 건 데이터를 절반만 읽는 것과 같다.

직업별 격차가 말해주는 것

전체 평균을 직업군별로 쪼개면, AI의 생산성 효과가 어디에 집중되어 있는지 윤곽이 잡힌다. 관리자·전문직의 업무시간 감소율은 1.5~2.8%, 사무직은 1.9%. 판매직은 0.7%, 서비스직은 0.6%, 생산직은 0.2~0.5%에 불과하다.

AI 생산성 효과의 대부분은 이미 지식 노동을 하는 사람들에게 돌아가고 있다. 생산·서비스직에서 효과가 미미한 건 당연한 듯 보이지만, 한국 취업자 구성을 고려하면 의미가 다르다. 판매·서비스·생산직은 전체 취업자의 상당 비중을 차지한다. AI가 이 층위의 업무를 건드리지 못하고 있다면, 국가 단위 생산성에 미치는 총 효과는 상층부의 개선폭이 하층부의 정체에 의해 희석되는 구조다.

Acemoglu(2024)는 AI의 10년 누적 생산성 향상을 0.7%로 전망했다. 한국의 1.0%가 이를 이미 상회하는 것처럼 보이지만, 직업별 편차를 감안하면 그 1.0%는 소수의 높은 효과와 다수의 제로 효과를 평균한 결과물이다. 숫자의 크기보다 분포의 형태가 정책적으로 더 중요한 정보다.

7.5조 원의 질문 — 노동자가 자비로 준비하는 미래

보고서에는 특이한 정책 시나리오가 포함되어 있다. 근로자가 소득의 0.5%를 5년간 적립해 AI 스타트업을 지원하는 ‘AI 발전 기금’. 참여 의향은 32.3%, 연간 조성 가능 금액은 약 7.5조 원에 달한다.

이 시나리오는 여러 층위에서 읽힌다. 근로자 3명 중 1명이 자기 소득을 떼서라도 AI 생태계에 투자하겠다는 건, 그만큼 위기감이 크다는 방증이다. AI 사용자일수록, 자동화 위험을 높게 인식할수록 참여 의향이 올라간다는 데이터가 이를 뒷받침한다. AI를 가장 많이 쓰는 사람이 AI에 가장 위협을 느끼고 있다는 역설이 여기에도 반복된다.

한편으로는, 이 시나리오 자체가 시사하는 전제에 주목할 필요가 있다. AI 전환의 비용 분담 주체로 근로자 개인이 호명되었다는 사실. 조직 차원의 재설계, 산업별 전환 로드맵, 공적 재교육 인프라 같은 구조적 대응이 아니라 근로자의 자발적 적립에 기반한 시나리오가 등장했다는 건, 현재 한국의 AI 전환 논의가 개인의 적응력에 기대는 방향으로 기울어져 있음을 보여준다.

조직이 설계하지 않으면, 도구는 장난감이 된다

한국의 AI 채택 데이터가 보여주는 진짜 메시지는 결국 이것이다. 개인 단위의 기술 수용은 이미 임계점을 넘었다. 63.5%는 충분히 높은 수치고, 주당 5~7시간은 적지 않은 투자다. 기술 공급 측면에서는 병목이 없다.

병목은 수요 측에 있다. AI 산출물을 흡수하는 업무 프로세스, 절약된 시간을 재배치하는 조직 체계, 직무 재설계를 통해 AI 효과를 누적시키는 관리 역량. 이 중 어느 것도 개인이 혼자 해결할 수 있는 영역이 아니다. 54.1%의 ‘제로 효과’ 근로자는 개인의 역량 부족이 아니라, AI가 업무 흐름에 자리를 못 잡은 조직 환경의 결과물이다.

한국은 세계에서 AI를 가장 많이 쓰는 노동시장이다. 그리고 동시에, 그 사용량에 비해 가장 적게 변하고 있는 노동시장일 수 있다. 이 간극을 메우는 건 더 많은 AI 교육도, 더 좋은 AI 모델도 아니다. 업무 구조를 다시 짜는 일이다.

💡 실무 시사점 — HR이 이번 분기에 점검할 3가지:

① AI 사용률이 아니라 ‘업무 프로세스 변경률’을 측정하라. 몇 명이 AI를 쓰는지가 아니라, AI 도입 후 실제로 업무 절차가 바뀐 팀이 몇 곳인지를 파악해야 한다. 54%가 시간 절감 제로라는 데이터는, 도구 보급과 프로세스 재설계 사이의 간극이 대부분의 조직에서 방치되고 있다는 뜻이다.

② 직무별 AI 효과 편차를 직시하라. 전문직·사무직에 집중된 생산성 효과를 전사 평균으로 보고하면, 판매·서비스·생산직의 정체가 가려진다. 직무군별 AI 활용도와 성과를 따로 측정해야 투자 우선순위가 보인다.

③ AI 전환을 개인 학습에 떠넘기지 마라. 근로자의 33%가 자비로 재교육을 준비하고 있다는 데이터는 자발성이 아니라 조직적 지원 부재의 신호다. AI 전환은 개인 역량 과제가 아니라 조직 설계 과제다.

#AI생산성 #조직설계 #디지털전환 #HR전략

참고 링크

• 한국은행, “일상에 스며든 AI, 사람들은 어떻게 활용하고 있을까?” (2025)

작성: 서재홍 | NODE