AI 생산성 이득, 누가 가져가는가 — 근로시간은 늘고 청년은 빠지고 HR은 귀속 구조를 설계해야 한다

AI를 도입한 기업의 생산성이 올랐다는 보고서가 매주 쏟아진다. 고객지원에서 14%, 소프트웨어 개발에서 26%, 마케팅에서 73%. 숫자만 보면 이미 혁명이 시작된 것처럼 보인다. 그런데 같은 시기에 발표된 다른 연구는 정반대 이야기를 한다. AI 노출도가 높은 직종의 노동자들은 매주 3.15시간을 더 일하고 있고, 생산성이 만든 이득은 노동자의 통장이 아니라 기업의 영업이익과 소비자의 지갑으로 흘러가고 있다는 것이다. AI 생산성 이득의 진짜 문제는 크기가 아니라 방향이다 — HR이 지금 설계해야 할 것은 AI 도입 속도가 아니라 그 이득이 누구에게 귀속되는가의 구조다.

한 줄 요약: AI 생산성 이득은 노동자를 해방하지 않는다 — 근로시간은 늘리고, 진입장벽은 높이며, 이득은 기업과 소비자에게 귀속된다. HR이 설계해야 할 것은 AI 도입 계획이 아니라 이득의 귀속 구조다.

생산성 숫자의 함정 — 올라간 건 맞지만, 누구의 시간으로 올랐나

스탠퍼드 인간중심 AI연구소의 2026년 보고서는 생성형 AI가 만든 생산성 이득을 직무별로 정리한다. 고객지원에서 14~15%, 소프트웨어 개발에서 26%, 마케팅에서 73%. 수치는 인상적이다. 다만 같은 연구가 덧붙이는 조건이 있다. 이미 높은 성과를 내는 직원에게는 효과가 제한적이거나 오히려 부정적이라는 것. AI가 끌어올린 건 조직의 평균선이지, 상한선이 아니다.

이 대목에서 미국 전미경제연구소(NBER)의 시간일지 데이터가 끼어든다. 2004년부터 2023년까지 개인 수준의 시간 사용 기록을 추적한 이 연구는, AI 노출도 상위 25%와 하위 25%를 비교했을 때 주당 2.2시간의 근로시간 차이가 발생한다는 점을 보여준다. ChatGPT 출시 이후로 범위를 좁히면 격차는 3.15시간까지 벌어진다. 생산성이 오른 만큼 일은 줄었을 거라는 상식적 기대와 정확히 반대다.

왜 이런 역설이 생기는가. 연구진의 설명은 단순하다. AI는 인간 노동을 대체하는 게 아니라 보완하고 있다. 한 시간의 노동이 더 많은 가치를 만들어내게 되면, 경쟁 시장에서 기업은 그 시간을 줄이는 대신 더 많이 쓰려는 유인을 갖는다. 솔직히 이건 노동경제학에서 오래된 논쟁이지만, AI 시대에 이렇게 선명한 데이터로 확인된 건 처음이다.

매주 3시간, 보이지 않는 근무 연장

NBER 연구가 짚는 핵심은 단순한 근로시간 증가가 아니다. AI가 한계생산성(marginal productivity)과 모니터링 효율을 동시에 끌어올리는 맥락에서 근무 연장이 가장 두드러진다는 점이다. AI 감시 노출도가 1백분위 올라갈 때마다 주당 0.043시간이 추가되는데, 이를 사분위 범위로 환산하면 주당 2.15시간에 달한다. 생산성 향상과 감시 효율화가 동시에 작동하면서, 노동자의 여가는 특히 비스크린 기반 여가 — 운동, 독서, 가족과의 시간 — 에서 가장 큰 타격을 받고 있다.

이 데이터를 한국의 현실과 겹쳐보면 긴장이 극대화된다. 2025년 사회조사에서 한국 직장인의 46.5%가 일과 가정의 균형을 최우선으로 꼽았다. 일 중심이라고 답한 34.3%보다 12%p 높은 수치다. 전반적 일자리 만족도는 38.3%로 2년 전보다 3.2%p 올랐지만, 여전히 10명 중 6명 이상은 자신의 일자리에 만족하지 못한다. 워라밸을 원하는 노동자와, AI를 통해 근무 시간당 가치를 극대화하려는 기업 사이의 벡터가 정면으로 충돌하고 있다.

이득의 행선지 — 노동자의 통장이 아닌 곳

생산성이 올라갔다면 그 이득은 어디로 갔는가. NBER 연구의 답은 명확하다. 경쟁적 노동시장과 제품시장에서 노동자는 생산성 이득을 보유할 교섭력이 제한적이며, 그 이득은 소비자와 기업에 의해 포획된다. 기술이 진보할수록 노동 부담이 줄어든다는 통념과 반대로, 실제로는 워크라이프 밸런스가 침식되는 구조적 역설이 드러난 것이다.

개인적으로는, 이 발견이 가장 불편한 지점이라고 생각한다. 기업이 AI 도입의 ROI를 계산할 때 ‘인건비 절감’이나 ‘생산량 증대’만 넣고, ‘노동자에게 돌아갈 이득의 크기’를 넣지 않는 관행이 바로 이 구조를 강화하기 때문이다.

흥미로운 반례가 있다. 베트남 제조기업 HITI는 AI 비전 검사 시스템을 도입해 품질검사 시간을 20초에서 5초로 줄이고 정확도를 95%에서 99%로 끌어올렸다. 10명이던 품질관리팀은 3명의 고급 기술 감독으로 재편됐지만, 나머지 7명은 해고가 아니라 고부가가치 업무로 재배치됐다. 이 사례가 가능했던 건 국제노동기구(ILO)의 ‘적절한 일자리 프로그램’ 하에서 의도적 변화관리가 전제됐기 때문이다. 자유 경쟁에 맡기면 이득은 자동으로 노동자에게 흐르지 않는다 — NBER의 데이터는 바로 그 점을 실증한다.

44만 7천 명, 문 앞에서 돌아선 청년들

AI가 기존 노동자의 근무시간을 늘리는 동안, 노동시장에 아직 진입하지 못한 청년들에게는 다른 종류의 문제가 벌어지고 있다. 한국은행 이슈노트(2026-3호)에 따르면 15~29세 청년 중 구직활동 없이 쉬고 있는 인구는 44만 7천 명으로, 전체 비경제활동인구의 16.9%를 차지한다. 이들이 쉬는 가장 큰 이유는 원하는 일자리를 찾기 어려움(34.1%)이었다.

주목할 점은 이 현상의 구조적 원인이다. 한국은행은 AI 기반 기술변화와 경력직 선호 구조를 청년 노동시장 진입 지연의 핵심 요인으로 지목한다. 기업이 AI로 기존 직원의 생산성을 끌어올릴 수 있게 되면, 굳이 신입을 뽑아 교육시킬 유인이 줄어든다. 4년제 대학 이상 학력의 ‘쉬었음’ 청년도 늘고 있다는 사실은 이것이 단순한 역량 부족 문제가 아님을 보여준다.

사회조사 데이터를 겹쳐놓으면 그림이 완성된다. 13~34세 청년층이 선호하는 직장은 대기업과 공기업이고, 직업 선택의 최우선 기준은 수입과 안정성이다. AI가 중간 숙련 일자리를 압축하고 기업이 경력직을 선호하는 구조에서, 안정성을 원하는 청년과 진입 기회를 제공하지 않는 시장 사이의 간극은 점점 벌어지고 있다.

‘스킬 기반 전환’은 답인가, 또 다른 구호인가

이 간극을 메우겠다는 처방전은 이미 나와 있다. OECD는 2026년 보고서에서 ‘스킬 퍼스트(skills-first)’ 접근 — 학력이나 자격증이 아닌 검증된 역량 중심으로 채용하고 인력을 개발하는 방식 — 을 제안한다. 인구 구조 변화, 녹색 전환, 디지털 전환이 동시에 진행되는 상황에서 기존의 자격 체계가 변화 속도를 따라가지 못한다는 진단이다.

한국 정보화진흥원(NIA)의 해외 정책 비교 보고서는 이 처방의 실행 단계를 보여준다. 미국은 AI 활용 역량 향상을 포함한 행정명령을 발표했고, EU는 ‘기술동맹(Union of Skills)’을 출범시켜 회원국 전체의 AI 기초역량 강화에 나섰다. 싱가포르는 전용 학습 플랫폼과 실전 훈련 프로그램을 운영하고, 독일은 구조적 노동시장 전환을 위한 법적 프레임워크를 구축했다.

NIA는 한국에 대해 단편적 교육·노동 정책이 아닌 패키지형 지원 모델을 권고한다. 이건 좀 아쉬운 진단이다. ‘패키지형’이라는 단어가 반복될수록, 실제 현장에서 패키지가 작동하는 메커니즘은 흐려지기 때문이다. OECD가 말하는 스킬 퍼스트는 채용 기준의 전환인데, 한국 기업의 채용 현장은 여전히 학벌과 경력 연차를 기본 필터로 쓴다. 정책의 방향은 맞지만, 기업이 실제로 스킬 기반 채용을 하도록 만드는 인센티브 설계가 빠져 있다면 구호에 머물 가능성이 높다.

HR이 설계해야 할 것 — AI 도입 속도가 아니라 이득의 분배 구조

여섯 개의 데이터를 교차시키면 하나의 그림이 나타난다. AI는 평균적 직원의 생산성을 올리지만(Stanford HAI), 그만큼 근로시간도 늘리고(NBER), 이득은 기업과 소비자에게 귀속되며(NBER), 한국 노동자는 워라밸을 원하고(통계청), 청년은 진입 자체를 포기하고 있고(BOK), 해외 정책은 스킬 전환을 외치지만 한국 현장과의 갭은 좁혀지지 않는다(OECD·NIA). 이 퍼즐의 공통 빈칸은 이득의 귀속 구조다.

HR이 지금 AI 도입 로드맵을 짜고 있다면, 거기에 한 줄을 추가해야 한다. 이 기술이 만들 생산성 이득의 몇 퍼센트를 노동자에게 돌려줄 것인가. 베트남 HITI처럼 재배치를 설계할 것인가, 아니면 시장 경쟁에 맡겨 근로시간 연장과 청년 진입 지연이라는 비용을 사회에 전가할 것인가. 이 질문에 답하지 않는 AI 전략은, 생산성 숫자가 아무리 높아도 조직의 지속가능성을 담보하지 못한다.

실무 시사점 — HR이 이번 분기에 점검할 3가지:

1. AI 생산성 이득의 귀속 설계. AI 도입으로 절감된 시간·비용이 어디로 가는지 추적하고, 노동자에게 돌아가는 몫(근무시간 단축, 성과급, 역량 개발 투자)을 명시적으로 설계한다. ‘생산성이 올랐으니 더 많이 시키자’는 디폴트를 바꿔야 한다.

2. AI 시대 신입 채용 경로 재설계. 경력직 선호와 AI 보완 구조가 맞물려 신입 진입로가 좁아지고 있다. 스킬 기반 채용을 실제로 적용하는 포지션을 늘리고, 인턴십·OJT를 AI 활용 역량 중심으로 재편한다.

3. 근로시간 모니터링 관점 전환. AI 도입 후 실근로시간이 줄었는지, 늘었는지를 측정하는 지표를 도입한다. 생산성 지표만 보면 AI는 항상 성공이지만, 근로시간 데이터를 겹치면 실제 노동 부담의 변화가 보인다.

#AI생산성 #이득귀속구조 #근로시간 #스킬기반채용 #워라밸

참고 링크

• Stanford HAI, “Will Generative AI Make You More Productive at Work?” (2026)
• NBER, “AI and the Extended Workday: Productivity, Contracting Efficiency, and Distribution of Rents” (2025)
• 국가데이터처, “2025년 사회조사 결과 — 노동 부문” (2025)
• 한국은행, “쉬었음 청년층의 특징 및 평가: 미취업 유형별 비교 분석” (2026)
• OECD, “Empowering the Workforce in the Context of a Skills-First Approach” (2026)
• NIA, “AI 시대의 일자리 변화와 정책 대응 전략” (2026)
• ILO, “When AI Meets Decent Work: A Productivity Breakthrough from the Factory Floor” (2026)

작성: 서재홍 | NODE