AI를 써서 일이 빨라졌는데, 경제 전체의 효과는 왜 따로 봐야 할까?

GTM 전략을 수립하는 현장에서, 새 도구를 샀는데도 기대한 만큼 일이 빨라지지 않는 모습을 여러 차례 봤어요. SaaS나 CRM을 도입하고 클라우드로 전환할 때도 그랬습니다. 기존 업무에 도구를 추가한 뒤에야 승인 절차나 부서 간 협업 방식을 다시 검토하기 시작하는 거예요.

AI를 둘러싼 생산성 논쟁을 보면서 그 경험이 떠올랐어요. 개인은 문서 초안을 빨리 쓰게 됐다고 하는데, 경제 전체에서 AI의 효과가 얼마나 나타났는지는 여전히 논쟁 중이거든요. 두 이야기가 꼭 모순되는 것은 아니에요. 개별 작업에 걸리는 시간, 조직이 일을 끝내는 데 걸리는 시간, 경제 전체의 생산성은 서로 다른 지표예요.

AI 관련 투자가 늘었다고 업무 효율이 확인된 것은 아니에요

데이터센터를 짓고 서버를 구입하는 투자는 경제 활동을 늘려요. 그 설비를 이용한 기업이 같은 시간에 더 많은 제품이나 서비스를 만들게 됐는지는 별도로 확인해야 하고요. AI 관련 투자액만으로 AI를 사용하는 근로자의 생산성 향상 폭을 알 수는 없어요.

생산성 통계 자체도 해석에 주의가 필요해요. 예일대 Budget Lab의 마사 김벨은 2026년 2월 분석에서, 최근 몇 분기의 미국 생산성 증가율이 비교적 높았지만 팬데믹 이전과 비교해 이례적인 수준은 아니라고 설명했어요. 생산성을 계산하는 데 쓰이는 산출과 노동시간 자료는 수정될 수 있어서, 초기 수치만으로 큰 변화를 확정하기도 어렵고요.

평균값이 오르는 이유도 하나가 아니에요. 예를 들어 생산성이 낮게 측정되는 업종의 고용이 줄면, 남아 있는 근로자 개개인의 일하는 방식이 그대로여도 전체 평균은 높아질 수 있어요. 생산성 증가를 AI의 효과라고 설명하려면 이런 구성 변화나 설비 가동률 같은 다른 요인도 살펴봐야 합니다.

이는 AI가 효과 없다는 결론을 뜻하지 않아요. 통계에서 나타난 변화 중 어느 정도가 AI 사용 때문인지 아직 구분해야 한다는 뜻이에요. 한두 분기의 좋은 수치나 나쁜 수치로 결론을 내리기 어려운 이유죠.

AI를 써본 경험과 업무에 정착한 정도는 달라요

세인트루이스 연준이 소개한 2024년 8월 조사에서는 미국의 18~64세 응답자 약 40%가 생성형 AI를 사용한 경험이 있다고 답했어요. 이 수치는 업무 밖에서의 사용도 포함해요. 이를 곧바로 근로자의 40%가 매일 AI로 일한다는 뜻으로 읽으면 안 됩니다.

어떤 사람에게 물었는지도 중요해요. BCG의 2025년 조사는 11개 국가·지역의 사무직 종사자 10,635명을 대상으로 했어요. 경영진과 관리자 가운데 정기적으로 AI를 사용하는 비율은 각각 4분의 3을 넘었지만, 일선 직원은 51%였어요. 여기서 정기적 사용은 매일 또는 일주일에 여러 번 쓰는 경우를 말해요.

회사가 AI를 도입했다는 응답만으로는 실제 활용 정도를 알기 어려워요. 어느 직무에서, 어떤 작업에, 얼마나 자주 쓰는지까지 봐야 하죠. 경영진의 사용 경험과 현장 직원의 업무 환경도 같다고 가정할 수 없고요.