한 직원이 AI로 초안을 30분 만에 끝냅니다. 예전엔 1시간 걸리던 일입니다. 그런데 남은 30분은 결과 검증에 쓰이고, 더 빨라졌다는 이유로 새 요청이 들어오고, AI가 만든 어색한 산출물을 다시 사람 말로 고칩니다. 하루가 끝나면 분명 "속도"는 올랐는데, 체감 workload는 줄지 않습니다.
지금 AI 논쟁의 핵심이 여기에 있습니다. 최근 보도와 연구를 보면, 많은 기업이 AI를 쓰고 있다고 말하지만 실제 고용이나 생산성에 "눈에 띄는 변화가 없었다"고 답한 경영진이 압도적으로 많았습니다.12 중요한 건 AI가 시간을 아끼지 못해서가 아닙니다. 시간을 아껴도, 그 시간이 조직 차원에서 "진짜 일 감소"로 이어지지 않는다는 점입니다.
신화: 작업 속도가 빨라지면 생산성도 오른다
겉으로 보면 AI는 분명 효율을 만듭니다. 문서 초안, 요약, 코드 보조, 이메일 작성 같은 작업은 빨라집니다. 기업 임원 조사에서도 AI 도입 기업이 늘고 있고, 특히 금융과 고숙련 서비스 업종에서는 긍정적 생산성 효과가 관찰됐습니다.3
하지만 여기서 자주 생기는 착각이 있습니다. 개별 작업의 속도 향상과 조직의 생산성 향상은 같은 말이 아닙니다.
생산성은 단순히 "더 많이 만들었다"가 아니라, 더 적은 자원으로 더 큰 가치가 나왔는지를 봐야 합니다. 초안 작성 시간이 절반으로 줄어도, 검토와 수정이 길어지면 총노동은 크게 줄지 않습니다. 더 나쁜 경우엔 산출물 양이 늘면서 승인, 정렬, 품질 관리, 책임 소재 확인 같은 조정 비용이 커집니다.
실제로 NBER와 연계된 기업 임원 조사에서는 AI의 체감 생산성 향상이 측정된 생산성 향상보다 더 크게 나타났습니다. 연구진은 이를 매출 반영 지연, 즉 효율 개선이 곧바로 사업 성과로 잡히지 않는 현상으로 해석했습니다.3 다시 말해 "일하는 느낌"과 "사업 성과" 사이에 시차가 있다는 뜻입니다.
절약된 시간은 어디로 사라지나
AI가 만든 시간 절감분은 대개 네 군데로 새어 나갑니다.
첫째, 검증입니다. 생성형 AI는 빠르지만, 정확성과 맥락 적합성은 별도 문제입니다. 특히 고객 응대, 재무, 법무, 운영 문서처럼 오류 비용이 큰 영역일수록 사람의 확인이 필수입니다.4
둘째, 재작업입니다. 초안은 빨리 나오지만, 팀의 기준과 브랜드 톤, 규제 요구사항에 맞추는 데 다시 손이 갑니다. 겉보기엔 자동화지만 실제론 "초안 생성의 외주화"에 가까운 경우가 많습니다.
셋째, 기대치 상승입니다. 작업이 빨라졌다는 신호가 생기면 조직은 자연스럽게 더 많은 요청을 흘려보냅니다. 한 사람이 처리하는 티켓, 문서, 회의 후속 작업이 늘어나면 throughput은 증가하지만 의미 있는 여유는 생기지 않습니다.
넷째, 도구 자체의 운영 비용입니다. 여러 AI 도구를 동시에 쓰면 전환 비용과 인지 피로가 커집니다. BCG 조사에선 AI 도구를 4개 이상 쓰는 집단에서 자기보고 생산성이 오히려 떨어졌고, 실수와 피로감이 늘었다는 결과도 나왔습니다.1
그래서 "AI로 빨라졌다"는 말만으로는 부족합니다. 그 속도가 총노동을 줄였는지, 아니면 검토와 조정을 늘렸는지를 따로 봐야 합니다.
더 나은 질문: AI가 일을 없앴나, 처리량만 늘렸나
실무에서는 이 질문 하나가 꽤 유용합니다. "이 도구가 우리 팀의 일을 제거했는가, 아니면 더 많은 일을 보이게 만들었는가?"
판별 기준은 단순합니다.
AI 도입 후 정말 좋아진 경우는 보통 네 가지 중 하나가 보입니다. 인지 부하가 줄었거나, 사람 간 handoff가 줄었거나, 오류 비용이 낮아졌거나, 전체 리드타임이 짧아졌습니다.
반대로 착시일 가능성이 큰 경우는 이런 패턴입니다. 초안 수는 늘었는데 승인 대기열이 길어지고, 문서는 많아졌는데 결정은 빨라지지 않고, 팀원들은 바빠졌는데 고객 가치나 매출 지표가 그대로입니다.
고용 지표도 비슷합니다. 단기적으로는 대규모 총고용 감소 증거가 약하다는 연구가 많지만, 직무 구성 변화는 분명합니다. 루틴한 사무·서무 성격의 역할 수요는 줄고, 기술적·분석적 역할 비중은 커지는 쪽입니다.3 "사람이 사라진다"보다 "어떤 일이 사람 일로 남는가"가 더 정확한 질문입니다.
AI 생산성 역설을 피하려면 무엇을 측정해야 하나
AI를 잘 쓰는 팀은 모든 일을 자동화하려 하지 않습니다. 병목이 분명한 곳에만 넣습니다. 그리고 "더 많이 했다"보다 "덜 되돌아왔다"를 봅니다.
가장 먼저 버려야 할 지표는 산출물 개수입니다. 문서 수, 메시지 수, 코드 줄 수는 AI 시대에 너무 쉽게 부풀려집니다. 대신 수정 횟수 감소, 승인까지 걸린 시간, 고객 전달까지의 사이클 타임, 오류율, 재작업 비율 같은 지표가 더 낫습니다.
운영 규칙도 필요합니다. 예를 들어 검토 루프를 두 번까지만 허용하고, 그 이상이면 사람이 처음부터 다시 쓰게 하는 식입니다. "좋은 초안"의 기준과 "사람이 직접 해야 하는 최종 판단"의 경계를 정하지 않으면, AI는 절약 도구가 아니라 끝없는 중간산출물 생성기가 됩니다.
반론도 있습니다. 지금 숫자가 약하다고 해서 AI 효과가 없다고 단정할 수는 없습니다. 과거 IT도 초기에 생산성 통계에 잘 잡히지 않다가, 조직 재설계와 보완 투자 이후에야 본격 효과가 나타났습니다.1 다만 그 반론이 현재의 과장된 성과 주장까지 정당화하진 않습니다. "아직 효과가 측정되지 않는다"와 "이미 효과가 크다"는 다른 말입니다.
결국 지금 AI를 가장 진지하게 봐야 하는 사람은, 도입 여부보다 운영 방식을 책임지는 관리자와 팀 리더입니다. 질문은 간단합니다. 우리 팀은 AI로 의미 있는 일을 덜 하고 있는가, 아니면 더 많은 활동을 더 빨리 생산하고 있을 뿐인가. 이 차이를 구분하지 못하면, AI는 효율 도구가 아니라 조직을 더 복잡하게 만드는 가속기가 됩니다.
참고
1CEOs admit AI had no impact on employment or productivity
3Artificial Intelligence, Productivity, and the Workforce: Evidence from Corporate Executives
4AI's Productivity Paradox: Are We Wasting Time Fixing AI Mistakes?
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.