AI 생산성 단절, 업무시간 줄어도 성과는 그대로인 이유

요즘 회사 다니는 사람들 사이에서 자주 나오는 얘기가 있다. “AI 쓰니까 확실히 일은 빨라졌는데, 그래서 뭐가 달라졌지.” 보고서 초안 쓰는 시간은 줄었고, 회의록 정리도 순식간에 끝난다. 그런데 가만 보면 작년과 별로 다를 게 없다. 회사 전체로 봐도 마찬가지다. AI 도입한다고 난리인데 매출이나 생산성 지표는 크게 움직이지 않는다.

AI로 아낀 시간이 정말 생산성에 도움이 될까? 한국은행이 펴낸 “AI 도입은 생산성을 높이는가” 보고서를 의인화한 Q&A 인터뷰를 통해 그 궁금증을 풀어봤다.

💡 해당 콘텐츠는 <한국은행 BOK 이슈노트 [제2026-12호] AI 도입은 생산성을 높이는가? 초기 3년의 효과 분석> 자료를 바탕으로 제작되었습니다.

---

Q1. 결론부터요. AI 쓰면 일이 줄어드나요?

줄어듭니다. 2025년 5~6월 전국 만 15~64세 취업자 5,512명을 조사했는데, AI를 업무에 쓰는 근로자의 평균 업무시간이 3.8%, 주 40시간 기준으로 약 1.5시간 줄었습니다. 이 시간이 전부 생산으로 전환된다고 가정하면 잠재적 생산성 증가 효과는 약 1.0%로 추정됩니다.

다만 모두가 똑같이 줄어든 건 아닙니다. 분포를 보면 상당수 근로자는 변화가 크지 않고, 일부에서만 큰 폭의 절감이 몰려 있습니다. 직업별로는 전문직(5.2%)과 사무직(4.0%)에서 효과가 컸고 단순노무직(0.8%)이나 기능직(1.6%)은 미미했습니다.

작업 성격으로 보면 교육자료 개발, 통계분석, 모델 설계, 소프트웨어 개발처럼 인지적이고 비정형적인 업무일수록 시간이 많이 줄었고, 업무 조율이나 장비 운용처럼 고맥락 판단이나 물리적 협력이 필요한 작업은 효과가 제한적이었습니다. 흥미로운 대목은 저숙련 근로자와 AI를 많이 쓰는 사람일수록 절감 효과가 더 컸다는 겁니다. 이걸 AI가 경험 부족을 메워주는 ‘균등화 효과(equalizing effect)’라고 이름 붙였습니다. 숙련도에 따른 생산성 격차를 AI가 어느 정도 완충하고 있다는 뜻입니다.

Q2. 그 3.8%라는 수치, 그대로 믿어도 되나요?

두 가지는 짚고 가야 합니다. 첫째, 1.0%라는 잠재적 생산성 효과는 절약된 시간이 전부 생산 활동에 재투입된다는 강한 가정 위에 있습니다. 그래서 실제 효과의 상한치(upper bound)로 봐야 합니다. 둘째, 업무처리량 변화는 근로자 본인의 자기보고에 기반한 지표라서 측정 오차나 인식 편향이 섞일 수 있습니다. 보고서에도 결과 해석에는 유의가 필요하다고 밝혀뒀습니다.

다만 표본은 통계청 지역별고용조사를 기반으로 직업·연령·성별을 층화하고 사후가중치까지 적용했기 때문에, 방향성 자체는 신뢰할 만하다고 봅니다.

Q3. 그럼 회사 성과도 그만큼 올랐나요?

아니요. 여기가 핵심입니다. 근로자 단위에서 업무시간 절감률과 업무처리량 증가율의 관계를 그래프로 그려보니 상관계수가 0.00이었습니다. 즉, 업무시간이 절감된 것이 업무처리량을 늘려주지 못했다는 뜻입니다.

개인 특성과 고정효과를 통제한 회귀분석에서도 결과는 똑같았습니다. 산업 단위로 확인해도 마찬가지입니다. 2019년 4분기부터 2025년 4분기까지는 AI 활용률과 노동생산성 증가율의 상관계수가 0.11에 그쳤고, ChatGPT 출시 이후인 2022년 4분기부터 2025년 4분기까지로 좁히면 오히려 -0.10으로 살짝 음(-)의 관계가 나타났습니다.

시간은 벌었는데 그 시간이 산출로 이어지지 않은 겁니다. 이 현상을 “생산성 단절(disconnect)”이라고 부릅니다.

Q4. 왜 이런 단절이 생기나요?

네 가지로 나눠 설명하겠습니다.

첫째, AI 확산이 아직 개별 작업 수준에 머물러 있습니다. 업무시간 절감률이 20%를 넘는 작업은 전체의 4.4%에 불과합니다. 하나의 직무 안에서도 일부 작업만 AI로 효율화되고 나머지는 그대로라는 뜻입니다.

둘째, 업무 흐름(workflow)이 경직돼 있습니다. 51개 기업의 AI 도입 사례를 분석한 스탠퍼드 디지털 경제 연구소 보고서(2026)는 가장 어려운 과제가 기술 자체가 아니라 조직문화와 행태 변화 관리, 데이터 품질, 업무 절차 조정 같은 비가시적 비용에서 나온다고 보고합니다. 성공 사례들도 대부분 이전의 실패와 반복적 조정을 거쳐서야 가치 창출에 도달했습니다.

셋째, 생산 과정 안에 병목(bottleneck)이 있습니다. 문서 작성이나 데이터 분석이 빨라져도 의사결정이나 승인 절차가 그대로면, 절약된 시간은 산출 증가가 아니라 대기시간이나 유휴시간으로 흡수됩니다.

넷째, 유인구조가 어긋나 있습니다. Chen et al.(2025) 논문에서 전문 그림 작가들을 대상으로 한 실험이 인상적인데, 생성형 AI가 시간당 결과물 품질은 높여줬지만 추가 노력의 한계수익을 빠르게 낮췄고, 그 결과 다수의 참가자가 작업 시간 자체를 줄였습니다. 일부는 최종 품질까지 낮아졌습니다. 보상이 성과에 직접 연결되지 않으면, 사람은 굳이 아낀 시간을 더 일하는 데 쓰지 않는다는 뜻입니다.

Q5. 그래도 예외는 있었죠?

있었습니다. 자영업자, 전문직, AI를 많이 쓰는 사람들입니다.

자영업자는 AI로 업무시간이 1%p 줄어들 때 임금근로자보다 업무처리량이 1.0%p 더 늘었습니다. 전문직은 사무직보다 0.7%p, AI 사용시간 상위 50% 집단은 하위 50%보다 0.5%p 더 늘었습니다. 청년층(15~39세)도 50~64세보다 약 0.6%p 더 늘었는데, 디지털 기술 적응력이 높기 때문으로 해석됩니다. 반대로 노동공급탄력성이 높은, 즉 근로시간을 유연하게 조정할 수 있는 집단은 오히려 업무처리량 증가가 낮게 나타났습니다.

Q6. 이 집단들은 뭐가 다른가요?

기술력 차이가 아닙니다. 성과가 소득이나 평가로 직접 연결되고, 업무를 스스로 조정할 수 있는 자율성이 있다는 공통점입니다. 자영업자는 성과가 곧 소득이니 아낀 시간을 생산 활동에 재투입할 유인이 강합니다. 전문직은 업무 자율성과 성과 가시성이 높아서 절약된 시간을 추가 과업이나 업무 고도화로 돌릴 수 있습니다.

반대로 역할과 승인권한, 협업 방식이 고정된 조직에서는 개인이 아낀 시간이 전체 업무 흐름의 재설계로 흡수되지 못하고 국지적인 효율 개선에 머무릅니다. 성별, 학력, 근속연수에 따른 차이는 통계적으로 유의하지 않았습니다. 즉 AI의 생산성 효과는 ‘누구냐’보다 ‘어떤 구조 안에 있느냐’에 더 크게 좌우된다는 겁니다.

Q7. 이거 원래 새 기술이 다 겪는 성장통 아닌가요?

맞습니다. 범용기술은 도입 초기에 조직 개편과 업무 재설계, 인력 재배치 같은 보완적 혁신이 뒤따라야 생산성으로 이어집니다. 전기나 인터넷도 초기에는 생산성 지표에 잘 드러나지 않다가 시차를 두고 반영된 전례가 있습니다. 경제학에서는 이를 J-커브, 혹은 솔로 역설이라고 부릅니다.

다만 한 가지 데이터가 지금 상황을 잘 보여줍니다. AI 활용률이 근로자 기준으로는 51.8%인데, 기업 기준으로는 9.6%에 불과합니다. 이 격차는 지금의 AI 확산이 기업 차원에서 체계적인 업무흐름 변화를 수반하며 진행되는 게 아니라, 개별 근로자가 각자 알아서 쓰는 방식으로 이루어지고 있다는 뜻입니다. 조직이 움직이지 않으면 개인의 시간 절감은 계속 개인 차원에 머무를 가능성이 큽니다.

Q8. 그럼 이 흐름이 신입 사원들에게는 어떤 영향을 주나요?

전통적으로 자료 정리나 기초 분석, 정형화된 보고서 작성 같은 표준화 업무는 신입, 저연차 근로자가 도메인 지식과 업무 감각을 쌓는 학습 경로였습니다. 그런데 이 업무들이 AI로 대체되면 단기적으로는 생산성이 오를 수 있지만, 장기적으로는 열린 업무를 수행할 인재층 자체가 얇아질 위험이 있습니다.

세 가지를 제안합니다. 첫째, 신입이 관찰, 보조, 주도 순으로 열린 업무에 조기 참여할 수 있는 경로를 설계하는 것. 둘째, AI로 아낀 숙련자의 시간을 멘토링과 페어워크에 재투입하는 것. 셋째, AI가 자동화한 영역에 대해서도 왜 그런 결과가 나왔는지 검증하고 학습하는 구조를 만드는 것입니다.

Q9. 그럼 지금 개인이나 회사가 할 수 있는 건 뭔가요?

업무를 두 종류로 나눠보길 제안합니다. 결과물과 평가 기준이 명확한 표준화 업무(보고서 요약, 회계 처리, 규정 검토, 데이터 정리)와, 결과물의 형태가 정해져 있지 않고 경험과 판단이 중요한 열린 업무(신규 사업 기획, 전략 수립, 복합적 문제 해결)입니다.

표준화 업무에서는 AI가 업무의 중심을 맡도록 흐름 자체를 재설계하는 게 낫습니다. 입력 데이터 표준화, 업무 단위 모듈화, 결과 검증 절차와 예외 처리 규칙을 미리 정해두면, 사람의 역할은 목표 설정과 결과 검증, 예외 대응으로 옮겨갑니다.

열린 업무에서는 AI를 대체재가 아니라 증강(augmentation) 도구로 씁니다. 아이디어 탐색, 초안 작성, 정보 수집, 대안 제시는 AI에 맡기고, 해석과 평가, 최종 의사결정은 사람이 맡는 구조입니다. 중요한 건 아낀 시간이 새로운 고객 대응이나 신규 사업 발굴처럼 부가가치가 높은 활동으로 실제로 재배치되도록 조직이 메커니즘을 만들어주는 겁니다. 그냥 시간이 남는 것만으로는 아무 일도 일어나지 않습니다.

---

관건은 AI를 얼마나 쓰느냐가 아니다. AI가 벌어준 시간을 무엇에 쓸지 스스로 결정할 자율성과, 그 결과를 보상받을 수 있는 구조가 있느냐이다. 이 질문에 대한 답은 당신의 회사, 혹은 당신 자신이 갖고 있다.

FAQ