ChatGPT 같은 생성형 AI가 등장한 지 어느덧 3년이 되어가고 있습니다. 이제 근로자들 사이에서 AI는 이미 없어서는 안 될 도구가 되었는데요. AI에게 보고서 초안을 맡기거나, AI로 데이터를 분석하는 풍경이 낯설지 않죠. 실제로 2025년 기준 국내 취업자의 절반 이상(51.8%)이 생성형 AI를 업무에 활용하고 있으며, 이 속도는 과거 인터넷이 퍼지던 시기보다 무려 8배나 빠릅니다[그림 1].
그런데 분명 AI의 도입으로 일처리는 빨라진 것 같은데, 정작 생성형 AI 출시 이후 지난 3년간 나라의 생산성 지표에는 큰 변화가 없었습니다[그림 2]. 이번 블로그에서는 AI의 도입이 정말 업무시간을 줄여주었는지, 줄어든 시간이 생산성 향상으로 이어졌는지, 그리고 AI의 생산성 효과를 살리려면 어떻게 해야 할지 함께 살펴보겠습니다.
AI, 확실히 시간을 아껴준다
생성형 AI를 활용하는 근로자들은 같은 일을 처리하는 데 평균 3.8% 더 짧은 시간이 걸렸습니다. 주 40시간 근무를 기준으로 하면 매주 약 1.5시간을 아끼는 셈이죠[그림 3]. 이러한 시간 절감이 전부 생산에 투입된다고 가정하면 잠재적인 생산성 향상 효과는 약 1.0%p로 추정됩니다.
개인 특성별로 보면 AI를 많이 쓸수록 시간 절감 효과가 커졌고, 경력이 짧은 근로자일수록 AI의 도움을 더 크게 받았습니다. AI가 경험 부족을 어느 정도 메워주는 '평등화 역할'을 하는 셈입니다.
아낀 시간은 생산성으로 이어지지 않았다
AI 덕분에 매주 1.5시간을 아낀 근로자가 그 시간에 더 많은 일을 해냈을 것 같지만, 업무시간 절감과 업무처리량 증가 사이의 상관계수는 0에 불과했습니다[그림 5].이러한 현상을 저희는 'AI 생산성 단절(disconnect)'이라 이름 지었습니다. AI가 개별 작업의 속도는 높였지만, 그 효과가 전체적인 생산성으로 이어지지 못하고 있는 것입니다.
특정 그룹에서는 생산성이 증가하였다
그러나 더 자세히 들여다보면 예외도 있었습니다. 자영업자, 청년층, 전문직은 AI로 아낀 시간을 업무처리량 증가에 활용하고 있었습니다. 성과가 곧 소득으로 이어지는 자영업자의 특성, 디지털 기술에 빠르게 적응하는 청년층의 강점, 전문직의 높은 업무 자율성이 이러한 차이를 만들어낸 것으로 보입니다.
왜 생산성 증가가 나타나지 않았을까?
크게 네 가지 요인이 있을 수 있습니다.
① (작업 수준에 머무르는 AI 확산) 지금의 AI는 ‘업무 전체’가 아니라 ‘특정 작업’에 국한되는 경향이 강합니다. 실제로 저희 설문 결과에 따르면, 업무 시간을 20% 이상 상당폭 단축한 작업은 4.4%에 불과하여 시간 절감 효과는 아직 제한적인 것으로 나타났습니다.
② (업무 흐름의 경직성) 기업내 조직문화, 근로자의 행태, 업무 절차 등의 유기적인 조정 없이 AI만 도입해서는 실질적인 성과개선을 기대하기 어렵습니다. 앞선 분석에서와 같이, 업무 자율성이 높은 자영업자나 전문직 집단에서 상대적으로 뚜렷한 생산성 증가가 관측된 것도 이러한 이유지요.
③ (생산 과정 내 병목의 존재) 업무 흐름의 상당 부분이 효율화되더라도 특정 단계에 병목이 존재하면 업무 전체는 여전히 지연될 수 있습니다. 예컨대 AI를 활용해 데이터 분석과 보고서 작성을 아무리 신속히 처리하더라도, 결재 과정에서 지체된다면 생산성 제고 효과는 반감됩니다.
④ (유인구조의 불일치) 추가 성과에 대한 보상이 미약하면 남는 시간을 생산 활동에 재투입할 유인이 적을 수 있습니다. 이 또한 자영업자와 전문직과 같이 성과와 보상 간 연계성이 높은 집단에서 생산성 증가가 나타난 현상과 일맥상통합니다.
하지만 낙담할 필요는 없습니다. 현재 관찰되는 생산성 단절 현상이 J-Curve 또는 Solow 역설과 같이 범용 기술의 도입 초기에 나타나는 전형적인 전환 과정일 수 있기 때문이죠.
어떻게 해야 생산성을 높일 수 있을 것인가
우선 결과물의 평가 기준이 명확한 ‘표준화된 업무(보고서 요약, 데이터 정리 등)’는 AI 중심으로 흐름 자체를 재설계해 아낀 시간을 더 가치 있는 활동으로 연결해야 합니다. 반면, 사람의 판단과 창의성이 핵심인 '열린 업무(신규 사업, 연구 개발 등)'에서는 AI를 조력자로 활용하면서 사람의 역량을 더욱 키워가는 방향을 택해야 합니다. 특히 신입·저연차 직원들이 AI에 기초 업무를 넘기면서 중요한 숙련 형성 기회를 잃지 않도록 학습 경로를 새롭게 설계하는 것도 빠뜨릴 수 없습니다.
AI가 가진 잠재력은 분명하지만, 그 잠재력을 진짜 성과로 바꾸는 과정에는 사람과 제도의 역할도 중요할 것입니다. 저희도 여러 데이터를 살펴보며 생산성 전환을 설명하는 여러 선행지표를 지속적으로 추적·분석하고 정책 제언을 할 수 있도록 노력하겠습니다.
- [1] 자세한 내용은 BOK 이슈노트 제2026-12호 「AI 도입은 생산성을 높이는가? 초기 3년의 효과 분석」을 참조하기 바란다.
- [2] 절약된 시간이 전적으로 생산 활동에 재투자된다는 강한 가정과 생산함수 접근법에 기반한 추정치로, 이는 실제 생산성 증가 효과의 상한치(upper bound)로 해석할 필요가 있다.
- [3] 생성형 AI가 경력에 따른 근로자 간 생산성 격차를 완화한다는 기존 연구와 일관된다(Brynjolfsson et al., 2025; Dell’Acqua et al.,2026; Cui et al., 2024; Hofmann et al., 2024).
- [4] 새로운 기술이 처음 도입됐을 때는 적응하느라 생산성이 일시적으로 떨어지지만, 기술에 완전히 익숙해진 위에는 ‘알파벳 J‘ 모양처럼 생산성이 급상승하는 현상을 의미한다.
- [5] Robert Solow 교수는 1987년 “컴퓨터 시대는 어디에서나 볼 수 있지만, 생산성 통계에서만은 볼 수 없다”고 말하며, 기술 발전이 곧바로 생산성 향상으로 이어지지 않는 역설적 상황을 지적했다.