AI 생산성 역설, 일이 늘어난 게 아니라 눈높이가 올라간 것

AI 생산성 역설은 개인의 작업 속도는 빨라졌는데 조직의 생산성 지표는 거의 움직이지 않는 현상입니다. 요즘 여기에 한 가지가 더 붙었습니다. 일이 줄기는커녕 오히려 늘었다는 말입니다.

AI가 좋아졌다는 데는 대체로 이견이 없습니다. 문서 초안이 몇 분 만에 나오고, 코드도 상당 부분을 맡길 수 있게 됐습니다. 이제는 AI를 아예 쓰지 않고 일하는 사람을 찾기가 오히려 어렵습니다.

그런데 정작 남는 시간이 없습니다. 퇴근이 빨라졌다는 이야기보다 예전보다 바쁘다는 이야기가 더 자주 들립니다. 이 어긋남을 어떻게 보느냐에 따라 앞으로 몇 해를 준비하는 방식도 달라질 것 같습니다. 공개된 조사와 실험 자료를 근거로 삼되, 해석과 전망은 2026년 9월 기준의 개인 견해로 적었습니다.

체감과 지표 사이에서 나타나는 어긋남

숫자로 보면 개인이 느끼는 것과 조직에 잡히는 것이 서로 다른 말을 합니다.

특히 눈에 걸리는 것은 마지막 줄입니다. 시간은 분명히 줄었는데 그 시간이 더 많은 결과물로 바뀌지 않았습니다. 한국은행은 이 상태를 효율성 단계에는 들어섰지만 생산성 단계로 넘어가지는 못한 것으로 정리했습니다.

체감과 실측이 어긋난다는 관찰은 실험에서도 나왔습니다. 익숙한 저장소에서 실제 작업을 하게 한 무작위 대조 실험이 있었는데, 참여한 개발자 16명은 그 프로젝트를 평균 5년 정도 다뤄 온 사람들이었습니다. 결과는 AI를 쓸 수 있던 쪽이 오히려 19% 느린 것으로 나왔습니다.

더 눈에 띄는 대목은 그 뒤입니다. 참가자들은 실험이 끝난 뒤에도 AI 덕분에 20% 정도 빨라졌다고 답했습니다.

표본이 16명이라 이 수치를 모든 업무로 넓히기는 어렵습니다. 다만 사람이 자기 작업 속도를 스스로 재는 일에 서툴다는 점은 함께 볼 만합니다.

“

지금 상황은 AI가 일을 못 한다는 쪽보다, 우리가 무엇을 얼마나 하고 있는지를 잘 못 세고 있다는 쪽에 가까워 보입니다.

AI 생산성 역설을 두고 나온 설명 네 가지

이 어긋남을 두고 밖에서 나온 설명은 대체로 네 가지입니다.

• 검토 부담: AI가 내놓은 것을 사람이 확인해야 해서, 줄어든 작성 시간이 늘어난 검토 시간으로 옮겨 갑니다. 한 조사에서는 응답자의 77%가 AI 산출물을 검토하는 데 직접 하는 것보다 시간이 더 든다고 답했습니다.
• 기대치 상향: 열흘 걸리던 보고서를 이틀에 내면 쉬는 시간이 생기는 것이 아니라 다음 분기에 다섯 건을 요구받습니다. 한 조사에서 관리자의 54%가 AI 때문에 업무 기대치를 직접 올렸다고 답했습니다.
• 겉만 그럴듯한 산출물: 형식은 갖췄지만 내용이 비어 있는 결과물이 팀 안을 돌아다니면서, 받은 쪽이 다시 만드는 시간이 생깁니다. 한 연구는 이런 일이 한 건 생길 때마다 대략 두 시간이 재작업으로 들어간다고 봤습니다.
• 조직 재설계 부재: 도구만 들이고 일하는 순서를 그대로 두면 개인의 절감이 조직 성과로 합쳐지지 않습니다. 기업의 AI 시범 사업 대부분이 손익에 잡히는 성과를 못 낸다는 보고가 여기에 해당합니다.

넷 다 실제로 일어나고 있는 일로 보입니다. 다만 넷을 다 합쳐도 설명이 덜 되는 대목이 남는다고 생각합니다. 검토 부담과 재작업은 도구가 정확해지면 가벼워질 텐데, 모델이 눈에 띄게 좋아진 지난 1년 동안에도 바쁘다는 말은 줄지 않았습니다.

일의 속도가 아니라 품질 기준이 올라간 것으로 보입니다

여기서부터는 개인적인 해석입니다. 시간이 남지 않는 이유는 일이 느려져서가 아니라, 그동안 자원이 없어서 넘어가던 품질을 이제야 챙기기 시작했기 때문이라고 생각합니다.

성능 좋은 청소기를 들이면 청소 시간이 줄어들 것 같지만 실제로는 잘 줄지 않는 편입니다. 예전에는 손님 오기 전에 눈에 보이는 바닥만 밀고 끝냈는데, 힘이 덜 드니까 창틀과 침대 밑까지 닦게 되기 때문입니다. 집은 더 깨끗해졌는데 걸린 시간은 비슷합니다.

일도 비슷한 방식으로 움직이고 있는 것 같습니다. 예전에는 시간이 없어 초안 하나로 끝냈지만 이제는 몇 가지 안을 만들어 비교합니다. 하는 일의 양은 그대로인데 결과물의 밀도만 달라진 것으로 보입니다.

이 관점이 앞의 네 가지와 다른 지점은 압력의 방향이라고 봅니다. 기대치 상향은 관리자가 더 시키는 이야기이고 바깥에서 오는 힘입니다. 반면 여기서 말하는 것은 일하는 사람 스스로 예전이라면 그냥 넘겼을 것을 넘기지 못하게 됐다는 쪽입니다. 할 수 있게 되면 안 하기가 어려워지는 것 같습니다.

“

사람들은 AI를 써서 일을 더 잘하고 있다고 느끼는데, 실제로 달라진 것은 잘하는 정도가 아니라 자기가 참을 수 있는 최소 수준일 가능성이 있습니다.

예전에는 넘어갔던 일들이 일감으로 돌아왔습니다

무엇이 새로 일감이 됐는지 적어 보면 이 해석이 조금 더 또렷해집니다. 실무에서 자주 보이는 것들입니다.

• 감으로 정하던 문구를 짧게라도 근거를 찾아 정합니다
• 남기지 않던 작업 기록과 설명 문서를 남깁니다
• 안 짜던 검증 절차를 짭니다
• 눈으로 훑고 넘어가던 데이터를 실제로 돌려 봅니다

이 목록에 있는 항목 가운데 예전에 하지 말자고 정한 것은 하나도 없습니다. 전부 하면 좋은 줄 알면서 시간이 없어 못 하던 것입니다. 도구가 그 문턱을 낮추자 미뤄 두었던 일이 한꺼번에 돌아온 것으로 보입니다.

밖에서도 비슷한 관찰이 있습니다. 소프트웨어 개발 쪽에서는 완료의 정의 자체를 다시 써야 한다는 논의가 나왔습니다. 사람이 짜고 사람이 검증하던 시절의 기준으로는 AI가 관여한 결과물의 품질을 보증할 수 없다는 이유입니다.

AI가 천장보다 바닥을 먼저 올렸다는 표현도 같은 이야기로 보입니다. 뛰어난 사람이 더 뛰어나졌다기보다, 예전 같으면 그냥 넘어가던 평범한 결과물이 이제는 넘어가지 않는 쪽에 가깝다고 봅니다.

당분간 일의 총량은 크게 줄지 않을 것으로 보입니다

이 해석이 맞다면 가까운 몇 해는 비교적 단순한 모습이 되지 않을까 싶습니다. 모델이 좋아지는 만큼 결과물의 품질은 계속 올라가겠지만, 하는 일의 양 자체는 크게 변하지 않을 가능성이 적지 않아 보입니다. 확보된 시간이 곧바로 다음 단계의 확인과 정리로 들어갈 것으로 보이기 때문입니다.

거시 지표도 아직은 조용한 편입니다. 미국의 2026년 2분기 노동생산성은 1.4% 증가에 그쳤습니다. 새로운 범용 기술이 지표에 잡히기까지 시차가 있다는 설명은 오래전부터 있었고, 지금이 그 시차에 해당한다는 해석도 성립합니다. 다만 시차만으로 설명하면 그동안 사람들이 왜 더 바빠졌는지는 남는다고 생각합니다.

한 가지 덧붙이면, 기준이 올라가는 것 자체가 나쁜 일은 아니라고 봅니다. 같은 시간에 더 나은 것을 만들고 있다면 손해라고 보기는 어렵습니다. 문제는 그 변화가 지표에 잡히지 않아서 일하는 사람만 이유를 모른 채 바쁘다고 느끼게 되는 쪽이 아닐까 싶습니다.

사람이 하나하나 확인하는 구조는 오래가지 않을 것 같습니다

지금의 균형은 사람이 결과물을 하나하나 확인해야 한다는 전제 위에 서 있습니다. 그 전제가 성립하지 않게 되면 이야기가 달라질 것 같습니다.

AI가 사람의 개입 없이 이어서 처리할 수 있는 작업의 길이는 꾸준히 늘고 있습니다. 한 평가 기관의 측정에서는 이 길이가 2023년 이후 대략 131일마다 두 배가 되는 흐름을 보였고, 2026년 초에는 상위 모델이 몇 시간짜리 작업까지 다루게 됐습니다.

이 추세가 이어진다면 사람이 붙어 있어야 하는 지점도 점점 뒤로 밀릴 것으로 보입니다. 지금은 문단 단위로 확인하지만 나중에는 문서 단위, 그다음에는 과제 단위로 확인하게 될 수 있습니다. 청소로 돌아가면, 청소기를 직접 미는 대신 다 된 집을 둘러보는 쪽으로 바뀌는 셈입니다. 그때가 오면 일이 실제로 간소화되고 총량도 줄어들 여지가 생긴다고 봅니다.

그 시점이 언제일지는 단정하기 어렵습니다. 측정 방식에 따라 배가 속도가 다르게 나오고, 실험실 과제에서 잘하는 것과 실제 업무에서 믿고 맡길 수 있는 것 사이에는 아직 거리가 있습니다. 여기서 말할 수 있는 것은 방향 정도입니다.

시간이 어디로 갔는지 확인하는 두 가지 방법

전망보다 당장 해 볼 만한 것은 두 가지 정도로 보입니다.

무엇이 새로 일감이 됐는지 적어 봅니다. 시간이 남지 않는다면 어딘가로 갔다는 뜻입니다. 그것이 검토인지, 재작업인지, 예전에는 안 하던 확인인지 나눠 적어 보면 다음에 무엇을 바꿔야 할지 보입니다. 재작업이라면 도구나 절차의 문제로 볼 수 있고, 예전에는 안 하던 확인이라면 손실이 아니라 기준이 올라간 결과로 볼 수 있습니다.

올라간 기준을 말로 정해 둡니다. 어디까지 확인하고 어디서 멈출지를 팀이 함께 정하지 않으면 각자 다른 높이로 일하게 됩니다. 누구는 세 가지 안을 만들고 누구는 하나로 끝내는데 둘 다 완료라고 부르면, 품질은 올라가지 않고 시간만 사람마다 다르게 듭니다.

자주 묻는 질문

AI를 쓰는데 왜 퇴근이 빨라지지 않을까요?

절약된 시간이 곧바로 다음 일로 들어가기 때문으로 보입니다. 한쪽에는 관리자가 기대치를 올리는 외부 압력이 있고, 다른 한쪽에는 예전이라면 그냥 넘겼을 확인을 이제 하게 되는 내부 기준의 변화가 있습니다. 뒤쪽은 스스로 선택한 것이라 압력으로 느껴지지 않아 더 잘 보이지 않는 편입니다.

그러면 AI 도입이 실패한 것인가요?

그렇게 보기는 어렵습니다. 같은 시간에 더 나은 결과물이 나오고 있다면 그 자체가 성과라고 봅니다. 다만 지금 쓰는 생산성 지표는 대체로 시간당 산출량을 재기 때문에 품질이 올라간 부분을 잘 잡지 못합니다. 지표가 조용하다는 것과 아무 일도 일어나지 않았다는 것은 다른 이야기입니다.

일하는 시간이 실제로 줄어드는 시점은 언제일까요?

단정하기 어렵습니다. 사람이 결과물을 하나하나 확인해야 하는 동안에는 확보된 시간이 계속 확인으로 흡수될 가능성이 큽니다. AI가 사람 없이 이어갈 수 있는 작업의 길이가 길어지면서 확인 지점이 뒤로 밀릴 때 여지가 생기는데, 그 속도를 두고는 측정 방식마다 답이 다릅니다.

3줄 요약

1. AI 생산성 역설은 개인의 작업 속도는 빨라졌는데 조직의 생산성 지표는 거의 움직이지 않는 현상입니다.
2. 한국은행 조사에서 AI를 쓴 근로자의 업무시간이 주당 약 1.5시간 줄었지만 그 절감은 실제 산출 증가와 이어지지 않았습니다.
3. 시간이 남지 않는 이유는 속도가 느려서가 아니라 예전에는 자원이 없어 넘어가던 확인과 정리가 일감으로 돌아왔기 때문으로 보입니다.

Sources

• 한국은행 BOK 이슈노트 제2026-12호, AI 도입의 초기 3년 효과 분석
• METR, Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity
• METR, Task-Completion Time Horizons of Frontier AI Models
• Harvard Business Review, AI-Generated Workslop Is Destroying Productivity
• NBER, The Productivity J-Curve: How Intangibles Complement General Purpose Technologies