AI 생산성 역설

2025-10-12, G25DR

1. 서론: AI 시대의 생산성 약속과 현실의 괴리

인공지능(AI) 기술, 특히 생성형 AI의 등장은 제4차 산업혁명의 핵심 동력으로 간주되며 전례 없는 생산성 향상과 경제 성장을 약속하고 있다. 수많은 기업이 AI를 도입하여 운영 효율성을 높이고 있으며, 개인 사용자들은 일상 업무에서 AI의 도움을 받아 시간을 절약하고 있다.1 이러한 미시적 차원의 긍정적 신호들은 AI가 경제 전반의 패러다임을 바꿀 것이라는 기대를 증폭시킨다. Toyota는 공장 작업자들이 직접 머신러닝 모델을 개발하고 배포할 수 있는 AI 플랫폼을 도입하여 연간 10,000시간 이상의 노동 시간을 절감했으며, 금융 기관들은 AI를 통해 사기 탐지의 정확도를 획기적으로 높이고 있다.1 소프트웨어 개발자들은 GitHub Copilot과 같은 AI 코딩 보조 도구를 활용해 개발 속도를 최대 55%까지 향상시키는 등, 산업과 직무를 막론하고 AI가 가져오는 효율성 증대의 증거는 차고 넘친다.4

그러나 이러한 장밋빛 전망 이면에는 심각한 괴리가 존재한다. 사용자가 제기한 핵심 가설, 즉 “AI를 사용하는 개인의 생산성은 높아지지만, 많은 사람이 AI를 사용하게 되면서 실질적인 소득 기준의 생산성 증가는 없을 것“이라는 주장은 현대 경제학의 가장 중요한 논쟁인 ’생산성 역설(Productivity Paradox)’과 맞닿아 있다. 이는 미시적 수준에서 관찰되는 괄목할 만한 기술 발전과 생산성 향상이 국가 전체의 거시 경제 지표, 특히 노동자의 실질 소득 증가로 연결되지 않는 현상을 지적하는 것이다.5 실제로 미국의 노동생산성 증가율은 AI 기술이 본격적으로 확산되기 시작한 2000년대 중반 이후 오히려 이전 시기의 절반 수준으로 둔화되었으며, 이러한 현상은 대부분의 선진국에서 공통으로 나타나고 있다.6 이처럼 기술에 대한 기대와 통계적 현실 사이의 충돌은 AI가 창출하는 가치가 과연 누구에게 귀속되는지에 대한 근본적인 질문을 제기하며, 기술 발전의 과실이 사회 전체의 부(富)로, 특히 노동자의 실질 소득으로 연결되지 않을 수 있다는 심층적인 우려를 낳고 있다.

본 보고서는 이 가설을 심층적으로 검증하는 것을 목표로 한다. 이를 위해 제1장에서는 AI가 가져온 명백한 미시적 생산성 향상의 증거들을 다양한 산업 분야의 구체적인 사례를 통해 살펴본다. 제2장과 제3장에서는 거시 경제 지표에 이러한 효과가 나타나지 않는 ’생산성 역설’의 현상을 통계적으로 확인하고, 과거 기술 혁명과의 비교를 통해 그 구조적 원인을 분석한다. 제4장에서는 사용자의 문제의식의 핵심인 ‘실질 소득’ 문제, 즉 생산성 증가와 임금 사이의 단절 현상을 파헤치고, 그 이면에 있는 AI의 자동화 편향과 분배의 문제를 탐구한다. 최종적으로 결론에서는 가설에 대한 종합적 평가와 함께, AI 시대의 공동 번영을 위한 정책적 함의를 제시하고자 한다. 이 분석을 통해 우리는 AI가 진정한 경제 성장 동력이 되기 위해 넘어야 할 과제가 무엇인지, 그리고 기술의 혜택을 모두가 누리기 위해 어떤 사회적 선택이 필요한지에 대한 깊이 있는 통찰을 얻게 될 것이다.

2. 미시적 관점에서의 AI와 생산성 혁명

“AI를 사용하는 개인은 생산성이 높아진다“는 주장은 더 이상 추상적인 예측이 아닌, 다양한 산업 현장에서 구체적인 데이터로 입증되고 있는 현실이다. 이 장에서는 제조, 물류, 금융, 헬스케어 등 전통 산업부터 소프트웨어 개발과 같은 지식 기반 산업에 이르기까지, AI가 어떻게 과업 자동화, 프로세스 최적화, 의사결정 지원 등을 통해 개인과 기업의 생산성을 획기적으로 향상시키고 있는지 정량적 증거를 통해 명확히 제시한다. 이를 통해 논의의 출발점인 AI의 미시적 효율성 증대 효과를 확고히 하고, 이어질 거시적 역설에 대한 논의의 기반을 마련한다.

2.1 산업 전반에 걸친 AI의 효율성 증대 사례

AI 기술은 특정 산업에 국한되지 않고, 경제 전반의 운영 방식을 근본적으로 바꾸고 있다. 특히 반복적이고 데이터 집약적인 업무가 많은 분야에서 AI는 인간의 능력을 뛰어넘는 속도와 정확성으로 막대한 가치를 창출하고 있다.

2.1.1 제조 및 물류

제조 및 물류 분야는 AI 도입을 통해 가장 극적인 변화를 겪고 있는 산업 중 하나다. AI는 예측 유지보수, 공급망 최적화, 품질 관리 자동화 등을 통해 과거에는 상상할 수 없었던 수준의 효율성을 달성하고 있다. Toyota는 공장 작업자들이 직접 머신러닝 모델을 개발하고 배포할 수 있는 AI 플랫폼을 Google Cloud 기반으로 구축하여, 연간 10,000시간 이상의 노동 시간을 절감하는 성과를 거두었다.1 이는 AI가 전문가의 영역을 넘어 현장 작업자의 역량을 강화하는 도구로 활용될 수 있음을 보여주는 중요한 사례다. BMW 그룹은 AI 솔루션 ’SORDI.ai’를 통해 산업 자산을 스캔하고 3D 디지털 트윈을 생성한다. 이 디지털 트윈은 수천 번의 시뮬레이션을 수행하여 공급망과 유통 효율성을 최적화하는 데 사용된다.1

물류 산업에서도 AI의 활약은 두드러진다. 콜롬비아의 물류 회사 Domina는 연간 2,000만 건 이상의 배송을 관리하면서 Vertex AI와 Gemini를 활용해 소포 반송을 예측하고 배송 확인 절차를 자동화했다. 그 결과, 실시간 데이터 접근성이 80% 향상되었고, 수작업으로 이루어지던 보고서 생성 시간이 완전히 제거되었으며, 배송 효율성은 15%나 증가했다.1 스웨덴의 자동차 제조사 Volvo는 Azure AI Document Intelligence를 도입하여 송장 및 청구 처리 프로세스를 간소화했다. 이를 통해 10,000시간 이상의 수작업 시간을 절약하며 직원들이 더 부가가치가 높은 업무에 집중할 수 있는 환경을 만들었다.9 이처럼 AI는 생산 라인의 다운타임을 최소화하고, 복잡한 물류 네트워크를 최적화하며, 행정 업무의 부담을 덜어줌으로써 제조 및 물류 산업의 경쟁력을 근본적으로 강화하고 있다.

2.1.2 금융

금융 산업은 데이터의 정확성과 신속성이 핵심 경쟁력인 분야로, AI 기술이 가장 빠르게 적용되고 있는 영역 중 하나다. AI는 특히 사기 탐지, 신용 평가 자동화, 알고리즘 트레이딩 등에서 인간의 한계를 뛰어넘는 성능을 보여주고 있다. 금융 기관들은 머신러닝 알고리즘을 활용하여 수백만 건의 거래 데이터를 실시간으로 분석하고, 정상적인 행동 패턴에서 벗어나는 이례적인 거래를 즉시 식별한다.10 이를 통해 사기 행위를 훨씬 더 빠르고 정확하게 탐지하여 막대한 금융 손실을 예방하고 고객의 신뢰를 확보하고 있다.2 예를 들어, Mastercard의 AI 기반 사기 탐지 시스템인 ’Decision Intelligence’는 사용자의 거래 행동을 지속적으로 모니터링하여 사기 위험을 평가하고, 승인 전에 의심스러운 거래를 차단하는데, 이 시스템의 경고는 90% 이상의 높은 정확도를 자랑한다.2 또한 AI는 신용 평가 프로세스를 자동화하여 대출 심사 시간을 단축하고, 개인화된 뱅킹 서비스를 제공하며, 알고리즘 트레이딩을 지원하는 등 금융 서비스의 효율성과 보안을 비약적으로 향상시키고 있다.2

2.1.3 헬스케어

헬스케어 분야에서 AI는 진단의 정확도를 높이고, 신약 개발 주기를 단축하며, 행정 업무를 자동화함으로써 의료 서비스의 질과 효율성을 동시에 개선하는 데 결정적인 역할을 하고 있다. AI는 방대한 양의 의료 데이터를 분석하여 인간 의사가 놓칠 수 있는 미세한 패턴을 발견하고, 이를 통해 더 빠르고 정확한 진단을 가능하게 한다.2 MIT와 Mass General Cancer Center가 공동 개발한 AI 도구 ’Sybil’은 CT 스캔 이미지만을 분석하여 환자가 최대 6년 후에 폐암에 걸릴 위험이 있는지를 예측할 수 있는 놀라운 성능을 보여주었다.2 이는 질병의 조기 발견과 예방에 새로운 지평을 여는 성과다. 또한, AI는 의료 영상 분석에서 진단 오류를 줄이고 영상의학과 전문의의 워크플로우를 개선하여 환자의 예후를 향상시키는 데 기여한다.10

신약 개발 과정에서도 AI는 핵심적인 역할을 한다. 제약회사 Amgen은 Microsoft 365 Copilot과 Azure AI를 활용하여 신약 발견 프로세스를 혁신하고 있으며, 임상시험 수탁기관(CRO)인 Syneos Health는 Azure OpenAI 서비스를 기반으로 AI 앱을 구축하여 생물약제 개발을 가속화하고 있다.9 이러한 AI 기술은 잠재적인 신약 후보 물질을 식별하고 임상시험 설계를 최적화하는 데 드는 시간과 비용을 획기적으로 줄여, 생명을 구하는 치료법이 더 빨리 환자에게 도달할 수 있도록 돕는다.10 이 외에도 의료 행정 업무 자동화를 통해 의료진의 업무 부담을 줄이고, 환자 개개인의 데이터에 기반한 맞춤형 치료 계획을 수립하는 등 AI는 헬스케어 산업 전반에 걸쳐 혁신을 주도하고 있다.

2.2 지식 노동자의 생산성 향상: 생성형 AI의 충격

AI의 영향력은 공장이나 연구실에만 머무르지 않는다. 특히 ChatGPT와 같은 생성형 AI의 등장은 코드 작성, 보고서 초안 생성, 데이터 분석 등 지식 노동자의 핵심 업무 영역에 직접적인 영향을 미치며 생산성의 패러다임을 바꾸고 있다.

2.2.1 소프트웨어 개발

소프트웨어 개발 분야는 생성형 AI의 혜택을 가장 직접적으로 체감하고 있는 영역이다. GitHub Copilot과 같은 AI 코딩 보조 도구는 개발자가 작성하려는 코드의 맥락을 이해하고 실시간으로 코드 조각, 함수, 심지어 전체 알고리즘까지 제안해준다.11 이는 특히 반복적이거나 정형화된 코드를 작성하는 데 드는 시간을 극적으로 단축시킨다.

실증 연구 결과는 이러한 효과를 명확히 보여준다. 기술 컨설팅 기업 Faros AI가 자체 개발팀을 대상으로 수행한 연구에 따르면, GitHub Copilot을 사용한 그룹은 그렇지 않은 그룹에 비해 코드 병합에 걸리는 시간이 약 50% 단축되었고, 아이디어 구상부터 실제 제품 배포까지 걸리는 전체 개발 리드 타임은 무려 55%나 감소했다.13 이는 AI가 단순히 코드 작성 속도만 높이는 것이 아니라, 개발 프로세스 전반의 효율성을 개선함을 의미한다. Accenture와 GitHub가 공동으로 진행한 대규모 연구에서는 GitHub Copilot을 사용하는 개발자의 코딩 속도가 최대 55%까지 빨라졌으며, 응답자의 90%가 AI 도구 사용 후 직무에 대한 만족감이 더 커졌다고 보고했다.4 개발자들은 AI가 제안한 코드의 약 30%를 채택했으며, 수많은 코드 라인을 학습한 AI가 잠재적 버그를 찾아내거나 코드 개선 방안을 제시하는 등 일종의 ‘가상 코드 리뷰어’ 역할까지 수행한다고 평가했다.4 이처럼 AI 코딩 보조 도구는 개발자의 생산성을 높이는 것을 넘어, 코드 품질을 향상시키고 새로운 기술에 대한 학습 곡선을 완화하며, 궁극적으로 개발자의 직무 경험 자체를 긍정적으로 변화시키고 있다.

2.2.2 전문직 업무

컨설팅, 마케팅, 법률, 교육 등 고도의 전문 지식이 요구되는 분야에서도 생성형 AI는 지식 노동자의 생산성을 높이는 강력한 도구로 자리매김하고 있다. 이들 전문직 종사자들은 업무 시간의 상당 부분을 자료 조사, 데이터 분석, 보고서 및 이메일 초안 작성 등과 같은 작업에 할애하는데, 생성형 AI는 이러한 작업들을 몇 분 만에 처리할 수 있다.

MIT에서 수행한 한 실험 연구는 이러한 효과를 정량적으로 입증했다. 마케터, 보조금 신청서 작성자, 데이터 분석가 등 444명의 전문직 종사자들을 대상으로 한 이 연구에서, ChatGPT를 활용하여 실제 업무와 유사한 글쓰기 과제를 수행한 그룹은 AI를 사용하지 않은 대조군에 비해 업무 수행에 걸리는 시간이 평균 40% 감소했으며, 결과물의 품질은 18% 더 높게 평가받았다.14 또 다른 연구에서는 보스턴 컨설팅 그룹(BCG)의 컨설턴트들을 대상으로 실험한 결과, 고도로 숙련된 노동자가 생성형 AI를 활용할 경우, AI를 사용하지 않는 동료에 비해 성과가 거의 40% 향상될 수 있음을 보여주었다.15

특히 주목할 만한 점은 AI가 저성과자 그룹의 생산성을 더 큰 폭으로 향상시켜 그룹 내 생산성 격차를 줄이는 효과를 보인다는 것이다.14 AI가 일종의 ‘지식 보조교사’ 역할을 하여 경험이 적거나 기술 수준이 낮은 작업자들이 숙련된 동료와의 격차를 빠르게 좁힐 수 있도록 돕기 때문이다. 고객 지원 분야를 대상으로 한 연구에서도 AI 기반 대화형 어시스턴트를 도입한 후, 신입 및 저성과 상담원들의 시간당 문제 해결 건수가 크게 증가한 반면, 고성과 상담원들의 성과는 거의 변하지 않았다.17 이는 AI가 개인의 생산성을 높일 뿐만 아니라, 조직 전체의 역량을 상향 평준화하는 데 기여할 수 있음을 시사한다.

Table 1: AI 도입에 따른 산업별 생산성 향상 정량적 사례

이처럼 미시적 수준에서 AI가 가져오는 생산성 향상 효과는 명백하며, 그 범위와 깊이는 계속해서 확장되고 있다. 그러나 이러한 개별적인 성공 사례들이 모여 국가 경제 전체의 생산성 증가로 이어지는 과정은 결코 단순하지 않다. 앞서 살펴본 사례들은 AI가 주로 ’과업 자동화’에 집중되어 있음을 보여준다. 코드 작성, 송장 처리, 데이터 입력, 초안 작성 등 반복적이고 정형화된 과업을 자동화함으로써 명백한 시간 절약을 가져온다.1 하지만 이 절약된 시간이 반드시 노동자의 여가 시간 증가나 노동 시간 단축으로 이어지는 것은 아니다. 덴마크 노동자들을 대상으로 한 연구에 따르면, 노동자들은 AI를 통해 절약된 시간의 80%를 휴식이 아닌 다른 업무에 재할당하는 것으로 나타났다.5 이는 AI 도입이 ’업무 재구성’으로 이어짐을 의미한다. 즉, 노동자들은 자동화된 단순 과업 대신 더 복잡하고 창의적인, 혹은 AI가 생성한 결과물을 검토하고 수정하는 새로운 과업에 더 많은 시간을 투입하게 된다.

더 나아가, 이러한 변화는 ’작업 강도 심화’라는 결과를 낳을 수 있다. OECD의 조사에 따르면, AI를 도입한 작업장은 업무 속도가 느려지기보다 빨라질 가능성이 5배나 높았다.18 이는 단위 시간당 처리해야 할 과업의 양이 늘어남을 의미한다. 결국 미시적 생산성 향상은 ’노동 시간 단축’이라는 형태가 아니라 ’단위 시간당 더 많은 과업 처리’라는 형태로 나타나게 된다. AI는 노동자를 돕는 유용한 조수이면서 동시에, 그들에게 더 높은 수준의 인지적 활동과 더 많은 결과물을 요구하는 ’슈퍼바이저’의 역할을 동시에 수행하게 되는 것이다. 이러한 미시적 차원의 변화가 거시 경제 전체에 어떤 영향을 미치는지, 그리고 왜 눈부신 기술 발전에도 불구하고 총생산성 지표는 정체되어 보이는지에 대한 질문은 다음 장에서 본격적으로 다루게 될 것이다.

3. 거시적 관점에서의 생산성 역설

제1장에서 확인한 폭발적인 미시적 생산성 향상에도 불구하고, 국가 전체의 거시 경제 지표는 이를 전혀 반영하지 못하는 기이한 현상이 발생하고 있다. AI 기술에 대한 기대감은 하늘을 찌르고 있지만, 정작 경제 성장의 가장 중요한 척도인 생산성 통계는 수십 년째 지지부진한 모습을 보이고 있다. 이 장에서는 이러한 ‘현대의 생산성 역설’ 현상을 구체적인 통계로 제시하고, 과거 전기와 컴퓨터 혁명 당시에도 유사한 현상이 있었음을 역사적 비교를 통해 탐색한다. 이를 통해 현재의 생산성 정체가 기술의 실패가 아닌, 거대한 기술 전환 과정에서 나타나는 일시적 지체 현상일 수 있다는 가능성을 제시한다.

3.1 기대와 통계의 충돌: 현대의 생산성 역설

AI 기술의 잠재력에 대한 기대는 경제계 전반에 팽배해 있다. Google, Apple, Amazon과 같은 거대 기술 기업들은 AI에 막대한 자금을 투자하고 있으며, 이들 기업은 전 세계 시가총액 상위권을 독점하고 있다.6 AI 관련 스타트업에 대한 글로벌 투자액 역시 2012년 5억 8,900만 달러에서 2016년 50억 달러 이상으로 폭발적으로 증가했다.6 기술 전문가들은 AI가 인간을 뛰어넘는 ’특이점(Singularity)’이 2045년경 도래할 것이라고 예측하는 등, AI가 가져올 미래에 대한 낙관론은 최고조에 달해 있다.6

그러나 이러한 열광적인 기대와 달리, 거시 경제 통계는 실망스러운 현실을 보여준다. 경제 전체의 효율성을 나타내는 핵심 지표인 노동생산성 및 총요소생산성(Total Factor Productivity, TFP) 증가율은 2000년대 중반 이후 현저히 둔화되었다. 미국의 경우, 정보통신(IT) 혁명의 효과가 본격화되었던 1995년부터 2004년까지 연평균 2.8%에 달했던 노동생산성 증가율이, AI 기술이 본격적으로 확산되기 시작한 2005년부터 2016년 사이에는 연평균 1.3%로 절반 이하로 급감했다.6 이러한 생산성 둔화는 미국만의 현상이 아니다. OECD가 집계한 29개의 다른 선진국 중 28개국에서 유사한 생산성 증가율 하락이 관찰되는 등, 이는 선진국 경제 전반에 걸친 광범위한 현상이다.6

이처럼 기술 발전에 대한 높은 기대와 실제 측정된 생산성 지표 사이의 극명한 괴리는 1987년 노벨 경제학상 수상자인 로버트 솔로우(Robert Solow)가 “컴퓨터 시대는 어디에나 있지만, 생산성 통계에서는 보이지 않는다(You can see the computer age everywhere but in the productivity statistics)“고 지적했던 현상과 놀라울 정도로 유사하다.19 이 때문에 현재의 현상은 ‘현대의 생산성 역설’ 또는 ’솔로우 역설 2.0’으로 불리며, 기술 발전이 과연 경제 성장으로 직결되는지에 대한 근본적인 의문을 제기하고 있다.21

3.2 역사적 유비: 전기와 컴퓨터 혁명 당시의 생산성 지체

현재 우리가 겪고 있는 생산성 역설은 역사적으로 전례가 없는 현상이 아니다. 오히려 과거 세상을 바꾸었던 범용 기술(General-Purpose Technology, GPT)들, 특히 전기와 컴퓨터 역시 도입 초기에는 거시 경제 지표에 즉각적인 영향을 미치지 못하는 비슷한 ’성장통’을 겪었다.

3.2.1 전기 혁명

전기는 19세기 후반에 발명되어 인류의 삶을 근본적으로 바꾸었지만, 그 경제적 효과가 나타나기까지는 수십 년의 시간이 걸렸다. 토머스 에디슨이 백열전구를 발명한 것은 1879년이었지만, 1900년이 되어서도 미국 공장에서 전기 모터가 차지하는 기계 동력의 비중은 5% 미만에 불과했다.22 당시 공장들은 거대한 증기기관 하나가 복잡한 벨트와 축을 통해 공장 전체의 기계에 동력을 전달하는 중앙집중식 시스템에 최적화되어 있었다. 초기에는 단순히 증기기관을 전기 모터로 교체하는 수준에 그쳤기 때문에 생산성의 극적인 향상은 일어나지 않았다.

진정한 생산성 혁명은 기업들이 전기의 특성, 즉 ’분산 가능성’을 이해하고 생산 공정 자체를 완전히 재설계하면서부터 시작되었다. 1920년대에 이르러 기업들은 각 기계에 개별 모터를 부착하는 ‘단위 구동(unit drive)’ 방식을 채택했다. 이로 인해 공장 내부의 레이아웃을 훨씬 자유롭게 배치할 수 있게 되었고, 생산 흐름이 최적화되었으며, 더 가볍고 효율적인 단층 공장 건물을 지을 수 있게 되었다.22 이처럼 전력망이라는 인프라가 구축되고, 기업들이 새로운 기술에 맞춰 조직과 생산 방식을 바꾸는 보완적 혁신이 이루어지기까지 약 40년의 시간이 걸렸으며, 미국의 생산성 급증은 1920년대에 이르러서야 본격적으로 나타났다.22

3.2.2 컴퓨터 혁명

컴퓨터 혁명 역시 비슷한 경로를 밟았다. 1970년대와 1980년대에 메인프레임부터 개인용 컴퓨터(PC)에 이르기까지 기업들의 컴퓨터 투자는 급증했다. 그러나 이 시기 미국의 생산성 증가율은 오히려 1960년대의 3%대에서 1%대로 둔화되었다.19 이것이 바로 솔로우가 지적했던 첫 번째 생산성 역설이다.

이 역설이 해소되기 시작한 것은 1990년대 중반 이후였다. 이는 단순히 컴퓨터 하드웨어의 성능이 향상되었기 때문만이 아니었다. 인터넷, 월드와이드웹(WWW), 전자상거래와 같은 결정적인 보완적 혁신이 등장했기 때문이다.22 기업들은 더 이상 컴퓨터를 단순히 타자기를 대체하는 도구로 보지 않고, 공급망 관리(SCM), 전사적 자원 관리(ERP), 고객 관계 관리(CRM) 등 비즈니스 프로세스 자체를 디지털 환경에 맞게 전면적으로 재설계하기 시작했다. 이처럼 하드웨어의 보급, 소프트웨어 및 네트워크의 발전, 그리고 기업 조직의 변화라는 세 가지 요소가 결합되면서 1990년대 후반에 이르러서야 비로소 ’신경제(New Economy)’라 불리는 생산성 급등 현상이 나타났다.22

이러한 역사적 사례들은 AI와 같은 강력한 범용 기술이 경제 전체에 완전히 통합되고 그 잠재력을 최대한 발휘하기까지는 상당한 ’적응 기간’과 광범위한 ’보완적 투자’가 필요함을 명확히 보여준다.25 프랑스 산업혁명기 면방직 공장에 대한 미시사적 연구는 이러한 과정을 잘 보여준다. 기계화라는 신기술이 도입된 초기(1806년)에는 기술을 운영하는 방식이 표준화되지 않아 공장별 생산성 격차가 매우 컸다. 그러나 이후 수십 년에 걸쳐 비효율적인 생산 방식을 고수하던 공장들이 시장에서 퇴출되고, 더 효율적인 조직 운영 노하우가 확산되면서 산업 전체의 총생산성이 크게 증가하는 패턴이 관찰되었다.25

이러한 역사적 관점은 현재의 생산성 역설을 해석하는 데 중요한 시사점을 제공한다. 제1장에서 확인한 수많은 미시적 성공 사례들은 AI 기술 자체에 근본적인 문제가 있는 것이 아님을 보여준다. 오히려 전기나 컴퓨터가 그랬던 것처럼, AI라는 새로운 기술 패러다임에 맞춰 경제 전체의 ’운영체제’가 업그레이드되는 과정에서 발생하는 필연적인 ‘다운타임’ 또는 ‘적응 지체’ 현상으로 현재의 상황을 이해할 수 있다. 기업들은 AI를 효과적으로 활용하기 위해 조직 구조를 바꾸고, 업무 프로세스를 재설계하며, 직원들을 재교육하고, 데이터를 정비하는 등 눈에 보이지 않는 ’무형 자산(intangible capital)’에 막대한 투자를 하고 있다. 이러한 투자는 단기적으로는 비용으로 처리되어 측정된 생산성을 오히려 하락시키는 요인이 될 수 있다. 하지만 이 투자가 임계점을 넘어 축적되었을 때, 비로소 경제 전체의 생산성이 가파르게 상승하는 ‘J-커브’ 효과가 나타날 수 있다. 따라서 현재의 생산성 둔화는 기술의 실패를 예고하는 비관적 신호가 아니라, 더 큰 도약을 위한 전환 과정에서 나타나는 자연스러운 현상일 수 있다. 이 문제에 대해서는 다음 장에서 더 깊이 있게 분석할 것이다.

4. 생산성 역설의 원인 분석: 왜 통계는 기대를 배신하는가?

미시적 수준에서의 괄목할 만한 성과가 거시 경제 통계에 반영되지 않는 생산성 역설의 원인은 무엇인가? 이 장에서는 이 복잡한 현상을 설명하는 주요 경제학적 가설들을 심층적으로 분석한다. 특히, 대부분의 경제학자들이 가장 유력한 설명으로 꼽는 ‘실행 지연(Implementation Lags)’ 가설과, 이와 연관된 ‘생산성 J-커브’ 개념을 중심으로, 왜 눈부신 기술 발전이 즉각적인 거시적 생산성 향상으로 이어지지 않는지를 구조적으로 설명한다. 이를 통해 현재의 생산성 정체가 비관적인 미래의 전조가 아니라, 더 큰 도약을 준비하는 과정일 수 있다는 가능성을 탐색한다.

4.1 생산성 역설에 대한 네 가지 핵심 설명

NBER(전미경제연구소)의 저명한 경제학자 에릭 브린욜프슨(Erik Brynjolfsson), 다니엘 록(Daniel Rock), 채드 시버슨(Chad Syverson) 등은 현대의 생산성 역설을 설명하기 위해 네 가지 주요 가설을 제시했다. 이 가설들은 서로 배타적이지 않으며, 복합적으로 작용하여 현재의 현상을 만들어낼 수 있다.6

1. 잘못된 희망 (False Hopes): 이 가설은 AI 기술의 잠재력이 근본적으로 과대평가되었을 수 있다는 가능성을 제기한다. 역사적으로 핵융합 에너지나 비행 자동차처럼 초기의 엄청난 기대에 부응하지 못한 기술들이 많았던 것처럼, AI 역시 특정 분야에서는 유용할지 모르나 경제 전체를 바꿀 만큼의 파급력은 없을 수도 있다는 주장이다.8 그러나 제1장에서 살펴본 수많은 산업에서의 구체적이고 정량적인 성공 사례들은 AI가 단순한 과대광고를 넘어 실질적인 가치를 창출하고 있음을 보여주기에, 이 가설만으로는 현재의 역설을 완전히 설명하기 어렵다.

2. 측정 오류 (Mismeasurement): 이 가설은 현재의 GDP 통계 시스템이 AI가 창출하는 새로운 형태의 가치를 제대로 포착하지 못하고 있다고 주장한다. 예를 들어, AI 기반 검색 엔진이나 번역 서비스가 제공하는 막대한 편의성은 대부분 무료로 제공되기 때문에 GDP에 반영되지 않는다. 또한, AI가 제품의 품질을 향상시키거나, 더 다양한 선택지를 제공하거나, 업무 환경의 편의성을 높이는 등의 가치 역시 전통적인 생산량 기반의 통계로는 측정하기가 매우 어렵다.19 특히 기업들이 AI 도입을 위해 투자하는 ’무형 자산’의 가치가 제대로 측정되지 않는 것이 큰 문제로 지적된다. 이러한 측정의 한계 때문에 실제 경제 후생은 증가하고 있음에도 불구하고, 공식적인 생산성 통계는 정체된 것처럼 보일 수 있다는 것이다.6

3. 부의 재분배 (Redistribution): 이 가설은 AI가 새로운 부를 창출하기보다는, 기존의 부를 소수의 거대 기업이나 자본가, 고숙련 노동자에게로 이전시키는 역할을 주로 한다고 본다. AI 기술을 선점한 소수의 빅테크 기업들이 시장 지배력을 강화하고 경쟁을 저해함으로써, 경제 전체의 혁신 동력과 활력을 떨어뜨릴 수 있다는 우려다.7 이 경우, 일부 기업의 이윤은 급증하겠지만, 다수 기업의 성장 둔화와 임금 정체로 인해 총생산성 증가는 미미할 수 있다. 이 문제는 생산성의 과실이 누구에게 돌아가는지에 대한 분배의 문제와 직결되며, 제4장에서 집중적으로 다룰 예정이다.

4. 실행 및 구조조정 지연 (Implementation and Restructuring Lags): 이 가설은 AI의 잠재력이 완전히 발현되기까지는 기술의 광범위한 확산과 함께, 이를 뒷받침하는 수많은 ’보완적 혁신(complementary innovations)’에 상당한 시간이 걸린다고 설명한다. 제2장에서 살펴본 전기와 컴퓨터의 역사적 사례가 이 가설을 강력하게 뒷받침한다. AI라는 강력한 엔진이 있어도, 그 힘을 제대로 전달할 도로(인프라), 자동차(새로운 비즈니스 모델), 운전 규칙(제도), 그리고 숙련된 운전자(인력)가 갖춰지지 않으면 경제는 속도를 낼 수 없다는 것이다. 대부분의 경제학자들은 이 ’실행 지연’이 현재의 생산성 역설을 설명하는 가장 핵심적인 원인이라고 보고 있다.7

4.2 실행 지연 가설과 생산성 J-커브

‘실행 지연’ 가설의 핵심은 AI와 같은 범용 기술(GPT)이 그 자체만으로는 생산성을 높이지 못한다는 점에 있다. 기술의 잠재력을 현실로 바꾸기 위해서는 눈에 보이지 않는 막대한 투자가 선행되어야 한다. 기업들은 AI를 도입하기 위해 기존의 업무 프로세스를 재설계하고, 조직 구조를 개편하며, 직원들을 재교육하고, AI가 학습할 데이터를 수집하고 정제하는 등의 활동에 막대한 자원과 시간을 투입해야 한다.7 이러한 투자는 회계 장부상으로는 비용으로 처리되거나, 그 가치가 제대로 평가되지 않는 ’무형 자산(intangible capital)’의 형태로 축적된다.6

이러한 현상은 경제 전체적으로 ’생산성 J-커브’라는 독특한 패턴을 만들어낸다.22

• 초기 단계 (J-커브의 하강 구간): 기술 도입 초기에는 기업들이 무형 자산에 대한 투자를 집중적으로 늘린다. 이 시기에는 투입(비용, 노동 시간)은 증가하지만, 그 성과인 산출(매출, 이익)은 즉각적으로 나타나지 않는다. 생산성은 ’산출/투입’으로 계산되므로, 분모는 커지고 분자는 그대로인 상황이 발생하여 측정된 생산성 증가율은 일시적으로 하락하거나 정체되는 현상을 보인다. 이것이 바로 J-커브의 하강 구간이며, 우리가 현재 목격하고 있는 생산성 역설의 핵심적인 메커니즘이다.

• 성숙 단계 (J-커브의 상승 구간): 시간이 지나 기술이 조직에 완전히 체화되고, 축적된 무형 자산이 임계점을 넘어 시너지 효과를 발휘하기 시작하면, 생산성은 이전과는 비교할 수 없을 정도로 가파른 속도로 상승한다. 과거 전기 혁명 당시 1920년대, 컴퓨터 혁명 당시 1990년대 후반에 나타났던 생산성 급등이 바로 J-커브의 상승 구간에 해당한다. 이 단계에 이르면, 초기에 투자했던 무형 자산이 비로소 막대한 수익을 창출하며 경제 성장을 견인하게 된다.

Table 2: 생산성 역설에 대한 네 가지 핵심 설명

이러한 분석은 현재의 생산성 역설을 바라보는 관점을 근본적으로 바꿀 수 있다. 사용자의 가설은 현재 관찰되는 현상, 즉 미시적 효율성과 거시적 정체라는 괴리에 기반한 합리적인 추론이다. 그러나 J-커브 이론과 역사적 유비는 이러한 정체가 영구적인 상태가 아닐 수 있음을 강력하게 시사한다. 오히려 이는 더 큰 도약을 위해 힘을 응축하는 ‘웅크리기’ 단계일 수 있다. 기업들의 막대한 AI 관련 투자 6와 기술주 중심의 주식 시장 활황은 미래의 생산성 향상에 대한 시장의 기대를 반영하는 선행 지표로 해석될 수 있다. 이러한 기대와 투자는 현재 ’무형 자산’이라는 형태로 경제 시스템 내부에 차곡차곡 쌓이고 있으며, 이 자산이 본격적으로 수익을 창출하기 시작할 때 J-커브는 상승 국면으로 전환될 것이다.

따라서 ’생산성 J-커브’는 현재의 생산성 역설이 ’비관론’의 근거가 아니라, ’인내심 있는 낙관론’의 근거가 될 수 있음을 보여준다. 사용자의 가설은 ’단기적’으로는 타당하지만, ’장기적’으로는 틀릴 가능성이 존재한다. 그렇다면 진짜 중요한 질문은 “AI가 과연 생산성을 높일 것인가?“가 아니라, “생산성 J-커브의 상승 국면은 언제 시작될 것이며, 그 상승의 과실은 과연 사회 구성원 모두에게 공평하게 분배될 것인가?“로 전환되어야 한다. 이 분배의 문제가 바로 사용자 가설의 또 다른 핵심 축이며, 다음 장에서 다룰 핵심 주제이다.

5. 생산성 증가와 실질 소득의 단절: 이익은 누구에게 귀속되는가?

지금까지의 분석을 통해 AI가 미시적으로는 분명한 생산성 향상을 가져오고 있으며, 거시적 생산성 정체는 J-커브 효과에 따른 일시적 지체 현상일 수 있음을 확인했다. 그렇다면 J-커브가 상승 국면에 접어들어 총생산성이 증가하기 시작하면, 그 혜택은 노동자들의 실질 소득 증가로 자연스럽게 이어질 것인가? 이 장에서는 사용자 가설의 가장 핵심적인 부분, 즉 ‘실질 소득 기준의 생산성’ 문제를 정면으로 다룬다. 미시적 생산성 향상이 왜 노동자의 임금 인상으로 이어지지 않는지를 실증적 데이터를 통해 분석하고, 그 근본 원인으로 AI 기술 발전의 ’자동화 편향’과 그로 인한 분배 구조의 왜곡을 지목한다.

5.1 생산성-임금 디커플링: 약한 파급 효과의 증거

AI가 업무 효율을 높여준다는 사실은 이제 상식이 되었지만, 그 효율성 증가가 노동자의 지갑을 두껍게 만들어준다는 증거는 찾기 어렵다. 최근의 정밀한 실증 연구들은 AI로 인한 생산성 향상이 노동자의 소득 증대로 거의 이어지지 않는 ‘생산성-임금 디커플링(Productivity-Pay Decoupling)’ 현상을 명확히 보여준다.

덴마크의 행정 데이터를 활용하여 약 25,000명의 노동자를 추적한 한 획기적인 연구는 이 문제를 적나라하게 드러냈다.5 이 연구에 따르면, 생성형 AI 챗봇을 업무에 활용한 노동자들은 하루 평균 25분, 즉 전체 업무 시간의 약 2.8%를 절약하는 효과를 보았다. 그러나 이렇게 절약된 시간을 통해 얻은 생산성 향상에도 불구하고, 이들의 임금, 총소득, 노동 시간의 변화는 통계적으로 ‘정확히 0에 가까웠다’. 연구진은 생산성 향상분 중에서 실제 임금 인상으로 이어진 비율, 즉 ’파급 효과(pass-through effect)’가 고작 3~7%에 불과하다고 결론 내렸다.5 이는 AI가 창출한 가치의 90% 이상이 노동자가 아닌 기업의 이윤이나 다른 형태로 귀속되고 있음을 의미한다. AI는 분명 일을 더 효율적으로 만들었지만, 그 경제적 과실은 노동자를 비껴가고 있는 것이다. 이 현상은 왜 AI가 일상에서는 혁명적으로 느껴지지만, 월급 명세서에서는 보이지 않는지에 대한 강력한 설명이 된다.

5.2 대런 아제모을루의 경고: 자동화 편향적 기술 발전

이러한 생산성과 임금의 단절 현상은 우연이 아니다. MIT의 저명한 경제학자 대런 아제모을루(Daron Acemoglu)는 현재 AI 기술 발전의 경로 자체가 근본적으로 문제를 안고 있다고 경고한다. 그에 따르면, 기술은 노동과의 관계에 따라 크게 두 가지 방향으로 발전할 수 있다.28

• 노동 증강/보완 (Augmentation): 이 유형의 기술은 인간이 할 수 없었던 새로운 과업을 창출하거나, 기존 과업에서 인간의 능력을 보완하여 노동자의 생산성과 가치를 높인다. 역사적으로 인쇄술, 엑셀 스프레드시트, 컴퓨터 지원 설계(CAD) 등이 여기에 해당한다. 이러한 기술은 노동 수요를 창출하고 임금 상승에 기여한다.

• 노동 대체/자동화 (Automation): 이 유형의 기술은 기존에 인간이 수행하던 과업을 기계나 알고리즘으로 대체하여 노동 수요를 직접적으로 감소시킨다. 산업용 로봇, 자동응답시스템(ARS), 키오스크 등이 대표적인 예다. 이러한 기술은 노동 비용 절감에는 기여하지만, 노동자의 일자리를 위협하고 임금 협상력을 약화시킨다.

아제모을루는 최근 수십 년간, 특히 AI 분야에서 기술 발전이 과도하게 ’자동화’에 치우쳐 있다고 비판한다.28 기업들은 노동자를 더 생산적인 자원으로 만들기 위해 투자하기보다, 단순히 비용으로 간주하고 AI로 대체하려는 유인이 더 강하게 작용하고 있다는 것이다.30 이러한 ’자동화 편향’은 여러 구조적 요인에 의해 더욱 강화된다. 첫째, 많은 국가의 세금 정책이 자본 투자에는 감세 혜택을 주면서 고용에는 각종 사회보험료를 부과하여, 기계를 고용하는 것이 사람을 고용하는 것보다 재정적으로 유리하게 만든다.28 둘째, Google, Meta, Microsoft 등 AI 기술 개발을 주도하는 소수의 빅테크 기업들의 비즈니스 모델이 인간의 노동을 보완하는 것보다, 데이터 수집과 광고 최적화를 통한 자동화에 더 집중되어 있다.26 이들 기업은 시장 그 자체가 아니며, 그들의 이익이 반드시 사회 전체의 이익과 일치하지는 않는다.26 결국, 현재의 기술 발전 경로는 사회적 합의나 장기적인 비전 없이, 단기적 비용 절감과 특정 기업의 이익 극대화라는 논리에 의해 한쪽으로 치우쳐져 있다는 것이 아제모을루의 핵심적인 진단이다.

5.3 분배 구조의 변화와 불평등 심화

이러한 자동화 편향적 AI 기술 발전은 노동 시장의 분배 구조를 근본적으로 바꾸고, 사회적 불평등을 심화시키는 결과를 낳는다.

첫째, 노동소득분배율이 하락한다. 생산 과정에서 노동의 역할이 기계로 대체되면서, 창출된 부가가치에서 노동자에게 임금으로 돌아가는 몫은 줄어들고, 기계(자본)를 소유한 자본가에게 이윤으로 돌아가는 몫이 늘어난다.28 이는 국가 전체적으로 부가 생산되더라도 그 과실이 노동자 계층에게 제대로 분배되지 않는 구조적 문제를 야기한다.

둘째, 임금 양극화가 심화된다. AI의 영향은 모든 노동자에게 동일하게 나타나지 않는다. AI 기술을 자신의 업무에 보완적으로 활용하여 생산성을 높일 수 있는 고숙련 전문직(예: 데이터 과학자, AI 전략가, 변호사, 의사)의 수요와 임금은 상승할 가능성이 높다.32 반면, AI에 의해 과업이 쉽게 자동화될 수 있는 중간 숙련의 사무직이나 반복적인 업무를 수행하는 노동자들은 일자리를 잃거나 임금 하락 압력에 직면하게 된다.29 이로 인해 노동 시장은 소수의 승자와 다수의 패자로 나뉘며 소득 불평등이 극심해진다.

국제통화기금(IMF)은 이러한 추세를 강력하게 경고한다. IMF 보고서에 따르면, 전 세계 일자리의 약 40%가 AI의 영향을 받을 것이며, 특히 선진국에서는 그 비율이 60%에 달할 것으로 예측된다.32 IMF는 대부분의 시나리오에서 AI가 전반적인 불평등을 악화시킬 가능성이 높으며, 이를 방치할 경우 사회적 긴장을 고조시킬 수 있다고 지적한다.33 세계경제포럼(WEF) 역시 비슷한 전망을 내놓았다. WEF는 2030년까지 AI로 인해 9,200만 개의 기존 일자리가 사라지고 1억 7,000만 개의 새로운 일자리가 창출될 것으로 예측했다.36 그러나 이 과정에서 사라지는 일자리와 새로 생기는 일자리 사이에 요구되는 기술의 격차가 매우 커서, 대규모의 ’기술 격차(skills gap)’와 노동 시장의 이중 구조화(인력 과잉과 핵심 인재 부족의 공존) 문제가 발생할 것이라고 전망했다.37

결론적으로, 사용자의 가설은 단순히 ’생산성’의 문제가 아니라, 그 이면에 있는 ’분배’의 문제로 재해석되어야 한다. 1장에서 3장까지의 분석을 종합하면, AI는 분명히 생산성을 높일 잠재력을 가지고 있으며, 이미 미시적 차원에서는 그 효과를 입증하고 있다. J-커브 이론에 따르면 거시적 생산성 증가 역시 시간의 문제일 수 있다. 그러나 이 장의 분석, 특히 덴마크 연구와 아제모을루의 이론은 생산성 증가 그 자체가 노동자의 실질 소득 증가를 보장하지 않음을 명백히 보여준다. 둘 사이의 연결고리가 ’자동화 편향’이라는 구조적 문제로 인해 끊어져 있기 때문이다. AI가 노동을 대체하는 방향으로만 발전한다면, 생산성 향상의 과실은 노동 비용을 절감한 기업, 즉 자본가에게 대부분 돌아가게 된다. 노동자는 일자리를 잃거나, 임금 협상력이 약화되어 소득이 정체되는 결과를 맞게 된다. 따라서 사용자의 “실질적인 소득 기준의 생산성 증가가 없을 것“이라는 주장은, ’총생산량’이 늘지 않는다는 의미가 아니라 ’평균적인 노동자의 실질 소득’이 늘지 않는다는 의미로 해석할 때 가장 정확하다. AI 혁명은 ’성장의 종말’이 아니라, ’성장의 과실을 둘러싼 사회적 갈등의 심화’를 예고하고 있는 것이다. 이러한 관점의 전환은 문제의 해결책을 기술 자체에서 찾는 것이 아니라, 분배 구조를 재설계하는 사회적, 정책적 노력에서 찾아야 함을 강력하게 시사한다.

6. 결론: AI 시대의 생산성과 분배, 그리고 정책적 함의

6.1 가설에 대한 종합적 평가

본 보고서의 심층 분석 결과, “AI를 사용하는 개인은 생산성이 높아지지만, 많은 사람이 AI를 사용하여 실질적인 소득 기준의 생산성 증가는 없을 것“이라는 사용자의 가설은 현재 진행 중인 경제 현상을 매우 날카롭고 정확하게 포착하고 있는 것으로 평가된다. 단기적 및 중기적 관점에서, AI로 인한 미시적 생산성 향상이 다수 노동자의 실질 소득 증대로 직접 이어지지 않을 것이라는 주장은 강력한 실증적, 이론적 근거를 가진다.

이러한 현상의 원인은 복합적이다. 첫째, AI와 같은 범용 기술의 잠재력이 경제 전체에 확산되고 실현되기까지는 상당한 시간이 소요되는 ’실행 지연’과 ‘생산성 J-커브’ 효과가 존재한다. 이는 현재의 거시적 생산성 정체가 기술의 실패가 아닌 전환 과정의 일부일 수 있음을 시사한다. 그러나 더 근본적이고 우려스러운 원인은 둘째, 현재 AI 기술 발전이 인간의 능력을 보완하기보다 노동을 대체하는 ‘자동화 편향’ 경로를 따르고 있다는 점이다. 이로 인해 생산성 향상의 과실이 노동이 아닌 자본에 집중적으로 귀속되는 ’분배의 실패’가 발생하고 있다. 덴마크 노동자 연구에서 나타난 3~7%의 미미한 임금 파급 효과는 이러한 분배 구조의 왜곡을 명백히 보여주는 증거다.5

따라서 사용자의 가설은 ’총생산량’이 전혀 늘지 않는다는 의미가 아니라, 그 증가분이 ’평균적인 노동자의 실질 소득’으로 연결되지 않는다는 의미로 해석할 때 가장 타당하다. AI는 부를 창출하고 있지만, 그 부의 소유권이 노동자에게서 자본가에게로 이전되는 경향을 보이고 있다.

그러나 장기적인 미래는 아직 결정되지 않았다. 역사적으로 증기기관, 전기, 컴퓨터와 같은 기술 혁명은 단기적으로는 고통스러운 구조조정과 불평등 심화를 유발했지만, 장기적으로는 새로운 산업과 일자리를 창출하고 전반적인 생활 수준을 향상시켜왔다.22 AI의 장기적 영향 역시 기술 결정론적으로 정해진 것이 아니다. 그것은 우리가 기술을 어떤 방향으로 발전시키고, 그 혜택을 공유하기 위해 어떤 사회적 합의와 정책적 장치를 마련하는가에 따라 달라질 것이다.

6.2 정책적 제언: 공동 번영을 위한 길

AI가 파괴가 아닌 창조의 동력이 되고, 그 혜택이 소수가 아닌 사회 전반에 공유되는 ’공동 번영’을 이루기 위해서는 기술, 교육, 사회 시스템 전반에 걸친 의식적이고 전략적인 정책적 노력이 시급하다.

1. 기술 발전 방향의 재설정 (Reorienting the Direction of Technology): 정부는 연구개발(R&D) 지원, 세제 혜택, 공공 조달 등의 정책 수단을 활용하여, 단순 자동화를 넘어 인간의 능력을 보완하고 새로운 과업을 창출하는 ‘인간 중심 AI(Human-Centered AI)’ 기술 개발을 적극적으로 유도해야 한다.26 예를 들어, 교사의 업무를 보조하여 맞춤형 교육을 가능하게 하는 AI, 의료진의 진단을 도와 더 나은 치료법을 찾게 하는 AI, 장인의 기술을 학습하여 새로운 창작 활동을 돕는 AI 등은 노동의 가치를 높이는 긍정적인 기술 발전의 사례가 될 수 있다.

2. 교육 및 재교육 시스템의 혁신 (Revolutionizing Education and Reskilling Systems): AI 시대에 필요한 역량은 단순히 코딩이나 데이터 분석 기술에 국한되지 않는다. AI와 효과적으로 협업하고, AI가 할 수 없는 고차원적인 가치를 창출하기 위한 비판적 사고, 복합적 문제 해결 능력, 창의성, 사회적 지능 및 소통 능력 교육을 강화해야 한다.39 또한, 기술 변화로 인해 일자리를 잃은 노동자들이 새로운 유망 분야로 원활하게 이동할 수 있도록, 대대적이고 효과적인 평생 학습 및 직업 재교육 시스템을 구축하는 것은 모든 국제기구가 공통적으로 강조하는 최우선 과제다.32

3. 포괄적인 사회 안전망 구축 (Building a Comprehensive Social Safety Net): 기술 전환 과정에서 필연적으로 발생하는 마찰적 실업과 소득 불안정에 대비하여, 실업 보험의 보장 기간과 수준을 확대하고, 적극적 노동시장 정책을 통해 재취업을 지원해야 한다. IMF는 특히 AI로 인해 취약해질 수 있는 노동자들을 보호하기 위한 포괄적인 사회 안전망과 재훈련 프로그램의 중요성을 강조한다.32 더 나아가, 장기적으로 노동의 형태가 근본적으로 변할 가능성에 대비하여, 보편적 기본소득(UBI)이나 사회적 부의 공유와 같은 새로운 형태의 소득 지원 제도에 대한 사회적 논의를 진지하게 시작할 필요가 있다.

4. 이익 공유 메커니즘 강화 (Strengthening Profit-Sharing Mechanisms): AI로 인한 생산성 향상의 과실이 노동자에게도 공정하게 공유될 수 있는 제도적 장치를 마련해야 한다. 기업 수준에서는 이익공유제, 스톡옵션, 종업원 지주제 등을 활성화하여 노동자들이 기업 성장의 과실을 함께 나눌 수 있도록 장려할 수 있다. 사회적 수준에서는 약화된 노동조합의 역할을 재정립하여 개별 노동자들이 갖기 어려운 교섭력을 회복시키고, 플랫폼 노동자와 같은 새로운 형태의 노동자들을 보호할 수 있는 법적, 제도적 틀을 마련하는 노력이 필요하다.

6.3 최종 결론

AI는 인류 역사상 가장 강력한 생산성 향상의 잠재력을 지닌 기술 중 하나임이 분명하다. 그러나 ‘생산성’ 그 자체가 목표가 될 수는 없다. 진정한 목표는 기술을 통해 모든 사회 구성원의 삶의 질을 향상시키고, 더 공정하고 지속 가능한 사회를 만드는 ’공동 번영’이다. 사용자가 제기한 생산성 역설은 기술이 우리를 어디로 이끌고 있는지, 그리고 우리가 진정으로 원하는 미래를 만들기 위해 무엇을 해야 하는지에 대한 근본적인 질문을 던진다. 그 해답은 기술의 흐름에 대한 맹목적인 추종이나 막연한 공포가 아닌, 인간의 가치를 중심에 두고 기술의 방향과 사회 제도를 설계하려는 현명하고 용기 있는 사회적 선택에 달려 있다. AI 시대의 미래는 우리의 손에 달려 있다.

7. 참고 자료

1. Real-world gen AI use cases from the world’s leading organizations …, https://cloud.google.com/transform/101-real-world-generative-ai-use-cases-from-industry-leaders
2. Case Studies in Transforming AI Process Automation Across Sectors …, https://future-code.dev/en/blog/case-studies-in-transforming-ai-process-automation-across-sectors/
3. The Impact of Generative AI on Work Productivity | St. Louis Fed, https://www.stlouisfed.org/on-the-economy/2025/feb/impact-generative-ai-work-productivity
4. Research: Quantifying GitHub Copilot’s impact in the enterprise with Accenture, https://github.blog/news-insights/research/research-quantifying-github-copilots-impact-in-the-enterprise-with-accenture/
5. The AI Productivity Paradox: Why Your AI-Powered Workday Isn’t …, https://c3.unu.edu/blog/the-ai-productivity-paradox-why-your-ai-powered-workday-isnt-making-you-richer
6. Artificial Intelligence and the Modern Productivity Paradox: A Clash …, https://www.nber.org/system/files/working_papers/w24001/w24001.pdf
7. Artificial Intelligence and the Modern Productivity Paradox: A Clash …, https://www.nber.org/papers/w24001
8. Artificial Intelligence and the Modern Productivity Paradox - National Bureau of Economic Research, https://www.nber.org/system/files/chapters/c14007/c14007.pdf
9. AI Case Study and Customer Stories | Microsoft AI, https://www.microsoft.com/en-us/ai/ai-customer-stories
10. AI Case Studies in Healthcare, Finance, Retail & More - WebMob Technologies, https://webmobtech.com/blog/ai-in-business-case-studies/
11. Experience with GitHub Copilot for Developer Productivity at Zoominfo - arXiv, https://arxiv.org/html/2501.13282v1
12. The Impact of Github Copilot on Developer Productivity: A Case Study - Harness, https://www.harness.io/blog/the-impact-of-github-copilot-on-developer-productivity-a-case-study
13. Is GitHub Copilot Worth It? Here’s What the Data Says | Faros AI, https://www.faros.ai/blog/is-github-copilot-worth-it-real-world-data-reveals-the-answer
14. Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence - MIT Economics, https://economics.mit.edu/sites/default/files/inline-files/Noy_Zhang_1.pdf
15. How generative AI can boost highly skilled workers’ productivity - MIT Sloan, https://mitsloan.mit.edu/ideas-made-to-matter/how-generative-ai-can-boost-highly-skilled-workers-productivity
16. Unlocking productivity with generative AI: Evidence from experimental studies - OECD, https://www.oecd.org/en/blogs/2025/07/unlocking-productivity-with-generative-ai-evidence-from-experimental-studies.html
17. [2304.11771] Generative AI at Work - arXiv, https://arxiv.org/abs/2304.11771
18. OECD: AI is a greater threat to job quality, than quantity | UNLEASH, https://www.unleash.ai/artificial-intelligence/oecd-ai-threat-job-quality/
19. Productivity paradox - Wikipedia, https://en.wikipedia.org/wiki/Productivity_paradox
20. The Solow Productivity Paradox: What Do Computers Do to Productivity? | Brookings, https://www.brookings.edu/articles/the-solow-productivity-paradox-what-do-computers-do-to-productivity/
21. AI AND THE MODERN PRODUCTIVITY PARADOX: A CLASH OF EXPECTATIONS AND STATISTICS - MIT Initiative on the Digital Economy, https://ide.mit.edu/sites/default/files/publications/IDE%20Research%20Brief_v0118.pdf
22. The Dynamo, the Computer, and ChatGPT: Explaining Today’s Productivity Paradox, https://www.aei.org/articles/the-dynamo-the-computer-and-chatgpt-explaining-todays-productivity-paradox/
23. The Dynamo and the Computer: An Historical Perspective On the Modern Productivity Paradox - ResearchGate, https://www.researchgate.net/publication/4724731_The_Dynamo_and_the_Computer_An_Historical_Perspective_On_the_Modern_Productivity_Paradox
24. Beyond the Productivity Paradox: - University of Pennsylvania, https://repository.upenn.edu/bitstreams/82fab5a1-4993-4b2a-b7a4-900e63c8371b/download
25. Ungated Research, https://ungated.research.bowdoin.edu/article/4185
26. MIT’s Daron Acemoglu to Business Leaders: Unchecked Power of Big Tech Poses Risks as AI Reshapes Society, https://www.hbs.edu/bigs/insights-ai-wealth-gap
27. The Impact of AI on the Labour Market - Tony Blair Institute, https://institute.global/insights/economic-prosperity/the-impact-of-ai-on-the-labour-market
28. The Wrong Kind of AI? Artificial Intelligence and the Future of Labor …, https://www.nber.org/system/files/working_papers/w25682/w25682.pdf
29. GW Hosts Nobel Laureate Daron Acemoglu for a Discussion on AI …, https://gwtoday.gwu.edu/gw-hosts-nobel-laureate-daron-acemoglu-discussion-ai-and-inequality
30. AI & Inequality | Daron Acemoglu: Big Tech poses risks as AI reshapes society - YouTube, https://www.youtube.com/watch?v=FLzgjCAXoks
31. Generative AI: A Turning Point for Labor’s Share? - Federal Reserve Bank of Philadelphia, https://www.philadelphiafed.org/the-economy/generative-ai-a-turning-point-for-labors-share
32. AI Will Transform the Global Economy. Let’s Make Sure It Benefits Humanity., https://www.imf.org/en/Blogs/Articles/2024/01/14/ai-will-transform-the-global-economy-lets-make-sure-it-benefits-humanity
33. AI will affect 40% of jobs and probably worsen inequality, says IMF head - The Guardian, https://www.theguardian.com/technology/2024/jan/15/ai-jobs-inequality-imf-kristalina-georgieva
34. Artificial Intelligence Impact on Labor Markets - International Economic Development Council (IEDC), https://www.iedconline.org/clientuploads/EDRP%20Logos/AI_Impact_on_Labor_Markets.pdf
35. [Global] IMF: AI will impact 40% of jobs and worsen inequality, https://gpa.net/blogs/global/global-imf-ai-will-impact-40-of-jobs-and-worsen-inequality
36. WEF: How AI Will Reshape 86% of Businesses by 2030 | Technology Magazine, https://technologymagazine.com/articles/wef-report-the-impact-of-ai-driving-170m-new-jobs-by-2030
37. AI Driving Transformation in the Workforce: Insights from the WEF …, https://babl.ai/ai-driving-transformation-in-the-workforce-insights-from-the-wef-future-of-jobs-report-2025/
38. How we can balance AI overcapacity and talent shortages | World Economic Forum, https://www.weforum.org/stories/2025/10/ai-s-new-dual-workforce-challenge-balancing-overcapacity-and-talent-shortages/
39. The Future of Work - OECD.AI, https://oecd.ai/en/working-group-future-of-work
40. AI and work - OECD, https://www.oecd.org/en/topics/ai-and-work.html