AI 도입은 생산성을
높이는가? 초기 3년의 결산
시간은 줄었다(▲3.8%). 그런데 생산은 늘지 않았다(상관계수 0). 한국은행이 근로자 5,512명을 조사해 밝힌 'AI 생산성 단절(disconnect)' — 그 원인과 처방을 도표로 풀었다.
(2025년, 인터넷의 8배 속도)
(주당 약 1.5시간)
상관계수 (= 단절)
(상한치 · 실현은 별개)
확산은 역대급, 생산성은 제자리
생성형 AI는 인터넷보다 약 8배 빠르게 퍼졌다. 그런데 거시 생산성 지표는 지난 3년간 꿈쩍하지 않았다. 이 '기술 확산과 생산성의 괴리'가 연구의 출발점이다.
[그림1] 생성형 AI vs 인터넷 활용률
개념도(곡선 형태는 메시지 전달용) · 자료 ITU
지난 3년, 추세 변화 없음
2010년 이후 시간당 생산성(GDP/총근로시간)은 완만한 추세를 그려왔고, ChatGPT 출시(2022) 이후에도 그 추세에서 유의미한 이탈이 관찰되지 않는다. 기술은 폭발적으로 퍼졌는데, 거시 숫자는 침묵한다.
시간은 줄었다 — 그러나 불균등하게
AI 활용 근로자의 업무시간은 평균 3.8% 감소(주 1.5시간). 직업·작업·개인 특성에 따라 효과는 크게 갈렸다. 인지적·비정형 업무일수록 절감 폭이 컸다.
[그림4] 직업별 업무시간 절감률
[그림5] 작업별 절감률 상위 15
누가 더 많이 줄였나
회귀분석 결과, 시간 절감을 가장 강하게 설명한 변수는 AI 사용시간(숙련도)과 낮은 근속연수(저경력)였다.
[그림6] 업무시간 절감률 회귀분석 계수
균등화 효과 (Equalizing Effect)
AI 사용시간 상위 50% 집단에서 절감 효과가 가장 컸고(+3.3%p, 1% 유의), 근속연수 하위 50%(저경력)에서도 뚜렷했다(-1.3%p, 5% 유의). AI가 저숙련 근로자의 경험 부족을 보충해 숙련 격차를 완화한다는 의미다.
그런데 생산은 늘지 않았다
업무시간 절감률(X)과 업무처리량 증가율(Y)의 상관계수는 정확히 0. 개인특성·고정효과를 통제한 회귀에서도 일관됐다. 절약된 시간이 고부가가치 업무로 재배치되지 못한 것 — 이것이 'AI 생산성 단절'이다.
[그림7] 업무시간 절감 ↔ 생산성 단절
산점 분포는 상관계수 0(=수평 회귀선)을 재현한 개념도 · 원 크기=가중치(원자료 기준)
시간 절감 ≠ 생산 증가. AI가 개별 작업(task)의 효율은 높였지만, 그 효과가 업무흐름·조직·산출로 확산되지 못했다.
확산이 개인 단위에 머물고 기업의 워크플로 변화로 이어지지 못했음을 보여준다.
자율성 + 성과유인이 있는 곳에선 통했다
모두가 단절된 건 아니다. 성과가 보상과 직결되고 업무 자율성이 높은 집단에서는 시간 절감이 실제 생산 증가로 이어졌다.
[그림8] 업무처리량 증가율 회귀분석 계수
자영업자 +1.0** · 전문직 +0.7** · 청년 +0.6* · AI 고강도 +0.5* — 성별·학력·근속은 비유의
왜 아직 생산성이 안 나오는가
AI의 가치가 산출 증가로 전환되려면 여러 보완 조건이 필요하다. 논문은 네 가지 제약을 짚는다.
작업 수준에 머무는 확산
AI가 특정 작업만 보조하고 업무 전체(end-to-end)로 가지 못한다. 20% 넘게 시간이 절감된 작업은 아직 4.4%뿐.
업무흐름(workflow)의 경직성
기존 프로세스를 유지한 채 일부만 보조하면, 작업 간 순서·의존이 그대로라 효율 개선이 전체로 확산되지 못한다.
생산 과정의 병목(bottleneck)
한 단계만 빨라져도 의사결정·승인·협업이 그대로면, 절약된 시간은 산출이 아니라 대기·유휴시간으로 변한다.
유인구조의 불일치
보상이 약하면 남는 시간을 생산에 투입할 유인이 없다. AI가 한계수익을 낮춰 '적당히 좋은' 수준에서 멈추기도.
효율성 단계 ○ , 생산성 단계 ✗
AI 효과는 작업(task) → 업무흐름(workflow) → 산출(output)로 이어져야 한다. 현재는 첫 단계에서 멈춰 있다 — 범용기술 초기의 전형적 시차(J-curve, Solow 역설)다.
효율 ↑
개별 작업 자동화·가속 (시간 ▲3.8%)
단절 ✗
조직·프로세스 미변화로 막힘
증가 0
생산 증가로 전환 안 됨
효율성(efficiency) → 생산성(productivity) 전환
핵심은 '도입'이 아니라 '전환'
정책 초점은 기술 확산을 넘어, AI 활용이 실제 생산성으로 이어지는 전환 과정을 지원하는 데 둬야 한다. 출발점은 업무를 두 유형으로 나누는 것.
표준화 업무 (Standardized)
- AI 중심으로 워크플로 재설계 (보조 도구 ✗)
- 입력 표준화·모듈화·검증절차·예외규칙 사전 정의
- 인간은 목표 설정·결과 검증·예외 대응으로 재배치
- 절감시간을 신규 고객·분석·사업으로 잇는 재배치 메커니즘
열린 업무 (Open Tasks)
- 자동화가 아닌 인간-AI 협업(증강, augmentation)
- AI=아이디어·초안·대안, 인간=해석·평가·최종 결정
- 핵심 인력의 판단력·문제해결·도메인 지식 축적
- 비중 높은 조직일수록 인적역량 투자가 관건
학습경로 재설계
표준화 업무는 신입의 숙련 형성 통로였다. AI 대체 시 인적자본 공급 기반이 약화 — 관찰·보조·주도 단계로 열린 업무 조기 참여.
지식 이전 유지
AI로 절약된 숙련자 시간을 멘토링·코칭·페어워크에 재투입. '왜 그 결과인가'를 학습하는 구조로 검증·예외 역량 축적.
전환 모니터링
미시자료 기반으로 AI 활용 강도·업무 재구성·직무 전환 등 생산성 전환 선행지표를 지속 추적해 정책에 반영.
핵심 요약
출처 한국은행, 「AI 도입은 생산성을 높이는가? 초기 3년의 효과 분석」, BOK 이슈노트 제2026-12호(2026.6.8), 서동현·오삼일·윤종원. 자체 가계조사(2025.5~6월, 만 15~64세 취업자 5,512명).
※ [그림1]·[그림7]의 곡선/산점 분포는 원문 메시지(확산속도, 상관계수 0)를 전달하기 위한 개념 재현이며, [그림4·5·6·8]의 수치는 원문 값을 그대로 반영했습니다. 본 자료는 집필자 개인 견해(한국은행 공식견해 아님)를 시각화한 2차 정리물입니다.
