AI 도입은 생산성을 높이는가? 초기 3년의 효과 분석 (BOK 이슈노트 2026-12)

3줄 요약

1. 한국은행 조사국 고용연구팀(서동현·오삼일·윤종원)이 2025년 5~6월 국내 취업자 5,512명을 대상으로 한 가계조사를 분석했다. 생성형 AI 활용은 업무시간을 평균 3.8%(주 40시간 기준 약 1.5시간) 줄였고, 이를 생산성으로 환산하면 약 1.0%의 잠재적 생산성 향상에 해당한다.
2. 그러나 같은 표본에서 업무시간 절감률과 업무처리량 증가율 사이의 상관계수는 0이다. 절약된 시간이 실제 산출 증가로 이어지지 않는 ‘생산성 단절(disconnect)’ 현상이 확인되었다. 예외는 자영업자·전문직·청년층·AI 고강도 사용자처럼 성과 유인과 업무 자율성이 높은 집단이다.
3. 저자들은 현재 국면을 범용기술 도입 초기에 흔히 나타나는 J-curve·Solow 역설로 해석한다. 정책 초점은 ‘AI 확산’이 아니라 ‘AI를 생산성으로 전환하는 과정’을 지원하는 쪽으로 옮겨야 한다고 결론짓는다. 표준화 업무와 열린 업무의 구분, 학습 기회 재설계, 미시자료 기반 선행지표 모니터링이 구체적 제언이다.

자료 정보

• 제목: AI 도입은 생산성을 높이는가? 초기 3년의 효과 분석
• 형식·시리즈: BOK 이슈노트 제2026-12호, 17쪽
• 저자: 서동현(과장)·오삼일(팀장)·윤종원(조사역), 한국은행 조사국 고용연구팀
• 발행일: 2026-06-08
• 표본: 한국은행 조사국이 2025년 5~6월 실시한 가계조사. 전국 만 15~64세 취업자 5,512명. 통계청 지역별고용조사 원시자료로 층화·사후층화하여 모집단 대표성 확보
• 원문: https://www.bok.or.kr/portal/bbs/P0002353/view.do?nttId=10098322&menuNo=200433

출발점 — 거시 지표는 왜 조용한가

저자들이 던지는 문제는 단순하다. 생성형 AI 확산 속도는 인터넷보다 약 8배 빠르고, 국내 근로자의 절반 이상(2025년 51.8%)이 업무에 쓰고 있는데, 거시 생산성 지표는 왜 그대로인가.

그림 1은 1995년 인터넷과 2022년 ChatGPT를 각각 상용화 0년차로 두고 활용률 곡선을 겹쳤다. 생성형 AI 곡선의 기울기는 인터넷 곡선보다 훨씬 가파르다. 그림 2는 한국의 시간당 생산성(GDP/총근로시간) 추이다. 2010~2022년 추세선은 2022년 4분기 ChatGPT 출시 이후로도 거의 그대로 이어진다.

이 괴리는 두 갈래의 해석을 부른다. 한쪽은 AI의 효과가 실재하지만 측정되지 않고 있다는 입장이고, 다른 쪽은 효과 자체가 작거나 늦다는 입장이다. 저자들은 가계조사 미시자료로 이 둘을 분리해 본다. AI 활용이 (ⅰ) 업무시간을 줄여 잠재적 생산성을 키우는지, (ⅱ) 그 시간 절감이 실제 산출 증가로 이어지는지를 따로 추정하는 설계다.

II장 — AI는 업무시간을 단축시킨다

생성형 AI 활용 근로자의 평균 업무시간은 3.8% 감소했다. 주 40시간 기준 주당 약 1.5시간이다. 절약된 시간이 전부 생산활동에 재투입된다고 가정하면 잠재적 생산성 증가는 약 1.0%로 환산된다. 저자들은 이 1.0%를 상한치로 해석하라고 명시한다 — 2022년 4분기부터 2025년 2분기까지 GDP는 3.9% 성장했으니 그중 1.0%p가 AI의 잠재 기여라는 식이다.

다만 분포는 평탄하지 않다. 분포의 중심은 0% 부근이지만 오른쪽 꼬리가 길게 늘어진다. 일부 근로자에서만 큰 폭의 시간 절감이 일어나고 있다.

직업별로는 전문직(5.2%) → 사무직(4.0%) → 농림·어업 숙련직(3.8%) 순으로 효과가 크고, 서비스·기능·단순노무직에서는 효과가 미약하다. 작업별로는 교육자료 개발(32.2%), 통계 데이터 분석(24.6%), 교육 프로그램 설계(23.3%), 그래픽 디자인(17.2%), 소프트웨어 응용 프로그램 및 시스템 개발(13.6%) 등 인지적·비정형 업무가 상위를 차지한다. 반면 업무 조율과 장비 운용처럼 고맥락 판단이나 물리적 협력이 필요한 작업은 효과가 작다.

회귀분석에서는 두 가지가 두드러진다. 첫째, AI 사용시간 상위 50% 집단의 시간 절감률이 하위 집단보다 3.3%p 더 크다(1% 유의수준). 둘째, 근속연수 하위 50% 집단이 상위 집단보다 1.3%p 더 큰 절감을 보였다. 후자는 AI가 저숙련 근로자의 경험 부족을 보충하면서 숙련 격차를 줄이는 equalizing effect로 읽힌다. Brynjolfsson et al.(2025)과 Dell’Acqua et al.(2026) 등 기존 연구와도 부합한다.

III장 — 그 시간이 생산으로 이어지지 않는다

연구의 중심 발견은 산점도 한 장으로 요약된다.

X축은 응답자별 업무시간 절감률, Y축은 같은 응답자가 보고한 업무처리량 증가율이다. 점의 크기는 모집단 사후가중치다. 상관계수는 0.00. 회귀선(붉은 점선)은 거의 수평이다. 개인 특성과 고정효과를 통제한 회귀분석에서도 결과는 그대로다.

이 상관계수 0이 이 자료의 핵심 메시지다. 시간 절감은 분명 일어나고 있는데, 절약된 시간이 더 많은 산출로 변환되지 않고 있다. 저자들은 산업별 비교(참고 1)에서도 같은 패턴을 확인한다 — 2019~2025년 구간에서는 산업별 AI 활용률과 노동생산성 증가율 간 상관이 0.11에 불과하고, 2022년 4분기 이후로 구간을 좁히면 오히려 -0.10로 약한 음의 상관까지 보인다.

다만 유인 구조와 자율성으로 표본을 가르면 그림이 달라진다. 같은 시간 절감을 두고도 다음 집단은 임금근로자·사무직·중장년 대비 추가적인 산출 증가를 만들었다(괄호는 95% 신뢰 구간 기준 유의한 항만 표기).

성별·학력·근속연수는 통계적으로 유의하지 않다. 인구통계학적 특성이 아니라 종사상 지위·업무 자율성·기술활용 강도·유인구조가 효과의 분리선이다.

III장 후반 — 단절의 네 가지 원인

저자들은 단절이 일어나는 이유를 네 갈래로 정리한다.

1) 작업(task) 수준에 머무르는 확산

AI는 한 직무 내 일부 작업에만 선택적으로 적용된다. 업무 전체(workflow)를 처음부터 끝까지 수행하기에는 비용·품질·검증의 불확실성이 여전히 크다. 작업 단위 분포를 보면 절감률 20%를 넘는 작업은 전체의 4.4%에 불과하다. 시간 절감이 특정 작업에 집중되고, 전체 업무 구조의 변화로 이어지지는 않고 있다.

2) 업무 흐름(workflow)의 경직성

생산성은 개별 작업의 효율성이 아니라 작업 간 연계 방식에 의해 결정된다(Demirer et al., 2026). 그런데 대부분의 조직에서 AI는 기존 프로세스를 유지한 채 일부 작업만 보조하는 방식으로 도입된다. 작업 간 순서와 의존관계가 그대로 남아 있으면 개별 작업의 효율성 개선이 전체 산출로 확산되지 못한다. Pereira et al.(2026)이 51개 기업 도입 사례를 분석한 결과, 가장 어려운 과제는 기술 그 자체가 아니라 조직문화·근로자 행태 관리·데이터의 질·업무 절차 조정 같은 비가시적 비용이었다.

자영업자와 전문직에서만 산출 증가가 관찰된다는 본문의 실증 결과는 이 해석을 뒷받침한다 — 업무 구조를 스스로 조정할 수 있는 환경에서만 시간 절감이 산출 증가로 연결된다.

3) 생산 과정 내 병목

전체 산출은 평균 효율성이 아니라 가장 제약되는 단계, 즉 병목에 의해 결정된다(Agrawal et al., 2026). 문서 작성이나 데이터 분석이 빨라져도 의사결정·협업·승인 절차가 그대로면, 절약된 시간은 산출 증가가 아니라 대기시간이나 유휴시간으로 흡수된다.

4) 유인구조의 불일치

성과 보상이 약하면 절약된 시간을 추가 생산활동에 투입할 유인 자체가 없다. 근로자는 적당히 좋은 수준에서 작업을 멈추거나 직장 내 여가시간을 늘릴 가능성이 있다. Chen et al.(2025)의 전문 그림 작가 실험은 생성형 AI가 시간당 품질은 높였지만 추가 노력의 한계수익을 빠르게 낮춰 다수 참가자가 작업 시간을 줄였고, 일부는 최종 품질까지 낮아졌음을 보고했다.

기업 단위 AI 활용률(9.6%, 2024년 기업활동조사 기준)과 근로자 단위 활용률(51.8%) 사이의 큰 격차도 같은 맥락에서 해석된다. 현재 AI 확산은 기업 단위의 체계적 워크플로 변화가 아니라 개별 근로자 단위에서 일어나고 있다.

IV장 — 정책 함의: 표준화 업무와 열린 업무를 가르라

저자들은 기술 도입이 아니라 전환 과정을 정책 대상으로 삼아야 한다고 결론짓는다. 그 출발점으로 업무를 두 유형으로 가르자고 제안한다.

표준화 업무에서는 AI가 보조 도구가 아니라 흐름의 중심이 되도록 업무 자체를 재설계해야 한다. 입력 데이터 표준화, 업무 단위 모듈화, 결과 검증 절차 명확화, 예외 처리 규칙의 사전 정의가 동반되어야 절약된 시간이 실제 산출 증가로 흡수된다.

열린 업무에서는 자동화보다 협업이 중요하다. AI는 아이디어 탐색·초안 작성·정보 수집·대안 제시에 강하고, 인간은 그 결과를 해석·평가·통합한다. 핵심은 AI가 확장한 가능성 가운데 무엇을 선택하고 어떻게 통합할 것인가에 대한 인간 역량의 축적이다.

학습 기회의 재설계 — 신입 숙련 형성 경로의 위기

저자들이 별도 항목으로 강조하는 문제가 있다. 전통적으로 표준화 업무는 신입·저연차 근로자가 도메인 지식과 업무 감각을 축적하는 학습 경로였다. 자료 정리, 기초 분석, 정형 보고서 작성은 생산 활동인 동시에 숙련 형성 과정이었다. 표준화 업무를 AI가 대체할 경우, 단기 생산성은 오르지만 장기적으로 열린 업무를 수행할 수 있는 인적자원의 공급 기반 자체가 약화될 위험이 있다.

저자들의 제언은 세 가지다.

1. 신입·저연차 인력이 관찰-보조-주도 단계로 열린 업무에 조기 참여하는 경로를 의도적으로 설계한다.
2. AI 활용으로 절약된 숙련자의 시간을 멘토링·코칭·페어워크에 재투입해 조직 내부 지식 이전을 유지한다.
3. AI가 자동화한 영역에 대해서도 왜 그 결과가 나오는가를 신입 단계부터 학습하도록 결과 검증·예외 처리 역량을 의도적으로 축적시킨다.

가장 흥미로운 지점

내가 곱씹은 대목은 상관계수 0의 산점도다. 보통 산점도가 0의 상관을 보이면 “효과가 없다"로 읽히는데, 이 자료는 정반대로 해석한다 — 시간 절감 자체는 분명히 일어났고, 그 시간이 산출로 흡수되지 못하는 구조가 따로 있다는 뜻이다. X축의 변동은 살아 있는데 Y축이 무반응이다.

이걸 보면서 떠올린 건 어떤 변수가 들어가야 Y축이 깨어나는가였다. 본문이 짚는 답은 자영업자(+1.0%p), 청년층(+0.6%p), 전문직(+0.7%p), AI 사용시간 상위 50%(+0.5%p) 같은 유인·자율성 변수다. 인구통계학(성별·학력·근속)은 거의 작동하지 않는다. 즉 누가 AI를 잘 쓰느냐보다 어디서 AI를 쓰느냐가 산출의 분기선이라는 것이다.

이 점은 같은 시기 Demirer et al.(2026)의 Writing Code vs. Shipping Code가 GitHub 텔레메트리에서 본 깔때기 효과(코드 줄 수 17.3배 → 실제 릴리스 +30%로 감쇠)와 같은 결을 가진다. 입구의 폭증과 출구의 감쇠 사이에 구조적 마찰이 끼어 있다. 한국은행 자료는 그 마찰을 임금근로자 조직의 경직성으로 좁혀서 본다.

또 하나 눈여겨본 건 그림 6의 근속연수 효과다. 근속연수 하위 50%에서 시간 절감이 1.3%p 더 크게 나타난다는 결과는 단기적으로는 AI가 숙련 격차를 좁힌다는 좋은 뉴스다. 그러나 동시에 본문은 표준화 업무가 AI에 흡수되면 장기적으로 신입 숙련 형성 경로가 끊긴다고 경고한다. 같은 보고서 안에 단기 평등화와 장기 단절이 공존한다. 단기 효과만 보고 정책을 짜면 장기 인적자본 공급이 무너진다는 경고는 적어 두기에 충분하다.

마지막으로 인상적이었던 건 저자들이 생산성 단절을 J-curve와 Solow 역설로 해석한 부분이다. 1980년대 컴퓨터 도입 초기에도 같은 패턴이 관찰되었고, 그 당시에도 조직 재설계와 보완투자가 따라붙고 나서야 생산성이 살아났다. 이 자료는 우리가 그 곡선의 바닥에 와 있을 가능성을 명시적으로 본다.

출처

• 서동현·오삼일·윤종원. (2026). AI 도입은 생산성을 높이는가? 초기 3년의 효과 분석. BOK 이슈노트, 제2026-12호. 한국은행 조사국 고용연구팀.
• 원문(PDF): https://www.bok.or.kr/portal/bbs/P0002353/view.do?nttId=10098322&menuNo=200433
• 본문의 모든 도표와 수치는 위 자료에서 인용한 것이다.