▲

AI를 도입해도 생산성이 폭발적으로 늘지 않는 이유 [번역글]

 (blogbyash.com)
1P by ashbyash 6시간전 | ★ favorite | 댓글과 토론

1. 브린욜프슨의 생산성 역설, GenAI 시대 버전

  • 1990년대 IT·PC 도입 때도 투자 대비 생산성 지표는 거의 오르지 않았고, 조직 개편·업무 재설계·스킬 변화 같은 보완재가 없으면 기술만으로는 생산성이 안 오른다는 것이 브린욜프슨 생산성 역설의 핵심.
  • 지금도 생성형 AI가 폭발적으로 도입됐지만, 경제 전체 생산성이나 기업의 구조적 변화는 제한적이며, 이 글은 이를 “High Adoption, Low Transformation”으로 요약.

2. MIT NANDA: GenAI Divide(생성 AI 격차)

  • MIT NANDA 보고서는 수십억 달러가 GenAI에 투자됐지만 “실질적인 사업 가치(ROI)를 내는 기업은 약 5%뿐, 나머지 95%는 수익·생산성 개선이 없다”는 GenAI Divide 개념을 제시.
  • 이 격차는 기술력보다 “학습·기억·적응이 되는 에이전트형 시스템을 구축하고, 실제 업무 흐름에 깊게 통합해 실적을 내느냐”에서 갈리며, 현재 의미 있는 구조 변화는 주로 테크·미디어 등 정보 중심 산업에 편중.

3. 왜 95%는 실패하는가

  1. 학습 격차(Learning Gap)

    • 많은 엔터프라이즈 AI는 정적 도구라 사용자 피드백을 축적·학습하지 못하고, 맥락 적응과 장기 개선이 안 되며, 그 결과 직원들은 단순 작업은 소비자용 AI에, 중요한 복잡 작업은 여전히 사람에 의존.

  2. 파일럿–프로덕션 단절

    • 대기업은 파일럿(POC)은 많이 하지만, 실제 전사 배포까지 가는 비율은 매우 낮고, 커스텀 엔터프라이즈 AI 중 프로덕션에 안착하는 건 5% 안팎에 불과.
    • 핵심 이유는 “툴이 실제 업무 프로세스와 안 맞는다”는 것으로, 인프라나 규제 문제가 아니라 워크플로 통합과 조직 설계 문제.

  3. 그림자 AI(Shadow AI) 경제

    • 공식 사내 도구가 비효율적이거나 규제가 강하다 보니, 직원이 개인 구독 LLM·코파일럿을 몰래 써서 실제 업무를 처리하는 “그림자 AI”가 확산.
    • 이는 “유연하고 직관적이며 개인 맞춤형이고, 실제 워크플로에 녹아드는 도구”에 대한 거대한 숨은 수요를 보여주는 신호로 해석.

4. Canaries 논문: 초년생 고용에 나타난 AI의 첫 신호

  • 브린욜프슨 팀의 “Canaries in the Coal Mine?”는 고주파 급여·고용 데이터를 분석해, 생성 AI 도입 이후 AI 노출도가 높은 직종(소프트웨어 개발, 콜센터/고객 서비스 등) 에서 22~25세 초년생 고용이 유의미하게 감소했음을 보여줌.
  • 특히 AI가 “보조”가 아니라 “자동화”에 주로 쓰이는 업무에서 젊은 노동자의 고용 감소가 더 크게 나타나, AI가 초기에는 일부 초년 직무를 직접 대체하고 있음을 시사.

5. 왜 특히 신입이 타격을 받는가

  • 현재 LLM은 교과서·문서로 잘 기술된 형식지(formal knowledge)와 패턴 반복 작업에는 강하지만, 현장 경험과 묵시지(tacit knowledge)에 기반한 고급 전문가의 ‘요령’은 잘 대체하지 못함.
  • 전통적으로 신입·주니어의 역할은 “문서화된 룰과 매뉴얼을 따라가는 작업”이 많은데, 이 부분이 LLM+툴체인으로 빠르게 자동화되면서, 같은 직무에서 고급 경력자보다 초년생이 더 큰 고용 충격을 받는 패턴이 관찰.

6. 노동의 미래에 대한 시사점

  • AI 전환은 단순한 “일자리 총량 감소”라기보다, 어떤 업무는 AI가 흡수하고, 다른 업무는 새로 생기며, 인간의 상대적 강점이 암묵지·조율·판단 같은 영역으로 이동하는 재배치 과정으로 해석.
  • 따라서 교육·커리어 설계 측면에서는, 정답형·암기형 역량보다 “현장 맥락 이해, 문제 구조화, 이해관계 조정, 도메인별 복합 전문성”이 상대적으로 더 중요해질 가능성이 큼.

7. AI 창업자를 위한 실행 전략

  1. 단순 생성 → 학습·에이전트로 전환

    • GenAI Divide의 핵심은 모델 성능이 아니라 “지속적 학습, 메모리, 적응, 오케스트레이션”이 가능한 에이전트 시스템 여부.
    • 사용자 피드백과 실제 사용 로그를 구조화해, 시간이 갈수록 워크플로를 더 잘 이해하고 자동으로 조정하는 ‘살아있는 시스템’을 만들 수 있는 팀이 압도적 우위를 가질 것으로 강조.

  2. 사용자(persona)가 아니라 워크플로에 맞춰 설계

    • 많은 엔터프라이즈 AI 제품이 “데모는 멋진데, 팀의 실제 일하는 방식과 안 맞아서 버려지는” 문제.
    • 성공하는 제품은 특정 산업·직무의 세세한 업무 플로우, 권한 구조, 컴플라이언스 요구를 깊이 파고들어 거기에 자연스럽게 스며드는 형태를 취하며, UX 화려함보다 “실제 프로덕션에서 안 떨어지는 것”을 우선.

  3. 그림자 AI를 리서치 자산으로 활용

    • 직원들이 개인적으로 어떤 프롬프트와 툴 조합을 쓰는지 관찰하면, 조직이 공식 도구에 반영하지 못한 진짜 니즈(속도, 자유도, 자동화 수준)를 파악할 수 있음.
    • 스타트업 입장에서는 이 “그림자 AI” 패턴이 곧 대규모 사용자 리서치 채널이자, 제품 포지셔닝 힌트로 기능.

  4. 화려한 전면부보다 백오피스에 기회

    • 많은 기업이 마케팅·세일즈처럼 눈에 띄는 영역에 먼저 AI를 얹지만, MIT는 실제 ROI는 재무·조달·운영 같은 프로세스 중심 후방 부서에서 더 크다고 지적.
    • 이 영역은 데이터가 풍부하고 규칙 기반 비즈니스 로직이 많아, 잘 설계된 에이전트/자동화 솔루션이 곧바로 비용 절감·오류 감소로 이어지기 쉬움.

  5. “소프트웨어 판매”가 아니라 BPO 파트너 관점

    • 성공적인 기업 고객은 AI 벤더를 라이선스 판매자가 아니라 “비즈니스 프로세스 아웃소싱 파트너”처럼 대하며, 깊은 맞춤화·성과 기반 계약·긴밀한 운영 협력을 요구.
    • 따라서 창업자도 제품을 설치형 도구가 아니라 “성과를 함께 책임지는 서비스/파트너십”으로 설계할 때, 대규모 엔터프라이즈 딜과 장기 진입장벽(모트)을 만들 수 있다는 논지.

8. 정리: 바뀐 역설, 바뀌는 기회

  • 생성 AI 시대에도 생산성 역설은 여전히 유효하지만, “부족한 보완재”의 위치가 바뀌었고, 이제 그 보완재는 제품 내부(학습·메모리·오케스트레이션) 와 기업 내부(서비스형 구매, 분산된 오너십, 결과 중심 KPI) 양쪽에 걸쳐 존재.
  • 이 두 층위를 동시에 설계하는 창업자만이 “멋진 데모”를 “지속 가능한 경쟁 우위와 통계에 잡히는 생산성 향상”으로 바꿀 수 있고, AI 혁명을 단순한 기술 이벤트가 아니라 조직·개인과 함께 공진화하는 경제 변혁으로 현실화할 수 있다는 메시지.