Employees using AI are working faster, but the economy isn't more efficient. A look at what happened in the pre-Internet era might explain why

🖼️ 인포그래픽

Employees using AI are working faster, but the economy isn't more efficient. A look at what happened in the pre-Internet era might explain why 내용을 설명하는 본문 이미지

🖼️ 4컷 인포그래픽

💡 한 줄 요약

AI는 직원 개인의 업무 속도를 높이고 있지만, 경제 전체의 효율성 지표에는 아직 뚜렷한 개선으로 나타나지 않고 있으며 이는 인터넷 초기의 생산성 역설과 닮아 있다.

📌 핵심 요약

2026년 미국 경제에서는 고용 증가가 둔화됐는데도 경제 확장이 이어지는 한편, 공식 생산성 지표는 크게 개선되지 않는 모순적인 상황이 나타나고 있다.
AI를 사용하는 일부 직군의 직원들은 같은 업무를 더 짧은 시간에 처리하며 개인 단위의 노동생산성은 높아지고 있지만, 총요소생산성처럼 경제 전체의 효율성을 보여주는 지표는 아직 뚜렷하게 반응하지 않고 있다.
샌프란시스코 연방준비은행 연구진은 이 현상이 1990년대 컴퓨터와 인터넷 도입 초기의 ‘생산성 역설’과 유사하다고 설명한다.
당시에도 기업들은 IT에 막대한 투자를 했지만 생산성 통계에는 한동안 효과가 나타나지 않았고, 이후 시간이 지나서야 인터넷이 경제 전반의 생산성 향상으로 이어졌다.
현재 AI 역시 직원의 체감 생산성과 기업의 기대는 높지만 조직 전반의 통합, 측정 가능한 산출, 업무 재설계가 뒤따르기 전까지는 거시 지표에 반영되기 어려울 수 있다.

🧩 주요 포인트

2026년 미국 경제에서는 고용 증가가 둔화됐는데도 경제 확장이 이어지는 한편, 공식 생산성 지표는 크게 개선되지 않는 모순적인 상황이 나타나고 있다.
AI를 사용하는 일부 직군의 직원들은 같은 업무를 더 짧은 시간에 처리하며 개인 단위의 노동생산성은 높아지고 있지만, 총요소생산성처럼 경제 전체의 효율성을 보여주는 지표는 아직 뚜렷하게 반응하지 않고 있다.
샌프란시스코 연방준비은행 연구진은 이 현상이 1990년대 컴퓨터와 인터넷 도입 초기의 ‘생산성 역설’과 유사하다고 설명한다.
당시에도 기업들은 IT에 막대한 투자를 했지만 생산성 통계에는 한동안 효과가 나타나지 않았고, 이후 시간이 지나서야 인터넷이 경제 전반의 생산성 향상으로 이어졌다.
현재 AI 역시 직원의 체감 생산성과 기업의 기대는 높지만 조직 전반의 통합, 측정 가능한 산출, 업무 재설계가 뒤따르기 전까지는 거시 지표에 반영되기 어려울 수 있다.

🧠 상세 정리

1. 2026년 경제가 보여주는 생산성의 모순

기사의 출발점은 2026년 미국 경제에서 동시에 나타나는 두 가지 이상한 현상이다. 한편으로는 고용 증가가 매우 느려졌는데도 경제 확장이 계속되고 있어, 현재 일하고 있는 노동자들의 생산성이 높아지고 있음을 시사한다. 그러나 다른 한편으로는 여러 생산성 지표가 최근 몇 년 동안 거의 움직이지 않았고, 2026년 1분기에는 오히려 둔화됐다. 일반적으로 고용 증가가 약한데 경제가 계속 성장하려면 노동자 한 명당 산출이 더 늘어야 하지만, 공식 지표는 그 개선을 명확히 보여주지 못하고 있다. 이 간극이 기사 전체의 핵심 문제의식이다.

2. AI가 개인 업무 속도를 높인다는 증거

기사는 AI가 개별 노동자의 업무 처리 속도를 높이고 있다는 점을 여러 연구를 통해 설명한다. 런던정경대 연구에 따르면 특정 전문직에서 AI를 사용하는 직원들은 같은 양의 일을 더 짧은 시간에 처리할 가능성이 높고, 경우에 따라 주당 하루 분량의 시간을 절약할 수 있다. 경제학적으로 이는 ‘자본 심화’의 사례로 볼 수 있다. 더 좋은 도구를 갖게 된 노동자가 같은 시간 안에 더 많은 산출을 낼 수 있게 되는 현상이다. 기사에서는 삽 대신 기계식 굴착기를 쓰게 된 건설 노동자의 사례를 들어, AI 도구가 개인 생산성을 높이는 방식과 비교한다.

3. 노동생산성과 총요소생산성의 엇갈림

기사에서 중요한 구분은 노동생산성과 총요소생산성이다. 노동생산성은 노동 투입 한 단위당 산출을 측정하는 지표로, 최근 몇 년 동안 비교적 견조한 개선을 보였다. 반면 총요소생산성은 노동뿐 아니라 자본과 기타 투입 요소를 포함해 경제 전체가 얼마나 효율적으로 산출을 만들어내는지를 보는 더 넓은 지표다. 샌프란시스코 연준 연구진은 두 지표의 방향이 엇갈리는 상황을 직원 개인은 더 빠르고 생산적으로 일하고 있지만, 노동력과 경제 시스템 전체가 반드시 더 효율적으로 바뀐 것은 아니라고 해석한다. 즉 AI의 효과가 개인 업무 단위에는 나타나도 거시 경제의 효율성에는 아직 충분히 스며들지 않았다는 설명이다.

4. 인터넷 초기의 생산성 역설과 현재의 AI

기사는 현재 AI 도입 국면을 1990년대 초·중반 인터넷과 컴퓨터 확산 시기와 연결한다. 당시 기업들은 정보기술에 막대한 투자를 했고 직원들은 혁신적인 기술에 접근할 수 있었지만, 생산성 통계에는 그 효과가 즉시 나타나지 않았다. 이 현상은 1970년대부터 1990년대까지 미국 경제를 설명할 때 자주 언급된 ‘생산성 역설’로 불렸다. 노벨상 수상자인 로버트 솔로는 1987년에 ‘컴퓨터 시대는 어디에서나 보이지만 생산성 통계에서는 보이지 않는다’는 유명한 말을 남겼다. 기사는 이 문장이 오늘날 AI에도 적용될 수 있다고 본다.

5. 기술 도입의 효과가 늦게 나타나는 이유

샌프란시스코 연준 연구진은 생산성 붐이 시작됐는지 여부를 실시간으로 판단하기 어렵고, 대개 시간이 지난 뒤에야 분명해진다고 설명한다. 1990년대에도 노동생산성은 1996년 무렵부터 총요소생산성보다 빠르게 올라가기 시작했지만, 인터넷의 전면적인 생산성 효과가 전체 데이터에 나타나기까지는 몇 년이 더 걸렸다. 이는 새로운 기술이 단순히 도입되는 것만으로는 충분하지 않기 때문이다. 기업은 도구를 업무 흐름에 통합하고, 조직 구조와 프로세스를 재설계하며, 직원들이 실제로 더 나은 산출을 만들 수 있도록 시간을 들여야 한다. AI 역시 현재는 도구 접근성이 넓어지는 단계에 있지만, 경제 전체의 효율성 향상으로 측정되기까지는 지연이 있을 수 있다.

6. AI 사용이 항상 여유 시간을 만들지는 않는다

기사에는 AI가 시간을 절약해도 그 시간이 반드시 휴식이나 근로시간 단축으로 이어지지 않는다는 연구 결과도 소개된다. 하버드비즈니스리뷰에 실린 한 연구는 미국 기술기업 직원 200명을 대상으로 AI 도구 사용 효과를 살펴봤다. AI를 사용하는 직원들은 실제로 업무 시간을 절약했지만, 절약된 시간은 종종 다른 업무로 다시 채워졌고 전체적으로 휴식은 줄어드는 경향이 있었다. 결과적으로 많은 직원에게는 업무 시간이 더 늘어나고 번아웃 위험이 커질 수 있었다. 또 다른 하버드 연구는 직장에서 AI를 광범위하게 사용할 경우 인지적 부담이 과도해져 ‘브레인 프라이’ 같은 상태가 늘어날 수 있다고 지적했다.

7. 기업이 느끼는 생산성 향상과 측정 가능한 성과의 차이

애틀랜타 연준의 3월 연구도 AI 생산성 논의의 간극을 보여준다. 약 750명의 기업 임원을 대상으로 한 조사에서 대체로 AI 덕분에 생산성이 개선되고 있다는 인식이 확인됐다. 그러나 임원들이 보고한 체감 생산성 향상은 회사 매출 같은 실제 지표로 연구진이 측정할 수 있는 개선 폭보다 컸다. 연준은 이를 ‘지연된 산출 실현’으로 해석했다. 즉 기업 내부에서는 AI로 더 빨리 일하고 더 많은 일을 처리한다고 느끼지만, 그 효과가 매출이나 경제 전체 산출처럼 외부에서 확인 가능한 지표로 전환되기까지 시간이 걸릴 수 있다는 뜻이다.

8. AI 생산성 붐은 아직 통계에 숨어 있을 수 있다

기사의 결론은 현재의 AI 국면이 인터넷 초기와 비슷하다면, 미국 경제가 이미 생산성 붐의 초기 단계에 들어섰지만 아직 그 사실을 통계로 확인하지 못하고 있을 가능성이 있다는 것이다. AI를 쓰는 직원들은 실제로 더 빠르게 일하고 있을 수 있고, 기업들은 이를 근거로 생산성 향상을 기대하며 AI 투자를 늘리고 있다. 그러나 도구가 경제 전반에 효율적으로 통합되고, 업무 방식이 재편되며, 그 결과가 총요소생산성 같은 지표에 반영되려면 시간이 필요하다. 따라서 지금의 생산성 데이터 부진은 AI의 효과가 없다는 증거라기보다, 신기술 도입 초기의 지연 현상일 수 있다는 점을 기사는 강조한다.

🧾 핵심 주장 / 시사점

AI의 단기 효과는 ‘더 빨리 일하는 직원’으로 먼저 나타나고, ‘더 효율적인 경제’로 나타나기까지는 조직 통합과 시간 지연이 필요할 수 있다.
생산성 논의에서는 노동생산성과 총요소생산성을 구분해야 하며, 개인 단위의 업무 효율 향상이 곧바로 경제 전체의 효율성 향상을 의미하지는 않는다.
AI가 절약한 시간이 추가 업무로 흡수되면 생산성 체감은 높아져도 번아웃과 인지 부담이 커질 수 있어, 기술 도입의 성과는 속도뿐 아니라 업무 설계와 노동 경험까지 함께 봐야 한다.