주요 콘텐츠 바로가기
딜로이트에 오신 것을 환영합니다

잘못된 경험을 선택했다면 위에서 변경해 주세요.

생성형 AI와 생산성 수수께끼: 통계 측정의 구조적 한계

주간 글로벌 경제 리뷰 10월 2주차

딜로이트 글로벌 이코노미스트의 최신 경제 뉴스와 트렌드 분석

딜로이트 인사이트는 글로벌 경제 및 산업 구도에 영향을 주는 주요 이슈에 대한 인사이트를 소개하고 최신 경제산업 데이터와 그 함의를 분석한 ‘딜로이트 주간 글로벌 경제 리뷰’를 매주 금요일에 발행합니다.

딜로이트 글로벌 수석 이코노미스트 아이라 칼리시(Ira Kalish) 박사를 비롯한 딜로이트 글로벌 이코노미스트 네트워크(DGEN)가 매주 배포하는 ‘딜로이트 주간 글로벌 경제 리뷰’를 통해 중요한 세계 경제 동향을 간편하게 파악하실 수 있습니다. ‘딜로이트 주간 글로벌 경제 리뷰’는 국내 유력지 등 다양한 채널을 통해 외부 배포되고 있으며, 딜로이트의 풍부한 경제·산업 인사이트를 전달하는 플랫폼의 기초 콘텐츠로 자리잡을 것입니다. 많은 관심 및 활용을 부탁드립니다.

생성형 인공지능(Generative AI)이 급격하게 도입되면서, 다양한 인지 및 서비스 활동에서 효율성이 크게 올라갔다는 증거가 잇따르고 있다. 경제협력개발기구(OECD)에 따르면 2024년 회원국 평균 노동 생산성 증가율이 1.2%에 달해, 2023년의 두 배 수준을 기록했다. OECD는 이러한 변화가 AI의 생산성 향상 효과가 나타나기 시작했다는 초기 신호일 수 있다고 분석했다.[1]
하지만 고객 지원, 소프트웨어 개발, 컨설팅, 법률 분석, 전문적인 저작 활동 등의 분야에서 생산성이 작게는 10% 대에서 50% 넘게 향상되었다는 미시적인 연구 결과들과 비교할 때 공식 통계상 드러난 수치는 여전히 미미한 수준이다. 과거 컴퓨터 도입이 보편화되던 시절 “도처에서 컴퓨터 시대를 볼 수 있지만, 생산성 통계에서만 보이지 않는다”라는 이른바 ‘솔로우 역설’(Solow paradox)이 제기된 바 있다. 그로부터 약 40년 만에 다시 생성형 AI의 급격한 확산에도 국민계정체계(SNA) 공식 통계에는 그 영향이 나타나지 않는, 마찬가지 역설이 제기되고 있다.[2]
AI 기술의 파급 효과가 궁극적으로 기업과 경제 성과에 구체적으로 드러나는 시점과 규모는 기업 경영자들과 정부 정책 당국자 모두에게 초미의 관심사가 되고 있다. 당장 통계와 현실 사이의 괴리가 나타나는 원인과 이에 대해 제시되는 해결 방식에 대해 좀더 구체적으로 살펴보자.

생성형 AI 효과의 미시적/거시적 차이

AI 도입 속도는 과거 컴퓨터 시대 도입 속도에 비해 3배 이상 빠른 양상을 보이고 있다.[3] 최근 AI 평가 보고서에 따르면, 2025년 기준 기업의 AI 도입률은 88%에 달하며 생성형 AI 도입률도 79%에 이르는 것으로 추산된다. 다만 AI 에이전트의 경우 도입률이 아직 한 자릿수에 머물고 있다.
다양한 기관과 연구자들의 조사 결과, 통제된 환경에서 AI를 활용할 경우 생산성이 20%~60% 향상되고, 실제 업무 환경에서는 약 15%~30% 향상되는 것으로 나타났다.[4]
그림 1. 작업 유형별 AI의 생산성 향상 수준
그림 1. 작업 유형별 AI의 생산성 향상 수준

작업 유형

생산성 향상

출처

고객 지원

14~15%

스탠포드 2026 AI 지수

소프트웨어 개발

26%

스탠포드 2026 AI 지수

마케팅 결과물

최대 73%

스탠포드 2026 AI 지수

최저 숙련도 노동자

최대 36%

브린욜프손 외

전반적인 실제 환경

15~30%

2026 국제 AI 안전 보고서

출처: AI Business Weekly. 딜로이트 인사이트

여러 무작위 대조 시험과 현장 실험을 통해 AI를 활용하는 다양한 인지 활동에서 효율성 향상이 확인되고 있다. 일례로 생성형 AI 비서를 활용하는 고객지원 담당자는 시간당 평균 문제해결이 14% 향상되었으며, 특히 초보인 경우 30% 향상된 것으로 나타났다. 또 챗GPT 도구를 활용하는 전문작가는 집필 과제 완료시간을 40% 단축하고 등급기반 품질을 18% 높일 수 있었다.
나아가 깃허브(GitHub) 코파일럿을 사용하는 소프트웨어 개발자는 벤치마크 작업 완료시간을 56% 줄일 수 있었다. 또한 GPT-4를 사용하는 컨설턴트는 작업량이 12% 증가하고 속도는 25% 빨라졌으며, 모델 역량 범위 내 작업에서 인간 평가 품질이 40% 향상되는 것을 나타났다. GPT-4를 활용하는 저숙련 법대생들의 법률 분석 속도도 훨씬 빨라졌다.[5]
그림 2. 생성형 AI의 생산성 효과에 관한 실증적 증거
그림 2. 생성형 AI의 생산성 효과에 관한 실증적 증거

연구

설정 및 표본

AI 도구

주요 생산성 효과

결과 이질성

브린욜프슨, 리, 레이먼드 (2025)

포춘500 소프트웨어 고객지원 5,179명 / 순차적 도출

생성형 AI 대화형 어시스턴트

시간 당 평균 문제 해결 14% 개선, 고객 정서 및 유지율 향상

초보/저숙련 30% 개선, 고숙련 거의 변화 없음

노이 & 장 (2023)

대졸 전문가 444명, 사전등록 지필 과제, 무작위 대조

챗GPT (GPT-3.5)

완료 시간 40% 단축, 등급 품질 18% 개선

생산성 분포 압축, 능력 낮은 작가가 최대 향상

펑 외 (2023)

전문 개발자 95명, 코딩 과제, 무작위 대조 (HTTP 서버)

깃허브 코파일럿 (GPT 기반)

완료 시간 56% 단축

경험 적고 나이 많은 개발자가 최대 효과

쿠이 외 (2025)

MSFT 및 액센추어 개발자 1,974명, 2가지 현장 실험

깃허브 코파일럿

작업 완료 26% 증가, 코드 커밋 & 풀 리퀘스트 큰 폭 향상

경험 적은 개발자가 채택 및 성과 달성 높음

델라쿠아 외 (2023)

BCG 컨설턴트 758명, 사전등록 현장 실험, 18개 현실적인 과제

GPT-4

작업 완료 12% 증가, 완료 시간 25% 단축, 인간 평가 품질 40% 개선 (AI 경계선 내부)

AI 경계선 외부 작업에서는 정확도 19% 감소

최, 모나한, 슈, 바르츠 (2024)

로스쿨 재학생, 최초 법률 분석 대상 무작위 대조

GPT-4

완료 시간 큰 폭 감축, 품질 개선은 완만 & 불균등

최저 숙련도 참가자 최대 품질 향상

주: 인용 연구 기반 저자 편집. 과제, 표본 수, AI 도구, 결과 지표 등 차이로 인해 효과 직접 비교는 어려움.
출처: IMF(2026 September), 딜로이트 인사이트

그러나 이 같은 미시적 수준에서의 생산성 향상은 거시적 총생산성 지표에서는 뚜렷하게 나타나지 않고 있다. OECD 회원국 전체의 평균 노동생산성 증가율은 2023년에 0.6%에 그쳤으며, 2024년에는 1.2%로 높아졌지만 국가별 격차가 컸다. 미국이 2.2% 증가율을 보인 반면, 이탈리아(-1.4%), 일본(-1.3%), 영국(-0.7%), 독일(-0.4%)은 생산성이 오히려 하락했다.
2025년 예비 데이터에 따르면 미국의 경우 생산성 증가율이 1.7%로 둔화된 반면, 유럽연합(EU)은 1.4%로 강화되는 것으로 나타났다. AI 도입이 가장 두드러진 정보통신 서비스와 전문 서비스 부문에서 다요소생산성(MFP: Multi-Factor Productivity) 증가율이 가장 높게 나타냈다.[6]
사실 주요 선진국 또한 20년 전과 비교하면 생산성이 크게 향상되었지만, 그 속도는 절반으로 줄어들었다. 특히 노동과 자본의 투입 효율성을 나타내는 MFP는 미약하거나 오히려 감소했다. OECD 내 21개국 평균 MFP 증가율은 2023~24년에 마이너스 0.3%로 하락했다. 이는 2000~07년 기간 평균 1.5%와 2010~19년 기간 0.8% 수준에 비해 하락한 것이다. 이는 주요국 GDP 성장이 효율성 향상보다는 노동력 투입의 증가에 더 크게 의존했음을 보여주는 것이다.
2024년에 생산성이 가속화된 배경에 대한 해석은 신중할 필요가 있다. OECD는 최근 몇 년 사이 생산성 증가 배경에 코로나19 팬데믹 시기 기업들의 노동 비축(labor hoarding)의 해소, 서비스의 거래가능성(tradability) 증가, 생성형 AI 확산 이전부터 존재하던 디지털화 추세 등의 요인들도 있음을 인정한다. 주요국 생산성 증가율의 커다란 격차 또한 최근 생산성 증가의 배경을 생성형 AI 확산으로만 돌리기 힘들게 하는 이유다.
AI의 기여를 좀더 낙관적으로 해석하는 경우에도 미시적 수준에서 확인되는 생산성 향상 수준(14%~56%)과 최근 10년 사이 생산성 증가율에 대한 거시적 추정치(0.2%~1.3%) 사이의 간극이 크다는 점, 생산성 향상 측정의 본질적 한계 등에 대해 충분히 고려할 필요가 있다.[7]
보통 미시적 수준의 생산성 향상과 거시적 수준의 향상 차이에 간극이 발생하는 원인을 ‘생산성 J-커브’(productivity J-curve) 이론으로 설명한다. 새로운 기술의 구축 단계에서 기업은 업무 방식의 재설계, 노동자 교육, 데이터 인프라 구축, 새로운 비즈니스모델 형성과 같은 무형 자본에 투자하게 되는데, 이러한 가치는 당장 거시적 산출량이나 자본 형성에 충분히 반영되지 않는다. 하지만 초기 저평가된 생산성이 나중에는 과대평가되는 특징을 말한다. 이로써 혁신적 기술 도입 초기의 생산성 둔화와 시간이 한참 지난 후에 생산성이 빠르게 높아지는 현상을 설명할 수 있다.[8]
기술 도입 이후 시간이 경과하여 지연된 이익이 실현되더라도, 국민계정 상의 측정 결과는 여전히 온전하게 드러나지 않을 수 있다. 생성형 AI는 개별 업무의 속도를 높이는 데 그치지 않고, 기업의 업무 구조와 인력·자본의 활용 방식, 전체 업무 흐름까지 바꾼다. 이 과정에서 한 가지 업무의 효율이 크게 높아져도 다른 업무가 이를 따라가지 못하면 전체 생산성은 기대만큼 높아지지 않을 수 있다. 이를 ‘병목현상’이라고 한다.[9]

생산성 수수께끼의 세 번째 요인: 측정의 구조적 한계

또다른 가능성은 바로 통계적 측정 방식상의 근본적인 한계에 있다. IMF는 국민계정체계(System of National Accounts: SNA)가 생성형 AI로 인한 생산성 향상을 측정하는데 본질적인 한계를 가진다고 주장한다.
우선, AI에 노출된 업무의 상당한 범위가 산출물이 시장에서 거래되지 않는 부분에서 발생한다 이 때문에 국민계정체계는 직원에게 지급한 임금과 서비스 제공에 사용한 재화·서비스 비용 등을 합산해 생산 규모를 추정한다. 하지만 AI를 활용해 같은 인력과 비용으로 더 많은 일을 처리하거나 서비스의 질을 높이더라도, 투입 비용이 달라지지 않으면 이러한 성과가 통계에 제대로 반영되지 않는다.
둘째, 시장 기반 서비스 부문에서도 실질 산출량 측정은 품질 변화를 포착할 수 있게 하는 가격 지수의 가용성이 중요한데, 많은 서비스 산업에서 품질 향상에 대해 물가 지수가 제대로 조정되지 않는다. 생성형 AI는 가격 변화를 수반하지 않은 채 서비스 속도, 정확성, 범위를 동시에 향상시킬 수 있지만, 통계에서는 이러한 다차원적 결과를 제대로 포착하기 힘들다.[10]
게다가 생산이 갈수록 무형의 서비스와 디지털 매개체를 기반으로 이루어짐에 따라, 공식 통계에서 경제 활동을 제대로 평가하기가 더욱 힘들어지고 있다. 결국 생성형 AI 도입에 따른 생산성 향상이 공식 통계에 온전히 드러나지 않으며, 체계적으로 과소평가되는 문제가 있다.
생성형 AI가 공공 서비스의 효율성이나 품질을 개선하더라도, 이러한 서비스 생산에 필요한 노동력이나 중간 투입물을 줄이지 않으면 산출물 측정에 드러나지 않는다. 생산성은 투입 단위당 산물로 정의되는데, 생산의 효율성이 높아지더라도 필수 투입물이 적다면 산출량은 그만큼 과소평가된다.
시장 서비스의 경우는 가격 지수를 적용해 명목 산출을 조정하게 되는데, 가격 지수가 서비스 품질 변화를 충분히 포착하지 않으면 가격 변화를 동반하지 않는 품질 개선은 실질 산출 증가가 아닌 가격 안정성으로 잘못 해석될 수 있다.
일례로 20시간의 전문가 시간 투입이 필요하고 특정한 정확도를 제공하는 법률 서비스가 AI 도입 이후 14시간 투입으로 더욱 정확한 서비스를 제공하더라도 가격이 변하지 않을 수 있다. 이런 표준 가격 지수가 이러한 변화에 대해 조정되지 않으면 가격과 실질 산출량에 변화가 없게 된다. 실질 산출량이 과소평가되고, 생산성 증가율이 하향 편향될 것이다.[11]
생성형 AI는 주로 서비스의 품질, 효율성, 범위, 효과성을 증가시키는데, 이는 서비스의 양과 더불어 효과적인 서비스 제공(품질)이라는 매개변수로 드러난다. 하지만 현재 SNA 통계는 비 시장 산출물의 경우 이를 완전히 배제하거나 시장 서비스 산출물도 불완전하게 포착하는 문제가 있다. 이 때문에 실제 생산성이 크게 증가하더라도 측정된 결과는 소폭에 그칠 수 있는 것이다.
2024년 노벨경제학상을 수상한 다론 아제모을루 MIT 교수는 현재 작업 수준별 AI 노출 및 비용 절감 추정치를 고려해도 생성형 AI가 향후 10년 동안 총요소생산성(TFP)을 약 0.66% 높이는 데 그칠 것이라고 예측하고, 그보다 낙관적인 OECD의 경우에도 G7 국가의 연간 노동생산성 증가율에 생성형 AI가 약 0.2~1.3%포인트 정도 기여하는데 그칠 것으로 보는 등 모두 미시적 증거가 시사하는 생산성 향상 수준과 큰 차이를 노정한다.
앞서 설명한 J-커브 이론과 병목현상으로 지연된 생산성이 뒤늦게 나타나는 경우를 설명할 수는 있지만, 현재 통계 측정 상의 과소평가 문제도 해결될 필요가 있다.
그림 3. AI 기반 품질 향상을 측정된 산출물로 전환하는 방식
그림 3. AI 기반 품질 향상을 측정된 산출물로 전환하는 방식

시나리오

섹터 유형

산출 측정 방법

산출물 생성형 AI 영향

측정된 생산성

A. 비시장 생산

공공행정, 교육, 보건(비용 합계)

비용 합계 (산출=투입)

품질 향상, 투입 즉시 감소 없음

생산성 증가 없음 (구조적)

B. 약한 물가 측정 시장 서비스

법률, 컨설팅, 행정 서비스

비조정 물가지수에 의한 명목 산출 감소

가격 변화 없는 품질 향상

생산성 증가 과소 평가

C. 부분 품질 조정 시장 서비스

선별적 ICT 지원 서비스

부분 헤도닉 / 품질 조정

부분 포획 품질 향상

생산성 증가 부분 포착

D. 측정 양호 벤치마크

제조업, 표준화 상품

품질 조정 물가 (헤도닉)

완전 포획 품질 향상

생산성 증가 측정 정확

출처: IMF(2026 September). 딜로이트 인사이트

2025년 SNA는 비용 합계 접근 방식의 문제를 보완하기 위해 노동 비용 및 중간 투입 외에 고정자본 소비와 순자본 수익률을 포함하는 자본 서비스 전체 비용을 포함할 것을 권고한다. 이는 시장 거래가 없더라도 자본 자산이 산출에 기여한다는 점을 인식하기 위한 것으로, 이러한 산출 측정 방식의 조정에 따라 앞으로 AI로 인한 생산성 향상 측정 결과를 크게 개선할지 여부가 주목을 받고 있다.
원래 SNA는 AI 소프트웨어와 기반 데이터를 1년 이상 생산 환경에서 사용할 경우 지적재산권 상품(IPP)로 분류한다. 2025년 권고에 따라 이제는 데이터에 대한 새로운 자산 범주를 도입해 생산에 반복적으로 사용하기 위해 획득하거나 생산된 데이터를 고정자본의 한 형태로 인식한다. 이에 따라 데이터에 대한 투자가 총고정자본 형성(GFCF)으로 기록되어 자본 재고가 증가하게 된다.
다만 이러한 자본 서비스가 포함되더라도 효율성과 품질 향상은 여전히 포착되지 않는다. 이러한 한계를 극복하기 위해서 시장 기반 서비스 부문에서 가격 지수의 품질 조정 기능을 강화할 수 있다. 보다 정확한 측정을 위해 결과 기반 측정 방식과 서비스 가격 품질 조정을 개선하면 좀더 생산성 측정 기법을 향상할 수 있다. 다만 이럴 경우 데이터의 가용성, 비교 가능성, 개념적 일관성 등의 해결 과제들도 함께 등장하게 된다.
한편, 개별 업무 수준에서는 생성형 AI 도입에 따른 커다란 성과가 확인됨에도 불구하고, 전미경제연구소(NBER)의 설문조사 결과 4개국 약 6,000명의 임원 중 89%가 지난 3년간 AI가 자사 전체 노동 생산성에 측정 가능한 영향을 미치지 않았다고 답했다.
애틀랜타 연방준비은행이 조사한 결과 여기서도 ‘생산성 역설’이 드러났다. 경영진은 실제 생산성 향상이 회사 매출에 반영되는 것보다 훨씬 크다고 인식하고 있었다. 개별 직원 업무 성과가 회사 전체 매출 및 생선상 지표에 반영되기까지는 오랜 시간이 걸린다. 공식적인 기업의 통계 수치가 아직 생산성 향상을 완전히 반영하지 못한 것이다.
IMF는 OECD 38개 국가들의 2000년부터 2017년까지 특허 데이터(전체의 89% 차지)를 활용해 AI 기술이 생산성에 미치는 영향을 분석한 결과, 이 기간 생산성이 0.8%~1.2% 증가했다고 분석했다. 이러한 분석 결과는 또한 기업의 기술 통합과 노동자 교육을 통해 AI 기술이 향후 10년간 장기적으로 총노동생산성을 최대 3.8% 향상할 수 있음을 시사한다.[12]

[1] OECD, “OECD Compendium of Productivity Indicators 2026,” Jun. 23, 2026. 미국의 생산성 증가율이 2.2%로 두드러진 향상 추세를 나타낸 반면 유로존의 경우 0%에 가까운 수준을 유지한 것으로 나타나, 이러한 차이가 발생하는 배경을 놓고도 해석이 분분하다.

[2] IMF, “Generative AI and the Limits of Productivity Measurement in the System of National Accounts,” Sep. 25, 2026.

[3] Harvard Project on Workforce, Alex Bick, Adam Blandin. (2026, May). GenAI Adoption Tracker. 생성형 AI는 개인용 컴퓨터가 직장에 도입되는 데 걸린 시간의 약 3분의 1만에 유사한 수준(약 44% 도입률)을 달성했다. 2026년 5월 기준 미국 성인(18~64세)의 생성형 AI 사용율은 61.8%, 노동자의 도입율은 45.2%이다. 생성형 AI를 활용하는 시간은 전체 노동시간의 6.3%이며, 절약한 노동시간은 전체의 2.2% 수준으로 나타났다.

[4]  Sha Sajadieh, Loredana Fattorini, Raymond Perrault, Yolanda Gil, Vanessa Parli, Lapo Santarlasci, Juan Pava, Nestor Maslej, Russ Altman, Erik Brynjolfsson, Carla Brodley, Jack Clark, Virginia Dignum, Vipin Kumar, James Landay, Terah Lyons, James Manyika, Juan Carlos Niebles, Yoav Shoham, Elham Tabassi, Russell Wald, Toby Walsh, Dan Weld. “The AI Index 2026 Annual Report,” AI Index Steering Committee, Institute for Human-Centered AI, Stanford University, Stanford, CA, April 2026.

[5] IMF, op. cit.

[6] Ibid.

[7] Ibid.

[8] 딜로이트 인사이트 글로벌 주간 경제 리뷰, “인공지능의 경제학: 생산성 패러독스 vs 생산성 J-커브”, 2024년 2월 23일; “생성형 AI 기술 발전의 한계와 ‘생산성 역설’ 문제”, 2025년 9월 12일.

[9] 딜로이트 인사이트 글로벌 주간 경제 리뷰, “생성형 AI와 생산성 수수께끼: 제도와 조직의 중요성”, 2026년 5월 15일.

[10] IMF, op. cit. 산출물이 시장에서 거래되지 않는 부문에서 산출물 가치는 Y = wL + IC + CFC로 집계된다. wL은 직원 보수, IC는 중간소비, CFC는 고정자본 소비(감가상각)을 나타낸다. 2025년 SNA는 여기에 자본 수익률(rK)을 추가한다.

[11] Ibid.

[12] IMF, “Artificial Intelligence And Aggregate Labor Productivity: Evidence From Patent Data,” Sep. 25, 2026.

Deloitte Insights

유용한 정보가 있으신가요?

의견을 보내 주셔서 감사합니다