AI 도입은 끝났는데 생산성은 왜 안 보일까 — 솔로 패러독스의 재림

"AI에 수십억 달러를 쏟아붓는데 왜 생산성 통계에는 안 잡히는가." 이 질문은 2026년 들어 점점 더 무거워지고 있다. NBER가 6,000명의 임원을 조사했고, MIT가 300여 기업 케이스를 분석했고, BLS가 분기별 생산성을 발표했다. 결론은 한결같다. AI는 도입됐는데 생산성은 아직 안 보인다.

기업의 69%가 AI를 쓰지만, 89~90%는 효과를 모른다

1. 통계로 본 미발현 — 숫자가 너무 정직하다

먼저 가장 큰 충격은 NBER가 미국·영국·독일·호주 4개국 임원 약 6,000명을 대상으로 한 조사다. 응답 기업의 69%가 현재 AI를 적극적으로 쓰고 있다고 답했지만, 그중 89~90%는 지난 3년간 고용이나 생산성에 측정 가능한 영향이 없었다고 답했다.

MIT 미디어랩이 발표한 「The GenAI Divide: State of AI in Business 2025」는 더 단호하다. 기업 도입 사례 300개를 뜯어본 결과, 95%의 생성형 AI 파일럿이 손익계산서에 측정 가능한 효과를 만들지 못했다. 동기간 미국 기업이 생성형 AI에 쏟은 자본은 300~400억 달러. 즉, 95%의 돈이 P&L 영향 0원 구간에 들어갔다.

매크로 데이터도 다르지 않다. 미국 BLS 2026년 1분기 비농업 부문 노동생산성은 전분기 대비 +0.8%, 전년 대비 +2.9%였다. 5년 평균과 크게 다를 게 없는 평범한 숫자다. 같은 분기 노동 분배율은 54.1%로 1947년 통계 시작 이후 최저치였다. AI 자본이 노동을 압도하는 듯한 통계지만, 그 자본이 생산성으로 환산되어 나타나지는 않고 있다.

출처	핵심 수치
NBER 6,000명 임원 서베이	AI 사용 기업 69%, 그중 89~90% "효과 측정 불가"
MIT GenAI Divide 2025	생성형 AI 파일럿 95% P&L 임팩트 0, 투자액 300~400억 달러
BLS Q1 2026	노동생산성 +2.9% YoY (평범), 노동분배율 54.1% (1947년 이후 최저)
ManpowerGroup 2026	정기 AI 사용 +13%, 그러나 유용성 신뢰도 -18%
Acemoglu 전망	향후 10년 누적 생산성 +0.5% (vs Goldman +7%)

2. 솔로 패러독스의 재림

1987년 노벨경제학상 수상자 로버트 솔로는 한 줄로 이 시대를 정리했다. "컴퓨터 시대의 흔적은 어디에서나 보이지만 생산성 통계에는 보이지 않는다." 솔로 패러독스라 불린 이 진단은 1995~2004년에야 풀렸다. 미국 생산성이 폭발한 것은 컴퓨터 그 자체가 아니라, 컴퓨터를 전제로 한 새 업무 프로세스·공급망·커뮤니케이션 구조가 자리잡은 뒤였다. 도입과 효과 사이에 약 10년의 시차가 있었던 셈이다.

2026년 현재의 AI도 이 구간에 있을 가능성이 크다. NBER 조사를 자세히 보면 단서가 나온다. AI로 비용·매출이 모두 늘었다고 응답한 임원들은 다음 세 가지 조건을 모두 충족했다.

성공 기업의 공통점	실패 기업과의 격차
제품·수요 창출·전략 결정까지 AI를 깊게 내장	2~3배 확률로 비용·매출 동시 개선
전사 통합 환경 + 책임 있는 AI 프레임워크	3배 확률로 효과 가시화
벤더 파트너십(전문업체 도입)	성공률 67% (자체 구축은 그 1/3 수준)

이 패턴이 의미하는 건 단순하다. AI 자체의 기술 한계가 아니라 조직·프로세스 재설계의 시간이 비용으로 청구되는 중이다. 자판기를 사놓고 매대를 안 바꿨으니 매출이 안 늘었다는 얘기다.

"AI 도입은 끝났는데 효과는 어디 갔지"

3. 작은 단위에서는 보이는데 큰 단위에서 안 보인다

이 패러독스의 또 한 가지 특징은 측정 스케일에 따라 결과가 정반대로 나온다는 점이다.

개별 태스크 단위 실험에서는 AI 효과가 명확하다. 하버드 비즈니스스쿨 통제 실험에서 컨설턴트가 GPT-4를 쓴 그룹은 작업을 25.1% 빠르게 끝냈고, 결과물 품질도 40% 이상 좋았다. Nielsen Norman Group 조사에서는 개발자의 주간 코드 산출량이 +126% 늘었다. 자체 보고로는 평균 40% 생산성 향상이 잡힌다.

그런데 같은 기업의 분기 매출과 인건비를 보면 변화가 없다. 왜인가. 세 가지 누수가 일어난다.

① 시간 절감 → 새 업무로 흡수. 한 직원이 보고서 작성을 30분 줄였다고 해서 그 30분이 회사 매출로 환산되지는 않는다. 회의 추가, 슬랙 답장, 더 많은 보고로 흡수된다.

② 사내 다른 공정에서 발생하는 손실. AI 출력물의 검토·교정·재작업 시간이 늘어난다. 코딩 보조 도구가 만든 코드의 디버깅에 들어가는 시간이 동등한 비율로 늘어난다는 후속 연구가 누적되고 있다.

③ 효율이 가격 인하로 환원. AI로 서비스 단가를 낮춰 시장을 점유한 기업은 매출이 안 늘 수 있다. 효율은 가격으로 빠지고, 거시 통계에서는 디플레이션처럼 잡힌다.

요약하면 마이크로에서는 +25~40%인데 매크로에서는 +0.5~1%인 게 자연스럽다. 솔로의 시대와 같은 패턴이다.

4. 어디에 돈이 잘못 쓰이고 있는가

MIT 보고서는 또 하나의 미스매치를 지적했다. 기업이 생성형 AI 예산의 절반 이상을 영업·마케팅 도구에 쓰는데, 실제로 ROI가 가장 컸던 영역은 백오피스 자동화였다. BPO 외주 절감, 외부 에이전시 비용 축소, 운영 효율화. 화려한 곳에 돈이 가고, 정작 효과는 보이지 않는 뒤편에 있었다.

다론 아세모글루(2024 노벨경제학상)는 이 현상을 "so-so automation"으로 부른다. 인간보다 약간 잘하는 정도의 자동화가 노동자를 대체하는 식으로 들어와, 회사는 인건비를 줄이지만 그 자리에서 새 부가가치는 만들지 않는다는 비판이다. 그는 향후 10년 누적 생산성 기여를 0.5%로 본다. 골드만의 7%와 14배 차이다.

5. 그럼 투자자는 무엇을 봐야 하나

AI 미발현 생산성을 두 가지로 해석할 수 있다.

해석 A — 시차다, 결국 터진다. 솔로 패러독스가 1995년에 풀렸듯 2027~2029년에 풀린다는 시각. 1차 도입 사이클의 무용투자가 정리되고, 조직 재설계가 끝난 기업에서 폭발적 생산성이 나온다. 골드만·맥킨지 진영이다.

해석 B — 구조다, 안 터진다. 현재 AI는 인간 노동의 보완재가 아니라 대체재 위주로 들어와 부가가치 창출이 약하다는 시각. 아세모글루·NBER 진영이다.

"so-so automation" — 약간 더 싸지만 약간만 더 잘하는

투자자 관점에서 두 시나리오는 같은 결론을 가리킨다. 인프라(GPU·HBM·전력·메모리)에는 1차 사이클 끝까지 돈이 남는다. 다만 어플리케이션 레이어에 대한 평가에서는 갈린다. 해석 A가 맞다면 SaaS·AI 어플리케이션 종목이 2027년부터 매출·이익에서 시차 폭발한다. 해석 B가 맞다면 AI는 비용 절감 도구로만 남고, 그 절감을 가장 잘 흡수하는 기업(빅테크, 대형 서비스 플랫폼) 위주로 마진이 쌓인다.

구간	시차 시나리오 (A)	구조 시나리오 (B)
2026~27	인프라 호황 지속, 어플 적자 지속	인프라 호황 지속, 어플 ROI 의구심 본격화
2028~30	생산성 폭발, 어플 매출 J-커브	빅테크가 비용 절감 흡수, 중소 어플 도태
투자 포인트	2027~28 어플 종목 진입 타이밍	빅테크·인프라·전력 중심

6. 결론 — 효과를 못 본 게 아니라, 아직 못 본 것일 수 있다

지금 통계에서 AI 생산성 효과가 안 보인다는 사실은 두 가지 가능성을 동시에 열어둔다. 첫째, 너무 일찍 봤다. 솔로 시대도 도입 후 효과까지 10년이 걸렸다. 둘째, 우리가 AI를 잘못 쓰고 있다. NBER 데이터의 12% 성공 기업은 도구를 산 게 아니라 조직을 바꿨다.

중요한 건 둘 다 동일한 결론을 가리킨다는 점이다. 2026년의 매크로 생산성 지표를 보고 AI가 실패했다고 결론짓기에는 너무 이르다. 그리고 다음 5년의 격차는 AI를 더 많이 산 회사가 아니라, AI를 전제로 한 새 워크플로우를 더 빨리 설계한 회사 사이에서 벌어질 가능성이 크다. 투자 관점에서 따라가야 하는 시그널도 매출 성장률이 아니라 조직 재설계의 깊이다.

지금은 솔로의 80년대다.