_Karmendra Pandey 작성
저는 직장 생활을 IT 예산 속에서 보내왔기 때문에, 무대 위가 아닌 제 책상에서 볼 수 있는 것부터 말씀드리겠습니다.
AI는 이론이 아니라 측정된 연구를 통해 IT 작업의 비용을 절감하고 있습니다. 우수한 AI 어시스턴트를 갖춘 고객 지원 상담원은 시간당 13.8% 더 많은 문제를 해결했으며, 경험이 가장 적은 상담원이 약 35%로 가장 큰 향상을 보였습니다. 통제된 작문 실험에서 전문가는 품질은 18% 향상시키면서 40% 더 빠르게 작업을 완료했습니다. 대규모 현장 실험을 진행한 개발자는 약 26% 더 많은 작업을 완료했습니다. 그리고 이 모든 것의 근간에는 원재료 투입 비용이 하락하고 있습니다. 2022년 말에 고정된 수준의 AI 성능을 얻는 데 백만 토큰당 $20가 들었지만, 약 18개월 후에는 $0.07로 떨어졌습니다. 어떤 것의 가격이 280배 이상 하락하면, 자동화하기에는 너무 비쌌던 전체 작업 범주—모든 레거시 시스템 문서화, 모든 사고 요약, 오래된 코드 라인 테스트 등—가 조용히 기본(default) 기능으로 자리 잡게 됩니다.
이것이 IT 비용에 대한 이야기이며, 저는 이 이야기에 동의합니다. 하지만 이것이 제가 실제로 전달하고 싶은 이야기는 아닙니다.
더 큰 주장
저는 AI 시대에 세계 GDP가 그 이전 20년보다 더 빠른 속도로 성장할 것이라고 예상합니다. 이런 말이 어떻게 들릴지 알지만, 예측가들 사이에서는 의견이 극명하게 갈립니다. IMF는 향후 10년간 AI가 글로벌 성장에 연간 약 0.5%포인트 가량을 추가할 것으로 전망합니다. OECD는 가장 노출도가 높은 선진국에서 연간 0.4~1.3%포인트의 추가 생산성 증가를 예상합니다. Goldman Sachs는 약 10년 동안 세계 GDP 수준에 7%의 상승을 추정합니다. 반면, 주요 회의론자인 Daron Acemoglu는 미국 전체적으로 10년간 겨우 1–1.6%만을 계산했습니다.
분포도를 보면 한 가지를 알 수 있습니다. 심각하게 논쟁하는 사람들은 AI가 특정 작업 수준에서 작동하는지 여부에 대해 아닙니다. 그들은 기업들이 이를 중심으로 얼마나 빠르게 재편성할 것인지, 이 기술이 수익성 있게 수행할 수 있는 작업의 양은 어느 정도인지, 그리고 이것이 새로운 일을 창출하는지 아니면 단지 기존의 작업을 자동화만 하는지에 대해 논쟁하고 있습니다. 이는 모델에 대한 질문이 아니라 경영(management)에 관한 질문입니다. 그래서 저는 제가 생각하는 지점에 도달합니다. 매년 추가로 0.5%p의 성장률 — 범위의 중간값 — 은 고급 경제국들이 20년 동안 1~1.5% 수준의 생산성 증가율에 정체되어 있었다는 사실을 기억하면 보수적으로 들립니다. 0.5%p를 복리로 계산하면 그 침체의 대부분을 되돌릴 수 있습니다. 이것이 역사적인 사건이 되기 위해 우리가 영웅적인 예측(heroic forecast)일 필요는 없습니다. 지루한(boring) 예측만으로도 충분합니다.
Panoramic illustration of technological progress: a steam train giving way to an electric factory, then vintage computers, then a glowing AI network
역사는 정직한 심판관입니다
위대한 기술적 전환점은 필연적으로 보이기 전에 실망스러워 보였습니다.
증기가 먼저 등장했습니다. James Watt의 엔진은 1770년대에 특허를 받았지만, 증기가 영국 생산성 증가에 기여한 정점은 약 1850년~1870년에 이르러서야 찾아왔습니다. 이는 대략 100년 후였습니다. 전기는 참을성이 없는 사람들에게는 더 어려웠습니다. 발전소는 1880년대에 등장했지만, 1900년까지도 전기 모터는 공장 기계의 5% 미만만을 구동했습니다. 생산성 급증은 약 40년이 지난 1920년대에야 찾아왔으며, 이는 또한 공장이 재설계된 후에 이루어졌습니다. 즉, 하나의 대형 증기 엔진과 벨트 숲이 사라지고 모든 기계에 모터가 장착되었고, 동력원 주변이 아닌 작업 흐름을 중심으로 지어진 단층 생산 라인이었습니다.
컴퓨터는 그 패턴을 너무나 충실하게 반복하여 경제학자들이 이름을 붙일 정도였다. 로버트 솔로우(Robert Solow)는 1987년에 "컴퓨터 시대는 어디에서나 볼 수 있지만, 생산성 통계에서는 그렇지 않다"고 썼다. 통계가 마침내 움직인 것은 기업들이 오래된 방식을 덮어가는 대신 기술을 중심으로 프로세스를 재설계했을 때인 1995년~2004년이었다. 이후 인터넷과 스마트폰은 정반대의 교훈을 가르쳤다. 즉, 채택(adoption)은 거의 즉각적일 수 있지만—스마트폰 보급률이 약 4년 만에 미국인의 5%에서 40%로 증가했음에도 불구하고—소비자의 만족도가 재편된 생산과 같지 않기 때문에 생산성 급증은 여전히 오지 않는다는 것이다.
바로 이 역사가 제가 측정된 생산성이 아직 거의 움직이지 않은 것에 대해 당황하지 않는 이유입니다. AI는 연구자들이 생산성 J-커브(productivity J-curve)라고 부르는 고전적인 패턴을 따르고 있습니다. 기업들은 먼저 데이터, 워크플로우 재설계, 교육, 거버넌스 같은 눈에 보이지 않는 보완재(invisible complements)에 비용을 지출하는데, 이것이 측정된 산출량을 끌어내린 후에야 이득이 나타납니다. 전기는 새로운 공장이 필요했습니다. AI는 새로운 워크플로우가 필요합니다. 기술 자체는 쉽게 구매할 수 있습니다. 재설계하는 것이 노동입니다.
이번에 실제로 다른 점은 무엇인가
하지만 저는 이 전환점이 단순히 마케팅이 좋아진 전기 같은 것만은 아니라고 생각합니다. 근본적으로 다른 네 가지가 있습니다.
첫째, 속도입니다. ChatGPT는 약 두 달 만에 1억 명의 사용자에게 도달했습니다. 전기가 반 공장 규모에 도달하는 데 수십 년이 걸렸습니다. AI는 이미 존재하는 장치(devices), 네트워크, 클라우드 플랫폼 위에서 작동하기 때문에 기다릴 세계 배선 작업이 없습니다.
둘째, 복제가 거의 무료입니다. 증기기관은 하나씩 제작하고, 운송하고, 설치해야 했습니다. 일단 만들어진 AI 역량은 한순간에 수백만 개의 회사로 근접한 한계 비용(marginal cost)으로 복제될 수 있습니다. 지능이 소프트웨어처럼 행동했던 적은 없었습니다. 이제는 그렇습니다.
세 번째로, AI는 근육이 아닌 사고를 자동화합니다. 증기기관과 전기는 손이 할 수 있는 일을 배가시켰습니다. AI는 마음이 할 수 있는 일—초안 작성, 요약, 코딩, 분석, 고객 지원 등—을 배가시킵니다. 이는 이전의 모든 자동화 물결에 저항했던 느리고 값비싼 서비스 부문에서도 마찬가지입니다.
네 번째로, AI는 스스로의 후속 기술 개발을 도울 수 있습니다. AI 시스템은 이미 2억 개의 단백질 구조를 예측했으며, 이 작업은 노벨상으로 인정받았습니다. 연구 자체를 가속화하는 기술은 단순히 경제 내의 하나의 도구가 아닙니다. 그것은 경제가 새로운 도구를 얻는 속도에 작용하는 지렛대입니다.
솔직한 경고
저는 이러한 견해를 가지고 있지만, 두 가지 경고를 붙여서 이야기하며, 이 두 가지 모두를 실제 IT 조직 내부에서 목격했습니다.
첫 번째는 작업 이득(task gains)의 누수 문제입니다. 한 신중한 실험에서, 자체적으로 성숙한 코드베이스에서 일하는 숙련된 개발자들은 AI 도구를 사용했을 때 20% 더 빠르다고 믿었지만, 실제로는 19% 더 느렸습니다. AI는 경계가 명확하고 패턴이 풍부한 작업에서 가장 빠르며, 깊고 맥락이 무거운 작업에는 세금이 될 수 있습니다. 지금까지 전체 경제를 통틀어 볼 때, 평균 근로자가 절약하는 시간은 모든 시간의 약 1.4~2.2%에 불과합니다. 왜냐하면 대부분의 시간이 아직 AI의 도움을 받지 못했기 때문입니다. 실험실에서의 이득을 전체 GDP에 곱하는 사람은 분석이 아니라 마케팅을 하고 있는 것입니다.
두 번째 경고는 IT 자체, 즉 제가 속한 산업에 관한 것입니다. AI가 전체 IT 예산을 삭감하는 것보다 IT 작업의 단위당 비용을 훨씬 더 확실하게 절감하기 때문입니다. 수요가 그 절감분을 먹어치우면서(demand expands to eat the savings) 말이죠. 기업들 스스로도 클라우드 지출의 약 29%는 낭비된다고 추정하며, AI는 기존의 낭비를 제거하는 동시에 새로운 낭비를 만들어내고 있습니다. 게다가 데이터 센터들은 2030년까지 전력 사용량이 거의 두 배로 늘어날 것으로 예상됩니다. 제가 일하는 곳과 같은 IT 서비스 회사들에게는 비즈니스 모델 자체가 재가격 책정되는 대상입니다. 인간의 시간 단위로 판매되던 작업은 AI가 저렴하게 만드는 투입 요소(input)에 맞춰 가격이 매겨질 것입니다. 제 산업의 미래는 결과물 기반 가격 책정(outcome-priced), 재설계된 워크플로우, 거버넌스, 그리고 현대화—즉 시간을 파는 것이 아니라 보완재를 판매하는 방향으로 나아가고 있습니다. 저는 이것을 건강한 조정이라고 생각하지만, 아무도 이 과정이 고통스럽지 않다고 가장해서는 안 됩니다. 특히 예전 피라미드가 기반했던 주니어 역할들에게는 더욱 그렇습니다.
나의 예측
제가 할 수 있는 한 명확하게 제 관점을 말씀드리겠습니다.
이번 10년 안에 세계 성장은 AI 이전의 침체기보다 더 빠르게 진행될 것입니다. 모델 자체가 마법적이기 때문이 아니라, 지능의 비용이 붕괴하고(collapsing), 기술 복제가 무료가 되며, 재설계 작업이 느리긴 하지만 이미 모든 곳의 지원 데스크, 소프트웨어 팀, 백 오피스에서 시작되었기 때문입니다. 승리할 국가와 기업은 AI를 가장 먼저 구매한 곳이 아닐 것입니다. 전기는 발전소 약 40년 후에 그 주변으로 재설계된 공장들을 보상했습니다. AI는 그 주변으로 재설계된 조직을 보상할 것이며—이번에는 40년이 걸리지 않을 것입니다.
증기 시대는 엔진을 만든 사람들의 것이었습니다. 전기는 공장을 재건한 사람들의 것이었죠. 이 시대는 복사될 수 있는 마음(mind)을 중심으로 일의 방식 자체를 재구성하는 사람들의 것이 될 것입니다. 이는 이전 시대만큼이나 큰 전환점이지만, 역사상 처음으로 우리의 제도들이 준비되기보다 더 빠르게 도래하고 있습니다. 진정한 위험은 기술 자체가 아니라 그 격차에 있으며, 이 격차를 줄이는 것이야말로 진정한 기회입니다.
참고 자료 (References)
- Brynjolfsson, E., Li, D. & Raymond, L. — "Generative AI at Work," NBER Working Paper 31161 / Quarterly Journal of Economics (2025): 지원 에이전트의 이슈 처리 속도가 +13.8% 증가했으며, 가장 기술 숙련도가 낮은 그룹에서는 +35% 증가했습니다. https://www.nber.org/digest/20236/measuring-productivity-impact-generative-ai
- Noy, S. & Zhang, W. — "Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence," Science (2023): 작성 시간이 -40% 감소하고 품질은 +18% 증가했습니다.
- Cui, K. et al. — 4,867명의 개발자를 대상으로 한 AI 코딩 어시스턴트 필드 실험 (2024): 완료된 작업량이 +26.1% 증가했습니다.
- Peng, S. et al. — "The Impact of AI on Developer Productivity" (2023): 표준화된 코딩 작업에서 55.8% 더 빨랐습니다. https://arxiv.org/html/2302.06590v1
- METR (2025) — 숙련된 오픈 소스 개발자를 대상으로 한 RCT: 자체 저장소에서 2025년 초 AI 도구를 사용했을 때 19% 더 느렸습니다.
- Stanford Institute for Human-Centered AI — AI Index Report 2025: GPT-3.5 수준의 성능에 대한 추론 비용(inference cost)이 백만 토큰당 $20에서 $0.07로 하락했습니다 (2022년 11월–2024년 10월).
- IMF (Oct 2026) — Georgieva: AI는 향후 10년간 연간 세계 경제 성장에 약 0.5 퍼센트포인트를 추가할 수 있습니다. https://www.imf.org/en/blogs/articles/2026/10/15/the-world-cant-afford-to-get-ai-wrong
OECD(2025년 6월) — "G7 경제권의 인공지능을 통한 거시경제 생산성 향상": G7 고노출 국가에서 노동 생산성이 연간 +0.4–1.3 pp 증가할 것으로 예상됩니다. [https://www.oecd.org/content/dam/oecd/en/publications/reports/2025/06/macroeconomic-productivity-gains-from-artificial-intelligence-in-g7-economies_dcf91c3e/a5319ab5-en.pdf]
9. Goldman Sachs(2023) — "생성형 AI가 글로벌 GDP를 7% 증가시킬 수 있다." [https://www.goldmansachs.com/insights/articles/generative-ai-could-raise-global-gdp-by-7-percent.html]
10. Acemoglu, D.(2024/25) — "AI의 간단한 거시경제학": 미국 GDP가 10년 동안 총 +1.1–1.6% 증가할 것으로 예상됩니다. [https://economics.mit.edu/news/daron-acemoglu-what-do-we-know-about-economics-ai]
11. McKinsey Global Institute(2023) — "생성형 AI의 경제적 잠재력": 63가지 사용 사례에 걸쳐 연간 2조 6,000억 달러에서 4조 4,000억 달러 규모입니다.
12. Bick, A., Blandin, A. & Deming, D. — Federal Reserve Bank of St. Louis: AI 사용자들은 자체 근무 시간의 5.4%를 절약하며, 전체 노동 시간의 약 1.4–2.2%에 해당합니다.
13. Crafts, N. — 증기기관이 영국 생산성 성장에 기여한 정점은 대략 1850~70년이었으며, 이는 와트(Watt) 이후 약 100년 뒤입니다. 정보통신기술(ICT)의 기여도는 증기기관보다 높았습니다.
14. David, P.(1990) — "다이나모와 컴퓨터": 전력화가 요구했던 약 40년간의 시차와 공장 재설계 필요성에 관한 내용입니다.
15. Brynjolfsson, E., Rock, D. & Syverson, C. — "생산성 J-커브," American Economic Journal: Macroeconomics (2021).
16. Flexera — State of the Cloud 2026: 조직들은 클라우드 지출의 29%가 낭비되었다고 자체 추정합니다.
17. IEA — "에너지와 AI"(2025): 데이터센터 전력 소비량은 2024년 415 TWh에서 2030년까지 약 945 TWh로 증가할 것입니다.
