AI 속도 개선에도 총비용 감소 제한적
인건비 절감 대신 비용 구조 재편 발생
성과 기준은 정확성 검증 중심으로 전환 필요

본 연구 기사는 유럽 경제 연구소 The Economy의 연구위원(Fellow)들이 작성한 The Economy Review 시리즈 기고문을 한국 시장 상황에 맞춰 재구성한 글입니다. 본 시리즈는 최신 기술-경제-정책 이슈에 대해 연구자의 시각을 담아, 일반 독자들에게도 이해하기 쉽게 전달하는 것을 목표로 합니다. 기사에 담긴 견해는 집필자의 개인적인 의견이며, The Economy 또는 집필자의 소속 기관의 견해와 일치하지 않을 수 있습니다.

인공지능(AI) 도입이 빠르게 확산되는 가운데 기업들이 기대했던 비용 절감 효과는 제한적으로 나타나고 있다. 보고서 작성 시간은 줄고 질의응답은 즉각 이뤄지며 코드 생성 속도도 빨라졌다. 겉으로는 업무 효율이 개선된 듯 보인다. 그러나 비용은 이후 단계에서 본격적으로 발생한다. 산출물의 논리와 정확성을 재확인하고, 법적 위험을 점검하며, 실제 시스템에 맞게 결과를 다시 손보는 과정이 필요하기 때문이다. 초기 속도 향상이 전체 비용 절감으로 이어지지 않는 이유도 여기에 있다. 이 같은 현상은 ‘AI 생산성 착시’로 규정된다.

기업의 비용 산정 방식에서도 한계가 드러난다. 초안 작성 속도에 초점을 맞추다 보니 검증과 수정, 운영까지 포함한 전체 비용이 충분히 반영되기 어렵다. 그 결과 고용을 줄이고 AI 투자를 늘렸음에도 총지출은 뚜렷하게 감소하지 않는다. 실제로는 인건비 중심이던 지출이 컴퓨팅 자원, 관리 과정, 설비 투자로 옮겨가는 양상이다.

대체 관점의 한계, 비용 구조 재편

AI를 인간 노동의 단순 대체로 보는 접근은 현실과 괴리가 있다. 작업 속도를 높이고 초안 작성을 돕는 기능은 분명하지만, 개별 업무 축소가 직무 소멸로 이어지지는 않는다. 오히려 결과를 검증하고 책임을 부담하는 과정의 중요성이 커진다. 이 변화는 기업의 비용 구조 전반에도 영향을 미친다.

생산성 판단 기준 역시 달라진다. 산출량보다 결과의 정확성과 완결성, 그리고 실제 시스템에서 문제없이 작동하는지가 핵심 지표로 자리 잡는다. 이러한 기준이 누락될 경우 초기 단계에서는 업무 효율이 개선된 것처럼 보이지만, 운영 단계에서 추가 비용이 발생한다. 인건비 중심이던 지출이 토큰 사용료, 클라우드 비용, 데이터 정비, 보안 대응 등으로 나뉘어 반영되는 구조도 이 과정에서 확인된다.

해고와 투자 확대 속 비용 절감 착시

최근 기술 기업들은 인력을 줄이는 동시에 AI 인프라 투자를 빠르게 확대하는 추세다. 시장은 이를 미래 성장 신호로 해석하지만, 인건비를 줄였음에도 전체 비용이 늘어나는 사례가 적지 않다. 고가의 컴퓨팅 자원, 반도체 수급 제약, 전력 사용 증가, 데이터센터 운영비가 동시에 반영되기 때문이다.

이 과정에서 비용이 반영되는 구조에도 변화가 생기고 있다. 해고에 따른 비용 절감은 단기간에 실적에 반영되지만, AI 관련 지출은 설비 투자와 운영비로 나뉘어 장기간에 걸쳐 반영된다. 겉으로는 인건비가 줄어든 것처럼 보이지만 실제로는 운영 기반이 더 높은 비용 구조로 바뀌는 경우도 많다. 이에 따라 AI가 업무 전체 비용을 낮췄다는 근거가 확인되기 전까지 인력 감축은 비용 절감이라기보다 지출 항목 재편으로 보는 시각이 설득력을 얻는다.

전문 영역 한계 드러난 워크슬롭 확산

생성형 AI가 글쓰기나 고객 응대 등 일부 영역에서 성과를 낸다는 사실은 분명하다. 그러나 복잡한 판단과 책임이 요구되는 전문 업무로 범위가 넓어지면 성과는 빠르게 둔화되는 양상을 보인다. 대규모언어모델(LLM)은 다양한 작업을 수행하는 도구지만 결과에 대한 책임을 지는 주체는 아니다.

이러한 한계는 실제 업무에서 더욱 분명해진다. 숙련된 개발자가 AI 도구를 사용할 때 체감 속도는 빨라졌다고 느끼지만 실제 완료 시간은 오히려 늘어나는 사례가 보고됐다. 겉으로는 완성된 것처럼 보이나 실무 기여도가 낮은 산출물, 이른바 워크슬롭(Workslop)이 증가하는 점도 특징이다. 예컨대 한 사람이 절약한 시간이 다른 구성원의 검토와 수정 부담으로 이전되는 구조가 형성된다. 숙련 인력을 줄일 경우 산출물 생산 속도는 빨라질 수 있지만 판단과 책임이 집중되는 단계에서는 병목이 발생한다. 결과적으로 의사결정 속도는 둔화되는 모습이 나타난다.

성과 기준 재정비 요구

정책과 기업 경영의 초점은 AI 도입 확대보다 전체 비용을 정밀하게 검토하는 데 맞춰져야 한다. AI 서비스 구독료뿐 아니라 시스템 연동, 전력 사용, 법적 검토, 결과 검증에 투입되는 인력까지 함께 고려가 요구된다. 이 같은 요소를 반영해야 AI 도입 효과에 대한 정확한 평가가 이뤄진다.

또한 AI가 비용 효율성을 확보했다면 도입 이후에도 그 수준이 유지돼야 한다. 클라우드 비용 상승, 모델 업데이트, 오류 수정까지 포함한 상황에서도 총비용이 안정적으로 관리되는지 확인이 필요하다. 이를 충족하지 못하면 초기 속도 개선은 비용 절감으로 이어지지 않는다.

향후 AI 정책은 속도보다 결과의 신뢰성과 실제 활용 가능성 확보를 핵심 과제로 삼는다. 이에 따라 정확성, 안전성, 검증 가능성을 기준으로 생산성을 다시 정의할 필요가 있다. 인건비를 줄이는 과정에서 다른 비용과 위험이 커진다면 이는 비용 구조 왜곡에 해당한다.

본 연구 기사의 원문은 [AI Labor vs. Human Labor] The AI Productivity Illusion Is Not a Labor Strategy을 참고해 주시기 바랍니다. 본 기사의 저작권은 The Economy에 있습니다.