도입은 완료, 성과는 관리의 영역으로 이동
확산 이후 둔화된 투자 대비 산출 구조
정책·교육이 따라오지 못한 생산성 전환

본 기사는 스위스 인공지능연구소(SIAI)의 SIAI Research Memo 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 개인적 의견이며, SIAI 또는 그 소속 기관의 공식 입장과 일치하지 않을 수 있습니다.

독일 기업의 생성형 인공지능(Generative AI) 활용이 도입 단계를 지나 생산성 국면으로 이동하고 있다. 2023년 이후 기업 전반으로 활용이 빠르게 확산됐지만, 초기 도입 기업을 중심으로 추가 투자 대비 산출 증가 폭은 점차 둔화되는 흐름이 확인된다. 이는 AI가 조직 내 여러 업무에 적용되면서, 초기에 기대됐던 자동화 효과가 일정 수준에서 소진되고 있음을 시사한다.

국제결제은행(Bank for International Settlements, BIS)과 유럽경제정책연구센터(Centre for Economic Policy Research, CEPR) 분석 역시 확산 이후 단계에서 성과가 정체될 가능성을 공통적으로 지적한다. 단순한 도입 확대만으로는 추가적인 생산성 개선을 보장하기 어렵다는 판단이다. 결국 논점은 투자가 확대될수록 산출이 함께 유지·확장되는 구조가 실제로 형성됐는지로 이동하고 있다.

확산 이후 드러난 생산성 둔화

독일 기업의 AI 활용은 확산 속도와 달리 수익성 측면에서 제약이 분명해지고 있다. 국가 단위 설문조사에 따르면 2023년 이후 AI를 업무에 활용하는 기업 비중은 크게 늘었지만, 이미 도입한 기업일수록 추가 지출 1유로(약 1,730원)당 산출 증가 폭은 점진적으로 축소되는 경향이 확인됐다. AI가 문서 초안 작성, 요약, 정보 검색 등 반복 업무에 빠르게 적용되면서 초기 자동화 효과가 비교적 짧은 기간 안에 소진됐기 때문이다.

이후 단계에서는 동일한 투자로 얻을 수 있는 성과가 제한되며, 추가 개선을 위해서는 업무 흐름과 관리 방식의 조정이 요구되는 구조로 전환됐다. 확산 국면이 지나간 현재, 독일 기업은 AI 도입 여부를 논하는 단계에서 벗어나 투입 대비 성과를 관리하는 효율 중심 단계로 이동하고 있다.

사용량 넘어 성과 관리로

확산 이후 단계에서 핵심 판단 기준은 사용 빈도에서 성과의 지속성으로 옮겨가고 있다. 직원 다수가 AI를 활용하는지는 기술 확산 수준을 보여주지만, 기업 경쟁력을 가르는 요소는 업무 시간이 실제로 단축됐는지, 오류 발생 빈도가 낮아졌는지, 불확실한 환경에서 의사결정의 질이 개선됐는지 여부다. 이러한 성과 지표는 단기 산출물보다 측정 난도가 높지만, 추가 투자가 합리적인지를 판단하는 기준으로 기능한다.

특히 단순 생산량 증가가 아닌 프로세스 전반의 효율 개선 여부가 중요해지면서, 성과를 수치로 환산하고 관리하는 역량의 차이가 점차 확대되고 있다. AI 활용이 기본 조건이 된 환경에서는 성과를 계량하고 관리하는 능력이 기업 간 격차를 만들어내는 요인으로 작용하는 셈이다.

정책 환경에서 드러난 한계

이 변화는 기업 현장을 넘어 정책과 교육 체계 전반에도 동일하게 적용되고 있다. 도입 초기에는 AI 툴 사용법과 프롬프트 작성 능력이 핵심 역량으로 평가됐지만, 확산 이후 단계에서는 업무 재설계, 성과 측정 방식, 관리 체계 구축 여부가 성과를 좌우하는 요소로 부상했다. CEPR과 BIS 연구는 AI 확산 이후 나타나는 성과 둔화가 일부 기업의 실행력 문제가 아닌 구조적 현상임을 시사한다. 제도와 지원 방식이 도입 단계에 머물러 있기 때문이다.

그럼에도 정책이 여전히 도입률 확대에 초점을 맞출 경우, 추가 비용이 투입되더라도 실질 산출은 제한되고 생산성 개선 효과는 점차 약화될 가능성이 크다. 결국 정책 환경 역시 확산 이후 국면에 맞는 전환 설계를 요구받고 있다.

이탈리아 가계가 보여준 다른 경로

독일 기업의 AI 포화 흐름은 이탈리아 가계의 느린 도입 경로와 뚜렷한 대비를 이룬다. BIS 조사에 따르면 이탈리아 성인의 약 30%가 지난 1년간 AI를 사용한 경험이 있지만, 이를 정기적으로 활용하거나 학습·업무·생활 방식의 변화로 연결한 사례는 제한적이다. 가계 부문에서 AI가 인지된 기술로는 확산됐지만, 실제 활용 단계로의 전환은 지연되고 있는 것이다.

여기에 디지털 역량 격차, 기기·네트워크 접근성 제약, 개인정보 보호와 기술 위험에 대한 우려도 사용 확대를 제약하는 요인으로 작용한다. 이탈리아 사례는 접근성 확대나 인지도 제고만으로는 생산적 활용으로 이어지기 어렵다는 점을 분명히 보여준다. 도입 이전 단계에서도 별도의 정책·교육 경로가 필요하다는 함의다.

실험 넘지 못한 AI 비용 구조

핵심 과제는 AI 실험을 조직의 운영 시스템으로 전환하는 데 있다. 단순히 도구를 추가하는 방식으로는 추가적인 성과를 기대하기 어렵다. 사람과 AI가 공동 목표를 공유하는 업무 설계, 과정 중심의 성과 측정, 예외 상황에서도 작동하는 관리·검증 체계가 함께 구축돼야 한다.

특히 AI가 반복 업무를 넘어 판단과 실행에 관여할수록, 사전 규칙 설정과 사후 점검 구조의 중요성은 커진다. 이는 기술 도입의 문제가 아닌 조직·제도적 문제다. 업무 흐름과 책임 구조를 어떻게 설계하느냐에 달린 것이다. 도입 이후 단계에 맞는 구조를 마련하지 못할 경우, 기업에는 투자 비용만 누적되고 생산성 개선 효과는 제한되는 결과로 이어질 가능성이 크다.

본 연구 기사의 원문은 Maximizing Agentic AI Productivity: Why German Firms Must Move Beyond Adoption and Teach Machines to Act을 참고해 주시기 바랍니다. 본 기사의 저작권은 스위스 인공지능연구소(SIAI)에 있습니다.