AI는 GDP에 기여하고 있다. 다만 자본재로 기여할 뿐 아직 생산재로는 기여하지 않는다. 이 구분을 놓치면 "AI 효과가 미미하다"와 "AI가 성장을 떠받친다"가 동시에 참인 이유를 설명할 수 없다.
세 층위에서 동일한 패턴이 반복된다. 서사가 주장하는 숫자와 실측된 숫자가 일관되게 벌어지고, 그 격차의 방향도 항상 같다 — 항상 서사 쪽이 크다.
기술의 문제가 아니라 측정과 조직 설계의 문제다. 그리고 이번 사이클의 고유한 위험은, 시차가 해소되기를 기다리기엔 투입된 자본의 만기가 너무 짧다는 데 있다.
AI는 현재 미국 성장률을 실제로 밀어올리고 있다. 미니애폴리스 연준 추정에 따르면 2026년 1분기 연율 2.1% 성장 가운데 AI 관련 투자(소프트웨어, 데이터센터, 전력 인프라, 컴퓨팅 장비)가 약 0.73%p를 기여했다. 다만 장비 상당수가 수입품이라 컴퓨터·주변기기·부품 순수입만으로 성장률이 0.45%p 깎였다. 총기여는 순기여보다 훨씬 크다는 뜻이다.
문제는 이것이 투자 계정이지 산출 계정이 아니라는 점이다. 국민계정에서 투자는 그 자체로 GDP에 계상된다. 수익성 여부는 묻지 않는다. 즉 지금의 AI 기여분은 "AI가 무언가를 더 잘 만들어냈다"의 결과가 아니라 "AI를 만들기 위해 돈을 썼다"의 결과다.
추정치의 분산 자체도 신호다. 같은 현상을 두고 Bespoke는 2025년 2·3분기 AI 관련 지출이 분기 성장의 15%, 전체 GDP의 5% 미만이라고 봤고, 다른 계산은 AI 자본형성이 가계소비 전체와 맞먹는 기여를 했다고 본다. 무엇을 AI로 셀지에 대한 합의가 아직 없다. 이 상태에서 나온 단일 숫자는 신뢰하기 어렵다.
| 지표 | 값 | 출처 |
|---|---|---|
| 2026년 1분기 GDP 성장률 (연율) | 2.1% | [3] |
| AI 관련 투자의 성장 기여 | +0.73%p | [3] |
| 컴퓨터·부품 순수입의 성장 기여 | −0.45%p | [3] |
| 미국 전체 수입 중 AI 관련 제품 (2025) | 23% | [3] |
| AI capex의 GDP 대비 비중 | ≈5% | [5] |
| 생산성 증가율 (4Q 2025 → 1Q 2026) | 1.6% → 0.3% | [2] |
| 하이퍼스케일러 2026년 AI 인프라 지출 | $675B (+63%) | [7] |
과업 단위 개선은 실재한다. 논쟁 대상이 아니다. 문제는 그것이 손익계산서까지 도달하지 않는다는 점이며, 복수의 독립 조사가 같은 방향을 가리킨다.
| 조사 | 결과 | 출처 |
|---|---|---|
| PwC 글로벌 CEO 서베이 (2026.01) | CEO 56%가 지난 12개월간 측정 가능한 ROI 없음 | [8] |
| S&P Global | 2025년 AI 프로젝트 대부분을 폐기한 기업 42% (전년의 2배) | [7] |
| IBM CEO 스터디 | 기대 ROI 달성 이니셔티브 25% | [7] |
| Forrester | 수익성에 긍정적 영향을 보고한 의사결정자 15%. 2026년 계획 지출의 25%가 2027년으로 이연될 것으로 전망 | [6] |
| Workday (3,200명 대상, 2026.01) | 직원 85%가 주당 1–7시간 절약. 그중 약 40%가 재작업으로 즉시 소실 | [4] |
| Gallup (2026 1분기) | 미국 노동자 50%가 AI를 전혀 쓰지 않거나 무의미할 만큼 드물게 사용 | [4] |
| McKinsey | 초과 가치를 실제로 확보하는 기업 약 6% — 공통점은 워크플로 전면 재설계 | [8] |
금융권 사례가 특히 선명하다. 한 분석은 주요 은행들의 실적발표 발언과 10-K 공시를 대조했는데, JPMorgan은 개발 생산성 약 10% 개선을 언급했으나 2025년 인건비는 약 6% 증가하고 인원은 318,512명으로 늘었다. BNY Mellon의 5.5억 달러 AI 절감액은 5억 달러의 신규 AI 투자로 상쇄됐다. 실적발표의 서사와 공시의 숫자가 일관되게 어긋난다.
BCG의 10-20-70 원칙이 이 격차를 설명한다: 가치의 10%가 알고리즘, 20%가 기술과 데이터, 70%가 사람과 프로세스에서 나온다. 대부분의 조직은 10%짜리를 사고 70%짜리는 건드리지 않았다.
현상 자체는 확인된다. Robert Half 조사에서 미국 채용관리자 32%가 AI를 이유로 자리를 없앴다가 같거나 유사한 자리를 다시 채용했다고 답했다. Gartner는 2027년까지 AI로 고객서비스 인력을 줄인 기업의 최소 50%가 유사 직무를 재채용할 것으로 전망한다.
구체적 사례도 있다. 포드는 자동화가 잡아내지 못한 품질 문제 때문에 3년에 걸쳐 베테랑 엔지니어 350명을 다시 데려왔다. IBM의 HR 자동화는 요청의 약 94%를 처리했으나 나머지 6% — 윤리적 판단이 필요한 사안들 — 에서 한계에 부딪혔고, 이후 2026년 미국 신입 채용을 3배로 늘리겠다고 발표했다. 클라르나 CEO는 비용이 지나치게 지배적인 판단 기준이었고 결과적으로 품질이 떨어졌다고 공개적으로 인정했다.
그러나 이를 곧바로 "AI가 무능해서 되돌렸다"로 읽으면 인과를 놓친다. 옥스포드 이코노믹스는 일부 기업이 과잉채용 정리를 기술 변화로 포장하려 한다고 지적하고, Revelio Labs는 AI가 "명분이자 핑계"의 성격을 갖는다고 본다.
더 구조적인 설명은 예산 재배치다. 메타의 2026년 감원은 1,150–1,450억 달러 규모의 capex 가이던스와 나란히 간다. 오라클은 6월 공시 기준 연간 21,000명이 줄었고 그 절감분이 데이터센터 건설로 흘러갔다. 사람 자리에 AI를 넣은 것이 아니라, 그 인건비를 GPU와 데이터센터로 옮긴 것이다. 애초에 AI 대체가 아니었다면 되돌리는 것도 AI의 실패가 아니다.
가장 불편한 근거는 METR의 무작위 대조 실험이다. 평균 5년간 해당 코드베이스에 기여해온 숙련 오픈소스 개발자 16명에게 실제 업무 과제 246건(버그 수정, 기능 추가, 리팩토링)을 배정하고 AI 사용 여부를 무작위화했다. 결과는 AI 사용 시 19% 더 느림이었다.
핵심은 속도가 아니라 그다음이다. 실험을 마친 뒤에도 같은 개발자들은 AI가 자신을 평균 20% 빠르게 만들었다고 답했다. METR은 이를 "지각과 실제 성과 사이의 실질적이고 지속적인 간극"이라 불렀다. 사전 예측 오차가 아니라 직접 겪고 난 뒤의 오차다.
설명은 단순하다. AI는 개별 순간(빠른 초안, 즉각적 제안)을 빠르게 느끼게 만들면서 과제 전체에 오버헤드를 얹는다. 검토·수정·통합에 드는 시간은 "AI 비용"이 아니라 "원래 하던 엔지니어링"으로 인식되어 장부에 안 잡힌다. 생성은 기억에 남고 검증은 남지 않는다.
METR 자신이 이 결과를 "historical"로 분류한다. 표본 16명, 2025년 2–6월 도구 기준(주로 Cursor Pro + Claude 3.5/3.7), 성숙한 코드베이스의 숙련자 한정이다. 신입 개발자, 그린필드 프로젝트, 엔터프라이즈 팀, 이후 세대 모델에는 적용되지 않는다. 2026년 2월 후속 실험에서는 속도 향상 증거가 일부 나왔으나, 선택 효과(AI 없이 일해야 할 가능성이 있으면 참여를 기피)로 중심 추정치를 신뢰하기 어려워 설계를 변경했다.
따라서 이 실험의 결론은 "AI가 개발자를 느리게 한다"가 아니라 "자기보고와 실측이 반대 방향을 가리킬 수 있다"이다. 기업 서사가 대부분 자기보고와 PR 병합 수 같은 대리지표에 의존한다는 점에서, 이 함의가 훨씬 넓다.
다만 자본 지출 항목으로서다. capex 증가가 멈추는 순간, 그 아래에 있던 나머지 경제의 성장률이 그대로 헤드라인이 된다.
과업 단위 이득은 실재하나 총량 통계에는 0~1% 수준으로만 남는다. 재작업, 대체 효과, 미사용 인구가 이득을 흡수한다.
과잉채용 조정과 capex 재배치가 AI라는 이름으로 보고됐다. 재고용은 그 라벨이 벗겨지는 과정이지 기술의 실패가 아니다.
전기가 공장 설계를 바꾸기까지 수십 년이 걸렸다. 시차 자체는 이상하지 않다. 조직 재설계가 병목이지 모델 성능이 병목이 아니다.
2026년 한 해에만 6,750억 달러, 10년 말까지 누적 3–4조 달러 규모다. "언젠가는 온다"로 버티기엔 자본의 만기가 짧다. 생산성 증명이 3–5년 내 나오지 않으면 조정이 오고, 그때는 AI가 성장률을 밀어올린 만큼 그대로 끌어내린다.
노동자 절반이 사실상 미사용인 상태에서 계산된 평균은 어느 쪽의 진실도 담지 못한다. 워크플로를 끝단까지 재설계한 6%와 도구만 구매한 나머지가 같은 평균에 섞인다.
이 논쟁에서 신뢰할 만한 신호와 아닌 신호는 명확히 갈린다.
| 신뢰도 낮음 | 신뢰도 높음 |
|---|---|
| 사용자 자기보고 (체감 절감 시간) | 총요소생산성 / 시간당 산출 |
| PR 병합 수, 생성 코드 라인 수 | 결함 수정까지의 리드타임 |
| 실적발표의 효율성 언급 | 10-K의 인건비와 인원 추이 |
| 파일럿 만족도 서베이 | 파일럿 이후 예산의 실제 갱신 여부 |
| 벤더 발표 ROI 배수 | capex 가이던스와 감가상각 스케줄 |
개인 단위에서도 같은 원칙이 적용된다. 버그 건수는 체감으로 왜곡되지만, 커밋 후 수정까지 걸린 시간은 왜곡되지 않는다. 후자가 짧아졌다면 품질이 실제로 개선된 것이고, 길어졌다면 결함이 줄어든 것이 아니라 발견이 늦어진 것이다.