AI 도입, 생산성 향상을 보장하지 않음 — 숨겨진 5가지 인간·환경 요인 분석

1. 연구의 목적

(1) AI 기술의 발전이 조직의 생산성 향상으로 직결될 것이라는 맹목적 믿음이 팽배함. 그러나 현실에서는 AI 도입 후에도 기대만큼의 성과를 내지 못하는 ‘생산성 역설’이 관찰됨. 이 연구는 AI 기술 자체의 역량 증진을 넘어, 실제 조직 현장에서 생산성 향상을 저해하거나 촉진하는 인간 및 환경적 요인들을 밝혀내는 데 초점을 맞춤.

(2) 이 연구의 핵심 목표는 기존의 경제학적 AI-생산성 모델이 간과한 다섯 가지 핵심 조절 변수를 식별하고, 이를 바탕으로 모델을 확장하여 AI 도입의 실질적 생산성 효과를 결정하는 내생적 요인들을 이론적으로 정립함. 나아가 산업 및 교육 현장에 실질적 함의를 제시함.

2. 연구의 방법

(1) AI 도입이 생산성 향상을 보장하지 않는다는 입장을 명확히 함. 기존 Gries & Naudé (2022)의 부분 균형 모델을 비판적으로 검토함. 이 모델은 AI 역량을 외생적 기술 변수로 취급하나, 본 연구는 AI 역량이 현장 생산성으로 전환되는 과정에 개입하는 인간 및 환경 요인을 내생적 변수로 정의함.

(2) 조직의 인간 자원 구성, 개인의 기본 역량, 실무자의 학습 곡선, 공정한 AI 사용을 위한 인센티브, 목표 유연성이라는 다섯 가지 핵심 조절 요인을 중심으로 분석함. 이 요인들이 AI 기술의 잠재적 생산성 이점을 어떻게 증폭시키거나 감소시키는지 개념적으로 설명하고, 기존 경제 모델의 주요 매개변수를 수정하여 이 요인들의 영향을 반영함.

3. 주요 발견

이 연구는 AI 기술의 잠재력이 실제 조직의 생산성 향상으로 이어지는 과정이 복잡하며, 기술 자체의 성능을 넘어선 다섯 가지 인간 및 환경적 요인이 핵심적인 조절자 역할을 함을 명확히 함. 이 요인들은 기존 경제 모델에서 외생적 변수로 취급되던 AI 관련 지표들을 조직 내부에서 적극적으로 관리해야 할 내생적 변수로 전환시킴.

AI-생산성 관계를 조절하는 5가지 핵심 요인

요인명	설명	주요 역할	Gries-Naudé 모델 수정
(1) 인적 자원 구성	AI 정책 관리자, AI 지원 수혜자, 실무 감독자 간의 조직 계층 구조와 관계. AI 도입 결정 및 구현 방식에 영향.	조직 구조가 AI 전문 지식의 효과적 배포를 지원하는지, 사용자의 자발적이고 정보에 입각한 AI 사용을 장려하는지 결정함. 피드백이 정책에 반영되는 유연한 구조일 때 생산성 효과가 극대화됨.	bIT (AI 전문가 가용성)를 수정하는 조직 효율성 수정자(Ω)의 ωC (구성 정렬 요인)로 반영됨. 평탄한 구조, 효과적 인센티브가 ωC를 1에 가깝게 만듦.
(2) 개인의 기본 역량	AI 원리 이해, AI 없이 과제 수행 능력, AI 출력물을 비판적으로 평가하고 자신의 판단과 통합하는 능력.	AI 지원이 모든 기술 수준에 동일하게 유익하지 않음을 나타냄. 숙련자는 AI 오류를 인식하고 통합하는 역량이 중요하며, 초심자는 AI로부터 더 큰 초기 생산성 이득을 얻을 수 있음. AI 출력물을 비판적으로 평가하고 AI의 한계를 인지하는 역량이 생산성 향상에 결정적임.	인간의 과제별 생산성 γL(z)와 AI 보조 과제별 생산성 γIT(z)를 수정하는 역량 조정 생산성(g(κi)) 및 역량-과제 상호작용 함수(ϕ(z, κi))로 반영됨. κi는 개인의 기본 역량을 의미함.
(3) 실무자의 학습 곡선	AI 도입 초기 개인이 AI 사용법을 익히고 워크플로우에 통합하는 데 걸리는 시간과 그 과정에서의 생산성 변화.	AI 도입에는 학습 비용이 따름. 효과적인 프롬프팅 전략 개발, AI 도구 통합 등에 시간이 필요함. 학습 곡선이 개인 간 편차가 적고, 효과적인 사용으로 수렴하는 경향을 보일 때 생산성 효과가 극대화됨.	AI 보조 과제별 생산성 γIT(z)를 수정하는 학습 곡선 요인(λi(τ))으로 반영됨. τ는 AI 도입 후 시간을 의미하며, ρi는 개인의 학습 속도를 결정함.
(4) 목표 유연성	조직 목표와 AI가 제공하는 능력이 얼마나 잘 정렬되는지. AI의 강점을 활용하도록 목표를 재조정할 수 있는지.	조직이 AI가 쉽게 증강할 수 있는 결과물(예: 코드 리팩토링)을 측정하면 AI 도입 효과가 커짐. 반대로 AI 지원이 미미한 결과물(예: 물리적 기여)을 중요시하면 생산성 이득이 적음. 목표 설정의 유연성을 통해 AI의 역량을 최대로 활용할 수 있을 때 생산성 효과가 극대화됨.	자동화 임계값 NIT (AI가 기여할 수 있는 과제와 아닌 과제를 구분)를 수정하는 유효 자동화 임계값(ÑIT)으로 반영됨. 조직 유연성 F (0~1)에 따라 ÑIT가 조절됨. 유연성이 낮으면 AI의 활용 범위가 제약됨.
(5) 공정한 사용 인센티브	편향 증폭, 환각 정보 전파, 불공정한 평가 등 부적절한 AI 사용의 위험 관리와 그에 대한 인센티브.	AI 오용이 중요한 결과를 초래할 수 있는 환경(교육 평가, 채용 결정 등)에서는 생산성 계산 시 위험과 안전장치를 고려해야 함. 공정한 사용을 위한 강력한 인센티브와 오용 감지 메커니즘이 동반될 때 생산성 효과가 극대화됨. 개개인의 AI 사용 수준에 대한 균질성이 중요함.	bIT (AI 전문가 가용성)를 수정하는 조직 효율성 수정자(Ω)의 ωI (인센티브 정렬 요인)로 반영됨. 모든 참여자가 동등한 접근 및 인센티브를 가질 때 ωI가 높음.

수정된 생산성 모델의 핵심 요소

이러한 다섯 가지 요인은 Gries-Naudé 모델의 핵심 매개변수들을 다음과 같이 수정함.

(1) 조직 효율성 수정자(Ω)

• 이는 인적 자원 구성(ωC)과 공정한 사용 인센티브(ωI) 요인을 통합한 것임.
• Ω는 조직의 계층 구조와 인센티브 시스템이 AI 역량을 실제 생산성으로 얼마나 효과적으로 전환하는지를 나타냄. Ω 값이 높을수록 AI 도입의 생산성 효과가 커짐.
• 예시: AI 전문가와 현장 실무자 간의 장벽이 낮고, AI 오용에 대한 명확한 모니터링 및 페널티가 존재하며, 공정한 평가 기준이 마련된 조직에서 Ω는 1에 가까워짐.

(2) 역량 조정 생산성(g(κi)) 및 역량-과제 상호작용(ϕ(z, κi))

• 개인의 기본 역량(κi)이 인간 노동 생산성과 AI 보조 과제 생산성에 미치는 영향을 반영함.
• g(κi)는 개인의 기본 역량이 높을수록 인간 노동 생산성이 높아짐을 의미함.
• ϕ(z, κi)는 AI 지원 과제에서 개인의 기본 역량이 미치는 비선형적 영향을 설명함. AI가 신뢰할 수 있는 과제에서는 초심자가 더 큰 이득을 얻지만(브린욜프슨 등, 2025), AI의 한계를 벗어나는 과제에서는 숙련자가 AI 오류를 인지하여 성능 저하를 방지함(델아쿠아 등, 2023). 이는 AI가 만능이 아님을 방증함.

(3) 학습 곡선 요인(λi(τ))

• AI 도입 후 시간(τ)이 지남에 따라 개인이 AI 사용에 능숙해지는 정도를 반영함.
• λi(τ)는 시간이 지남에 따라 1에 수렴하며, 개인의 학습 속도(ρi)에 따라 달라짐.
• 학습 속도가 빠르고 개인 간 편차가 적을 때 조직의 전반적인 AI 생산성 향상 효과가 극대화됨.

(4) 유효 자동화 임계값(ÑIT)

• 목표 유연성(F) 요인을 반영하여 AI가 실질적으로 기여할 수 있는 과제의 범위를 재정의함.
• 조직의 목표가 유연하여 AI의 강점을 적극적으로 활용하도록 재조정되면 ÑIT는 NIT (기술적 최대치)에 가까워짐.
• 목표가 경직되면 AI가 활용될 수 있는 과제의 범위가 줄어들어 실제 생산성 이득이 감소함.

이러한 수정은 AI 기술의 발전이 곧 생산성 향상으로 이어진다는 단순한 가정을 넘어, AI가 조직 내에서 어떻게 관리되고, 사용되며, 평가되는지에 따라 그 효과가 크게 달라짐을 명백히 함.

4. 결론 및 시사점

(1) 이 연구는 AI 도입이 생산성 향상을 자동적으로 보장하지 않는다는 사실을 확고히 함. AI의 기술적 잠재력은 조직의 인간 자원 구성, 개인의 기본 역량, 실무자의 학습 곡선, 목표 유연성, 공정한 사용 인센티브라는 다섯 가지 내생적 요인에 의해 실질적 생산성으로 전환됨을 입증함. 기존 경제 모델은 이러한 요인들을 간과했으나, 이 연구는 이들이 AI 생산성 효과의 핵심 조절 변수임을 밝힘.

(2) 교육 현장에 주는 시사점:

• 교사와 학생의 AI 리터러시 강화 필요성: 학생들은 AI를 도구로 사용하며 발생하는 학습 곡선과 기본 역량의 변화에 직면함. 교사는 AI를 활용한 학습 환경에서 학생들의 학습 곡선을 이해하고, AI 의존이 아닌 비판적 활용 능력을 기르도록 지도해야 함. AI의 한계를 인지하고 출력물을 비판적으로 평가하는 능력이 진정한 학습 역량으로 이어짐.
• 교육 목표와 평가 방식의 재설계: AI가 특정 과제의 수행 속도를 높일 수 있더라도, 그것이 진정한 학습 성과(예: 자기효능감, 비판적 사고력)로 이어지지 않을 수 있음. 교육 기관은 AI가 쉽게 대체할 수 있는 단기적, 표면적 생산성(예: 과제 완료 속도)에 초점을 맞추는 대신, AI를 통해 심화되는 비판적 사고, 문제 해결 능력, 창의성 등 장기적인 역량 개발을 측정하도록 교육 목표와 평가 방식을 유연하게 재설계해야 함. AI가 학생의 성장을 저해하지 않으면서 도구 활용 역량을 키우도록 교육 과정을 구성함이 중요함.

(3) AI 설계 및 정책에 주는 시사점:

• 인간 중심 AI 설계 원칙 강조: AI 개발자들은 단순히 기술적 성능 향상을 넘어, 사용자의 학습 곡선, 인지적 부하, 비판적 사고 개입 가능성 등 인간적 요소를 고려하여 AI를 설계해야 함. 특히 교육용 AI는 직접적인 정답 제시보다는 자기 설명이나 성찰 단계를 포함하는 등 학습 효과를 위한 가드레일을 내장해야 함.
• 공정성과 윤리를 고려한 AI 정책 수립: 교육 현장에서 AI의 오용(예: 표절, 편향된 정보 수용)은 학업 성과뿐 아니라 학생의 윤리적 가치 형성에도 영향을 미침. 정책 입안자들은 AI 접근의 형평성, 오용 방지, 그리고 AI 활용에 대한 명확한 가이드라인을 제시하여, AI가 학습 불평등을 심화시키지 않고 공정한 학습 환경을 조성하는 방향으로 나아가도록 해야 함.

5. 리뷰어의 ADD(+) One: 생각 더하기

(1) 이 논문에서 가장 주목할 지점은 AI 기술의 ‘무엇’이 아닌 ‘어떻게’에 집중함에 있음. AI가 혁신적 기술임은 명백하나, 그 기술이 조직과 인간이라는 맥락 안에서 어떻게 수용되고, 변형되며, 재해석되는가에 따라 결과가 극명하게 달라짐을 꿰뚫어 봄. 이는 기술 결정론적 사고방식에 대한 날카로운 비판이며, AI 기술이 가져올 미래가 기술 자체의 성능에 의해서만 결정되지 않는다는 단언임. 기술의 잠재력은 인간의 능동적 개입과 조직의 전략적 선택에 의해 비로소 현실화된다는 점을 상기시킴.

(2) 이 논문이 명시하지 않은 더 넓은 의미는 교육 철학적 관점에서 ‘AI가 추구하는 생산성의 본질’에 대한 질문을 던짐에 있음. 단기적 효율성과 결과 중심의 생산성 측정이 인간의 본질적 학습 경험과 어떻게 충돌하는지, 혹은 어떻게 조화될 수 있는지를 탐색해야 함. 특히 교육 분야에서는 AI가 단지 시험 점수를 높이거나 과제를 빨리 끝내는 도구가 아니라, 학생이 스스로 질문하고, 비판적으로 사고하며, 새로운 지식을 구성하는 ‘자기조절학습’ 역량을 진정으로 함양하는 데 기여하는가를 숙고해야 함. 기술을 통한 효율성 추구가 자칫 교육의 본질적 가치를 훼손하는 ‘도구적 합리성’의 오류에 빠지지 않도록 경계할 필요가 있음.

(3) 이 연구를 발전시킬 구체적 아이디어는 다음과 같음. 첫째, 교육 현장에 특화된 ‘AI 교육 준비도 자가 진단 도구’ 개발을 제안함. 이 도구는 교사의 AI 리터러시 수준, 학교의 AI 관련 정책 유연성, 학생들의 AI 기본 역량 및 학습 곡선 분석 결과 등을 포함해야 함. 둘째, AI가 교육 목표에 부합하도록 ‘AI 기반 교수·학습 설계 가이드라인’을 개발함. 이는 교사가 AI를 활용하여 특정 역량(예: 비판적 사고, 협업)을 증진하는 수업 활동을 설계하는 구체적인 방법을 제시하고, AI가 학생의 메타인지적 사고를 촉진하도록 프롬프트 엔지니어링 전략을 포함해야 함. 이 가이드라인은 교사의 AI 리터러시를 넘어 ‘AI 교육학적 역량’을 증진시키는 데 초점을 맞춤.

6. 추가 탐구 질문

(1) AI 기술이 빠르게 발전하며 사회·문화적 맥락에 따라 이 다섯 가지 조절 요인의 상대적 중요성과 발현 양상이 어떻게 달라지는가? 예를 들어, 높은 개인주의 성향의 문화권과 집단주의 성향의 문화권에서 ‘공정한 사용 인센티브’는 어떤 방식으로 조직의 AI 생산성에 영향을 미치는가?

(2) 이 연구는 AI 도입 후 생산성 향상이 보장되지 않는다는 점을 지적함. 그렇다면 교육 현장에서 ‘AI 사용이 오히려 학습을 저해하는 조건’은 무엇이며, 이러한 부작용을 사전에 식별하고 완화할 수 있는 구체적인 지표나 프레임워크는 어떻게 설계할 수 있는가?

(3) AI가 인간의 인지적 부담을 줄여주는 ‘오프로딩’ 효과와 동시에, 과도한 의존으로 인해 메타인지적 역량 발달을 저해하는 ‘인지적 부채’를 유발할 수 있음. 이러한 기술적·인지적 측면의 양면성을 고려할 때, AI의 교육적 활용에 대한 윤리적 가이드라인은 어떤 철학적 기반 위에 수립되어야 하는가?

출처

• Cho, W., Kim, S., & Kim, G. (2026). Position: Adopting AI in Practice Does Not Guarantee the Productivity Boost. Proceedings of the 43rd International Conference on Machine Learning, Seoul, South Korea.