AI로 더 빨라질 줄 알았는데, 왜 일은 오히려 느려졌을까요?

🐢 AI로 더 빨라질 줄 알았는데, 왜 일은 오히려 느려졌을까요?

AI를 처음 업무에 붙일 때 많은 분들이 비슷한 기대를 합니다. “이제 보고서 초안도 빨리 나오고, 메일도 금방 쓰고, 조사도 순식간에 끝나겠네.” 실제로 체감상 빨라지는 구간은 분명 있습니다. 문제는 그 다음입니다. 초안이 빨리 나왔다고 해서 최종 결과까지 빨라지는 것은 아니라는 점입니다. 오히려 최근에는 “AI를 쓰기 시작한 뒤 일의 속도가 더 느려진 것 같다”는 이야기가 꽤 자주 보입니다. 얼핏 이상하게 들리지만, 웹에서 나온 최신 연구와 기사들을 보면 이 불만이 단순한 기분 탓만은 아닙니다. 🤖

 

핵심은 간단합니다. AI가 앞단의 작업을 줄여주는 대신, 뒤쪽에 새로운 일을 만들어내기 때문입니다. 초안을 검수하고, 이상한 문장을 고치고, 사실관계를 다시 확인하고, 누락된 맥락을 보충하고, 다시 프롬프트를 바꿔 재생성하는 과정이 생깁니다. 즉, 예전에는 사람이 처음부터 끝까지 한 번에 만들던 일을, 이제는 사람과 AI가 나눠서 하지만 그 사이에 관리 비용이 추가되는 구조입니다. 그래서 체감상 “분명 빨라져야 하는데 왜 더 피곤하지?”라는 순간이 생깁니다. 😵

 

📉 거시지표에서는 아직 ‘폭발적 생산성’이 잘 안 보인다는 이야기

Fortune이 2026년 2월 소개한 내용을 보면, 수천 개 기업의 경영진 조사에서 많은 회사가 아직 AI 덕분에 고용이나 생산성이 크게 달라졌다고 보지 않는다는 결과가 나옵니다. 기사에서는 1980년대 로버트 솔로우가 말했던 생산성 역설을 다시 끌어옵니다. 컴퓨터가 세상에 널리 퍼졌지만 생산성 통계에는 바로 드러나지 않았던 것처럼, AI도 지금은 “어디에나 있는 것 같은데 숫자에는 아직 잘 안 보이는” 상황이라는 것입니다. 📊

 

이 대목이 흥미로운 이유는, 우리가 일상에서 느끼는 AI의 존재감과 기업 전체 차원에서 측정되는 생산성 사이에 시차가 있다는 점을 보여주기 때문입니다. 직원 한 명은 초안 작성이 분명 쉬워졌다고 느낄 수 있습니다. 하지만 회사 전체로 보면, 검수 비용·보안 검토·도입 교육·워크플로 재설계·품질 관리 같은 요소가 겹치면서 생각만큼 깔끔한 생산성 상승으로 이어지지 않을 수 있습니다. 즉, 도구는 들어왔는데 조직은 아직 그 도구를 완전히 소화하지 못한 상태일 수 있다는 뜻입니다. 🧩

 

🧪 연구가 보여주는 역설: 시간은 아끼는데 돈도 성과도 바로 안 늘어납니다

UNU 글이 정리한 NBER 연구 내용도 이 부분을 꽤 선명하게 보여줍니다. 거기서는 많은 사용자가 AI로 시간을 절약했다고 느끼지만, 그 이익이 곧바로 임금 상승이나 눈에 띄는 경제 성과로 이어지지는 않았다고 설명합니다. 더 흥미로운 점은 AI가 아예 새로운 업무를 만들어낸다는 대목입니다. 예를 들어 AI가 생성한 결과를 검토하는 사람, 프롬프트를 다듬는 사람, AI 결과를 조직 프로세스에 맞게 다시 가공하는 사람이 생깁니다. 쉽게 말하면 AI는 일을 없애기만 하는 게 아니라, 다른 종류의 일을 늘립니다. 🔄

 

이게 바로 많은 실무자가 느끼는 답답함의 정체입니다. 분명히 “빈 화면에서 시작하는 고통”은 줄었습니다. 그런데 대신 “결과물을 믿어도 되나?”라는 불안이 생깁니다. 특히 숫자, 날짜, 법률, 의료, 기술 문서처럼 정확성이 중요한 영역에서는 AI가 준 초안을 그대로 쓰기 어렵습니다. 한 줄 잘못 들어가면 다시 전체를 확인해야 하니, 초안이 빠른 만큼 검수는 더 집요해집니다. 결국 빠른 초안이 느린 마감으로 이어지는 이상한 장면이 만들어집니다. ⏳

 

🔍 왜 실제로는 더 느려지는가: 가장 흔한 4가지 이유

첫째는 검수 비용입니다. AI가 자연스럽게 말할수록 사람은 잠깐 속기 쉽습니다. 그래서 오히려 한 번 더 꼼꼼히 보게 됩니다. 둘째는 재생성 루프입니다. 처음 결과가 마음에 안 들면 프롬프트를 바꾸고 다시 돌리고, 또 손보고, 또 비교합니다. 셋째는 협업 비용입니다. 팀원이 각자 다른 AI 결과물을 가져오면 결과물의 톤과 사실관계, 기준이 달라져 합치는 데 시간이 듭니다. 넷째는 의사결정 지연입니다. 결과물이 너무 많이 나오면 오히려 어떤 방향으로 갈지 결정이 늦어집니다. 선택지가 많아질수록 속도가 빨라질 것 같지만, 실제로는 판단이 더 어려워질 때가 많습니다. 🧠

 

예를 들어 블로그 글을 쓴다고 해보겠습니다. 예전에는 직접 자료를 읽고 바로 문단을 썼을 것입니다. 지금은 AI가 초안을 순식간에 줍니다. 하지만 곧바로 이런 단계가 붙습니다. “이 문장 과장 아닌가?”, “출처가 정확한가?”, “같은 내용이 반복되지는 않나?”, “문체가 너무 뻔하지 않나?”, “검색엔진에 맞게 구조를 다시 잡아야 하나?” 결국 한 번 더 보고, 고치고, 다시 구성하게 됩니다. 초안 속도는 빨라졌는데, 편집과 검수의 밀도는 더 높아지는 셈입니다. 그래서 ‘손이 덜 가는 것 같다가도 마감은 그대로인’ 기분이 생깁니다. ✍️

 

⚠️ 특히 느려지기 쉬운 업무가 있습니다

모든 업무가 똑같이 느려지는 것은 아닙니다. 정답이 비교적 명확하고 실수의 대가가 작은 일은 AI 덕분에 확실히 빨라지기 쉽습니다. 예를 들어 아이디어 브레인스토밍, 초안 문구 생성, 회의 요약, 제목 후보 뽑기 같은 일은 즉각적인 도움을 줍니다. 반면 정확성과 책임이 중요한 일은 이야기가 달라집니다. 계약서, 보고서, 기술 문서, 뉴스형 글, 숫자 중심 분석, 대외 커뮤니케이션처럼 틀리면 문제가 커지는 작업은 검수 부담이 커서 오히려 느려질 수 있습니다. 📚

 

즉, AI는 “생각 없이 빠르게 던져보는 단계”에는 강하지만, “정확하게 끝내야 하는 단계”에서는 사람의 집중력을 더 많이 요구할 수 있습니다. 이 차이를 구분하지 않고 모든 업무에 똑같이 기대를 걸면 실망이 생깁니다. AI를 만능 가속기로 보면 답답하고, 단계별 보조 장치로 보면 훨씬 현실적으로 보입니다. 🚦

 

💡 그럼 어떻게 써야 진짜 빨라질까요?

가장 중요한 원칙은 AI에게 ‘최종 결과’를 기대하기보다 ‘중간 단계’를 맡기는 것입니다. 예를 들면 초안 구조 짜기, 제목 후보 만들기, 논점 정리, 자료 비교표 초안 작성처럼 사람이 마지막 판단을 내리기 쉬운 형태로 활용하는 것이 좋습니다. 또한 처음부터 “사실 확인이 필요한 주장과 추정 표현을 분리해줘”, “출처가 불확실하면 단정하지 말아줘”처럼 검수 비용을 낮추는 방식으로 요청하는 것이 중요합니다. AI를 잘 쓰는 사람은 프롬프트를 화려하게 쓰는 사람이 아니라, 나중에 자기가 덜 고생하도록 질문을 설계하는 사람에 가깝습니다. 🎯

 

팀 단위로는 더 중요합니다. 어떤 업무에 AI를 쓰고, 어떤 업무에는 쓰지 않을지 기준을 정해야 합니다. 또 결과물을 그대로 제출하지 않고, 어느 부분을 사람이 검토했는지 표시하는 습관도 도움이 됩니다. 그래야 AI가 만든 속도 이득이 재작업 지옥으로 사라지는 일을 줄일 수 있습니다. 결국 생산성은 도구 하나로 생기지 않고, 도구를 다루는 방식과 기준에서 나옵니다. 🛠️

 

✨ 그래서 이 이슈가 재밌는 이유

저는 이 주제가 단순히 “AI가 별로다”라는 이야기가 아니라서 더 재밌다고 생각합니다. 오히려 AI는 분명히 유용한데, 그 유용함이 곧장 속도 향상으로 번지지 않는다는 점이 핵심이기 때문입니다. 너무 잘 써도 검수가 필요하고, 대충 써도 다시 손이 갑니다. 즉, AI는 우리 일을 없애기보다는 일의 구조를 바꾸고 있습니다. 예전에는 쓰는 노동이 컸다면, 이제는 고르는 노동·검토하는 노동·통제하는 노동이 커지고 있습니다. 이 변화가 바로 많은 사람이 체감하는 ‘AI 업무 역설’의 정체입니다. 🐻

 

언젠가는 이 시기를 지나 정말 생산성 수치가 크게 튀는 순간이 올 수도 있습니다. 과거 컴퓨터도 처음엔 생산성 역설을 낳았지만, 나중에는 업무 구조를 완전히 바꿨기 때문입니다. 다만 지금 단계에서는 “AI가 있으니 무조건 빨라진다”보다, “AI를 잘못 쓰면 오히려 느려질 수 있다”는 쪽이 훨씬 현실적인 설명처럼 보입니다. 그래서 이 이슈는 불평이 아니라, 우리가 지금 AI를 어떤 단계에 두고 있는지 보여주는 아주 흥미로운 신호라고 생각합니다. 🚀

 

🔗 출처

• Fortune - Thousands of executives aren't seeing AI productivity boom
• UNU - The AI Productivity Paradox
• NBER - Large Language Models, Small Labor Market Effects
• NBER - Artificial Intelligence, Scientific Discovery, and Productive Growth