업무를 바꾸지 않으면 AI 효과가 사라지는 이유: 3가지 가치 회수 경로

보고서 초안이 40분에서 10분으로 줄었다면 해당 직원의 작업속도는 네 배가 됩니다. 기업은 여기서 곧바로 인건비가 줄거나 처리량이 늘 것이라고 기대하기 쉽습니다. 그러나 초안이 법무 검토를 기다리고, 부서장이 다시 고치고, 기존 시스템에 사람이 옮겨 적는다면 고객에게 전달되는 시점은 거의 달라지지 않습니다. 업무를 바꾸지 않으면 AI 효과가 사라지는 이유는 절약된 시간이 없어져서가 아니라 다른 단계의 대기와 재작업으로 이동하기 때문입니다.

최근 실증자료도 이 간극을 보여줍니다. 국제노동기구(ILO)의 2026년 연구 종합은 생성형 AI 사용자가 근로시간의 일부를 절약했다는 결과가 반복되지만, 그 절약이 아직 측정 산출·임금·고용 증가로 이어졌다는 증거는 제한적이라고 정리했습니다. 작업단위의 효과는 분명한데 조직단위의 결과가 약한 이른바 집계의 역설입니다.

이 간극을 모델 성능 부족으로만 설명하면 투자 순서가 틀어집니다. AI가 잘하는 작업을 더 빠르게 만들어도 전후 단계의 용량, 승인권, 검수방식과 책임소재가 그대로라면 전체 공정은 빨라지지 않습니다. 자가보고 절약시간을 생산성 증가로 성급히 단정하면 효과를 과잉 해석하게 됩니다. 작업시간 절감률을 인건비 절감률로 환산하기 전에 전체 리드타임, 병목공정, 재작업과 절약된 용량의 사용처를 먼저 봐야 합니다.

전편에서는 라이선스 구매와 실제 사용을 분리하고 활성사용자, 반복빈도, 처리물량과 사람 개입비율로 사용강도를 판단했습니다. 이번 단계에서는 사용강도가 충분히 높아진 뒤에도 왜 성과가 멈추는지를 좁혀봅니다. 분석단위는 직원 한 명의 과업이 아니라 요청이 들어와 최종 결과가 전달될 때까지의 업무과정 전체입니다.

업무를 바꾸지 않으면 AI 효과가 사라지는 구조

AI가 줄인 작업시간은 자동으로 기업의 생산성으로 바뀌지 않습니다. 직원 한 명이 문서를 빨리 쓰는 것은 작업효율이고, 같은 인력과 자본으로 더 많은 주문을 처리하거나 같은 산출을 더 낮은 비용과 오류로 만드는 것은 조직 생산성입니다. 두 지표 사이를 업무배분, 대기, 승인, 품질관리와 수요가 연결합니다.

영국 정부의 현장자료는 그 차이를 구체적으로 보여줍니다. HMRC의 Microsoft 365 Copilot 평가는 무작위로 라이선스를 배정받은 직원 가운데 83%가 도구를 사용했고, 참여자는 주당 근로시간의 2~3%, 전일제 기준 약 60분을 절약했다고 보고했습니다. 더 넓은 정부 실험의 일일 26분보다 보수적인 결과이며, HMRC는 비사용자와 응답 편향을 감안해 자가보고 절약치를 약 20% 낮춰 평가했습니다.

그럼에도 절약된 60분이 60분의 인건비 절감으로 기록된 것은 아닙니다. 참여자 다수는 그 시간을 기존 업무를 더 처리하거나, 결과의 질을 높이거나, 업무부담을 낮추는 데 다시 썼습니다. 고용계약과 팀 정원이 그대로인 상태에서는 시간이 줄어도 비용은 즉시 내려가지 않습니다. 고객 수요나 미처리 업무가 충분하지 않다면 산출도 자동으로 늘지 않습니다.

여기서 측정해야 할 것은 ‘몇 분을 아꼈는가’와 ‘그 몇 분을 무엇으로 바꿨는가’입니다. 절약시간이 추가 처리건수로 전환되면 용량효과가 생깁니다. 동일 산출을 더 적은 외주·초과근무·채용으로 처리하면 비용효과가 나타납니다. 검토와 고객응대에 재투입돼 오류나 이탈을 줄였다면 품질효과입니다. 사용자가 느낀 편리함만으로는 세 경로 중 어느 것도 입증되지 않습니다.

작업시간과 전체 리드타임

작업시간과 전체 리드타임은 서로 다른 지표입니다. 작업시간은 사람이 실제로 초안을 쓰거나 데이터를 분류하는 시간입니다. 리드타임은 요청 접수부터 최종 전달까지 걸린 시간으로, 실제 처리시간뿐 아니라 대기, 부서 간 이동, 승인과 재작업을 포함합니다.

예를 들어 제안서 작성에 4시간, 검토 대기에 이틀, 법무 검토에 2시간, 수정과 재승인에 하루가 걸린다고 가정해보겠습니다. AI가 작성시간을 1시간으로 줄여도 고객이 받는 날짜는 그대로일 수 있습니다. 3시간의 절약이 이틀의 검토 대기나 하루의 재승인을 건드리지 못하기 때문입니다. 작업시간은 75% 줄었지만 전체 리드타임의 변화는 미미합니다.

그 차이는 지식노동에서 더 잘 가려집니다. 공장에서는 공정별 재공품과 대기열이 눈에 보이지만, 사무업무의 재공품은 읽지 않은 메일, 검토 대기 문서, 미결 티켓과 회의 안건으로 흩어져 있습니다. 직원이 AI로 산출물을 더 빨리 만들면 완료된 것처럼 보이지만, 실제로는 다음 담당자의 큐에 재공품을 밀어 넣었을 가능성이 있습니다.

전체 성과는 가장 빨라진 단계가 아니라 가장 제약된 단계에 의해 결정됩니다. 법무팀이 하루 20건만 승인할 수 있는데 영업팀의 초안 생성능력이 20건에서 60건으로 늘면, 당일 완료량은 여전히 20건입니다. 대신 승인 대기량이 하루 40건씩 쌓이고 긴급요청이 기존 큐를 건너뛰면서 우선순위 조정비용이 생깁니다. 앞단의 생산성 향상이 뒷단의 변동성과 업무압박을 키운 셈입니다.

따라서 AI 투자 전후에는 작업별 소요시간과 함께 접수부터 완료까지의 중간 대기시간을 분리해야 합니다. 처리시간은 줄었는데 리드타임이 그대로면 병목이 다른 단계에 있습니다. 리드타임은 줄었지만 완료건수가 늘지 않으면 수요나 인력배치가 제약일 수 있습니다. 완료건수는 늘었는데 오류와 재작업이 증가했다면 품질통제가 새 병목입니다.

병목공정과 업무의 이동

부분자동화는 병목을 없애기보다 다음 단계로 옮길 수 있습니다. 작성이 빨라지면 검수가, 분류가 빨라지면 예외처리가, 고객응답이 빨라지면 후속 이행이 제약으로 떠오르기 때문입니다. Stanford와 MIT의 workflow 자료가 공통으로 지적하듯 기술은 한 단계의 처리능력을 바꾸지만 공정의 나머지 용량은 저절로 조정하지 않습니다.

Stanford Digital Economy Lab의 workflow 자동화 연구는 서로 연관된 과업묶음에서 일부 작업만 먼저 자동화할 경우 전체 산출효과가 작거나 없을 수 있다고 설명합니다. 사람이 자동화되지 않은 작업을 잘 수행하기 위해 관련 작업을 계속 경험해야 하거나, 자동화된 결과를 다시 맥락화해야 하기 때문입니다. 묶음의 나머지 과업까지 재구성되는 임계점을 지나야 자동화가 전체 산출로 연결될 수 있다는 논리입니다.

과업의 순서도 중요합니다. MIT Sloan이 소개한 task-chaining 연구는 AI가 잘하는 작업이 연속돼 있으면 한 흐름으로 처리할 수 있지만, 사람의 판단이 필요한 작업 사이에 흩어져 있으면 전환과 인계가 효과를 줄인다고 지적합니다. 같은 과업목록이라도 배열과 handoff가 다르면 자동화의 경제성이 달라집니다.

고객 민원을 예로 들면 접수내용 요약, 유형 분류와 답변 초안은 AI가 빠르게 처리할 수 있습니다. 그러나 환불 권한이 팀장에게만 있고, 고객정보를 별도 시스템에서 확인해야 하며, 예외건마다 법무 의견을 받는다면 상담 종료시간은 승인과 조회속도에 묶입니다. 초안 생성률만 높이면 상담원이 더 많은 미결건을 보유하게 되고, 담당자는 상태를 확인하는 조정업무에 시간을 씁니다.

병목을 기준으로 보면 자동화 우선순위도 달라집니다. 직원이 오래 수행하는 작업부터 고르는 것이 아니라 전체 처리량을 제한하는 단계, 또는 그 단계에 불필요한 변동을 보내는 앞단을 골라야 합니다. 승인기준이 모호해 반려가 많은 공정이라면 초안 속도보다 입력정보 표준화와 예외 분류가 먼저입니다. 검수자의 시간이 제약이라면 모든 결과를 읽게 할 것이 아니라 오류위험에 따라 표본검수와 전수검수를 나눠야 합니다. 리드타임과 재작업 데이터를 함께 봐야 이 우선순위가 실제 병목을 풀었는지 확인할 수 있습니다.

이 접근은 AI의 적용범위를 줄이자는 뜻이 아닙니다. 앞단과 뒷단을 같은 처리단위로 연결해 자동화가 실제 제약을 풀도록 하자는 것입니다. 초안 생성, 데이터 조회, 승인요청과 시스템 기록을 하나의 흐름으로 묶고 중간 handoff를 줄일 수 있다면 부분 작업의 속도향상이 전체 리드타임으로 전달됩니다.

승인·검수·책임배분

검수와 책임배분을 그대로 두면 재작업이 늘어날 수 있습니다. 생성속도가 빨라질수록 검토할 산출물도 함께 늘어나기 때문입니다. 기존의 전수승인 방식을 유지하면 사람의 역할은 작성에서 검수로만 이동합니다. 검수 기준이 불명확하면 같은 문서를 여러 사람이 다시 읽고, 오류가 발견됐을 때 수정권한이 없어 작성자에게 되돌려 보냅니다.

AI 산출물의 품질이 고르지 않다는 점은 이 문제를 더 어렵게 만듭니다. HBS와 Organization Science의 경영컨설턴트 실험에서 AI 능력범위 안의 18개 과업은 AI 사용자가 평균 25.1% 빨리 끝내고 12.2% 더 많이 완료했습니다. 반면 능력범위 밖의 복합 경영과제에서는 AI 사용자의 정답률이 대조군보다 평균 19%포인트 낮았습니다. 같은 도구가 어떤 단계에서는 처리능력을 높이고 다른 단계에서는 재작업 가능성을 키운 것입니다.

이 결과를 모든 업무에 그대로 일반화할 수는 없습니다. 실험은 특정 전문서비스 조직과 과업을 다뤘고, 복합과제의 오류효과도 한 종류의 문제에서 측정됐습니다. 다만 운영설계에 주는 메시지는 분명합니다. AI가 잘하는 단계와 오류비용이 큰 단계를 구분하지 않고 동일한 검수정책을 적용하면 속도와 품질 가운데 어느 쪽도 안정적으로 확보하기 어렵습니다.

검수방식은 위험에 따라 세 가지로 나눌 수 있습니다. 첫째, 오류가 쉽게 복구되고 비용이 작은 대량업무는 AI가 처리하고 사람은 예외나 표본만 봅니다. 둘째, 법적·재무적 결과가 생기지만 기준이 명확한 업무는 AI가 초안을 만들고 권한자가 승인합니다. 셋째, 모호한 판단과 맥락통합이 핵심인 업무는 사람과 AI가 중간 단계마다 협업하되 최종 책임자를 명시합니다.

MIT Industrial Performance Center의 20개 이상 기업 현장연구도 AI 도입 뒤 사람의 역할이 직접 실행에서 감독, 분석과 예외처리로 이동한다고 관찰했습니다. 이 변화는 단순한 업무감소가 아닙니다. 산출물을 만드는 능력보다 오류를 식별하고 맥락을 판단하며 시스템을 중단시킬 수 있는 권한이 중요해집니다.

책임은 검수자에게 일방적으로 넘겨서도 안 됩니다. 모델이 틀린 정보를 냈는지, 입력자료가 부족했는지, 업무규칙이 충돌했는지에 따라 수정 책임자가 다릅니다. 모든 오류를 현장 직원이 해결하도록 두면 고급인력이 데이터 정리와 반복교정에 묶입니다. 예외 유형별로 모델·데이터·프로세스 담당자의 소유권과 해결기한을 정해야 재작업이 학습으로 축적됩니다.

절약시간의 세 가지 회수 경로

절약된 시간의 가치는 회수 방식에 따라 달라집니다. HMRC 자료에서 같은 시간절약이 기존 업무, 품질과 업무부담 완화로 나뉘었기 때문입니다. 기업은 AI가 만든 여유용량을 비용절감, 처리량 확대, 품질개선 가운데 어디에 쓸지 선택해야 합니다. 세 경로는 필요한 조건과 재무 반영 시점이 서로 다릅니다.

첫 번째는 비용절감입니다. 동일한 산출을 더 적은 초과근무, 외주, 채용과 정원으로 처리해야 현금비용이 내려갑니다. 정규직 직원이 하루 30분을 절약해도 임금과 정원이 유지되면 회계상 비용은 변하지 않습니다. 채용을 보류하거나 자연감소분을 충원하지 않거나 외주물량을 줄이는 운영결정이 뒤따라야 비용효과가 실현됩니다.

두 번째는 처리량 확대입니다. 미처리 주문, 긴 고객대기, 영업기회처럼 충족되지 않은 수요가 있을 때 절약시간을 추가 산출로 바꿀 수 있습니다. 이 경우 인력을 줄이는 대신 같은 인원이 더 많은 건을 처리합니다. 다만 앞서 본 승인·검수·이행 단계의 용량도 함께 늘어야 매출이나 서비스 건수로 이어집니다. 수요가 없거나 후속 공정이 막히면 여유시간은 가동률 하락으로 남습니다.

세 번째는 품질개선입니다. 직원이 절약한 시간을 고객상담, 분석, 학습과 검수에 쓰면 오류, 재작업, 고객이탈이나 위험비용을 줄일 수 있습니다. 현금효과는 비용절감보다 늦게 나타날 수 있지만 고위험 업무에서는 더 큰 가치가 될 수 있습니다. 반대로 ‘고부가가치 업무에 쓴다’는 설명만 있고 어떤 품질지표가 움직였는지 없다면 편익을 검증하기 어렵습니다.

ILO의 최신 종합은 이 가치회수 문제를 직접 지적합니다. 한국 근로자 표본에서는 생성형 AI 사용자가 활동 근로시간의 평균 3.8%를 절약했지만 자가보고 산출과의 상관관계는 낮았고, 절약분은 주로 다른 과업과 근무 중 여유시간으로 이동했습니다. 미국과 덴마크 자료에서도 몇 퍼센트 수준의 시간절약이 보고됐지만 전체 산출·임금·근로시간의 변화는 제한적이었습니다. 개인이 시간을 아끼는 것과 기업이 그 용량을 회수하는 것은 다른 의사결정입니다.

세 경로를 동시에 주장하면 효과가 이중계산되기 쉽습니다. 같은 1시간을 인건비 절감으로 계산하면서 추가 매출과 품질개선에도 다시 넣을 수는 없습니다. 투자안은 절약시간 가운데 비용으로 회수할 비중, 추가 처리량에 쓸 비중, 품질과 위험감축에 재투입할 비중을 나누고 각 경로의 KPI를 별도로 둬야 합니다.

업무 재설계의 다섯 가지 운영 결정

업무 재설계는 다섯 가지 운영 결정을 바꾸는 일입니다. Stanford 기업자료에서 기술보다 프로세스와 변화관리가 더 어려운 문제로 관찰된 이유도 여기에 있습니다. 화면에 AI 기능을 붙이는 작업이 아니라 공정의 시작과 종료, 병목, 의사결정권, 검수방식과 용량회수 방식을 다시 정하는 과정입니다.

첫째, 측정단위를 과업이 아니라 고객 또는 거래의 완료로 바꿉니다. 제안서 초안시간만 보지 말고 요청 접수부터 고객 전달까지의 리드타임, 완료건수, 오류와 재작업을 함께 측정합니다. 그래야 한 단계의 절약이 전체 결과에 전달됐는지 확인할 수 있습니다.

둘째, 제약공정을 찾습니다. 처리량이 몰릴 때 대기열이 가장 빨리 늘어나는 단계, 긴급건이 자주 우회하는 단계, 숙련자 한 명에게 판단이 집중된 단계가 후보입니다. AI는 그 제약을 직접 자동화할 수도 있고, 제약으로 들어오는 불완전한 입력과 예외를 줄일 수도 있습니다.

셋째, 의사결정권을 다시 배치합니다. AI가 추천만 하는지, 일정 범위 안에서 자동 실행하는지, 사람이 모든 건을 승인하는지 정해야 합니다. 금액·고객등급·오류비용에 따라 권한 한도를 나누면 저위험 물량은 직행하고 고위험 예외만 전문가에게 올라갑니다. 모든 건을 같은 승인선에 세우면 자동화는 검수대기만 늘립니다. 판단 기준이 적절했는지는 자동처리율과 예외건의 오류·손실 데이터를 함께 놓고 검증합니다.

넷째, 검수와 학습을 연결합니다. 전수검수, 표본검수와 예외검수 가운데 업무위험에 맞는 방식을 선택하고 오류유형을 기록합니다. 반복오류는 개인이 매번 고칠 일이 아니라 데이터, 프롬프트, 업무규칙이나 시스템 연동을 수정할 신호입니다. 검수결과가 설계팀으로 돌아가지 않으면 사람은 영구적인 후처리 장치가 됩니다.

다섯째, 절약된 용량의 사용처를 미리 정합니다. 인건비를 줄일 것인지, 미처리 수요를 해소할 것인지, 품질과 고객경험을 높일 것인지 선택해야 합니다. 선택하지 않으면 현장에서는 남는 시간을 기존 회의와 보고로 채우고, 경영진은 자가보고 시간절약을 재무편익으로 혼동하게 됩니다. 회수 경로별 비용·처리량·품질 지표가 있어야 그 판단을 확인할 수 있습니다.

Stanford Digital Economy Lab의 51개 기업 구현사례 연구는 관찰된 가장 어려운 과제의 77%가 변화관리, 데이터 품질과 프로세스 재설계 같은 비기술 문제였다고 보고했습니다. 성공사례의 61%에는 이전 실패가 적어도 한 번 있었습니다. 표본선정과 자가보고가 포함된 사례연구이므로 보편적 인과효과로 볼 수는 없지만, 모델 구매 이후의 숨은 운영비용이 투자안에서 누락되기 쉽다는 점은 보여줍니다.

따라서 투자심사도 바뀌어야 합니다. 모델 정확도와 사용자 수만 묻기보다 전체 리드타임이 얼마나 줄었는지, 병목 단계의 처리량이 늘었는지, 예외율과 재작업이 어떻게 변했는지, 절약용량이 비용·매출·품질 중 어디로 회수됐는지를 물어야 합니다. 이 네 지표가 움직이지 않으면 높은 사용률도 기업 생산성의 증거가 아닙니다.

이 판단이 빗나갈 수 있는 경우

광범위한 업무 재설계 없이도 작업효율이 곧바로 가치가 되는 경우는 있습니다. 해당 작업 자체가 전체 공정의 제약이고 결과가 바로 판매되거나 전달된다면 작업시간 단축이 리드타임과 처리량을 함께 개선합니다. 번역, 단순 콘텐츠 변환, 표준코드 작성처럼 입력·출력과 품질기준이 명확한 업무가 여기에 가까울 수 있습니다.

미처리 수요가 충분하고 후속 공정에 여유가 있는 경우에도 효과 전환이 빠릅니다. 고객대기가 길었던 상담조직에서 AI가 실제 병목인 해결시간을 줄이고, 환불·이행 조직이 추가 물량을 소화할 수 있다면 완료건수 증가로 효과를 확인할 수 있습니다. 이때는 대규모 조직개편보다 작업지원과 사용자 교육이 더 경제적일 수 있습니다.

전수승인이 비효율이라는 판단도 업무위험에 따라 달라집니다. 의료기록, 법률문서와 재무승인처럼 오류 한 건의 비용이 큰 업무에서는 사람의 검토가 제거 대상이 아닙니다. AI의 가치는 검수 자체를 없애는 것이 아니라 필요한 정보를 빠짐없이 모으고, 위험신호를 표시하고, 검수자의 판단시간을 줄이는 데 있을 수 있습니다.

반대로 프로세스를 바꿨다고 해서 효과가 보장되는 것도 아닙니다. 수요가 부족하거나 모델의 오류율이 높거나 직원이 결과를 신뢰하지 않으면 새 workflow는 가동되지 않습니다. 업무 재설계는 기술성능과 데이터, 숙련을 대신하지 않습니다. 이번 글은 프로세스의 역할을 분리했을 뿐이며, 그 프로세스를 실제로 작동시키는 역량은 다음 단계에서 검증해야 합니다.

부분 효율에서 조직 생산성으로

개인 작업시간의 단축은 AI 가치의 출발점이지 결론이 아닙니다. 기업은 그 시간이 전체 리드타임을 줄였는지, 병목공정의 완료량을 늘렸는지, 오류와 재작업을 낮췄는지, 비용·매출·품질 가운데 어느 경로로 회수됐는지를 확인해야 합니다. 이 연결이 없으면 AI는 일을 줄이기보다 대기열과 검수업무의 위치를 바꿉니다.

경영진 입장에서 먼저 봐야 하는 것은 자동화 가능한 작업의 긴 목록이 아닙니다. 요청부터 완료까지 업무를 한 줄로 놓고, 대기가 쌓이는 단계와 의사결정권자를 표시한 뒤, 저위험 물량과 예외를 나누는 일입니다. 이 순서가 비용과 처리량의 실제 변화를 가르는 운영 기준입니다. 그 위에서 AI의 역할과 사람의 책임을 다시 배치해야 작업효율이 조직성과로 전달됩니다.

판정 기준은 단순합니다. 처리시간만 줄고 전체 리드타임이 그대로면 병목이 이동한 것입니다. 완료량은 늘었지만 오류와 재작업이 커지면 검수설계가 부족합니다. 시간은 절약됐지만 비용·처리량·품질이 모두 그대로라면 가치회수 결정이 없었던 것입니다. 이 세 가지 실패를 분리해야 다음 투자의 위치를 정할 수 있습니다.

업무 재설계를 실행하려면 어떤 데이터·숙련·관리자 역량이 함께 필요한지 다음 글에서 좁힙니다. 프로세스의 순서와 권한을 다시 그려도 신뢰할 데이터가 없고, 직원이 오류를 판별하지 못하며, 관리자가 예외를 해결할 권한을 주지 않으면 새 흐름은 정착하지 못합니다. 다음 단계의 질문은 같은 도구를 산 기업 사이에서 이런 보완자산의 격차가 왜 생산성 격차로 커지는가입니다.