AI 생산성 격차가 기업 집중을 키우는 이유: 5단계 판단 기준

같은 생성형 AI 모델을 같은 가격에 쓸 수 있다면 AI 생산성 격차는 줄어들어야 합니다. 과거에는 대기업만 구축할 수 있었던 번역, 분석, 고객응대와 소프트웨어 개발 기능을 중소기업도 구독형 서비스로 이용할 수 있기 때문입니다. 기술 접근성만 보면 AI는 규모의 불리함을 낮추는 도구에 가깝습니다.

실제 사용의 확산 속도는 그 예상보다 빨라진 흐름입니다. 세계은행이 2026년 8월 7개국 4,205개 기업의 대표 표본을 분석한 연구에 따르면 기업의 AI 도입률은 2024년에서 2025년 사이 거의 세 배로 늘었습니다. 그러나 여러 업무에 깊게 연결된 고도 활용은 훨씬 느리게 확산됐고 소수 기업에 집중됐습니다. 모델을 써 본 기업은 빠르게 늘었지만 업무방식까지 바꾼 기업은 같은 속도로 늘지 않은 것입니다.

유로지역에서도 비슷한 간극이 보입니다. 유럽중앙은행(ECB)의 2026년 6월 SAFE 분석은 2025년 4분기 조사기업의 70% 이상이 AI를 사용했다고 집계했습니다. 상당한 수준으로 사용한다고 답한 기업은 7%에 그쳤습니다. 도입 여부는 빠르게 평준화되지만 핵심업무의 사용강도는 아직 드문 현상입니다.

AI 생산성 격차를 보급률로만 설명하면 이 차이를 놓칩니다. 기업이 같은 모델에 접속할 수 있다는 사실과 데이터·시스템·직원·영업망을 묶어 더 낮은 단위원가와 더 나은 서비스를 만드는 능력은 별개입니다. 전자는 시장에서 살 수 있지만 후자는 기업 내부에서 축적됩니다. 생산성 이득이 다시 데이터와 인재, 고객획득과 업무 재설계에 투자되면 첫 격차가 다음 격차의 원인이 됩니다.

그렇다고 현재의 기업 집중을 AI가 만들었다고 단정할 수는 없습니다. 대기업은 AI 확산 전부터 브랜드, 유통망, 자본비용과 규모의 경제에서 유리했습니다. 산업별 진입·퇴출과 시장점유율에 관한 포괄적 자료도 아직 부족합니다. 이 글의 판단은 AI가 시장집중을 이미 높였다는 인과추정이 아니라, 어떤 조건에서 생산성 차이가 경쟁격차로 누적되는지를 밝히는 데 있습니다.

전편에서는 담보로 잡기 어려운 데이터·교육·조직변화가 내부자금에 의존하면서 기업별 AI 전환속도를 벌리는 과정을 살펴봤습니다. 도입·금융격차가 생산성, 임금과 시장집중을 어떻게 재분배하는지 다음 글에서 확장합니다. 여기서는 그 질문 가운데 기업 경쟁에 해당하는 부분을 다룹니다. 개별 산업의 점유율을 예측하는 대신 비용, 품질, 고객, 데이터와 재투자가 이어지는 경로를 구분합니다.

AI 생산성 격차와 사용의 깊이

AI 접근성의 평준화와 생산성의 평준화는 같은 현상이 아닙니다. 범용 챗봇에 접속하거나 직원이 문서 초안을 만드는 수준에서는 진입비용이 낮습니다. 생산·판매·고객지원의 핵심 흐름에 AI를 연결하려면 내부 데이터의 정의를 맞추고 기존 시스템에 권한을 부여하며 오류와 예외를 처리할 책임자를 정해야 합니다. 사용의 깊이가 커질수록 모델비보다 기업 고유의 전환비용이 중요해집니다.

ECB 조사에서 AI 사용기업 가운데 소기업의 집중사용 비율이 상대적으로 높았다는 점은 규모만으로 성과를 판단하면 안 된다는 반례입니다. 조직이 단순하고 의사결정자가 가까운 소기업은 좁은 업무 하나를 빠르게 바꿀 수 있습니다. 다만 전체 기업 기준으로는 규모가 클수록 AI 도입 가능성이 높았고, 5,000개 이상 조사기업 중 집중사용자는 7%뿐이었습니다. 작은 기업의 성공사례와 경제 전체의 확산구조를 같은 숫자로 읽어서는 안 됩니다.

OECD가 2026년 정리한 하류산업의 경쟁동학도 2024년 OECD 지역의 AI 사용률이 대기업 39%, 소기업 12%로 3.3배 차이라고 집계했습니다. 대기업은 여러 기능에 AI를 넣고 업무흐름을 재설계할 가능성도 더 높았습니다. 반면 플러그인, API와 산업별 애플리케이션은 소기업의 초기 도입비용을 낮췄습니다. 동일한 기술이 도입단계에서는 격차를 줄이고 통합단계에서는 다시 벌릴 수 있다는 뜻입니다.

두 단계의 경제성이 다르기 때문입니다. 범용 기능은 사용자가 늘수록 공급자의 평균비용이 낮아지고 고객도 저렴하게 구입합니다. 기업 내부의 데이터 정리, 시스템 통합과 변화관리는 다른 회사에 그대로 복제하기 어렵습니다. 첫 번째 비용은 시장 전체에서 내려가지만 두 번째 비용은 업무의 복잡도와 기존 시스템에 따라 기업마다 다르게 남습니다.

세계은행의 7개국 연구가 발견한 빠른 도입과 느린 고도 활용의 조합은 이 구분과 맞닿아 있습니다. 다만 조사기간이 짧고 국가·산업의 디지털 기반이 다르므로 고도 활용의 집중이 영구적인 시장집중으로 이어진다고 볼 수는 없습니다. 지금 확인되는 것은 도구의 확산속도보다 업무통합의 확산속도가 느리다는 사실입니다. 기업 집중은 그 다음 단계에서 비용과 고객행동이 실제로 달라질 때 발생합니다.

보완자산의 누적성

보완자산은 한 번의 구매가 아니라 반복사용 과정에서 누적됩니다. 고객문의에 AI를 연결한 기업은 첫날부터 완성된 시스템을 갖지 못합니다. 어떤 답변이 잘못됐는지 기록하고, 제품·가격·계약 데이터를 고치며, 사람이 개입할 기준을 조정해야 합니다. 오류자료와 수정규칙이 쌓일수록 다음 문의의 자동처리율과 정확도가 높아집니다.

이 과정에서 데이터의 양보다 폐쇄된 학습고리가 중요합니다. 사용 결과가 업무시스템에 남고, 실패가 담당 부서로 돌아가며, 수정된 규칙이 다시 배포돼야 합니다. 고객이 많은 기업은 더 많은 사례를 확보할 수 있지만 사례를 분류하고 반영하지 못하면 데이터는 비용으로 남습니다. 반대로 고객 수가 적어도 특정 문제에 집중한 기업은 고품질 피드백을 빨리 모을 수 있습니다.

OECD의 2024년 생산성 연구는 여러 국가에서 AI 사용과 노동생산성의 양의 관계가 관찰되지만 ICT 숙련, 디지털 인프라와 조직역량 같은 보완자산을 고려하면 AI 사용 자체의 관계가 약해지는 경우가 많다고 보고했습니다. 반면 보완자산은 분석대상 국가 전반에서 생산성과 양의 관계를 보였습니다. 상관관계 자료이므로 AI가 생산성을 만들었다는 인과증거는 아닙니다. 그래도 기업 성과를 모델 보유 여부만으로 설명하기 어렵다는 점은 분명합니다.

인재도 같은 방식으로 누적됩니다. AI 전문가는 모델을 직접 만드는 사람에 한정되지 않습니다. 현업의 문제를 데이터 구조로 바꾸고, 시스템을 연결하며, 성능 저하와 오류를 운영 중에 찾아내는 인력이 필요합니다. 이들은 기업의 데이터와 의사결정 규칙을 배울수록 생산성이 높아지기 때문에 외부에서 즉시 대체하기 어렵습니다.

OECD의 AI 생산성·분배 연구는 미국 산업에서 AI 인력을 많이 채용한 상위 10개 기업이 해당 산업 AI 채용공고의 약 절반을 차지하는 경우가 흔하다고 분석했습니다. 소매처럼 AI 채용공고 비중이 1% 미만인 산업에서는 거의 모든 AI 채용이 상위 10개 기업에 몰렸습니다. 2022년 구인자료이므로 현재 인력보유량이나 성과를 직접 보여주지는 않습니다. 다만 전문인력의 초기 집중이 기업별 통합역량의 격차로 이어질 수 있다는 선행신호입니다.

내부자금은 데이터와 인재의 누적을 지속시키는 완충재입니다. 첫 프로젝트의 오류율이 예상보다 높아도 현금흐름이 충분하면 데이터 정비와 교육을 한 차례 더 진행할 수 있습니다. 자금여력이 부족한 기업은 같은 시행착오를 실패로 판단하고 사용범위를 줄입니다. 전편에서 살펴본 금융격차가 이번 글에서 중요한 이유는 단순히 투자액을 가르는 것이 아니라 학습을 몇 번 반복할 수 있는지를 바꾸기 때문입니다.

생산성의 경쟁성과 전환

생산성 향상은 가격·품질·용량 중 하나로 전환돼야 경쟁우위가 됩니다. 직원 한 명이 같은 시간에 더 많은 일을 처리해도 기업이 절약된 시간을 방치하면 시장의 결과는 달라지지 않습니다. 비용을 줄이거나, 처리물량을 늘리거나, 고객에게 제공하는 품질과 속도를 높여야 생산성이 매출·마진과 고객선택으로 이어집니다.

첫 번째 경로는 단위원가입니다. 자동화가 전체 공정의 인건비와 오류복구비를 낮추면 기업은 가격을 내리거나 마진을 높일 수 있습니다. 가격을 낮추면 수요가 가격에 민감한 시장에서 물량을 가져올 수 있고, 마진을 유지하면 다음 투자에 쓸 내부자금이 늘어납니다. 그러나 AI 비용이 기존 인력을 대체하지 못하고 검수인력과 클라우드 비용을 더한다면 단위원가는 낮아지지 않습니다.

두 번째 경로는 품질과 출시속도입니다. 고객 문의의 응답시간이 줄고 오류가 감소하거나, 제품개발의 탐색범위가 넓어지면 가격을 낮추지 않아도 구매전환과 유지율이 개선될 수 있습니다. 이 경우 경쟁우위는 인력절감이 아니라 더 빠른 실험과 고객학습에서 나옵니다. 품질이 평균적으로 좋아져도 경쟁사도 같은 속도로 개선하면 상대적 우위는 남지 않습니다.

세 번째 경로는 용량입니다. 같은 인원으로 처리할 수 있는 주문, 상담과 개발과제가 늘어나면 고정비를 더 큰 매출에 배분할 수 있습니다. 수요가 충분한 성장시장에서는 효과가 큽니다. 반대로 수요가 정체됐거나 후속 공정이 막혀 있으면 늘어난 용량은 가동률 하락으로 남습니다. 생산성 개선과 점유율 상승 사이에는 고객수요와 후속 용량이라는 조건이 필요합니다.

이 세 경로는 기업집중에 서로 다른 영향을 줍니다. 가격인하가 업계 전체로 빠르게 따라 퍼지면 소비자는 이익을 얻지만 기업별 마진차는 작을 수 있습니다. 품질개선이 독점적인 데이터와 고객관계에 묶이면 선도기업의 유지율이 높아집니다. 용량확대가 큰 고객기반과 유통망을 통해 즉시 소화되면 규모가 큰 기업이 더 빨리 고정비를 회수합니다. AI의 기술효과보다 그 효과를 흡수하는 시장구조가 경쟁결과를 결정합니다.

데이터·유통·인재의 재투자 고리

선도기업은 첫 성과를 데이터·유통·인재와 내부자금에 재투자할 수 있습니다. 단위원가가 낮아져 생긴 현금, 고객 유지로 늘어난 매출, 더 많은 처리량에서 발생한 사용데이터는 다음 AI 프로젝트의 투입재가 됩니다. 이 고리가 반복되면 초기 생산성 차이는 한 번의 효율차가 아니라 투자속도의 차이로 바뀝니다.

데이터 고리는 고객접점에서 작동합니다. 더 많은 거래와 문의를 처리하면 예외사례와 실패자료가 늘고, 이를 제품·추천·위험관리 모델에 반영할 수 있습니다. 품질이 개선되면 고객이 더 많이 사용하고 다시 데이터가 쌓입니다. 다만 개인정보, 데이터 이동권과 내부 품질관리 때문에 데이터가 자동으로 학습자산이 되는 것은 아닙니다. 관찰량이 많아도 올바른 결과를 정의하지 못하면 잘못된 규칙을 더 빠르게 강화할 수 있습니다.

유통 고리는 새로운 기능의 확산비용을 낮춥니다. 기존 고객계정과 영업채널을 가진 기업은 AI 기능을 별도 고객획득 없이 배포하고 사용반응을 빠르게 확인할 수 있습니다. 신규기업은 더 나은 기능을 갖고도 신뢰, 계약, 보안검토와 통합비용을 넘어야 합니다. 반대로 플랫폼과 API가 유통을 개방하거나 고객이 여러 서비스를 함께 쓸 수 있으면 기존 설치기반의 우위는 약해집니다.

인재 고리는 프로젝트의 성공확률을 높입니다. 데이터를 이해하는 현업인력과 엔지니어가 함께 일한 경험은 다음 업무의 설계시간을 줄입니다. 실패한 프로젝트에서 얻은 통합방식과 통제규칙도 재사용됩니다. 전문인력이 소수 기업에 오래 머물면 이 지식은 외부로 확산되지 않습니다. 노동이동, 전문서비스와 공개된 도구가 활발하면 선도기업의 경험이 후발기업으로 옮겨갈 수 있습니다.

내부자금 고리는 앞의 세 자산을 묶습니다. 첫 성과가 현금수익으로 회수되면 외부 담보 없이도 다음 데이터·교육·조직변화에 투자할 수 있습니다. 자금조달비용이 낮고 실패를 견딜 수 있는 기업은 여러 업무를 병렬로 실험합니다. 후발기업이 한 번의 프로젝트를 심사하는 동안 선도기업은 성공·실패 사례를 모두 쌓습니다. 시간 자체가 누적자산이 됩니다.

IMF의 2026년 AI 시나리오 분석은 AI의 경제적 지대가 AI 집약기업과 준비도가 높은 국가에 불균등하게 돌아가 `winner-take-most`의 동학을 만들 수 있다고 봤습니다. 이 자료는 예측모형의 단일 결과가 아니라 전문가 시나리오라는 한계가 있습니다. 그러나 모델 성능보다 생산과정 통합, 데이터, 인프라와 인재가 수익의 귀속을 좌우한다는 메커니즘은 기업단위의 재투자 고리와 일치합니다.

재투자 고리가 기업 집중으로 이어지려면 이득이 기업 내부에 남아야 합니다. 직원 임금, 공급자 가격, 고객 가격인하로 대부분 이전되면 기업의 초과이익과 재투자 여력은 제한됩니다. 경쟁사가 기능을 빠르게 모방하고 고객 전환비용이 낮아도 같은 결과가 나타납니다. 생산성 격차만으로 점유율을 추정할 수 없는 이유입니다.

격차를 줄이는 역방향

AI는 일부 업무에서 후발기업과 저숙련자의 격차를 줄일 수도 있습니다. 범용모델은 숙련자의 작업방식과 지식을 인터페이스 안에 담아 낮은 비용으로 제공합니다. 기존에는 전담팀이나 외부전문가가 필요했던 문서작성, 분석, 코드와 고객응대의 일부를 작은 조직이 내부에서 수행할 수 있습니다. 고정비가 낮아지면 신규진입과 틈새서비스의 수익성이 좋아집니다.

NBER의 고객상담 현장연구는 5,179명의 상담직원을 대상으로 생성형 AI 도구 도입을 분석했습니다. 시간당 해결건수는 평균 14% 늘었고 초보·저숙련 직원은 34% 개선됐지만 숙련직원에게는 효과가 작았습니다. 한 기업의 상담업무에 한정된 연구이므로 기업 간 점유율로 일반화할 수 없습니다. 다만 AI가 우수 직원의 업무방식을 전파해 내부 생산성 격차를 좁힐 수 있다는 강한 반례입니다.

전문 SaaS와 산업별 AI도 후발기업의 보완투자를 대신할 수 있습니다. 공급자가 데이터 연결, 규정, 업무 템플릿과 교육을 표준제품에 넣으면 고객기업은 별도 통합팀을 만들지 않아도 됩니다. 여러 고객에게 같은 개발비를 나눠 부담하므로 작은 기업의 단위원가가 낮아집니다. 제품이 개방형 표준을 따르고 데이터 이동이 쉬울수록 특정 대기업의 설치기반 우위도 약해질 수 있습니다.

오픈소스 모델과 공개 인프라는 모델 접근비용을 더 낮춥니다. 지역언어와 특수업무에 맞게 수정할 수 있고 한 공급자에 대한 의존도도 줄일 수 있습니다. 그러나 모델 가중치가 공개돼도 배포·보안·평가·데이터 정비의 역량은 따로 필요합니다. 오픈소스는 범용기술의 가격격차를 줄이지만 조직역량의 차이를 자동으로 없애지는 않습니다.

노동이동과 전문서비스는 경험의 외부확산 경로입니다. 선도기업에서 프로젝트를 수행한 인력이 다른 기업으로 이동하거나 컨설팅·클라우드·통합업체가 운영기법을 표준화하면 후발기업의 시행착오가 줄어듭니다. 반대로 핵심인력이 소수 기업에 묶이고 계약·데이터·시스템이 폐쇄적이면 지식확산은 느립니다. 인재 채용의 집중도만큼 이직률과 외부서비스의 성숙도를 함께 봐야 합니다.

ECB 자료에서 AI를 사용하는 소기업의 집중사용 비율이 상대적으로 높았다는 관찰도 역방향의 가능성을 보여줍니다. 작은 기업은 오래된 시스템과 승인단계가 적고 하나의 업무모델에 집중할 수 있습니다. 규모의 자산이 항상 조직의 민첩성을 이기지는 않습니다. AI는 선도기업의 누적우위를 강화하는 기술인 동시에 후발기업의 고정비를 낮추는 기술입니다.

기업 집중의 5단계 판정

기업 집중은 생산성 이득보다 그 이득의 전유와 재투자 조건에 달려 있습니다. 도입률이나 AI 예산만으로는 경쟁결과를 판단하기 어렵습니다. 다음 다섯 단계는 경영진 입장에서 생산성 개선과 구조적인 경쟁우위를 구분하는 순서입니다. 모두 연속해서 관찰될 때 AI 생산성 격차가 기업 집중으로 이어질 가능성이 높아집니다.

첫째, 사용의 깊이입니다. 핵심업무의 반복사용, AI 처리물량, 사람 개입률과 전체 리드타임을 봐야 합니다. 직원이 초안을 만드는 수준인지 주문·상담·개발 흐름을 끝까지 처리하는지 구분합니다. 보급률은 높지만 집중사용이 늘지 않으면 생산성 분산은 제한적일 수 있습니다.

둘째, 단위원가와 품질의 상대격차입니다. AI를 많이 쓴 기업의 직원당 산출, 처리건당 비용, 오류·재작업, 출시주기와 고객유지율이 경쟁사보다 개선되는지 확인합니다. 한 기업의 전년 대비 개선만으로는 부족합니다. 업계 전체가 같은 속도로 좋아지면 상대적 경쟁우위는 작습니다.

셋째, 이득의 귀속입니다. 비용절감이 마진으로 남는지, 가격인하로 고객에게 이전되는지, 임금과 공급자 비용으로 흡수되는지 분해해야 합니다. 영업마진과 현금흐름이 개선되지 않으면 다음 AI 투자에 사용할 자체재원도 제한됩니다. 생산성 향상과 기업가치 상승을 곧바로 같은 것으로 보지 않는 단계입니다.

넷째, 고객과 데이터의 피드백입니다. 가격·품질 개선 뒤 거래량, 유지율과 고객획득비가 어떻게 움직이는지 봅니다. 늘어난 사용이 고유 데이터와 제품개선으로 연결되는지도 중요합니다. 고객이 쉽게 이동하고 데이터가 상호운용되면 선도기업의 우위는 경쟁사로 빠르게 확산됩니다. 전환비용이 높고 데이터가 폐쇄적이면 격차가 누적될 가능성이 큽니다.

다섯째, 재투자 속도입니다. 늘어난 현금과 데이터가 다음 업무의 통합, 인재채용과 제품개선으로 얼마나 빨리 돌아가는지 확인합니다. CapEx와 AI 인력뿐 아니라 데이터 정비, 교육, 시스템 연동과 실제 출시건수를 함께 봐야 합니다. 경쟁사가 모방하는 시간보다 재투자 주기가 짧을 때 초기 우위가 구조적인 격차로 바뀝니다.

다섯 단계 가운데 하나라도 끊기면 집중경로는 약해집니다. 사용이 깊어도 단위원가가 낮아지지 않을 수 있고, 비용이 줄어도 가격경쟁으로 이익이 사라질 수 있습니다. 이익이 남아도 투자기회가 없거나 고객이 쉽게 이동하면 누적우위가 형성되지 않습니다. 기업별 시장점유율보다 이 연결고리를 먼저 보는 편이 변화의 원인을 더 빨리 포착합니다.

이 판단이 빗나갈 수 있는 경우

현재 자료는 AI가 기업 집중을 높였다는 결론을 확정하기에 충분하지 않습니다. OECD도 하류산업에서 진입·퇴출, 기업교체와 시장점유율에 관한 포괄적 자료가 제한적이라고 명시합니다. 기술·미디어 일부에서 구조변화 신호가 나타났지만 다른 산업에서는 AI가 효율개선에 머물렀습니다. 관찰되는 대기업 우위에는 경기, 기존 디지털화와 과거의 규모경제가 섞여 있습니다.

모듈형 AI의 가격이 계속 내려가고 산업별 SaaS가 데이터·통합·교육을 대신하면 작은 기업의 보완자산 부담은 빠르게 줄 수 있습니다. 고객이 여러 서비스를 함께 사용하고 데이터를 쉽게 옮기며 인력이 활발하게 이동하면 학습효과도 소수 기업에 갇히지 않습니다. 이 경우 생산성 격차는 일시적으로 벌어졌다가 기술확산과 경쟁을 통해 축소될 수 있습니다.

수요가 파편화된 산업에서도 집중경로는 약합니다. 지역별 관계, 규제지식, 맞춤형 서비스와 현장대응이 중요한 시장에서는 하나의 대규모 데이터셋이나 범용모델이 모든 고객을 만족시키기 어렵습니다. AI가 소규모 전문기업의 고정비를 낮추면 오히려 더 많은 틈새사업자가 생길 수 있습니다.

선도기업의 성과가 실제 현금수익으로 회수되는지도 불확실합니다. 컴퓨팅·클라우드 비용, 공급자 가격, 추가 검수와 인재경쟁이 생산성 이득을 흡수할 수 있습니다. 고객이 가격인하를 요구하면 사회 전체의 편익은 커져도 기업별 초과이익과 재투자 격차는 작아집니다. 높은 사용률과 높은 매출성장이 곧 AI가 만든 시장지배력을 뜻하지는 않습니다.

따라서 AI 보급 확대를 경쟁격차 축소와 동일시해서도, 대기업의 AI 투자를 곧바로 시장집중의 증거로 읽어서도 안 됩니다. 도입의 폭, 사용의 깊이, 상대 단위원가, 이득의 귀속, 고객·데이터 피드백과 재투자 속도가 차례로 이어지는지를 확인해야 합니다. AI 생산성 격차의 선행지표는 도입률이 아니라 누적경로의 작동 여부입니다.

AI는 기업 간 격차를 한 방향으로만 움직이지 않습니다. 과업단위에서는 전문지식과 팀 규모의 장벽을 낮추고, 기업단위에서는 데이터·유통·인재·자금의 누적우위를 강화할 수 있습니다. 어느 힘이 더 큰지는 기술성능보다 생산성 이득을 누가 보유하고 얼마나 빨리 다시 투자하는지에 달려 있습니다. 투자 붐이 실제 생산성으로 전환됐는지 확인할 선행지표를 마지막 글에서 종합합니다.