AI 도입률보다 실제 사용강도가 중요한 이유: 4단계 판정 기준

기업의 AI 도입률이 오르면 생산성 효과도 넓게 퍼지고 있다고 해석하기 쉽습니다. 라이선스가 배정되고 한두 기능에서 AI를 사용하면 설문상 도입기업으로 분류되기 때문입니다. 그러나 AI 도입률보다 실제 사용강도가 중요한 이유는 도입 여부가 그 기술이 몇 명의 직원에게, 얼마나 자주, 어느 처리물량까지 들어갔는지를 말해주지 않기 때문입니다.

미국의 최신 기업자료는 이 차이를 선명하게 보여줍니다. 미국 Census Bureau의 2026년 AI 보충조사 연구에 따르면 2025년 11월부터 2026년 1월 사이 한 개 이상의 기업 기능에서 AI를 사용한 기업은 18%였습니다. 고용인원으로 가중하면 32%로 높아집니다. 대기업과 지식집약 업종의 채택이 더 빠르다는 뜻입니다.

도입기업 안으로 들어가면 확산의 폭은 다시 좁아집니다. AI 사용기업의 57%는 세 개 이하의 기업 기능에만 AI를 배치했고, 과업 기준으로도 65%가 세 개 이하에 머물렀습니다. 직원 개인이 업무에 AI를 쓰는데 회사 차원의 공식 도입은 없는 경우와, 회사는 AI를 도입했지만 직원의 실제 과업사용은 없는 경우가 모두 관찰됐습니다. 도입이라는 하나의 숫자가 서로 다른 운영상태를 가립니다.

전편에서는 AI 지출과 실현 생산성 사이에 구조적 시차가 있음을 확인한 바 있습니다. 이번에는 그 시차의 첫 연결고리를 좁혀봅니다. 생산성을 결정하는 것은 계정 수나 도입기업 비중보다 핵심업무에 연결된 활성사용자, 반복빈도, 처리물량과 사람의 개입비율입니다. 도입률은 잠재시장의 상한을 보여주지만 사용강도는 실제 경제효과에 더 가까운 변수입니다.

AI 도입률보다 실제 사용강도가 중요한 이유

AI 도입률은 빠르게 올라가지만 기업성과의 변화는 같은 속도로 확산되지 않습니다. 측정단위가 다르기 때문입니다. 기업 설문은 보통 일정 기간에 한 개 이상의 업무기능에서 AI를 사용했는지를 묻습니다. 마케팅팀 한 명이 문안 초안을 만들었든, 고객서비스 전체가 상담 분류를 자동화했든 둘 다 도입기업 한 곳으로 집계될 수 있습니다.

도입률은 확산의 방향을 확인하는 데 여전히 유용합니다. Census Bureau의 2026년 5월 분석은 미국 기업의 AI 사용률이 2025년 12월부터 2026년 5월 사이 17~20% 범위였고, 향후 6개월 사용 예상은 20~23%였다고 집계했습니다. 보급기반이 넓어지는 흐름은 분명합니다.

다만 이 수치에서 매출이나 비용효과를 직접 계산하면 분모가 흔들립니다. 직원 1,000명 중 열 명이 쓰는 회사와 800명이 쓰는 회사가 같은 한 곳으로 잡힙니다. 주 1회 접속과 매일 수천 건을 처리하는 자동화도 구분되지 않습니다. 도입기업 비중이 두 배가 됐다고 AI가 처리하는 업무량도 두 배가 됐다고 볼 수 없는 이유입니다.

고용가중 사용률이 기업 수 기준보다 높은 점도 해석이 필요합니다. 더 많은 근로자가 AI 사용기업에 속해 있다는 뜻이지, 그 근로자 모두가 AI를 쓴다는 뜻은 아닙니다. 기업 수준의 채택과 직원 수준의 실제 사용을 분리하지 않으면 기술에 노출된 인원을 활성사용자로 오인하게 됩니다. 도입률은 입구를 측정하고 사용강도는 내부의 가동률을 측정합니다.

구매·접속·반복사용·핵심업무

구매와 접속은 실제 사용의 출발점일 뿐입니다. 기업이 AI 예산을 집행한 뒤 생산성에 가까워지려면 최소 네 가지 운영상태를 통과합니다. 계약 또는 라이선스 구매, 계정 활성화와 최초 접속, 주간·일간 반복사용, 핵심업무의 표준절차에 포함되는 단계입니다.

구매 단계에서는 공급자 매출과 기업 비용이 발생합니다. 그러나 배정된 라이선스 가운데 실제로 로그인한 계정이 적으면 사용기반은 생기지 않습니다. 최초 접속이 많더라도 시험 질문이나 교육과정에 그치면 반복성이 없습니다. 반복사용이 늘어도 문서요약이나 회의록처럼 주변업무에만 쓰이면 기업의 주된 처리물량과 연결되지 않을 수 있습니다.

근로자 조사에서도 접촉과 반복사용의 차이가 큽니다. NBER의 미국 대표표본 연구에 따르면 2024년 말 취업자의 23%가 직전 일주일에 업무용 생성형 AI를 한 번 이상 사용했지만 매일 사용한 비율은 9%였습니다. 전체 근로시간 가운데 AI가 보조한 시간은 1~5%, 응답자가 보고한 시간절약은 총근로시간의 1.4%에 해당했습니다. 사용자 비중보다 업무시간 침투도가 훨씬 낮은 셈입니다.

이 격차는 실패라기보다 확산 초기의 정상적인 형태일 수 있습니다. 범용도구를 먼저 경험한 직원이 적합한 사용사례를 찾고, 회사가 보안과 품질 기준을 정한 뒤 표준업무로 옮겨갈 수 있기 때문입니다. 반대로 접속률이 몇 분기 동안 높아져도 반복빈도와 처리물량이 늘지 않으면 파일럿이 정착하지 못한 것으로 봐야 합니다.

핵심은 경영진 입장에서 단계별 전환율을 확인하는 일입니다. 구매계정 대비 월간 활성계정, 월간 대비 주간·일간 활성계정, 활성사용자당 반복횟수, 전체 업무량 중 AI 처리비중을 순서대로 놓으면 어느 단계에서 이탈이 생기는지 보입니다. 계정 수 하나로는 그 원인을 찾을 수 없습니다.

사용강도의 네 가지 측정축

사용강도는 빈도와 범위, 처리물량을 함께 봐야 합니다. 여기에 사람의 개입비율을 더하면 네 가지 측정축이 됩니다. 어느 한 지표만 높다고 깊은 통합을 의미하지 않으며, 업종과 업무 특성에 따라 조합도 달라집니다.

첫째는 활성사용자입니다. 사용 권한을 받은 직원 중 실제 사용자가 얼마나 되는지, 핵심 직무에서 활성률이 높은지를 봅니다. 전사 평균이 높아도 매출·생산·고객서비스처럼 결과를 만드는 직무의 사용률이 낮으면 생산성 효과는 제한됩니다. 반대로 사용자 수는 적어도 해당 인력이 대량 거래나 중앙 시스템을 담당한다면 경제적 영향은 클 수 있습니다.

둘째는 반복빈도입니다. 월 1회, 주 1회, 매일 사용은 서로 다른 학습과정과 업무의존도를 뜻합니다. 매일 쓰는 도구는 직원의 판단순서와 작업방식을 바꾸기 쉽지만, 반복 그 자체가 가치를 보장하지는 않습니다. 낮은 가치의 이메일 초안을 자주 만드는 것과 고객문의 분류를 매일 처리하는 것은 같은 일일 활성사용으로 묶여도 결과가 다릅니다.

셋째는 처리물량입니다. AI가 작성한 문서 수보다 전체 문서 중 비중, AI가 분류한 문의 수보다 전체 문의 중 비중을 봐야 합니다. 분모가 없으면 사용량 증가는 사업 성장에 따른 자연증가인지 AI 침투도 상승인지 구분되지 않습니다. 핵심업무의 처리물량 비중이 올라갈수록 사용강도는 실제 생산능력과 가까워집니다.

넷째는 사람의 개입비율입니다. AI가 초안을 만들고 직원이 처음부터 다시 작성하면 로그상 사용은 높지만 절약시간은 작습니다. 사람은 예외건만 확인하는지, 모든 결과를 전수검수하는지, 오류가 발견되면 어느 단계까지 되돌아가는지를 측정해야 합니다. 자동처리율과 재작업률을 함께 보지 않으면 통제비용을 빠뜨리게 됩니다.

네 축은 같은 업무단위를 기준으로 묶어야 합니다. 예컨대 월간 활성사용자는 전사 기준인데 처리물량은 특정 고객센터 기준이라면 두 수치는 서로 나눌 수 없습니다. 사용자, 업무기능, 거래 또는 문서 유형, 관찰기간을 맞춘 뒤 전체 물량과 AI 관여 물량을 함께 집계해야 침투율이 됩니다. 생산성과 연결할 때도 같은 집단의 도입 전후를 비교해야 인력구성이나 성수기 변화가 AI 효과로 잘못 잡히는 일을 줄일 수 있습니다.

관찰기간도 짧게 잡으면 안 됩니다. 교육 직후에는 접속률이 일시적으로 높아지고, 파일럿 종료 직전에는 목표 달성을 위해 처리건수가 몰릴 수 있습니다. 반대로 핵심업무에 편입된 도구는 신규 사용자의 증가가 둔화돼도 기존 사용자의 처리물량이 계속 늘어납니다. 월간 활성률과 주간 반복률, 분기별 처리비중을 함께 보면 단기 캠페인과 운영 정착을 구분할 수 있습니다.

마지막으로 사용량의 단위경제성을 계산해야 합니다. AI 처리 한 건당 모델·클라우드 비용, 시스템 통합과 검수시간, 오류로 인한 재작업 비용을 더한 뒤 기존 방식의 단위원가와 비교합니다. 사용강도가 높아질수록 고정 통합비용은 분산되지만 추론비용과 품질관리비용은 물량에 따라 늘어납니다. 따라서 사용량 증가와 단위원가 하락이 함께 나타나는지가 경제적 확산을 가르는 기준입니다.

Census 연구에서 채택기업의 66%는 AI를 과업 보조에만 사용했습니다. AI 관련 고용감소를 보고한 기업은 2%에 그쳤습니다. 이 수치는 AI가 효과가 없다는 증거가 아니라 현재 사용이 대체보다 증강에 치우쳐 있다는 근거입니다. 처리물량과 사람 개입비율이 바뀌지 않은 상태에서 라이선스 수만으로 인건비 절감을 추정하면 과도한 결론이 됩니다.

기능 범위와 핵심업무 침투

사용 기능의 수는 확산 폭을 보여주지만 깊이를 자동으로 말해주지는 않습니다. Census 조사에서 AI 사용기업의 주요 기능은 영업·마케팅 52%, 전략·사업개발 45%, IT 41%였습니다. 문서작성, 분석, 검색처럼 범용모델이 바로 적용되는 과업이 먼저 늘어난 것으로 해석됩니다. 생산, 서비스 제공과 같이 오류가 실제 거래나 품질로 이어지는 기능은 통합 난도가 더 높습니다.

OECD의 중소기업 AI 도입 보고서는 2024년 G7의 핵심 사업기능 AI 도입률을 일본 1.9%에서 미국 6.1% 범위로 추정했습니다. 같은 시기 개인과 근로자의 생성형 AI 사용률이 더 높았던 것과 대비됩니다. 접속하기 쉬운 범용도구의 개인 사용이 기업의 핵심 생산과정 편입보다 앞선 것입니다.

핵심업무 배치는 주변업무 사용보다 훨씬 높은 통제비용을 요구합니다. 고객정보와 재무데이터 접근권을 열어야 하고, 모델 결과가 가격·계약·생산결정에 반영될 경우 검수권자와 오류책임을 정해야 합니다. 결과를 재현할 로그, 보안검토, 변경관리와 중단 시 대체절차도 필요합니다. 기능이 중요할수록 실패비용이 커져 승인조건이 엄격해집니다.

유로지역 자료도 같은 제약을 보여줍니다. ECB의 집중사용 기업 분석에서 기업들이 꼽은 확대 장벽은 AI 관련 숙련 부족 40%, 현재 기술의 제한된 업무 유용성 28%, 기존 시스템과의 비호환 26%였습니다. 도구의 존재보다 업무 적합성, 통합과 운영역량이 집중사용을 가르는 셈입니다.

거버넌스를 사용을 막는 규제로만 보면 이 경로를 놓칩니다. 데이터 접근범위, 승인권과 오류책임이 명확해야 현장 직원도 중요한 업무를 AI에 맡길 수 있습니다. 통제체계가 없으면 사용자는 저위험 주변업무에 머물거나 비공식 도구를 쓰게 됩니다. 제대로 설계된 거버넌스는 비용인 동시에 핵심업무 처리물량을 늘리는 생산기반입니다.

다만 모든 핵심업무가 중앙집중형 통제를 필요로 하지는 않습니다. 공개정보 검색, 내부 문서 초안처럼 위험이 낮고 결과 확인이 쉬운 과업은 현장 자율사용만으로도 빠르게 확산될 수 있습니다. 사용강도를 평가할 때 업무위험과 통제비용을 함께 봐야 고도입의 속도를 과소평가하지 않습니다.

사용량과 기업성과의 연결

생산성으로 이어지는 사용은 가동 중인 업무량을 바꿉니다. 애널리스트 관점에서 핵심은 사용자가 많고 접속이 잦다는 사실보다 전체 처리시간, 오류, 재작업, 고객 결과와 단위원가 가운데 적어도 하나가 같은 방향으로 움직이는지입니다. 사용강도는 성과의 충분조건이 아니지만 도입률보다 가까운 선행지표입니다.

Census 연구는 기능별 배치 폭, 과업사용과 운영투자가 넓을수록 기업의 상업적 성과가 좋다는 양의 상관관계를 확인했습니다. 인과관계를 단정하기는 어렵습니다. 원래 성과가 좋은 기업이 AI에 더 많이 투자했을 수 있고, 대기업의 데이터와 인력이 도입과 성과를 동시에 높였을 수도 있습니다. 그럼에도 한 기능의 도입 여부보다 통합의 폭이 기업성과와 더 밀접하다는 점은 측정 방향을 제시합니다.

운영자료를 연결하면 인과경로를 더 엄격하게 볼 수 있습니다. AI 처리비중이 올라간 뒤 전체 리드타임이 줄었는지, 오류율과 재작업이 유지 또는 개선됐는지, 같은 인력으로 처리건수가 늘었는지를 순서대로 확인합니다. 품질이 좋아졌다면 고객유지, 해결률이나 가격에 반영되는지도 봐야 합니다. 사용로그와 손익 사이에 공정지표가 들어가야 설명이 성립합니다.

사람의 개입 감소가 무조건 좋은 것도 아닙니다. 고위험 업무에서 검수를 줄이면 단기 처리시간은 개선되지만 오류비용과 규제위험이 뒤에 나타날 수 있습니다. 반대로 전수검수를 유지하더라도 초안 품질이 올라 재작업시간이 줄었다면 생산성은 개선됩니다. 개입비율은 품질지표와 함께 해석해야 합니다.

시간절약의 귀착도 확인할 필요가 있습니다. 직원이 절약한 시간을 더 많은 업무, 고객응대, 교육이나 혁신에 사용하면 산출과 품질이 늘 수 있습니다. 수요가 부족해 절약시간이 유휴시간으로 남으면 기업 비용은 줄지 않습니다. 사용강도가 같아도 미충족 수요와 인력배치 결정에 따라 재무효과가 달라지는 이유입니다.

사용강도의 4단계 판정

사용강도는 네 단계로 판정할 수 있습니다. 첫 단계는 접근입니다. 구매계정, 배정계정과 최초접속을 구분합니다. 이 단계에서 이탈이 크면 도구선정, 교육이나 접근절차에 문제가 있을 가능성이 높습니다. 시장규모를 추정할 때는 유료계정이 의미가 있지만 생산성을 판단할 때는 접속 이후가 더 중요합니다.

두 번째는 반복입니다. 월간·주간·일간 활성률과 사용자당 사용횟수를 봅니다. 반복률이 올라가면 직원이 적합한 업무를 찾았을 가능성이 높아집니다. 다만 반복사용이 주변업무에 집중됐는지 핵심업무로 옮겨갔는지 분리해야 합니다.

세 번째는 침투입니다. 전체 처리물량 중 AI가 관여한 비중, 핵심기능 수, 자동처리율과 사람 개입비율을 측정합니다. 이 단계부터 사용로그가 기업의 생산능력과 직접 연결됩니다. 기능 수가 적더라도 병목업무의 처리비중이 높다면 깊은 사용이고, 기능 수가 많아도 각 기능의 사용이 드물면 얕은 확산입니다.

네 번째는 실현입니다. 전체 리드타임, 오류·재작업, 단위원가, 직원당 산출, 고객성과와 현금수익을 확인합니다. 앞의 세 단계가 높아졌는데 이 지표가 움직이지 않으면 사용방식이나 업무설계가 잘못됐을 가능성이 있습니다. 생산성은 사용량이 아니라 사용량이 만든 경제적 결과에서 완성됩니다.

네 단계를 한 표에 놓으면 해석도 달라집니다. 접근은 높고 반복이 낮으면 배포 실패, 반복은 높고 침투가 낮으면 주변업무 정착, 침투는 높고 실현이 낮으면 프로세스와 품질관리의 문제입니다. 어느 단계가 약한지에 따라 추가 라이선스, 교육, 통합, 업무 재설계 중 필요한 투자도 달라집니다.

이 판단이 빗나갈 수 있는 경우

공식 사용강도가 낮아도 실제 가치가 먼저 생길 수 있습니다. 직원이 개인계정이나 기존 소프트웨어에 내장된 기능을 쓰면 회사 로그에 잡히지 않습니다. 품질개선과 학습효과는 처리건수나 인력감소보다 늦게 재무지표에 반영될 수 있습니다. 이런 경우 공식 데이터는 실제 침투도를 과소평가합니다.

반대로 사용강도가 높아 보여도 경제효과를 과대평가할 수 있습니다. 의무사용 정책으로 접속과 반복률이 올라갔지만 직원이 결과를 다시 만들거나 형식적으로만 사용하면 처리물량 로그는 커지고 생산성은 정체됩니다. 봇이 생성한 메시지나 문서 수가 늘어도 고객가치와 연결되지 않으면 산출의 질이 낮아질 수 있습니다.

업종별 차이도 큽니다. 디지털 산출과 반복거래가 많은 금융·정보·전문서비스에서는 사용강도를 비교적 정확히 측정할 수 있습니다. 건설, 숙박, 제조현장처럼 물리 작업과 예외상황이 많은 업종은 AI가 지원하는 계획·품질·정비 효과가 최종 산출에 섞여 나타납니다. 하나의 기준값으로 업종을 서열화하면 안 됩니다.

따라서 사용강도는 생산성의 보증서가 아니라 전환상태를 파악하는 지도에 가깝습니다. 도입률보다 좋은 지표이지만 업무설계, 데이터와 수요 조건을 대신하지는 않습니다. 사용강도가 높아도 기존 업무를 그대로 두면 효과가 제한될 수 있으며, 그 메커니즘은 다음 단계에서 별도로 검증해야 합니다.

도입률 이후의 판단 기준

도입률은 기술이 얼마나 넓게 접촉됐는지를 보여줍니다. 사용강도는 그 기술이 실제 업무에서 얼마나 자주, 어느 범위와 물량으로 가동되는지를 보여줍니다. 두 지표는 경쟁관계가 아닙니다. 도입률이 잠재 사용자 기반을, 사용강도가 전환의 진행도를 측정합니다.

기업 입장에서 봐야 하는 판단 순서는 구매계정, 활성사용자, 반복빈도, 핵심업무 처리물량, 사람 개입과 운영성과입니다. 앞의 숫자가 커도 다음 단계로 이어지지 않으면 경제효과는 제한됩니다. 반대로 사용자 수가 적더라도 병목업무의 큰 물량을 안정적으로 처리한다면 도입률보다 높은 생산성 의미를 가질 수 있습니다.

현재 공개자료만으로 개별 기업의 실제 사용강도를 완전히 계산하기는 어렵습니다. 그렇기 때문에 도입률 하나를 정밀한 지표처럼 쓰기보다 공시에서 활성사용, 처리량, 자동화율, 오류·재작업과 리드타임을 요구해야 합니다. 사용강도를 확인할 수 없는 기업은 AI 효과가 없는 기업이 아니라 아직 효과를 검증할 근거가 부족한 기업입니다.

다음 질문은 사용강도가 높아도 기존 업무를 그대로 두면 효과가 제한되는 이유입니다. AI가 한 작업을 단축한 시간이 승인대기, 품질검수와 재작업으로 이동한다면 높은 사용량도 조직 생산성으로 이어지지 않습니다. 다음 글에서는 개별 작업의 개선을 전체 업무성과로 바꾸는 프로세스 재설계를 분석합니다.