AI 생산성 전환을 확인할 일곱 가지 지표: 지출에서 현금까지

AI 생산성 전환을 확인할 일곱 가지 지표 가운데 기업이 가장 먼저 보는 숫자는 대개 AI 예산입니다. AI 예산이 늘고 직원들이 매일 도구를 쓰기 시작하면 생산성이 좋아지고 있다고 판단하기 쉽습니다. 그러나 회사가 먼저 확인하는 숫자는 대개 공급자의 매출입니다. 클라우드 사용료, 모델 호출료와 소프트웨어 구독료는 즉시 비용으로 잡히지만, 고객에게 납품되는 산출과 현금은 같은 속도로 늘지 않을 수 있습니다. 비용이 먼저 도착하는 구조에서 지출 증가를 성과로 읽으면 판단의 방향부터 뒤집힙니다.

이 일곱 지표가 필요한 이유도 여기에 있습니다. 투자 집행만 보면 수요를, 라이선스 수만 보면 접근권을, 직원 설문만 보면 체감을 알 수 있습니다. 어느 숫자도 단독으로 기업의 생산성을 증명하지는 못합니다. 투입이 핵심업무 사용으로 이어지고, 사용이 전체 처리시간과 품질을 바꾸며, 그 변화가 단위원가와 직원당 산출을 거쳐 현금수익으로 남아야 비로소 전환이 완성됩니다.

도입 속도와 전환 속도 사이의 간극은 이미 선명합니다. 세계은행그룹과 IFC가 2026년 10월 공개한 1,666개 신흥시장 선도기업 조사에서는 71%가 AI를 사용한다고 답했습니다. 그러나 내부 프로세스 전반에 AI를 핵심적으로 내재화한 기업은 10%였습니다. 사용기업의 절반 이상은 여전히 실험이나 제한적 배치 단계에 머물렀습니다. 도입률은 빠르게 오르지만 업무체계가 같은 속도로 바뀌지는 않는다는 뜻입니다.

두 숫자의 간극은 실패를 의미하지 않습니다. 범용기술은 구매, 학습, 공정 재설계와 조직 확산이 순차적으로 진행되므로 비용과 성과 사이에 시차가 생깁니다. 다만 그 시차를 설명할 측정체계가 없으면 모든 결과를 “아직 초기”라는 말로 미룰 수 있습니다. 생산성은 기다리면 언젠가 나타나는 약속이 아니라, 각 단계의 전환율이 다음 단계에서 확인되는 운영 결과여야 합니다.

전편에서는 같은 모델에 접근해도 데이터, 유통, 인재, 내부자금과 업무 재설계 능력에 따라 기업별 성과가 벌어지는 과정을 살펴봤습니다. 투자 붐이 실제 생산성으로 전환됐는지 확인할 선행지표를 마지막 글에서 종합합니다. 이번 글은 그 질문에 답하기 위해 앞선 여섯 편의 논리를 한 개의 측정 순서로 묶습니다.

지출과 성과의 시차

생산성은 산출을 투입으로 나눈 값입니다. 이 단순한 정의를 AI에 적용하기 어려운 이유는 투입과 산출의 경계가 흔들리기 때문입니다. 자체 개발한 소프트웨어와 데이터는 자산으로 처리될 수 있지만, 같은 기능을 구독이나 API로 사면 당기 비용에 가까워집니다. 직원이 업무를 재설계하고 데이터를 정리하는 시간은 중요한 투자이면서도 재무제표에서는 인건비로 남는 경우가 많습니다.

OECD의 2026년 생산성 지표 보고서는 교육, 업무조정과 소프트웨어 같은 무형투자가 기업 재무제표와 국민계정에서 불완전하게 포착된다고 지적합니다. 클라우드 사용은 투자와 중간소비의 경계도 바꿉니다. AI 자산의 품질변화를 반영할 가격지수와 감가상각 기간 역시 충분히 정립되지 않았습니다. 장비투자만 합산하면 실제 전환비용을 과소평가하고, 모든 기술비용을 더하면 기존 시스템 유지비까지 AI 투자로 과대계상할 수 있습니다.

IMF의 2026년 생산성 측정 연구는 같은 경제적 기능도 기업이 AI를 소유하면 자본심화로, 서비스로 소비하면 중간소비로 기록될 수 있다고 설명합니다. 회계상 투자액이 작은 기업이 실제로 AI를 덜 쓰는 것도 아니며, 자산이 크게 늘었다고 운영 효율이 좋아졌다고 볼 수도 없습니다. 따라서 투자 집행은 필요한 출발점이지만 성과의 종착점이 될 수 없습니다.

측정 순서는 이 문제를 해결하기 위한 최소한의 통제장치입니다. 앞 단계는 다음 단계가 나타날 가능성을 보여주는 선행지표이고, 뒤 단계는 앞선 투입이 실제로 전환됐는지 검증하는 결과지표입니다. 일곱 지표를 같은 업무, 같은 사용자 집단과 같은 기간에 연결하지 않으면 서로 다른 프로젝트의 좋은 숫자만 모으게 됩니다.

1. AI 투자 집행

첫 번째 지표는 AI 투자입니다. 여기에는 모델과 소프트웨어 사용료뿐 아니라 데이터 정비, 시스템 통합, 보안, 직원교육, 업무 재설계와 변화관리 비용이 포함돼야 합니다. 장비와 라이선스만 세면 기술을 설치하는 비용은 보이지만 조직이 그 기술을 쓰게 만드는 비용은 사라집니다.

투자액 자체보다 구성과 증분성이 중요합니다. 기존 클라우드 이전비용이나 일반적인 데이터웨어하우스 투자까지 모두 AI로 분류하면 분모가 부풀어 오릅니다. 반대로 현업 직원의 검수시간과 이중운영 비용을 제외하면 초기 경제성이 좋아 보입니다. 프로젝트를 시작하기 전 기준선을 정하고, AI가 없었어도 발생했을 비용과 도입 때문에 추가된 비용을 분리해야 합니다.

실무에서는 세 묶음으로 관리할 수 있습니다. 첫째는 모델, 컴퓨팅과 라이선스 같은 기술비용입니다. 둘째는 데이터, 연동과 통제체계 같은 통합비용입니다. 셋째는 교육, 업무설계와 현장지원 같은 조직비용입니다. 기술비용만 빠르게 늘고 통합·조직비용이 뒤따르지 않으면 배치 역량보다 접근권을 먼저 산 상태일 가능성이 큽니다. 반대로 초기 통합비용이 높더라도 재사용 가능한 데이터와 업무모듈이 쌓이면 다음 프로젝트의 한계비용은 낮아질 수 있습니다.

이 지표가 답하는 질문은 “얼마를 썼는가”가 아니라 “어떤 전환능력을 만들기 위해 얼마를 썼는가”입니다. 투자 집행은 생산성의 필요조건을 보여주지만, 자산이 실제 업무에서 사용되는지는 두 번째 지표가 확인해야 합니다.

2. 핵심업무 사용강도

활성사용자 수는 사용강도의 일부일 뿐입니다. 직원이 회의록을 요약하거나 문장을 다듬는 것과 고객심사, 수요예측, 유지보수, 상담과 개발처럼 산출을 결정하는 핵심업무에 AI가 연결되는 것은 경제적 의미가 다릅니다. 전자는 개인의 편의를 높일 수 있지만 후자는 처리량, 품질과 원가를 바꿀 수 있습니다.

사용강도는 네 가지를 함께 봐야 합니다. 대상 직원 중 실제로 반복 사용하는 비율, 핵심업무 한 건당 AI가 관여하는 빈도, 전체 처리물량 가운데 AI 경로를 거치는 비중, 그리고 결과가 완성되기까지 사람이 다시 개입하는 정도입니다. 로그인 횟수가 늘어도 처리물량이 작거나 사람이 대부분을 다시 작성한다면 생산과정의 침투도는 낮습니다.

세계은행·IFC 조사에서 AI 사용률 71%와 핵심 내부 프로세스 내재화 10%가 크게 벌어진 이유도 같은 구분으로 읽을 수 있습니다. 조사대상이 신흥시장 전체 기업이 아니라 사모·벤처투자를 받은 선도기업이라는 점은 일반화의 한계입니다. 그럼에도 접근권과 핵심업무 배치가 다른 속도로 움직인다는 신호는 분명합니다. 사용률이 높은 표본 안에서도 전환의 깊이는 크게 달랐습니다.

사용로그는 성과평가가 아니라 진단자료로 다뤄야 합니다. 호출 횟수를 직원 목표로 정하면 불필요한 사용이 늘고, 자동화율만 높이면 어려운 사례가 사람에게 몰리면서 평균 처리시간이 오를 수 있습니다. 업무별로 AI 사용이 어떤 산출을 만들었는지 연결하고, 사용하지 않은 비교집단이나 도입 전 기준선과 함께 봐야 합니다.

사용강도가 충분히 높아졌다면 다음 질문은 얼마나 자주 썼는지가 아닙니다. 일의 시작부터 고객에게 전달되는 완료까지 걸린 시간이 실제로 줄었는지를 봐야 합니다.

3. 전체 처리시간

생성형 AI 실험은 대개 한 작업의 시간을 측정합니다. 초안 작성, 코드 생성이나 이메일 처리시간이 대표적입니다. 기업의 산출은 여러 작업이 연결된 공정에서 나오므로 가장 빠른 한 단계가 전체 속도를 결정하지는 않습니다. AI가 문서를 20분 빨리 만들어도 검토대기와 승인이 하루 그대로라면 고객이 체감하는 납기는 달라지지 않습니다.

NBER이 66개 기업, 7,137명의 지식노동자를 대상으로 실시한 6개월 현장실험에서는 도구를 지속적으로 사용한 직원의 이메일 시간이 줄었습니다. 그러나 개인에게 AI를 제공한 것만으로 업무의 양이나 구성에서 통계적으로 뚜렷한 변화는 검출되지 않았습니다. 직원이 혼자 바꿀 수 있는 행동은 달라졌지만 회의, 역할분담과 공동 업무처럼 조정이 필요한 부분은 같은 폭으로 움직이지 않았습니다.

이 결과는 시간절감이 무의미하다는 뜻이 아닙니다. 측정 단위를 작업에서 전체 공정으로 넓혀야 한다는 뜻입니다. 요청 접수부터 완료까지의 총시간을 AI 처리, 사람 작업, 대기, 승인, 예외처리와 재작업으로 나누면 절약된 시간이 어디로 갔는지 보입니다. 앞 단계가 빨라진 뒤 대기시간이 늘었다면 병목이 이동한 것이지 사라진 것이 아닙니다.

처리시간은 평균보다 분포가 중요합니다. 표준사례는 빨라졌지만 복잡한 사례의 꼬리가 길어질 수 있고, 자동분류 오류가 특정 고객군에 집중될 수도 있습니다. 중앙값, 상위 10% 지연시간과 서비스 수준 준수율을 함께 보면 빠른 건만 골라 자동화한 선택효과를 줄일 수 있습니다.

전체 처리시간이 짧아져도 산출의 질이 낮아지면 생산성이 아닙니다. 속도의 이득이 오류와 재작업 비용을 넘는지는 네 번째 지표에서 검증해야 합니다.

4. 오류와 재작업

AI 결과는 매끄러워 보여도 틀릴 수 있습니다. 오류율만 세면 사람이 발견해 고친 비용이 빠지고, 재작업 시간만 보면 고객에게 전달된 결함을 놓칩니다. 최초 통과율, 사람의 수정비율, 재작업 시간, 고객불만, 반품·재처리와 규정위반을 업무의 위험도에 맞춰 묶어야 합니다.

속도와 정확도가 항상 같은 방향으로 움직이는 것도 아닙니다. 758명의 컨설턴트를 대상으로 한 현장실험에서는 AI 역량 범위 안의 과업에서 완료량, 속도와 품질이 개선됐습니다. 반면 중요한 단서의 종합이 필요한 역량 범위 밖 과업에서는 AI 사용자의 정답률이 낮아졌습니다. 같은 도구라도 업무유형에 따라 속도 향상이 품질 향상과 손실로 갈렸습니다.

평균 오류율 하나로 이 차이를 덮어서는 안 됩니다. 오류를 사소한 문구 수정, 내부 의사결정 오류, 고객손실, 법규·안전 문제로 등급화하고 발생확률과 손실규모를 함께 봐야 합니다. 저위험 업무에서는 빠른 수정이 경제적일 수 있지만, 신용·의료·계약처럼 꼬리손실이 큰 업무에서는 낮은 평균 오류율도 받아들이기 어렵습니다.

검수의 생산성도 따로 확인할 필요가 있습니다. 모든 결과를 사람이 처음부터 다시 읽는다면 자동화가 만든 시간은 검수로 이동합니다. 표본검수, 위험기반 검수와 예외처리로 통제방식이 바뀌고도 품질이 유지되는지가 중요합니다. 사람 개입률이 낮아지는 동시에 중대한 오류가 증가하지 않을 때 비로소 운영학습이 축적됐다고 볼 수 있습니다.

처리시간과 품질을 함께 통과한 뒤에야 원가를 계산할 수 있습니다. 빠르게 만든 불완전한 산출은 완료 건수가 아니며, 비용의 분모에 넣어서도 안 됩니다.

5. 단위원가

다섯 번째 지표는 품질기준을 통과한 산출 한 단위의 총원가입니다. 상담 한 건, 보험청구 한 건, 코드 기능 하나나 승인된 보고서 한 건처럼 고객 또는 다음 공정이 실제로 사용할 수 있는 결과를 분모로 둡니다. 초안 수나 모델 호출 수를 분모로 쓰면 중간활동이 많아질수록 생산성이 좋아 보이는 역설이 생깁니다.

미국 노동통계국(BLS)은 단위노동비용을 노동보상을 산출로 나눈 값으로 정의합니다. AI 프로젝트에서는 노동비용만으로 부족합니다. 모델 호출료, 클라우드, 라이선스, 데이터 구매, 통합 유지보수, 사람의 검수, 오류손실과 초기 구축비의 합리적 상각분을 포함해야 합니다. 인건비가 줄고 클라우드비가 더 많이 늘었다면 자원을 절약한 것이 아니라 비용의 계정만 옮긴 셈입니다.

도입 초기 단위원가 상승은 곧바로 실패를 의미하지 않습니다. 기존 방식과 AI 방식을 함께 운영하고 교육·연동비를 먼저 지불하기 때문입니다. 이때는 절대 원가보다 학습곡선이 중요합니다. 누적 처리량이 늘수록 사람 개입률, 오류비용과 건당 컴퓨팅비가 내려가는지, 그리고 어느 물량에서 기존 방식보다 낮아지는지를 봐야 합니다.

NBER의 5,179명 고객상담 현장연구는 생성형 AI 지원 도구가 시간당 해결건수를 평균 14% 높였다고 보고했습니다. 증가는 처리시간 단축, 동시 처리건수 증가와 해결률의 소폭 개선이 결합된 결과였습니다. 고객감정과 관리자 호출 같은 품질지표도 함께 관찰했습니다. 이 연구가 강한 이유는 “더 빨리 답했다”가 아니라 성공적으로 해결한 건수를 시간이라는 투입과 연결했기 때문입니다.

다만 한 기업의 고객상담 결과를 다른 직무의 원가절감률로 가져올 수는 없습니다. 업무가 표준화돼 있고 정답 피드백이 빠른 환경과 장기간의 판단이 필요한 업무는 다릅니다. 적용 가능한 원리는 수치가 아니라 분모입니다. 품질을 통과한 최종 산출을 기준으로 모든 증분비용을 나눠야 합니다.

단위원가가 내려가면 기업에는 두 선택이 생깁니다. 같은 물량을 적은 자원으로 처리하거나 같은 자원으로 더 많은 물량을 처리할 수 있습니다. 여섯 번째 지표는 이 선택이 조직의 산출에서 실제로 나타났는지를 확인합니다.

6. 직원당 산출

생산성을 인력감축과 같은 말로 쓰면 성장경로를 놓칩니다. 수요가 충분한 기업은 인원을 줄이지 않고 처리량을 늘리거나 출시주기를 단축하고 서비스 범위를 넓힐 수 있습니다. 고객대기시간과 매출기회를 함께 개선한다면 인력은 그대로여도 생산성은 상승합니다.

BLS의 공식 산식은 노동생산성을 실질산출지수를 노동시간지수로 나눈 값으로 계산합니다. 기업 내부에서는 직원 수보다 실제 노동시간을 쓰는 편이 정확합니다. 외주와 계약인력이 늘거나 초과근무가 줄면 직원당 산출은 좋아 보여도 총노동투입의 변화와 다를 수 있기 때문입니다. 가능하면 품질조정 산출을 총유급시간과 외부노동시간의 합으로 나눠야 합니다.

OECD의 2026년 보고서는 27개 EU 국가 약 1만2천개 기업의 조사자료를 분석한 연구에서 AI 도입과 단기 노동생산성 약 4% 증가의 관계를 소개합니다. 미국과 유럽에서는 AI 채택이 높은 산업이 2022~2024년 더 빠른 노동생산성 증가를 경험한 패턴도 관찰됐습니다. 이는 AI 효과의 초기 신호이지만 모든 산업에서 광범위하게 확인된 결과는 아니며, 도입기업의 기존 역량과 투자성향이 함께 작용했을 가능성도 남습니다.

기업이 볼 지표는 업무 특성에 맞춰야 합니다. 고객지원은 시간당 해결건수와 재접촉률, 소프트웨어 개발은 배포된 기능과 장애율, 영업은 담당자당 매출총이익과 유지율, 연구개발은 실험주기와 다음 단계 진입률이 후보가 됩니다. 산출량만 늘리면 품질저하와 쉬운 업무 편중이 숨어들기 때문에 앞 단계의 오류·재작업 기준을 그대로 유지해야 합니다.

직원당 산출이 오르는데 매출이나 현금이 늘지 않는 상황도 가능합니다. 수요가 부족할 수 있고, 경쟁이 치열해 절감분이 가격인하로 이전될 수 있으며, 직원이 확보한 시간을 교육이나 고객관계에 다시 쓸 수도 있습니다. 일부는 장기 가치를 만들지만 당기 재무성과로 바로 잡히지 않습니다. 그래서 기업의 투자판단은 마지막으로 현금회수까지 확인해야 합니다.

7. 현금수익

현금수익은 일곱 지표 가운데 가장 늦게 나타나지만 자본배분에는 가장 직접적입니다. 계산의 출발점은 AI 도입 뒤 늘어난 매출총이익과 실제로 피한 현금비용입니다. 여기에서 모델·클라우드·라이선스의 반복비용, 통합·교육·검수·지원비, 유지보수 투자와 추가 운전자본을 빼야 합니다. 감가상각 전 이익만 보면 초기 구축비가 빠지고, 회계이익만 보면 자산화 여부에 따라 같은 프로젝트가 다르게 보일 수 있습니다.

현금수익은 프로젝트가 약속한 경로와 맞춰 읽어야 합니다. 비용절감형이라면 같은 서비스 수준에서 실제 지출이 줄었는지 확인합니다. 용량확대형은 추가 처리량이 매출총이익으로 전환됐는지가 기준입니다. 품질개선형은 고객유지, 반품·보증비용과 위험손실의 변화가 중요합니다. 세 경로를 섞으면 한쪽의 부진을 다른 쪽의 추정편익으로 가릴 수 있습니다.

비교기간도 맞춰야 합니다. 초기 통합비용은 먼저 발생하고, 업무학습과 고객반응은 뒤늦게 나타납니다. 월별 현금흐름을 누적해 회수기간을 보고, 반복비용을 포함한 안정상태의 현금기여를 별도로 계산하는 편이 낫습니다. 회수기간이 계속 뒤로 밀리거나 사용량이 늘수록 모델비용이 더 빠르게 증가한다면 운영성과가 있어도 경제성은 약합니다.

현금수익만으로 AI의 모든 가치를 재단할 수도 없습니다. 가격인하로 소비자에게 이득이 이전되거나 직원의 업무부담과 서비스 접근성이 개선되면 기업이 회수하는 현금보다 사회적 편익이 큽니다. 반대로 현금마진이 좋아져도 품질저하와 위험의 외부화에서 나온 결과라면 생산성으로 부르기 어렵습니다. 기업가치 판단과 사회 전체의 생산성 판단은 분리해야 합니다.

마지막 지표의 역할은 AI 기여도를 소수점까지 산출하는 데 있지 않습니다. 앞선 여섯 단계에서 확인된 운영변화가 비용의 이동에 그쳤는지, 재투자 가능한 현금으로 남았는지를 판정하는 데 있습니다.

AI 생산성 전환을 확인할 일곱 가지 지표의 판정 순서

일곱 지표는 점수표보다 전환 사슬에 가깝습니다. 각 단계의 절대수준이 아니라 앞 단계에서 뒤 단계로 넘어가는 비율과 시간차를 봐야 합니다.

경영진 입장에서 판정은 세 가지 원칙을 따라야 합니다. 첫째, 동일 코호트를 추적해야 합니다. 투자한 부서와 성과를 낸 부서가 다르면 AI의 기여를 연결하기 어렵습니다. 둘째, 기준선과 비교집단을 유지해야 합니다. 경기, 가격과 수요변화를 AI 효과로 오인하지 않기 위해서입니다. 셋째, 품질조정 분모를 고정해야 합니다. 완료 기준을 낮추거나 어려운 사례를 제외해 만든 생산성은 지속되지 않습니다.

선행지표와 결과지표의 역할도 다릅니다. 투자와 사용강도는 앞으로 성과가 나타날 가능성을 먼저 보여줍니다. 처리시간과 오류는 공정이 실제로 바뀌었는지 알려줍니다. 단위원가와 직원당 산출은 운영 생산성을, 현금수익은 기업이 그 이득을 회수했는지를 확인합니다. 초기 기업은 뒤 단계 숫자가 없다는 이유로 탈락시킬 필요가 없습니다. 대신 어느 단계까지 검증됐는지를 명시하고, 다음 단계가 나타날 시점과 조건을 정해야 합니다.

한 단계가 두 분기 이상 멈췄다면 설명을 “시차”에만 맡겨서는 안 됩니다. 사용이 낮으면 업무선정과 교육을, 처리시간이 그대로면 병목과 승인권을, 재작업이 늘면 데이터와 검수체계를 다시 설계해야 합니다. 단위원가가 내려가지 않으면 컴퓨팅·감독비와 산출 분모를 재검토하고, 직원당 산출이 멈추면 수요와 역할재배치를 봐야 합니다. 현금수익이 남지 않는다면 가격전가, 고객반응과 투자범위가 틀렸을 수 있습니다.

이 순서의 장점은 성공을 늦게 선언하는 대신 실패 원인을 일찍 찾는 데 있습니다. 모든 프로젝트를 현금수익이 나올 때까지 기다리지 않고도, 어느 전환에서 막혔는지를 확인해 자본과 관리시간을 다시 배분할 수 있습니다.

이 판단이 빗나갈 수 있는 경우

업종별 산출과 시차가 다르기 때문에 일곱 지표에 공통 임계값을 적용하면 오판할 수 있습니다. 고객상담과 소프트웨어 개발은 반복 산출을 비교하기 쉽지만 전략, 연구, 법률과 의료의 일부 업무는 결과가 늦게 드러나고 품질도 다차원적입니다. 처리시간이 줄지 않아도 더 어려운 문제를 다루거나 위험을 낮췄다면 가치가 생길 수 있습니다.

측정 자체가 행동을 바꾸는 문제도 있습니다. 사용률을 목표로 걸면 호출이 늘고, 처리시간을 강조하면 어려운 사례를 회피하며, 단위원가를 낮추면 품질검수가 약해질 수 있습니다. 한 지표를 보상과 직접 연결하기보다 속도·품질·비용을 묶고 예상치 못한 부작용을 별도로 기록해야 합니다.

AI 기여도와 다른 변화의 분리도 쉽지 않습니다. 같은 기간에 수요, 가격, 인력구성, 제품믹스와 경기여건이 바뀝니다. 단계적 도입, 비교 가능한 업무집단과 도입 전 추세가 없다면 인과판정보다 기여 가능성의 범위로 표현하는 편이 정확합니다. 특히 직원당 산출과 현금수익은 AI뿐 아니라 경영진의 자원배분, 영업성과와 기존 자동화의 영향을 함께 받습니다.

그럼에도 측정을 포기할 이유는 없습니다. 완벽한 AI 기여도 한 숫자보다 투입, 사용, 공정, 품질, 원가, 산출과 현금이 같은 방향으로 움직이는지 확인하는 편이 훨씬 강한 판단을 줍니다. 일부 단계만 좋아졌다면 성과를 좁게 인정하고, 연결이 끊긴 지점에서는 결론을 낮추면 됩니다.

AI 투자 붐이 생산성 붐으로 바뀌었다는 판단은 예산 발표나 직원의 체감에서 나오지 않습니다. 핵심업무 사용이 늘고, 전체 처리시간과 오류가 함께 줄며, 품질조정 단위원가와 직원당 산출이 개선되고, 마지막에 현금이 남을 때 성립합니다. 이 일곱 단계가 이어질수록 생산성 주장은 강해지고, 중간에서 끊길수록 비용을 다른 계정과 사람에게 옮긴 것일 가능성이 커집니다.

시리즈를 닫고 업종별 생산성 공시와 AI 기여도 분해를 후속 점검 과제로 남깁니다.