AI의 생산성 영향에 대한 세 가지 정의와 작업 대체가 추정치 해석에 미치는 영향을 설명합니다.
요약: AI가 생산성에 미치는 영향(일명 생산성 향상)을 정의하는 서로 다른 세 가지 방식을 설명하고, 다음과 같이 예상할 이유가 있음을 보입니다:
AI가 생산성에 미치는 효과를 측정할 때 한 가지 복잡한 점은, AI가 작업마다 서로 다르게 영향을 미치며 이로 인해 사람들이 작업 간 시간 배분 방식을 바꾸게 된다는 것입니다. 이 때문에 AI가 전반적인 생산성에 미치는 효과를 논하기가 더 어려워집니다.
여기서 “기존 작업”은 AI를 사용할 수 있기 전의 일반적인 하루에 수행했을 작업들의 집합을 뜻합니다. 이를테면 2021년의 평균적인 근무일이 그렇습니다. “새 작업”은 AI를 사용할 수 있게 된 후의 일반적인 하루에 수행할 작업들의 집합을 뜻합니다. 모든 새 작업이 반드시 AI를 사용하는 것은 아닙니다. 단지 AI가 선택지라는 것을 알고 선택하는 작업들입니다.
우리는 AI의 생산성 향상에 관한 다음 세 측정값을 구분하는 것이 중요하다고 보았습니다.
기존 작업에서의 생산성 향상: 기존 작업을 완료하는 데 걸리는 AI 도입 전 시간과 AI 도입 후 시간 간의 비율.
새 작업에서의 생산성 향상: 새 작업을 완료하는 데 걸리는 AI 도입 전 시간과 AI 도입 후 시간 간의 비율.
가치의 생산성 향상: AI 도입 전과 도입 후 사례 사이에서 작업을 재배치할 수 있도록 할 때, AI 도입 후 가치가 AI 도입 전 가치를 초과하는 비율. 어떤 경우에는 가치에 자연스러운 정의가 있으며, 다른 경우에는 함께 제공되는 주석에서 더 자세히 논의하는 관련 정의를 사용해 조작적으로 정의할 수 있습니다.
이 주석에서는 이 구분과 AI 생산성 추정치를 해석할 때의 함의를 논의합니다. 또한 수학적 세부 사항을 더 담은 함께 제공되는 짧은 주석도 있습니다.
몇 가지 단순화 가정하에서는 다음 부등식이 성립합니다:
이 부등식들은 가격 변화에 따라 소비자가 지출을 어떻게 바꾸는지에 근거해 가격 변화가 후생에 미치는 효과를 추정하는 가격지수 경제이론의 고전적 부등식에 대응합니다.1
기존 작업에서의 생산성 향상은 가치의 생산성 향상보다 작습니다. 기존 작업에서 절약되는 시간만 고려할 뿐, AI가 더 효율적으로 만든 작업 쪽으로 시간을 재배치해서 얻을 수 있는 이득은 포함하지 않기 때문입니다.
반대 이유로 새 작업에서의 생산성 향상은 가치의 생산성 향상보다 큽니다. AI 도입 후의 작업 구성을 사용하므로 AI 도입 전 생산성의 측정값에 불리하게 작용합니다. 새 작업에는 AI 도입 전에는 결코 시도하지 않았을 작업이 포함될 수 있고, 따라서 필요한 AI 도입 전 시간이 클 수 있습니다. 이는 시간 기준 생산성 향상이 가치의 생산성 향상보다 더 커짐을 뜻합니다.
이 부등식은 작업 수준의 생산성 향상에 대해 정확한 믿음을 가지고 어떤 목적을 극대화하도록 작업 간 시간을 배분하는 의사결정자에게 성립합니다. 실제로 생산성 향상을 추정하기 어렵게 만드는 다른 실무적 난점도 많이 있습니다.2
소프트웨어 엔지니어가 8시간 근무일을 어떻게 보낼지 결정한다고 가정해 봅시다. 이 사람은 각각 한 시간이 걸리는 두 가지 작업을 할 수 있습니다. (1) 문서 작성, (2) 풀 리퀘스트(PR) 작성입니다.
AI가 PR 작성 생산성을 두 배 높이지만 문서 작성 생산성은 바꾸지 않는다고 가정합시다. 마지막으로, AI 도입 전과 도입 후에 두 활동에 같은 양의 시간을 쓴다고 가정합시다.
| 작업 | AI 도입 전 시간 비용 | AI 도입 전 배분 | AI 도입 후 시간 비용 | AI 도입 후 배분 |
|---|---|---|---|---|
| 문서 작성 | 문서당 1시간 | 문서 4개 | 문서당 1시간 | 문서 4개 |
| 풀 리퀘스트 작성 | 풀 리퀘스트당 1시간 | 풀 리퀘스트 4개 | 풀 리퀘스트당 ½시간 | 풀 리퀘스트 8개 |
생산성 향상은 필요한 AI 도입 전 시간과 필요한 AI 도입 후 시간의 비율로 계산할 수 있습니다:
몇 가지 단순화 가정하에서(함께 제공되는 주석에 더 자세한 내용이 있습니다) 가치의 생산성 향상은 와 사이가 되지만, 정확한 값은 해당 엔지니어에게 풀 리퀘스트와 문서가 서로 얼마나 대체 가능한지에 따라 달라집니다.
그래프를 직관적으로 이해하기 위해, 소프트웨어 엔지니어의 가치가 이고 이 사람이 가치를 극대화하도록 작업을 선택한다고 가정합시다. 그림 1은 세 가지 측정값을 보여 줍니다. 하위 그림 (a)는 기존 작업에서의 생산성 향상을 보여 줍니다. 이는 기존 작업을 가져와, AI가 각 활동의 시간 비용을 바꾸지만 소프트웨어 엔지니어는 수행하는 PR과 문서의 상대적 양을 바꿀 수 없는 가상 세계와 비교합니다. 하위 그림 (b)는 새 작업에서의 생산성 향상을 보여 줍니다. 이는 새 작업을 가져와, 시간 비용이 AI 도입 전 수준으로 돌아가지만 소프트웨어 엔지니어는 수행하는 PR과 문서의 상대적 양을 바꿀 수 없는 가상 세계와 비교합니다. 하위 그림 (c)는 가치의 생산성 향상을 보여 줍니다. 이는 기존 작업을 가져와 “새 작업에서 얻는 만큼의 가치를 생산하려면 AI 도입 전에 시간이 얼마나 더 필요했을까?”라고 묻습니다.
모든 하위 그림에서 점선은 문서와 PR의 비율이 같은 점들을 연결합니다. 그러한 선을 따라 원점으로부터의 거리는 총 시간 비용에 비례합니다. 예를 들어 작업 (문서 2개, PR 2개)은 작업 (문서 1개, PR 1개)보다 정확히 두 배의 총 시간이 걸리고, 원점에서 (2, 2)까지의 선분도 (1, 1)까지의 선분보다 두 배 깁니다. 빨간 선분은 기준 시간 비용에 비례하고 초록 선분은 추가 시간 비용에 비례하므로, .
그림 1: 간단한 예시에서의 생산성 향상 세 가지 측정값.
그림 1에서는 기존 작업과 새 작업의 생산성 향상이 제시하는 경계가 상당히 촘촘합니다. 이는 상대적 시간 비용의 변화가 작기 때문입니다. 그림 2는 상대적 시간 비용의 변화를 키우면 경계가 더 느슨해짐을 보여 줍니다.
AI 도입 전에는 문서 하나에 1시간, PR 하나에 5시간이 걸리고, AI 도입 후에는 둘 다 1시간이 걸린다고 가정합시다(PR이 더 빨라집니다). 동일한 가치 방정식을 가진다고 계속 가정합시다. 이제 생산성 향상 측정값은 훨씬 넓은 범위에 걸쳐 있습니다: , , .
그림 2: 더 극단적인 예시에서의 생산성 향상 세 가지 측정값.
Tamkin and McCrory (2025)는 Claude 챗봇 사용이 대략적인 총생산성 증가를 일으킨다고 추정합니다. 그 논리는 다음과 같습니다.
이 경우 작업 바구니는 기존 작업(O*NET)에서 가져오므로, 그 결과 추정치는 실제 생산성 향상의 하한일 것으로 예상할 수 있습니다.3
실제로 우리는 다른 이유로 이 추정치가 과대추정일 가능성이 높다고 생각합니다. 작업과 작업군(ONET 작업)을 구분할 수 있으며, 작업군 안의 각 작업은 저마다 시간 비용과 가치를 가집니다. 5X 시간 절감 추정치는 특정 작업(Claude 질의)에 대한 것입니다. 이런 시간 절감이 해당 ONET 작업군의 모든 작업을 대표한다면(AI 도입 전과 도입 후 모두) 결론은 타당할 것입니다. 그러나 시간 절감이 더 큰 작업 쪽으로 작업군 내부에서 상당한 대체가 일어날 가능성이 높아 보입니다. 주석에 제시된 두 예를 살펴봅시다.
다음 두 가지 모두 그럴듯해 보입니다. (1) Claude를 사용해 이 특정 작업을 수행하면 5X 속도 향상이 있다. (2) 관련 ONET 작업(작업군)에서 차지하는 시간의 비중은 대략 일정하게 유지된다.4 그러나 5X 속도 향상이 관련 ONET 작업군에서 개인이 수행하던 모든 기존 작업에 적용된다고 보기는 어려워 보입니다. ONET 작업군 내부의 대체가 충분히 광범위하다면, 관측된 작업에서 임의로 높은 속도 향상이 있더라도 작업군 내부 작업 대체 때문에 가치의 생산성 향상은 임의로 작을 수 있습니다.
원문에서도 언급된 별도의 요점은, Claude가 관측한 질의는 새 작업의 일부만을 나타내며, 선택 효과 때문에 그 일부에서 속도 향상이 더 클 가능성이 높다는 것입니다(Claude가 더 크게 속도를 높여 줄 작업일수록 Claude를 사용할 가능성이 더 큽니다).
일부 작업의 시간 비용이 붕괴할 때 AI의 영향을 고려하면, 새 작업에서의 생산성 향상과 가치의 생산성 향상 간 격차가 특히 중요해집니다. 예를 들어, AI 코딩 에이전트는 이제 며칠에서 몇 주가 걸리는 일부 소프트웨어 엔지니어링 프로젝트를 자율적으로 완료할 수 있습니다.5 따라서 사람들은 AI를 활용하는 작업 쪽으로 대체할 것으로 예상해야 합니다. 새 작업에서의 생산성 향상은 매우 높겠지만 가치의 생산성 향상은 훨씬 낮을 수 있습니다. 가치의 생산성 향상이 훨씬 낮고 그 사람이 AI가 그 작업을 저렴하게 만들었기 때문에 그 작업만 수행하는 경우, 우리는 이를 “캐딜락 작업”이라고 부르고 있습니다.
이 부등식은 Konüs (1924)에 따른 것이며, 최근 참고문헌으로는 Diewert (2017)이 있습니다. 여기서 말하는 “가치의 생산성 향상”은 기존 효용 수준 또는 새 효용 수준을 사용한 생계비지수에 대응할 수 있습니다. 그러나 효용함수가 동조적이라면 이 두 수량은 동일합니다.↩
특히 다음과 같은 사항이 있습니다. (1) 개인의 시간 배분 결정은 작업별 실제 생산성 향상이 아니라 지각된 생산성 향상을 반영합니다. (2) 시간 배분은 학습 곡선과 탐색-활용 결정 등으로 인해 현재 생산성이 아니라 미래에 대한 기대를 반영할 수 있습니다. (3) 시간을 작업으로 나누는 방식은 흔히 매우 주관적이며, 작업을 개별화하는 표준적인 경제학적 방법은 없습니다. (4) 의사결정자가 자신의 생산성을 극대화하도록 적절히 유인하는 일은 매우 어렵습니다. 이러한 고려 사항 중 일부는 실제로 부등식의 방향을 뒤집을 수 있습니다. 예를 들어, 다른 요인들이 충분히 큰 시간 배분 변화를 일으킨다면 새 작업에서의 생산성 향상이 기존 작업에서의 생산성 향상보다 낮을 수 있습니다.↩
Appel et al. (2026)는 서로 다른 대체탄력성에서의 상한과 하한을 논의하지만, 역시 ONET 작업을 분석 단위로 사용합니다. 즉, ONET 작업군 안의 모든 작업이 동일한 속도 향상 계수를 가진다고 가정합니다.↩
그럴듯한 ONET 작업: 27-3091.00 통역사 및 번역가, 작업: “법률 문서, 과학 저작물 또는 뉴스 보도와 같은 문서 자료를 읽고, 자료를 지정된 언어로 다시 작성한다.” 43-6011.00: “워드 프로세서, 스프레드시트, 데이터베이스 또는 프레젠테이션 소프트웨어를 사용하여 송장, 보고서, 메모, 편지, 재무제표 및 기타 문서를 작성한다.”↩
이에 관한 근거는 MirrorCode를 참조하세요. MirrorCode 작업은 기존 소프트웨어를 재현하는 것을 포함하며, 이는 특정 작업 유형으로서 소프트웨어 엔지니어링 전반을 반드시 대표하지는 않습니다.↩
