AI 생산성 개선폭 4~65%, 같은 툴을 써도 격차를 만드는 3가지 사용 패턴

왜 같은 AI를 써도 생산성 격차가 4~65%까지 벌어지나?

AI가 대신할 수 있는 일의 양이 직무마다 다른 것이 1차 요인이고, 같은 직무 안에서는 맥락을 얼마나 넘기는가·반복 가능한 형태로 만드는가·결과를 검증하는가가 2차 요인이다. 국회예산정책처 조사에서 개선폭이 높게 나온 쪽은 IT 전문직 등 업무 맥락을 텍스트와 코드로 옮기기 쉬운 직업군이었다.

여기서 한 가지를 분명히 해두자. 4~65%는 개인 격차가 아니라 직업별 평균의 범위이고, 자기보고 설문에 기반한 수치다. 그럼에도 이 범위가 의미 있는 이유는, 같은 조사에서 응답자의 39.1%가 "AI 도입 이후 경험·판단력 같은 인간 고유의 능력이 더 중요해졌다"고 답했기 때문이다. AI가 일을 가져가는 게 아니라, 사람이 넣는 판단의 질이 결과를 가른다는 현장 감각이 숫자로 나타난 셈이다.

교육 현장에서 보는 풍경도 통계와 어긋나지 않는다. 임원 대상 교육과 신입·주니어 대상 교육을 모두 해보면 반응이 정반대인 경우가 많다. 임원은 AI를 재밌어하고, 신입은 오히려 피곤해한다. 가설은 노출 빈도다. 신입에게 AI는 이미 업무 압박의 일부고, 임원에게는 아직 신선한 도구다. 이 관찰을 한 줄로 줄이면 이렇다. AI 피로는 직급의 역순이다. 격차를 사람 탓으로 돌리기 전에 확인할 것이 있다는 뜻이기도 하다. 깊이 파고들 여력이 없는 상태에서 "더 잘 쓰라"는 주문은 작동하지 않는다.

패턴 ① 프롬프트 깊이: 고성과자는 무엇을 더 넘기나?

요청이 아니라 맥락을 넘긴다. 목적·수신자·판단 기준·제약 조건·"이렇게 나오면 실패"의 예시까지 텍스트로 꺼낸다. AI가 못 하는 일의 대부분은 능력 부족이 아니라 정보 부족이다.

이 진단의 가장 강한 근거는 역설적이게도 AI가 사람을 느리게 만든 실험에서 나온다. 비영리 평가기관 METR은 2025년, 경력 개발자 16명에게 자신이 잘 아는 오픈소스 저장소의 실제 과제 246건을 무작위로 'AI 사용 허용/금지'로 나눠 맡겼다. 결과는 AI를 쓸 때 19% 더 느렸다. METR이 제시한 유력한 설명은 이렇다. 깊이 이해하고 있는 저장소는 AI에게 최악의 조건이다. 개발자 머릿속에는 AI가 모르는 로컬 지식이 가득한데, 그 지식이 프롬프트로 넘어가지 않기 때문이다.

비개발 업무도 구조는 같다. "보고서 요약해줘"가 실패하는 이유는 요약이 어려워서가 아니라, 이 보고서를 누가 왜 읽는지·무엇을 빼면 안 되는지·지난번엔 뭐가 문제였는지가 넘어가지 않아서다. 깊이는 길이가 아니다. 다음 네 줄이면 대개 충분하다.

• 수신자와 목적: "임원 보고용, 의사결정 1건을 받아내는 게 목적"
• 판단 기준: "숫자 근거가 없는 주장은 빼라"
• 제약: "A4 한 장, 전문용어 금지"
• 실패 예시: "지난번엔 배경 설명이 절반이라 반려됐다"

패턴 ② 반복 루틴: 왜 '잘 쓴 한 번'은 생산성이 되지 않나?

한 번의 좋은 결과는 사건이고, 생산성은 빈도다. 한국은행 조사의 상관계수 0.00이 정확히 이 지점을 가리킨다. 개별 업무는 빨라졌지만 아낀 시간이 어디로 갈지 정해져 있지 않으면 처리량은 늘지 않는다.

AI가 아껴준 시간과 실제 처리량 증가율의 상관계수는 0.00이었다. 격차를 만드는 건 AI가 얼마나 빨라졌는지가 아니라, 그렇게 번 시간을 무엇에 다시 넣기로 미리 정해뒀는지다.

루틴화는 거창한 자동화가 아니다. 최소 단위는 두 가지다. 첫째, 잘 나온 지시문을 그 대화에 버리지 않고 파일로 저장한다(주간 보고, 회의록 정리, 고객 응대 초안처럼 매주 반복되는 것부터). 둘째, 아낀 시간의 용처를 미리 적어둔다. "주 1.5시간을 다음 분기 제안서 초안에 쓴다"처럼 구체적으로. 목적지가 없는 절약은 통계에서 사라진다. 반복 업무를 단계적으로 자동화하는 실행 순서는 외주 없이 AI로 반복 업무를 자동화하는 3단계에서 더 자세히 다뤘다.

다만 루틴화에는 사람 문제가 붙는다. 대기업 전략부문의 재무·회계 실무자 대상 풀데이 워크숍을 진행했을 때, 한 수강생이 "CLI를 왜 써야 하냐, GUI를 쓰겠다"며 실습 내내 따라오지 않았다. 장점을 충분히 설명했지만 끝내 참여하지 않았고, 그 과정의 강의 평가는 최하점을 받았다. 커리큘럼이 이미 확정된 상태라 현장 재량도 제한적이었다. 그 뒤로 바꾼 것은 하나다. 하나의 정답 도구를 제시하는 대신 선택지를 주고 스스로 고르게 한다. 도구 저항은 대개 도구의 문제가 아니라 선택권의 문제였다. 조직에 루틴을 심으려면 이 순서를 뒤집으면 안 된다.

패턴 ③ 피드백 루프: 체감과 실제가 반대로 가는 이유는?

검증 없는 사용은 체감만 빨라진다. METR 실험에서 개발자들은 실제로 19% 느려졌는데도 스스로는 20% 빨라졌다고 답했다(시작 전 예상은 24% 단축). 재작업 시간이 체감에서 빠지기 때문이다.

이 누락분은 국내 조사에도 잡힌다. 워크데이와 하노버리서치가 2026년 3월 발표한 조사(아태·북미·유럽·중동아프리카 3,200명)에서 국내 직장인 82%는 AI로 주당 1~7시간을 절감했다고 답했지만, 동시에 31%는 품질이 낮은 AI 결과물을 고치거나 다시 쓰는 데 매주 1~2시간을 쓰고 있었다. 절감은 눈에 보이고 재작업은 잘 세지 않는다. 그래서 체감 개선폭은 늘 실제보다 크다.

해법은 느낌을 숫자로 바꾸는 최소한의 루프다. 셋이면 충분하다.

1. 재작업 시간 기록: 2주만 "AI 결과물 손보는 데 쓴 시간"을 따로 적는다. 순절감이 여기서 처음 보인다
2. 검증 관문 고정: 숫자·인용·고유명사는 사람이 원출처로 확인, 나머지는 AI가 1차 점검. 검증을 AI에 맡기는 설계 패턴은 LLM-as-a-Judge 검증 에이전트 글에 정리해뒀다
3. 실패 로그: 반려·수정당한 사례를 한 줄씩 남기고, 그 문장을 다음 프롬프트의 '실패 예시'로 되돌린다. ①번 축으로 되먹임되는 지점이다

조직 단위에서는 같은 문제가 ROI 격차로 나타난다. 개인의 검증 루프가 조직의 오케스트레이션·거버넌스로 확장되지 않으면 파일럿에서 멈춘다는 점은 에이전틱 AI 전사 내재화 31% 분석에서 다룬 바 있다.

내일부터 무엇을 바꿔야 하나?

세 축을 각각 하나씩만 집는다. ①이번 주 반복 업무 1개를 골라 맥락 4줄을 붙여 다시 시켜본다 ②그때 잘 나온 지시문을 파일로 저장한다 ③2주간 재작업 시간을 적는다. 이 셋을 2주 돌리면 자기 개선폭이 4%대인지 65%대인지가 체감이 아니라 숫자로 보인다.

• 과녁은 작게: "다 자동화"가 아니라 매주 반복되는 산출물 1개. 빈도가 높은 것이 복잡한 것보다 낫다
• 깊이는 4줄로: 수신자·판단 기준·제약·실패 예시. 길이를 늘리지 말고 항목을 채운다
• 시간의 용처를 먼저 정한다. 아낀 1.5시간이 갈 곳이 없으면 통계에서 사라진다
• 팀이면 지시문을 공유 자산으로: 개인 격차가 팀 격차로 굳는 지점이 여기다. 잘 되는 사람의 프롬프트가 개인 메모에만 있으면 조직 개선폭은 평균값에 갇힌다