유럽중앙은행(ECB)이 2026년 직장인들을 조사했더니 AI 사용자는 주당 중간값 3시간, 근무시간의 약 7.7%를 절약한다고 답했다. 하지만 전체 노동시장으로 넓혀 계산하면 AI를 쓰면서 실제로 시간을 절약한 사람은 48.8%였고, 총 효율 개선은 근무시간의 약 3.8%로 줄어든다. ECB는 여기서 한 가지 조건을 붙인다. 아낀 시간이 실제 생산성으로 이어지려면 그 시간이 추가 산출로 전환되고, 조직도 그 여유 능력을 사용할 수 있어야 한다.[^1]
이 조건은 AI 시대의 생산성 논쟁에서 자주 빠진다. 한 업무를 두 시간 빨리 끝냈다는 사실과 한 주에 두 시간 덜 일하게 됐다는 사실은 전혀 같지 않다. 회사가 같은 시간에 더 많은 프로젝트를 맡기거나, 개인이 그 시간으로 더 많은 아이디어를 시험하거나, AI 결과를 검토하고 조율하는 일이 늘어나면 작업시간 절감은 그대로 여가가 되지 않는다.
그래서 “AI가 시간을 줄였는데 왜 더 바쁜가”라는 질문의 답은 기술 성능만으로 찾기 어렵다. AI는 개별 태스크의 실행비용을 낮추지만, 그 절감분을 휴식·추가 산출·새로운 일 가운데 어디에 배분할지는 조직의 기대치와 경쟁, 업무 설계가 결정한다. 실행이 싸질수록 가능한 일의 범위가 커지고, 사람의 병목은 직접 수행에서 우선순위 설정·지시·검증으로 이동한다. 일이 없어지기보다 일의 프런티어가 넓어질 수 있다는 뜻이다.
작업시간을 줄이는 것과 노동시간을 줄이는 것은 다른 문제다
AI가 실제로 시간을 절약한다는 근거는 점점 쌓이고 있다. ECB 조사에서 2026년 직장에서 AI를 사용한다고 답한 비중은 52%였고, 시간 절약을 경험한 사용자의 중간값은 주당 3시간이었다.[^1] 유럽연합 집행위원회가 공개한 별도 조사에서도 AI를 업무에 쓰는 사람 대부분이 일을 더 빨리 끝낸다고 답했고, AI를 사용하는 취업자는 월평균 약 7.4시간을 절약한다고 추정했다.[^2]
문제는 이 숫자를 곧바로 “노동시간이 줄었다”로 읽을 수 없다는 데 있다.
2025년 NBER working paper는 AI 노출도가 높은 직업에서 오히려 근무시간이 길어지고 여가가 줄어드는 관계를 보고했다. 연구진은 AI가 사람의 노동을 대체하기보다 보완하면서 한 시간 더 일했을 때의 생산성을 높이고, 경쟁적인 노동·제품 시장에서는 그 이익이 근로자의 여가보다 기업이나 소비자에게 돌아갈 수 있다고 해석했다.[^3]
반대 결과도 있다. 2026년 한국 근로자를 대상으로 한 연구에서는 생성형 AI 사용이 근무시간을 약 3.8% 줄였지만, 절약한 시간과 산출 변화의 상관관계는 거의 없었다. 연구진은 일부 효율 이익이 추가 생산보다 근무 중 여유시간으로 귀속될 수 있다고 봤다.[^4]
두 연구는 모순이라기보다 중요한 조건을 보여준다. AI가 1시간을 절약했을 때 그 1시간의 소유권은 기술이 정하지 않는다. 업무계약, 성과평가, 경쟁강도, 관리자의 기대, 개인의 선택이 정한다.
실행비용이 내려가면 ‘할 만한 일’의 개수가 늘어난다
AI를 도입하면 기존 업무의 일부가 빨라진다. 검색, 초안 작성, 요약, 코드 생성, 데이터 정리처럼 정보 처리비용이 큰 작업에서 효과가 먼저 나타난다. 그런데 비용이 줄어들면 기업과 개인은 이전에 비싸서 하지 않았던 일을 시작할 수 있다.
보고서 한 개를 만드는 데 이틀이 걸릴 때는 세 가지 아이디어 중 하나만 고른다. 반나절이면 만들 수 있게 되면 세 개를 모두 시험해 볼 수 있다. 제품팀은 고객 세그먼트를 더 잘게 나누고, 마케팅팀은 캠페인 변형을 더 많이 만들며, 개발팀은 이전에는 우선순위에서 밀렸던 자동화까지 시도한다.
이 현상을 곧바로 경제학의 제번스 역설이라고 부를 필요는 없다. 에너지 효율과 지식노동의 수요 구조는 다르다. 다만 메커니즘에는 닮은 부분이 있다. 단위 작업의 비용이 내려가면 총 작업량이 고정돼 있다는 가정이 깨진다.
P03의 한 소스는 이 변화를 개인 수준에서 “아이디어 → 시도 → 학습”의 반복으로 설명한다. AI가 검색과 검증의 마찰을 줄이자 남는 시간을 쉬는 대신 더 많은 아이디어를 확인하는 데 쓰게 되고, 더 많은 시도가 다시 판단력을 높인다는 주장이다. 이 설명을 그대로 일반화할 수는 없지만, 실행비용 하락이 수요를 늘릴 수 있다는 관찰은 ECB의 조건과 잘 맞는다. 기업이 절약된 capacity를 사용할 수 있다면 생산성 이익은 바로 새로운 업무로 흡수될 수 있다.
에이전트가 일을 더 맡을수록 사람의 일은 ‘디렉션’으로 압축된다
AI가 단순 도구를 넘어 여러 단계를 수행하는 agent로 바뀌면 이 효과는 더 분명해진다. 사람이 직접 열 개의 문서를 만들 필요는 없어도, 무엇을 만들지 정하고 결과를 검토하며 다음 행동을 승인해야 한다.
Microsoft의 2026 Work Trend Index는 이 변화를 개인의 AI 숙련도만으로 설명하지 않는다. 조사에서는 문화, 관리자 지원, 인재 운영 같은 조직 요인이 개인의 노력보다 보고된 AI 효과에 두 배 더 큰 설명력을 보였다. Microsoft는 실행을 agent가 더 많이 맡을수록 사람에게 판단, 의도의 명확성, 업무 설계가 더 중요해진다고 본다.[^5]
P03의 다른 소스는 이를 ‘지시하는 인간’이라는 표현으로 설명한다. 핵심은 프롬프트 문장을 잘 쓰는 기술보다 목표를 정하고, 일을 맡기고, 결과 기준을 세우고, 틀렸을 때 책임지는 능력이라는 것이다. 이 관점은 과장된 미래 예측을 걷어내도 남는 부분이 있다. AI가 실행을 싸게 만들수록 사람 한 명이 동시에 관리할 수 있는 작업의 수는 늘고, 그만큼 선택과 검토의 큐도 길어질 수 있다.
따라서 “AI가 일을 대신한다”는 문장은 두 층으로 나눠야 한다.
첫째, AI가 사람이 직접 처리하던 실행시간을 줄이는가. 많은 업무에서 이미 그렇다.
둘째, 그 결과 조직이 요구하는 총 산출량과 사람이 책임져야 할 결정량도 함께 늘어나는가. 이 두 번째 질문이 실제 노동강도를 결정한다.
생산성 향상이 오히려 관리 부채를 만들 수도 있다
AI로 만들어지는 결과물의 양이 늘면 검토 비용이 중요해진다. 초안이 열 배 빨리 생겨도 승인자가 한 명이라면 병목은 작성에서 승인으로 이동한다. 코드 생성이 빨라져도 테스트·보안검토·배포 판단이 같은 속도로 늘지 않으면 pull request가 쌓인다. 분석 결과가 많아져도 경영진이 실제 의사결정을 더 많이 할 수 있는 것은 아니다.
이때 나타나는 문제는 단순한 ‘AI 오류’만이 아니다. 낮아진 생성비용이 조직의 판단능력보다 빠르게 산출물을 늘리는 문제다.
최근 BambooHR 조사도 AI를 쓰는 시간이 모두 순생산성으로 이어지지 않는다는 점을 보여준다. 미국의 사무직 1,608명을 조사한 결과, 응답자들이 AI에 쓰는 시간 가운데 42%는 오류 수정과 프롬프트 반복에, 35%는 직접적인 생산 업무에 쓰인다고 보고됐다.[^6] 자기보고식 설문이라는 한계가 있지만, “AI 사용시간 = 절약시간”이라는 단순 계산이 위험하다는 점은 분명하다.
생성량을 늘리는 것과 조직의 throughput을 높이는 것은 다르다. 실제 throughput은 가장 느린 검토·의사결정·배포 단계에 묶인다.
그래서 봐야 할 KPI는 ‘몇 시간을 아꼈나’보다 넓어져야 한다
AI 도입 효과를 시간 절감 하나로 평가하면 조직은 쉽게 잘못된 신호를 받는다. 직원이 한 업무를 30% 빨리 끝냈는데 동시에 업무량이 50% 늘었다면 체감 부담은 커질 수 있다. 반대로 산출량이 그대로여도 야근이 줄고 오류가 감소했다면 복지와 품질 측면의 가치가 생긴다.
최소한 네 종류의 지표를 분리해서 봐야 한다.
- 태스크 효율: 같은 일을 끝내는 시간이 실제로 줄었는가.
- 총 산출: 절약한 시간이 추가 결과물로 전환됐는가.
- 노동강도: 근무시간, 야간업무, 인터럽션, 동시에 맡는 프로젝트 수가 어떻게 변했는가.
- 검증 부하: AI 산출물의 수정시간, 승인 대기, 오류 복구비용이 얼마나 생겼는가.
ECB가 지적하듯 시간 절감은 생산성의 필요조건일 수 있지만 충분조건은 아니다.[^1] Microsoft가 조직 설계를 강조하는 이유도 비슷하다. 개인에게 더 좋은 모델을 주는 것과 조직 전체의 일하는 방식을 다시 설계하는 것은 다른 단계다.[^5]
AI가 정말 여유를 만들려면 여유도 설계해야 한다
AI가 시간을 줄여도 일이 늘어나는 현상이 필연은 아니다. 회사가 생산성 향상의 일부를 짧은 근무시간으로 돌리거나, 새로운 프로젝트를 무한히 추가하지 않고 품질과 학습에 쓰거나, 직원이 절약한 시간을 스스로 통제할 수 있다면 결과는 달라질 수 있다. 한국 근로자 조사처럼 효율 이익이 여가로 귀속되는 경우도 이미 관찰된다.[^4]
반대로 경쟁이 치열하고 성과평가가 상대적이며 새 일을 시작하는 비용이 계속 떨어진다면 절약한 시간은 다시 업무로 채워질 가능성이 높다. AI가 하루를 26시간으로 만들어주는 것은 아니지만, 같은 8시간 안에 검토 가능한 선택지를 크게 늘린다. 그때 희소해지는 것은 손으로 실행하는 시간이 아니라 어떤 일을 할지 결정하고, 어디까지 맡기며, 무엇을 믿을지 판단하는 주의력이다.
이 관점에서 AI 생산성의 핵심 질문은 “이 도구가 몇 시간을 줄였는가”에서 끝나지 않는다.
절약된 시간을 누가 가져가고, 그 시간으로 무엇을 더 하게 되는가.
그 답이 휴식이라면 AI는 노동시간을 줄인다. 추가 산출이라면 생산량을 늘린다. 더 많은 프로젝트와 더 많은 검토라면 사람은 더 바빠질 수 있다. 기술은 시간을 만든다. 그 시간을 여유로 만들지, 새로운 업무로 만들지는 결국 조직이 결정한다.
[^1]: European Central Bank, AI adoption and the productivity promise: what workers report, 2026-08-26. https://www.ecb.europa.eu/press/blog/date/2026/html/ecb.blog20260826~e1c1a89999.ga.html [^2]: European Commission, The AI-adoption divide: Who benefits, who doesn’t, and what it means for workers, Spring 2026. https://economy-finance.ec.europa.eu/economic-forecast-and-surveys/economic-forecasts/spring-2026-economic-forecast-slowdown-growth-energy-shock-drives-inflation/ai-adoption-divide-who-benefits-who-doesnt-and-what-it-means-workers_en [^3]: Wei Jiang, Junyoung Park, Rachel (Jiqiu) Xiao, Shen Zhang, AI and the Extended Workday: Productivity, Contracting Efficiency, and Distribution of Rents, NBER Working Paper 33536, 2025. https://www.nber.org/papers/w33536 [^4]: Donghyun Suh, Samil Oh, Generative AI and the Reallocation of Time: Productivity, Leisure, and Fulfilling Work, 2026. https://arxiv.org/abs/2602.12695 [^5]: Microsoft, 2026 Work Trend Index: Agents, human agency, and opportunity, 2026. https://www.microsoft.com/en-us/worklab/work-trend-index/agents-human-agency-and-the-opportunity-for-every-organization [^6]: BambooHR, Redesigning Work: AI's Performance Review, 2026-09-01. https://www.bamboohr.com/about-bamboohr/press-release/bamboohr-research-redesigning-work-ai-performance-review