Federal Reserve on Korea Invest Insights

AI는 1996년인가 1999년인가: 이번 FOMC와 그 이후

Wed, 17 Jun 2026 18:00:00 +0900

연결 맥락
이 글은 AI 생산성은 실제인가, 중반을 넘어선 AI 슈퍼사이클, CPI·BOJ·FOMC 이벤트 클러스터, 6월 이벤트 중간 복기의 후속입니다. 앞선 글이 AI 생산성의 실증 근거를 봤다면, 이번 글은 그 근거가 이번 FOMC와 이후 의사록에서 어떤 금리 반응 함수로 번역될지에 집중합니다.
작성 기준은 2026년 6월 17일 KST, 6월 FOMC 발표 전입니다.

TL;DR

현재 AI는 순수한 1996년형 생산성 디스인플레라기보다, 1996년형 생산성 옵션을 품은 1999년형 CapEx·기대 선반영 사이클에 더 가깝습니다.
이유는 간단합니다. 업무 단위 생산성 개선과 AI 채택률은 실제로 확인됩니다. 하지만 연준이 당장 정책에 반영할 수 있을 만큼 넓은 거시 디스인플레 증거는 아직 부족합니다.
반대로 AI 데이터센터, 반도체, 전력, 냉각, 부지, 인력, 신용 수요는 현재형입니다. 이쪽은 이미 투자, 비용, 금융여건, 중립금리 논쟁을 건드립니다.
따라서 이번 6월 FOMC는 동결이 기본이지만, 성격은 비둘기파 동결이 아니라 매파적 동결 또는 매파적 중립에 가깝다고 봅니다.
핵심은 발표문보다 SEP 점도표, 장기 중립금리 dot, Warsh 의장의 AI·r* 관련 답변, 7월 8일 공개될 의사록입니다.

핵심 문장

연준은 AI를 아직 금리 인하의 근거로 선반영하지 않을 가능성이 높다. 생산성은 옵션이고, CapEx·전력·반도체·금융여건은 현재형이다. 그래서 지금의 AI는 1996년형 생산성 디스인플레보다 1999년형 투자·기대 선반영에 더 가깝다.

1. 왜 1996년과 1999년을 비교하나

1990년대 후반 미국 경제는 투자자에게 두 얼굴을 보여줬습니다.

한쪽에는 1996년형 낙관이 있었습니다. PC, 인터넷, 소프트웨어, 네트워크가 기업 생산성을 끌어올리고, 단위노동비용을 낮추며, 인플레이션을 누르는 세계입니다. 이 세계에서는 중앙은행이 성장률만 보고 과열로 단정하기 어렵습니다. 더 빠르게 성장해도 생산성이 같이 올라가면 물가가 안정될 수 있기 때문입니다.

다른 한쪽에는 1999년형 긴장이 있었습니다. 생산성 이야기는 맞을 수 있지만, 주식시장과 기업 투자, 통신·인터넷 CapEx, 자본시장 기대가 이미 앞서갑니다. 미래 생산성은 아직 완전히 확인되지 않았는데, 투자와 자산가격은 현재 가격에 먼저 반영됩니다. 이 세계에서는 중앙은행이 “좋은 공급충격”만 보지 않습니다. 투자수요, 신용, 자산가격, 금융여건 완화도 같이 봅니다.

AI도 같은 질문을 던집니다.

프레임	핵심 질문	금리 함의
1996년형 생산성 디스인플레	AI가 이미 단위노동비용과 서비스 물가를 낮추는가	금리 인하 또는 낮은 실질금리 정당화
1999년형 CapEx·기대 선반영	AI 기대가 투자, 전력, 신용, 자산가격을 먼저 끌어올리는가	높은 중립금리, 높은 실질금리, 멀티플 상단 제한

현재 제 판단은 둘 중 하나를 완전히 고르는 것이 아닙니다.

정확히는 이렇습니다.

AI는 1996년형 생산성 옵션을 품고 있지만, 이번 FOMC가 당장 다뤄야 하는 관측 가능한 충격은 1999년형 CapEx·기대 선반영 사이클입니다.

2. 1996년형 논리: 생산성이 물가를 낮추는 경로

1996년형 논리가 틀린 것은 아닙니다.

AI는 실제로 일부 업무 생산성을 올립니다. Brynjolfsson, Li, Raymond의 Generative AI at Work는 고객지원 상담원 5,172명을 분석해 AI 보조 도구가 시간당 처리 건수 기준 생산성을 평균 15% 높였다고 보고했습니다. 특히 신입·저숙련 직원의 개선 폭이 컸습니다.

Fed FEDS Notes의 AI 채택률 분석도 AI가 실험실을 벗어나고 있음을 보여줍니다. 2025년 말 기준 미국 기업의 약 **18%**가 AI를 채택했고, 개인의 업무 관련 생성형 AI 사용도 빠르게 올라왔습니다. 고용가중 기준으로 보면 대기업 채택 효과 때문에 더 많은 노동자가 이미 AI를 쓰는 기업 안에 있습니다.

이 경로가 넓게 확산되면 금리에는 완화적입니다.

AI 도입
→ 업무 처리량 증가
→ 단위노동비용 둔화
→ 서비스 물가 압력 완화
→ 인플레이션 기대 안정
→ 연준의 긴축 필요성 감소

1990년대 후반 Greenspan이 주목했던 것도 이 경로였습니다. 그는 1999년 연설에서 노동생산성 상승과 단위비용 둔화가 인플레이션 안정에 기여했다고 설명했습니다. (Federal Reserve, Greenspan 1999)

문제는 시간축입니다.
AI가 업무 단위 생산성을 올린다는 사실과, 미국 경제 전체의 근원 물가를 당장 낮춘다는 주장은 다릅니다.

Kansas City Fed의 산업별 생산성 분석은 2022년 말 이후 미국 노동생산성이 팬데믹 전 추세를 웃돈 것은 사실이지만, 개선이 아직 넓게 퍼진 것은 아니라고 봅니다. AI 채택률이 높은 산업일수록 생산성 증가가 빠른 경향은 있지만, 전체 생산성 개선의 대부분을 AI가 설명한다고 보기는 어렵다는 취지입니다.

San Francisco Fed의 The AI Moment?도 비슷한 결론입니다. AI의 생산성, 물가, 노동시장 효과는 중요하지만 아직 불확실하고, 변혁은 시간이 걸립니다. 중앙은행은 총량 데이터만 기다리기보다 미시·산업 데이터를 같이 봐야 하지만, 그렇다고 아직 확인되지 않은 생산성 붐을 정책에 선반영할 수는 없습니다.

3. 1999년형 논리: 투자와 기대가 먼저 가격에 반영된다

반대로 1999년형 논리는 이미 현재 데이터에서 더 잘 보입니다.

AI 데이터센터는 추상적 이야기가 아닙니다. 전력 접속, 변압기, 냉각, 부지, GPU, HBM, 네트워킹, 서버 랙, 건설 인력, 프로젝트 금융까지 모두 현실의 비용입니다.

Fed 내부도 이 문제를 보고 있습니다. 4월 FOMC 의사록은 AI를 양면적으로 다뤘습니다. 몇몇 참가자는 높은 생산성이 물가에 하방 압력을 줄 수 있다고 봤지만, 여러 참가자는 AI 관련 강한 투자지출이 여러 산업의 투입비용을 올릴 가능성도 지적했습니다. 또 AI 관련 자본지출이 성장률을 지지하는 요인으로 언급됐습니다. (FOMC Minutes, April 2026)

Cook 이사의 발언은 더 직접적입니다. 그는 AI 관련 데이터센터와 칩 투자가 높은 금리 환경에서도 급증하고 있으며, 이 투자수요가 총수요를 지지한다면 현재 중립금리가 팬데믹 이전보다 높을 수 있다고 설명했습니다. (Federal Reserve, Cook speech)

이것이 이번 FOMC에서 중요한 이유입니다.

AI 기대수익률 상승
→ 데이터센터·반도체·전력 CapEx 증가
→ 총수요와 투자수요 지지
→ 전력·건설·반도체·인력 병목
→ 중립금리 r* 상방 리스크
→ 연준은 인하를 서두르기 어려움

AI가 장기적으로 생산성을 올릴 수 있다는 점은 인정됩니다. 하지만 정책결정자는 “언젠가 낮아질 비용”보다 “지금 올라가는 수요와 가격”을 먼저 봅니다.

이 차이가 1996년과 1999년을 가릅니다.

4. 이번 FOMC의 출발점: 동결은 거의 전부가 아니다

이번 FOMC는 미국 동부시간 2026년 6월 16~17일 회의입니다. Fed 일정상 6월 17일 오후 2시에 FOMC 결정이 나오고, 오후 2시 30분 기자회견이 예정되어 있습니다. 한국시간으로는 6월 18일 새벽입니다. (Federal Reserve June 2026 Calendar)

의사록은 7월 8일 오후 2시에 공개될 예정입니다. (Federal Reserve July 2026 Calendar)

현재 정책금리는 4월 FOMC 이후 **3.50~3.75%**입니다. 4월 회의에서는 동결이 결정됐고, 의사록은 꽤 매파적이었습니다. 다수 참가자는 인플레이션이 2%를 계속 웃돌 경우 추가 긴축이 적절해질 수 있다고 봤고, 많은 참가자는 인하 편향을 시사하는 문구 제거를 선호했습니다. (FOMC Minutes, April 2026)

이후 들어온 데이터도 “편한 인하”와는 거리가 있습니다.

지표	최근 확인값	FOMC 해석
5월 CPI	+0.5% MoM, +4.2% YoY	헤드라인 재가속. 에너지 영향이 크지만 4%대는 불편
5월 Core CPI	+0.2% MoM, +2.9% YoY	전월비는 안정, 전년비는 아직 목표 위
4월 PCE	+3.8% YoY	연준 선호 물가 기준도 높음
4월 Core PCE	+3.3% YoY	근원 물가가 3%대
5월 비농업 고용	+172,000명	노동시장은 급격히 식지 않음
5월 실업률	4.3%	2025년 7월 이후 4.3~4.5% 범위
5월 평균시급	+3.4% YoY	임금 압력은 완전히 사라지지 않음

출처는 각각 BLS CPI, BEA PCE, BLS Employment Situation입니다.

따라서 이번 회의의 핵심은 “금리를 동결하느냐”가 아닙니다. 동결은 기본값에 가깝습니다. 진짜 질문은 동결의 의미가 인하 준비인지, 인하 편향 제거인지입니다.

5. 제 기본 시나리오: 매파적 동결

저의 기본 전망은 매파적 동결입니다.

항목	기본 전망	매크로 해석
기준금리	3.50~3.75% 동결	이미 대부분 반영
성명	데이터 의존, 물가 높음, 불확실성 문구 유지	중립처럼 보이지만 인하 기대를 강하게 살리지는 않음
인하 편향	약화 또는 제거 가능성	매파적
2026년 점도표	3월의 한 차례 인하 암시에서 연내 인하 없음 쪽으로 이동 가능	가장 중요한 변수
장기 dot	3.1% 유지 또는 소폭 상향 가능성	AI/r* 논쟁과 연결
기자회견	AI 생산성은 가능성, 현재 정책 근거는 아님	매파적 중립
7월 8일 의사록	발표문보다 매파적으로 읽힐 가능성	내부 토론 확인 구간

3월 SEP에서 2026년 말 federal funds rate 중간값은 **3.4%**였습니다. 당시 현재 금리 중심값 3.625%와 비교하면 대략 한 차례 인하가 남아 있는 구조였습니다. 2027년과 2028년, longer run은 모두 **3.1%**였습니다. (March 2026 SEP)

이번에는 이 숫자가 위로 움직일 가능성을 봅니다.
특히 2026년 median dot가 3.625% 근처로 올라가면 시장은 “연내 인하 없음”으로 해석할 수 있습니다.

이번 회의의 진짜 숫자

기준금리 동결보다 중요한 것은 2026년 말 점도표다. median dot가 3.4%에 남으면 시장은 한 차례 인하 가능성을 살릴 수 있고, 3.625% 근처로 올라가면 “연내 인하 없음”이 기본값이 된다.

6. 세 가지 시나리오

이번 FOMC를 확률로 나누면 저는 아래처럼 봅니다. 공식 전망이 아니라, 현재 데이터와 4월 의사록, AI 투자 사이클을 반영한 투자자용 사전 시나리오입니다.

시나리오	확률	내용	시장 반응
Base: 매파적 동결	65%	동결, 인하 편향 약화, 2026 dot 상향, AI는 생산성보다 투자수요로 해석	단기금리 지지, 달러 강세 압력, 성장주 멀티플 상단 제한
Hawkish surprise	25%	일부 hike dot 등장, 장기 dot 상승, Warsh가 r*·금융여건·자산가격을 강하게 언급	2년물 금리 상승, 위험자산 변동성 확대, 장기 성장주 압박
Dovish surprise	10%	2026 one-cut median 유지, 헤드라인 CPI를 에너지 일시 요인으로 해석, core 안정 강조	금리 하락, 달러 약세, 위험자산 안도 반등

왜 base case가 매파적 동결인가.

첫째, 고용이 금리인하를 요구할 만큼 무너지지 않았습니다.
둘째, headline CPI와 PCE가 목표보다 높습니다.
셋째, AI 투자수요는 경기와 금융여건을 받칩니다.
넷째, 4월 의사록은 이미 인하 편향 제거와 추가 긴축 가능성을 열어뒀습니다.
다섯째, Warsh 의장의 첫 회의라는 점도 중요합니다. Fed는 2026년 5월 22일 Warsh가 의장으로 취임했고 FOMC도 그를 의장으로 선출했다고 밝혔습니다. (Federal Reserve Warsh announcement) 첫 회의에서 “확인되지 않은 AI 디스인플레”를 근거로 강한 비둘기파 전환을 하기는 어렵습니다.

7. Warsh 기자회견에서 봐야 할 질문

기자회견에서는 숫자보다 문장이 중요합니다.

제가 볼 질문은 네 가지입니다.

7-1. AI 생산성을 정책에 얼마나 반영하나

Warsh가 AI 생산성을 긍정적으로 말하는 것 자체는 놀랍지 않습니다. 중요한 것은 그다음입니다.

비둘기파 문장은 이런 식입니다.

AI가 생산성을 높이고 있으며, 이는 중기 물가 압력을 완화할 수 있다.

매파적 문장은 이런 식입니다.

AI 생산성은 중요한 가능성이지만 아직 넓은 거시 데이터로 확인되지 않았다. 동시에 AI 투자는 총수요와 투입비용을 지지하고 있다.

저는 후자에 가깝다고 봅니다.

7-2. 중립금리 r*에 대해 말하는가

AI가 중립금리를 올리는 경로는 단순합니다. 생산성 기대가 투자수익률을 높이고, 투자수요를 키우면 저축과 투자를 균형시키는 실질금리가 높아질 수 있습니다.

Cook 이사가 이미 이 논리를 언급했습니다. Warsh가 비슷하게 “중립금리는 과거보다 높을 수 있다”는 취지로 말하면 장기금리에는 매파적입니다.

7-3. 인하 편향을 남기나

4월 의사록에서 많은 참가자는 인하 편향적 문구 제거를 선호했습니다. 이번 성명 또는 기자회견에서 “cuts are not imminent”에 가까운 뉘앙스가 나오면 2026년 인하 기대는 줄어듭니다.

7-4. 금융여건과 자산가격을 언급하나

1999년형 사이클에서 중앙은행이 보는 것은 물가만이 아닙니다. 주가, 신용 스프레드, speculative-grade 발행, private credit, 데이터센터 금융구조도 봅니다. 의사록에서 이런 표현이 강화되면 AI는 더 이상 단순 성장 테마가 아니라 금융여건 변수로 올라옵니다.

8. 의사록은 왜 더 중요할 수 있나

FOMC 성명은 합의문입니다. 그래서 표현이 둥글고 절제됩니다. 반면 의사록은 내부 토론의 분산을 보여줍니다.

4월 의사록도 그랬습니다. 발표문보다 의사록이 훨씬 매파적으로 읽혔습니다. AI 생산성 가능성뿐 아니라 AI 투자지출의 투입비용 압력, AI 관련 자본지출의 성장 지지, 인하 편향 제거, 인플레이션 지속 시 추가 긴축 가능성이 함께 담겼습니다.

7월 8일 의사록에서는 아래 문장을 찾아야 합니다.

의사록 키워드	해석
AI-related capital spending	AI가 경기와 총수요를 받친다는 뜻
input costs	AI가 당장 디스인플레보다 비용 압력일 수 있다는 뜻
productivity gains	1996년형 옵션
neutral rate	장기금리·실질금리 상방 논리
asset valuations	1999년형 자산가격 경계
private credit / speculative-grade issuance	AI 투자 사이클의 금융 안정 리스크
policy firming	인하가 아니라 추가 긴축도 열려 있다는 뜻
easing bias removal	시장의 연내 인하 기대를 낮추는 표현

제 예상은 의사록이 성명보다 더 매파적이라는 쪽입니다.

9. 시장 해석: 금리, 달러, 주식, 한국장

이 글은 종목 추천 글이 아닙니다. 따라서 시장 해석도 자산군과 레짐 중심으로 정리합니다.

9-1. 미국 단기금리

2026년 dot가 연내 인하 없음 쪽으로 움직이면 2년물 금리는 쉽게 내려오기 어렵습니다. 핵심은 금리 레벨 자체보다 “인하가 얼마나 빠르게 가격에서 빠지는가”입니다.

9-2. 미국 장기금리

장기금리는 두 가지 힘이 충돌합니다.

하락 요인	상승 요인
AI 생산성 기대, 경기 둔화 우려, 에너지 일시요인 해석	r* 상향, term premium, AI CapEx·전력 투자, 재정·국채공급

Warsh가 r* 상방을 언급하거나 longer-run dot가 올라가면 장기금리도 불편해집니다.

9-3. 달러

매파적 동결과 no-cut dot는 달러를 지지합니다. 특히 한국장에서는 달러/원과 외국인 선물 수급이 같이 움직일 가능성이 큽니다. 반대로 one-cut median이 유지되고 core 안정이 강조되면 달러는 약해질 수 있습니다.

9-4. 주식시장

AI 주식 전체가 끝났다는 뜻은 아닙니다. 오히려 AI 생산성 옵션은 살아 있습니다.

다만 멀티플의 상단은 달라집니다.

AI가 생산성을 올린다
→ 장기 이익은 커질 수 있음

하지만

AI CapEx가 r*와 실질금리를 올린다
→ 같은 이익에도 적용 멀티플은 낮아질 수 있음

그래서 이번 FOMC 이후 주식시장의 질문은 “AI가 좋냐 나쁘냐”가 아닙니다. 더 정확한 질문은 이것입니다.

높은 실질금리와 높은 CapEx를 견딜 만큼 현금흐름, 가격 결정력, 병목 지위가 있는가.

9-5. 한국장

한국장은 이 프레임에 민감합니다. 이유는 세 가지입니다.

첫째, KOSPI는 삼성전자·SK하이닉스 같은 AI 메모리 대형주의 지수 영향력이 큽니다.
둘째, 외국인 수급은 달러/원, 미국 2년물, 미국 반도체 주가에 민감합니다.
셋째, AI 인프라 멀티플은 금리와 CapEx 지속성에 동시에 반응합니다.

따라서 FOMC 이후 한국장은 세 가지를 보면 됩니다.

확인 항목	의미
미국 2년물 금리	연내 인하 기대가 살아 있는지
달러/원	외국인 현물 복귀가 지속될 수 있는지
한국 반도체 외국인 현물	AI 메모리 베타가 다시 사지는지

이번 글에서는 개별 종목 판단을 하지 않습니다. 다만 레짐으로는, 매파적 동결이면 한국장은 broad beta보다 외국인 수급이 붙는 AI 인프라 핵심부만 살아남는 좁은 장세가 되기 쉽습니다.

10. 반대 시나리오: 이 글이 틀리는 경우

좋은 매크로 글은 틀릴 조건을 먼저 적어야 합니다.

제가 제시한 “1999년형 CapEx·기대 선반영” 프레임이 틀리는 경우는 네 가지입니다.

10-1. Core 물가가 빠르게 안정된다

5월 CPI에서 core MoM은 +0.2%였습니다. 만약 이후 core CPI와 core PCE가 연속으로 안정되고, 헤드라인 상승이 에너지 일시요인으로 정리되면 연준은 매파성을 낮출 수 있습니다.

10-2. AI 생산성이 단위노동비용에 빨리 나타난다

AI 도입이 금융, 전문서비스, 고객지원, 소프트웨어를 넘어 서비스 전반의 unit labor cost를 낮추기 시작하면 1996년형 논리가 강해집니다.

10-3. AI CapEx가 신용 팽창 없이 내부 현금흐름으로 흡수된다

데이터센터와 칩 투자가 대부분 빅테크 내부 현금흐름으로 감당되고, 회사채·사모신용·프로젝트 금융 리스크가 커지지 않으면 연준의 금융안정 우려는 낮아집니다.

10-4. Warsh가 의외로 생산성 낙관을 앞세운다

Warsh가 첫 회견에서 AI 생산성을 강하게 언급하고, 점도표도 one-cut median을 유지하면 시장은 이를 비둘기파 서프라이즈로 받아들일 수 있습니다.

하지만 제 기본값은 여전히 다릅니다.
연준은 가능성보다 관측값을 봅니다. 지금 관측되는 것은 생산성 혁명보다 투자수요와 비용 압력입니다.

11. 이후 체크리스트

이번 회의 직후와 7월 8일 의사록에서 볼 체크리스트입니다.

회의 직후

체크포인트	비둘기파	매파
2026년 median dot	3.4% 부근 유지	3.625% 부근으로 상향
longer-run dot	3.1% 유지	3.25% 이상으로 이동
인하 편향	남아 있음	약화 또는 제거
Warsh의 AI 언급	생산성·디스인플레 강조	CapEx·r*·투입비용 강조
물가 표현	에너지 일시요인 강조	inflation remains elevated 강조

7월 8일 의사록

체크포인트	해석
“many”가 인하 편향 제거를 원했는가	매파
“several”이 추가 긴축을 언급했는가	매파
AI CapEx가 input cost로 반복 언급되는가	매파
AI productivity가 broad disinflation으로 언급되는가	비둘기파
private credit·asset valuations가 함께 언급되는가	1999년형 경계

이후 데이터

날짜	볼 것	이유
6월 25일	5월 PCE	CPI보다 Fed 반응에 더 직접적
7월 8일	6월 FOMC 의사록	내부 토론의 매파성 확인
7월 14일	6월 CPI	core 안정 지속 여부
이후	고용·임금·단위노동비용	1996년형 생산성 디스인플레 확인

최종 판단

AI는 장기적으로 물가를 낮출 수 있습니다. 이 가능성은 무시하면 안 됩니다. 실제 업무 단위 생산성 개선도 있고, 채택률도 빠르게 올라왔습니다.

하지만 이번 FOMC의 시계는 다릅니다.

연준이 지금 보는 것은 “AI가 언젠가 물가를 낮출 수 있다”가 아니라 “AI 투자가 지금 총수요, 전력, 반도체, 건설, 신용, 자산가격을 밀어 올리고 있다”입니다.

그래서 제 결론은 이렇습니다.

최종 결론

현재 AI는 1996년형 생산성 디스인플레가 아니라, 1996년형 생산성 옵션을 품은 1999년형 CapEx·기대 선반영 사이클에 더 가깝다. 이번 FOMC는 동결이더라도 비둘기파 동결이 아니라 매파적 동결로 읽힐 가능성이 높고, 이후 의사록은 발표문보다 더 매파적일 수 있다.

투자자에게 가장 중요한 문장은 이것입니다.

AI가 좋다는 말과 금리가 내려간다는 말은 같은 말이 아닙니다.
생산성이 확인되기 전까지 AI는 연준에게 인하 명분보다 중립금리 상방, 투자수요, 비용 압력, 금융여건 관리의 문제로 보일 가능성이 큽니다.

근거 자료

AI 생산성은 실제인가: 현장 15% 개선과 거시 확산 사이

Wed, 17 Jun 2026 10:30:00 +0900

연결 맥락
이 글은 중반을 넘어선 AI 슈퍼사이클, AI 슈퍼사이클은 왜 더 길어지는가, AI 데이터센터 CapEx 5.3조 달러 시대, CPI·BOJ·FOMC 이벤트 클러스터의 후속입니다. 앞선 글들이 AI 인프라 투자의 수요와 자금조달을 봤다면, 이번 글은 더 근본적인 질문으로 내려갑니다. AI가 실제 생산성을 올리고 있는가? 그리고 그 효과가 거시경제에 보일 만큼 커졌는가?

TL;DR

결론은 **“현장에서는 이미 Yes, 거시경제 전체에서는 아직 Not yet”**입니다. AI가 특정 업무에서 생산성을 올린다는 실증은 강해졌지만, 미국 전체 생산성 개선을 AI 하나로 설명하기에는 아직 이릅니다.
Brynjolfsson, Li, Raymond의 Generative AI at Work는 고객지원 상담원 5,172명을 분석해 AI 도입이 시간당 처리 건수를 평균 15% 높였다고 보고합니다. 효과는 저숙련·신입 직원에게 더 컸고, 고객 감정과 업무 경험도 개선됐습니다.
Fed FEDS Notes는 미국 AI 채택률이 이미 무시하기 어려운 수준이라고 봅니다. 2025년 말 기준 기업 단위 AI 채택률은 약 18%, 개인의 업무 관련 GenAI 사용은 41%, 고용가중 기준으로는 근로자의 **78%**가 AI 채택 기업에서 일하고, **54%**가 LLM 사용 기업에서 일한다고 추정합니다.
Kansas City Fed는 2022년 말 이후 미국 노동생산성이 팬데믹 전 추세를 웃돌았지만, 그 개선은 아직 넓게 퍼지지 않았다고 봅니다. AI 채택률이 높은 산업일수록 생산성 증가가 빠른 경향은 있지만, 전체 생산성 개선의 대부분을 AI가 설명한다고 보기는 어렵습니다.
San Francisco Fed의 핵심 메시지는 정책적으로 중요합니다. 생산성, 노동시장, 물가 같은 총량 데이터만 보고 기다리면 늦습니다. 1990년대 IT 사이클처럼, 기업 현장·산업별 데이터·미시 증거를 같이 봐야 합니다.

핵심 문장

AI 생산성 논쟁은 “된다/안 된다”가 아니라 시간축의 문제다. 미시 현장에서는 이미 생산성 개선이 확인됐고, 채택률도 빠르게 올라왔다. 다만 거시 생산성은 아직 좁은 산업에 집중돼 있어, 투자자는 AI capex의 지속성을 보되 확산의 증거를 계속 확인해야 한다.

1. 네 자료를 한 문장으로 합치면

이번에 읽은 네 자료는 같은 질문을 서로 다른 층위에서 봅니다.

자료	보는 층위	핵심 질문	결론
Brynjolfsson, Li, Raymond, Generative AI at Work	기업 현장 / 업무 단위	AI가 실제 업무 생산성을 높이나	특정 업무에서는 명확히 높인다
Fed FEDS Notes, Monitoring AI Adoption in the US Economy	채택률 / 확산	AI가 얼마나 널리 쓰이나	이미 의미 있는 수준까지 올라왔다
Kansas City Fed, A New U.S. Productivity Chapter?	산업별 거시 생산성	미국 생산성 개선이 AI 때문인가	관련성은 있지만 아직 넓게 퍼지지 않았다
San Francisco Fed, The AI Moment?	정책 반응 함수	중앙은행은 무엇을 봐야 하나	총량 데이터만 보면 늦고, 미시·산업 데이터를 봐야 한다

이 네 자료를 하나로 합치면 결론은 이렇게 됩니다.

AI는 현장에서 생산성을 올린다
→ 채택률도 빠르게 올라왔다
→ 하지만 거시 생산성 개선은 아직 좁고 불균등하다
→ 그래서 정책과 투자는 총량 데이터보다 확산의 질을 봐야 한다

투자자에게 중요한 것은 이 중간 단계입니다. AI가 실험실 데모를 넘어 업무 현장에 들어간 것은 사실입니다. 하지만 그것이 곧바로 “미국 생산성 혁명 확정”이나 “AI 인프라 capex 무한 지속”을 뜻하지는 않습니다. 생산성 효과가 업무 단위에서 기업 단위로, 다시 산업 단위로 확산되는지 봐야 합니다.

2. 현장 증거: AI는 누구의 생산성을 올렸나

Brynjolfsson, Li, Raymond의 Generative AI at Work는 지금까지 나온 생성형 AI 생산성 연구 중 가장 중요한 현장 실증 중 하나입니다. 연구 대상은 Fortune 500 기업의 고객지원 상담원입니다. AI 도구는 GPT-3 기반 대화형 상담 보조 도구였고, 상담원은 고객과 채팅하면서 AI가 제안하는 답변을 참고하거나 수정하거나 무시할 수 있었습니다.

[Fact] QJE 게재본 기준 연구 표본은 고객지원 상담원 5,172명입니다. AI 보조 도구 접근은 시간당 처리한 고객 이슈 수 기준 생산성을 평균 15% 높였습니다. 효과는 모든 직원에게 동일하지 않았습니다. 저숙련·신입 직원의 개선 폭이 가장 컸고, 숙련도가 높은 직원에게는 속도 개선이 작거나 품질 면에서 일부 비용이 있었습니다. (QJE)

이 결과가 중요한 이유는 단순히 “15%”라는 숫자 때문이 아닙니다. 더 중요한 것은 효과가 어디서 나왔는가입니다.

2-1. AI는 최고 직원을 더 천재로 만든 것이 아니다

이 연구에서 AI의 가장 큰 효과는 상위 직원을 압도적으로 더 빠르게 만든 것이 아닙니다. 오히려 하위·신입 직원을 평균에 가깝게 끌어올리는 쪽이 컸습니다.

투자 언어로 바꾸면 이것은 skill compression입니다.

효과	의미
신입·저숙련 직원 생산성 개선	교육 기간 단축, onboarding 비용 하락
답변 스타일 변화	암묵지 일부가 시스템에 흡수
고숙련 직원과 저숙련 직원의 언어 유사성 상승	조직 내 best practice 전파
고객 감정 개선	품질·서비스 경험도 일부 개선

즉 AI는 단순 자동화 도구가 아니라 “좋은 직원의 언어와 처리 방식을 낮은 비용으로 복제하는 도구”에 가깝게 작동했습니다. 이것은 콜센터뿐 아니라 영업, 고객성공, 법무 초안, 회계 보조, 개발 보조, 리서치 보조 같은 반복적 지식노동 영역에도 연결될 수 있습니다.

2-2. 효과가 가장 큰 문제는 “너무 흔하지도, 너무 낯설지도 않은 문제”

논문은 AI 효과가 문제 유형별로도 다르다고 봅니다. 아주 흔한 문제는 인간도 이미 잘 처리합니다. 반대로 너무 드문 문제는 AI 학습 데이터가 부족합니다. 가장 효과가 큰 곳은 중간 정도로 드문 문제입니다.

이 부분은 AI 도입 전략에 중요합니다.

AI 효과가 큰 업무
= 사람이 매번 새로 판단해야 하지만
+ 조직 안에 축적된 답변과 패턴이 있고
+ 품질 기준이 비교적 명확한 업무

이 조건에 맞는 산업은 생각보다 많습니다.

고객지원
보험 청구 처리
금융 내부 리서치
세무·회계 문서 작성
법률 초안 작성
개발 코드 리뷰
병원 행정·진료 보조 문서
B2B 영업 제안서
제품 문서와 기술지원

이런 업무에서는 AI가 노동을 완전히 대체하지 않아도 생산성 개선이 가능합니다. “사람 한 명을 없앤다”보다 “같은 인원이 더 많은 일을 처리한다”가 먼저 나타납니다.

3. 채택률: AI는 이미 쓰이고 있나

현장 실증이 있어도 채택률이 낮으면 거시 효과는 작습니다. 그래서 Fed FEDS Notes의 Monitoring AI Adoption in the US Economy가 중요합니다. 이 글은 Census Bureau의 BTOS, Real-Time Population Survey, Atlanta Fed의 Survey of Business Uncertainty를 함께 사용해 미국 경제의 AI 채택을 봅니다.

[Fact] FEDS Notes는 2025년 말 기준 Census BTOS상 기업 단위 AI 채택률을 약 **18%**로 봅니다. 개인 단위 업무 관련 GenAI 사용률은 2025년 11월 기준 약 **41%**입니다. SBU 기준 고용가중으로 보면 근로자의 약 **78%**가 AI 채택 기업에서 일하고, 약 **54%**가 LLM 사용 기업에서 일한다고 추정합니다. (Federal Reserve FEDS Notes)

세 숫자는 서로 달라 보이지만 모순이 아닙니다. 단위가 다릅니다.

숫자	단위	해석
18%	기업 수 기준	전체 기업 중 AI를 쓴다고 응답한 비율
41%	개인 근로자 기준	업무에서 GenAI를 쓴다고 답한 사람의 비율
78%	고용가중 기업 기준	AI 채택 기업에 속한 근로자의 비율
54%	고용가중 LLM 기준	LLM 사용 기업에 속한 근로자의 비율

왜 이렇게 차이가 클까요? 큰 기업이 더 많은 근로자를 고용하기 때문입니다. 기업 수로 보면 18%여도, 대형 기업이 먼저 도입하면 고용가중 채택률은 훨씬 높아집니다.

3-1. AI 채택은 금융과 전문서비스에 먼저 붙었다

FEDS Notes는 산업별 차이도 보여줍니다. BTOS 기준 전문·과학·기술 서비스와 금융·보험의 AI 채택률이 높습니다. 개인의 업무 관련 GenAI 사용도 금융과 전문서비스에서 가장 높게 나타납니다.

이것은 중요합니다. AI가 먼저 붙은 곳이 저임금 단순노동이 아니라 고부가가치 인지 노동이라는 뜻이기 때문입니다.

산업	AI가 먼저 붙는 이유
금융	리서치, 리스크, 컴플라이언스, 고객 응대, 문서 작성
전문서비스	법률, 회계, 컨설팅, 광고, 엔지니어링, IT 서비스
제조	품질관리, 설계, 유지보수, 공급망, 문서화
헬스케어	진료 보조 문서, 청구, 행정, 환자 커뮤니케이션

한국 투자자 관점에서는 이 지점이 중요합니다. AI 생산성은 “챗봇 앱 사용량”이 아니라 기업 업무 흐름에 얼마나 깊게 들어가는가의 문제입니다. 그래서 AI 소프트웨어, 데이터 보안, 관측성, 클라우드 운영, 컨설팅·SI, 금융 IT, B2B workflow 기업이 중요해집니다.

4. 거시 생산성: 미국 경제 전체는 이미 좋아졌나

Kansas City Fed의 *A New U.S. Productivity Chapter?*는 가장 차분한 자료입니다. 결론은 낙관도 비관도 아닙니다.

[Fact] Kansas City Fed는 2022년 말 이후 미국 노동생산성이 팬데믹 전 추세를 상당히 웃돌았다고 봅니다. 하지만 그 개선은 아직 넓게 퍼지지 않았습니다. 소수 산업이 대부분의 기여를 하고 있으며, AI 채택률이 높은 산업일수록 생산성 증가가 빠른 경향은 있지만, 전체 생산성 개선의 대부분을 AI가 설명한다고 보기는 어렵다고 결론냅니다. (Kansas City Fed)

핵심은 두 문장입니다.

미국 생산성은 좋아졌다.
그러나 그것이 AI 때문이라고 단정하기에는 아직 좁고 불균등하다.

Kansas City Fed는 2022년 3분기부터 2025년 2분기까지를 생성형 AI 시대의 초기 구간으로 놓고 봅니다. 이 기간 생산성 개선은 팬데믹 전 추세보다 강합니다. 그러나 산업별로 뜯어보면 일부 산업의 기여가 큽니다.

관찰	해석
노동생산성이 2022년 말 이후 팬데믹 전 추세를 상회	거시 데이터에 긍정적 변화는 있다
생산성 개선이 넓게 퍼지지 않음	아직 경제 전체의 AI 혁명이라고 부르기는 이르다
AI 채택률과 산업별 생산성 증가가 양의 관계	AI가 일부 산업에서 작동할 가능성은 있다
AI가 aggregate shift를 많이 설명하지 못함	생산성 개선의 원인이 AI만은 아니다

이 결론은 투자자에게 꽤 유용합니다. AI 생산성은 “실제”이지만, 아직 “전 경제 단위의 확정된 새 장”은 아닙니다. 그래서 AI 인프라 투자는 계속 타당성을 갖지만, 모든 AI 관련 자산에 같은 멀티플을 줄 수는 없습니다.

4-1. 초기 기술 확산은 원래 좁게 시작된다

Kansas City Fed는 한 가지 중요한 가능성을 남깁니다. 현재 생산성 개선이 좁은 것은 AI가 실패해서가 아니라, 초기 확산 단계라서 그럴 수 있습니다. 전기, 컴퓨터, 인터넷도 생산성 통계에 넓게 잡히기까지 시간이 걸렸습니다.

이것은 AI 인프라 사이클을 보는 데 핵심입니다.

초기 단계
→ 특정 업무와 특정 산업에서 생산성 개선
→ 기업 내부 workflow 재설계
→ 소프트웨어·데이터·조직 프로세스 교체
→ 산업별 생산성 개선 확산
→ 거시 생산성 통계에 반영

지금은 첫 번째와 두 번째 사이입니다. 일부 업무에서 효과가 있고, 채택률은 빠르게 올라왔고, 기업들은 실험 중입니다. 그러나 모든 산업의 생산성 함수가 바뀌었다고 말하기에는 아직 증거가 부족합니다.

5. 정책 함의: Fed는 무엇을 봐야 하나

San Francisco Fed의 The AI Moment? Possibilities, Productivity, and Policy는 경제사와 정책 반응 함수를 연결합니다. 핵심은 1990년대입니다. 당시 미국은 IT 투자와 생산성 가속, 낮은 인플레이션, 강한 노동시장이 함께 나타났습니다. 하지만 그 변화는 처음부터 총량 데이터에 선명하게 보이지 않았습니다.

[Fact] SF Fed 글은 AI가 생산성과 정책 판단에 줄 수 있는 영향을 논의하면서, 총량 생산성·노동시장·물가 데이터만으로는 충분하지 않다고 말합니다. 변화가 총량 데이터에 완전히 나타나기 전에 보려면 산업별·기업별 정보와 기업 현장의 실험을 함께 봐야 한다는 것이 핵심입니다. (San Francisco Fed)

이 메시지는 지금 시장에도 그대로 적용됩니다.

정책 질문	AI가 바꿀 수 있는 부분
잠재성장률	생산성이 오르면 더 빠른 성장도 인플레이션 없이 가능
노동시장	일부 업무 자동화와 보완이 동시에 발생
물가	단기적으로는 capex와 전력 수요가 물가 압력, 장기적으로는 단가 하락 압력
금리	생산성 개선이 확인되면 중립금리·성장률 추정에 영향
기업이익	노동비용, 처리량, 품질, 고객 경험이 동시에 변할 수 있음

중앙은행 입장에서 가장 어려운 점은 시간차입니다. AI는 단기적으로 데이터센터, 전력, 반도체, 토지, 건설비를 밀어 올릴 수 있습니다. 이것은 물가와 금리에 부담입니다. 그러나 장기적으로 AI가 노동생산성을 올리면 단위비용을 낮출 수 있습니다. 즉 AI는 단기 인플레이션 압력과 장기 디스인플레 가능성을 동시에 갖습니다.

그래서 금리 시장이 AI를 해석하기 어렵습니다. AI capex는 지금 당장 돈을 태우고, 전력을 먹고, 채권 발행을 늘립니다. 하지만 그 결과가 실제 생산성으로 돌아오면 경제의 공급능력을 키웁니다. 이 두 효과 사이의 시간차가 현재 AI 주식과 금리의 긴장을 만듭니다.

6. 투자 프레임: AI capex가 정당화되려면 무엇이 필요하나

AI 인프라 투자의 핵심 질문은 단순합니다.

이 많은 GPU, HBM, 데이터센터, 전력투자가 실제 생산성으로 돌아오는가?

이번 네 자료를 종합하면 답은 조건부 긍정입니다.

6-1. 긍정 논리

AI capex를 정당화하는 근거는 세 가지입니다.

근거	의미
현장 생산성 개선	고객지원 같은 실제 업무에서 15% 생산성 개선 확인
빠른 채택률	기업·개인·고용가중 기준 모두 의미 있는 사용률
고부가 서비스 침투	금융·전문서비스 같은 output per worker가 높은 영역부터 도입

이 조합은 AI 인프라 투자가 단순한 과시성 capex가 아니라 업무 생산성 개선을 향한 투자라는 논리를 강화합니다. 특히 업무 관련 GenAI 사용률이 41%까지 올라왔다는 점은 “사람들이 AI를 써보긴 했지만 일에는 못 쓴다”는 반론을 약하게 만듭니다.

6-2. 부정 논리

반대로 아직 조심해야 할 이유도 분명합니다.

리스크	의미
생산성 개선의 산업 집중	아직 넓은 경제 전체로 퍼졌다고 보기 어렵다
채택률과 가치창출의 차이	쓰는 것과 돈을 버는 것은 다르다
업무 재설계 비용	AI 도구만 넣는다고 생산성이 자동으로 오르지 않는다
품질·오류·책임 문제	법률, 의료, 금융에서는 human-in-the-loop가 필요
capex 선행	인프라 투자가 생산성보다 먼저 발생해 금리·현금흐름 부담을 만든다

따라서 AI 투자에서 가장 좋은 질문은 “AI를 쓰는가?”가 아니라 “AI가 workflow를 바꾸고 있는가?”입니다.

7. 한국 시장에 번역하면

한국 투자자에게 이 글의 의미는 네 가지입니다.

7-1. AI 인프라 수요는 아직 끝났다고 보기 어렵다

AI가 실제 업무 생산성을 올리는 증거가 늘어날수록 GPU, HBM, eSSD, 네트워크, 전력 인프라 수요는 더 오래 갑니다. 특히 생산성 개선이 고객지원에서 금융·전문서비스·제조·헬스케어로 확산되면 추론 사용량은 더 커집니다.

이것은 AI 슈퍼사이클은 왜 더 길어지는가에서 쓴 논리를 보강합니다. 에이전트가 토큰 수요를 늘리고, 업무 현장 생산성이 그 수요를 정당화하면, AI capex는 단순 버블이 아니라 기업 생산성 투자가 됩니다.

7-2. 메모리와 스토리지는 “생산성 인프라”가 된다

AI 생산성이 실제라면, 수요는 모델 학습에서 끝나지 않습니다. 업무 흐름에 들어간 AI는 추론을 반복하고, 문서를 읽고, 검색하고, 기록하고, 검증합니다. 이때 필요한 것은 GPU만이 아닙니다.

HBM
서버 DRAM
eSSD
고속 네트워크
AI 서버 전력
데이터센터 전력·냉각
보안·관측성 소프트웨어

이 점에서 삼성전자·SK하이닉스·마이크론 같은 메모리 축, 그리고 스토리지·컨트롤러·전력 인프라 축은 단순 AI 테마가 아니라 생산성 인프라입니다.

7-3. AI 소프트웨어는 seat가 아니라 workflow로 평가해야 한다

생성형 AI가 SaaS seat를 줄일 것이라는 우려는 여전히 유효합니다. 하지만 Fed 채택률과 Brynjolfsson 논문을 같이 보면, 더 중요한 것은 workflow입니다.

AI가 조직 안에서 best practice를 전파하고, 신입 직원의 생산성을 끌어올리고, 중간 난도의 문제 처리량을 늘린다면, 기업은 AI 도구를 단순 챗봇이 아니라 업무 운영체계로 보게 됩니다.

한국에서는 NAVER Cloud, LG CNS, 삼성SDS, 더존비즈온 같은 AI cloud·AX·업무 데이터 운영사가 이 질문과 연결됩니다. 다만 이들은 “AI를 한다”가 아니라, 실제 고객 workflow 안에서 매출과 마진을 보여줘야 합니다.

7-4. Fed 반응 함수는 AI 주식의 할인율을 바꾼다

AI 생산성 개선이 확산되면 Fed는 잠재성장률과 물가 압력을 다시 해석해야 합니다. 그러나 그 전까지는 장기금리와 AI capex가 충돌합니다. 이 충돌은 중반을 넘어선 AI 슈퍼사이클에서 말한 노란불과 연결됩니다.

정리하면:

AI 생산성 증거 증가
→ AI capex 정당화
→ 반도체·전력·소프트웨어 수요 지속
→ 그러나 capex 선행과 금리 부담은 남음
→ 확산 증거가 나올 때마다 멀티플 상단이 다시 열림

8. 체크리스트: 앞으로 무엇을 봐야 하나

AI 생산성 논쟁은 앞으로 네 가지 지표로 확인해야 합니다.

체크포인트	봐야 할 것	긍정 신호	부정 신호
미시 생산성	업무 단위 실증	처리량·품질·고객경험 동시 개선	속도만 오르고 품질 악화
채택률	기업·개인·고용가중 사용률	업무 관련 사용률 상승, 대형기업 외 확산	사용률 정체, 실험 후 이탈
산업별 생산성	금융·전문서비스·제조·헬스케어	생산성 개선 산업 확산	소수 산업에만 집중
capex 정당화	AI 매출, 비용절감, ROI	AI 도입 기업의 마진·처리량 개선	GPU capex와 매출의 괴리 확대

투자자에게 가장 중요한 것은 세 번째입니다. AI가 특정 업무에서 효과가 있다는 것은 이제 상당히 설득력이 있습니다. 다음 단계는 산업별 확산입니다. 금융·전문서비스에서 시작된 효과가 제조, 헬스케어, 공공, 리테일, 물류로 퍼질 때 거시 생산성 논쟁은 더 강해집니다.

9. Red Team: 이 결론이 틀리는 경우

이 글의 결론은 “AI 생산성은 실제지만 거시 확산은 아직 진행 중”입니다. 이 결론이 틀리는 경우는 두 방향입니다.

9-1. 너무 낙관적인 경우

기업이 AI를 “사용”하지만 실제 workflow를 바꾸지 못한다.
고객지원 같은 특정 업무의 15% 개선이 다른 산업으로 일반화되지 않는다.
AI 오류, 보안, 규제, 책임 문제가 도입 속도를 늦춘다.
AI capex가 업무 생산성보다 훨씬 빠르게 늘어 ROI가 낮아진다.
기업이 AI를 비용절감보다 마케팅 내러티브로만 사용한다.

9-2. 너무 보수적인 경우

AI가 소프트웨어 개발, 금융 리서치, 법률, 회계, 영업, 고객지원으로 동시에 확산된다.
고용가중 채택률이 이미 높기 때문에 생산성 통계 반영이 예상보다 빨라진다.
업무 AI가 신입 직원 교육비와 숙련 격차를 빠르게 줄인다.
AI 가격 하락이 사용량을 폭발적으로 키우고, 추론 수요가 capex를 계속 정당화한다.
총량 생산성 지표가 후행적으로 크게 상향 조정된다.

지금은 둘 사이입니다. AI 회의론을 그대로 믿기에는 현장 증거와 채택률이 강합니다. 하지만 AI 낙관론을 전부 가격에 넣기에는 거시 확산이 아직 좁습니다.

최종 판단

AI 생산성은 “언젠가 가능할지도 모르는 이야기”가 아닙니다. 고객지원 현장에서는 이미 평균 15% 생산성 개선이 확인됐고, AI는 특히 신입·저숙련 직원의 생산성을 끌어올리는 방식으로 작동했습니다. Fed의 채택률 자료도 AI가 일부 실험실이나 테크 기업 안에만 머물지 않는다는 점을 보여줍니다.

하지만 아직 미국 경제 전체가 AI 때문에 새 생산성 장에 들어섰다고 말하기에는 이릅니다. Kansas City Fed의 결론처럼 생산성 개선은 아직 좁고, AI 채택률은 산업별 생산성 증가와 관련은 있지만 전체 aggregate shift를 충분히 설명하지 못합니다.

따라서 이 글의 결론은 균형적입니다.

결론

AI 생산성은 현장에서 이미 관찰된다. 채택률도 충분히 높아졌다. 그러나 거시 생산성 혁명은 아직 확정되지 않았다. 지금 봐야 할 것은 AI가 쓰이는지 여부가 아니라, 업무 흐름을 바꾸고 산업별 생산성 통계로 확산되는지다.

투자 언어로 바꾸면 이렇습니다. AI capex는 아직 정당화될 수 있습니다. 그러나 그 정당화는 더 이상 “모델이 똑똑해졌다”가 아니라 “기업이 실제로 더 많은 일을 더 낮은 비용으로 처리한다”는 증거에서 나와야 합니다. 그 증거가 쌓이면 AI 인프라 사이클은 더 길어집니다. 반대로 채택률은 높지만 생산성 통계가 따라오지 않으면, 시장은 다시 AI capex의 ROI를 의심하게 됩니다.

Federal Reserve on Korea Invest Insights

AI는 1996년인가 1999년인가: 이번 FOMC와 그 이후

TL;DR

1. 왜 1996년과 1999년을 비교하나

2. 1996년형 논리: 생산성이 물가를 낮추는 경로

3. 1999년형 논리: 투자와 기대가 먼저 가격에 반영된다

4. 이번 FOMC의 출발점: 동결은 거의 전부가 아니다

5. 제 기본 시나리오: 매파적 동결

6. 세 가지 시나리오

7. Warsh 기자회견에서 봐야 할 질문

7-1. AI 생산성을 정책에 얼마나 반영하나

7-2. 중립금리 r*에 대해 말하는가

7-3. 인하 편향을 남기나

7-4. 금융여건과 자산가격을 언급하나

8. 의사록은 왜 더 중요할 수 있나

9. 시장 해석: 금리, 달러, 주식, 한국장

9-1. 미국 단기금리

9-2. 미국 장기금리

9-3. 달러

9-4. 주식시장

9-5. 한국장

10. 반대 시나리오: 이 글이 틀리는 경우

10-1. Core 물가가 빠르게 안정된다

10-2. AI 생산성이 단위노동비용에 빨리 나타난다

10-3. AI CapEx가 신용 팽창 없이 내부 현금흐름으로 흡수된다

10-4. Warsh가 의외로 생산성 낙관을 앞세운다

11. 이후 체크리스트

회의 직후

7월 8일 의사록

이후 데이터

최종 판단

근거 자료

AI 생산성은 실제인가: 현장 15% 개선과 거시 확산 사이

TL;DR

1. 네 자료를 한 문장으로 합치면

2. 현장 증거: AI는 누구의 생산성을 올렸나

2-1. AI는 최고 직원을 더 천재로 만든 것이 아니다

2-2. 효과가 가장 큰 문제는 “너무 흔하지도, 너무 낯설지도 않은 문제”

3. 채택률: AI는 이미 쓰이고 있나

3-1. AI 채택은 금융과 전문서비스에 먼저 붙었다

4. 거시 생산성: 미국 경제 전체는 이미 좋아졌나

4-1. 초기 기술 확산은 원래 좁게 시작된다

5. 정책 함의: Fed는 무엇을 봐야 하나

6. 투자 프레임: AI capex가 정당화되려면 무엇이 필요하나

6-1. 긍정 논리

6-2. 부정 논리

7. 한국 시장에 번역하면

7-1. AI 인프라 수요는 아직 끝났다고 보기 어렵다

7-2. 메모리와 스토리지는 “생산성 인프라”가 된다

7-3. AI 소프트웨어는 seat가 아니라 workflow로 평가해야 한다

7-4. Fed 반응 함수는 AI 주식의 할인율을 바꾼다

8. 체크리스트: 앞으로 무엇을 봐야 하나

9. Red Team: 이 결론이 틀리는 경우

9-1. 너무 낙관적인 경우

9-2. 너무 보수적인 경우

최종 판단

Sources