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.

Productivity on Korea Invest Insights