AI 활용률 1위 한국, 잠재성장률은 1.5%... ‘제로 가치’ 수렴하는 통계의 모순

CEO포커스

AI 활용률 1위 한국, 잠재성장률은 1.5%... ‘제로 가치’ 수렴하는 통계의 모순

2026.06.10. 오후 5:00
by 김도현
 
댓글
 
SNS 보내기
 
글씨 크기 조정

측정되기 힘든 AI산출물과 통계적 함정 ' 다크 아웃풋' (출처 : GPT image2)

AI 비용은 또렷한데, 산출물은 GDP·물가·고용 통계에서 사라져

서비스는 '지출'로만 측정... AI가 쌀수록 성장은 위축으로 기록

세미애널리시스, AI 대체 노출 노동 약 1.5조달러(2100조원) 추정

한국 AI 활용률 1위(51.8%)인데, 잠재성장률 1% 대... 다크아웃풋 전형

진짜 위험은 부정확한 데이터를 그대로 믿는 의사결정

AI에 들어가는 돈은 정확히 집계된다. 데이터센터, 그래픽처리장치(GPU), 전력, 물, 그리고 사라진 일자리까지 모두 숫자로 남는다. 반면 AI가 만들어낸 결과물은 경제 통계에 거의 잡히지 않는다.

​

실리콘밸리의 반도체 분석기업 세미애널리시스(SemiAnalysis)는 이렇게 측정되지 않는 AI의 산출물을 다크 아웃풋(Dark Output)​이라 부른다. 이름은 우주의 암흑 에너지에서 따왔다. 직접 관측되지 않고 주변에 남긴 흔적으로만 추정된다는 공통점 때문이다.

​

문제는 단순한 통계 오차가 아니다. 측정 누락이 커지면 호황이 불황으로 잘못 읽힌다.

​

AI 투자가 빠르게 느는 국면이 데이터상으로는 'AI 침체'처럼 보일 수 있다.

실제 생성되는 산출물 중 가격이 매겨지고 측정되지 않는 산출물을 다크 아웃풋(Dark Output)이라고 한다. (출처 : 세미 애널리시스(Semi analysis))

​

비용은 1원까지 세는데, 산출은 통째로 사라진다

​

AI가 쓰는 비용은 모두 숫자로 잡히지만, AI가 만든 산출물은 그렇지 않다.

​

예를 들어 세무사에게 30만원을 주고 맡기던 세무 정리를 이제 AI로 3000원에 끝낸다고 하자. 처리된 일은 같다. 그러나 통계에는 '30만원짜리 거래가 사라졌다'고만 기록된다. 개선이 위축으로 잡히는 것이다.

​

이것이 다크 아웃풋의 핵심 메커니즘이다. AI가 서비스를 싸게 만들수록, 통계는 그 성장을 위축으로 기록한다.

30만원짜리 거래가 3천원의 비용으로 둔갑하고 있다. (출처 : GPT image2)

​

"어디에나 있지만 통계엔 없다" 38년 전의 예언

​

로버트 솔로우, 경제학자 (출처 : Mit news)

새 기술의 가치는 늘 통계보다 늦게 잡혔다. 1987년 노벨경제학상 수상자 로버트 솔로우(Robert Solow)는 컴퓨터 혁명을 두고 이렇게 말했다.

컴퓨터 시대는 어디에서나 볼 수 있다. 단, 생산성 통계에서만 빼고

로버트 솔로우, 뉴욕타임스 북리뷰, 1987년

'솔로우 역설(Solow Paradox)'이다. 신기술이 퍼지는데도 생산성 통계에는 효과가 잡히지 않는 현상을 가리킨다. 가치가 없어서가 아니라 측정 도구가 변화 속도를 따라가지 못해서다. 실제로 그 가치는 시차를 두고 통계에 반영됐다. 미국 빅테크 7개 기업을 일컫는 매그니피센트 세븐(Magnificent 7)의 시가총액은 현재 유럽 증시 전체를 합친 것의 1.8배에 이른다.

​

측정 방식을 바꾸면 경제 규모 자체가 달라진다. 미국은 2013년 연구개발(R&D)과 지식재산 투자를 GDP에 포함하도록 회계 기준을 바꿨다. 이 조정만으로 1990년대 미국 총생산이 약 3.6조달러(약 5040조원) 늘었다(세미애널리시스 추산). AI가 일으키는 측정 문제는 이보다 크다. AI의 새 산출물이 통계가 오래 약했던 분야, 즉 서비스에 몰려 있기 때문이다.

​

왜 '나사'는 세는데 '판결문'은 못 세나

수세기에 걸친 실질 나사 가격 추이. 셀 수 있는 물건은 이렇게 통계에 정확히 잡힌다 (출처 : NBER(전미경제연구소))

물건은 개수를 셀 수 있어 통계가 잘 잡는다. 지난 6세기 동안 나사 한 개의 값은 99% 넘게 떨어졌지만 전 세계 생산량은 약 100억 배 늘었고, 실질 GDP는 이를 성장과 생산성 향상으로 정확히 담아냈다.

​

서비스는 다르다. 판결문 한 건, 리서치 한 편, 코드 한 줄에는 셀 수 있는 단위가 없다. 산업혁명기에는 '마력(馬力)'이라는 단위로 기계의 힘을 사람·말과 비교할 수 있었지만, 정신노동에는 그런 단위가 없다.

 토큰(token·AI가 글을 처리하는 최소 조각이자 사용료 단위)도 사용량일 뿐 산출물의 가치를 나타내지 못한다. 같은 토큰 100만개로 쓸모없는 결과를 낼 수도, 회사의 핵심 결정을 내릴 수도 있다.

​

그래서 통계는 수량을 역산한다. 주택을 빼면 대부분의 서비스는 '지출 ÷ 가격'으로 일의 양을 거꾸로 추정한다. 이 방식은 가격이 천천히 움직일 때만 작동한다. 기본 유언장 작성 비용이 30년에 걸쳐 400달러(약 56만원)에서 150달러(약 21만원)로 내리는 정도(연 5% 미만)면 오차가 작다. 그러나 같은 비용이 1년 만에 150달러(약 21만원)에서 0.5달러(약 700원)로 99% 넘게 떨어지면, 통계는 영수증 금액이 줄었다는 이유로 산출 자체를 누락한다.

​

실제로 미국 법률 서비스 가격은 1987년 소비자물가지수(CPI)에 처음 포함된 뒤 2024년 9월까지 4.6배 올랐다. 생산성 향상을 반영하지 못한 채 사실상 인건비 지수에 가까워진 결과다.

​

대체형과 신규형, 그리고 '마진'이라는 예외

​

AI로 대체 가능한 직무가 많은 부문일수록 고용이 경제 평균을 밑돈다 (출처 : SemiAnalysis)

다크 아웃풋은 두 종류로 나뉜다.

​

대체형(Substitution)​은 사람이 하던 일을 AI가 대신하는 경우다. 세미애널리시스는 AI가 대체하거나 보강할 수 있는 일의 규모를 약 1.5조달러(약 2100조원)로 추정한다.

​

신규형(New)​은 예전에는 비싸서 하지 않던 일을 AI가 싸지면서 새로 하게 된 경우다. 여행 전 맛집 30곳 비교, 회의 전 6개월치 메일 요약 같은 일이다. 이런 작업은 예전에는 비용을 들여 사람에게 맡길 만한 일이 아니었다. 시장 가격이 매겨진 적이 없으니 사라지는 인건비도, 통계에 잡히는 거래도 없다. 가치는 생기지만 영수증에는 토큰값만 남는다. 장기적으로는 신규형이 대체형보다 커질 수 있다.

​

예외도 있다. '포착된 산출(Captured Output)'이다. 시장 지배력이 있는 기업은 AI로 비용을 줄이고도 가격을 그대로 받을 수 있다. 외부에 1만달러(약 1400만원)를 주고 사던 인사관리(HR) 서비스를 사내에서 토큰 몇 달러로 처리하는 경우, 경쟁이 심하면 가격이 내려가며 가치가 통계에서 사라진다. 반대로 경쟁이 약하면 줄어든 비용이 이익률(마진) 상승으로 통계에 그대로 잡힌다. 시장 구조에 따라 같은 AI의 가치가 잡히기도, 사라지기도 한다.

다크 아웃풋은 대체형과 신규형 2가지로 나뉠 수 있다. (출처 : GPT-image2)

​

통계가 무너지는 네 개의 균열

​

다크 아웃풋이 발생하는 경로는 크게 네 가지다.

​

첫째는 경제활동의 내부화다. 과거에는 외부 리서치 회사나 컨설턴트에게 맡기던 일을 이제는 직원이 AI를 활용해 직접 처리한다. 외주 비용이 줄어 기업 입장에서는 효율이 높아지지만, 시장에서 발생하던 거래는 사라진다. 가치는 회사 내부에 남지만, 통계에 잡히는 매출은 줄어드는 것이다.

​

둘째는 가격 붕괴다. AI는 글쓰기, 코딩, 번역, 디자인 시안 제작 같은 업무의 단가를 빠르게 낮춘다. 기업과 소비자는 더 낮은 비용으로 더 많은 결과물을 얻지만, 통계상으로는 이것이 생산 증가가 아니라 가격 하락이나 매출 감소처럼 보일 수 있다. 실제 효용은 커졌지만 영수증 금액은 줄어드는 셈이다.

​

셋째는 섹터 미스라우팅이다. AI가 만들어낸 가치가 실제 수혜 산업이 아니라 AI 공급사의 매출로만 잡히는 현상이다. 예를 들어 병원이 AI로 행정 업무를 줄이고 의료진의 시간을 절약해도, 그 효과는 병원의 생산성 개선으로 명확히 드러나기보다 AI 소프트웨어 회사의 매출 증가로만 기록될 수 있다.

​

넷째는 새로운 일의 비가시성이다. AI는 기존 일을 빠르게 처리할 뿐 아니라, 과거에는 비용 때문에 하지 않았던 일까지 가능하게 만든다. 회의록 자동 정리, 대량의 개인화 메시지 작성, 수많은 아이디어의 빠른 비교 검토 등이 대표적이다. 하지만 이런 활동은 별도의 매출이나 영수증으로 남지 않는 경우가 많아 통계에는 잘 보이지 않는다.

​

다크 아웃풋은 직접 관측되기 어렵지만, 주변 지표에는 흔적을 남긴다. 예를 들어 고용은 줄어드는데 평균 임금은 오르는 현상이 나타날 수 있다. 이는 생산성이 크게 개선됐다는 신호일 수도 있지만, 동시에 낮은 임금의 초급 인력이 먼저 줄어들면서 평균값만 올라가는 착시일 수도 있다.

​

다만 이 논의를 과장해서는 안 된다. AI 사용량이 늘어난다고 해서 곧바로 GDP가 급증하는 것은 아니다. 앤트로픽이 공개한 이코노믹 인덱스에서도 클로드 사용의 상당 부분은 코딩과 수학 업무에 집중되어 있었지만, 소프트웨어 투자의 GDP 기여도는 그만큼 급격히 뛰지 않았다. 토큰 사용량은 빠르게 늘고 있지만, 거시 지표는 상대적으로 조용한 상황이다.

​

결국 다크 아웃풋 논의의 핵심은 AI가 가치를 만들지 못한다는 것이 아니다. 오히려 기업 내부의 비용 절감, 업무 속도 개선, 의사결정 효율화처럼 실제 가치는 발생하고 있지만, 그것이 기존 통계의 언어로는 충분히 포착되지 않을 수 있다는 점이다. AI 시대의 생산성 논쟁은 이제 “GDP가 얼마나 올랐는가”뿐 아니라, “AI가 만든 가치는 어디에서 발생했고 왜 통계에는 보이지 않는가”를 함께 봐야 한다..

​

👉 AI 버블 vs 생산성 혁명: 2026년 자본이 향하는 3대 자산과 4대 투자전략

한국은 클로드 코드 사용 11위(전체 116개 국)이며, 컴퓨터공학-수학에서 가장 많이 사용되고 있다. (출처 : Economic Index by Anthropic)

​

'할 수 있다'와 '하고 있다'는 다르다

​

다크 아웃풋을 측정하기 전 'AI가 할 수 있다'는 주장과 'AI가 실제로 하고 있다'는 증거를 구분할 필요가 있다. 노동을 대체하는 데 AI가 최고의 변호사나 엔지니어를 이길 필요는 없다. 기존 임금 수준의 일을 충분히 잘, 충분히 싸게, 믿을 만하게 해내면 전환의 유인이 생긴다.

​

증거의 강도는 단계로 나뉜다. 가장 약한 단계는 벤치마크(성능 시험) 점수로, 가능성만 보여주므로 비용 추정에만 쓴다. 그 위는 기업이 'AI로 이 일을 처리한다'고 공개적으로 주장하는 단계, 실제 운영에 쓴다는 발언, 관련 법적 분쟁에서 이기는 경우 순이다. 가장 강한 증거는 보험사가 그 위험을 인수하는 것이다. 제3자가 실패 가능성에 가격을 매기고 위험을 떠안았다는 뜻이기 때문이다.

​

앞서 말한 다크 아웃풋 중 대체되는 1.5조달러는 이 단계에서 관련 법정 분쟁에서 이기는 경우에 기반한다. 최상위 단계의 증거(보험사가 위험을 인수)는 아직 확인되지 않았다.

​

AI가 노동을 곧장 대체한다는 전망에 과장이 섞일 수 있다는 의미다. 세미애널리시스가 만든 '다크 아웃풋 모니터'도 해고를 예측하는 도구가 아니다. 기업이 사람을 AI로 바꿀 유인이 큰 지점, 즉 비용 격차가 큰 영역을 보여주는 압력 지도에 가깝다. 작업과 직업, 임금, 증거 등급, 토큰 비용, 대체 가능 인원(FTE)을 함께 추적한다.

​

한국이라는 최전선: AI 1위 국가의 1%대 성장률

​

한국은 이 문제의 한가운데 있다.

​

한국 직장인의 AI 업무 활용률은 51.8%로 미국(26.5%)의 두 배다. 주당 5~7시간을 AI와 함께 일한다. 그러나 한국개발연구원(KDI)이 추정한 2025~2030년 잠재성장률은 1.5%, 총요소생산성은 정체 상태다. AI 사용량은 세계 최고 수준인데 성장률 통계에는 그 효과가 보이지 않는다.

​

통계 당국도 한계를 인정한다. 한국은행은 2017년 "무료·무상 디지털 서비스는 경제적 수익이 없어 GDP 추계 대상에서 제외된다"고 명시했다. 한국 GDP의 약 60%(광의 기준 63.8%)를 차지하는 서비스업은 생산성이 경제협력개발기구(OECD) 평균의 68.9%(27위)에 그친다. 셀 단위가 없는 영역이 경제의 절반을 넘는데, AI가 바로 그 영역을 바꾸고 있다.

​

비용 쪽 숫자는 이미 또렷하다. 한국은행 분석에 따르면 최근 국내 청년 일자리 21만1000개가 줄었고, 그중 98.6%가 AI 고노출 업종에 몰렸다. 소프트웨어 개발(-11.2%), 출판(-20.4%), 정보서비스(-23.8%) 순이다. 일자리 감소는 소수점까지 집계되지만, AI가 그 자리에서 만들어내는 산출물은 잡히지 않는다.

​

혜택과 비용의 분포도 고르지 않다. 한국은행의 'AI와 한국경제' 분석에 따르면 AI의 생산성 효과는 대기업과 고학력·고소득층에 집중된다. 자영업자 비중이 23.2%로 OECD 7위인 한국에서는, AI를 적극 활용하는 대기업의 이익은 통계에 잘 잡히지 않고 자영업·청년층이 떠안는 비용만 또렷이 집계될 수 있다.

​

측정의 어려움은 기관들의 엇갈린 결론에서도 드러난다. 같은 'AI 고용 효과'를 두고 한국은행은 "청년 일자리가 뚜렷이 감소했다"고 본 반면, 국회예산정책처는 "감소의 뚜렷한 증거를 찾지 못했다"고 결론지었다. 같은 현실을 두고 정반대 답이 나온다.

​

제도 역시 비용에만 초점을 맞춘다. 2026년 1월 22일 세계 최초로 전면 시행된 '인공지능 기본법'은 투명성·안전·워터마크 등 위험 통제를 다룬다. AI가 만든 산출물을 GDP나 생산성 통계에 어떻게 반영할지에 관한 조항은 없다.

​

👉 손재권 대표 "5년 뒤 지금 다니는 회사 없을 수도"…'AI 대충격'의 현실

​

측정되지 않는 것은 존재하지 않는가

​

무엇을 경제활동으로 셀지는 자연법칙이 아니라 선택의 문제다. 가사·돌봄 노동이 오랫동안 '0원'으로 취급된 것이 대표적이다. 국제노동기구(ILO)는 전 세계에서 매일 164억 시간의 무급 돌봄 노동이 이뤄지며 그 가치가 연 11조달러(약 1경 5400조원), 세계 GDP의 9%에 달한다고 추산했다. 그러나 국민계정에서 이 값은 여전히 0이다. 1993년 국민계정체계(SNA)를 설계한 위원회의 91.7%가 남성이었고, 위원회는 여성의 무급 노동을 "거의 중요하지 않다"고 기록했다.

​

경제학자 마거릿 리드(Margaret Reid)는 1934년 생산의 기준을 이렇게 제시했다.

그 일을 돈 받는 제3자에게 맡길 수 있다면, 그것은 생산적인 일이다

마거릿 리드, 1934년

AI의 GDP영항에 대한 피터슨 경제연구소의 보고서 (출처 : PIIE(피터슨 경제연구소))

AI는 거의 모든 정보 노동을 제3자에게 맡길 수 있는 일로 바꾸고 있다. 법률 브리프, 재무 분석, 환자 분류, 코드 생성, 연구 요약이 그렇다. 예전에는 유급 인력이 맡아 GDP에 잡히던 일들이 이제 AI 사용료 청구서에만 남는다.

​

다만 1.5조달러를 'AI가 이미 대체한 일'로 읽으면 안 된다. 1.5조달러는 사라진 산출이 아니라 대체에 노출된 노동이다. 지금까지의 증거는 대체보다 보강(증강)을 더 많이 가리킨다.

​

측정을 다시 시도하려는 움직임도 있다. 피터슨국제경제연구소(PIIE)는 2026년 5월 정책 브리프(26-7)에서 품질을 보정한 AI 산출이 2024년과 2025년 각각 연 2000% 넘게 성장했다고 추정하고, 흩어진 AI 가치를 묶는 'AI GDP' 틀을 제안했다. 이 추정에서 2025년 명목 'AI GDP'는 약 2500억달러(약 350조원)로 집계됐다. 반대편에는 회의론도 있다. 전미경제연구소(NBER)가 경영진 약 6000명을 조사한 결과 약 90%가 "지난 3년간 AI가 고용·생산성에 별 영향이 없었다"고 답했다. 매사추세츠공대(MIT)의 에릭 브린욜프슨(Erik Brynjolfsson) 교수는 "기술 낙관과 통계상 실망은 경제가 재편되는 시기에 함께 나타난다"고 설명한다.

​

차기 연방준비제도(Fed) 의장으로 지명된 케빈 워시(Kevin Warsh)도 2025년 말 비슷한 경고를 남겼다.

데이터를 보고 있다면, 당신은 후행적으로 보고 있는 것이다. 당신은 늦을 것이다

케빈 워시, 차기 연준 의장 지명자

측정되지 않는 통계에 대한 착시현상을 인지해야한다 (출처 : GPT image2)

진짜 위험은 AI가 아니라 부정확해진 데이터를 그대로 믿고 내리는 의사결정이다. 비용만 보이고 산출이 보이지 않으면, AI를 거품으로 단정하고 대응을 미루는 판단이 나올 수 있다. AI 시대의 경쟁력은 토큰을 얼마나 썼는지가 아니라, 보이지 않는 산출물을 누가 먼저 정확히 측정하는지에 달려 있다.

​

👉 "AX 해보면 누구도 AI가 일자리를 뺏는다고 말하지 않는다"

​

토큰재무제표 : 여러분 기업 내 '산출 장부'를 작성하라

​

세계 경제학자들과 정부 관료들이 모여서, 새로운 계량 모델을 만들기 까지는 엄청난 시간이 걸린다. 기술발전이 제도발전보다 현격히 빠르다는 것을 잊으면 안된다. 그러한 데이터 지표를 기다리다간 쉽게 도태된다.

​

기업이라면 토큰 청구서 옆에 산출 장부를 나란히 두는 데서 시작한다. 부서마다 이번 달 AI가 처리한 계약서와 리포트가 몇 건인지, 작업 하나에 걸리던 시간이 며칠에서 몇 시간으로 줄었는지를 적는다. 토큰 지출은 클라우드 비용처럼 팀과 프로젝트별로 태깅해, 그 돈으로 무엇을 만들었는지 비용 대비 산출을 따진다. 양만 세서는 안 된다. 재작업률과 반려율, 고객 만족도를 함께 봐야 같은 토큰이 핵심 결정이었는지 허비였는지 갈린다. 마지막으로 토큰 사용량과 인건비, 매출, 이익률을 한 화면에 놓고 넷이 따로 노는 지점을 추적한다. 다크 아웃풋은 늘 그 어긋남에서 먼저 드러난다.

​

너무 어렵고 복잡한 일이라고 반문할 수 있다. 하지만, 이 모든 것들을 쉽게 자연어로 대시보드를 만드는 시대가 되었다. 데이터만 체계적으로 모을 수 있다면, 쉽게 '산출 장부'를 작성할 수 있을 것이다.

​

원리는 하나다. 비용은 가만히 둬도 집계되지만, 산출은 적어야만 보인다. AI 시대의 회계는 '얼마를 썼는가'에서 '무엇을 얼마나 만들었는가'로 옮겨가야 한다.

AI산출장부(예시) (출처 : 클로드코드, 더밀크)

​

해당 콘텐츠는 프리미엄 구독자 공개(유료) 콘텐츠로 무단 캡쳐 및 불법 공유시 법적 제재를 받을 수 있습니다.

김도현

혁신 기술과 글로벌 비즈니스 트렌드를 탐구합니다.

#더밀크
 
#AI비즈니스혁명
 
#CEO포커스
 
#다크아웃풋
 
#데이터
 
#솔로우역설
 
#대체형
 
#신규형
 
#통계
 
#토큰사용량
 
#거시지표
 
#토큰재무제표
like
 
댓글
공유하기