AI로 번 47일 중 20일을 고치는 데 썼다…생산성의 착시

BambooHR의 2026년 9월 1일 조사 발표 는 미국의 정규직 급여 사무직 근로자 1,608명을 대상으로 한 온라인 설문에서 응답자의 AI 사용 시간이 하루 평균 87분, 연간 약 47회의 8시간 근무일에 해당했으며 그중 약 20일은 오류 해결과 프롬프트 반복에 쓰인 것으로 추산됐다고 밝혔다. 표본에는 관리자급 이상 HR 종사자 520명이 포함됐다.

이 9월 1일 공개 조사의 직접적인 결론은 47일이 AI로 절약한 시간이 아니라 AI를 사용한 시간이라는 점이다. 약 20일 역시 관찰된 순생산성 손실이 아니라 응답자가 오류 처리와 프롬프트 반복으로 분류한 시간의 연환산치다. 따라서 사용량만 세면 AI가 업무를 얼마나 빨리 끝냈는지보다 도구와 씨름한 시간까지 성과처럼 보이는 착시가 생길 수 있다.

47일을 나누자 수정 시간이 업무 진전 시간보다 길었다

BambooHR가 제시한 연간 47일은 하루 평균 87분을 연간 22,526분으로 환산한 뒤 8시간 근무일로 나눈 값이다. 전체 AI 사용 시간 가운데 오류 해결과 프롬프트 반복은 42%, 업무를 직접 진전시키는 활동은 35%로 분류됐다. 이를 같은 기준으로 환산하면 각각 약 19.7일과 16.4일이며, 나머지 23%는 두 범주 밖의 사용 시간이다.

9월 2일 나온 HR Dive의 후속 보도 도 연간 약 47일 가운데 약 20일이 AI 오류 처리나 프롬프트 반복에 해당한다는 조사 결과를 전했다. 이는 별도의 작업 로그로 수치를 재검증한 결과가 아니라 BambooHR 설문을 보도한 것이므로, 두 기사가 같은 숫자를 제시한다는 사실을 독립된 실측 결과 두 건으로 해석해서는 안 된다.

응답자의 기대와 시간 배분도 구별해야 한다. 설문에서 AI 사용에 대한 자신감이나 시간 절약 기대가 높게 나타났더라도, 그런 인식은 업무 완료시간 단축이나 결과물 품질 향상을 직접 측정한 지표가 아니다. 도입률과 만족도는 수용성을 보여줄 수 있지만 생산성의 대리 지표로 쓰기에는 부족하다.

‘20일 손실’은 순생산성 감소를 입증하지 않는다

이번 연구는 애플리케이션 사용 기록이나 업무 산출물을 추적한 실험이 아니라 온라인 자기보고식 설문이다. 응답자는 자신의 AI 사용 시간과 용도를 기억해 분류했다. 프롬프트를 다시 쓰는 과정이 불필요한 재작업이었는지, 복잡한 문제를 푸는 데 필요한 탐색이었는지도 응답자의 판단에 달려 있다.

더 중요한 비교값도 빠져 있다. 같은 사람이 같은 품질의 업무를 AI 없이 수행했을 때 걸린 시간, AI 초안의 오류율, 검토를 통과한 결과물 수를 함께 측정하지 않았기 때문이다. 오류 수정에 쓴 약 20일 전부가 순손실이라고 단정할 수도 없고, 최초 초안이 빨리 나왔다는 이유만으로 순절감이 발생했다고 말할 수도 없다.

조사 범위는 미국에서 책상 업무를 하는 성인 정규직 급여 근로자다. 한국의 직장인 전체나 현장직·시간제 근로자·자영업자에게 같은 수치를 그대로 적용할 근거는 이번 자료에 없다. 산업과 직무마다 허용 가능한 오류, 검토 절차, 승인 비용이 다르다는 점도 하나의 평균값이 가리는 차이다.

제목의 ‘생산성 착시’는 바로 이 측정 단위의 불일치를 가리킨다. AI에 투입한 시간은 활동량이고, 생산성은 일정한 품질을 충족한 결과를 만드는 데 든 시간과 비용의 관계다. 두 값을 구분하지 않으면 라이선스 이용률이나 프롬프트 수가 늘어난 현상을 업무 성과가 늘어난 것으로 오인하기 쉽다.

사용량이 아니라 승인된 결과까지의 순시간을 재야 한다

한국 조직이 이 조사를 투자 판단에 활용하려면 AI 사용 전후의 동일한 업무를 같은 완료 조건으로 비교해야 한다. UC Today가 제시한 성과 기준 에는 정의된 업무의 완료시간, 결과물의 승인·정확도, 수정이 필요한 작업량, 사용 전에 요구되는 사람의 검토 수준이 포함된다. 접속일이나 프롬프트 건수보다 최종 업무 상태를 보는 방식이다.

업무 하나의 순시간 효과는 ‘AI 없이 같은 품질에 도달한 기준시간’에서 ‘AI를 사용해 최종 승인을 받을 때까지의 전체 투입시간’을 뺀 값으로 잡을 수 있다. 후자에는 입력 자료 준비, 최초 프롬프트, 추가 대화와 재생성, 사실 확인, 오류 수정, 형식 재작업, 책임자의 검토와 재제출을 모두 포함해야 한다. 초안 생성 시간만 떼어 비교하면 절감 효과가 실제보다 크게 보인다.

시간과 함께 볼 결과 지표는 세 가지로 압축할 수 있다. 1차 승인률은 재작업 없이 통과한 결과물의 비율, 재작업률은 수정이나 재생성이 발생한 결과물의 비율, 유효 산출률은 총투입시간당 최종 승인된 결과물 수다. 여기에 오류의 심각도와 수정 시간을 더해야 짧아진 완료시간이 품질 저하의 대가인지 판단할 수 있다.

비교 단위는 직원 한 명의 총 AI 사용시간보다 완료 조건이 같은 업무 유형이어야 한다. 채용 공고 초안과 회의 요약은 검토 기준과 오류 비용이 다르므로 한 평균으로 합치면 어느 업무에서 재작업이 생겼는지 찾기 어렵다. 동일한 업무 유형 안에서도 난도와 담당자 숙련도를 기록해야 AI 효과와 구성 차이를 혼동할 가능성이 줄어든다.

2주 파일럿은 절약 시간과 되돌려 쓴 시간을 함께 남긴다

직무별 2주 파일럿은 회사 전체의 투자수익률을 확정하는 실험이 아니라, 반복 업무에서 AI가 줄인 시간과 다시 발생시킨 시간을 분리하는 관찰 구간으로 설계할 수 있다. AI 미사용 비교군이나 도입 전 동일 업무의 중앙값을 기준선으로 두고, 참여자에게 같은 완료 조건과 승인 기준을 적용해야 한다.

기록표에는 다음 항목이 필요하다.

• 업무 유형과 난도, 시작·종료 시각, 입력 자료 준비 시간
• 사용한 AI 도구, 최초 프롬프트와 추가 지시·재생성 횟수
• 사실 확인, 개인정보 점검, 형식 수정에 든 시간
• 발견된 오류의 유형과 심각도, 발견자와 수정 소요시간
• 첫 검토 통과 여부, 반려·재제출 횟수, 최종 승인 시각
• AI 미사용 기준시간과 동일한 품질 기준 충족 여부

분석에서는 업무별 순시간 효과와 1차 승인률을 함께 봐야 한다. 완료시간이 줄었어도 중대한 오류와 재제출이 늘었다면 생산성 개선으로 확정하기 어렵다. 반대로 프롬프트 작성은 길어졌지만 이후 검토와 수정이 더 크게 줄었다면 순효과는 양수일 수 있다.

현재 확인된 사실은 미국 사무직 응답자의 연환산 AI 사용 시간 가운데 오류 해결과 프롬프트 반복으로 분류된 비중이 업무 진전 비중보다 컸다는 데까지다. 아직 확인되지 않은 것은 같은 업무를 AI 없이 했을 때의 차이, 최종 승인 결과물의 증가량, 한국 조직에서의 재현 여부다. 이 빈칸을 채우려면 추가 사용량 통계보다 직무별 기준시간과 검토·재작업 기록, 최종 승인 결과를 연결한 관찰 데이터가 필요하다.