AI VIDEO BRIEFING
제조업 AI 도입 생산성 J커브, 미국 공장 데이터로 본 단기 손실과 장기 성과 분석
미국 인구조사국 데이터로 제조업의 AI 도입을 추적한 스탠퍼드 세미나 발표. AI를 넣은 공장은 단기적으로 생산성이 오히려 떨어졌고, 그 구간을 버텨낸 기업만 고용과 매출 성장으로 돌아섰다는 결과를 정리했다.
핵심 메시지
- 토론토대 크리스티나 매켈헤런 교수가 스탠퍼드 디지털 경제 연구소 세미나에서 미국 제조업의 AI 도입과 생산성을 분석한 진행 중 연구를 발표했다.
- 미국 인구조사국의 의무 응답 조사를 사용해 응답률 68%, 제조업 부문의 70%를 포괄하는 표본을 확보했다는 점이 이 연구의 강점이다.
- 2021년 기준으로 생산 공정에 AI를 실제로 쓰는 공장은 23%에 그쳤다. 91%가 정보를 디지털로 보관하고 73%가 대시보드를 쓰는 것과 대비된다.
- 다른 기술과 자본 스톡을 통제하면 AI 사용과 생산성의 단기 관계는 음(-)으로 나타났다. AI 지수가 표준편차 1만큼 높은 공장은 생산성이 1.33% 낮았다.
- 그러나 시간이 지나면 반등한다. 2017년에서 2021년 사이 AI 도입 공장은 고용·매출·노동생산성 모두에서 성장했고, 젊은 기업일수록 그 폭이 컸다.
쉽게 이해하기
발표자는 이 결과를 'AI 생산성 J커브의 미시적 기초'라고 부른다. 기존 J커브 논의가 거시 수준의 측정 시차를 다뤘다면, 이 연구는 공장 단위에서 실제로 발생하는 조정 비용을 관찰한다. 노트북에서 생성형 AI를 시험하는 것과 달리, 연속 흐름 생산 공정에 기술을 집어넣고 물리적 자동화까지 함께 다뤄야 하는 상황이라는 점이 출발점이다.
AI 도입률에 대한 통념부터 흔들린다. 85만 개 기업을 대상으로 한 2017년 조사에서, 컨설팅 업계가 '기업의 80%가 AI를 쓴다'고 말하던 시점의 실제 수치는 규모로 가중해도 18% 수준이었다. 발표자는 그 차이를 '공동 발명'이라는 한 단어로 설명한다. 기술이 준비돼도 사람·프로세스·조직 설계·보고 체계·성과 지표를 함께 맞추는 작업이 남아 있다는 것이다.
비슷한 일은 증기기관에서도 있었다. 1780년대 와트의 특허 이후 실제 광범위한 사용까지 100년 가까이 걸렸는데, 그 확산을 이끈 것 중 하나가 비즈니스 프로세스 혁신에 대한 투자였다. 특허 보유자들은 공장의 회전 운동 방식을 통째로 재설계해주고 절감된 연료의 3분의 1을 사용료로 받았다. 발표자는 이를 '최초의 서비스형 모델, 즉 서비스형 증기'라고 농담 섞어 표현한다.
핵심 결과는 단기 생산성 하락이다. 아무것도 통제하지 않으면 AI 사용과 생산성의 관계는 긍정적으로 보이지만, 성과를 끌어올릴 수 있는 다른 요인들, 특히 제조업에서 결정적인 자본 스톡을 통제하고 나면 계수가 뚜렷한 음수로 바뀐다. 도구 변수를 써서 선택 편의를 더 진지하게 다루면 숫자는 훨씬 커진다. 발표자는 이 값을 준비가 덜 된 한계 공장들의 국지적 효과로 해석한다.
왜 떨어지는가에 대한 설명이 이 연구에서 가장 구체적인 부분이다. 불확실한 전환기에 관리자들은 백업을 돌린다. 두 개의 생산 라인과 장비를 동시에 가동하고 관리자의 주의도 여러 곳에 분산된다. 실제 데이터에서도 AI가 들어가면 재공품 버퍼가 크게 늘고, 로봇이 함께 들어오며, 비싼 인력이 줄어든다. 린 생산에서 낮춰야 할 버퍼가 반대로 올라가는 것이다.
주요 인사이트
- 'AI가 평균적으로 어떤 효과를 낸다'는 말에는 회의적일 필요가 있다. 발표자가 가장 강조한 결론은 이것이 평균이 아니라 꼬리의 이야기, 즉 극심한 이질성의 이야기라는 점이다.
- 가장 큰 타격을 받는 쪽은 오래된 기존 기업이다. 규모를 통제해도 결과는 유지되며, 대략 업력 12년 이하 젊은 기업에서는 초기부터 양(+)의 효과가 나타난다.
- 공정 설계가 결과를 가른다. 센서와 데이터가 풍부하고 낮은 변동성을 목표로 관리되는 연속 흐름 공정은 예측형 AI와 잘 맞지만, 제품마다 흐름이 뒤엉키는 잡숍은 그렇지 않다.
- 관리자 인센티브도 변수다. 단기 성과 보너스와 목표 미달 시 해고 위협처럼 관리자를 강하게 조이는 관행은 오히려 AI를 생산에 투입하는 능력을 제약했다. 실험이 실패하면 급여가 깎이는 구조에서는 필요한 실험을 하지 않기 때문이라는 해석이다.
- 미국 제조업 사업장의 약 78%가 다중 사업장 기업에 속한다는 구조도 중요하다. 같은 기업의 다른 공장이 먼저 AI를 도입하면, 뒤따르는 공장은 같은 고통을 겪지 않고도 혜택을 본다.
자주 묻는 질문
AI 도입으로 생산성이 떨어지는 것은 측정 문제 아닌가요?
발표자는 명확히 아니라고 말합니다. 재공품 버퍼가 늘고 로봇이 들어오고 인력 구성이 바뀌는 등 공장 단위의 실제 조정이 관찰되기 때문에, 측정 시차가 아니라 실제 생산성 하락이라는 설명입니다.
그렇다면 AI 도입은 하지 않는 편이 나은가요?
연구 결과는 그렇게 읽히지 않습니다. 2017년에서 2021년 구간에서는 도입 기업의 고용·매출·노동생산성이 모두 성장했고, 오래된 기업을 제외하면 그 폭이 상당히 커집니다. 다만 그 시기를 견딜 비용을 감당할 의지와 능력이 필요하다는 것이 시사점입니다.
제조업이 아닌 지식 노동에도 같은 결론을 적용할 수 있나요?
발표자는 하고 싶지만 데이터가 필요하다고 답했습니다. 관건은 생산 시스템이 모듈형인지 서로 얽혀 분리하기 어려운 구조인지이며, 지식 노동에서는 생산성 측정 자체가 훨씬 어렵다는 점도 지적했습니다.
기업들이 꼽은 도입 장벽은 무엇이었나요?
비용과 활용처 식별의 어려움이 중심이었습니다. 약 28%가 업무나 비즈니스 활용 사례를 찾기 어렵다는 점을 큰 장벽으로 꼽았고, 약 12%는 현장의 기술 인력 격차를 지적했습니다. 반면 규제 불확실성에 대한 우려는 매우 낮게 나타났습니다.
원문과 출처
이 글은 원본 영상의 자막을 바탕으로 한국어 독자를 위해 요약했습니다. 전체 맥락과 최신 정보는 원문에서 확인하세요.
YouTube 원본 영상 보기 ↗