AI 다음은 무엇인가 — SX(스킬 전환)란

2025년 6~7월, 맥킨지가 105개국 1,993명에게 물었습니다. “회사가 AI를 쓰고 있습니까?” 88%가 그렇다고 답했습니다. 1년 전 78%에서 또 올랐습니다.

두 번째 질문은 이랬습니다. “그래서 회사 전체 영업이익(EBIT)이 달라졌습니까?” 어떤 식으로든 영향이 있었다는 답은 39%였고, 그마저 대부분은 5% 미만이라고 했습니다. 영업이익의 5% 넘게를 AI 덕분이라고 말한 곳은 약 6% 였습니다.

거의 모두가 샀는데, 소수만 가져갔습니다. 같은 도구를, 같은 시기에, 같은 기사를 읽고 들였는데 왜 결과가 이렇게 갈릴까요?

결론부터 적습니다. 갈리는 지점은 기술이 아니라 그 기술로 일하는 사람과 일하는 방식입니다. 이 글은 AI 도입 다음에 남는 이 숙제를 SX(Skill Transformation), 우리말로 스킬 전환이라고 부릅니다. 스킬 트랜스포메이션이라고도 합니다. 스킬 전환이 끝내 닿으려는 곳은 직무 대신 스킬을 일의 중심에 두는 스킬 기반 조직(SBO) 입니다. 약어는 편의상 붙인 이름이지만, 주장은 새것이 아닙니다. 1987년 노벨 경제학상 수상자의 서평 한 줄부터 2026년 한국은행 이슈노트까지, 경제학자와 국제기구와 중앙은행이 각자의 말로 같은 이야기를 해 왔습니다. 이 글은 그 말들을 한 줄로 꿰어 봅니다. 반론도 함께 적습니다.

🤖 AI 도입했는데 왜 성과가 다를까

AI를 쓰는 곳은 열에 아홉인데, 이익이 움직인 곳은 열에 넷이고 크게 움직인 곳은 열에 하나도 안 됩니다.

맥킨지만의 숫자가 아닙니다. 보스턴컨설팅그룹(BCG)이 2024년 59개국 경영진 1,000명을 조사한 「Where’s the Value in AI?」에서 74%의 기업이 AI로 아직 손에 잡히는 가치를 보여 주지 못했습니다. 여러 기능에 걸쳐 꾸준히 큰 가치를 내는 곳은 4%였습니다.

2026년에는 중앙은행 쪽에서 더 차가운 숫자가 나왔습니다. 미국 애틀랜타 연방준비은행과 영란은행, 독일 분데스방크, 호주 매쿼리대학 연구진이 미국·영국·독일·호주 기업의 CEO·CFO 등 약 6,000명에게 같은 질문을 던졌습니다. 약 70%의 기업이 AI를 쓰고 있었지만, 80% 넘는 기업이 지난 3년간 고용에도 생산성에도 영향이 없었다고 답했습니다(Yotzov 외, 2026).

한국은 더 빨리, 더 많이 썼습니다

한국은행이 2025년 8월 낸 이슈노트에 따르면 국내 근로자의 63.5%가 생성형 AI를 쓰고, 업무 용도로 좁혀도 51.8%였습니다. 미국의 두 배쯤이고, 인터넷이 퍼지던 때보다 여덟 배 빠른 속도입니다. 효과도 있었습니다. 업무시간이 평균 3.8%, 주 40시간 기준으로 1.5시간 줄었습니다.

그런데 2026년 6월 한국은행은 같은 조사를 한 걸음 더 파고들었습니다. 아낀 시간이 더 많은 일로 이어졌는가를 본 것입니다.

한국은행은 이것을 ‘생산성 단절(disconnect)’이라고 이름 붙였습니다. 보고서의 문장을 그대로 옮기면 이렇습니다.

AI가 개별 작업 수준의 효율은 높였지만, 업무 흐름(workflow) 개선, 조직 구조 변화, 인력 재배치로 확장되지 못하면서 ‘생산성 단절(disconnect)’ 현상이 나타나고 있는 것으로 해석된다.

한국은행이 꼽은 원인은 넷입니다. AI가 업무 전체가 아니라 특정 작업에만 머문다(시간을 20% 넘게 줄인 작업은 4.4%뿐), 업무 흐름이 경직돼 있다, 결재 같은 병목이 그대로다, 아낀 시간을 성과로 돌릴 유인이 없다. 넷 가운데 AI 모델의 성능을 탓하는 것은 하나도 없습니다. 예외도 있었습니다. 자영업자·전문직·청년층처럼 업무 자율성이 높거나 성과가 곧 보상이 되는 집단에서는 아낀 시간이 실제 처리량 증가로 이어졌습니다.

한 줄로 줄이면 이렇습니다. 도입률 88%와 크게 이익을 본 6% 사이, 아낀 1.5시간과 늘지 않은 처리량 사이에 같은 빈칸이 있습니다.

⚡ 전기는 왜 40년이 걸렸을까

새 동력은 공장 배치와 일하는 방식이 바뀐 뒤에야 생산성이 됐습니다. 지금의 AI도 그 길목에 있다는 해석이 많습니다.

이 빈칸에는 이름이 있습니다. 1987년 7월, 경제학자 로버트 솔로(Robert Solow)는 뉴욕타임스 서평란에 이렇게 썼습니다.

컴퓨터 시대는 어디서나 보인다. 생산성 통계에서만 빼고.

‘솔로의 역설’로 불리는 문장입니다. 3년 뒤 스탠퍼드의 경제사학자 폴 데이비드(Paul A. David)는 1990년 「The Dynamo and the Computer」에서 그 답을 100년 전에서 찾았습니다. 전기 이야기입니다.

1899년 미국 공장에서 전기 모터가 기계를 돌리는 비중은 전체 동력의 5%도 안 됐습니다. 그 비중이 절반을 겨우 넘긴 것은 1920년대 초, 첫 중앙 발전소가 문을 연 지 40년 뒤였습니다. 전기가 제조업 생산성에 뚜렷이 잡힌 것도 그때부터였습니다.

왜 그렇게 오래 걸렸을까요. 데이비드가 짚은 것은 기술이 아니라 공장의 배치였습니다. 증기기관 시절 공장은 천장에 긴 축을 걸고 가죽 벨트로 기계를 줄줄이 돌렸습니다. 전기가 들어온 뒤에도 한동안 공장주들은 증기기관 자리에 전기 모터를 넣고 축과 벨트는 그대로 뒀습니다. 새 기술을 옛 체계 위에 덧씌운 것입니다.

진짜 변화는 기계마다 작은 모터를 다는 ‘단위 구동(unit drive)’이 퍼지면서 왔습니다. 무거운 축을 받칠 필요가 없어지자 공장을 단층으로 짓고, 자재가 흐르는 순서대로 기계를 다시 놓고, 한 라인을 고치느라 공장 전체를 세우지 않아도 됐습니다. 데이비드의 추산으로 1919~29년 미국 제조업 총요소생산성 증가율이 5%p 빨라진 것 가운데 약 절반이 이 시기 전동기 설비 증가로 통계적으로 설명됩니다.

데이비드는 같은 글에서 1990년의 컴퓨터에서도 같은 현상이 보인다고 적었습니다. 종이 절차를 그대로 둔 채 컴퓨터 절차를 옆에 얹어, 때로는 둘 다 성능이 나빠진다는 것입니다. 지금 이 문장의 ‘컴퓨터’ 자리에 ‘AI’를 넣어도 어색하지 않습니다. AI로 보고서를 10분 만에 쓰고 결재는 사흘을 기다리는 장면, 한국은행이 말한 ‘병목’이 바로 이것입니다.

2021년 에릭 브린욜프슨(Erik Brynjolfsson)·대니얼 록·채드 사이버슨은 이 현상을 생산성 J커브로 정리했습니다. AI 같은 범용기술은 막대한 보완 투자를 요구하는데, 그 투자는 대부분 눈에 보이지 않는 무형자산이라 통계에 잘 안 잡힙니다. 그래서 초기에는 생산성이 오히려 낮게 측정되다가, 투자가 열매를 맺으면 뒤늦게 뛰어오릅니다. 그 보완 투자가 무엇인지 논문은 분명히 적었습니다.

기업은 새 업무 프로세스를 만들고, 관리 경험을 쌓고, 직원을 훈련하고, 소프트웨어를 손보고, 그 밖의 무형자산을 쌓아야 한다.

한국은행도 2026년 이슈노트에서 같은 틀을 썼습니다. 지금의 AI는 ‘효율성’ 단계에는 들어왔지만 아직 ‘생산성’ 단계로 충분히 넘어가지 못했고, 이것은 범용기술 도입 초기의 전형적인 J커브·솔로 역설일 수 있다고 봤습니다.

🛠️ AI를 잘 쓰게 하려면 어떻게 할까

성과를 낸 조직의 공통점은 더 좋은 모델이 아니라 다시 짠 업무 흐름, 제대로 된 훈련, 그것을 받쳐 주는 관리였습니다.

맥킨지 2025년 조사로 돌아가 봅시다. 영업이익의 5% 넘게를 AI로 번 고성과 조직(109곳)과 나머지를 비교했더니, 업무 흐름을 근본적으로 다시 설계했다는 답이 55% 대 20% 로 2.8배 차이가 났습니다. 맥킨지는 31개 변수를 놓고 분석한 결과 업무 흐름의 의도적 재설계가 성과에 가장 크게 기여하는 요인 가운데 하나였다고 적었습니다.

BCG는 더 노골적으로 말합니다. 2024년 조사에서 AI 도입 과정의 어려움 가운데 약 70%가 사람과 프로세스 문제였고, 기술 문제는 20%, 알고리즘 문제는 10%뿐이었습니다. BCG는 같은 비율을 ‘10-20-70’ 원칙으로 되풀이합니다. AI의 가치 가운데 10%는 알고리즘, 20%는 데이터와 기술, 70%는 사람과 프로세스에서 나온다는 것입니다(BCG, 2026).

그런데 그 70%에 대한 투자는 어떨까요.

※ 액센추어의 두 숫자는 서로 다른 조사(직원 5,000명 · 경영진 2,425명)에서 나온 값입니다.

직원들은 이미 알아서 쓰고 있습니다. 마이크로소프트 조사에서 AI 사용자의 78%는 회사가 주지 않은 도구를 직접 들고 왔고(BYOAI), MIT NANDA 예비 보고서(2025)에서는 공식 AI 구독을 산 회사가 40%인데 직원이 AI를 정기적으로 쓴다는 회사는 90%가 넘었습니다. 쓰는 것은 이미 해결됐습니다. 남은 것은 무엇에 어떻게 쓰느냐입니다.

BCG의 2025년 조사는 그 차이를 만드는 것이 무엇인지도 보여 줍니다. 5시간 이상 훈련을 받고 대면 교육·코칭을 받은 직원일수록 정기 사용률이 뚜렷이 높았고, 리더의 지원이 강하면 AI를 긍정적으로 보는 직원 비율이 15%에서 55%로 뛰었습니다.

가장 최근의 증거는 마이크로소프트가 2026년 5월 낸 Work Trend Index입니다. 10개국 AI 사용자 20,000명의 응답으로 AI의 체감 성과를 가르는 요인을 따져 보니, 조직 요인(문화·관리자 지원·인재 관행)의 비중이 67%, 개인의 태도·행동이 32%였습니다. 조직 쪽이 두 배가 넘습니다. 가장 강한 요인에는 ‘사람을 평가하고 키우는 방식에 AI가 반영돼 있는가’가 들어 있었습니다. 그런데 결과가 안 나와도 AI로 일을 새로 짠 시도를 인정받는다는 사용자는 13%뿐이었습니다.

🧰 AI는 왜 스스로 일하지 않을까

같은 도구도 쓰는 사람과 과업에 따라 결과가 정반대로 갈립니다. 경계를 아는 것 자체가 사람의 스킬입니다.

‘AI를 도입했다’는 말에는 ‘이제 AI가 일을 한다’는 착각이 숨어 있습니다. 가장 잘 설계된 두 실험은 반대로 말합니다.

첫째는 브린욜프슨·대니얼 리·린지 레이먼드가 콜센터 상담원 5,172명을 추적해 2025년 경제학 최상위 학술지 QJE에 실은 연구입니다. 이 AI는 상담원에게 답변을 제안할 뿐이고, 논문의 표현대로 대화의 책임은 상담원에게 남아 있었습니다. 둘째는 하버드경영대학원 파브리치오 델라쿠아(Fabrizio Dell’Acqua) 연구진이 BCG 컨설턴트 758명을 무작위로 나눠 GPT-4를 쥐여 준 2023년 실험입니다.

두 연구가 겹치는 지점은 분명합니다. AI의 효과는 도구의 성능이 아니라 도구와 사람과 과업의 조합에서 나옵니다. 델라쿠아 연구진은 AI가 잘하는 일과 못하는 일의 경계가 매끈하지 않고 들쭉날쭉하다고 해서 이것을 ‘들쭉날쭉한 기술 경계(jagged technological frontier)’라고 불렀습니다. 겉보기에 난이도가 비슷한 과업인데 하나는 AI가 잘하고 하나는 그럴듯하게 틀립니다. 그 경계 밖에서 AI를 믿은 컨설턴트들은 AI 없이 푼 동료보다 정답률이 19%p 낮았습니다.

성공적으로 AI를 쓴 사람들에게서는 두 가지 방식이 관찰됐습니다. 일을 나눠 어떤 부분은 AI에 맡기고 어떤 부분은 직접 하는 ‘켄타우로스’형, 과업 전체를 AI와 수시로 주고받으며 섞어 쓰는 ‘사이보그’형입니다. 둘 다 결국 무엇을 맡기고 무엇을 확인할지 판단하는 능력이 핵심이었습니다.

현장의 감각도 같습니다. 마이크로소프트 2026년 조사에서 AI 사용자의 86%는 AI의 결과물을 최종 답이 아닌 출발점으로 여기고 생각의 책임은 자신에게 있다고 답했습니다. AI가 일을 더 많이 맡을수록 중요해지는 스킬로는 AI 결과물의 품질 검증(50%)과 비판적 사고(46%)를 꼽았습니다.

에이전트가 일을 알아서 처리하는 시대가 오면 달라질까요. 2025년 맥킨지 조사에서 AI 에이전트를 조직 어딘가에서 확대 적용 중이라는 답은 23%였고, 기능별로 보면 어느 기능에서도 10%를 넘지 않았습니다. 그리고 고성과 조직을 가른 요인 가운데 하나는 AI의 결과물을 언제 어떻게 사람이 검증할지 정해 둔 절차였습니다. 마이크로소프트는 2026년 보고서 첫머리에 이렇게 적었습니다. 에이전트가 실행을 더 많이 맡을수록 사람에게는 일을 지휘하고, 결정을 내리고, 결과를 책임질 여지가 더 커진다고요.

AI는 일을 대신 해 주는 것이 아니라 일을 하는 방식을 바꿉니다. 바뀐 방식을 몸에 붙이는 것은 여전히 사람의 몫입니다.

🔄 그래서 SX(스킬 전환)란

SX(스킬 전환)는 바뀐 일에 맞춰 구성원의 스킬을 조직 단위로 다시 정의하고, 키우고, 확인하는 전환입니다.

여기까지의 증거를 한 문장으로 모으면 이렇습니다. 기술 도입은 필요조건이고, 성과는 사람의 스킬과 일하는 방식이 따라왔을 때 난다. 이 ‘따라오게 하는 일’을 독립된 과제로 다루자는 것이 SX(Skill Transformation, 스킬 트랜스포메이션), 곧 스킬 전환입니다.

스킬 전환은 ‘AI 교육을 더 하자’와 다릅니다. 교육은 도구 사용법을 가르치고 이수율을 셉니다. 스킬 전환(SX)은 일의 구성과 사람의 스킬 구성을 함께 바꾸고, 그 결과를 업무 성과로 잽니다. 앞의 연구들을 거꾸로 읽으면 스킬 전환이 다뤄야 할 것이 순서대로 나옵니다.

1. 일을 먼저 다시 짠다 — 어떤 과업을 AI에 맡기고 어떤 판단을 사람에게 남길지. 맥킨지 고성과 조직의 55%가 한 일입니다.
2. 그 일에 필요한 스킬을 정의한다 — 도구를 다루는 스킬만이 아니라 검증·판단·질문하는 스킬까지. 들쭉날쭉한 경계를 알아보는 눈이 여기에 들어갑니다.
3. 지금 수준을 진단한다 — 누가 이미 할 수 있고 누가 어디서 막히는지. 같은 AI가 초보에게는 +30%, 숙련자에게는 품질 하락이었습니다.
4. 일하면서 배우게 한다 — 5시간 이상의 훈련과 현장 코칭(BCG, 2025). 사람과 AI가 서로에게 배우는 구조입니다.
5. 평가와 보상에 반영한다 — 새로 짠 시도를 인정받는 사람이 13%뿐이면 아무도 공장 배치를 바꾸지 않습니다.
6. 처리량과 품질로 잰다 — 아낀 시간이 아니라 그 시간으로 무엇이 늘었는지. 한국은행이 확인한 ‘상관 0’을 우리 조직에서 다시 재 보는 일입니다.

스킬 전환이 향하는 조직의 모습을 딜로이트(2022)는 스킬 기반 조직(SBO, skills-based organization) 이라고 불렀습니다. 직무가 아니라 스킬을 일의 중심에 두는 운영 방식입니다. SX는 과정이고 SBO는 도착점입니다. 다음 절에서 자세히 봅니다.

다른 SX와 헷갈리지 않도록

SX라는 약어는 이미 다른 뜻으로도 쓰입니다. 일본 경제산업성이 2022년 8월 「이토 리포트 3.0(SX판)」에서 정의한 지속가능성 전환(Sustainability Transformation)이 대표적이고, 국내 ESG 논의에서도 이 뜻으로 자주 씁니다. 이 글의 SX는 그것과 무관한 스킬 전환(Skill Transformation) 입니다. 또 ‘스킬 전환’이나 ‘스킬 트랜스포메이션’은 아직 학계의 표준 용어가 아닙니다. 이름보다 중요한 것은 다음 절에서 보듯 그 내용을 여러 기관이 각자의 말로 이미 해 왔다는 사실입니다.

🏢 스킬 전환의 끝은 SBO인가

스킬 전환(SX)은 과정이고, 스킬 기반 조직(SBO)은 그 과정이 닿으려는 운영 방식입니다.

딜로이트는 2022년 보고서 「The skills-based organization: A new operating model for work and the workforce」에서 스킬 기반 조직(SBO) 을 직무보다 스킬을 일과 인력 운영의 중심에 두는 새로운 운영 모델로 정의했습니다. 채용·배치·육성·평가를 ‘어떤 직무인가’가 아니라 ‘어떤 스킬을 어느 수준으로 가졌는가’로 결정하는 조직입니다.

AI 이야기와 SBO 가 만나는 지점은 분명합니다. AI가 과업을 바꾸면 직무기술서는 금방 낡습니다. 반면 스킬은 과업보다 작은 단위라 AI가 가져간 부분과 사람에게 남은 부분을 나눠 볼 수 있습니다. 앞에서 본 스킬 전환의 여섯 단계, 곧 일을 다시 짜고, 스킬을 정의하고, 진단하고, 키우고, 평가에 넣고, 성과로 재는 일을 되풀이하면 조직의 기준이 하나씩 스킬로 바뀝니다. 스킬 전환을 되풀이한 결과가 스킬 기반 조직입니다.

딜로이트 조사(노동자 1,021명 · 경영진 225명, 2022년 5~6월)에서 스킬 기반 접근을 조직에 심은 곳은 그렇지 않은 곳보다 성과를 달성할 가능성이 63%, 긍정적인 인력 경험을 줄 가능성이 79% 높았습니다. 다만 이것은 인과가 아니라 함께 나타난 상관입니다. 이미 잘 운영되던 조직이 스킬 기반 접근을 먼저 시작했을 수도 있습니다.

그리고 대부분은 아직 길 위에 있습니다. 같은 조사에서 경영진의 약 90% 가 스킬 기반 접근을 실험하고 있다고 답했지만, 조직 전반에 상당히 도입한 곳은 5곳 중 1곳이 안 됐습니다. 걸림돌로는 옛 사고방식과 관행(46%)이 가장 많이 꼽혔습니다. AI 도입률 88%와 큰 이익 6% 사이의 빈칸과 모양이 같습니다. 선언은 쉽고 전환은 어렵습니다.

스킬 기반 조직을 더 깊이 보시려면 스킬 기반 조직(SBO)이란 — 정의, 효과, 시작하는 방법에 정리해 두었습니다.

📚 기관들은 이것을 뭐라고 불렀나

이름은 제각각이지만 말은 같습니다. 새 기술은 사람의 스킬과 일하는 방식이 따라올 때 비로소 성과가 됩니다.

세계경제포럼(WEF)의 「Future of Jobs Report 2025」는 1,000개 넘는 기업(근로자 1,400만 명 이상)을 조사해 이 방향을 가장 넓은 숫자로 보여 줍니다. 근로자가 가진 스킬의 39%가 2025~2030년 사이 바뀌거나 낡고, 전 세계 노동력을 100명으로 치면 59명이 2030년까지 훈련이 필요합니다. 기업의 63%는 스킬 격차를 사업 전환의 가장 큰 장벽으로 꼽았고, 85%는 기존 인력의 역량 강화를 우선하겠다고 답했습니다. 이 보고서는 스킬 장을 설명하며 ‘스킬 전환의 동인(drivers of skill transformation)’이라는 표현을 직접 씁니다.

한국은행의 처방도 같은 곳을 가리킵니다. 표준화된 업무는 AI 중심으로 흐름 자체를 다시 설계하고, 사람의 판단이 핵심인 열린 업무에서는 AI를 조력자로 쓰며 사람의 역량을 키우라는 것입니다. 그리고 한 가지를 따로 짚었습니다. 신입·저연차가 기초 업무를 AI에 넘기면서 숙련을 쌓을 기회를 잃지 않도록 학습 경로를 새로 설계해야 한다는 것입니다.

⚖️ DX·AX와 스킬 전환은 뭐가 다른가

DX·AX가 기술을 들이는 전환이라면 SX(스킬 전환)는 그 기술로 일하는 사람의 스킬을 바꾸는 전환입니다. 순서가 아니라 짝입니다.

※ 이 표는 앞의 연구들을 바탕으로 이 글이 정리한 것입니다. DX·AX의 정의는 기관마다 조금씩 다릅니다.

이 글이 스킬 전환(SX)을 AI ‘다음’이라고 부르는 것은 시간 순서 때문이 아닙니다. 병목이 옮겨 갔기 때문입니다. 도구를 사는 문제는 풀렸고, 이제 성과를 막는 것은 사람과 일의 구조입니다. 데이비드의 공장으로 말하면, 모터는 이미 다 들어왔고 지금은 벨트를 걷어 낼 차례입니다.

🧐 과장된 이야기는 아닐까

반론도 만만치 않습니다. 가장 유명한 숫자는 방법이 약하고, AI의 거시 효과 자체가 작다는 추정도 있습니다.

첫째, ‘95% 실패’는 조심해서 써야 합니다. 2025년 8월 널리 퍼진 MIT NANDA 보고서 「The GenAI Divide」는 조직의 95%가 생성형 AI 투자에서 수익을 못 보고 있다고 했습니다. 하지만 이 보고서는 스스로 ‘예비 결과’라고 밝혔고, 근거는 공개 사례 300여 건 검토, 52개 조직 인터뷰, 업계 행사에서 받은 설문 153건입니다. 성공의 정의도 ‘사용자나 경영진이 뚜렷한 생산성·손익 효과가 있다고 말한 경우’였고, 수치는 공식 보고가 아니라 인터뷰에 기반해 “방향적으로 정확하다”고 스스로 단서를 달았습니다. IT 분석 매체 퓨처리엄(Futuriom)은 95%가 어떻게 계산됐는지 보고서 어디에도 드러나지 않는다고 비판했고, 와튼스쿨의 케빈 워바크(Kevin Werbach) 교수도 비슷한 문제를 짚었습니다. 이 글이 95%를 첫머리에 쓰지 않은 이유입니다.

게다가 그 보고서는 원인을 사람보다 도구 쪽에서 찾았습니다. 확산을 막는 핵심 장벽은 인프라도 규제도 인재도 아니고, 피드백을 기억하고 맥락에 적응하지 못하는 시스템의 ‘학습 격차’라고 했습니다. 공정하게 말하면, 사람만 바꾸면 된다는 주장도 과장입니다.

둘째, 설문은 설문입니다. 맥킨지·BCG·마이크로소프트의 숫자는 대부분 응답자가 스스로 답한 인식입니다. 고성과 조직이 업무를 재설계한 것인지, 여유가 있어서 재설계할 수 있었던 것인지는 설문으로 가릴 수 없습니다. 맥킨지도 ‘기여도’를 말했지 인과를 증명했다고 하지 않았습니다. 그리고 컨설팅사들은 ‘사람과 프로세스가 70%’라는 결론에서 사업 기회를 얻는 쪽이라는 점도 기억해 둘 만합니다. 스킬을 다루는 회사인 저희도 마찬가지입니다.

셋째, AI의 크기 자체가 작을 수 있습니다. MIT의 대런 아세모글루(Daron Acemoglu)는 2024년 논문 「The Simple Macroeconomics of AI」(Economic Policy, 2025)에서 향후 10년 AI가 올릴 총요소생산성을 0.66% 이하, 어려운 과업까지 감안하면 0.53% 미만으로 추정했습니다. 이 추정이 맞다면 스킬 전환을 아무리 잘해도 기대만큼의 거시 성과는 없을 수 있습니다.

넷째, 단지 시간이 모자란 것일 수 있습니다. J커브가 옳다면 지금의 빈칸은 실패가 아니라 초기 구간입니다. 앞의 2026년 기업 조사에서도 경영진은 향후 3년간 AI가 생산성을 평균 1.4% 올릴 것으로 내다봤습니다.

그래도 남는 것이 있습니다. 네 반론 가운데 어느 것도 ‘도구만 들이면 성과가 난다’를 지지하지 않습니다. 효과가 작든 크든, 늦든 이르든, 그 효과를 실제로 거두는 경로는 다시 짠 업무와 그 업무를 해낼 사람의 스킬을 지납니다. 전기의 40년은 기다림이 아니라 공장을 다시 짓고 일을 다시 배운 시간이었습니다.

🧭 어디서부터 시작하면 될까

도입률이 아니라 빈칸을 재는 것부터입니다. 여섯 가지 질문이면 우리 조직의 빈칸이 어디인지 보입니다.

1. AI를 쓰는 사람이 몇 명인가가 아니라, AI를 전제로 다시 짠 업무가 몇 개인가? 고성과 조직과 나머지의 차이는 55% 대 20%였습니다.
2. 아낀 시간은 어디로 갔나? 한국은행이 전국 단위로 확인한 ‘상관 0’을 우리 팀 단위로 재 봅니다. 처리량, 품질, 새로 시작한 일 가운데 무엇이 늘었는지.
3. 경계선을 가르치고 있나? 컨설턴트들이 틀린 곳은 AI의 경계 밖이었습니다. 어떤 결과물을 누가 어떻게 검증하는지가 정해져 있는지 봅니다.
4. 훈련이 ‘5시간’과 ‘현장’을 넘는가? 한 번의 사내 특강으로는 정기 사용도 안 늘었습니다(BCG, 2025).
5. 새로 짠 시도가 평가에 들어가나? 인정받는다는 사람이 13%라면 대부분은 옛 방식이 안전하다고 판단합니다.
6. 저연차의 숙련 경로는 안전한가? AI가 기초 업무를 가져가면, 그 업무로 배우던 것을 어디서 배울지 다시 설계해야 합니다.

이 질문에 답하려면 결국 ‘누가 어떤 스킬을 어느 수준으로 갖고 있고, 바뀐 일에는 무엇이 필요한가’를 알아야 합니다. 스킬 전환(SX)의 첫걸음이 스킬을 재는 일이고, 그 데이터가 쌓여야 스킬 기반 조직(SBO)으로 갈 수 있는 이유입니다.

📌 정리

• 조직의 88%가 AI를 쓰지만 영업이익의 5% 넘게를 AI로 번 곳은 약 6%입니다(맥킨지, 2025). 한국 근로자는 AI로 주 평균 1.5시간을 아꼈지만 그 시간과 실제 처리량 증가의 상관은 0이었습니다(한국은행, 2026).
• 이 빈칸은 처음이 아닙니다. 전기는 첫 발전소부터 약 40년, 공장 배치를 바꾼 뒤에야 생산성이 됐습니다(데이비드, 1990). 경제학은 이것을 보완 투자와 J커브로 설명합니다.
• 성과를 가른 것은 모델이 아니라 업무 흐름 재설계(55% 대 20%), 사람과 프로세스(어려움의 70%), 조직 요인(개인 요인의 2배 이상)이었습니다.
• 같은 AI도 초보 상담원은 +30%, 경계 밖 과업의 컨설턴트는 정답률 −19%p였습니다. 무엇을 맡기고 무엇을 확인할지 아는 것이 스킬입니다.
• SX(Skill Transformation, 스킬 전환 · 스킬 트랜스포메이션)는 바뀐 일에 맞춰 스킬을 다시 정의하고, 키우고, 확인하는 전환입니다. 새 용어지만 새 주장은 아닙니다.
• 스킬 전환의 도착점은 스킬 기반 조직(SBO)입니다. 다만 경영진 약 90%가 실험 중인데 상당히 도입한 곳은 5곳 중 1곳이 안 됩니다(딜로이트, 2022).
• 반론도 있습니다. ‘95% 실패’는 근거가 약하고, AI의 거시 효과가 작다는 추정도 있습니다. 그래도 효과를 거두는 길은 사람과 일의 구조를 지납니다.