AI를 쓴 상담원은 더 많이 해결했고, 개발자는 더 오래 걸렸다

AI가 초안을 30초 만에 쓰면 일이 빨라진 것처럼 보입니다. 그러나 어색한 표현을 고치고 사실을 다시 찾는 데 15분이 들었다면, 끝난 것은 초안이지 업무가 아닙니다. 같은 도구가 어떤 현장에서는 성과를 높이고 다른 현장에서는 시간을 늘린 연구를 함께 보면 이 차이가 선명해집니다.

반복 상담에서는 무엇이 빨라졌나

고객지원 상담원 5,172명의 업무를 연구한 Generative AI at Work에서는 AI 보조 도구를 쓴 집단의 시간당 해결 건수가 평균 약 14~15% 늘었습니다. 효과는 경험이 적고 성과가 낮았던 상담원에게 더 크게 나타났습니다. AI가 숙련된 상담원의 답변 패턴을 필요한 순간에 제안해 지식 격차를 줄이는 설명과 맞아떨어집니다. 연구에서 잰 것은 글을 생성한 속도가 아니라 실제로 해결한 상담 건수였습니다.

이 수치를 모든 사무 업무의 생산성 증가율로 바꾸면 안 됩니다. 상담에는 반복되는 문제와 참고할 과거 대화가 있고, 해결 건수라는 비교적 분명한 결과가 있습니다. 신규 사업 전략이나 검증되지 않은 의료·법률 설명처럼 정답의 비용이 다른 일에는 같은 조건이 없습니다.

숙련 개발자는 왜 오히려 오래 걸렸나

METR는 2025년 초 숙련된 오픈소스 개발자 16명이 자신의 저장소에서 처리할 실제 이슈 246개를 AI 사용 가능·불가능 조건에 무작위로 나눴습니다. 개발자들은 Cursor Pro와 당시의 Claude 3.5·3.7 등을 주로 썼습니다. 결과는 예상과 반대였습니다. AI를 쓸 수 있을 때 완료 시간이 평균 19% 더 길었습니다. 참여자는 시작 전에 AI가 약 24% 빠르게 해줄 것이라고 예상했고, 실험 후에도 약 20% 빨랐다고 느꼈습니다.

개발자들은 이미 저장소의 맥락을 잘 알고 있었습니다. 제안이 나와도 코드의 의도, 다른 모듈에 미치는 영향, 테스트 결과를 다시 읽어야 합니다. 초안 작성이 줄어도 프롬프트 작성과 검토, 불필요한 제안 버리기가 더해지면 총시간은 늘 수 있습니다. 다만 이 설명은 가능한 메커니즘이지 실험이 각 시간 요소의 인과 기여를 분리해 증명한 것은 아닙니다.

2026년 METR 후속 글은 최신 도구에 대해 같은 결론을 그대로 옮기지 말라고 경고했습니다. AI 없이 하기 싫은 과제를 참여자가 더 많이 거절하면서 새 비교에는 선택 편향이 생겼고, 후속 추정의 불확실성 범위에는 속도 향상과 저하가 모두 들어갑니다. 따라서 ‘개발자는 AI를 쓰면 언제나 느리다’도, ‘최신 AI는 이미 효과가 입증됐다’도 이 자료로 말할 수 없습니다.

내가 체감한 시간과 고객에게 도착한 결과를 분리하기

예를 들어 고객 문의 답변 열 건을 처리한다면, 초안이 생성된 시점과 사실 확인을 마치고 발송할 수 있는 시점을 따로 적습니다. 응답 품질을 맞추기 위해 수정한 문장, 잘못된 조건, 누락된 예외도 기록합니다. 같은 난도의 문의를 비교하지 않으면 쉬운 질문을 AI 쪽에 몰아준 결과가 섞입니다. 작은 자체 시험이라면 엄밀한 연구 결과라고 부르지 않고, 다음 주 업무 방식을 고르는 관찰로 쓰는 편이 정확합니다.

생산성의 흥미로운 지점은 도구 사용률이 아닙니다. 유효한 결과 한 건을 고객에게 전달하기까지 사람과 AI가 함께 쓴 시간입니다. 반복 질문에서는 AI가 숙련자의 지식을 퍼뜨릴 수 있고, 깊은 맥락을 아는 사람의 복잡한 작업에서는 검토 부담이 커질 수 있습니다. 둘 다 실제 현장에서 관찰됐기에, 내 업무의 결과로 다시 확인할 이유가 있습니다.