AI는 어디에나 있는데, 생산성은 왜 안 보이나…빅테크 투자 흔드는 ‘솔로우 패러독스’

|스마트투데이=우세현 기자| AI 산업을 둘러싼 질문이 바뀌고 있다. “AI가 쓸모 있는 기술인가”가 아니라 “AI가 지금 쏟아붓는 막대한 투자비를 회수할 만큼 돈을 벌어줄 수 있는가”가 핵심 쟁점으로 떠올랐다.

코드 작성, 자료 조사, 보고서 요약, 이미지·영상·음악 제작까지 AI의 효용은 이미 일상과 업무 현장에서 확인되고 있다. 문제는 이 효용이 기업의 손익계산서와 국가 경제 지표에 얼마나 빠르게, 얼마나 선명하게 잡히느냐다.

빅테크의 AI 투자는 ‘번 돈으로 하는 투자’에서 ‘미래 수익으로 갚아야 하는 투자’로

AI 경쟁이 격화되면서 빅테크의 자본지출, 즉 CAPEX 부담은 빠르게 커지고 있다. CAPEX는 기업이 데이터센터, 서버, 반도체, 전력 인프라처럼 장기간 사용하는 설비와 자산에 투입하는 돈을 뜻한다. AI 시대의 CAPEX는 사실상 GPU와 데이터센터에 대한 투자다.

지금까지 시장은 빅테크의 AI 투자를 어느 정도 용인해왔다. 구글, 마이크로소프트, 아마존, 메타 같은 기업들은 검색 광고, 클라우드, 소프트웨어 사업에서 막대한 현금흐름을 창출해왔기 때문이다. 쉽게 말해 돈을 워낙 잘 버는 기업들이었기 때문에, 그 돈 일부를 AI 인프라에 쓰는 것은 감당 가능한 비용으로 받아들여졌다.

하지만 투자 규모가 계속 커지면서 AI CAPEX의 성격도 달라지고 있다. 과거 빅테크의 AI 투자는 대체로 “벌어들인 돈 안에서 집행하는 투자”에 가까웠다. 검색 광고, 클라우드, 소프트웨어 사업에서 창출한 막대한 현금흐름을 바탕으로 데이터센터와 반도체 투자를 감당하는 구조였다. 그러나 이제는 일부 기업이 외부 자본시장에 손을 뻗어야 할 만큼 투자 부담이 커지고 있다.

상징적인 사례가 구글의 모회사 알파벳이다. 알파벳은 AI 인프라와 컴퓨팅 투자를 확대하기 위해 대규모 주식 발행 방식의 자금 조달에 나섰다. 당초 800억 달러 규모로 추진된 조달은 투자자 수요가 몰리며 더 커졌고, 최종적으로는 850억 달러 수준으로 확대됐다.

먼저 보통주와 전환우선주 공모로 약 347억5000만 달러를 조달한다. 여기에 버크셔 해서웨이를 대상으로 한 100억 달러 규모의 사모 투자가 붙었다. 나머지 400억 달러는 한 번에 주식을 파는 것이 아니라, 향후 시장 상황을 보면서 장내에서 단계적으로 주식을 매각하는 방식이다. 현금 창출력이 막강한 빅테크 기업이 주식 발행을 통해 AI 투자 재원을 마련했다는 점은 시장에 적지 않은 메시지를 던졌다.

주식 발행을 통한 자금 조달, 즉 유상증자는 기업 입장에서는 부채를 늘리지 않는다는 장점이 있다. 이자 부담이 생기지 않고, 신용등급에 미치는 충격도 상대적으로 제한적일 수 있다. 그러나 기존 주주 입장에서는 전체 주식 수가 늘어나면서 자신이 보유한 한 주의 가치가 희석된다. 빅테크가 그동안 자사주 매입을 통해 주당순이익을 높이고 주주가치를 관리해왔다는 점을 고려하면, 알파벳의 선택은 AI 인프라 투자가 주주환원 정책의 우선순위까지 흔들 수 있는 단계로 넘어섰다는 의미로 읽힌다.

반면 오라클은 부채 조달의 성격이 더 강하게 부각되는 사례다. 오라클은 AI 클라우드 수요에 대응하기 위해 데이터센터 투자를 공격적으로 늘리고 있고, 이 과정에서 회사채 발행과 대규모 금융 조달을 활용하고 있다. AI 인프라 투자가 기존 현금흐름만으로 감당하기 어려운 규모로 커지면서, 기업이 미래 매출을 담보로 현재의 설비 투자를 앞당기는 구조가 만들어지고 있는 것이다.

결국 핵심은 AI 투자가 더 이상 단순한 연구개발비나 선택적 성장 투자가 아니라는 점이다. 구글은 주식 발행으로, 오라클은 부채 조달로 투자 재원을 마련하고 있다. 방식은 다르지만 메시지는 같다. AI 인프라 경쟁은 이제 기업들이 벌어둔 현금만으로 감당하는 단계를 넘어, 주주가치 희석이나 재무 부담을 감수하면서까지 미래 생산성에 베팅하는 국면으로 들어섰다.

업무 현장에서는 이미 생산성 개선이 나타나고 있다

AI 낙관론자들이 가장 강하게 내세우는 근거는 업무 현장의 변화다. 거시경제 지표에서는 AI 효과가 아직 뚜렷하게 보이지 않더라도, 개별 업무 단위에서는 생산성 개선이 이미 확인되고 있다는 주장이다.

대표적인 사례는 전미경제연구소가 진행한 실험이다. 프록터앤드갬블 소속 전문가들을 대상으로 신제품 개발 과제를 수행하게 한 결과, AI를 활용한 개인은 AI를 활용하지 않은 2인 팀보다 더 나은 결과물을 낸 것으로 나타났다. AI의 도움을 받은 개인은 결과물의 품질을 높였을 뿐 아니라 작업 시간도 줄였다.

이 결과가 중요한 이유는 AI가 단순한 보조 도구를 넘어, 사람의 전문성 간극을 메우는 역할을 할 수 있음을 보여주기 때문이다. 연구개발 담당자는 마케팅 관점이 부족할 수 있고, 상업 부문 담당자는 기술 이해도가 낮을 수 있다. AI는 이런 부족한 영역에 대한 초기 관점과 아이디어를 제공해 개인이 더 균형 잡힌 해결책을 내도록 돕는다.

AI 활용 방식도 변하고 있다. 초기에는 “문장을 다듬어줘”, “코드 오류를 확인해줘”처럼 보조적 작업을 요청하는 경우가 많았다. 그러나 최근에는 “보고서 초안을 작성해줘”, “고객 데이터를 분석해 제안서를 만들어줘”처럼 업무 자체를 AI에 맡기는 방식이 늘고 있다. 보조에서 위임으로 이동하고 있는 것이다.

기업들이 AI를 단순한 생산성 보조 수단이 아니라 업무 자동화 도구로 받아들이기 시작했다는 점은 의미가 크다. 이는 AI에 대한 신뢰도가 높아졌고, 일부 업무에서는 사람이 처음부터 끝까지 수행하지 않아도 된다는 인식이 확산되고 있다는 뜻이다.

왜 GDP와 실적에는 잘 보이지 않을까

그렇다면 업무 현장에서는 생산성이 개선되고 있는데, 왜 기업 실적이나 국가 GDP 같은 지표에서는 AI 효과가 선명하게 드러나지 않을까. 여기서 자주 언급되는 개념이 ‘솔로우 패러독스’다.

솔로우 패러독스는 기술 혁신이 사회 곳곳에 퍼졌는데도 생산성 통계에는 잘 나타나지 않는 현상을 말한다. 과거 컴퓨터가 보급되던 시기에도 “컴퓨터 시대는 어디서나 보이지만 생산성 통계에서는 보이지 않는다”는 지적이 나왔다. AI도 비슷한 상황에 놓여 있다는 분석이 나온다.

최근 AI 논의에서는 ‘다크 아웃풋’이라는 개념도 주목받고 있다. 다크 아웃풋은 AI가 실제로 만들어내지만 기존 통계가 제대로 포착하지 못하는 산출물을 뜻한다. 비용은 선명하다. GPU 가격, 데이터센터 건설비, 전력비, 서버 비용은 모두 장부에 찍힌다. 반면 AI가 줄여준 시간, 빨라진 의사결정, 자동화된 내부 업무, 더 나아진 보고서 품질은 숫자로 환산하기 어렵다.

서비스업에서는 이런 문제가 더 두드러진다. 제조업은 몇 개를 생산했고 얼마에 팔았는지를 비교적 쉽게 측정할 수 있다. 그러나 지식노동에서는 보고서 품질이 얼마나 좋아졌는지, 협상이 얼마나 빨라졌는지, 회의 준비가 얼마나 정교해졌는지를 즉각 달러 가치로 바꾸기 어렵다. AI로 생산성이 올라갔다고 해서 직원 임금이 바로 두 배가 되는 것도 아니다. 이 때문에 AI가 만든 가치가 실제보다 과소평가될 수 있다는 주장이 나온다.

사라진 매출과 새로 생긴 업무…통계가 놓치는 AI 효과

AI가 만드는 보이지 않는 산출물은 크게 두 가지로 나눌 수 있다. 하나는 대체형이다. 원래는 외부에 돈을 주고 맡겼던 업무를 AI가 내부에서 처리하면서 거래 자체가 사라지는 경우다.

예를 들어 과거에는 법률 문서 검토나 리서치 보고서 작성, 코드 리뷰 같은 업무를 외부 전문가에게 맡기고 비용을 지급했다. 이 비용은 서비스 매출로 잡히고 GDP에도 반영됐다. 하지만 이제 기업 내부에서 AI를 활용해 같은 일을 짧은 시간 안에 처리하면 외부 거래는 줄어든다. 기업 입장에서는 비용이 절감됐지만, 통계상으로는 해당 서비스 매출이 사라진 것처럼 보일 수 있다.

다른 하나는 신규형이다. AI 덕분에 과거에는 비용 대비 효용이 맞지 않아 하지 않았던 일을 새로 하게 되는 경우다. 회의 전 고객사와 주고받은 이메일과 자료를 한꺼번에 AI에 넣고 요약·분석하게 하는 업무가 대표적이다. 과거에도 이런 일을 하면 도움이 됐지만, 사람이 직접 하기에는 시간이 너무 많이 들었다. AI가 비용을 거의 0에 가깝게 낮추면서 가능해진 업무다.

문제는 이런 신규 업무가 장부에 잘 남지 않는다는 점이다. 직원이 AI를 켜고 프롬프트 몇 번으로 만든 결과물은 외부에서 구매한 서비스가 아니다. 사회 전체로 보면 분명히 효용이 생겼지만, 기존 경제 통계에는 잘 포착되지 않는다.

“보이지 않는 가치로 데이터센터 비용을 갚을 수 있나”

반론도 만만치 않다. AI 약세론자들의 핵심 주장은 간단하다. “보이지 않는 생산성으로 어떻게 보이는 투자비를 갚을 수 있느냐”는 것이다.

데이터센터는 실제 현금으로 짓는다. GPU도 돈을 주고 산다. 전력망, 냉각 설비, 부지, 서버 유지비도 모두 비용이다. 이 인프라는 시간이 지나면 감가상각비로 회계 처리된다. 감가상각은 비싼 설비를 한 번에 비용 처리하지 않고 사용 기간에 걸쳐 나눠 반영하는 회계 방식이다. 즉 AI 인프라 투자는 장기간 기업 실적에 부담으로 남는다.

따라서 AI가 아무리 유용하더라도 그 가치가 매출 증가, 비용 절감, 수익성 개선으로 빠르게 연결되지 않으면 투자 정당성에는 구멍이 생길 수 있다. “AI가 혁신을 만들었다”는 만족감과 “AI가 실제로 돈을 벌어줬다”는 재무적 증거는 다르다.

일부 조사에서는 기업들이 AI 도입 이후 혁신, 직원 만족도, 고객 경험 개선은 체감한다고 답했지만, 매출 증가나 비용 절감, 시장점유율 확대 같은 정량적 효과는 상대적으로 약하게 나타났다. 이는 AI가 좋은 도구인 것과 AI가 당장 대규모 인프라 투자를 회수할 수 있는 사업모델인 것은 별개의 문제라는 점을 보여준다.

기술은 진짜여도 가격은 틀릴 수 있다

AI 논쟁에서 중요한 지점은 기술의 진위와 투자 가격의 적정성을 구분하는 것이다. 인터넷은 실제로 인류의 생산성과 경제 구조를 바꿨다. 그러나 닷컴버블 당시 인터넷 기업에 매겨졌던 가격이 모두 정당했던 것은 아니다. 기술은 진짜였지만, 그 기술이 돈으로 바뀌기까지 걸리는 시간을 시장이 과소평가했다.

AI도 같은 시험대에 올라 있다. AI는 분명 업무 방식을 바꾸고 있다. 개인의 생산성을 높이고, 팀의 협업 구조를 바꾸고, 기업의 일부 업무를 자동화하고 있다. 그러나 지금의 AI 인프라 투자는 너무 크고 빠르다. 현재의 지출은 확정적이지만, 미래의 수익은 불확실하다.

결국 관건은 시간 차이다. AI가 만들어내는 생산성이 얼마나 빨리 매출과 이익으로 전환될 것인가. AI 서비스 기업과 클라우드 기업이 먼저 매출을 가져가고, 실제 AI를 활용하는 병원·은행·제조업체 등은 나중에 생산성 개선을 체감하는 구조가 이어진다면, 시장은 한동안 AI의 진짜 가치를 제대로 측정하지 못할 수 있다.

AI의 다음 과제는 ‘유용성’이 아니라 ‘증명’이다

AI가 쓸모 있는 기술이라는 사실은 더 이상 큰 논쟁거리가 아니다. 문제는 그 쓸모가 얼마나 큰 경제적 가치로 환산될 수 있느냐다. 사용자는 시간을 절약하고, 기업은 일부 업무를 자동화하며, AI 기업은 빠르게 매출을 늘리고 있다. 그러나 이 모든 변화가 막대한 데이터센터 투자와 GPU 구매 비용을 정당화할 만큼 충분한 현금흐름으로 이어질지는 아직 증명되지 않았다.

AI 산업은 지금 자신의 무게와 싸우고 있다. 기술의 잠재력은 크지만, 그 잠재력을 믿고 쌓아 올린 투자 규모도 그만큼 거대하다. 앞으로 AI가 보여줘야 할 것은 더 화려한 시연이나 더 많은 사용 사례가 아니다. 기업의 비용을 줄이고, 매출을 늘리고, 생산성을 실제 숫자로 입증하는 일이다.

AI가 세상을 바꾸고 있다는 말만으로는 부족하다. 이제 시장은 묻고 있다. 그 변화가 과연 얼마짜리인가.