AI의 성과, 대형 기술주 밖에서는 아직 보이지 않는다

아폴로(Apollo)의 수석 이코노미스트 토르스텐 슬로크(Torsten Slok)는 막대한 투자에도 기술 대기업 밖에서는 AI의 재무적 성과가 보이지 않는다고 진단했다. 그가 비교한 대형 기술주 7개 기업은 직원당 매출과 이익률이 오르지만, 나머지 S&P 500 기업에서는 같은 흐름이 나타나지 않는다. AI 사용이 늘어나는 것과 기업의 매출·이익이 늘어나는 것은 다른 문제라는 뜻이다. 해커뉴스 토론에서는 성과가 퍼지는 데 시간이 필요하다는 의견부터 모델 이용료와 업무 검증 비용이 이익을 가린다는 반론까지 나왔다.

핵심요약

  • 아폴로는 매그니피센트 7의 직원당 매출이 상승하는 반면 나머지 S&P 493은 제자리라고 분석하며, AI 열풍의 성과가 넓게 확산하지 않았다고 봤다.
  • 두 집단의 이익률도 같은 방향으로 갈려, 슬로크는 일반 기업에서 AI가 실적을 끌어올렸다는 신호를 찾기 어렵다고 판단했다.
  • 슬로크는 생산성 증가율에서도 AI의 효과가 확인되지 않는다며, 토큰 사용 확대를 곧바로 경제 전체의 성과로 읽어서는 안 된다고 주장했다.
  • 벤처투자 기업의 토큰 지출은 늘지만 일반 기업은 최신 모델에 돈을 더 낼 이유를 느끼지 못해, AI 비용이 이익률을 누를 수 있다고 봤다.
  • 해커뉴스에서는 업무 재설계에 시간이 걸린다는 견해와 이용료·검증 부담이 성과를 가린다는 견해가 맞섰다.

직원당 매출이 갈린 두 집단

슬로크가 먼저 제시한 비교 대상은 매그니피센트 7(Magnificent 7·대형 기술주 7개)과 S&P 493(S&P 500에서 이 7개를 뺀 기업)이다. 첫 번째 차트에서 매그니피센트 7의 직원당 매출은 상승하지만 S&P 493은 평평하게 나타난다. 직원 한 명당 매출이 늘었다는 것은 같은 인력 규모에서 더 많은 매출을 올리고 있다는 신호다. 슬로크는 이런 차이가 AI에 쏟아진 투자와 관심이 아직 폭넓은 기업 성과로 이어지지 않았다는 판단의 출발점이라고 본다.

이 비교는 ‘기술 기업 대 비기술 기업’을 정확히 둘로 가르는 분류는 아니다. S&P 493은 대형 기술주 7개를 제외한 나머지 기업을 묶은 집단이며, 슬로크가 주목하는 것은 그 넓은 집단에서 실적 변화가 나타나는지다. 매그니피센트 7만 직원당 매출을 늘린다면 AI 산업의 성장과 다른 기업들의 경영 성과를 한데 묶어 말하기 어렵다. AI가 경제 곳곳에 쓰인다는 이야기와 그 사용이 매출을 늘렸다는 이야기를 구분해야 하는 이유다.

이익률에서도 이어진 격차

두 번째 차트는 매출보다 기업의 손익에 가까운 이익률을 비교한다. 여기서도 매그니피센트 7의 이익률은 오르지만 S&P 493의 이익률은 정체돼 있다. 직원당 매출 증가가 비용을 감당하고도 남는 성과인지 보려면 이익률을 함께 살펴야 한다. 슬로크는 두 지표가 같은 방향으로 갈린다는 점을 들어, 대형 기술주 밖에서는 AI의 재무적 보상이 드러나지 않았다고 주장한다.

기업이 AI를 쓴다는 사실만으로 이익률이 좋아지는 것은 아니다. 업무 시간이 줄더라도 모델 이용료가 늘거나, 만들어진 결과물이 추가 매출로 이어지지 않으면 손익계산서의 변화는 작을 수 있다. 슬로크의 관심은 어떤 직원이 AI로 일을 더 빨리 끝냈는지보다 기업 전체가 그 결과로 더 벌고 더 남겼는지에 있다. 그가 제시한 차트에서는 S&P 493의 이익률이 그 답을 아직 보여주지 못한다.

생산성 통계에 잡히지 않은 AI

세 번째 차트에서 슬로크는 생산성 증가율을 살핀다. 그가 제시한 자료에는 AI가 생산성 성장을 끌어올렸다는 신호도 나타나지 않는다. 이 차트의 총요소생산성(TFP·노동과 자본의 투입만으로 설명되지 않는 생산 효율)은 샌프란시스코 연방준비은행의 설비·노동 활용도 조정 계열을 사용했다. 경기 변화에 따라 생산요소를 더 쓰거나 덜 쓰는 영향을 조정한 지표를 통해, 경제 전반의 효율이 달라졌는지 보려는 것이다.

이 지점에서 개별 작업의 속도와 경제 전체의 생산성은 서로 다른 질문이 된다. AI로 문서를 빨리 쓰거나 코드를 더 많이 만들었다는 경험이 있어도, 그것이 여러 산업의 산출 증가로 모이지 않으면 거시 지표는 움직이지 않는다. 슬로크는 직원당 매출과 이익률에 이어 생산성까지 점검하며 현재의 AI 투자 규모에 걸맞은 광범위한 성과를 찾기 어렵다고 말한다. 기업 안에서 유용한 도구라는 평가와 경제 지표를 바꾸는 기술이라는 평가는 분리해서 봐야 한다는 주장이다.

토큰 지출을 비용으로 보는 기업들

슬로크는 실적 개선이 보이지 않자 일반 기업이 AI 지출에 더 신중해지고 있다고 설명한다. 토큰(모델에 넣고 모델에서 받는 내용을 세는 사용 단위)에 쓰는 돈을 성장의 원천이 아니라 이익률을 누르는 비용으로 보기 시작했다는 것이다. AI를 많이 쓸수록 사용료도 늘어나는 구조라면, 절약한 시간이나 새로 만든 매출이 그 지출을 넘어야 한다. 기업의 관심이 모델의 능력 자체에서 실제 사용 비용을 감당할 만한 성과로 옮겨가는 셈이다.

원문은 벤처투자를 받은 기업과 일반 기업의 태도도 구분한다. 벤처투자 기업은 토큰에 점점 더 많은 돈을 쓰지만, 일반 기업은 최신 모델이 꼭 필요하지 않으며 그 비용을 지불할 의사도 낮다고 슬로크는 말한다. 모든 업무가 가장 성능 높은 모델을 요구하는 것은 아니라는 판단이 지출 결정에 반영되는 것이다. 모델을 새로 내놓는 기업에는 사용량 확대가 중요해도, 이를 구매하는 기업에는 비용 대비 매출·이익의 변화가 우선이다.

좁은 사용처가 제한하는 거시 효과

슬로크는 에이전트형 AI(agentic AI·목표를 받아 여러 작업을 이어서 수행하는 AI)와 토큰 지출이 경제의 작은 일부에 머무는 한, 거시경제에 미치는 영향도 매우 제한적일 것이라고 본다. 원문은 이 판단을 네 번째와 다섯 번째 차트에 연결한다. AI 관련 지출이 빠르게 늘어나는 장면만으로 경제 전체의 생산성이나 기업 수익성이 함께 개선됐다고 읽을 수 없다는 뜻이다. 지출이 어디에서 발생하며 그 결과가 어떤 기업의 실적에 남는지가 핵심이다.

이 설명은 AI 사용량과 성과의 확산을 구별한다. 일부 기업이 대량으로 모델을 호출하는 동안 다른 기업들이 비슷한 수준의 도입에 나서지 않는다면, 토큰 시장의 성장과 폭넓은 생산성 향상 사이에는 거리가 남는다. 슬로크가 매그니피센트 7보다 S&P 493을 중요하게 보는 이유도 여기에 있다. 소수의 대형 기술주가 성장하는 것만으로는 나머지 기업들이 AI를 통해 돈을 더 벌고 있다고 말하기 어렵다.

더 저렴한 모델이 풀어야 할 숙제

슬로크는 앞으로 모델이 범용화돼 비슷한 기능을 더 저렴하게 구할 수 있게 되더라도 질문은 남는다고 말한다. 일반 기업이 값싸진 ‘지능’을 더 빠른 매출 성장과 더 높은 이익률로 바꿀 수 있느냐는 것이다. 토큰 가격이 낮아지면 도입 비용의 부담은 줄겠지만, 비용 절감 자체가 새 매출을 만들어주지는 않는다. 기업은 어떤 일을 AI에 맡길지, 그 결과를 기존 업무와 어떻게 연결할지 판단해야 한다.

그는 이 전환이 생각보다 어려울 수 있다고 본다. 계산을 잘하는 AI와 사업에서 좋은 결정을 내리는 AI는 같지 않다는 이유에서다. 같은 질문도 어떤 사람이나 어떤 모델에 묻느냐에 따라 답이 달라지고, 판단에는 업무가 놓인 맥락이 필요하다. 모델의 능력과 가격뿐 아니라 그 답을 실제 결정에 사용할 수 있는지가 기업 성과를 가른다는 설명이다.

책임과 신뢰가 남는 결정

슬로크는 AI가 책임, 신뢰, 조직문화, 문서에 적히지 않은 규칙, 윤리적 선택과 공정성을 이해하지 못한다고 지적한다. 이런 요소는 기업의 평판 위험을 좌우하고, 결국 매출 성장과 이익률에도 영향을 미친다는 것이 그의 논리다. AI가 내놓은 답이 빠르고 그럴듯해도 그 결과를 받아들이는 고객이나 조직의 판단까지 대신할 수는 없다. 사업에서 요구되는 지능을 계산 능력만으로 설명하기 어렵다는 뜻이다.

따라서 슬로크가 내린 결론은 AI의 성패를 매그니피센트 7이 아니라 S&P 493에서 확인해야 한다는 것이다. 모델을 만드는 기업이 성장하는 단계와 다른 기업들이 그 모델로 실적을 높이는 단계는 다르다. 지금까지 그가 살핀 직원당 매출과 이익률에는 대형 기술주 밖의 개선이 나타나지 않았다. 앞으로 값싸진 모델이 보급되더라도 확인할 지표는 사용량 자체가 아니라 나머지 기업의 매출과 이익이 실제로 달라지는지다.

커뮤니티 의견

한 사용자는 기술 산업이 다른 산업보다 소프트웨어 중심이어서 먼저 변하는 것이 자연스럽다고 했다. 전기화 초기에 물레방아를 쓰던 공장을 전동기 하나만 끼워 바꿀 수 없었던 것처럼, AI의 큰 효과도 기존 업무를 조금 손보는 수준이 아니라 AI에 맞게 새로 설계한 기업과 시설에서 나올 것이라는 주장이다. 답글에서는 AI가 코드뿐 아니라 글·이미지·소리도 만들지만 그 시장에서도 성과가 뚜렷하지 않다는 반론이 나왔다.

다른 사용자는 생산성 향상의 몫이 모델을 제공하는 기업의 매출로 흘러가고 있을 수 있다고 봤다. AI가 인건비를 줄여주더라도 이용료가 절감액에 가까워지면 구매 기업의 이익은 크게 달라지지 않는다는 설명이다. 이에 대한 답글에서는 비용 부담이 내려가면 이용 기업의 실적에도 개선이 보일 것이라는 의견과, 공개 가중치 모델이 가격 경쟁을 압박한다는 의견이 이어졌다.

성과가 나타나기까지 걸리는 시간을 강조하는 의견도 있었다. 한 사용자는 소프트웨어 기업이 채용을 늘리지 않고 산출물을 늘리더라도, 추가된 기능이 다른 산업의 생산성으로 이어지려면 시간이 필요하다고 했다. 전자상거래가 기존 소매업에 영향을 주기까지 오래 걸렸다는 비교를 들었고, 또 다른 댓글은 컴퓨터 시대의 효과가 한동안 생산성 통계에 보이지 않았다는 오래된 논의를 떠올렸다.

교육을 예로 든 사용자는 기술 보급이 언제나 더 나은 결과로 연결되는 것은 아니라고 반박했다. 학생들에게 컴퓨팅 기기를 오랫동안 지급했지만 교육 비용은 오르고 성적은 떨어졌다는 주장이다. 그는 AI가 다른 산업에서도 약간의 효율만 높일 뿐 전체 성과를 움직이지 못할 수 있다고 봤다. 답글에서는 학생별 속도에 맞추는 AI 교사의 가능성이 매력적이지만 실제 학습 결과를 개선하는 문제는 어렵다는 반응이 나왔다.

검증 수단의 차이를 짚는 의견도 나왔다. 한 사용자는 소프트웨어 개발에는 AI가 만든 결과를 확인하는 테스트가 있지만, 다른 산업에서는 결과가 틀렸는지 알아보려면 사람이 직접 검토해야 한다고 했다. 검토에 드는 시간과 비용이 크면 직접 처리하는 편이 더 빠를 수 있다는 설명이다. 다만 답글에서는 소프트웨어의 테스트 역시 완전한 검증 수단은 아니라는 지적이 나왔다.

실제 업무에 넣기까지의 간극을 지적한 사용자는 고객 상담, 보험 사무, 창고 작업, 매장 진열 등 자동화할 법한 업무가 시연을 넘어 널리 운영되는 단계에 이르지 못했다고 했다. 반면 답글에서는 고객에게 보이는 변화는 작아도 기업 내부에서는 AI 자동화를 여러 곳에 쓰고 있다는 경험이 제시됐다. 대외 서비스와 내부 업무를 같은 잣대로 보면 도입 정도를 놓칠 수 있다는 관점이다.

개인의 시간 절약이 회사 실적에는 드러나지 않을 수 있다는 사례도 있었다. 한 사용자는 계약 검토와 협상 업무를 하는 지인이 클로드(Claude)를 이용해 하루 업무 시간을 크게 줄였고, 다른 지인도 ChatGPT로 문서 작업을 덜었다고 전했다. 두 사례 모두 기존 업무 시스템에 AI가 직접 통합된 형태는 아니었다. 작업 시간의 변화가 조직의 매출·이익 변화로 잡히려면 별도의 과정이 필요하다는 점을 보여주는 이야기다.

도구 선택 자체가 성과를 좌우한다는 경험담도 나왔다. 한 사용자는 코파일럿(Copilot)으로 수표와 송장 스캔 파일의 이름을 바꾸는 작업을 시도했지만, 빠진 결과가 자주 나오고 파일 업로드에도 제한을 겪었다고 했다. 답글에서는 그런 작업에는 범용 대형언어모델(LLM·문장을 이해하고 생성하는 AI 모델)보다 전문적인 문자 인식 도구가 적합할 수 있다는 의견이 나왔다. AI를 도입했다는 사실보다 작업에 맞는 도구를 골랐는지가 중요하다는 지적이다.

핵심통찰

슬로크의 분석은 AI가 쓸모없다는 판정이 아니라, 사용과 재무적 성과 사이에 놓인 거리를 보여준다. 해커뉴스의 경험담처럼 개인의 작업 시간은 줄어도 이용료, 검증, 업무 재설계 때문에 그 이득이 회사의 매출과 이익으로 옮겨가지 않을 수 있다. 모델이 저렴해질수록 지켜볼 것은 토큰 소비량만이 아니다. S&P 493의 직원당 매출과 이익률이 움직이는지, 그리고 기업이 AI의 결과를 책임 있게 실제 업무에 연결하는지가 더 중요한 시험대다.


원본: No Signs of AI Payoff Outside the Tech Sector | The Daily Spark

토론: Hacker News