AI 도구를 쓰면 시간이 남을 줄 알았는데, 이상하게 퇴근 시간은 그대로거나 오히려 늦어졌다는 얘기, 혹시 공감하시나요? UC Berkeley 연구진이 8개월 동안 미국 기술 기업 200명을 관찰한 결과, AI가 업무를 줄여주기는커녕 오히려 업무 강도를 끌어올리는 패턴을 발견했어요.
이게 뭔데?
Stanford 출신 경제학자 William Jevons가 1865년에 발견한 "제본스 역설(Jevons Paradox)"이라는 게 있어요. 석탄 엔진이 효율적으로 바뀌면 석탄 소비가 줄어야 하는데, 오히려 급증했다는 거예요. 효율이 올라가면 비용이 내려가고, 비용이 내려가면 수요가 폭발하니까요. 지금 AI에서 정확히 같은 일이 벌어지고 있어요.
UC Berkeley의 Aruna Ranganathan과 Xingqi Maggie Ye가 HBR에 발표한 연구를 보면, 2025년 4월부터 12월까지 8개월간 미국 기술 기업(직원 200명)을 관찰했는데요. 회사가 AI 사용을 강제한 것도 아닌데, 직원들이 자발적으로 더 빠르게, 더 넓은 범위의 일을, 더 긴 시간 동안 하게 됐어요. "생산성이 올라가면 덜 일할 줄 알았는데, 같거나 오히려 더 많이 일하게 됐다"는 엔지니어의 증언이 연구의 핵심을 관통해요.
California Management Review의 Hamilton Mann은 이걸 "AI 생산성 맹점(AI Productivity Blind Spot)"이라고 불러요. 그는 AI 효율이 올라갈수록 오히려 비생산적 작업이 폭증하는 5가지 구조적 요인을 분석했는데, 가장 핵심적인 건 이거예요: AI가 만들어내는 산출물 자체가 사람의 검증·필터링·판단을 요구하기 때문에, 자동화가 인지 부하를 줄이는 게 아니라 다른 곳으로 옮기는 거라는 점이에요.
숫자로 보는 AI 업무 강화
Upwork 2024 조사: 경영진 96%가 AI로 생산성이 오를 거라 기대했지만, 직원 77%는 오히려 업무량이 늘었다고 답했어요. 71%가 번아웃을 경험하고, 39%는 AI 산출물을 검토·수정하는 데 더 많은 시간을 쓰고 있었어요.
뭐가 달라지는 건데?
연구가 발견한 AI 업무 강화의 메커니즘은 3가지예요.
1. 업무 범위 확장(Task Expansion) — PM이 코드를 쓰고, 디자이너가 엔지니어링을 하고, 연구원이 개발 업무를 하기 시작해요. AI가 지식 격차를 메워주니까 "그냥 해볼까?" 하는 실험이 쌓이면서, 한 사람의 업무 범위가 조용히 팽창해요. 엔지니어들은 동료가 "바이브 코딩"으로 만든 미완성 코드를 리뷰하고 수정하느라 더 바빠졌고요.
2. 시간 경계 침식(Blurred Boundaries) — AI가 작업 시작의 마찰을 거의 제로로 만들어버렸어요. 점심시간에 프롬프트를 보내고, 회의 중에 AI를 돌리고, 퇴근 전 "마지막 한 줄만"이 습관이 되면서 하루의 자연스러운 쉬는 시간이 사라져요. 한 직원은 "쉬는 시간에 프롬프트를 보내는 게 습관이 되니까, 휴식이 더 이상 회복처럼 느껴지지 않았다"고 말했어요.
3. 멀티태스킹 폭증(More Multitasking) — 코드를 직접 쓰면서 동시에 AI에게 대안을 생성하게 하고, 여러 에이전트를 병렬로 돌리면서 미뤄뒀던 작업까지 부활시켜요. "파트너가 생긴 것 같아서" 모멘텀을 느끼지만, 실제로는 주의력 전환과 산출물 확인의 인지 부하가 계속 쌓여요.
| 기대했던 시나리오 | 실제로 벌어진 일 | |
|---|---|---|
| 업무량 | AI가 대신 해주니 줄어든다 | 업무 범위가 팽창해 순 업무량 증가 |
| 근무 시간 | 절약한 시간으로 일찍 퇴근 | 빈 시간에 추가 작업 투입, 퇴근 후에도 프롬프트 |
| 인지 부하 | 단순 작업 줄어 머리가 편해진다 | AI 산출물 검증·멀티태스킹으로 인지 피로 증가 |
| 휴식 | 여유 시간 확보 | 마찰 제로로 쉬는 시간에도 "작은 업무" 침투 |
| 장기 효과 | 지속 가능한 생산성 향상 | 번아웃·의사결정 저하·품질 하락·이직률 증가 위험 |
이건 제본스 역설의 현대판이에요. AI가 인지 작업의 비용을 낮추면, 회사는 그 여유를 "쉬세요"가 아니라 "더 하세요"로 채워요. ATM이 은행 창구 직원을 줄일 거라 생각했지만 오히려 지점이 늘어 직원도 늘었던 것처럼, AI가 효율을 만들수록 총 업무량은 커져요.
AI는 일을 쉽게 만들지만, 멈추기 어렵게 만드는 도구다.
— UC Berkeley 연구팀
핵심만 정리: 시작하는 법
연구진이 제안하는 해법은 "AI 프랙티스(AI Practice)"예요 — AI 사용의 규범, 멈추는 시점, 업무 확장의 한계를 조직적으로 설계하는 거예요.
- 의도적 멈춤(Intentional Pauses) 설계하기
중요한 결정 전에 구조화된 일시정지를 넣으세요. "반론 하나, 조직 목표와의 연결 하나"를 거치는 30초짜리 체크포인트만으로도 가속에 의한 판단 오류를 줄일 수 있어요. - 업무 시퀀싱(Sequencing) 규칙 만들기
AI가 만든 산출물에 즉시 반응하지 마세요. 비긴급 알림을 묶어서 처리하고, 집중 시간(focus window)을 보호하세요. "더 빠르게"가 아니라 "더 일관되게" 일하는 리듬을 만드는 거예요. - 업무 범위 감사(Scope Audit) 정기 실행
"이 일은 원래 내 업무인가?"를 분기마다 체크하세요. AI 때문에 자연스럽게 맡게 된 추가 업무가 공식적으로 인정받고 보상받고 있는지, 아니면 눈에 보이지 않는 무상 노동이 됐는지 확인해야 해요. - 인간 그라운딩(Human Grounding) 시간 확보
AI 도구 없이 동료와 직접 대화하는 시간을 의도적으로 만드세요. 짧은 체크인, 공유 회고, 구조화된 대화가 "혼자+AI" 모드의 고립과 피로를 해소해요. - 팀 AI 사용 가이드라인 문서화
"언제 AI를 쓸지"뿐 아니라 "언제 AI를 멈출지"를 팀 레벨에서 합의하세요. 이 합의가 없으면 개인의 자발적 과로가 팀 전체의 새로운 기준이 되는 악순환이 시작돼요.
핵심 구분
효율성(Efficiency)은 국소적이고 기능적이에요. 생산성(Productivity)은 시스템적이고 목적 지향적이에요. AI가 효율을 높여줬다고 생산성이 오른 건 아니에요. 속도를 방향으로, 실행을 가치로 착각하는 순간 제본스 역설의 함정에 빠져요.
