AX 전략

6,000억 달러를 쏟아붓는데 왜 쓰는 사람이 없나

AI 투자 규모는 커졌지만 매일 쓰는 근로자는 소수입니다. 도입 격차를 줄이는 실행 기준을 정리했습니다.

편집 및 재구성: AXMOS 콘텐츠팀 | 최종 수정 2026-10-01

핵심 요약

제목의 6,000억 달러는 실제 지출액이 아니라, 2024년 세쿼이아캐피털이 AI 인프라 비용을 정당화하려면 필요하다고 추정한 연간 매출 규모입니다.
이 추정치는 2026년 7월 1조5,000억 달러로 커졌지만, 미국 근로자 가운데 업무에서 AI를 매일 쓰는 비율은 2025년 4분기 12%에 머물렀습니다.
AI 도입 격차는 계정이나 인프라를 구매한 뒤 업무 흐름, 책임, 성과 지표를 바꾸지 않을 때 커집니다.
기업은 사용률보다 반복 업무에 정착한 비율과 리드타임, 오류율, 처리량의 변화를 함께 측정해야 합니다.

6,000억 달러와 AI 도입 격차는 무엇을 뜻하나?

AI 도입 격차는 대규모 투자와 일상 업무의 실제 사용 사이에 생긴 간극입니다.

먼저 6,000억 달러의 의미를 정확히 구분해야 합니다. 세쿼이아캐피털의 데이비드 칸 파트너는 2024년 6월 엔비디아의 연환산 데이터센터 매출 전망에 두 가지 배수를 적용했습니다. GPU가 데이터센터 총비용의 절반이라는 가정으로 2배, 클라우드와 AI 서비스 사업자의 매출총이익률을 반영해 다시 2배를 곱했습니다. 그 결과 AI 인프라를 경제적으로 정당화하려면 약 6,000억 달러의 연간 매출이 필요하다고 추정했습니다(Sequoia Capital, 2024).

따라서 6,000억 달러는 기업들이 실제로 지출한 금액도, 검증된 시장 매출도 아닙니다. 특정 가정에 기초한 투자 회수 기준입니다. 칸은 2026년 7월 같은 계산을 다시 적용해 이 수치를 1조5,000억 달러로 높였습니다. 2026년 하이퍼스케일러 데이터센터 자본지출을 약 7,500억 달러로 보고, 이를 정당화할 생애 매출을 2배로 계산한 결과입니다. 2023년 이후 누적 기준으로는 약 3조 달러의 매출이 필요하다고 추산했습니다(David Cahn, 2026).

이 계산은 공시된 확정 수치가 아니라 투자자가 만든 추정 모델입니다. 그러나 경영진에게는 유용한 질문을 던집니다. 컴퓨팅 공급과 AI 제품은 빠르게 늘어나는데, 기업의 반복 업무에서 그만큼 자주 사용되고 있는가라는 질문입니다.

AI는 실제로 얼마나 자주 쓰이나?

AI 사용자는 늘었지만, 매일 반복해서 쓰는 근로자는 아직 소수입니다.

미국 연방준비제도 이사회가 2026년 4월 공개한 FEDS Notes는 세 가지 조사를 비교했습니다. 미국 센서스국 기업동향전망조사에서는 2025년 말 기업의 약 18%가 AI를 도입한 것으로 나타났습니다. 근로자 개인을 조사한 Real-Time Population Survey에서는 2025년 11월 업무용 생성형 AI 사용률이 약 41%였습니다. 애틀랜타 연방준비은행 조사에서는 고용 인원으로 가중할 때 AI 도입 기업에 근무하는 인력이 약 78%로 집계됐습니다(Federal Reserve, 2026).

18%, 41%, 78%는 서로 충돌하는 수치가 아닙니다. 기업 수를 기준으로 보는지, 근로자 개인을 기준으로 보는지, 대기업의 고용 인원을 크게 반영하는지에 따라 모집단과 단위가 달라집니다. 연준도 이 수치들을 직접 비교해 하나의 도입률로 해석해서는 안 된다고 설명했습니다.

사용 빈도를 보면 정착 수준이 더 분명하게 드러납니다. 갤럽이 2025년 10월 30일부터 11월 14일까지 미국 근로자 2만2,368명을 조사한 결과, 업무에서 AI를 주 몇 회 이상 쓰는 비율은 26%, 매일 쓰는 비율은 12%였습니다. 49%는 업무에서 AI를 전혀 쓰지 않는다고 답했습니다. 기술 직군에서는 전체 사용률이 77%였지만 제조, 소매, 의료처럼 현장 업무 비중이 큰 산업은 상대적으로 낮았습니다(Gallup, 2026).

따라서 “쓰는 사람이 없다”는 표현은 문자 그대로 사실이 아닙니다. 더 정확한 진단은 사용이 특정 직군과 개인에게 집중되고, 조직의 표준 업무 방식으로 정착한 비율은 아직 낮다는 것입니다.

AI 투자와 활용 사이에는 왜 틈이 생기나?

구매 결정과 업무 정착이 서로 다른 책임과 지표로 관리되기 때문입니다.

기업은 보통 예산 승인, 보안 검토, 계약 체결을 마치면 AI 도입이 끝났다고 판단합니다. 직원에게는 계정과 간단한 교육이 제공됩니다. 그러나 어떤 업무의 어느 단계에서 AI를 쓰는지, 결과를 누가 검수하는지, 기존 승인 절차를 어떻게 바꿀지는 정해지지 않는 경우가 많습니다. 이 상태에서는 사용이 개인의 관심과 숙련도에 따라 갈립니다.

MIT 프로젝트 NANDA의 2025년 예비 연구는 이런 차이를 보여줍니다. 연구진은 공개된 AI 도입 사례 300건 이상을 검토하고, 52개 조직을 인터뷰했으며, 산업 콘퍼런스에 참석한 고위 리더 153명을 설문했습니다. 공식 LLM 구독을 구매했다고 답한 기업은 40%였지만, 조사 대상 기업의 90% 이상에서 직원들이 개인 AI 도구를 업무에 정기적으로 사용하고 있었습니다(MIT Project NANDA, 2025). 표본이 작고 자기보고에 기반한 방향성 조사라는 한계는 있지만, 공식 도입과 실제 사용 경로가 어긋날 수 있다는 점을 보여줍니다.

구분	도입했다고 보기 쉬운 신호	정착을 확인하는 신호
예산	라이선스와 인프라 비용을 집행했습니다.	업무별 비용과 절감 효과를 함께 추적합니다.
사용	가입자 수와 월간 접속자를 봅니다.	핵심 업무에서 주간 반복 사용 비율을 봅니다.
프로세스	기존 업무에 챗봇을 추가합니다.	입력, 검수, 승인, 예외 처리 절차를 다시 정합니다.
책임	IT 부서가 도구 운영을 맡습니다.	현업 책임자가 성과 지표와 품질 기준을 소유합니다.
성과	생성 횟수와 사용 시간을 집계합니다.	리드타임, 처리량, 오류율, 전환율의 변화를 측정합니다.

맥킨지의 2025년 3월 글로벌 설문에서도 생성형 AI를 사용하는 조직의 응답자 가운데 21%만 최소 일부 워크플로를 근본적으로 재설계했다고 답했습니다. 조사한 25개 조직 속성 가운데 워크플로 재설계는 생성형 AI의 EBIT 기여와 가장 강하게 관련된 항목이었습니다. 이는 자기보고 설문에서 확인된 관련성이므로 재설계가 성과를 일으켰다고 단정할 수는 없습니다(McKinsey, 2025).

AI 도입 격차를 어떻게 줄이나?

도구가 아니라 반복 업무 하나를 정하고, 측정과 재설계를 함께 시작해야 합니다.

업무 단위를 좁힙니다. “전사 생산성 향상” 대신 견적서 초안 작성, 고객 문의 분류, 설비 점검 기록 정리처럼 시작과 끝이 분명한 업무를 고릅니다.
도입 전 기준값을 남깁니다. 평균 처리시간, 월 처리량, 오류율, 재작업률, 승인 대기시간을 최소 2주 이상 측정합니다. 기준값이 없으면 AI 사용 후 변화를 판단하기 어렵습니다.
새 업무 흐름을 문서화합니다. AI가 처리할 단계, 사람이 확인할 항목, 예외가 발생했을 때의 담당자, 최종 승인 권한을 한 장으로 정리합니다.
실제 사용자와 짧게 검증합니다. 전사 배포 전에 해당 업무를 매일 수행하는 직원과 2주에서 4주 동안 시험합니다. 사용 횟수와 함께 품질, 수정 시간, 중단 이유를 기록합니다.
성과가 확인된 흐름만 확장합니다. 리드타임이나 오류율이 개선되고 현업이 반복해서 사용하는 업무부터 인접 프로세스로 넓힙니다. 성과가 없으면 모델을 바꾸기 전에 업무 정의와 데이터, 승인 구조를 먼저 점검합니다.

이 방식은 AI 파일럿 다음 단계와도 연결됩니다. 파일럿의 결과가 좋았다는 사실보다 누가 운영 책임을 맡고, 어떤 지표로 중단과 확장을 결정할지가 더 중요합니다. 라이선스 비용의 손익을 따질 때는 ChatGPT 구독 ROI 점검 기준도 함께 적용할 수 있습니다.

경영진은 어떤 AI 도입 지표를 봐야 하나?

사용자 수 하나만 보면 계정을 열어 본 직원과 업무를 바꾼 직원을 구분할 수 없습니다. 경영진은 도입, 정착, 성과를 나눠서 봐야 합니다.

단계	권장 지표	확인할 질문
도입	대상자 대비 활성 사용자 비율	필요한 직원에게 접근 권한이 제공됐습니까?
정착	핵심 업무의 주간 반복 사용률	한 번 체험한 뒤에도 실제 업무에서 계속 씁니까?
품질	오류율, 재작업률, 사람의 수정 시간	속도가 빨라진 만큼 검수 부담이 늘지는 않았습니까?
운영	평균 리드타임, 처리량, 승인 대기시간	팀 전체의 업무 흐름이 실제로 달라졌습니까?
재무	건당 비용, 절감액, 추가 매출, 회수 기간	도구와 운영 비용을 포함해 경제성이 있습니까?
위험	개인 계정 사용, 민감정보 입력, 예외 발생 건수	공식 절차 밖의 사용을 파악하고 있습니까?

사용률이 낮을 때 교육부터 늘리는 기업이 많습니다. 그러나 직원이 쓸 업무가 명확하지 않거나 결과에 대한 책임이 불분명하면 교육 효과는 오래가지 않습니다. 반대로 사용률이 높아도 오류와 재작업이 늘었다면 성과로 볼 수 없습니다. 지표는 “얼마나 많이 썼나”와 “업무 결과가 어떻게 달라졌나”를 함께 보여줘야 합니다.

자주 묻는 질문

6,000억 달러는 AI 시장의 실제 매출인가요?

아닙니다. 2024년 세쿼이아캐피털의 데이비드 칸이 엔비디아 매출 전망, 데이터센터 총비용, 사업자 마진을 반영해 계산한 필요 매출 추정치입니다. 2026년 7월 같은 방식의 추정치는 1조5,000억 달러로 갱신됐습니다.

AI 도입률은 왜 조사마다 크게 다른가요?

기업 수, 고용 인원, 근로자 개인 가운데 무엇을 기준으로 조사했는지가 다르기 때문입니다. 질문에서 AI를 생산 활동에 한정하는지, 생성형 AI의 업무 사용까지 포함하는지에 따라서도 결과가 달라집니다.

라이선스 사용률이 높으면 AI가 정착한 것인가요?

접속률은 접근 여부를 보여주지만 업무 변화까지 증명하지는 못합니다. 핵심 업무의 반복 사용률과 함께 처리시간, 오류율, 재작업률을 확인해야 정착 여부를 판단할 수 있습니다.

직원의 개인 AI 도구 사용을 모두 막아야 하나요?

민감정보와 규제 위험에 따라 금지할 영역을 정하되, 직원이 개인 도구를 찾는 이유도 조사해야 합니다. 실제로 가치가 있는 사용 사례라면 보안이 적용된 공식 환경과 표준 절차로 옮기는 편이 현실적입니다.

첫 AI 업무는 어떻게 골라야 하나요?

빈도가 높고 입력과 결과가 비교적 표준화돼 있으며, 사람이 품질을 빠르게 확인할 수 있는 업무가 적합합니다. 실패했을 때 고객이나 안전에 미치는 영향이 큰 업무는 충분한 검증과 통제 장치를 마련한 뒤 다뤄야 합니다.

그래서 기업은 무엇을 해야 하나?

AI 투자와 활용의 격차는 기술 공급이 부족해서 생기지 않습니다. 기업이 구매 이후의 업무 설계와 운영 책임을 비워 둘 때 커집니다. AXMOS는 AX 전략의 출발점을 도구 선정이 아니라 업무 진단, 실행 구조 설계, 현장 검증의 과정으로 봅니다.

먼저 한 개의 반복 업무를 선택하고, 현재 지표를 측정한 뒤, 사람과 AI의 역할을 다시 정해야 합니다. 그 결과가 확인되면 인접 업무로 확장할 수 있습니다. 전사 도입 계획보다 작은 업무에서 검증된 운영 방식이 먼저 필요합니다.

기업의 AI 도입 격차를 진단하고 실행 가능한 전환 과제를 찾고 싶다면 AXMOS 알아보기 또는 AX 진단 문의하기를 확인해 주세요.