AI 시대 가치 창출 능력이 갈리는 이유
에이전트 친화적 작업 도구는 분명 중요하다.
하지만 그것만으로 장기 경쟁력이 결정되지는 않는다.
2026년 2월 OECD는 agentic AI를 자율성, 목표지향성, 환경과의 상호작용이라는 공통 기반 위에, 다중 에이전트 조정, 작업 분해와 위임, 장시간의 지속적 수행을 더 강조하는 흐름으로 정리했다.
동시에 2023년 4월 NBER 고객지원 현장 연구는 생성형 AI가 평균 생산성을 14% 높였고, 특히 초보·저숙련층에서는 개선 폭이 더 컸다고 보고했다.
2025년 NBER의 또 다른 현장 실험은 이메일, 문서 작성, 회의 정리 같은 지식노동에서 실제 시간 절감이 나타났다고 정리했다.
소프트웨어 개발에서도 GitHub의 공개 실험은 Copilot 사용 그룹이 동일 과제를 더 빠르게 끝냈다고 보고했다.
AI는 평균적인 초안 생산비를 빠르게 낮추고 있다.
그만큼 차별화되지 않은 텍스트, 이미지, 코드의 공급은 더 늘어날 가능성이 높다.
이 흐름이 이어질수록 격차는 누가 더 빨리 만들었는가보다 누가 더 필요하게, 더 믿을 만하게, 더 대체 불가능하게 만들었는가에서 벌어질 가능성이 크다.
투자자 관점에서도 이 포인트가 중요하다.
생산성 향상은 분명 가치가 있지만, 생산성 향상 자체가 곧바로 지속 가능한 가치 포착으로 이어지지는 않기 때문이다.
2025년 NBER의 덴마크 노동시장 연구는 생성형 AI 도입이 빠르게 확산됐음에도 초기 2년 동안 임금과 총노동시간에서는 큰 변화가 관찰되지 않았다고 보고했다.
도구는 빨리 퍼질 수 있어도, 경제적 잉여가 어디에 쌓이는지는 더 천천히 결정된다는 뜻이다.
핵심은 생산량이 아니라 상태 변화다
누군가가 시장에 내놓는 것은 표현물 자체보다 상대의 상태 변화를 만드는 결과물에 더 가깝다.
사람은 제품 자체보다, 특정 상황에서 원하는 진전을 만들어 주는 수단을 고른다고 보는 관점에서 보면 이 점이 더 분명해진다.
그 진전은 기능적, 사회적, 감정적 차원을 함께 가진다.
이 프레임은 AI 시대에 더 중요해진다.
표현 자체는 점점 싸지고 빨라지기 때문이다.
그래서 첫 질문은 “무엇을 만들까”보다 “누구를 어떤 상태로 이동시킬까”가 된다.
읽고 나서 이해가 선명해지는가, 불안을 줄여 주는가, 의사결정을 더 낫게 만드는가, 다른 사람에게 설명할 수 있게 만드는가가 더 중요해진다.
결국 효용 없는 창의성은 자기표현에 머물고, 새로움 없는 효용은 쉽게 대체된다.
좋은 가치 창출은 둘을 동시에 잡아야 한다.
희소성은 산출물에서 판단과 편집으로 이동한다
정보가 많아질수록 더 희소해지는 것은 정보 자체보다 사람의 주의라는 점을 떠올리면, 이 문제는 지금 더 선명해진다.
핵심은 더 많이 제공하는 것이 아니라 더 잘 찾고, 걸러내고, 정리하고, 요약하는 데 있다.
이 문장을 AI 시대의 지식노동 시장에 그대로 옮기면 해석이 간단해진다.
AI가 초안을 싸게 만들수록 희소해지는 것은 텍스트 자체보다 다음 네 가지다.
- 무엇을 남기고 무엇을 버릴지에 대한 판단
- 독자가 놓치기 쉬운 핵심을 먼저 배치하는 편집 감각
- 출처와 맥락을 붙여 신뢰 비용을 낮추는 설명 능력
- 타인의 시간을 아껴 주는 구조화 능력
즉 좋은 공급자는 정보 공급자라기보다 주의 절약자에 가까워진다.
생산량 경쟁은 결국 평균으로 수렴하기 쉽지만, 남의 시간을 얼마나 절약해 주는지는 쉽게 복제되지 않는다.
수요는 맞히는 것이 아니라 발견하는 것이다
창작시장에는 원래부터 강한 수요 불확실성이 있다.
히트는 사후적으로 설명되지만 사전적으로는 잘 보이지 않는다.
그래서 중요한 역량은 대중을 안다고 가정하는 태도보다, 작은 실험을 반복하면서 수요를 발견하는 구조를 만드는 쪽에 가깝다.
AI가 이 지점을 대신 해결해 주지는 않는다.
오히려 반대다.
초안 생산비가 낮아질수록 실험량은 늘어날 수 있지만, 그래서 더 많은 노이즈가 생긴다.
노이즈가 커질수록 누가 진짜 반응을 읽고, 어디서 이탈이 생기는지 해석하고, 어떤 포맷과 톤과 채널이 맞는지 빨리 학습하느냐가 중요해진다.
결국 히트를 “예측”하는 능력보다, 실패를 싸게 만들고 학습을 빠르게 축적하는 능력이 더 값비싸진다.
도구 평준화 뒤에는 포지셔닝이 남는다
운영 효율은 중요하지만 전략 그 자체는 아니다.
AI 도구는 운영 효율을 크게 개선한다.
문제는 운영 효율이 널리 퍼질수록 그것이 차별화 포인트가 아니라 기본값이 된다는 점이다.
여기서 중요한 것은 포지션이다.
어떤 독자에게 어떤 문제를 어떤 형식으로 반복해서 해결해 주는가, 어떤 원천 정보에 먼저 닿는가, 어떤 해석 프레임을 꾸준히 제공하는가가 장기 차이를 만든다.
확장 가능한 시장에서는 작은 품질 차이, 작은 신뢰 차이, 작은 취향 차이가 보상 격차로 크게 번질 수 있다.
AI는 평균을 끌어올리지만, 바로 그 평균 상향이 상단의 포지셔닝 가치를 더 선명하게 만들 수 있다.
그래서 “같은 툴을 쓰는데 왜 격차가 더 벌어지나”라는 질문의 답은 의외로 단순하다.
효율은 평준화되기 쉽지만, 취향, 해석, 원천 접근, 문체의 일관성, 활동 체계의 맞물림은 평준화되지 않기 때문이다.
신뢰는 보너스가 아니라 거래 인프라다
정보 비대칭 시장에서는 좋은 것과 나쁜 것을 사전에 완전히 구분하기 어렵다.
품질을 미리 다 알기 어려운 시장에서는 신호, 평판, 보증, 브랜드 같은 장치가 왜 중요한지 설명하는 관점에서 보면 이 구조를 이해하기 쉽다.
콘텐츠와 지식 서비스 시장도 크게 다르지 않다.
대부분의 독자는 구매나 구독, 공유 전에 품질을 완전히 검증할 수 없다.
이 점은 AI 시대에 더 중요해졌다.
2025년 NBER의 독일 언론사 현장 실험은 AI 생성 허위 이미지에 대한 경고가 뉴스 전반에 대한 신뢰를 낮췄지만, 동시에 더 믿을 만한 매체에 대한 방문과 구독 유지율은 높였다고 보고했다.
해석은 분명하다.
노이즈가 늘어날수록 신뢰 가능한 공급자의 상대가치는 오를 수 있다.
그래서 출처 표기, 수정 이력의 투명성, 납기 준수, 같은 기준의 반복, 동료 검토, 실수를 인정하고 바로잡는 태도는 부가 요소가 아니다.
이것들은 이미 거래 인프라다.
조회수와 팔로어 수는 유용한 참고치지만, 장기 가치는 결국 “이 사람의 말은 검증 비용이 낮다”는 인식에서 쌓인다.
자율성과 숙련이 함께 가야 오래 남는다
자율성, 유능감, 관계성은 내적 동기와 학습의 핵심 조건으로 자주 언급된다.
이 프레임은 AI 활용에도 그대로 적용된다.
AI를 상사처럼 두면 일은 빨라질 수 있어도 쉽게 마른다.
반대로 AI를 연습 파트너로 쓰면 자율성을 해치지 않으면서 숙련을 빠르게 끌어올릴 수 있다.
어디를 더 깊게 검토할지, 어떤 반론을 붙일지, 어떤 기준으로 퇴고할지는 결국 사람이 결정해야 한다.
장기적으로 더 큰 보상이 붙는 것은 단발성 결과물보다 축적 가능한 실력과 판단 체계라는 점도 함께 봐야 한다.
AI 시대에는 이 축이 더 중요해진다.
도구가 평준화될수록 남는 것은 결국 축적된 사고력, 도메인 감각, 질문 수준, 검증 습관이다.
가치 창출은 혼자 잘하는 게임이 아니다
많은 사람이 AI 시대를 개인 생산성의 문제로만 읽는다.
하지만 실제 가치 형성은 훨씬 사회적이다.
2025년 NBER의 P&G 현장 실험은 AI가 개인의 성과를 끌어올리고 일부 협업 효과를 대체할 수 있음을 보여줬다.
동시에 이 결과는 반대로도 읽힌다.
조직과 팀은 이제 “누가 더 많이 쓴다”보다 “누가 더 잘 연결하고 검토하고 배포하느냐”를 다시 설계해야 한다는 뜻이다.
개인과 팀에도 마찬가지다.
편집자, 동료, 인터뷰 대상, 커뮤니티, 배포 채널, 검증 가능한 독자 피드백 루프가 모두 가치의 일부다.
AI가 개인의 출력량을 높여도, 사회적 검증과 관계 자본까지 자동으로 만들어 주지는 않는다.
투자자가 봐야 할 포인트
이 관점으로 보면 AI 시대에 더 오래 남을 가능성이 큰 것은 단순 초안 도구보다 다음에 가깝다.
- 근거와 출처, 수정 이력, 원천 자료를 누적해 주는 도구
- 평판과 포트폴리오, 신뢰 신호를 보존하는 플랫폼
- 편집, 협업, 검토, 배포를 하나의 흐름으로 묶어 주는 제품
- 특정 사용자 집단의
JTBD(주어진 상황에서 실제로 해결하려는 일)를 반복적으로 해결하는 전문 서비스와 팀 - 독자의 시간을 절약하고 의사결정을 더 낫게 만드는 큐레이션 레이어
반대로 “초안을 더 빨리 만든다” 하나만으로는 방어력이 약해질 가능성이 높다.
그 기능은 시간이 갈수록 기능 모듈이나 번들 기능으로 내려갈 수 있기 때문이다.
이 지점은 주식 투자에도 바로 연결된다.
생산성 도구 기업을 볼 때는 모델 성능 데모보다 다음을 먼저 보는 편이 낫다.
- 사용자의 근거 자산이 서비스 안에 얼마나 쌓이는가
- 그 자산이 다른 서비스로 쉽게 옮겨지는가
- 플랫폼이 신뢰와 평판을 어떻게 기록하고 전송하는가
- 협업 네트워크와 배포 채널을 얼마나 붙잡고 있는가
- 단순 생산성 외에 수요 발견과 포지셔닝을 얼마나 돕는가
결론
AI 시대의 경쟁 주체는 더 이상 단순한 실행 주체로만 설명하기 어렵다.
반복 생산, 변환, 정리, 초안 작성은 점점 에이전트로 넘어간다.
하지만 무엇을 만들지, 무엇을 버릴지, 어떤 근거와 책임을 붙일지, 누구의 시간을 절약할지, 누구와 어떤 장을 만들지는 여전히 사람과 조직의 몫이다.
그래서 장기 경쟁력은 생산량이 아니라 해석력, 판단력, 신뢰도, 관계 자본의 복합체에 더 가깝다.
도구는 제작 마찰을 낮춰 주지만, 수요 발견의 난이도, 포지셔닝의 난이도, 신뢰 형성의 난이도까지 함께 없애 주지는 않는다.
결국 남는 질문은 하나다.
더 많이 만들 것인가가 아니라, 더 필요하게 만들 것인가.
AI 시대의 격차는 바로 그 질문에 대한 답에서 벌어진다.
참고 자료
- OECD, The agentic AI landscape and its conceptual foundations, 2026년 2월
- Brynjolfsson, Li, Raymond, Generative AI at Work, NBER Working Paper 31161, 2023년 4월
- Dillon, Jaffe, Immorlica, Stanton, Shifting Work Patterns with Generative AI, NBER Working Paper 33795, 2025년
- Humlum, Vestergaard, Large Language Models, Small Labor Market Effects, NBER Working Paper 33777, 2025년
- Christensen Institute, The power and simplicity of Job to Be Done theory, 2021년 10월 5일
- Hal Varian, The Information Economy, 1998년 10월
- Michael E. Porter, What Is Strategy?, Harvard Business Review, 1996년 11월
- Sherwin Rosen, The Economics of Superstars, American Economic Review, 1981년 12월
- The Nobel Prize, Popular information on the 2001 Prize in Economic Sciences
- Campante, Durante, Hagemeister, Sen, GenAI Misinformation, Trust, and News Consumption, NBER Working Paper 34100, 2025년
- Ryan, Deci, Self-Determination Theory and the Facilitation of Intrinsic Motivation, Social Development, and Well-Being, 2000년
- Gary Becker, Human Capital, NBER Books
- Dell’Acqua et al., The Cybernetic Teammate, NBER Working Paper 33641, 2025년
- GitHub, Research: quantifying GitHub Copilot’s impact on developer productivity and happiness, 2022년 9월 7일