AI 투자 열풍, 기술 업종 밖엔 '수확' 안 보인다

아폴로가 본 현장: "기술 업종 외엔 효과 안 보인다"

자산운용사 아폴로가 내놓은 데일리 스파크 제목은 **'No Signs of AI Payoff Outside the Tech Sector'**입니다. 기술 업종을 뺀 나머지 산업에서 AI 투자 대비 수익 신호가 잡히지 않는다는 뜻입니다. 원문 전문은 확인되지 않았으나, 해커뉴스에서 235점·댓글 199개를 모으며 개발자·현장 종사자 사이에서 강하게 공명했습니다.

댓글망을 보면 이유가 읽힙니다.

• "한계 수준 개선으론 부족하다. 대체재보다 10배 나아야 쓴다"
• OCR과 파이썬으로 청구서 자동화를 시도했더니 오류율이 더 높았고, 결국 수기 처리를 병행해야 했다
• "기술이 머리를 덜 쓰게 만들면, 머리를 많이 써야 하는 과정에 무슨 이득이 있나"

기술을 도입했는데 사람이 더 많이 개입해야 하는 상황이 비일비재하다는 증언입니다.

왜 기술 업종만 다를까

대조해 보면 답이 나옵니다. 소프트웨어 개발자는 자신이 쓸 도구를 직접 훈련시켰습니다. 깃허브에 쌓인 수억 줄 코드가 학습 데이터가 됐습니다. 해커뉴스 한 댓글은 "소프트웨어 개발자들은 기꺼이 자신의 대체재를 훈련시켰다"고 표현했습니다.

반면 회계·법무·제조 현장엔 그런 규모의 정제된 데이터가 없습니다. 이 차이는 데이터 자산의 비대칭으로 직결됩니다. 개발 도구 시장에선 이미 '코파일럿' 류가 쓰이고 있으나, 본지가 확인한 자료만으론 구체적 생산성 수치·정착도는 아직 공개되지 않았습니다. 그 밖 영역에선 '데이터 준비 비용 > 자동화 절감 효과' 공식이 아직 깨지지 않았다는 게 현장 반응입니다.

한국 기업에 닿는 지점: 확인된 것과 확인 안 된 것

한국 산업 구조를 대입해 봅니다. 삼성전자·SK하이닉스 같은 반도체·하드웨어 대기업은 사실상 기술 업종에 가깝습니다. 팹 공정 최적화, 수율 예측, 설계 자동화에 AI를 투입 중이나, 구체적 수율·원가 개선 수치는 본지가 확인하지 못했습니다. 이들이 '수확'을 보는 쪽일 가능성이 큽니다.

반면 조선·건설·유통·금융·공공 영역은 사정이 다릅니다. 해커뉴스 댓글과 현장 증언을 종합하면 세 가지 걸림돌이 반복됩니다.

• 데이터가 흩어져 있다. 레거시 ERP(전사자원관리)·MES(제조실행시스템)·도면 시스템이 서로 안 맞는다
• 오류 허용도가 낮다. 선박 한 척 설계 오류, 병원 처방 오류는 소송·인명으로 직결된다
• 현장 노동자가 '검수자'가 된다. AI가 초안 잡으면 사람이 일일이 고쳐야 해 인건비가 안 준다

이 세 가지가 한국 현장에서도 똑같이 반복된다는 근거는 제공된 자료에 없습니다. 해커뉴스 논의가 국내 사정과 겹쳐 보일 뿐, 국내 PoC(개념검증) 진행 현황·전사 확장 사례 여부는 아직 공개되지 않았습니다.

앞서 본지가 짚었던 '생각의 주체성'과 맞닿은 지점

본지가 47일 전 다룬 **AI에게 글쓰기를 맡기면 내 생각이 사라질까**에서는 개발자가 "AI로 글 쓰지 않겠다"고 선언한 배경을 다뤘습니다. 그때 논점은 **'도구가 사고를 대체하면 전문성이 녹는다'**는 우려였습니다.

이번 아폴로 지표와 해커뉴스 현장 목소리는 그 우려가 생산성 통계로도 나타나고 있음을 시사합니다. 코딩 외 영역에선 AI가 '초안'을 던져주고 사람이 '검수·수정'하는 루프가 돕니다. 이 루프가 사람의 숙련도를 떨어뜨립니다. 총비용은 안 줄어드는 구조로 보입니다.

쉽게 풀어보면

아폴로라는 큰 자산운용사가 "AI로 돈 버는 건 IT 회사뿐"이라고 진단했습니다. 해커뉴스라는 개발자 커뮤니티에서도 200명 가까이 댓글을 달며 동의했습니다.

왜 그럴까요? 비유하자면 이렇습니다. 요리사(개발자)한테는 '자동 칼질 기계'가 바로 쓸모 있습니다. 요리사가 매일 칼질을 하니까요. 그런데 회계사·건축가·공장장한테 같은 기계를 주면? "내 일은 칼질이 아니라 레시피 짜기·현장 조율·규정 확인인데?"가 됩니다. 기계가 레시피를 짜주긴 하는데, 틀리면 사람이 다 고쳐야 합니다. 결국 기계 쓸 바에야 사람이 하는 게 빠릅니다.

한국으로 오면 삼성·SK 같은 '요리사 집단'은 이미 기계 쓰고 효과 봅니다. 하지만 조선소·건설사·은행·병원은 '레시피 짜는 사람' 비중이 큽니다. 여기에 AI를 얹어도 데이터가 뒤죽박죽이라 기계가 자꾸 헛다리 짚고, 사람이 뒤에서 수습하느라 인건비가 안 빠집니다. 데이터 정비 비용이 자동화로 아끼는 돈을 넘어선다는 게 본질입니다. 이 대목은 해커뉴스 댓글과 국내 산업 구조를 나란히 놓고 본 기자의 판단입니다.

나에게 미치는 영향

직장인이라면 — 회사에서 "AI 도입하겠다"는 말이 나오면 데이터 정비부터 요구하세요. "우리 부서 엑셀·PDF·시스템 데이터가 통합돼 있나?"부터 물으세요. 정비 안 된 상태에서 도구만 사면 당신 업무가 'AI 검수원'으로 바뀝니다.

자영업자·소상공인이라면 — 고가의 SaaS형 AI 솔루션 계약 전 무료 체험판으로 '오류율·수정시간'을 직접 재보세요. "월 50만 원 내고 내 시간이 2시간 줄었다"가 안 나오면 해지하세요.

투자자라면 — 'AI 수혜주'라며 묶인 종목 중 비IT·데이터 미비 기업은 걸러내세요. 수혜는 데이터 자산이 이미 정제된 기업, 혹은 데이터 정비 인프라를 파는 기업에 쏠릴 가능성이 큽니다.

남은 쟁점: 'J커브'냐 '데드엔드'냐

아폴로 보고서는 현재 시점 스냅샷입니다. 투자→데이터 정비→모델 학습→현장 배포→수익 사이클이 2~3년 걸린다면, 지금은 '투자 구간에 갇힌' 모습일 수 있습니다. 이 사이클 길이는 추측이며, 자료에 확인된 바 없습니다.

하지만 해커뉴스 현장 목소리는 **"데이터 정비 비용이 예상보다 많이 든다"**고 증언합니다. 본지가 9일 전 다룬 AI로 하드웨어 드라이버 직접 만든다 사례처럼, 도메인 전문가가 AI를 직접 다루며 데이터·프롬프트·검증 루프를 자기가 돌리는 구조가 아니면 수확은 요원합니다. "AI 사면 된다"가 아니라 "AI 쓸 데이터·프로세스·사람을 우리가 갖췄나"가 먼저입니다.