데이터센터가 인플레이션 압력을 더하는 가운데 RBA의 AI 생산성 향상은 여전히 뚜렷하지 않아
RBA 이코노미스트 Sarah Hunter는 AI 인프라가 광범위한 생산성 향상이 가시화되기 전에 수요를 더하고 있으며, 이로 인해 인플레이션 정책에 불편한 시차가 생긴다고 말한다. RBA의 AI 생산성 평가는 인공지능 확대가 자동으로 단기적인 비용 상승 완화로 이어진다는 가정에 의문을 제기한다.
Hunter는 2026년 11월 9일 시드니에서 열린 UBS Australasia Conference에서 기술에 대한 지출과 그에 따른 궁극적 경제적 편익을 구분했다. 그녀의 AI 경제 프레임워크는 경제 전반에서 투입 대비 산출을 뜻하는 총요소 생산성이 실질적으로 상승했다는 증거가 제한적이라고 설명한다. 이는 핵심적인 충돌을 남긴다. 인프라 구축 기업은 지금 자원을 필요로 하지만, 기업들은 여전히 새로운 역량을 안정적인 산출로 전환해야 한다.
역사적 비교 대상은 전기다. 전기의 효익은 해당 기술을 중심으로 생산 체계를 재편하는 데 달려 있었다. AI 구매자에게 이 비교는 인상적인 시연보다 도입과 실행으로 관심을 옮긴다. 정책 입안자에게는 더 까다로운 질문을 던진다. 이를 흡수할 추가 공급이 약속되기 전에 유입되는 수요를 어떻게 관리해야 하는가?
RBA의 AI 생산성 평가가 실제로 말하는 것
Hunter의 평가는 입증된 작업 개선과 경제 전반의 생산성 가속을 구분한다. 각 주장을 뒷받침하는 데 필요한 증거가 크게 다르기 때문에 이 구분은 중요하다.
직원이 문서를 더 빨리 완성한다는 사실은 특정 작업에 관한 정보를 제공한다. 기업이 동일한 자원으로 더 유용한 업무를 제공한다는 사실은 조직 생산성에 관한 정보를 제공한다. 경제가 여러 산업 전반에서 더 많이 생산한다는 것은 측정, 집계, 그리고 경쟁하는 경제적 영향 요인을 견뎌내는 더 폭넓은 패턴을 필요로 한다.
이러한 결과를 서로 바꿔 쓸 수 있는 것으로 취급하면 혼란이 생긴다. 성공적인 시연은 국가 경제 추세를 입증하지 못한 채 추가 시험을 정당화할 수 있다. 마찬가지로 약한 총량 증거가 모든 기업 실험이 실패했다는 뜻은 아니다.
Hunter는 측정 가능한 효과가 나타나기 전 투자와 조정이 먼저 이뤄지는 초기 기간인 생산성 J곡선도 설명했다. 전기에 대한 그녀의 비교는 장비만 바꾼다고 생산이 반드시 변혁되는 것은 아닌 이유를 보여준다. 기술 역량과 함께 조직 재설계도 중요하다.
여기서의 함의는 철학적이라기보다 실무적이다. 접근 권한을 구매하는 것은 이용 가능성을 확보할 뿐이며, 기술을 통합하는 방식이 무엇이 바뀌는지를 결정한다. 기업은 여전히 어떤 업무를 이전할지, 어떤 승인을 유지할지, 실수에 대한 책임을 누가 질지 결정해야 한다.
자동 문서 요약을 도입하는 가상의 법무팀을 생각해 보자. 요약은 더 빨리 도착할 수 있지만, 팀은 여전히 정확성을 확인하고 기밀 자료를 보호하며 빠진 맥락을 파악해야 한다. 검토에 절약한 시간이 모두 소요된다면, 초기 개선은 아직 더 큰 유효 산출로 전환되지 않은 것이다.
이 사례는 특정 기업의 문서화된 결과를 주장하지 않으면서 측정 문제를 보여준다. 관련 있는 결과는 요구된 기준을 충족하는 완료 업무다. 생성된 페이지 수를 세는 것은 다른 질문에 답하는 일이다.
이 구분은 독자가 실망스러운 결과를 해석하는 방식도 바꾼다. 실패한 도입은 부적합한 소프트웨어, 부실한 구현, 부적절한 작업, 또는 비현실적인 기대를 반영할 수 있다. 이러한 설명에는 서로 다른 대응이 필요하다.
모델 교체는 그중 일부만 해결한다. 원본 문서에 대한 접근성을 개선하면 다른 문제를 해결할 수 있다. 승인 절차를 재설계하는 일이 기술적 변화 어느 쪽보다 더 중요할 수도 있다.
따라서 RBA의 AI 생산성 논의는 낙관론자와 회의론자 모두에게 입증 책임을 부여한다. 낙관론자는 역량과 산출을 연결하는 증거를 제시해야 한다. 회의론자는 일시적 조정과 지속적인 한계를 구분하는 증거를 제시해야 한다.
어느 쪽도 도입만을 가리켜 이 논쟁을 끝낼 수는 없다. 기술을 사용하는 것과 그로부터 이익을 얻는 것은 별개의 관찰이다. 가장 유익한 증거는 사용량, 자원, 품질, 결과를 연결한다.
뉴스를 따라가는 독자라면 이것이 첫 번째 판단 기준이 되어야 한다. 보도된 개선이 무엇을 측정하는지 확인한 뒤 그것이 얼마나 폭넓게 적용되는지 판단해야 한다. 글쓰기 속도에 관한 주장은 기업 수익이나 국가 생활 수준에 관한 주장과 다르게 다뤄져야 한다.
성과가 나타나기 전에 도착하는 인프라 수요
사용자가 그 효익을 언제 확보하는지와 관계없이, 즉각적인 경제 압력은 용량을 구축하고 공급하는 데서 나온다. 따라서 건설 단계가 이 이야기의 핵심이 된다.
RBA 직원의 동반 분석은 호주의 데이터센터 투자가 3년간 약 10배 증가했다고 추정한다. 저자들은 지출의 약 70%가 수입으로 향한다고 가정한다. 이 상쇄 요인 이후, 이들은 지난 1년간 연간 GDP 성장에 최대 약 0.2%포인트를 직접 기여했을 것으로 추정한다.
국내총생산(GDP)은 한 경제 내에서 이뤄지는 생산을 측정한다. 따라서 수입 장비는 현지에서 제공되는 건설 및 서비스와 다르게 영향을 미친다. 대규모 투자 발표가 그에 상응하는 규모의 국내 생산 증가로 곧바로 이어지는 것은 아니다.
같은 직원 보고서는 전력망 접근성을 주요 제약으로 지목하고, 이전 가능한 일부 건설 기술을 둘러싼 경쟁을 설명한다. 이 결과는 RBA 이사회의 견해가 아니라 직원 분석이다.
이러한 사실은 가장 극적인 헤드라인이 시사하는 것보다 더 제한적인 해석을 뒷받침한다. 데이터센터는 인플레이션의 모든 움직임을 설명하지 않으면서도 의미 있는 압력을 만들 수 있다. 그 영향은 어떤 자원이 필요하고 공급업체가 얼마나 신속하게 대응할 수 있는지에 달려 있다.
이용 가능한 토지는 있지만 전력 연결 용량이 제한된 가상 지역을 생각해 보자. 건물을 추가한다고 해서 핵심 제약이 해결되지는 않는다. 유용한 개입은 전력망, 프로젝트 순서 조정, 또는 다른 안정적인 전력원과 관련될 것이다.
이제 전력은 충분하지만 전문 시공업체가 제한적인 지역을 생각해 보자. 그곳의 즉각적인 문제는 다를 것이다. 같은 국가 투자 총액도 서로 다른 지역적 결과를 낳을 수 있다.
이 때문에 발표만으로는 경제적 영향을 완전하게 파악하기 어렵다. 계획된 시설, 건설 계약, 수입 서버 출하, 운영 중인 사이트는 서로 다른 단계를 뜻한다. 각 단계는 서로 다른 일정에 따라 수요와 생산 능력에 영향을 준다.
기술 분야 밖의 기업에는 관련 노출이 간접적일 수 있다. 증설을 계획하는 제조업체는 시공업체 확보 경쟁에 직면할 수 있다. 부동산 개발업체는 이용 가능한 부지나 엔지니어링 서비스의 구성이 달라질 수 있다.
이는 영향을 받는 모든 기업이 이미 더 높은 비용에 직면하고 있다는 주장이 아니라, 가능한 전이 경로다. 실제 효과를 확인하려면 지역적 증거가 필요하다. 용량 조건은 추가 수요가 더 많은 산출, 더 높은 가격, 지연 또는 이들의 조합으로 이어질지를 결정한다.
건설과 운영의 구분도 중요하다. 시설 건설에는 자원의 집중적인 동원이 필요하다. 이를 운영하면 다른 수요 패턴이 만들어진다.
따라서 투자 붐은 단계별로 평가해야 한다. 단기 수요 충격이 영구 고용, 지속적인 건설 성장, 또는 궁극적인 소득 분배를 자동으로 설명하지는 않는다.
기업 구매자에게 이는 인프라 발표에 또 다른 차원을 더한다. 더 많은 계획 용량은 고무적일 수 있지만, 인도 일정과 운영 제약은 여전히 중요하다. 고객이 이를 안정적으로 사용할 수 있을 때 용량은 경제적으로 유용해진다.
핵심 긴장은 여전히 시점에 있다. 지출은 경제에 유입될 수 있지만, 그 지출을 정당화할 업무 흐름 변화는 아직 완료되지 않았을 수 있다.
실제 작업 성과는 여전히 전체 업무 흐름을 통과해야 한다
AI가 특정 근로자에게 도움이 된다는 증거는 투자 논거를 강화하지만, 더 광범위한 성과의 규모를 입증하지는 않는다. 신뢰할 수 있는 낙관론은 측정된 결과에서 출발한다.
Erik Brynjolfsson, Danielle Li, Lindsey Raymond의 연구는 5,172명의 고객 지원 상담원이 사용한 AI 어시스턴트를 조사했다. 이들의 고객 지원 연구는 시간당 해결 건수가 평균 15% 증가했음을 발견했다. 효과는 근로자마다 달랐으며, 경험이 적고 숙련도가 낮은 상담원의 향상이 더 컸다.
이 결과는 생산성 효익이 허상이라는 포괄적 주장에 대한 구체적인 반증을 제공한다. 동시에 맥락이 왜 중요한지도 보여준다. 연구진은 명확히 정의된 활용 사례, 특정 업무 환경, 측정 가능한 결과를 조사했다.
기업은 같은 결과가 소프트웨어 개발, 법률 검토, 연구에 변화 없이 적용된다고 가정할 수 없다. 이러한 활동은 오류 비용, 피드백 주기, 의존성이 서로 다르다. 유용한 비교는 이러한 차이를 보존한다.
가상의 소프트웨어 팀에서 더 빠른 코드 생성은 중간 결과에 불과하다. 비즈니스 결과는 그 코드가 검토를 통과하는지, 올바르게 통합되는지, 유지보수 가능한 상태로 남는지에 달려 있다. 부적합한 코드를 더 빨리 생산하면 이후 단계에서 추가 업무가 생긴다.
가상의 지원 조직에서는 응답 속도만으로도 충분하지 않다. 해결 품질, 재문의, 에스컬레이션, 고객 결과가 개선이 지속되는지를 판단하는 데 도움이 된다. 전체 서비스 과정을 측정하면 단지 업무를 다른 곳으로 옮기는 활동에 보상할 위험을 줄일 수 있다.
이 사례들은 눈에 보이는 작업 효익과 조직 차원의 결과 사이의 간극을 설명한다. 고객 지원 연구와 모순되는 것은 아니다. 다른 조직이 그 결론을 차용하기 전에 무엇을 시험해야 하는지를 보여준다.
같은 논리는 공급업체 비교에도 적용된다. Microsoft와 Google은 기업 구매자에게 익숙한 기준점이지만, 브랜드 인지도만으로 생산성 결과가 입증되는 것은 아니다. 공정한 평가는 후보군 전반에 동일한 작업 정의와 품질 기준을 적용할 것이다.
이 접근 방식은 비교의 초점을 이 글의 핵심 충돌에 맞춘다. 문제는 기술 지출이 구매 조직 내에서 실제로 활용 가능한 역량을 창출하는지다. 제품 발표를 둘러싼 경쟁은 덜 유용한 답을 제공할 것이다.
따라서 조달팀은 매력적인 시연과 운영상 약정을 구분해야 한다. 시연은 선택된 조건에서 어떤 일이 일어났는지를 보여준다. 약정에는 구매자의 실제 제약 아래에서의 성과에 대한 확신이 필요하다.
조직 지식에 대한 접근도 이 평가에 포함된다. 검색 가능한 지식 베이스는 기술 정보가 도구에 어떻게 도달하는지 검토하는 팀에 관련 있는 업무 흐름 참고 사례를 제공한다. 이는 다른 투자와 동일한 결과 기준으로 여전히 평가되어야 한다.
AI 생산성에 대한 가장 강력한 근거는 누적적이다. 구체적인 성과는 지속되어야 하고, 적절한 업무 전반으로 확산되어야 하며, 이를 얻는 데 필요한 자원을 초과해야 한다. 이 과정은 모든 초기 주장을 옳게 만들지 않으면서도 상당한 효익을 만들어낼 수 있다.
가장 강력한 회의론적 반론도 그만큼 구체적이어야 한다. 어떤 지점에서 혜택이 사라지는지, 그리고 왜 그런지를 밝혀야 한다. 검증, 통합 또는 제한된 수요가 업무 개선을 사업 가치로 전환하지 못하게 한다는 증거는 막연한 실망보다 더 많은 정보를 제공한다.
생산성 향상이 더 낮은 인플레이션을 보장하지 않는 이유
경제의 생산성이 높아져도 인플레이션이 영구적으로 낮아지는 것은 아니다. 생산 역량과 물가 상승은 고정된 기계적 관계가 아니라 수요를 통해 연결된다.
Hunter의 입장은 역량이 확대되면서 초기 투자 압력이 완화될 수 있음을 인정한다. 그럼에도 그는 AI의 장기 인플레이션 효과가 대체로 중립적일 가능성이 높다고 설명한다. 이는 AI가 계속해서 물가 상승을 억제할 것이라는 예측과는 다르다.
개별 업무의 비용 절감과 전체 지출을 구분하면 이러한 차이가 더 분명해진다. 자동화 이후 특정 활동에 필요한 자원은 줄어들 수 있다. 하지만 기업과 가계는 그로 인해 절감한 비용을 다른 곳에 지출하기로 선택할 수 있다.
가상의 기업은 향상된 효율성을 활용해 서비스를 확대하거나, 다른 제품을 개발하거나, 새로운 시장에 진출할 수 있다. 이러한 선택은 근로자, 장비, 공급업체에 대한 수요를 만들 수 있다. 다른 영역의 지출이 늘어나더라도 최초의 절감 효과 자체는 실제로 남는다.
이는 모든 기업의 행동을 예측한 것이 아니라 분석을 위한 예시다. 목적은 생산성 향상만으로 인플레이션이 결정되지 않는 이유를 보여주는 데 있다. 수요의 반응이 중요하다.
Hunter는 인플레이션 전망 논의에서 RBA가 기술 관련 상품 가격과 건설 부문의 파급효과를 반영하고 있다고 말했다. 그는 또한 최근 인플레이션 전망 수정의 상당 부분은 특히 헤드라인 인플레이션 측면에서 유가 가정으로 설명된다고 강조했다.
이러한 단서는 데이터센터에 합리적으로 귀속할 수 있는 범위를 제한한다. AI 투자는 인플레이션 평가에 포함된다. 그러나 에너지, 주택, 임금 및 기타 영향 요인에 대한 평가를 대체하지는 않는다.
질의응답 세션은 정책 입안자들이 즉각적인 생산성 혜택에 대한 기대를 갑자기 포기했다는 생각도 받아들이지 않았다. Hunter는 상당한 성과가 나타나기까지는 원래 시간이 걸릴 것으로 예상됐다고 말했다. 따라서 그의 발언은 새롭게 발견된 도입 지연이 아니라 변화하는 투자 전망을 설명한다.
독자가 얻을 실질적인 교훈은 조건부 메커니즘을 확정적인 금리 예측으로 바꾸지 않는 것이다. 확인된 수요 원천만으로는 정책 대응 전체를 알 수 없다. 정책 입안자들은 압력의 균형을 평가해야 한다.
일시적인 병목과 지속적인 인플레이션 사이에도 차이가 있다. 제약된 공급망은 확장 과정에서 급격한 가격 변동을 겪을 수 있다. 이러한 압력이 확산되거나 지속되는지는 다른 영역에서의 조정에 달려 있다.
기업 구매자가 마주하는 예산 문제도 이와 관련된다. 더 효율적인 소프트웨어 프로세스가 운영에 투입되는 모든 요소의 비용 하락을 보장하지는 않는다. 에너지, 장비, 인력, 금융 비용은 서로 다른 경로를 따를 수 있다.
이 때문에 RBA의 AI 생산성 평가는 호주 밖에서도 중요하다. 이는 기술 낙관론과 더 넓은 비용 환경에 관한 가정을 분리하는 방법을 제시한다. 같은 구분은 강력한 투자와 신중한 통화정책이 공존할 수 있는 이유를 설명하는 데도 도움이 된다.
따라서 기술 리더에게는 경제 전반의 물가 완화를 약속하는 것보다 효율성을 주장하는 편이 더 방어 가능하다. 전자는 정의된 업무 흐름 안에서 검증할 수 있다. 후자는 경제 전반의 반응에 관한 가정을 필요로 한다.
현재 증거는 신중한 측정과 조건부 판단을 뒷받침한다. AI를 자동적인 인플레이션 치료제나 인플레이션 지속의 완전한 설명으로 취급하는 것은 뒷받침하지 않는다.
에너지와 고용 증거가 투자 논리를 복잡하게 만든다
물리적 제약과 고르지 않은 노동력 영향은 총지출만으로 전환을 판단하기 어렵게 만든다. 또한 낙관론과 회의론 각각에 서로 다른 검증 기준을 제시한다.
International Energy Agency의 최신 데이터센터 전력 전망은 소비량이 2025년 485테라와트시에서 2030년 950테라와트시로 증가할 것으로 예상한다. 테라와트시는 시간에 따른 전력 소비량을 측정하는 단위다. 이 수치는 AI만이 아니라 데이터센터 전체를 대상으로 한다.
IEA는 전력 인프라와 칩 공급망 전반에서 병목이 더욱 심화되고 있다고도 설명한다. 그 전망은 수요, 효율성, 자금 조달, 공급에 관한 가정에 의존한다. 이는 보장을 받은 소비 결과가 아니라 계획 수립을 위한 시나리오다.
생산성 논쟁에서 전력은 또 다른 시간상의 의존성을 도입한다. 새로운 전력 연결을 완료하지 않아도 소프트웨어 개선은 제공될 수 있다. 더 큰 사용량을 뒷받침하는 물리적 시스템을 확장하려면 다른 투자 순서가 필요할 수 있다.
이러한 불일치는 인프라 투자자에게 위험을 만든다. 고객의 강한 관심이 공급 제약을 없애지는 않는다. 마찬가지로 시설을 완공했다고 해서 수요가 예상 수익을 뒷받침한다는 뜻은 아니다.
효율성은 또 다른 불확실성을 만든다. 어떤 업무에 필요한 전력이 줄어들면 그 업무에 필요한 자원도 감소한다. 그러나 총소비량은 사람들이 그 업무를 얼마나 자주 수행하는지, 어떤 새로운 업무가 경제성을 갖게 되는지에 여전히 달려 있다.
가상의 기업은 효율성 개선을 통해 산출량을 그대로 유지하면서 자원 사용을 줄일 수 있다. 또 다른 기업은 해당 활동을 정당화하기 쉬워졌다는 이유로 사용량을 확대할 수 있다. 두 반응 모두 기술적 효율성 향상과 일치한다.
고용은 별도의 측정 문제를 제기한다. RBA 연구원 Mike Major의 노동시장 모니터링은 현재까지 호주 전반에서 실질적인 혼란이 발생했다는 증거를 거의 찾지 못했다. 이 연구는 특히 젊은 근로자 사이에서 더 많이 노출된 직종의 잠정적인 약세를 확인하는 한편, 인과관계 결론에는 주의를 당부한다.
이 논문은 명시적으로 기술적 서술에 초점을 둔다. 직업별 노출도 측정은 실제 도입이나 대체를 기록하는 것이 아니라 업무 변화의 가능성을 나타낸다. 더 광범위한 경제 여건도 채용에 영향을 미칠 수 있다.
이러한 주의는 양쪽 모두에 적용된다. 안정적인 전체 고용이 모든 직업 집단에 영향이 없음을 입증할 수는 없다. 노출된 직종의 채용 약세도 AI가 변화를 일으켰음을 입증할 수는 없다.
고용주에게 이러한 구분은 업무가 조직에 유입되는 방식을 살펴봐야 한다는 근거가 된다. 채용 축소, 공석 미충원, 기존 역할 재편은 서로 다른 조정 방식이다. 총인원에 관한 헤드라인은 이런 차이를 놓칠 수 있다.
경력 초기 근로자에게 중요한 질문은 역할이 사라지는지 여부를 넘어선다. 일상 업무가 바뀔 때 직원들이 어떻게 경험을 쌓는지도 포함된다. 따라서 교육 설계는 진지한 도입 계획의 일부가 되어야 한다.
이러한 불확실성이 투자 논리를 무효화하는 것은 아니다. 오히려 그 조건을 정의한다. 성공적인 전환에는 이용 가능한 인프라, 가치 있는 애플리케이션, 기술 역량을 유용한 업무로 전환하는 조직적 구조가 필요하다.
이는 엄격한 기준이지만, 시설 수·라이선스 수·생성된 산출물을 세는 것보다 더 많은 정보를 제공한다. 각 수치는 활동을 설명한다. 어느 것도 최종 경제적 수익을 독립적으로 입증하지는 않는다.
생산성 성과를 검증할 세 가지 신호
다음으로 유용한 증거는 지출을 공급과 연결하고, 공급을 지속적인 산출과 연결할 것이다. 향후 3개월 동안 독자들은 하나의 결정적인 발표를 기대하기보다 이 순서를 따라야 한다.
첫째, 인프라 약정이 실제 운영 역량으로 전환되는지를 지켜봐야 한다. 기업 업데이트는 계획된 시설, 진행 중인 건설, 고객이 이용할 수 있는 역량을 구분해야 한다. 공개되는 경우 연결 마일스톤과 고객 이용률은 물리적 투자가 일정에 맞춰 진행되는지 분명히 하는 데 도움이 될 것이다.
이는 우선 이야기의 수요 측면을 검증한다. 서비스 제공 지연과 함께 건설이 계속된다면 여기서 설명한 시간 격차가 강화될 것이다. 완공된 역량이 고객에게 제공된다면 해당 제약은 약화되겠지만, 생산성에 관한 의문은 남는다.
취소는 다른 해석을 요구한다. 이는 미래 자원 압력을 줄이는 동시에 수요나 수익에 대한 기존 기대에 의문을 제기할 수 있다. 건설 감소가 자동으로 더 나은 생산성의 증거가 되는 것은 아니다.
둘째, 도입을 넘어선 성과를 기업 보고에서 살펴봐야 한다. 관련 증거는 AI 사용을 완료된 업무, 품질, 자원 요건, 지속적인 조직 성과와 연결해야 한다. 기업이 비교 기준을 설명하고 도입 비용을 식별할 때 주장은 더 많은 정보를 제공한다.
비교 가능한 운영 전반에서 개선이 반복된다면 업무 수준의 성과가 더 폭넓은 사업 성과로 이어지고 있다는 근거가 강해질 것이다. 이에 상응하는 성과 없이 사용량만 계속 강조된다면 그 주장은 불완전한 채로 남는다. 어느 결과도 모든 기업의 경험을 경제 전체로 일반화할 근거가 되지는 않는다.
독립적인 평가가 이 지점에서 특히 유용할 것이다. 구매자는 개선 효과가 선별된 시연 밖에서도 지속되는지 알아야 한다. 누가 혜택을 받는지와 어떤 업무 흐름이 변하지 않는지도 이해해야 한다.
셋째, 더 넓은 경제 상황과 함께 인플레이션 구성과 채용 패턴을 살펴봐야 한다. 기술 관련 상품, 건설 압력, 직종별 채용은 조정에 대한 서로 다른 관점을 제공한다. 이들의 움직임은 자동으로 AI에 귀속하기보다 다른 영향 요인과 함께 해석해야 한다.
병목 완화와 더 강한 사업 산출이 결합된다면 투자 수요가 혜택을 앞서가고 있다는 우려는 약화될 것이다. 제약이 지속되고 성과 증거가 제한적이라면 그 우려는 강화될 것이다. 결과가 엇갈린다면 부문별로 더 선별적인 평가가 필요하다.
고용 증거는 각별한 주의가 필요하다. 초급 인력 채용의 변화는 전체 고용에서 드러나기 전에 중요해질 수 있다. 그 영향을 받은 업무가 AI에 노출되어 있다는 관찰만으로는 원인을 확인할 수 없으며, 더 많은 증거가 필요하다.
이 신호들은 개발자와 기업 구매자가 다가올 뉴스를 읽는 실질적인 방법을 제공한다. 새로운 모델 출시는 역량을 향상할 수 있지만, 그 역량이 운영상의 문제를 해결하는지는 도입 증거가 결정한다. 인프라 발표는 기회를 확대할 수 있지만, 고객이 언제 이를 사용할 수 있는지는 공급이 결정한다.
또 다른 AI 도입을 승인하기 전에, 이를 정당화할 성과와 그 성과를 판단하는 데 필요한 증거를 정하라. 완료된 업무, 품질, 검토 노력, 총자원을 기존 프로세스와 비교하라. 공급업체 전반에서 비교 기준을 일관되게 유지하고, 겉보기 절감이 다른 곳에서 추가 업무를 만드는 지점을 기록하라. 인프라 수요가 이미 경제 상황의 일부이기 때문에 RBA의 AI 생산성 논쟁은 이러한 규율을 더욱 중요하게 만든다. 기업은 행동하기 전에 국가 차원의 생산성 문제를 해결할 필요는 없다. 하지만 자체 성과에 대한 신뢰할 수 있는 설명은 필요하다. 다음 역량 업데이트, 운영 공시, 노동력 증거를 살펴본 뒤, 각각의 새로운 주장이 유용한 산출을 입증하는지 아니면 단지 더 많은 지출을 기록할 뿐인지 물어야 한다.
