Daron Acemoglu

대런 애스모글루 – AI의 단순한 거시경제학 (The Simple Macroeconomics of AI)

ByThe Context

원문: Daron Acemoglu, The Simple Macroeconomics of AI (Apr 2024)
전문은 원문에서 확인하실 수 있습니다. 아래 글은 번역이 아니라, 대런 애스모글루의 논증을 한국어로 재구성한 정리입니다.

글의 배경과 개요

대런 애스모글루(Daron Acemoglu)는 매사추세츠공과대학(MIT)의 경제학자로, 기술이 노동과 분배에 미치는 영향을 과업 단위로 분해하는 연구를 오랫동안 이어 왔습니다. 이 논문은 2024년 4월 공개된 워킹페이퍼로, 학술지 Economic Policy에 싣기 위해 준비한 글입니다. 집필 시점은 ChatGPT 등장 이후 생성형 AI가 경제를 뒤바꿀 것이라는 전망이 투자은행과 컨설팅펌에서 쏟아지던 때였고, 애스모글루는 그 숫자들이 과연 성립하는지를 경제학의 표준 도구로 따져 보겠다고 선언합니다. 글 전체는 두 질문에 답하려 합니다. 향후 10년 동안 AI가 만들어낼 거시경제 효과는 얼마나 큰가, 그리고 그 이익은 누구에게 돌아가는가입니다. 논증은 과업 기반 모형을 세우고, 미시 수준 비용절감이 거시 총량으로 어떻게 합산되는지를 규율하는 정리를 끌어온 뒤, 기존 실증 추정치를 그 식에 대입하고, 다시 그 추정치가 과대평가일 가능성과 분배 효과를 차례로 검토하는 경로를 밟습니다.

핵심 내용 정리

  • AI의 거시효과는 영향받는 과업의 비중과 과업 수준 평균 비용절감의 곱으로 규율되며, 이는 헐튼 정리(Hulten’s theorem)의 한 형태입니다.
  • 미국 노동 과업의 19.9%가 AI에 노출되어 있지만, 10년 안에 수익성 있게 자동화될 수 있는 것은 그중 23%, 즉 전체의 약 4.6%에 그칩니다.
  • 평균 총비용 절감 15.4%를 대입하면 10년간 총요소생산성(TFP) 증가분은 0.71%, 연간으로는 0.07%에 불과합니다.
  • 지금까지의 실험 증거는 모두 배우기 쉬운 과업에서 나온 것이어서, 배우기 어려운 과업까지 감안하면 상한은 0.55%로 더 내려갑니다.
  • GDP 증가분은 투자 반응을 포함해 10년간 0.9-1.8% 범위이지만, 소비자 후생에 중요한 것은 GDP가 아니라 총요소생산성입니다.
  • 새 과업 중 조작적인 것들은 GDP를 2% 늘리는 것처럼 보이면서 실제로는 후생을 0.72% 줄일 수 있습니다.
  • AI는 과거 자동화만큼 불평등을 키우지는 않겠지만 줄이지도 못하며, 자본소득과 노동소득의 격차는 더 벌어집니다.

전망의 숫자들을 검증대에 올리다

AI는 사람들의 상상력을 사로잡았습니다. 빠른, 심지어 유례없는 생산성 성장과 인간을 보완하는 새로운 경로에 관한 약속이 흔한 이야기가 되었습니다. 애스모글루도 간단한 프롬프트 하나로 텍스트와 정보와 이미지를, 심지어 셰익스피어풍 소네트까지 만들어내는 생성형 AI와 대규모 언어모델(LLM)의 최근 성취가 인상적이고 사람을 홀릴 만하다는 데는 의문이 없다고 적습니다. 2022년 11월 30일 공개된 ChatGPT는 두 달 만에 월간 사용자 1억 명으로 추정되며 역사상 가장 빠르게 퍼진 기술 플랫폼이 되었습니다.

그러나 AI가 거시경제와 생산성, 임금과 불평등에 미칠 영향은 모두 예측하기 매우 어렵습니다. 그런데도 지난 1년 동안 생산성 이득을 중심에 둔 예측이 줄을 이었습니다. 일부 전문가는 AI가 사실상 모든 인간 과업(task)을 수행하는 범용인공지능(AGI)이 코앞에 와 있다고 믿습니다. 앤턴 코리넥(Anton Korinek)과 서동현(Donghyun Suh)은 향후 10년간 GDP가 100% 늘어나는 것을 기준 시나리오로 잡고, 300% 증가 같은 공격적인 AGI 성장률까지 상정합니다. 레이 커즈와일(Ray Kurzweil)이 예고한 특이점의 임박과 톰 데이비드슨(Tom Davidson)이 말한 폭발적 경제성장이 현실로 확인되고 있다고 보는 이들도 적지 않습니다.

좀 더 지상에 발을 붙인 예측자들도 산출에 큰 효과가 있으리라고 봅니다. 골드만삭스(Goldman Sachs)는 2023년에 세계 GDP가 7%, 금액으로 7조 달러 늘어나고 미국의 생산성 증가율이 10년에 걸쳐 연 1.5%포인트 높아진다고 전망했습니다. 맥킨지글로벌연구소(McKinsey Global Institute)는 같은 해에 생성형 AI가 기존의 업무 자동화 효과에 더해 세계경제에 17.1조-25.6조 달러를 보탤 수 있고, AI와 여타 자동화 기술을 합치면 선진국의 연평균 GDP 성장률이 향후 10년간 1.5-3.4%포인트 높아질 수 있다고 추산했습니다. 그런 큰 효과가 과연 그럴듯한가, 그리고 생산성 이득이 생긴다면 그 수혜자는 누구인가가 이 논문의 출발점입니다.

로봇 같은 과거 자동화 기술에서는 이득의 대부분이 기업 소유주와 경영진에게 돌아갔고, 영향을 받은 직종의 노동자들은 나쁜 결과를 겪었습니다. 이번에는 다를 수 있을까요. 일부 전문가와 논평가는 더 낙관적입니다. 몇몇 개념증명(proof of concept) 실험이 생성형 AI로부터 작지 않은 생산성 이득을 기록했고, 그 이득이 주로 덜 생산적이거나 성과가 낮던 노동자에게서 나왔습니다. 이를 근거로 데이비드 오터(David Autor)는 조심스러운 낙관을 내놓았고, 이코노미스트(The Economist)는 「Blue-Collar Bonanza」라는 제목으로 블루칼라 대박을 예고하기도 했습니다.

애스모글루는 세 가지 단서를 먼저 답니다. 첫째, 최근의 진전 대부분은 생성형 AI에서 나왔지만 여기서 다루는 경제적 힘은 다른 종류의 AI에도 적용되며, 사용하는 노출 추정치 자체가 컴퓨터 비전(computer vision)과 대규모 언어모델 위에 올라가는 소프트웨어까지 포함한 기술 전반의 개선을 전제로 산출된 것이므로, 특별히 생성형 AI를 강조할 이유가 없는 한 AI 전체를 가리킨다고 봅니다. 둘째, 미시 수준 효과와 노출 과업 비중에 관한 증거 대부분이 미국에서 나온 것이기에 미국 경제에 초점을 맞춥니다. 다른 선진국에 미칠 영향은 비슷할 것으로 보지만, 개발도상국에 미칠 결과는 판단하기 어렵고 훨씬 깊이 있는 연구가 필요하다고 덧붙입니다.

셋째, 생산성이라는 말을 어떤 이는 노동자당 산출로, 어떤 이는 총요소생산성으로 쓰기에, 이 글에서는 총요소생산성과 GDP 효과를 구분하고 미시·과업 수준의 생산성 개선은 비용절감과 같은 뜻으로 씁니다.

[이해관계]
애스모글루의 발화 위치는 이 논문의 결론과 분리해서 보기 어렵습니다. 그는 파스쿠알 레스트레포(Pascual Restrepo)와 함께 2018년부터 자동화가 생산성 효과보다 변위 효과를 크게 낼 수 있다는 과업 기반 연구를 축적해 왔고, 이 논문의 추정치 대부분은 자기 자신의 선행 연구에서 가져온 모수와 추정 결과입니다.

또한 그는 사이먼 존슨(Simon Johnson)과 함께 쓴 『Power and Progress』에서 기술 진보의 과실이 자동으로 널리 퍼지지 않는다는 주장을 폈고, 이 논문에서도 자신의 그 책과 관련 보고서를 여러 차례 인용합니다. 즉 이 글은 중립적 관찰자의 계산이 아니라, 일관된 연구 프로그램의 최신 적용으로 읽는 편이 정확합니다.

과업 기반 모형과 생산성이 올라오는 네 갈래

이 논문의 틀은 애스모글루와 레스트레포의 2018년, 2019년, 2022년 연구에서 가져온 것으로, 특히 10년 안팎의 중기 효과를 보는 데 적합하다고 설명됩니다. 모형에서는 하나의 최종재를 생산하기 위해 일련의 과업이 수행되어야 하고, 각 과업은 자본 또는 노동에 배분됩니다. 자본과 노동은 과업마다 비교우위(comparative advantage)가 다릅니다. 자동화란 자본, 즉 디지털 도구와 알고리즘이 수행하는 과업 집합이 넓어지는 것을 뜻합니다. 이 틀 안에서 AI가 가져오는 생산성 이득은 노동자당 평균 산출의 증가로 재든 총요소생산성 증가로 재든 서로 구별되는 몇 갈래 경로에서 나옵니다.

  • 자동화 — 더 정확히는 외연적 자동화(extensive-margin automation)로, AI 모형이 특정 과업을 넘겨받아 비용을 낮추는 것입니다. 생성형 AI의 경우 중간 수준의 사무 기능, 텍스트 요약, 데이터 분류, 고급 패턴 인식, 컴퓨터 비전 과업 등이 수익성 있게 자동화될 수 있는 축에 듭니다.
  • 과업 보완성(task complementarity) — 완전히 자동화되지 않은 과업에서 생산성을 끌어올리고 노동의 한계생산을 높일 수도 있는 경로입니다. 노동자가 더 나은 정보나 보완적 투입물에 접근하게 되는 경우, 또는 AI가 하위 과업 일부를 자동화하는 동시에 노동자가 다른 측면에 특화해 생산성을 높이는 경우가 여기에 해당합니다.
  • 자동화의 심화(deepening of automation) — 이미 자동화된 과업에서 자본의 생산성이 더 높아지는 것입니다. 이미 자동화되어 있던 IT 보안 업무를 생성형 AI가 더 잘 해내는 경우가 예시로 제시됩니다.
  • 새 과업 — AI 덕분에 새로운 과업이 생겨나고, 그 과업이 생산 공정 전체의 생산성에 영향을 주는 경로입니다. 이 틀에서 새 과업은 생산을 재조직해 생산성을 높이는 가능성까지 포괄합니다.

애스모글루는 이 가운데 앞의 두 경로에 집중하고, 새 과업이 긍정적일 수도 부정적일 수도 있다는 점은 따로 논의합니다. 자동화의 심화를 길게 다루지 않는 이유는, 생성형 AI가 영향을 주는 과업이 로봇과 고급 제조장비, 소프트웨어 시스템 같은 직전 세대 디지털 기술이 자동화한 과업과 상당히 다르기 때문입니다. 실제로 엘룬두(Tyna Eloundou) 연구진은 이 글이 사용하는 AI 노출 지표와 로봇 노출, 수작업 루틴 과업 노출 사이에 음의 통계적 연관을 보고했습니다. AI가 들어가는 자리는 지난 세대의 기계가 이미 들어간 자리가 아니라는 뜻입니다.

과학 연구의 수행 방식 자체를 바꾸어 혁명적 효과를 내는 경로도 다루지 않습니다. 구글(Google)의 자회사인 딥마인드(DeepMind)가 찾아낸 새로운 결정 구조나 신경망을 이용한 단백질 접힘 분야의 진전이 그런 가능성을 보여 주지만, 그 규모의 진전이 10년이라는 시간 안에 일어날 것 같지는 않고, 지금의 논의 대부분이 자동화와 과업 보완성에 쏠려 있기 때문이라는 것이 이유입니다.

해설
과업 기반 접근이 왜 중요한지는 이 모형이 무엇을 거부하는지를 보면 분명해집니다. 거시경제학의 표준적 서술은 기술 진보를 생산함수 앞에 붙는 하나의 계수로 다루어, 기술이 좋아지면 모든 생산요소의 생산성이 함께 올라간다고 봅니다. 그 틀에서는 기술 진보가 임금을 깎을 수가 없습니다.

과업 기반 모형은 생산을 여러 과업으로 쪼개고, 기술 진보를 ‘어떤 과업을 누가 수행하는가’의 경계 이동으로 봅니다. 그러면 하나의 기술이 두 가지 반대 방향 효과를 동시에 냅니다. 비용을 낮춰 전체 생산을 늘리는 생산성 효과와, 노동이 하던 과업을 자본에 넘겨 노동 수요를 줄이는 변위 효과입니다. 둘 중 무엇이 큰지는 미리 정해져 있지 않으며, 이 논문의 분배 관련 결론은 모두 이 구조에서 나옵니다.

결론을 먼저 내놓는 논문

애스모글루의 핵심 명제는 다음과 같습니다. AI의 미시적 효과가 과업 수준의 비용절감, 다시 말해 생산성 개선으로 나타나는 한, 그것이 자동화에서 왔든 과업 보완성에서 왔든, 거시적 결과는 헐튼 정리의 한 형태로 주어진다는 것입니다. GDP와 총생산성 이득은 ‘영향받는 과업의 비율’과 ‘과업 수준 평균 비용절감’으로 추정할 수 있습니다. 이 식은 AI가 만들어낼 수 있는 GDP와 생산성 효과의 크기를 규율합니다. 다만 식이 단순하다고 해서 적용이 쉬운 것은 아닌데, 어떤 과업이 자동화되거나 보완될지, 비용절감이 얼마가 될지에 거대한 불확실성이 있기 때문입니다.

그럼에도 예시적 계산으로서, 엘룬두 연구진과 스반베리(Maja Svanberg) 연구진의 작업, 그리고 앞서 언급한 실험 연구들을 끌어와 어림수를 뽑아냅니다. 엘룬두 연구진의 노출 과업 추정치를 직업 수준으로 집계하고 각 직업을 미국 경제 내 임금총액 비중으로 가중하면, 미국 노동 과업의 19.9%가 AI에 노출되어 있다는 값이 나옵니다. 여기에 컴퓨터 비전 과업을 대상으로 한 스반베리 연구진의 추정, 즉 노출된 과업 중 23%만이 수익을 내며 AI로 수행될 수 있다는 값을 곱합니다. 평균 노동비용 절감은 27%로 잡고, 산업별 노동소득 분배율을 반영해 총비용 절감 15.4%로 환산합니다.

이 계산이 내놓는 값이 향후 10년간 총요소생산성 증가 0.71% 이하, 연간으로는 약 0.07%입니다. 더 큰 생산성 이득을 보고한 펑(Sida Peng) 연구진의 수치를 넣거나 그래픽처리장치(GPU) 비용의 추가 하락을 반영해도 이 숫자는 1% 언저리에 머뭅니다. 이를 GDP로 옮기려면 AI 때문에 자본스톡이 얼마나 늘어나는지를 알아야 합니다. 기준선으로는 총요소생산성 증가에 비례해 자본스톡이 늘어난다고 보는데, 이는 생성형 AI가 사용자 쪽에 거대한 투자를 요구하지는 않는다는 사실과 부합합니다. 이 경우 GDP는 10년간 1.1% 정도 늘어납니다.

과거 자동화 기술 수준의 투자를 가정해 애스모글루와 레스트레포의 2022년 연구 틀로 자본스톡 증가를 추정하면 GDP 효과의 상한은 1.6-1.8%로 올라갑니다. 여기서 애스모글루는 중요한 단서를 붙입니다. 소비자 후생에 관련된 것은 GDP가 아니라 총요소생산성인데, 추가 투자는 소비에서 빠져나오기 때문입니다. 예컨대 AI 모형이 에너지 요구량을 계속 늘린다면 그것은 측정된 GDP에는 보태지지만 후생에는 이로운 변화가 아닙니다.

게다가 위 숫자들 자체가 과대추정일 수 있다고 봅니다. 지금까지 생산성 이득과 비용절감이 측정된 과업은 배우기 쉬운 과업이고 따라서 AI에게도 쉬운 과업인 반면, 앞으로의 효과 일부는 배우기 어려운 과업에서 나올 것이기 때문입니다. 그런 과업에는 의사결정에 영향을 주는 맥락 의존적 요인이 많고, 학습이 주로 비슷한 과업을 수행하는 다른 사람의 행동에 기대어 이루어집니다. 쉬운 과업의 비중을 노출 과업 가운데 최대 74%로 추정하고 어려운 과업의 생산성 이득을 쉬운 과업의 약 4분의 1로 가정하면, 향후 10년간 총요소생산성 증가는 0.55%, GDP 증가는 0.90%를 상한으로 하게 됩니다.

새 과업은 이보다 훨씬 크게 생산성을 끌어올릴 수 있지만, AI가 만들어내는 새 과업 중 일부는 조작적이며 사회적으로 음의 가치를 갖습니다. 딥페이크, 사람을 오도하는 디지털 광고, 중독적인 소셜미디어, AI를 활용한 악의적 컴퓨터 공격이 그 예입니다. 부르스틴(Leonardo Bursztyn) 연구진의 추정을 빌리면, 사용자-월당 53달러의 수익이 늘어나는 동안 GDP와 후생에는 19달러에 상당하는 음의 영향이 생깁니다. 여기에 음의 사회적 가치를 낳는 활동의 비중 추정을 결합하면, AI가 GDP를 2% 늘리는 것처럼 보이면서 실제로는 후생을 0.72% 줄이는 상황이 가능합니다.

임금과 불평등에 관한 결론도 서론에서 미리 제시됩니다. 애스모글루의 틀에 따르면 AI의 생산성 이득이 뚜렷한 임금 상승으로 이어질 가능성은 낮습니다. 저성과·중간성과 노동자의 생산성이 올라가더라도 그것이 불평등 감소로 번역되지 않을 수 있으며, 오히려 특정 과업에서 저숙련 노동자의 생산성이 올라가는 일이 불평등을 키울 수 있다는 점을 간단한 예로 보여 주겠다고 예고합니다.

2022년 연구의 일반균형 추정을 AI 상황에 맞게 바꿔 적용한 결과, AI에 노출된 과업이 인구집단에 더 고르게 분포하기 때문에 영향받는 집단의 큰 임금 하락은 없을 것으로 봅니다. 그러나 AI가 불평등을 줄이지는 않을 것이며, 저학력 여성, 특히 백인이면서 미국에서 태어난 저학력 여성의 실질소득에는 부정적 영향을 줄 가능성이 크고, 자본소득과 노동소득의 격차는 더 벌어질 것으로 추정합니다.

마지막으로 애스모글루는 더 나은 임금·불평등 효과와 더 큰 생산성 이득이 모두 노동자를 위한 새 과업, 특히 중·저임금 노동자를 위한 새 과업의 창출에 달려 있다고 봅니다. 이론적으로 가능하고 다른 글에서 방법도 논했지만, 지금의 AI 연구가 거기에 초점을 맞추고 있지 않다는 것이 그의 판단입니다. 요컨대 AI의 거시효과를 예측하는 일은 극히 어렵고 여러 투기적 가정에 기댈 수밖에 없지만, 단순한 틀이 우리의 사고와 예측을 규율할 수 있으며, 그 틀과 기존 추정치를 진지하게 받아들이면 매우 큰 거시적 이득에 도달하기는 어렵다는 것이 이 글의 요지입니다.

[관점]
이 숫자들이 자본시장에서 갖는 의미는 성장률 자체보다 투자 회수 기간에 있습니다. 10년간 총요소생산성 0.55-0.71%는 연 0.05-0.07%포인트에 해당하는데, 이는 측정 오차와 구분하기 어려운 수준입니다. 반면 같은 기간 데이터센터와 가속기에 투입되는 설비투자는 선행 지출이며 회수 기간이 짧습니다.

즉 애스모글루의 추정이 맞다면 문제는 AI가 쓸모없다는 것이 아니라, 이득의 실현 속도가 자본의 상각 속도보다 느리다는 데 있습니다. 반대로 골드만삭스나 맥킨지글로벌연구소의 전망이 맞다면 현재의 설비투자는 과소투자입니다. 두 전망 사이의 간극이 20배 이상 벌어져 있다는 사실 자체가, 이 분야의 추정치가 가정에 얼마나 민감한지를 보여 줍니다.

[사후 맥락]
이 글이 공개된 뒤 같은 논문의 후속 판본에서 숫자가 조금 내려갔습니다. 전미경제연구소(NBER)의 워킹페이퍼판과 2025년 Economic Policy 게재판의 초록은 총요소생산성 상한을 0.66%로, 어려운 과업을 반영한 값을 0.53%로 적고 있습니다. 이 글에서 다루는 2024년 4월 판본의 0.71%와 0.55%는 그 직전 수치입니다.

또한 애스모글루는 2024년 10월 존슨, 제임스 로빈슨(James Robinson)과 함께 노벨경제학상을 받았습니다. 수상 사유는 제도와 번영에 관한 연구였지만, 이 논문이 이후 AI 생산성 논쟁에서 지닌 무게는 그 수상 이후 한층 커졌습니다.

모형의 뼈대, 과업과 자본과 노동

애스모글루가 쓰는 모형은 오터와 함께 쓴 2011년 글, 그리고 레스트레포와 함께 쓴 2018년, 2019년, 2022년 연구 위에 서 있습니다. 경제는 정태적이고, 단 하나의 최종재가 생산되며, 모든 시장은 경쟁적입니다. 최종재는 일정한 범위의 과업들을 결합해 만들어집니다. 각 과업의 산출물이 얼마나 서로를 대신할 수 있는지는 과업 간 대체탄력성(elasticity of substitution)이라는 하나의 모수로 요약됩니다.

애스모글루는 이 값이 1 이하라고 보는 것이 합당하다고 말합니다. 1 이하라는 것은 과업들이 서로를 대신하기보다 서로를 필요로 하는 보완 관계라는 뜻이며, 뒤에서는 훔룸(Anders Humlum)이 추정하고 2022년 연구에서도 부과했던 값인 0.5를 씁니다.

각 과업은 자본으로도 노동으로도 생산할 수 있습니다. 자본과 노동은 과업마다 생산성이 다르지만, 하나의 과업 안에서는 서로 완전대체재입니다. 여기에 핵심 가정이 하나 더해지는데, 과업에 번호를 매겼을 때 번호가 높아질수록 노동의 상대적 생산성이 높아진다는 것입니다. 다시 말해 노동은 번호가 높은 과업에 비교우위를 가집니다. 그러면 어떤 임계값이 존재해서, 그보다 낮은 번호의 과업은 자본이, 높은 번호의 과업은 노동이 맡게 됩니다.

자동화란 이 임계값이 오른쪽으로 밀려나는 일입니다. 애스모글루는 노동이 맡은 과업이 자본이나 도구를 전혀 쓰지 않는다고 가정한 것이 명백히 비현실적임을 인정합니다. 다만 2018년 연구의 온라인 부록에서, 노동 과업에도 노동 보완적 자본이 들어가도록 생산함수를 고쳐 보면 결과가 매우 비슷하다는 점을 보였다고 밝힙니다. 그 수정판에서도 노동이 맡은 과업은 완전히 자동화된 과업보다 자본집약도가 낮게 유지됩니다.

노동 쪽 설정은 단순합니다. 인구를 1로 정규화하고, 노동자들은 서로 다른 효율 노동 단위를 가집니다. 논의를 간단히 하려고 고숙련과 저숙련 두 유형만 두되, 둘 사이에 비교우위 차이는 없다고 두었습니다. 차이는 오직 고숙련이 더 많은 효율 노동 단위를 가진다는 데만 있으며, 그래서 두 유형이 같은 과업을 함께 수행할 수 있고 임금 불평등은 두 유형의 효율 단위 비율로 고정됩니다. 이 고정은 뒤에서 완화됩니다.

자본은 쓰이는 과업에 특화되어 있고 최종재로부터 선형으로 생산되며, 단위비용은 두 부분의 곱으로 적힙니다. 하나는 경제 전체 자본스톡이 커질수록 요구수익률이 올라갈 수 있다는 점을 담은 항이고, 다른 하나는 과업마다 자본의 비용이 다를 수 있다는 점을 담은 과업별 항입니다. 아직 기술적으로 자동화되지 않은 과업은 자본의 생산성을 0으로 두거나 비용 항을 매우 크게 두어 표현합니다. 마지막으로, 자본지출을 뺀 최종재를 소비하는 비포화 대표가계가 존재한다고 둡니다.

해설
대체탄력성이라는 모수 하나가 이 논문의 분배 관련 결론을 거의 전부 떠받칩니다. 이 값이 1보다 크면 과업들은 서로 대체재여서, 어떤 과업이 싸지면 그 과업을 더 많이 쓰는 쪽으로 자원이 몰립니다. 1보다 작으면 반대입니다. 공정 전체가 완성되려면 모든 과업이 다 수행되어야 하므로, 싸지고 쉬워진 과업에는 오히려 자원을 덜 넣고 병목이 된 과업으로 자원을 옮기는 것이 합리적입니다.

그래서 이 모형에서는 ‘노동의 물적 생산성이 올랐다’는 사실이 ‘노동 수요가 늘었다’로 자동 번역되지 않습니다. 어떤 과업에서 노동이 더 잘하게 되면 그 과업에 배정되는 노동의 양은 줄어들 수 있습니다. 직관에 반하는 이 성질이 뒤에 나오는 저숙련 생산성의 역설로 이어집니다.

AI가 이 모형에 들어오는 네 가지 방식

균형 조건 자체는 교과서적입니다. 과업 배분은 비용을 최소화하는 쪽으로 이루어져, 노동의 단위비용이 자본의 단위비용보다 낮은 과업에만 노동이 투입됩니다. 각 과업의 자본량은 경제 전체 자본스톡을 주어진 것으로 보고 이윤을 극대화하도록 선택되며, 노동시장은 청산됩니다. 무차별한 경우에는 자본을 쓴다는 무해한 타이브레이크 규칙을 두었기 때문에, 임계값보다 높은 번호의 과업은 전부 노동이 수행합니다. 기본 모형에서 그 노동이 고숙련인지 저숙련인지는 불확정이어서, 애스모글루는 효율 노동의 총량에만 주목합니다.

여기서 앞서 말한 성질이 식으로 확인됩니다. 노동이 수행하는 두 과업 사이의 노동 배분 비율은 각 과업에서 노동의 생산성 비율을 대체탄력성에서 1을 뺀 값만큼 거듭제곱한 값으로 결정됩니다. 대체탄력성이 1보다 작으면 그 지수가 음수가 되므로, 노동의 생산성이 더 높은 과업에 더 적은 노동이 배분됩니다. GDP는 이 조건들을 결합해 하나의 식으로 적을 수 있는데, 그 식의 분모는 생산이 우회적이라는 사실에서 나옵니다. 산출이 기계를 만들고 기계가 다시 산출을 만들기 때문에, 산출이 무한대로 발산하지 않도록 하는 조건을 따로 부과해야 하며, 그 조건이 충족되면 균형은 존재하고 유일합니다.

이제 AI가 이 경제에 들어오는 방식이 네 갈래로 정리됩니다. 첫째는 외연적 자동화로, 자본이 맡는 과업의 임계값이 커지는 것입니다. 한계에 놓인 과업에서 AI가 자본의 비용을 낮추거나 기계와 알고리즘의 성능을 올리면 이 일이 일어납니다. 대규모 언어모델이 단순한 글쓰기와 번역과 분류를 넘겨받고, 고객 서비스와 정보 제공처럼 다소 복잡한 과업까지 맡거나, 컴퓨터 비전 기술이 이미지 인식과 분류를 넘겨받는 것이 분명한 예입니다.

둘째는 과업 보완성으로, 노동이 수행하고 있는 과업에서 노동의 생산성이 올라가는 것입니다. AI가 노동자에게 더 나은 정보를 주어 생산성을 직접 올리는 경우는, 앞서 말한 일반화된 설정에서 노동 보완적 자본의 비용이 낮아지는 것으로 모형화할 수 있습니다. 다른 경로는 AI가 하위 과업 일부를 넘겨받으면서 인간이 다른 하위 과업에 특화하는 것인데, 이를 다루려면 각 과업을 이루는 하위 과업의 범위를 명시적으로 모형에 넣어야 합니다. 이 경우 하위 과업 수준의 변위가 생산성 이득보다 약하면 노동 수요와 노동의 한계생산성이 오히려 늘어나며, 생산성 효과가 변위 효과보다 크다는 논리는 기본 자동화 모형과 같습니다. 더 흥미로운 가능성은 노동자가 자동화되지 않은 하위 과업에 특화하면서 그 활동의 전문성 자체를 끌어올리는 것으로, 표준 서브루틴을 짜는 데 쓰던 시간이 줄어든 프로그래머가 프로그래밍의 다른 부분을 더 잘하게 되는 경우가 그 예입니다.

셋째는 자동화의 심화로, 이미 자본이 맡고 있던 과업에서 성능이 좋아지거나 비용이 낮아지는 것입니다. IT 보안, 재고의 자동 관리, 더 나은 자동 품질관리가 예로 제시됩니다. 넷째는 새로운 노동집약적 제품이나 과업이 생기는 것으로, 과업의 총 범위 자체가 넓어지는 경우입니다. 애스모글루는 새 과업으로 가는 경로가 여럿 있다고 보면서도, 그중 일부는 조작적이고 음의 사회적 가치를 가질 수 있다는 점을 나중에 다루겠다고 예고합니다. 새 AI 도구의 효과는 이 네 가지가 각각 얼마나 크게 일어나느냐에 달려 있습니다.

자동화가 임금을 깎을 수 있는 이유

균형 임금은 세 항의 곱으로 표현됩니다. 첫째 항은 노동자당 산출, 즉 노동생산성이고, 임금은 여기에 대체탄력성의 역수만큼 거듭제곱한 값에 비례합니다. 둘째 항은 힉스 중립적 기술과 노동증강적 기술이 노동의 한계생산성에 기여하는 부분입니다. 셋째 항은 과업이 어떻게 배분되어 있는지가 노동의 한계생산성에 기여하는 부분입니다. 기술이 작게 변할 때의 임금 변화는 이 세 항의 변화를 합한 형태로 적힙니다.

외연적 자동화, 즉 자본이 맡는 과업의 범위가 넓어질 때 임금에 생기는 효과는 일반적으로 부호가 정해지지 않습니다. 즉 자동화는 임금을 낮출 수 있습니다. 서로 반대 방향의 두 효과가 동시에 작동하기 때문입니다. 하나는 생산성 효과로, 자동화는 생산성을 높이고 비용을 낮추므로 임금과 노동 수요에 언제나 양의 영향을 줍니다. 다른 하나는 변위 효과로, 자동화는 노동자가 하던 과업에서 그들을 밀어냅니다.

둘 중 어느 쪽이 이기는지는 자본의 요구수익률이 어떻게 움직이는지에 달려 있습니다. 요구수익률이 고정되어 있으면 자동화는 임금을 올립니다. 규모수익불변 생산함수에서는 오일러 정리에 따라 산출이 임금총액과 자본보수의 합으로 쪼개지므로, 자본보수율이 고정된 채 산출이 늘면 임금은 반드시 오르기 때문입니다. 그러나 자본스톡이 고정된 상태에서는 자본보수율이 산출보다 더 크게 오를 수 있어 음의 효과가 가능해집니다. 지수할인과 시간분리적 선호를 쓰는 신고전파 성장모형에서는 장기 요구수익률이 고정되지만, 애스모글루와 옌센(Martin K. Jensen)과 레스트레포의 2024년 연구는 더 일반적인 선호에서는 자동화 이후 요구수익률이 오르는 경향이 있어 임금에 음의 효과가 생길 수 있음을 보였습니다.

과업 보완성의 효과는 흔히 가정하는 것보다 복잡합니다. 노동의 과업별 생산성이 올라가면 노동의 한계물적생산은 분명히 늘어나지만, 균형임금을 결정하는 것은 한계생산의 가치이고 이는 과업 가격이 어떻게 조정되는지에 달려 있습니다. 노동이 수행하는 과업의 산출이 흔해지고 수행하기 쉬워지면 그 과업의 가격은 내려가는데, 대체탄력성이 1보다 작은 현실적인 경우에는 가격 하락이 물적 생산성 증가보다 더 큽니다. 생산성 이득 덕분에 균형임금이 오를 수는 있지만, 노동이 가져가는 몫은 전반적으로 제한적입니다.

애스모글루는 여기에 구체적인 수치 조건을 붙입니다. 자동화 임계값과 과업의 총 범위를 고정한 채 노동증강적 기술만 좋아질 때, 대체탄력성이 국민소득의 자본 몫과 같으면 임금은 전혀 오르지 않습니다. 대체탄력성이 그보다 작으면 노동증강적 개선이 실질임금을 오히려 낮출 수도 있습니다. 현재 미국의 자본소득 분배율은 0.4 안팎이고 훔룸이 추정한 대체탄력성은 0.5 정도이므로, 과업 보완성이나 노동증강적 기술 개선이 임금을 크게 올리지는 못한다는 것이 이 모형의 답입니다.

게다가 이런 기술 변화는 임금을 올리는 경우에도 자동화와 마찬가지로 노동소득 분배율을 낮춥니다. 반면 자동화의 심화와 새 과업은 언제나 임금을 올리며, 특히 새 과업은 노동소득 분배율까지 올려 자본과 노동 사이의 격차를 좁히는 쪽으로 작동합니다.

해설
노동소득 분배율과 실질임금은 같은 말이 아닙니다. 임금이 올라도 산출이 더 빠르게 늘면 노동이 가져가는 몫의 비율은 떨어집니다. 애스모글루가 이 둘을 분리해 서술하는 이유는, AI 낙관론이 대개 임금 수준만 보고 분배율을 보지 않기 때문입니다.

이 구분이 중요한 이유는 자산 보유 여부에 따라 사람들의 체감이 갈리기 때문입니다. 분배율이 떨어지는 국면에서는 노동만으로 소득을 얻는 가계와 자본소득을 함께 얻는 가계의 격차가, 임금 통계에는 거의 드러나지 않은 채 벌어집니다.

[관점]
이 장에서 결론의 지렛대 역할을 하는 숫자는 대체탄력성 0.5입니다. 이 값의 출처는 훔룸의 로봇 채택 연구인데, 로봇이 들어간 제조 공정에서 추정된 과업 간 대체 관계를 사무직과 서비스직의 생성형 AI 과업에 그대로 가져다 쓰는 것이 타당한지는 논문 안에서 따로 검증되지 않습니다.

이 값이 1 근처이거나 그보다 크면 결론의 상당 부분이 달라집니다. 노동 생산성 향상이 그 과업에서 노동을 밀어내는 대신 끌어들이게 되고, 임금 효과의 부호도 뒤집힐 수 있습니다. 애스모글루의 숫자를 반박하려는 쪽이 공략해야 할 지점은 0.71%라는 결과값이 아니라, 결과값을 떠받치는 이런 모수 선택입니다.

미시의 비용절감이 거시로 합산되는 방식

AI가 경제에 미치는 여러 효과가 한데 모이는 지점은 생산성입니다. 그 크기를 가늠하기 위해 애스모글루는 헐튼 정리를 끌어옵니다. 이 정리는 경쟁적이고 규모수익이 불변인 경제에서 미시 수준의 생산성 개선이 거시 총량의 변화로 어떻게 번역되는지를 알려주는 단순한 공식입니다. 앞 절에서 세운 경제가 경쟁적이므로 이 정리가 그대로 적용되고, 따라서 AI의 생산성 효과에 상한을 지웁니다. 설명을 쉽게 하려고 애스모글루는 우선 경제 전체 자본스톡을 주어진 것으로 두고 논의를 시작합니다.

기술의 어느 측면에서든 작은 변화가 일어났다고 해 봅시다. 힉스 중립적 기술이든, 노동증강적·자본증강적 기술이든, 과업별 생산성이든, 자동화 임계값이나 과업의 총 범위이든 상관없습니다. 즉 자동화에 기반한 효과와 기존 과업에서의 보완성에 기반한 효과가 모두 고려 대상에 들어옵니다. GDP는 각 과업 산출물을 가격으로 가중해 더한 값으로도 적을 수 있습니다. 그런데 지금 다루는 것이 작은 변화이고 경쟁균형은 효율적이므로, 요소 재배분 효과와 가격을 통한 간접효과는 모두 2차항에 속해 무시할 수 있습니다.

애스모글루는 이 무시가 왜 정당한지도 밝혀 둡니다. 실질 GDP의 변화는 사회계획자가 푸는 문제의 목적함숫값 변화로 표현할 수 있고, 과업 수준 자원제약에 붙는 라그랑주 승수가 곧 가격에 해당하므로, 포락선 정리에 따라 모수나 기술이 조금 바뀔 때의 효과를 평가할 때 그 가격들을 주어진 것으로 취급해도 된다는 것입니다. 이는 헐튼(Charles Hulten)이 1978년 논문에서 보인 바입니다.

그 결과 남는 식은 놀랄 만큼 단순합니다. 총요소생산성의 변화는 각 과업이 GDP에서 차지하는 비중에 그 과업에서 AI가 가져온 비용절감률을 곱해 모두 더한 값입니다. 자본과 노동이 고정되어 있으므로 이 산출 변화가 곧 총요소생산성 변화입니다. 여기에 자본스톡의 변화까지 포함하면, GDP 변화는 총요소생산성 변화에 ‘자본소득 분배율 곱하기 자본스톡 증가율’을 더한 값이 됩니다. 애스모글루는 이 두 식이 과업 수준 생산함수의 모양과 무관하게 성립하므로, 앞 절에서 끌어낸 임금·불평등 결과보다 더 일반적이라는 점을 강조합니다.

그렇다면 과업별 비용절감률은 얼마나 될까요. AI의 생산성 효과가 주로 자동화에서 온다면 그 값은 자동화에 따른 비용절감에서 나올 텐데, 애스모글루는 그 값이 클 수 없다고 봅니다. 로봇의 경우 전문가 보고서들은 노동비용의 약 30% 절감을 제시했고, 뒤에서 설명할 이유로 AI의 절감폭은 이보다 작을 것으로 볼 근거가 있습니다. 노이(Shakked Noy)와 장(Whitney Zhang), 브리뇰프슨(Erik Brynjolfsson) 연구진의 추정치도 노동비용의 약 27%로 비슷한 범위에 있습니다. 이 수치가 외연적 자동화에서 왔는지 과업 보완성에서 왔는지는 분명하지 않지만, 생산성 효과를 계산하는 데는 그 구분이 덜 중요합니다.

실제 계산에서는 노동비용 절감을 전체 비용 절감으로 환산해야 합니다. 어떤 산업에서 비용 가운데 노동이 차지하는 비중이 얼마인지를 곱해 주면 됩니다. 이렇게 산업별로 환산한 값을 평균해 경제 전체의 비용절감률을 구하면, 이 논문의 중심 식이 완성됩니다. 10년간 총요소생산성 증가분은 ‘평균 비용절감률’과 ‘AI가 영향을 주는 과업의 GDP 비중’의 곱입니다. 자본-산출 비율이 기술 변화에 반응해 그대로 유지된다면, GDP 증가분은 총요소생산성 증가분을 1에서 자본소득 분배율을 뺀 값으로 나눈 값이 되는데, 이것이 애스모글루가 먼저 쓰는 1차 근사입니다.

펑 연구진이 추정한 더 큰 효과는 깃허브 코파일럿(GitHub Copilot)이 집중적으로 학습한 매우 좁은 과업에 한정되므로 일반적으로 적용하기 어렵다고 보아 강건성 점검(robustness check)에서만 다룹니다.

해설
헐튼 정리가 왜 강력한 동시에 취약한지는 그 전제에 있습니다. 이 정리는 어떤 산업이나 과업의 생산성이 1% 좋아졌을 때 경제 전체 생산성이 얼마나 좋아지는지를, 그 산업이나 과업이 경제에서 차지하는 비중만으로 답합니다. 산업들이 서로 어떻게 얽혀 있는지, 투입-산출 구조가 어떻게 생겼는지를 따로 알 필요가 없습니다.

이것이 가능한 이유는 경쟁균형에서 가격이 이미 그 모든 연결 관계의 정보를 담고 있기 때문입니다. 그래서 이 정리는 ‘작은 변화’와 ‘왜곡 없는 효율적 경제’라는 두 조건 위에서만 성립합니다. 애스모글루가 이 식을 가져온 것은 AI 전망치를 반박하기 위해서라기보다, 아무리 낙관적인 전망이라도 ‘얼마나 많은 과업에 얼마나 큰 비용절감’이라는 두 숫자로 환원해 말하게 만들기 위해서입니다.

[반론]
데이비드 바카이(David Baqaee)와 에마뉘엘 파르히(Emmanuel Farhi)는 2019년 Econometrica에 실린 「The Macroeconomic Impact of Microeconomic Shocks: Beyond Hulten’s Theorem」에서, 이 정리가 1차 근사일 뿐이며 2차항이 결코 작지 않을 수 있다고 지적했습니다. 두 사람이 든 직관적 예시는 이 정리의 결론이 얼마나 이상해질 수 있는지를 보여 줍니다. 매출 비중이 비슷하다는 이유로 월마트(Walmart)를 경제에서 지우는 것과 모든 전력회사를 지우는 것이 같은 효과를 낸다고 말하게 되기 때문입니다.

투입물 사이의 보완성이 강할수록 2차항이 커지며, 이 효과는 대체로 음의 충격을 증폭하는 쪽으로 작동합니다. 애스모글루의 계산은 이 1차 근사에 의존하므로, 이 지적은 그의 상한 추정이 어느 정도의 오차를 안고 있는지를 따지는 근거가 됩니다.

쉬운 과업과 어려운 과업을 가르는 기준

애스모글루는 자신이 쓴 비용절감 수치부터 의심합니다. 펑, 노이와 장, 브리뇰프슨 연구진의 개념증명 연구들은 모두 AI가 분명한 이득을 낼 수 있는 과업, 이미 정교한 응용 도구가 있던 과업, 또는 일부 기업이 이미 생성형 AI를 써 보려 애쓰던 과업에 초점을 맞췄습니다. 그렇다면 현재의 AI 기술에 비교적 쉬운 과업에서 얻은 추정치는, 그 맥락 안에서 아무리 신뢰할 만하더라도 경제의 나머지 부분으로 그대로 외삽할 수 없습니다. 여기서 바깥에서 관찰해 배우기가 쉬운 과업과, 바깥의 관찰만으로 전문성을 얻기 어려운 과업을 구분하는 것이 유용해집니다.

배우기 쉬운 과업(easy-to-learn task)은 두 가지 특징으로 정의됩니다. 하나는 행동과 완전한 성과 지표 사이에 단순한, 즉 저차원의 대응 관계가 있다는 것입니다. 다른 하나는 믿을 만하고 관찰 가능한 성과 지표가 존재한다는 것입니다. 달걀 삶는 법이나 그 방법을 알려주는 일, 시스템에서 접속이 막힌 사람의 신원을 확인하는 일, 잘 알려진 프로그래밍 서브루틴을 작성하는 일이 쉬운 과업입니다.

원하는 결과가 분명하고, 성공이 여러 차원의 행동이 복잡하게 상호작용한 결과로 결정되지도 않습니다. 원하는 만큼 삶아진 달걀, 권한 있는 사람만 접근하게 된 시스템, 멈추지 않고 돌아가는 서브루틴처럼 객관적 성공 척도가 있으면 AI 모형은 비교적 수월하게 잘 수행하는 법을 배울 수 있습니다. 게다가 이런 과업에서는 인간의 행동으로부터도 잘 배울 수 있는데, 숙련 프로그래머처럼 잘 해내는 전문가가 존재하고 객관적 척도가 있어 누가 전문가인지 식별할 수 있기 때문입니다.

애스모글루는 이 구분이 오터와 레비(Frank Levy), 머네인(Richard Murnane)이 2003년에 도입한 루틴과 비루틴의 구분과는 다르다는 점을 분명히 합니다. 루틴 과업은 안정적이고 예측 가능한 환경에서 같은 활동을 반복하는 것으로, 뜨개질이나 전화 교환대 조작이 그 예이고, 디지털 기술이 들어갈 때는 관련 소프트웨어와 하드웨어를 한 단계씩 프로그래밍하는 방식을 취했습니다. 상당수의 루틴 과업은 이미 자동화되었고, 대니얼 서스킨드(Daniel Susskind)가 강조했듯 AI의 가능성은 비루틴 과업을 수행하는 능력에 있습니다. 비루틴 과업 중에도 컴퓨터 프로그래밍의 일부나 단순한 글쓰기처럼 배우기 쉬운 것이 있고, 맥락에 따라 달라지는 판단이 필요하고 성공을 재는 척도가 드문 것은 바깥에서 관찰해 배우기가 훨씬 어렵습니다.

여기서 결정적인 점은 이 뜻의 쉬운 과업이 인간에게도 쉬운 것은 아니라는 사실입니다. 오히려 인간이 수행하기에 비용이 많이 드는 과업일수록 쉬운 과업에서의 비용절감은 더 뚜렷해집니다. 반대로 직관과 경험과 판단에 기대는 일부 어려운 과업은 인간에게는 비교적 쉬울 수 있는데, 인간은 그런 과업을 바깥의 관찰만으로 익히지 않기 때문입니다. 어려운 과업에서 인간 대비 비용절감이 제한적일 수밖에 없는 이유가 여기 있습니다.

어려운 과업에는 행동과 원하는 결과 사이의 단순한 대응 관계가 대체로 없습니다. 주어진 문제에서 무엇이 원하는 결과로 이어지는지가 알려져 있지 않고 맥락 요인에 크게 좌우되거나, 관련된 맥락의 수가 방대하거나, 새로운 문제 해결이 필요합니다. 게다가 AI 시스템이 학습할 정보가 충분하지 않거나, 정확히 무엇을 학습해야 하는지가 불분명한 경우가 많습니다. 계속되는 기침의 원인을 진단하고 치료 경로를 제안하는 일이 그런 문제입니다. 기침의 원인일 수 있는 과거 사건들 사이에 복잡한 상호작용이 많고 고려해야 할 희귀 질환도 많은데, 성공한 진단과 치료를 모아 잘 정리한 대규모 데이터셋은 존재하지 않습니다.

어려운 과업에서도 AI는 인간 의사결정자로부터 배울 수 있지만, 성공의 명확한 척도가 없으니 가장 전문성이 높은 사람을 가려내 그로부터 배우는 일도 간단하지 않습니다. 그 결과 AI 모형의 성능은 인간 의사결정자의 평균 수준에 수렴하는 경향이 생기고, 큰 폭의 생산성 개선과 비용절감 가능성은 제한됩니다.

어려운 과업에서 이득이 깎이는 이유

지금까지 관찰된 AI의 생산성 이득은 모두 쉬운 과업에서 나온 것입니다. 쉬운 과업에서 이득이 나는 방식은 AI 모형이 그 과업을 전문가 노동자와 엇비슷한 수준으로, 또는 인간보다 싼 비용으로 수행하는 것입니다. 노이와 장의 연구에서 전문가란 요약과 글쓰기를 그런대로 잘하는 사람이었습니다. 원하는 결과를 판정하기 쉽고 새로운 문제 해결이 필요하지도 않았는데, 글쓰기 과업이 더 복잡하거나 창의성을 요구하는 것이었다면 결과가 달랐을 수 있습니다.

GPT-4 같은 생성형 모형은 바로 그런 종류의 글을 방대하게 학습했으므로, 이는 쉬운 과업의 분명한 사례입니다. 이득은 전문성이 낮거나 숙련도가 떨어지는 노동자를 적은 비용으로 전문가 수준까지 끌어올리고, 대다수 노동자가 맡은 과업을 더 빨리 끝내게 되는 데서 나옵니다.

쉬운 문제에서는 추가 이득도 가능합니다. AI 모형이 전문가 인간도 흔히 시도하거나 알지 못했던 행동 조합을 발견하는 경우입니다. 애스모글루는 사람들이 대개 달걀을 넣은 채 물을 끓이기 시작하는데 물이 끓은 뒤에 달걀을 넣으면 편차가 줄어든다는 사실을 AI가 발견할 수 있다는 예를 듭니다. 알파제로(AlphaZero)가 새로운 유효한 체스 수를 찾아낸 일도 훨씬 복잡하고 흥미로운 문제에서 일어난 같은 현상으로 볼 수 있습니다.

이렇게 보면 알파폴드(AlphaFold)가 단백질 접힘에서 거둔 성공은 쉬운 측면과 어려운 측면을 함께 가진 사례입니다. 단순한 대응 관계가 없는 고차원 문제라는 점은 어려운 쪽이지만, 원하는 결과가 관찰된다는 점은 쉬운 쪽이고, 그 덕분에 충분한 연산력이 있으면 인간보다 더 잘하는 일이 가능했습니다.

어려운 과업에서 생산성 이득을 막는 장벽은 두 가지입니다. 첫째, 행동과 원하는 결과 사이에 단순한 대응 관계가 없으면 AI 모형을 훈련시키기가 훨씬 어렵고, 초기의 자동화는 물론 인간 보완적 활용까지 느린 학습에 발목이 잡혀 생산성 이득이 늦춰집니다. 둘째, 인간과의 보완성을 달성하기가 훨씬 어렵습니다. 원하는 결과가 무엇인지에 대한 좋은 정보가 없으면, 예컨대 그 지속되는 기침의 올바른 진단이 무엇이었는지를 알 수 없으면, AI 모형이 쓰는 학습 데이터 대부분은 비슷한 상황에서 인간이 어떻게 행동했는지가 됩니다. 인간에게서 배운 모형은 인간보다 더 잘하게 되지 않고, 인간이 이미 하고 있던 것과 다른 통찰을 새로 드러낼 가능성도 낮습니다.

애스모글루는 이 학습 문제를 수학적으로도 정식화합니다. 행동의 공간과 맥락의 공간이 있고 그 둘이 결합해 결과를 낳는 알려지지 않은 대응 관계가 있으며, 관찰되는 결과는 참된 결과에 잡음이 섞인 것입니다. AI를 훈련시키는 길은 두 가지입니다. 결과와 투입 조합을 충분히 관찰해 그 대응 관계 전체 또는 그 제한된 형태를 학습하는 길, 그리고 결과를 관찰할 수 없을 때 특정 맥락에서 인간이 취하는 행동들로부터 학습하는 길입니다.

행동과 맥락의 공간이 아주 고차원이면 둘 다 어렵지만, 뒤쪽 경로는 인간이 이미 하던 것과 다르거나 더 나은 무언가로 이어질 가능성이 특히 낮습니다. 전문가를 식별할 수 있다면 전문가 수준의 성능은 보장할 수 있겠지만, 믿을 만한 결과 데이터가 없으면 전문성을 식별하는 일 자체가 어렵습니다.

이 절의 전제가 참이라면, 즉 향후 10년 동안 어려운 과업에서의 생산성 이득이 쉬운 과업보다 느리고 가까운 미래에 AI가 영향을 줄 과업이 오늘의 과업보다 어려운 쪽이라면, 앞 절의 식은 분명한 방식으로 수정되어야 합니다. 영향을 받는 과업 가운데 쉬운 과업의 비중과 어려운 과업의 비중을 나누고, 각각의 평균 비용절감을 따로 적용해 더하는 것입니다. 애스모글루는 뒤에서 이 수정된 식으로도 추정치를 제시하는데, 그 값은 쉬운 과업과 어려운 과업을 구분하지 않은 값보다 약 25% 낮아집니다.

[사후 맥락]
이 논문이 나온 뒤의 AI 발전은 애스모글루의 구분을 상당 부분 뒷받침하는 쪽으로 전개되었습니다. 2024년 하반기부터 등장한 추론 모형들은 검증 가능한 보상을 이용한 강화학습(RLVR)으로 성능을 끌어올렸는데, 이 방식이 작동하려면 정답 기준이 존재해야 합니다. 수학, 경쟁 프로그래밍, 단위 테스트를 통과하는 코드에서 성능이 빠르게 올라간 것은 바로 그 조건이 충족되는 영역이었기 때문입니다.

반대로 성공을 재는 객관적 지표가 없는 영역, 예컨대 애스모글루가 든 임상 진단이나 조직 내 판단 업무에서는 같은 속도의 개선이 나타나지 않았습니다. 다만 이 사실이 애스모글루의 결론을 그대로 확증하는 것은 아닙니다. 그는 어려운 과업의 비용절감을 쉬운 과업의 4분의 1로 고정해 두었는데, 정답 기준을 인위적으로 만들어 내는 방향의 연구가 그 비율을 어디까지 끌어올릴 수 있는지는 아직 열린 문제입니다.

투자는 얼마나 늘어나는가

총요소생산성 효과를 GDP 효과로 옮기려면 자본이 얼마나 늘어나는지를 알아야 합니다. 이 질문은 생성형 AI가 얼마나 큰 투자 붐을 일으킬 것인가를 가늠하는 데도 쓰입니다. 자본의 최적화 조건에서 각 과업에 투입되는 자본량의 변화율은 몇 개 항의 합으로 적힙니다. 그 항들은 힉스 중립적 기술과 자본증강적 기술의 변화에 대체탄력성에서 1을 뺀 값이 곱해진 항, 그 과업에서 자본의 생산성 변화에 같은 계수가 곱해진 항, 산출의 변화, 그리고 전체 자본의 요구수익률과 과업별 자본비용의 변화에 대체탄력성이 곱해져 빠지는 항입니다.

애스모글루는 힉스 중립적 기술과 자본증강적 기술이 변하지 않는다고 둡니다. AI가 과학과 발명의 실행 방식을 크게 개선하거나 생산성이 매우 높은 새 과업을 만들어낸다면 그런 변화가 일어날 수 있지만, 10년이라는 시계 안에서는 고정으로 보는 것이 합리적이라는 이유입니다. 그 가정 아래 이미 자본이 수행하던 과업에 AI가 들어가는 경우, 즉 기존 자본설비의 성능을 AI가 보태 주는 경우를 보면 반직관적인 결과가 나옵니다. 대체탄력성이 1보다 작을 때 첫 항이 음수가 되기 때문입니다. 자본집약적 과업에서 AI로 증강된 자본의 생산성이 올라가면 투자와 균형 자본스톡은 오히려 줄어듭니다.

대체탄력성을 0.5로 두었으므로 이 음의 항은 작지 않습니다. 총투자가 늘어나는 한 마지막 항도 양수가 아니므로, 이미 자본이 수행하던 과업의 자본스톡 증가율의 자연스러운 상한은 산출 증가율이 됩니다.

다른 경로는 자동화 임계값 자체가 올라가는 경우입니다. 새로 자동화되는 과업에서는 투자가 0에서 양의 값으로 뛰어오릅니다. 다만 뒤에서 제시할 추정치에서 AI로 자동화될 과업의 비중이 크지 않으므로, 이 증가분 역시 작을 수 있습니다. 노동집약적 과업이 전에도 자본을 쓰고 있었다면 이 도약은 더 작아지지만 여전히 양수입니다. 그래서 애스모글루는 자본스톡 증가율을 총생산성 증가율과 같다고 보는 추정에서 출발한 뒤, 산업 간·과업 간 대체 구조를 모두 반영한 2022년 연구의 틀로 두 번째 추정치를 냅니다.

그 틀에서는 자본소득 분배율의 변화를 추정할 수 있고, 그 값을 이용해 투자 반응과 GDP 추정치를 갱신하게 됩니다. 이 절의 마지막 문장이 중요합니다. 이 경제에서 소비자 후생은 총요소생산성에 비례하며, GDP 증가는 후생 개선을 과장합니다. 투자는 소비를 희생해서 이루어지기 때문입니다.

해설
자본의 생산성이 올라가면 투자가 줄어든다는 결론은 제번스의 역설(Jevons paradox)의 정반대처럼 들리지만, 전제가 다릅니다. 제번스의 역설은 어떤 투입물이 싸지면 그 수요가 오히려 늘어난다는 이야기이고, 이는 그 투입물을 쓰는 활동의 수요가 충분히 탄력적일 때 성립합니다.

반면 이 모형에서 과업들은 서로를 대신하지 못하는 보완재입니다. 자동화된 과업의 성능이 좋아지면 그 과업은 더 이상 공정의 병목이 아니게 되고, 같은 양의 최종 산출을 만드는 데 필요한 그 과업의 투입량은 줄어듭니다. 공정 전체를 늘리려면 아직 병목인 다른 과업에 자원을 넣어야 하기 때문입니다. 어느 쪽이 현실에 맞는지는 결국 대체탄력성이 1보다 큰지 작은지의 실증 문제로 돌아갑니다.

[관점]
이 절의 가정과 2024년 이후 실제 벌어진 일 사이에는 긴장이 있습니다. 애스모글루는 생성형 AI가 사용자 쪽에 큰 투자를 요구하지 않는다는 사실을 근거로 자본스톡이 생산성만큼만 늘어난다고 보았는데, 실제 투자 붐은 사용자가 아니라 모형을 설계하고 학습시키는 쪽, 그리고 그들에게 연산과 전력을 공급하는 쪽에서 터졌습니다.

이 구분은 투자자에게 중요합니다. 설계·학습 쪽의 설비투자는 측정된 GDP에 곧바로 보태지지만, 애스모글루의 논리대로라면 그것은 후생 개선이 아니라 소비에서 빠져나간 몫입니다. 투자 지출이 먼저 일어나고 생산성 이득이 뒤늦게, 그것도 연 0.07%포인트 수준으로 들어온다면, 그 격차를 메우는 것은 결국 자산가격에 반영된 기대뿐입니다. 애스모글루의 계산이 자본시장에서 자주 인용되는 이유도 여기에 있습니다.

새 과업이 가진 가장 큰 잠재력

새 과업이 더해지면 생산성이 확대되며, 이 효과는 원리상 자동화와 과업 보완성에서 오는 비용절감보다 더 클 수 있습니다. 게다가 새 과업은 임금을 올리는 경향이 있습니다. 앞서와 같은 방식으로 계산하면 새 과업이 임금에 미치는 효과는 세 항의 합으로 적히는데, 산출 증가에서 오는 항, 노동이 새로 맡게 되는 과업에서 노동의 한계생산성이 올라가는 항, 그리고 새 과업이 생산 체계 전체에 주는 효과에서 오는 항입니다. 이 값은 언제나 양수이며 클 수도 있습니다.

새 과업의 임금·생산성 효과가 기존 과업에서의 비용절감보다 커질 가능성은 특히 두 경우에 높습니다. 새 과업이 생산 공정 전체를 개선하는 경우, 그리고 새 과업이 비용 개선의 원천이나 보완적 기능을 새로 더해 주는 경우입니다. 애스모글루는 새 과업이 임금과 생산성 성장에서, 그리고 노동소득 불평등을 줄이는 데서 중심적 역할을 한다는 점을 레스트레포와의 2018년 연구와 오터 연구진의 2024년 연구를 들어 확인합니다. 그럼에도 이 글에서는 AI가 만들어낼 좋은 새 과업에 초점을 맞추지 않겠다고 밝히고, 그 이유는 결론에서 자세히 다루겠다고 미룹니다.

수익은 늘지만 후생은 줄이는 새 과업

AI는 수익은 늘리지만 소비자의 효용은 늘리지 않는 새 과업을 만들어낼 수 있습니다. 중독이나 조작을 통한 것이거나, 생산의 맥락에서는 악의적 행위자의 보안 공격을 통한 것입니다. 이것이 뜻하는 바는, AI와 관련된 새 과업이 GDP를 늘리더라도 후생에는 같은 크기의 긍정적 효과를 내지 않을 수 있다는 것입니다.

애스모글루는 이를 담기 위해 후생을 소비의 로그값에서 외부성 항의 로그값을 뺀 것으로 정의합니다. 뒤의 항은 허위정보나 조작적 활동에서 생기는 외부성을 나타냅니다. 그러면 AI가 만들어낸 새 과업의 후생 효과는 산출 증가분과 외부성 증가분의 합이 됩니다. 음의 후생 효과의 크기를 확정하기는 매우 어렵지만 작지 않을 수 있다는 것이 그의 주장이며, 최근 연구들을 근거로 삼겠다고 합니다. 구체적으로는 이 두 항의 상대적 크기에 관한 추정치를 쓰고, 앞의 항은 AI가 나쁜 새 과업이나 사회적으로 해로운 활동을 만들어낼 수 있는 영역의 매출로 대리하겠다고 예고합니다.

[한국 관점]
나쁜 새 과업의 비중을 매출로 대리하는 방식은 한국에 그대로 옮기기 어렵습니다. 애스모글루가 쓰는 대리 변수는 소셜미디어와 디지털 광고 매출, 그리고 IT 보안 지출인데, 한국에서 사회적 비용이 가장 뚜렷하게 드러난 영역은 매출로 잡히지 않는 쪽이었기 때문입니다.

2024년 한국 사회를 흔든 딥페이크 성착취물 문제가 그 예입니다. 생성 도구는 대부분 무료이거나 해외에서 운영되어 국내 매출로 집계되지 않지만, 피해자가 치르는 비용과 수사·삭제·교육에 들어가는 사회적 비용은 실재합니다. 보이스피싱에 쓰이는 음성 합성도 마찬가지입니다. 애스모글루의 틀을 한국에 적용한다면 매출 기준 대리 변수는 음의 외부성을 심하게 과소평가하게 됩니다.

노동에 유리할 수 있다는 네 가지 경로

적지 않은 논평가와 전문가가 생성형 AI의 진전이 노동에 이로울 수 있다고, 적어도 로봇과 소프트웨어 시스템처럼 주로 자동화에 쓰였던 이전 디지털 기술만큼 노동자에게 불리하지는 않을 것이라고 조심스럽게 기대합니다. 애스모글루는 그 낙관이 실현될 수 있는 경로를 네 가지로 정리합니다.

  • 과업 보완성 — AI가 현재 노동이 수행하는 과업에서 생산성을 올리는 경로입니다. 노동증강적 기술의 개선, 일부 과업에서 노동의 생산성 상승, 또는 저숙련과 고숙련 노동자의 효율 단위 자체가 올라가는 것으로 표현됩니다. 다만 대체탄력성이 1보다 작을 때 이런 개선은 노동소득 분배율을 낮추므로, 자본과 노동 사이의 불평등은 커집니다.
  • 큰 생산성 이득 — AI가 매우 큰 생산성 이득을 낳는다면 노동소득 분배율을 낮추면서도 임금은 올릴 수 있습니다. 이 경로는 앞서 다룬 생산성 효과의 크기에 결정적으로 의존하며, 어느 경우든 자본과 노동 사이의 불평등은 언제나 커집니다.
  • 저숙련 편향적 보완성 — 초기 연구들은 좁은 직종 안에서 성과가 낮거나 전문성이 낮은 노동자가 생성형 AI의 수혜자임을 보여 주었습니다. AI가 저숙련 노동에 더 보완적이어서 노동소득 불평등을 줄일 가능성인데, 이 경우에도 대체탄력성이 1보다 작은 한 자본과 노동 사이의 불평등은 커집니다.
  • 좋은 새 과업 — AI가 새로운 좋은 과업을 만들어낸다면 자본과 노동 사이의 불평등이 줄어들고, 그 새 과업이 저숙련 노동자를 충분히 겨냥한다면 노동소득 불평등까지 줄일 수 있습니다.

애스모글루는 앞의 두 경로가 임금 성장의 주요 원천이 되거나 불평등을 의미 있게 제한할 가능성이 낮다고 봅니다. 노동증강적 기술이 1% 좋아진 경우를 보면, 생산성 효과를 뺀 직접적 임금 효과는 ‘대체탄력성에서 1을 빼고 다시 대체탄력성으로 나눈 값’만큼의 변화입니다. 대체탄력성이 1보다 작은 현실적인 경우에 이 값은 음수입니다. 생산성 효과 덕분에 전체적으로는 임금이 오를 수 있지만, 대체탄력성이 국민소득의 자본 몫과 비슷하면 전체 효과는 사실상 0이 됩니다. 충분한 수의 새 과업이 만들어지지 않는 한 자본과 노동 사이의 불평등은 커지고 임금 상승은 제한적일 것입니다.

저숙련 노동자가 더 큰 혜택을 받아 불평등이 줄어든다는 쪽은 어떨까요. 지금까지의 모형에서는 고숙련과 저숙련의 상대 소득이 두 유형의 효율 단위 비율로 고정되어 있으므로, 새 기술이 그 비율을 낮추면 격차도 줄어듭니다. 그러나 이 결론에도 단서가 붙습니다. 애스모글루와 레스트레포의 2022년 연구는 숙련 집단이 여럿인 더 일반적인 설정에서 파급효과(ripple effects)가 생긴다는 점을 보였습니다. 영향을 받은 인구집단이 다른 집단이 수행하던 과업을 두고 경쟁하게 되는 효과입니다.

그런 상황에서는 고숙련과 저숙련 모두의 노동생산성이 어떤 과업에서 올라가는 것이 그 과업에서 두 집단 모두를 밀어낼 수 있고, 뒤이은 파급효과가 원리상 저숙련 노동자에게 고숙련 노동자보다 더 나쁘게 작용할 수 있습니다. 다만 애스모글루는 저숙련 노동자의 생산성이 올라갈 때 불평등이 커지는 경우를 구체적으로 풀어 보인 예를 자신이 아는 한 본 적이 없다고 말하고, 그 예를 직접 제시하겠다고 합니다.

저숙련 생산성이 올라가면 불평등이 줄어들까

예시를 위해 고숙련과 저숙련 사이에 비교우위 차이가 없다는 가정을 풉니다. 임계값보다 낮은 번호의 과업은 자본이 수행하고, 그보다 높은 번호의 과업은 고숙련과 저숙련이 섞여 수행하는 균형에서 출발합니다. 과업 구간을 둘로 나누어, 앞쪽 구간에서는 저숙련이 비교우위를 가지며 두 유형의 생산성은 각각 일정하다고 둡니다. 뒤쪽 구간에서 고숙련의 상대적 생산성은 앞쪽 구간에서의 생산성 비율보다 큰 값을 가지는데, 이는 고숙련이 번호가 높은 과업에 비교우위를 가진다는 뜻입니다. 다만 비교우위가 절대적이지는 않으므로 두 유형이 같은 과업을 함께 수행하는 균형도 가능합니다.

대체탄력성은 1보다 작다고 둡니다. 처음 균형에서는 앞쪽 구간의 과업을 고숙련과 저숙련이 함께 수행하고, 뒤쪽 구간은 고숙련만 수행합니다. 이때 숙련 노동자의 상대임금은 두 유형이 함께 수행하는 과업에서의 상대 생산성, 즉 앞쪽 구간의 생산성 비율로 고정됩니다. 이제 AI의 진전으로 앞쪽 구간에서 노동생산성이 올라가고, 그 혜택이 저숙련 쪽에 더 크게 돌아가 두 유형의 생산성 비율이 낮아진다고 해 봅시다. 상식적으로는 불평등이 줄어야 합니다.

그러나 대체탄력성이 1보다 작기 때문에 앞쪽 구간 과업들의 가격이 내려가고, 그 과업에 배정되는 노동도 줄어듭니다. 이 효과가 충분히 크면 고숙련 노동자는 전부 그 구간에서 빠져나가고, 그 구간에서 요구되는 노동량이 저숙련 노동자의 공급량에 미치지 못할 수도 있습니다. 그러면 AI 이후의 배분은 앞쪽 구간을 저숙련만 수행하고 뒤쪽 구간을 저숙련과 고숙련이 함께 수행하는 형태가 됩니다. 이때 숙련 노동자의 상대임금은 두 유형이 함께 수행하는 과업, 즉 이제는 뒤쪽 구간의 생산성 비율로 결정되며, 그 값은 처음의 비율보다 큽니다. 저숙련 노동자의 생산성이 올라간 결과로 불평등이 커진 것이고, 앞쪽 구간의 생산성 비율이 얼마나 떨어졌는지는 결과와 무관합니다.

애스모글루는 이 예가 세 과업만 있는 모형과 비슷한 구조이지만, 이 역설적 결과가 그런 단순한 구조나 노동 유형이 둘뿐이라는 설정에 의존하지는 않는다고 덧붙입니다. 결론은 분명합니다. AI의 전반적 불평등 함의는 주어진 과업 집합에서 숙련 수준이 다른 노동자들의 성과가 어떻게 바뀌는지만 보고는 끌어낼 수 없으며, 더 온전한 실증 탐색이 필요합니다. 이어지는 계량 평가에서 그 작업을 2022년 연구의 틀과 추정치를 빌려 수행하게 됩니다.

해설
이 예시에서 벌어지는 일을 일상의 말로 옮기면 이렇습니다. 어떤 업무를 AI 덕분에 누구나 잘하게 되면, 그 업무를 잘한다는 사실은 더 이상 보상의 근거가 되지 못합니다. 상대임금은 두 집단이 실제로 맞붙어 경쟁하는 자리에서 결정되는데, AI가 그 경쟁의 자리를 더 어려운 업무 쪽으로 밀어 올리기 때문입니다.

숙련 노동자가 쉬운 업무에서 물러나 어려운 업무로 옮겨 가면, 두 집단이 비교되는 기준 자체가 바뀝니다. 그리고 새 기준에서의 격차는 원래 격차보다 큽니다. 도구가 평평하게 만든 영역에서는 보상이 사라지고, 평평해지지 않은 영역에서 보상이 결정된다는 이 구조가, 생성형 AI가 저성과자에게 더 도움이 된다는 실험 결과와 불평등이 줄지 않는다는 거시 결론이 충돌하지 않는 이유입니다.

노출된 과업은 얼마나 되는가

3장은 향후 10년이라는 시계에서 최근 AI 돌파구가 낳을 효과를 잠정적으로 계량합니다. 중심에는 헐튼 정리와, AI 및 컴퓨터 비전 기술로 어떤 과업이 자동화될 수 있고 그 비용절감이 얼마인지에 관한 최근 추정치가 놓입니다. 총요소생산성 증가분을 얻고 나면 자본스톡이 어떻게 반응할지에 관한 또 다른 가정들을 써서 GDP 증가분으로 옮깁니다. 이어 새 과업, 특히 좋은 새 과업과 나쁜 새 과업의 구분과 그 함의를 다루고, 마지막으로 2022년 연구의 상세한 틀과 결합해 임금·불평등에 관한 더욱 투기적인 추정치를 얻습니다.

필요한 정보는 두 가지뿐입니다. 향후 10년 안에 AI가 영향을 주는 과업이 GDP에서 차지하는 비중, 그리고 그 과업들에서 AI가 가져오는 평균 비용절감입니다. 애스모글루는 두 값 모두 정확히 추정하는 것이 불가능하다고 거듭 못 박습니다. 자신이 제시하는 숫자도, 문헌과 공론장의 다른 추정치도 모두 시사적인 값으로서 매우 조심스럽게 해석해야 한다는 것입니다.

노출 과업에 관한 가장 공들인 추정치는 엘룬두 연구진에게서 나옵니다. 이들은 두 가지 연관된 방법론을 쓰는데, 둘 다 미국 노동부의 직업정보 데이터베이스인 O*NET의 과업 서술과 세부 업무활동(DWA) 서술에서 출발합니다. 19,265개의 과업과 2,087개의 세부 업무활동 전부를 GPT-4로 분류하게 했고, 세부 업무활동을 사람이 직접 분류한 더 거친 지표를 따로 만들어 교차 검증했습니다. 애스모글루는 더 세밀한 구분이 가능한 GPT 기반 지표를 씁니다.

엘룬두 연구진은 노출을 두 가지로 구분합니다. 직접 노출은 대규모 언어모델이 지금 해낼 수 있는 것에 대한 평가이고, 더 공격적인 두 번째 지표는 가상의 확장된 언어모델에 대한 간접 노출까지 허용해 현재의 언어모델과 컴퓨터 비전 기술 위에 올라갈 새 소프트웨어에 노출될 과업까지 포함합니다. 세 번째로 더 공격적인 지표도 있지만 가까운 미래에 해당할 가능성이 낮다는 원저자들의 해석에 따라 애스모글루는 무시합니다. 논문에 실린 지표는 이분법적 코딩이지만, 자동화 지표 쪽에는 활동의 몇 퍼센트가 영향을 받을지가 0%, 25%, 50%, 75%, 100%의 눈금으로 들어 있습니다. 애스모글루는 이 세밀한 정보를 쓰려고 자동화 지표를 택하고, 활동의 50% 이하만 영향을 받는다고 분류된 과업은 전부 0으로 처리한 뒤 나머지를 AI 노출 과업이라고 부릅니다.

이 추정치를 자신이 필요한 값으로 바꾸려면 세 가지 문제를 처리해야 합니다. 첫째, 엘룬두 연구진의 자동화 지표는 자동화를 조금 더 강조하긴 하지만 증강, 즉 과업 보완성 요소를 여전히 품고 있습니다. 원저자들 스스로 지적하듯 생성형 AI의 영향은 하위 과업 일부를 자동화해 인간 노동자가 다른 활동에 집중하게 만드는 형태를 자주 띱니다. 애스모글루가 이 지표를 자동화와 과업 보완성 양쪽의 비용절감을 담는 값으로 해석하는 근거가 여기 있습니다.

둘째, 이 자료를 GDP 비중으로 바꿔야 합니다. 과업을 직업으로 묶은 뒤, 미국 노동통계국(BLS)의 직업별 고용·임금 추계를 2019년부터 2022년까지 모아 각 직업의 임금총액으로 가중해 집계했습니다. 그 결과 노출된 직업의 임금총액 가중 비중은 19.9%가 나오고, 애스모글루는 이 값을 AI에 노출된 과업의 GDP 비중과 같다고 봅니다.

셋째, 엘룬두 연구진의 접근은 생성형 AI와 컴퓨터 비전 기술이 ‘궁극적으로’ 수행할 수 있는 과업을 가려내는 것이어서 두 가지가 빠져 있습니다. 그 영향 중 얼마가 향후 10년 안에 실현될지, 그리고 AI를 쓰는 것이 실제로 수익성이 있는지입니다. 스반베리 연구진이 컴퓨터 비전 기술에 한해 이 질문에 답을 시도했고, 그들의 기준 추정은 컴퓨터 비전에 노출된 과업 가운데 23%가 10년 안에 실현 가능하고 수익성 있게 자동화될 수 있다는 것입니다. 애스모글루는 이 값을 엘룬두 연구진이 다룬 모든 과업으로 외삽합니다. 그 결과가 전체 과업의 약 4.6%, 즉 0.23과 0.199의 곱입니다.

이 외삽이 간단치 않다는 점은 본인도 인정합니다. 스반베리 연구진은 컴퓨터 비전을 이용한 자동화에 초점을 맞춘 반면 엘룬두 연구진의 노출 기술에는 과업 보완성이 포함되고 컴퓨터 비전을 넘어서는 범위까지 들어가므로, 10년 안에 수익성 있게 쓰일 수 있는 과업의 비중이 두 범주에서 다를 수 있습니다. 다른 출처가 없다는 것이 이 선택의 이유입니다.

또한 스반베리 연구진은 컴퓨터 비전 기술의 비용 하락을 가정한 추가 외삽도 제시하는데, 그 근거인 베시로을루(Tamay Besiroglu)와 호브한(Marius Hobbhahn)의 추정은 그래픽처리장치 확장에 따른 연산비용이 연 22% 떨어진다는 것입니다. 애스모글루는 수확체감과 다른 투입물이 만드는 병목, 현재 구조의 한계 때문에 그래픽처리장치 용량이 두 배가 된다고 비용이 절반으로 떨어지지는 않는다고 보아 기준 추정에서는 이를 빼고 강건성 논의에서만 다룹니다.

해설
이 계산에서 가장 낯선 자료가 O*NET입니다. 미국 노동부가 1990년대부터 구축해 온 직업 사전으로, 1,000개 가까운 직업마다 그 직업을 구성하는 과업 목록과 요구되는 지식·기능·작업 환경을 표준화된 항목으로 기술해 둔 데이터베이스입니다. 과업 기반 연구가 미국 자료를 주로 쓰는 이유도 이만한 입도의 공개 자료가 드물기 때문입니다.

다만 이 자료의 과업 서술은 직무 분석가의 언어이지 실제 노동시간의 분포가 아닙니다. 어떤 과업이 한 직업의 업무 목록에 올라 있다는 것과, 그 과업이 그 직업의 시간과 비용에서 큰 몫을 차지한다는 것은 다릅니다. 애스모글루가 임금총액으로 가중한 것은 이 간극을 메우려는 장치이지만, 직업 안에서 과업별 시간 배분까지 보정하지는 못합니다.

[한국 관점]
이 19.9%라는 숫자를 한국에 그대로 옮길 수는 없습니다. 애스모글루 본인이 서론에서 미국 경제에 초점을 맞춘다고 못 박았고, 계산의 모든 층위가 미국 자료입니다. 과업 목록은 O*NET, 임금총액 가중치는 미국 노동통계국, 산업별 노동소득 분배율은 미국 경제분석국(BEA)에서 왔습니다.

한국에 옮길 때 어긋나는 지점은 세 가지입니다. 직업 구성이 다르고, 자영업자 비중이 높아 임금총액 가중 방식 자체가 경제의 상당 부분을 비껴가며, 제조업 비중이 커서 생성형 AI 노출 과업의 구성이 미국과 다릅니다. 여기에 도입 속도의 문제가 겹칩니다. 애스모글루가 지적하는 중소기업 도입 지체는 사업체 수 기준 중소기업 비중이 미국보다 높은 한국에서 더 크게 작용할 가능성이 큽니다. 한국판 추정이 필요하다면 노출 비중부터 다시 계산해야 하며, 미국 숫자를 환율처럼 환산해 쓰는 방식은 성립하지 않습니다.

세 개의 실험이 측정한 것

평균 비용절감 추정치는 이미 개념증명 수준의 결과를 내놓은 실험 연구들에 기댑니다. 애스모글루는 세 연구를 하나씩 설명합니다.

  • 펑 연구진 — 프리랜서 프로그래머들에게 깃허브 코파일럿 접근권을 주고 사용을 권장하는 실험을 설계했습니다. 당시 코파일럿은 오픈AI(OpenAI)의 코덱스(Codex), 즉 GPT-3로 구동되고 있었습니다. 참가자에게 주어진 과제는 자바스크립트로 HTTP 서버를 구현하는 것이었는데, 자료와 서브루틴이 널리 공개되어 있고 GPT-3가 이미 그 자료로 학습한 인기 언어였습니다. 접근권이 없는 대조군과 비교한 결과 처치군은 평균 55.8% 빠르게 과제를 수행했고, 개선은 원래 성과가 좋지 않던 참가자들에게서 나왔습니다.
  • 노이와 장 — 다양한 화이트칼라 직종의 개인을 모집해 온라인 실험을 진행했습니다. 과제는 보도자료, 짧은 보고서, 분석문처럼 20분에서 30분이 걸리도록 설계되었고 참가자 직업의 실제 업무와 닮은 단순한 글쓰기였습니다. 처치군에는 ChatGPT-3.5 접근권을 주었고 대조군에서는 사용률이 매우 낮음을 확인했습니다. 접근권이 주어지면 과제 완료가 평균 40% 빨라졌고, 동료 평가와 ChatGPT 기반 채점으로 잰 품질 점수도 18% 개선되었습니다. 이 경우에도 이득은 실험 전 성과가 낮았던 참가자들에게 몰렸습니다.
  • 브리뇰프슨과 대니엘 리(Danielle Li), 린지 레이먼드(Lindsey Raymond) — 애스모글루가 아는 한 실제 사업장에서 정교한 실험 설계로 생성형 AI 도구 사용을 관찰한 유일한 연구입니다. 대상은 고객서비스 제공업체였고, 상담 직원을 돕는 맞춤형 생성형 AI 도구를 처치군에만 제공했습니다. 고객 티켓이 얼마나 빨리 해결되는지로 비용절감을 평가한 결과 평균 약 14%의 개선이 나타났고, 고객이 직접 평가한 품질은 통계적으로 유의하지 않은 수준에서 약간 떨어졌습니다. 다른 연구들과 마찬가지로 결과는 성과가 낮고 전문성이 덜한 직원들에게 집중되었으며, 상위 5분의 1 직원에게는 개선이 전혀 없었습니다.

애스모글루는 세 연구 모두를 넓은 의미의 노동비용 절감으로 해석합니다. 셋 다 자동화 요소와 과업 보완성 요소를 함께 담고 있다는 뜻입니다. 코파일럿의 경우를 풀어 보면, 자바스크립트 프로그래밍은 여러 하위 과업으로 이루어집니다. 어떤 접근법을 쓸지와 프로그램을 어떻게 구성할지 정하는 초기 기획, 서브루틴 작성, 서브루틴 결합, 서브루틴 디버깅, 전체 프로그램 디버깅, 그리고 프로그램이 애초 목표를 달성했는지 평가하는 일입니다.

생성형 AI는 이 가운데 서브루틴 작성의 일부를 넘겨받는 것으로 볼 수 있고, 그러면 변위 효과와 생산성 효과가 함께 생깁니다. AI가 일부 서브루틴 작성에서 인간보다 낫거나 빠르다면 전체 성과는 올라가지만, 기획과 디버깅과 점검에는 여전히 인간이 필요합니다. 이 과업에서 인간 노동의 수요가 늘어날지 줄어들지는 두 효과의 크기와 대체탄력성, 그리고 최종 생산물의 수요탄력성에 달려 있습니다.

여기서 결정적인 관찰이 나옵니다. 실험 환경에서는 변위 효과가 보이지 않는다는 것입니다. 처치군의 각 참가자에게 과제가 주어지며, 이 과업을 수행하는 노동자 수를 줄일 가능성 자체가 설계에 없기 때문입니다. 이 실험들에서 배울 수 있는 것은 과업 보완성을 포함한 생산성 이득뿐이고 변위 효과는 아닙니다. 애스모글루가 생산성 이득을 추정하는 목적에 한해 자동화와 과업 보완성을 한데 묶어도 괜찮다고 보는 이유가 이것입니다.

글쓰기 실험에서 ChatGPT가 초안의 일부를 쓰고 인간이 검증과 수정을 거쳐 자기 글에 반영하는 것도, 고객서비스 직원이 AI가 제안한 문구를 복사해 붙여 쓰는 것도 같은 구조입니다. 애스모글루는 세 연구의 과업이 엘룬두 연구진이 다룬 노출 과업과 대체로 비교 가능하다고 평가하면서도, 뒤에서 이들이 배우기 쉬운 범주에 속할 가능성이 높다고 주장할 것임을 예고합니다. 기준 추정에서는 품질 효과를 무시합니다. 세 연구에서 품질 결과가 일정하지 않기 때문이며, 대신 속도 증가의 평균을 비용절감으로 해석합니다.

그리고 기준값으로는 노이·장과 브리뇰프슨 연구진의 평균을 쓰고, 세 연구 전체의 평균은 강건성 점검으로 돌립니다. 펑 연구진의 상황은 깃허브 코파일럿이 집중적으로 학습한 매우 잘 정의된 과업이어서 다른 과업과 직접 대응하는 짝이 없기 때문입니다. 이 가정에서 평균 노동비용 절감은 27%가 됩니다.

마지막 환산이 남습니다. 이 수치는 직업 수준의 노동비용 감소를 가리키는데, 일부 과업은 자본과 노동을 함께 쓰므로 중심 식에 들어가야 하는 값은 전체 비용 절감입니다. 애스모글루는 엘룬두 연구진의 산업별 추정치를 경제분석국의 산업별 노동소득 분배율과 결합합니다. 구체적으로는 노출 과업을 직업에 대응시키고, 각 직업의 산업별 취업 비중을 이용해 직업을 14개 국민소득생산계정(NIPA) 산업에 배분한 뒤, 그 산업들의 국민총소득 내 부가가치 비중으로 가중해 노출 과업의 노동소득 분배율을 계산합니다. 자영업 소득을 포함한 2019년부터 2022년까지의 값입니다.

그 결과 AI 노출로 조정한 평균 노동소득 분배율은 0.57이고, 평균 전체 비용절감은 0.27과 0.57의 곱인 약 0.154가 됩니다. 참고로 노출 조정을 하지 않은 같은 기간 평균 노동소득 분배율은 0.60이어서, 노출 과업은 평균보다 노동소득 분배율이 약간 낮은 산업에 몰려 있는 셈입니다. 펑 연구진의 수치까지 넣으면 평균 노동비용 절감은 0.36, 전체 비용절감은 0.205로 올라갑니다.

첫 번째 계산, 10년에 0.71%

이제 앞 절의 숫자들을 중심 식에 넣기만 하면 됩니다. 10년간 총요소생산성 이득은 향후 10년 안에 AI가 영향을 주는 GDP 비중에 영향받는 과업의 평균 비용절감을 곱한 값입니다. 0.046과 0.154를 곱하면 0.0071이 나옵니다. 다시 말해 AI와 컴퓨터 비전의 현재 기술이 없었을 경우와 비교해 10년 뒤 총요소생산성이 0.71%포인트 높아지고, 연간 총요소생산성 증가율로는 약 0.07%포인트가 높아진다는 뜻입니다. 작지 않지만 완만한 효과이며, 일부가 예고하는 혁명적 변화는 물론이고 골드만삭스와 맥킨지글로벌연구소가 내놓은 과장이 덜한 전망에도 한참 못 미칩니다.

펑 연구진의 높은 수치를 반영해 0.154 대신 0.205를 쓰면 10년간 총요소생산성 이득은 0.71%가 아니라 0.94%가 됩니다. 이 숫자를 의미 있게 끌어올릴 수 있는 수정은 하나뿐인데, 향후 10년 안에 영향을 받는 과업의 비중을 늘리는 것입니다. 스반베리 연구진의 값을 부풀리는 방법이 있습니다. 생성형 AI에서 수익성 있게 자동화 가능한 과업의 비중이 컴퓨터 비전과 다르거나, 10년 안에 그 비중이 크게 늘어날 수 있기 때문입니다. 스반베리 연구진이 상정한 시나리오 가운데 컴퓨터 비전의 비용이 연 10%처럼 매우 빠르게 떨어지는 경우, 실현 가능하게 자동화되는 과업 비중은 23%에서 약 30%로 올라갑니다.

그러면 AI가 영향을 주는 GDP 비중이 약 6%가 되고 10년간 총요소생산성 이득은 약 1%가 됩니다. 이 값도 상당히 완만하며, 게다가 컴퓨터 비전 과업의 비용이 연 10%씩 떨어진다는 가정 자체가 공격적입니다. 그래픽처리장치 비용이 연 10%나 20% 떨어진다 해도 프로그래밍과 데이터 같은 다른 투입물이 있고 현재의 생성형 AI 구조에 내재한 한계가 있어 컴퓨터 비전 과업의 수행 비용이 같은 비율로 떨어지지는 않기 때문입니다.

애스모글루는 이 계산에서 빠진 중요한 고려 세 가지를 짚습니다.

  • 도입률의 현실 — 미국 기업 부문의 AI 투자는 여전히 매우 적습니다. 애스모글루 연구진의 2022년 추정에 따르면 2019년에 어떤 형태로든 AI에 투자한 미국 기업은 1.5%에 못 미쳤고, 제조업과 정보서비스업, 사업서비스업의 아주 큰 기업들을 벗어나면 더욱 그렇습니다. 엘룬두 연구진이 다룬 과업 상당수가 중소기업에서 수행된다는 점을 고려하면 이 사정은 빨리 바뀌지 않을 것이며, 생성형 AI 도구가 소수 기업의 독점물이 되면 중소기업 도입은 더 느려질 수 있습니다. AI가 영향을 주는 GDP 비중 4.5%조차 큰 과대추정일 수 있고 실제 값은 훨씬 작을 수 있다는 뜻입니다.
  • 조정 비용 — 어떤 주요 기술이든 대규모로 도입될 때는 조정 비용이 생깁니다. 조직의 다른 측면도 함께 진화해야 하고, 그 과정은 대체로 비용이 많이 들고 느립니다. 디지털 기술의 맥락에서 그린우드(Jeremy Greenwood)와 요루코을루(Mehmet Yorukoglu), 그리고 브리뇰프슨 연구진은 생산성 이득이 생산성 J커브(productivity J-curve) 모양을 그린다고 주장했고, 앞의 논문은 디지털 기술에서 J자의 평평한 구간이 최소 20년은 이어진다고 예측했습니다. 그렇다면 15.4%라는 전체 비용절감은 향후 10년에 대해서는 상당한 과대추정일 수 있습니다.
  • 배우기 어려운 과업 — 엘룬두 연구진의 목록에 든 과업 일부는 배우기 어려운 과업이며, 그 경우 생산성 이득은 쉬운 과업에 초점을 맞춘 실험 연구에 기반한 값보다 훨씬 작을 수 있습니다.

애스모글루는 다음 절에서 세 번째 고려만 반영하고 앞의 두 가지는 무시하겠다고 밝힙니다. 그러면서도 이 세 가지를 함께 놓고 보면 향후 10년간 총요소생산성 0.71% 증가라는 값조차 이 기술의 중기 효과의 상한일 가능성이 높다고 결론짓습니다.

[반론]
이 계산이 알려진 뒤 가장 정면으로 반박한 쪽은 골드만삭스였습니다. 2024년 6월 톱 오브 마인드(Top of Mind) 129호에서 앨리슨 네이선(Allison Nathan)은 애스모글루를 인터뷰하는 동시에 자사 선임 글로벌 이코노미스트 조지프 브리그스(Joseph Briggs)의 반대 추정을 나란히 실었습니다. 브리그스는 생성형 AI가 결국 전체 업무 과업의 25%를 자동화해 향후 10년간 미국 생산성을 9%, GDP를 6.1% 끌어올린다고 봅니다.

간극의 원인에 대한 브리그스의 설명은 세 가지입니다. 애스모글루가 지금 당장 수익성 있게 자동화되는 과업만 세었고 장기적인 비용 하락을 반영하지 않았다는 것, 변위된 노동자가 AI 덕분에 생긴 새 직업으로 재배치되는 효과를 빼놓았다는 것, 그리고 새 과업 창출이 변위되지 않은 노동자의 생산 잠재력을 넓히는 효과를 계산에 넣지 않았다는 것입니다. 애스모글루는 같은 호에서 새 과업과 새 제품의 창출이 자연법칙이 아니라고 응수했고, AI가 복잡한 과업을 개선하는 데 실패하면 자신의 보수적 추정조차 너무 클 수 있다고 덧붙였습니다.

[관점]
이 절에서 애스모글루가 스스로 무시하겠다고 밝힌 두 항목이, 2024년 이후 실제로 가장 큰 쟁점이 되었습니다. 도입률과 조정 비용입니다. 생성형 AI 도구의 사용자 수는 빠르게 늘었지만, 그 사용이 기업의 업무 공정에 통합되어 측정 가능한 비용절감으로 잡히는 비율은 훨씬 낮게 보고되어 왔습니다.

투자 판단의 관점에서 보면 이 둘은 반대 방향으로 작용합니다. J커브가 사실이라면 앞으로 10년의 생산성 통계는 실망스러울 것이고, 그 실망이 설비투자 사이클을 꺾을 수 있습니다. 반대로 같은 J커브는 그 이후의 구간에 이득이 몰려 있다는 뜻이기도 합니다. 애스모글루의 10년이라는 시계가 결론을 상당 부분 결정한다는 점은, 그의 숫자를 인용하는 쪽도 반박하는 쪽도 함께 기억해야 할 지점입니다.

해설
원문은 AI가 영향을 주는 GDP 비중을 계산식에서는 4.6%로, 도입률 논의에서는 4.5%로 적습니다. 두 값의 차이는 반올림 수준이며, 이 글은 각 대목에 적힌 값을 그대로 옮겼습니다.

계산의 결론을 움직일 만한 차이는 아니지만, 원문을 대조하며 읽으시는 분이 두 숫자를 보고 다른 추정으로 오해하지 않도록 밝혀 둡니다.

쉬운 과업과 어려운 과업을 나누는 네 단계

이 절에서 애스모글루는 앞의 추정을 수정된 식으로 다시 계산합니다. 10년간 총요소생산성 이득은 ‘영향받는 쉬운 과업의 GDP 비중 곱하기 쉬운 과업의 평균 비용절감’에 ‘영향받는 어려운 과업의 GDP 비중 곱하기 어려운 과업의 평균 비용절감’을 더한 값입니다. 노이·장과 브리뇰프슨 연구진에게서 가져온 27%의 노동비용 절감은 쉬운 과업에 적용합니다. 어려운 과업은 대부분 아직 영향을 받지도 자동화되지도 않았으므로 비용절감이 얼마가 될지 알 길이 없는데, 애스모글루는 7%로 잡습니다.

그 7%의 근거는 다음과 같은 추론입니다. 펑 연구진이 다룬 과업은 생성형 AI에게 매우 쉬운 축이고, 노이와 장의 과업도 쉬운 편에 속하며 비용절감은 약 40%로 펑 연구진 수치의 3분의 2 정도였습니다. 반면 브리뇰프슨 연구진의 고객서비스 과업은 이미 다소 복잡한 쪽으로 옮겨 가 있었고 비용절감은 14%에 그쳤습니다. 애스모글루는 배우기 어려운 과업 다수가 고객서비스 과업의 단순한 끝보다 AI 모형에 더 까다로울 것으로 보고, 그 연구 수치의 절반인 7%를 택합니다. 이 값은 공교롭게도 앞 절에서 쓴 기준값 27%의 약 4분의 1이기도 합니다.

쉬운 과업과 어려운 과업의 노동비용 절감 수치에 각각 0.57을 곱해 전체 비용절감으로 환산하면 0.154와 0.040이 나옵니다.

남은 작업은 노출 과업 가운데 쉬운 것과 어려운 것의 비중을 가르는 일입니다. 애스모글루는 엘룬두 연구진의 자료와 방법론에서 출발해, 그들처럼 GPT-4를 이용하는 분류 절차를 새로 만듭니다. 쉬운 과업을 가르는 핵심 특징은 두 가지로 정리됩니다. 잘 관찰되는 성과가 존재하는가, 그리고 행동이나 권고를 문제의 특성과 연결하는 단순한 규칙이 있는가입니다. 대상은 앞의 절차로 가려낸 4,089개의 노출 과업입니다.

각 과업의 O*NET 서술문에는 최소한 하나의 동사가 들어 있고, 각 과업은 세부 업무활동에 속하며 그보다 더 거친 332개의 중간 업무활동(IWA)에도 속합니다. 절차는 네 단계로 진행됩니다.

  • 동사 분류 — 과업 서술문의 첫머리에 오는 주된 동사는 쉽게 식별할 수 있고, 그 과업에서 배워야 할 것이 쉬운지 어려운지를 상당 부분 알려 줍니다. 이를 사람이 직접 쉬움과 어려움으로 분류했습니다. 쉬운 동사에는 계산하다, 해결하다, 세다, 초안을 잡다, 채점하다, 전사하다, 분류하다, 표준화하다, 쓰다, 기록하다 등이 있고, 대체로 분명한 단계를 따르는 단순 행동이면서 회계나 채점처럼 성공의 척도가 암묵적으로 정의되어 있는 것들입니다. 어려운 동사에는 참여하다, 조언하다, 지도하다, 진단하다, 교육하다, 채용하다, 대리하다, 증언하다, 돌보다 등이 들어가는데, 성공의 명확한 척도가 있을 가능성이 낮은 더 열린 활동들입니다. 분석하다, 유지하다, 점검하다 같은 동사는 어느 쪽에도 들지 않아 불확실로 코딩했습니다.
  • 중간 업무활동 분류 — 중간 업무활동은 동사만으로는 부족한 맥락을 보태 줍니다. 332개를 사람이 직접 분류했습니다. 쉬운 쪽에는 프로젝트 타당성 평가, 영업·재무 기록 유지, 규정·정책·절차 설명, 문서 발급, 안전 절차나 기준을 남에게 교육하기가 들어갑니다. 어려운 쪽에는 사람이나 동물의 건강 상태 모니터링, 학술 연구 평가, 데이터의 질과 정확성 평가, 안전·보안 유지, 동물 훈련이 들어갑니다. 성공의 척도가 분명하고 그 성과에 이르는 단순한 규칙이 있는가라는 같은 원리가 적용됩니다.
  • 토픽 모형 — 같은 동사와 같은 업무활동을 공유해도 과업마다 문장은 고유합니다. 검토하다라는 동사 하나를 놓고 보아도 감사보고서를 쓰는 일과 추천서를 쓰는 일은 주제가 전혀 다릅니다. 맥락을 더 잘 가려내기 위해 잠재 디리클레 할당(LDA)으로 과업들을 군집에 배정했습니다. 이 방법은 지도 없이 각 과업 서술문에서 뽑은 단어들의 동시출현 행렬로 군집을 만들고, 각 과업이 어떤 주제 군집에 속할 확률을 부여합니다. 19,281개 과업 전부를 넣어 100개 군집과 각 과업의 소속 확률을 얻었습니다.
  • 최종 배정 — 노출 과업 중 500개를 무작위로 뽑아 사람이 직접 쉬움과 어려움으로 분류했습니다. 그리고 동사 분류와 중간 업무활동 분류, 잠재 디리클레 할당이 내놓은 확률을 입력으로 삼아 그 수작업 분류를 재현하도록 그래디언트 부스팅 트리(gradient-boosted tree)를 학습시켰습니다. 이 알고리즘으로 4,089개 노출 과업 각각이 쉬운 범주에 속할 확률을 얻었습니다.

애스모글루는 이 절차의 한계도 숨기지 않습니다. 안전·보안 유지라는 중간 업무활동에는 권한 있는 사람에게 새 비밀번호를 발급하는 일 같은 IT 보안 활동도 포함되는데, 그것은 AI에게 쉬운 과업입니다. 세 번째 단계가 이런 모호함을 다루기 위한 장치입니다. 알고리즘이 내놓은 값의 예를 보면 장비 정비 기록 유지는 쉬운 과업일 확률 0.98, 신용카드 신청자를 전화나 대면으로 면담하는 일은 0.098입니다. 다만 쓰기와 초안 작성이 쉬운 동사로 분류된 탓에 글쓰기가 들어가는 활동이 대체로 쉬운 쪽으로 분류되는 문제가 있습니다.

기후 관련 연구 결과를 전달하는 보고서나 학술 논문을 쓰는 일이 쉬운 과업일 확률 0.67로 분류되었는데, 애스모글루 본인이 그 값은 그런 과업이 가까운 미래에도 AI에게 얼마나 어려울지를 과소평가한 것일 가능성이 높다고 적습니다.

최종 결과는 임금총액으로 가중한 노출 과업의 74%가 쉬운 과업이라는 것입니다. 쉬운 노출 과업은 GDP의 3.3%를, 나머지 어려운 노출 과업은 GDP의 1.2%를 차지합니다. 여기에 비용절감 가정을 결합하면 10년간 총요소생산성 이득의 상한은 0.033과 0.154의 곱에 0.012와 0.040의 곱을 더한 0.0055가 됩니다. 앞 절의 값보다 작아진 이 0.55%를, 어려운 과업의 자동화와 보완성 도입이 더 까다롭다는 이유로 애스모글루는 더 합당한 추정으로 봅니다. 어느 쪽을 택하든 향후 10년의 총요소생산성 이득은 상당히 완만합니다.

해설
이 절차에서 쓰인 두 도구는 이름만 낯설 뿐 역할은 단순합니다. 잠재 디리클레 할당은 문서 더미를 주면 어떤 단어들이 함께 등장하는지를 보고 숨은 주제를 스스로 찾아내는 통계 기법입니다. 사람이 주제 목록을 미리 정해 주지 않아도 된다는 것이 장점이고, 그래서 2만 개에 가까운 과업 서술문을 다룰 때 쓸 만합니다.

그래디언트 부스팅 트리는 얕은 의사결정나무를 여러 개 이어 붙이되, 뒤의 나무가 앞선 나무들이 틀린 부분을 보정하도록 차례로 학습시키는 방식입니다. 정형화된 표 형태 자료에서 성능이 좋아 널리 쓰입니다. 여기서는 사람이 직접 분류한 500개를 정답 삼아 나머지 수천 개로 분류를 확장하는 역할을 합니다. 즉 이 분류의 품질은 궁극적으로 그 500개를 분류한 사람의 판단에 달려 있습니다.

[관점]
이 절은 결론의 숫자를 0.71%에서 0.55%로 내리지만, 그 내림폭 전체가 하나의 가정에 기대어 있습니다. 어려운 과업의 비용절감을 7%로 둔 선택입니다. 애스모글루 스스로 이 값의 근거를 ‘고객서비스 연구 수치의 절반’이라고만 밝히며, 이는 실증이 아니라 판단입니다.

이 숫자가 왜 중요한지는 간단한 산술로 드러납니다. 어려운 과업의 비용절감을 쉬운 과업과 같은 27%로 두면 결과는 앞 절의 값(0.7% 안팎)으로 되돌아갑니다. 반대로 0으로 두면 0.51%까지 내려갑니다. 다시 말해 쉬운 과업과 어려운 과업을 구분하는 작업 전체가 최종 수치를 0.2%포인트 남짓 움직일 뿐입니다. 결론의 크기를 실제로 결정하는 것은 분류의 정교함이 아니라, 노출 과업의 23%만 10년 안에 수익성을 갖는다는 앞 절의 가정입니다.

총요소생산성에서 GDP로

10년이라는 시계에서 총요소생산성 효과가 주어지면 GDP 효과를 계산하는 일은 간단합니다. 10년간 GDP 이득은 10년간 총요소생산성 이득에 ‘자본소득 분배율 곱하기 자본스톡 증가율’을 더한 값입니다. 단순한 기준선으로 자본스톡이 총요소생산성과 비례해 늘어난다고 두면, GDP 이득은 총요소생산성 이득을 1에서 자본소득 분배율을 뺀 값으로 나눈 값이 됩니다. 민간기업 부문 전체의 자본소득 분배율 0.40을 쓰면 GDP 이득은 총요소생산성 이득의 1.66배입니다.

따라서 기준 추정인 0.71%는 10년간 GDP 1.1% 증가로, 어려운 과업을 반영한 값은 0.92% 증가로 옮겨집니다. 애스모글루는 여기서도 소비자 후생에 관련된 숫자는 총요소생산성 쪽이라는 점을 다시 확인합니다. 추가 투자는 소비에서 빠져나가며, 앞서 지적했듯 막대한 에너지 사용을 수반할 수도 있기 때문입니다. 산업 간·과업 간 대체 양상을 모형에 넣은 갱신된 GDP 효과는 마지막 절에서 제시됩니다.

해설
총요소생산성 이득을 1에서 자본소득 분배율을 뺀 값으로 나누는 조작이 무엇을 뜻하는지는 한 번 짚어 둘 만합니다. 생산성이 올라 수익률이 높아지면 자본이 더 들어오고, 그 자본이 다시 산출을 늘립니다. 이 되먹임을 끝까지 합산한 것이 1.66이라는 배수입니다.

중요한 것은 이 배수가 공짜가 아니라는 점입니다. 늘어난 산출의 일부는 그 자본을 만드는 데 쓰인 자원에 대한 대가일 뿐이며, 가계가 실제로 더 쓸 수 있게 된 몫이 아닙니다. GDP 숫자가 총요소생산성 숫자보다 커 보이는 것은 성과가 더 크기 때문이 아니라, 투입이 함께 커졌기 때문입니다. AI 전망을 GDP 기준으로 말하는 쪽과 생산성 기준으로 말하는 쪽의 숫자가 다를 때, 먼저 확인해야 할 것이 이 차이입니다.

한 가지 표기 차이도 밝혀 둡니다. 원문은 어려운 과업을 반영한 GDP 효과를 서론과 결론에서 0.90%로, 이 절의 계산에서는 0.92%로 적습니다. 이 글은 각 대목에 적힌 값을 그대로 옮겼습니다.

나쁜 새 과업이 후생에서 빼앗는 것

지금까지의 계산은 AI 덕분에 도입되는 새 과업의 효과를 빼놓았습니다. 브레스나한(Timothy Bresnahan)과 아그라왈(Ajay Agrawal) 연구진이 강조한, AI가 일부 기업에서 가능하게 만드는 체계 전반의 조정 효과도 마찬가지입니다. 새 과업의 효과에 숫자를 붙이는 일은 한층 더 어렵습니다. AI가 생산성을 높이는 새 과업을 만들고 특히 다양한 숙련 수준의 노동자를 생산 과정에 복귀시키는 데 기여한다면 그 결과는 훨씬 긍정적일 수 있습니다.

다만 이 절에서 애스모글루의 목적은 다른 데 있습니다. AI의 경우 새 과업 일부가 나쁜 종류일 수 있으므로, GDP 숫자만 보면 AI의 후생 이득이 과장될 수 있다는 점을 지적하는 것입니다. 그는 이를 보이기 위해 두 가지 자료를 끌어옵니다.

첫째는 부르스틴 연구진의 2023년 연구입니다. 이들은 소셜미디어에 가장 깊이 관여하는 인구집단인 대학생을 대상으로 소셜미디어의 후생 효과를 평가하는 실험을 했습니다. 틱톡(TikTok)과 인스타그램(Instagram) 사용자에게 한 달 동안 그 플랫폼을 쓰지 않으려면 얼마를 받아야 하는지 물었더니, 계속 쓰기 위해 치를 의향이 있는 금액이 각각 월 59달러와 47달러, 평균하면 사용자-월당 53달러였습니다. 그런데 같은 사용자들이 자기 소셜 네트워크의 모든 사람을 그 플랫폼에서 떠나게 하기 위해 매달 치를 의향이 있는 금액도 각각 28달러와 10달러, 평균 19달러였습니다. 비사용자까지 포함하면 모두가 쓰지 않게 하려는 지불의사(willingness to pay)는 틱톡 47달러, 인스타그램 13달러로 올라갑니다.

계량화 단계에서 애스모글루는 비사용자를 제외합니다. 연구 대상이 대학생이어서, 본인이 쓰지 않더라도 미국 성인 일반보다 소셜미디어 활동의 영향을 받을 가능성이 높기 때문입니다. 그리고 AI 기반 플랫폼이 사용자당 평균 지불의사 53달러를 전부 걷어 간다고 보는 기준선에서 출발합니다. 이용자 데이터를 수집하고 수익화하는 강도를 통해 사실상 가격차별을 하고 있다고 보는 것입니다. 두 플랫폼의 평균을 취하면 매출 53달러마다 사용자에게 19달러의 순부정적 효과가 생깁니다.

비율로 옮기면 이 나쁜 새 과업에서 나오는 총효과는 약 -0.36입니다. 기업이 53달러 전부를 걷지 못한다고 가정하면 분모가 작아지므로 매출 1달러당 피해는 오히려 커지고, 따라서 이 값은 하한으로 읽어야 합니다.

둘째 자료는 그 -0.36을 곱할 대상의 크기입니다. 애스모글루는 소셜미디어와 디지털 광고 매출, 그리고 악의적 IT 공격과 그에 맞서는 IT 보안 지출을 합산합니다. 2022년 기준 메타(Meta)의 페이스북(Facebook)과 인스타그램, 알파벳(Alphabet)의 구글과 유튜브(YouTube), 스냅챗(Snapchat), 틱톡, 엑스(X, 옛 트위터(Twitter))의 총매출은 4,600억 달러로 미국 GDP의 약 1.64%입니다. 메타와 알파벳과 스냅챗 수치는 각 기업의 2023년 연차보고서에서, 엑스와 틱톡의 매출은 포춘(Fortune)과 파이낸셜타임스(Financial Times) 보도에서 가져왔습니다. IT 보안 지출의 하한은 스타티스타(Statista) 자료 기준 780억 달러로 GDP의 0.28%이고, 악의적 행위자가 공격에 쓰는 지출을 그 3분의 1 이상으로 가정해 셋을 합치면 미국 GDP의 2%가 나옵니다.

이 2%라는 값을 애스모글루는 양쪽으로 의심합니다. 새 AI 기술이 가능하게 하는 다른 조작적 활동까지 생각하면 상당한 과소평가일 수 있습니다. 반대로 디지털 광고 매출 가운데 조작적 활동에서 오는 부분은 일부일 뿐이고 특히 구글 검색 광고 매출이 그러하므로, 문제를 과장한 것일 수도 있습니다. 어느 쪽이든 여기 쓰인 숫자는 시사적인 수준으로만 받아들여야 한다는 것이 그의 당부입니다.

이 2%를 매출로 보고 부르스틴 연구진의 비율을 곱하면 조작적 활동의 총부정적 효과는 GDP의 0.72%로 계산됩니다. 조작적 활용이 더 널리 퍼지면 더 커질 수 있는, 후생에 대한 작지 않은 충격입니다. 반면 이 새 과업에서 나오는 매출만 세면 GDP가 2% 늘어난다는 결론에 이르게 됩니다. 생성형 AI의 사용에서 나오는 모든 GDP 증가를 소비자 후생의 개선으로 해석하는 데 신중해야 한다는 경고가 여기서 나옵니다.

해설
이 대목의 수치는 원문 안에서 어긋나 있습니다. 원문은 이 절의 계산에서 0.02와 0.36을 곱해 GDP의 0.072%라고 적지만, 이 곱은 0.0072, 즉 0.72%이고 서론과 결론이 적은 0.72%와 일치합니다. 따라서 이 절의 0.072%는 소수점 위치를 잘못 적은 것으로 보이며, 이 글은 산술에 맞는 0.72%로 옮겼습니다.

결론의 성격은 어느 값을 택하든 달라지지 않습니다. 매출로 잡히는 GDP 증가분과 후생의 실제 변화가 반대 방향일 수 있다는 것이 요지입니다.

[관점]
이 계산의 가장 논쟁적인 선택은 디지털 광고 매출 전체를 나쁜 새 과업의 대리 변수로 삼은 것입니다. 광고는 정보 전달 기능을 가지며, 검색 광고는 구매 의사가 이미 있는 이용자를 판매자와 연결합니다. 애스모글루 본인도 이 점을 인정하면서도 전체 매출을 그대로 씁니다.

동시에 이 틀은 반대 방향으로도 쓸 수 있습니다. 부르스틴 연구진이 측정한 것은 집단적 함정, 즉 나 혼자 빠져나올 수 없어서 모두가 계속 쓰게 되는 구조입니다. 이 구조는 광고 매출로 굴러가는 플랫폼에만 나타나는 것이 아니라, 이용자의 시간을 두고 경쟁하는 어떤 제품에서도 나타날 수 있습니다. 생성형 AI가 대화형 동반자나 몰입형 콘텐츠 쪽으로 상품화될수록, 매출 기준 추정치는 실제 외부성에서 점점 멀어질 것입니다.

500개 인구집단으로 쪼갠 임금 계산

마지막 계량 작업은 임금과 불평등입니다. 이를 위해서는 앞선 틀을 확장해, 과업마다 비교우위가 다른 여러 인구집단을 넣어야 합니다. 애스모글루는 지면을 아끼기 위해 그 일반화를 다시 적지 않고 2022년 연구의 결과식에서 출발합니다. 그 식에서 특정 인구집단의 임금 변화는 세 가지 요소를 묶은 값에 그 집단에 해당하는 전파행렬(propagation matrix)의 행을 곱한 것으로 표현됩니다. 세 요소는 기술 변화로 생긴 GDP 변화, 즉 생산성 효과, 산업 간 이동의 벡터, 그리고 기술 충격이 각 인구집단에 가한 변위의 벡터입니다.

분석 대상인 인구집단은 교육 수준, 연령대, 성별, 인종, 미국 출생 여부로 정의한 500개입니다. 산업 간 이동이란, 한 산업의 과업이 자동화되면 가격이 바뀌고 그에 따라 부문 간 지출이 재배분되는 효과를 말합니다. 변위 벡터는 500개 항목을 가진 열벡터이고, 전파행렬은 다른 인구집단이 겪은 변위가 특정 집단에 어떻게 영향을 주는지를 요약합니다. 이 행렬이 담는 것이 앞서 설명한 파급효과 전체입니다.

한 집단이 하던 과업에서 밀려나면 그들은 다른 과업에 취업하기 위해 다른 집단과 경쟁하게 되고, 이런 재배분이 바로 어떤 집단의 직접적 생산성 이득이 결국 그 집단에 해가 되는 경로가 됩니다. 한 집단의 변위가 다른 집단에 더 큰 피해를 입히는 통로이기도 합니다. 애스모글루는 이 파급효과의 크기가 맥락에 따라 다를 수 있음을 인정합니다. 2022년 연구가 다룬 자동화 기술의 과업과 AI가 영향을 주는 과업에서 그 크기가 꽤 다를 수 있습니다. 그럼에도 생성형 AI의 미래 영향에 대해 이 값을 새로 추정하는 것이 불가능하므로 기존 추정치를 쓰겠다고 밝힙니다.

또 하나의 전환이 여기서 일어납니다. 지금까지 AI 노출을 자동화와 과업 보완성 양쪽을 포함하는 것으로 해석해 왔지만, 이 절에서는 과업 보완성을 무시하고 노출 전부가 자동화의 형태를 띤다고 가정합니다. 이 가정의 결과도 스스로 따져 둡니다. 과업 보완성이 존재한다면 노출된 집단의 생산성이 남은 하위 과업에서 올라갈 것이고, 그만큼 자동화에서 오는 비용절감은 줄어듭니다. 직업 안에서 보완성과 자동화가 인구집단에 대칭적으로 작용한다면 결론에 미치는 영향은 작습니다.

과업 보완성에서 오는 생산성 이득의 임금 효과는 자동화가 낳는 비용절감의 임금 효과와 조금 다르지만, 결과의 큰 그림은 비슷하게 유지됩니다. 반대로 어떤 집단이 보완성의 혜택을 더 크게 받는다면, 예컨대 생성형 AI 도구의 이득이 가장 큰 중간 전문성 노동자에 특정 집단이 과다 대표되어 있다면 분배적 결과는 달라질 수 있습니다. 다만 생산성 효과를 보완성과 자동화로 나눌 방법이 없어 이 쟁점을 더 탐구할 수 없다는 것이 그의 솔직한 한계 고백입니다.

변위 벡터를 만드는 방법은 다음과 같습니다. 노출된 직업 집합을 가져온 뒤, 그 직업들에서 각 인구집단이 차지하는 임금총액 비중을 이용해 AI가 만들어낸 변위를 인구집단 수준으로 옮깁니다. 어떤 집단의 2019년부터 2022년까지 임금총액 가운데 5%가 완전히 노출된 직업에 있다면 그 집단의 변위 값은 0.05가 됩니다. 같은 방식으로 직업을 산업에 배분해 비용과 가격에 미치는 산업 수준 영향을 계산하는데, 2022년 연구와 같은 49개 경제분석국 산업을 쓰되 노출 자료가 없는 공공부문은 제외했습니다. 부문 간 재배분은 2022년 연구와 동일하게 계산했고, 과업 간 대체탄력성은 훔룸의 0.50, 소비에서의 부문 간 대체탄력성은 부에라(Francisco Buera) 연구진의 0.2를 씁니다.

이 계산이 보여 주는 첫 번째 사실은 분포에 관한 것입니다. 시간당 임금 순으로 500개 인구집단을 늘어놓고 AI 노출도를 보면, AI 노출은 로봇과 전용 고급 기계, 소프트웨어 시스템에 기반했던 이전 세대 자동화보다 인구집단 사이에 훨씬 고르게 분포합니다. 교육 수준별로 보면 고졸 미만이 노출도가 가장 낮고, 대졸자와 전문대 또는 일부 대학 교육을 받은 집단이 가장 높으며, 대학원 학력자가 그다음으로 낮습니다.

해설
전파행렬이라는 장치가 왜 필요한지는 노동시장이 칸막이로 나뉘어 있지 않다는 사실에서 나옵니다. 어떤 직업이 자동화되면 그 자리에 있던 사람들이 사라지는 것이 아니라 다른 일자리로 옮겨 가고, 그 과정에서 원래 그 일자리에 있던 사람들과 경쟁합니다. 그래서 한 집단에 가해진 충격이 전혀 노출되지 않은 집단의 임금까지 끌어내릴 수 있습니다.

이 행렬의 각 칸은 ‘집단 A의 변위가 집단 B의 임금에 미치는 영향’을 담습니다. 500개 집단이면 25만 개의 칸이 되는데, 이를 AI에 대해 새로 추정하는 것은 불가능하므로 애스모글루는 로봇과 소프트웨어 시대에 추정된 값을 빌려 씁니다. 결과를 읽을 때 염두에 둘 지점입니다. 노출의 분포는 AI 시대의 것이지만, 그 충격이 노동시장을 타고 번지는 방식은 지난 시대의 것으로 계산되어 있습니다.

교육 수준별 결과와 저학력 여성

추정 결과는 교육 수준별로 다섯 집단과 전체 평균, 그리고 GDP에 대해 제시됩니다. 쉬운 과업과 어려운 과업을 구분한 노출 측정치를 쓴 결과는 다음과 같습니다. 직접 효과는 변위만 반영한 값이고, 총 임금효과는 산업 간 대체와 파급효과까지 모두 반영한 10년간 실질임금 변화입니다.

  • 고졸 미만 — 쉬운 과업 노출 2.3%와 어려운 과업 노출 0.8%로 노출도가 가장 낮고, 직접 효과는 -2.8%이지만 총 임금효과는 +1.7%입니다.
  • 고졸 — 쉬운 과업 3.4%와 어려운 과업 1.2%의 노출에 직접 효과 -5.9%, 총 임금효과는 +1.0%입니다.
  • 전문대 또는 일부 대학 — 쉬운 과업 3.7%와 어려운 과업 1.3%의 노출에 직접 효과 -6.7%, 총 임금효과는 +1.1%입니다.
  • 대졸 — 쉬운 과업 3.8%와 어려운 과업 1.4%로 노출이 가장 높고, 직접 효과 -7.3%에 총 임금효과는 +0.5%로 가장 낮습니다.
  • 대학원 졸업 — 쉬운 과업 3.0%와 어려운 과업 1.2%의 노출에 직접 효과 -5.2%, 총 임금효과는 +0.9%입니다.
  • 전체 평균 — 노출도 4.6%, 직접 효과 -6.0%, 총 임금효과 +0.9%입니다.

비교 기준으로 함께 제시된 1980년부터 2016년까지의 직접 과업 변위는 전혀 다른 그림을 보여 줍니다. 고졸 미만 26.9%, 고졸 27.1%, 전문대 18.9%, 대졸 6.8%, 대학원 3.4%, 전체 평균 21.1%입니다. 36년이라는 기간에 걸친 값이라 여기의 10년과 직접 비교할 수는 없지만, 교육 수준에 따라 노출이 가파르게 기울어져 있었다는 점은 분명합니다. AI 노출이 그보다 훨씬 평평하다는 애스모글루의 관찰은 이 대조에서 나옵니다.

그 결과 예측된 임금 효과는 교육 집단 사이의 불평등을 키우지 않는 것처럼 보입니다. 고졸 미만 집단의 임금 증가가 가장 높게 나오기 때문입니다. 그러나 대학원 학력자와 고졸·대졸 사이의 격차는 다소 벌어지고, 고용으로 가중한 집단 간 로그임금의 표준편차는 0.35에서 0.36으로 소폭 올라갑니다. 쉬운 과업과 어려운 과업을 구분하지 않은 기준 측정치에서도 결과는 비슷합니다.

GDP에 대한 추정치는 모형이 함의하는 균형 자본스톡 증가까지 반영한 값입니다. 자본스톡 조정이 전부 10년 안에 끝난다는 가정, 그리고 자본투자의 요구수익률이 변하지 않는다는 가정 위에 서 있는데, 애스모글루는 현실에서는 조정이 더 오래 걸릴 수 있고 투자가 크면 요구수익률이 올라갈 것으로 예상된다고 단서를 답니다. 이 가정에서 쉬운 과업과 어려운 과업을 구분한 GDP 효과의 상한은 1.62%입니다. GDP가 평균 임금보다 훨씬 크게 늘어나므로 국민소득에서 자본이 차지하는 몫은 약 0.38%포인트 올라가고, AI 확산의 결과로 자본과 노동 사이의 불평등이 커질 가능성이 확인됩니다.

효과를 단계별로 분해해 보면 그림은 더 선명해집니다. 생산성 효과는 설계상 모든 집단에 균일하게 들어가고, 산업 간 이동이 만들어내는 불평등도 크지 않습니다. 직접 변위 효과를 더한 단계에서 AI의 직접 효과가 인구집단과 임금 분포 전반에 더 고르게 퍼져 있음이 확인됩니다. 마지막으로 파급효과를 더해도 불평등의 양상은 크게 달라지지 않는데, 직접 효과가 이미 상당히 고르게 분포해 있기 때문입니다. 이는 2022년 연구의 결과와 대조되는 지점입니다.

다만 저학력 집단 안에서는 경험의 편차가 큽니다. 집단 간 로그임금 표준편차가 올라간 이유가 여기 있습니다. 성별과 교육 수준, 그리고 백인이면서 미국 출생인지 여부로 더 잘게 나누어 보면, 저학력 여성, 특히 백인이면서 미국에서 태어난 저학력 여성이 AI의 결과로 실질임금 하락을 겪을 가능성이 높게 나타납니다. 종합하면 AI의 불평등 결과는 이전 세대 자동화만큼 나쁘지는 않을 것입니다. 노출이 인구집단 사이에 더 고르게 분포하기 때문입니다.

그러나 일부가 예측하듯 AI가 인구집단 간 불평등을 줄인다는 증거도 없습니다. 오히려 전체 집단 간 불평등에 작은 양의 효과를 주고 저학력 여성의 실질소득을 낮출 수 있으며, 자본소득과 노동소득의 격차는 더 벌릴 것이라는 것이 이 분석의 결론입니다.

해설
원문 본문은 고졸 미만 집단의 10년간 임금 증가를 약 1.2%로 적지만, 같은 쪽 표 1의 해당 칸은 1.73%입니다. 이 글은 표의 값에 맞춰 위 불릿에 1.7%로 적었고, 어느 쪽이 맞는지는 원문만으로는 확인하지 못했습니다.

두 값 모두 고졸 미만 집단의 임금 증가가 다른 교육 집단보다 높다는 결론을 바꾸지는 않습니다.

[한국 관점]
이 결과를 한국에 옮길 때 가장 크게 어긋나는 지점은 교육 분포입니다. 애스모글루의 계산에서 노출도가 가장 높고 총 임금효과가 가장 낮게 나온 집단은 대졸자인데, 한국은 청년층 고등교육 이수율이 세계 최상위권입니다. 미국에서 상대적으로 좁은 층에 걸쳐 있는 충격이 한국에서는 훨씬 넓은 인구에 걸칠 수 있다는 뜻입니다.

반면 저학력 여성에 관한 결과는 그대로 옮겨지지 않습니다. 그 결과는 미국의 인종·출생지별 직업 분리 구조에서 나온 것이고, 한국의 저학력 여성 고용은 다른 업종과 고용 형태에 분포해 있습니다. 한국에서 같은 분석을 하려면 노출 측정치와 전파행렬을 모두 국내 자료로 다시 추정해야 하며, 결론 가운데 비교적 안전하게 옮길 수 있는 것은 교육 집단별 순위가 아니라 자본소득과 노동소득의 격차가 벌어진다는 방향성 정도입니다.

네 가지 거시효과 가운데 무엇을 쟀는가

결론은 다시 ChatGPT에서 시작합니다. 2022년 11월 30일 공개 이후 두 달 만에 월간 사용자 약 1억 명에 이르며 역사상 가장 빠르게 퍼진 기술 플랫폼이 되었고, 2023년 3월 공개된 ChatGPT-4의 더 큰 역량과 함께 일반 대중과 경제 논평가 모두의 상상력을 사로잡았습니다. 큰 생산성 이득에 관한 예측은 이제 흔한 이야기가 되었습니다. 애스모글루는 생성형 AI 모형의 성취가 인상적이고 유익한 경제적 효과를 낼 잠재력이 크다는 데 의문이 없다고 다시 확인하면서도, 거시경제적 결과의 크기는 여전히 열린 질문이라고 말합니다.

중기적으로 AI 기술이 가질 수 있는 거시효과를 그는 네 가지로 나눕니다.

  • 혁명적 시나리오 — 경제의 모든 측면을 빠르게 뒤바꾸고 막대한 생산성 개선을 낳아 특이점 가까이 데려가는 경우입니다. 완전히 배제할 수는 없지만 지금까지 그런 혁명적 효과의 증거는 없으며, 이 논문에서는 다루지 않습니다.
  • 완만하지만 뚜렷한 효과 — 여러 과업에서 생산성을 높이고 비용을 낮춰 거시경제에 눈에 띄는 영향을 주는 경우입니다. 일부 예측은 이 종류의 개선에 초점을 맞추고도 10년 안에 연 1.5-3.4%포인트의 성장률 상승 같은 비교적 큰 숫자를 내놓았습니다.
  • 임금과 불평등 — 자동화 효과를 통해 임금과 불평등에 영향을 주거나, 반대로 이코노미스트의 예측처럼 특히 저임금 노동자에게 큰 임금 상승을 가져오는 경우입니다.
  • 나쁜 것들 — 딥페이크와 허위정보, 조작을 비롯한 해악을 만들어내 거시효과를 갖는 경우입니다.

이 논문은 두 번째와 세 번째를 평가하고, 네 번째가 과업 기반 거시 틀에서 어떻게 작동할지를 정식화하는 데까지 나아갔습니다. 접근의 출발점은 생성형 AI 도구 사용에서 생기는 생산성 이득과 시간 절약을 추정한 기존 실험 연구들이었고, 그 위에 서 있다는 것은 생성형 AI가 비용절감과 생산성 개선을 낳는다는 생각을 명시적으로 받아들였다는 뜻입니다. 그럼에도 엘룬두 연구진과 스반베리 연구진의 노출 추정치와 결합한 결과는 지금까지 대부분의 논평가와 경제학자가 주장해 온 것보다 훨씬 완만했습니다. 비용절감 증거가 있는 과업 다수가 AI에게 비교적 쉬운 반면 다른 여러 과업에서는 AI 통합이 훨씬 만만치 않은 난관을 만난다는 점을 반영하면 숫자는 더 작아집니다. 그 난관은 행동과 맥락 사이의 상호작용이 더 복잡하고, 관찰 가능한 명확한 성공 척도가 없어 AI 모형이 같은 과업을 수행해 온 인간들의 평균적 행동으로부터 배울 수밖에 없다는 데서 옵니다.

이런 고려를 모두 반영한 애스모글루의 결론은 향후 10년의 총요소생산성 효과가 완만하리라는 것입니다. 쉬운 과업과 어려운 과업을 구분하지 않은 상한은 10년에 약 0.71%, 연간 총요소생산성 증가율로는 약 0.07%입니다. AI에 노출될 과업 가운데 어려운 과업의 존재를 인정하면 이 상한은 약 0.55%로 떨어집니다. GDP 효과는 자동화와 과업 보완성이 투자도 늘리기 때문에 이보다 다소 크지만, 투자 증가가 완만하다면 10년 합계 0.9-1.1%, 큰 투자 붐이 일어난다면 1.6-1.8% 범위에 머뭅니다.

AI가 새 과업과 새 제품을 만들어내면 GDP와 생산성 성장에 보탬이 되겠지만, 그 새 과업이 조작적일 가능성을 넣으면 후생에 대한 효과는 더 작아질 수 있습니다. 부르스틴 연구진의 수치를 소셜미디어와 디지털 광고, IT 공방 지출에 적용한 예시 계산에서 이들은 GDP를 최대 2% 늘리지만 후생에 대한 영향은 -0.72%일 수 있습니다. 임금과 불평등에 대해서는 어느 교육 집단에서도 큰 폭의 임금 하락이 나타나지 않지만, 불평등의 유의미한 감소도 없고, 저학력 여성의 실질임금은 떨어질 수 있으며, 집단 간 불평등은 소폭 늘고 자본과 노동의 격차는 더 벌어질 것으로 봅니다.

[관점]
애스모글루가 명시적으로 제쳐 둔 첫 번째 시나리오가, 공교롭게도 자산가격을 실제로 움직이는 시나리오입니다. 데이터센터와 가속기에 투입되는 자본이 정당화되는 근거는 연 0.07%포인트의 생산성 개선이 아니라 경제 전체가 재편된다는 기대입니다. 그 시나리오를 논의에서 뺀 분석은, 그 기대를 반박하는 것이 아니라 다른 질문에 답하고 있는 셈입니다.

그래서 이 논문은 두 가지로 읽을 수 있습니다. 혁명적 시나리오가 일어나지 않을 경우의 기준선을 제시한 것으로 읽으면 유용한 하한선입니다. 반대로 이것을 AI 전망 전체에 대한 반박으로 읽으면 과도한 확대 해석이 됩니다. 애스모글루 자신이 결론에서 그 시나리오를 완전히 배제할 수 없다고 적어 둔 것은, 이 글의 숫자가 조건부임을 밝힌 것입니다.

전기공과 교사를 위한 AI라는 다른 경로

애스모글루는 이 결과가 AI에 큰 이득이 없다는 주장으로 읽혀서는 안 된다고 못 박습니다. 두 가지 이유에서입니다. 첫째, 10년에 0.55-0.71%의 총요소생산성 증가는 완만하지만 결코 사소하지 않습니다. 둘째, 더 중요하게는 AI를 훨씬 큰 이득을 내도록 쓸 다른 길이 있을 수 있습니다. 그는 이전 연구들에서 AI가 노동자를 위한 새 과업을 만드는 데 쓰이면 생산성과 임금과 불평등에서 더 이로운 결과를 낼 수 있고 임금을 올릴 수도 있다고 주장해 왔습니다.

생성형 AI의 경우 이 가능성은 두 배로 참일 수 있는데, 노동자에게 더 나은 정보를 제공해 그들의 전문성을 끌어올리는 데 쓰일 수 있기 때문입니다. 구체적인 그림은 이렇습니다. 오늘날 많은 생산직 노동자가, 즉 전기공과 수리공과 배관공과 간호사와 교육자와 사무직 노동자, 그리고 점점 더 많은 공장의 블루칼라 노동자가 문제 해결 과업에 종사합니다. 이런 과업에는 실시간으로 제공되는, 맥락에 맞는, 믿을 수 있는 정보가 필요합니다.

고급 장비의 오작동이나 전력망의 단락을 다루는 전기공은 충분한 전문성과 고장 진단에 필요한 적절한 정보가 없어 문제 해결에 어려움을 겪습니다. 생성형 AI 도구가 믿을 만한 정보를 빠르게 제공할 수 있다면 생산성은 크게 개선될 수 있습니다. 교실에서도 마찬가지입니다. 생성형 AI는 가르침이 이루어지는 방식을 크게 재조직해 개인화 수준을 훨씬 높일 수 있는데, 교사가 어떤 학생 집단이 교육과정의 어느 부분에서 어려움을 겪는지 짚어내고 맥락에 맞는 새 교수 전략을 제안받는 방식입니다. 이런 새 과업을 만들고 교육의 질을 실제로 개선하려면 신뢰성이, 그리고 데이터 프라이버시와 보호가 관건입니다.

이런 새 과업에서 나올 생산성 개선은 애스모글루의 추정치에 전혀 포함되어 있지 않습니다. 포함하지 않은 이유는 세 가지입니다. 첫째는 가장 소박한 이유로, 측정하기가 훨씬 어렵고 엘룬두 연구진과 스반베리 연구진이 다룬 노출의 종류에 들어 있지 않습니다. 둘째, 더 중요한 이유로, 그는 이것을 거시효과에 포함하지 않는 것이 옳다고 봅니다. 현재 산업계가 주목하는 영역이 아니기 때문입니다.

기술 산업의 우선순위는 자동화와 온라인 수익화, 즉 검색이나 소셜미디어 디지털 광고를 통한 수익화 쪽에 놓여 있습니다. 셋째, 이와 연결된 이유로, 더 이로운 결과를 얻으려면 새로운 제도와 정책과 규제가 필요할 수 있습니다.

애스모글루의 최종 판단은 다음과 같습니다. 생성형 AI는 유망한 기술이고 지금보다 훨씬 큰 이득을 얻을 여지가 분명히 있지만, 산업의 근본적 방향 전환 없이는 그 이득이 손에 잡히지 않을 것입니다. 그 전환에는 어쩌면 대규모 언어모델을 비롯해 가장 널리 쓰이는 생성형 AI 모형의 구조 자체를 크게 바꾸는 일까지 포함될지 모릅니다. 인간과 비슷하게 대화하는 범용 도구를 개발하는 데 우선순위를 두는 대신, 여러 종류의 노동자의 한계생산성을 높일 수 있는 믿을 만한 정보에 초점을 맞추는 방향입니다. 새 과업에서 오는 이득이 결정적으로 정보의 신뢰성에 달려 있고, 현재 생성형 AI 접근법의 매우 범용적인 성격이 그 목적에 적합하지 않을 수 있기에 이 구조 변화가 특히 필요할 수 있습니다.

그는 마지막 문장에서 간단한 질문을 남깁니다. 우리가 원하는 것이 교육자와 의료 전문가와 전기공과 배관공과 여러 기능직 노동자에게 쓸모 있는 믿을 만한 정보라면, 인간처럼 대화하고 셰익스피어풍 소네트를 쓰는 파운데이션 모델(foundation model)이 과연 필요한가 하는 물음입니다.

[반론]
같은 주제를 정반대 쪽에서 낙관하는 논자가 애스모글루가 서론에서 직접 인용한 오터입니다. 그는 2024년 2월 전미경제연구소 워킹페이퍼 「Applying AI to Rebuild Middle Class Jobs」에서, 정보화가 중간 숙련 일자리를 없애고 의사결정을 엘리트 전문가에게 몰아 주었다면 AI는 그 방향을 거꾸로 돌릴 수 있다고 주장합니다.

오터의 논지는 AI가 보완적 지식을 가진 더 많은 노동자가, 지금은 엘리트 전문가의 몫인 고위험 의사결정 과업의 일부를 수행하도록 도울 수 있다는 것입니다. 그가 든 예는 의사의 의료 행위, 변호사의 문서 작성, 컴퓨터 엔지니어의 소프트웨어 코딩, 교수의 학부 교육입니다. 오터 스스로 이 주장이 예측이 아니라 무엇이 가능한가에 관한 논증이라고 밝힌다는 점이 중요합니다. 오터가 가능성의 존재에 무게를 둔다면, 애스모글루는 산업계의 현재 우선순위가 그쪽이 아니라는 데 무게를 둡니다.

해설
결론에서 애스모글루가 요구하는 것은 더 똑똑한 모형이 아니라 다른 종류의 모형입니다. 그의 기준에서 좋은 AI는 사람이 하던 일을 대신해 비용을 깎는 도구가 아니라, 사람이 할 수 있는 일의 범위를 넓혀 새 과업을 만들어내는 도구입니다. 앞선 장들의 수학이 이 요구를 떠받칩니다. 비용절감 경로의 이득은 헐튼 정리가 걸어 둔 상한에 묶이지만, 새 과업 경로의 이득에는 그런 상한이 없기 때문입니다.

이 구분은 기술 논쟁이 아니라 투자와 정책의 선택 문제로 읽어야 합니다. 어떤 연구에 자본이 가는지, 어떤 응용에 규제와 조달이 열리는지가 어느 경로가 실현될지를 정합니다. 애스모글루가 제도와 정책을 결론의 마지막 자리에 놓은 것도 그 때문입니다.

원문: Daron Acemoglu, The Simple Macroeconomics of AI (Apr 2024)
전문은 원문에서 확인하실 수 있습니다.

참고할만한 글

Similar Posts