AI에 대한 거시 경제학

The Simple Macroeconomics of AI

AI에 대한 거시 경제학

 

 

 

이 논문은 AI의 새로운 발전이 거시경제에 미치는 영향에 대한 주장들을 평가한다.

 

AI의 미시경제적 효과가 작업 수준에서 비용 절감/생산성 향상에 의해 주도되는 한, 그 거시경제적 결과는 헐튼의 정리(Hulten's theorem)에 의해 설명될 수 있다. GDP와 총생산성 향상은 어느 정도의 작업이 영향을 받는지와 평균 작업 수준의 비용 절감에 의해 추정될 수 있다. AI에 대한 노출과 작업 수준에서의 생산성 향상에 대한 기존 추정치를 사용하여, 이러한 거시경제적 효과는 비록 사소하지만 상당하다고 볼 수 있으며, 총요소생산성(TFP, Total Factor Productivity)이 10년 동안 최대 0.66% 증가할 것으로 나타났다.

 

하지만 이 논문은 또한 이러한 추정치가 과장될 수 있다고 주장한다. 초기 증거는 배우기 쉬운 작업에서 나왔으며, 미래의 효과 중 일부는 의사결정에 많은 상황 의존적 요소가 있고 성공적인 성과를 배울 수 있는 객관적인 결과 측정이 없는 배우기 어려운 작업에서 나올 것이기 때문이다.

 

따라서, 향후 10년 동안 예측되는 총요소생산성(TFP, Total Factor Productivity) 향상은 더욱 미미하며 0.53% 미만일 것으로 예측된다.

 

또한 AI의 임금 및 불평등 효과를 탐구한다. 이론적으로 AI가 특정 작업에서 저숙련 노동자의 생산성을 향상시키더라도 (새로운 작업을 창출하지 않는 경우) 불평등을 줄이기보다는 오히려 증가시킬 수 있음을 보여준다.

 

경험적으로 AI의 진보가 이전의 자동화 기술만큼 불평등을 증가시키지 않을 가능성이 높으며, 그 영향은 인구 집단 간에 보다 고르게 분포될 것이지만, AI가 노동 소득 불평등을 줄일 것이라는 증거는 없습니다.

 

대신, AI는 자본 소득과 노동 소득 간의 격차를 벌릴 것으로 예측된다.

 

2022년 11월 30일 출시된 이후, ChatGPT는 두 달 만에 약 1억 명의 월간 사용자에 도달하며 역사상 가장 빠르게 확산된 기술 플랫폼이 되었다. ChatGPT의 놀라운 기능과 2023년 3월에 출시된 최신 버전 ChatGPT-4의 더 큰 기능은 곧 일반 대중과 경제 평론가들 사이에서 큰 상상력을 불러일으니다. 대규모 생산성 향상에 대한 예측은 이제 일반화되었습니다.

 

생성형 AI 모델, 특히 ChatGPT가 인상적인 성과를 거두고 경제적 효과에서 큰 잠재력을 가지고 있다는 것은 의심의 여지가 없지만, 그 거시경제적 결과의 범위는 여전히 열린 질문이다.

 

AI 기술이 중기적으로 미칠 수 있는 거시적 효과는 네 가지 유형이 있다:

 

1. 경제의 모든 측면을 빠르게 혁신하고 생산성을 대폭 향상시켜 “특이점(Singularity)”에 가까워질 수 있다. 이는 완전히 배제할 수 없는 가능성이지만, 현재까지 이러한 혁신적 효과에 대한 증거는 없다(Nordhaus, 2021). 이 논문에서는 이러한 가능성에 대해 다루지 않았다.

 

2. 다양한 작업에서 생산성을 향상시키고 비용을 절감하여 여전히 주목할 만한 거시경제적 효과를 가질 수 있습니다. 일부 예측은 이러한 유형의 개선에 초점을 맞추고 있으며, 10년 내에 연간 경제 성장률을 1.5-3.4 퍼센트 포인트 증가시킬 수 있다는 큰 숫자를 제시했다.

 

3. 자동화 효과로 인해 임금과 불평등에 영향을 미칠 수 있습니다. 반대로 저임금 노동자에게 큰 임금 인상을 가져올 수도 있다(The Economist, 2023).

 

4. 딥페이크, 허위정보, 조작 및 기타 “나쁜 것”을 생산함으로써 거시경제적 효과를 가질 수 있다.

 

나는 생성형 AI가 생산성을 향상시킬 것이라는 아이디어를 명시적으로 수용한다. 그럼에도 불구하고 Eloundou et al.(2023) 및 Svanberg et al.(2024)의 노출 작업 추정치와 결합하면 대부분의 평론가와 경제학자들이 주장한 것보다 훨씬 더 미미한 생산성 효과가 나타난다. 이러한 숫자는 AI가 쉽게 처리할 수 있는 작업에 대한 비용 절감 증거가 있는 경우가 많지만, 여러 다른 작업에서는 행동과 맥락 간의 더 복잡한 상호작용을 포함하고 명확한 성공 지표가 없기 때문에 AI 통합이 더 어려울 것으로 예상되기 때문이다.

 

이러한 고려 사항을 감안할 때, 나는 AI 발전으로 인한 총요소생산성(TFP, Total Factor Productivity) 효과가 향후 10년 동안 미미할 것으로 추정한다. 쉬운 작업과 어려운 작업 간의 구분을 고려하지 않은 경우, 향후 10년 동안 TFP가 약 0.66% 증가할 것으로 예상되며, 연간 TFP 성장률은 약 0.064% 증가할 것입니다. AI에 노출되는 작업 중 어려운 작업의 존재를 인식할 때, 이 상한선은 약 0.53%로 떨어진다. GDP 효과는 자동화 및 작업 상호보완성으로 인해 더 큰 투자가 이루어지기 때문에 이보다 약간 더 클 것이다. 그러나 내 계산에 따르면 향후 10년 동안 AI로 인한 투자 증가가 미미한 경우 GDP 증가율은 총 0.93%-1.16% 범위에 있어야 하며, 대규모 투자 붐이 있을 경우 총 1.4%-1.56% 범위에 있을 것으로 보인다.

 

마지막으로, 나는 AI 이전의 자동화 기술이 경제 전반의 생산성, 임금 및 불평등에 미친 영향을 추정한 Acemoglu와 Restrepo(2022)의 추정치를 크게 인용하여 새로운 AI 발전의 영향을 평가한다. AI에 노출된 작업이 AI 이전의 자동화에 노출된 작업보다 인구 내에서 더 고르게 분포되어 있기 때문에, 나는 어떤 교육 그룹에서도 실질적인 임금 감소를 찾지 못했다. 그럼에도 불구하고, 추정치는 불평등의 상당한 감소를 가리키지 않으며, 오히려 저학력 여성의 임금이 약간 감소할 수 있고, 전체 집단 간 불평등이 약간 증가할 수 있으며, 자본 소득과 노동 소득 간의 격차가 더 벌어질 가능성이 높다.

 

이 결과는 AI로부터 주요한 이점이 없다는 주장을 의미하지 않는다. 첫째, 10년 내에 약 0.53-0.66%의 TFP 증가가 미미하지만 여전히 사소한 것은 아니다.

 

둘째, 더 중요한 것은, AI가 훨씬 더 주목할 만한 이점을 창출하는 데 사용될 수 있는 다른 방법이 있을 수 있다. 나는 이전 연구에서 AI가 노동자를 위한 새로운 작업을 생성하는 데 사용된다면, 이는 더 유익한 생산성, 임금 및 불평등 결과를 가져올 수 있으며, 심지어 임금을 증가시킬 수 있다고 제안했다. 생성형 AI는 노동자에게 더 나은 정보를 제공하고 그들의 전문성을 향상시키는 데 사용될 수 있다.

 

오늘날 많은 생산 노동자, 전기공, 수리공, 배관공, 간호사, 교육자, 사무직 노동자 및 점점 더 많은 공장 블루칼라 노동자가 문제 해결 작업에 종사하고 있다. 이러한 작업은 실시간으로 신뢰할 수 있는 정보를 요구한다. 예를 들어, 고급 장비의 오작동이나 전기 그리드의 단락을 처리하는 전기공은 문제 해결을 위한 충분한 전문 지식과 적절한 정보를 갖추고 있지 않아 이러한 문제를 해결하는 데 어려움을 겪을 수 있다. 생성형 AI 도구가 빠르게 제공할 수 있는 신뢰할 수 있는 정보는 생산성 향상에 크게 기여할 수 있다. 마찬가지로, 교실에서 생성형 AI는 학생 하위 그룹이 커리큘럼의 특정 측면에서 어려움을 겪고 있는 부분을 식별하고 새로운 교육 전략을 제안하는 데 도움을 주어 교육의 질을 크게 향상시킬 수 있다.

 

내 평가는 생성형 AI가 유망한 기술로서 훨씬 더 큰 이익을 가져올 수 있지만, 이러한 이익은 업계의 근본적인 재정비 없이는 실현되기 어려울 것이라는 것이다. 특히, 다양한 종류의 노동자의 한계 생산성을 높일 수 있는 신뢰할 수 있는 정보에 초점을 맞추기 위해, 가장 흔한 생성형 AI 모델(Large Language Models, LLMs)의 구조에 대한 주요한 변화가 필요할 수 있다. 현재의 생성형 AI 접근 방식은 신뢰할 수 있는 정보를 제공하는 데 적합하지 않을 수 있다. 간단히 말해, 우리가 원하는 것이 교육자, 의료 전문가, 전기공, 배관공 및 기타 기술 노동자에게 유용한 신뢰할 수 있는 정보라면, 인간과 같은 대화를 하고 셰익스피어 소네트를 작성할 수 있는 기초 모델(또는 현재의 LLMs)이 필요한지 여부는 여전히 미지의 문제로 남아 있습니다.

---

 

https://www.nber.org/system/files/working_papers/w32487/w32487.pdf