핵심 요약

  • AI의 성능 향상과 경제 전체의 성장 속도는 다르다. 새 모델이 이전에는 불가능했던 경제적 가치가 있는 일을 얼마나 수행하는지가 중요하다.
  • AI 기업의 높은 매출 전망이 실현되려면 고객 산업의 생산성과 지불 의사가 함께 높아져야 한다. 사용량 증가도 가격 경쟁 때문에 매출 증가로 이어지지 않을 수 있다.
  • AI 에이전트는 역할을 나눠 일하는 조직과 경쟁한다. 개별 능력과 에이전트 사이의 협업이 경제적 변화를 좌우한다.
  • 도입 과정에서는 제도, 플랫폼의 이해관계, 사람의 습관이 병목으로 남는다. 협업 능력이 갑자기 개선되면 고용 전환이 너무 빨라질 위험도 있다.
  • AI의 혜택은 GDP나 자본 소유자의 수익만으로 판단하기 어렵다. 무료 서비스가 주는 편익과 새롭게 희소해지는 자원을 함께 살펴야 한다.

성능 곡선과 경제 성장 사이의 거리

벤처캐피털 앤드리슨 호로위츠(a16z)의 팟캐스트에서 경제학자 타일러 코언과 알렉스 이마스가 AI의 발전이 경제 전체를 얼마나 빠르게 바꿀지 논의했다. 빠르게 좋아지는 AI가 왜 곧바로 경제 전체의 급성장으로 이어지지는 않는지가 대화의 중심이었다.

이마스는 질문에 답하는 챗봇에서 실제 업무를 수행하는 에이전트형 AI로 넘어가면서 생산성 향상이 뚜렷해지고 있다고 봤다. 모델이 더 자주 나오고 능력도 빠르게 높아진다는 점을 부정하지 않았다.

다만 성능 평가 점수의 가파른 상승만으로 경제적 효과를 읽기는 어렵다. 실제 업무에는 목표와 절차가 명확하지 않은 일이 많다. AI는 이런 일에서도 발전하고 있지만 명확하게 정의된 과제에서와 같은 속도로 성능을 높이기는 더 어려울 수 있다. 그가 주목한 기준은 새 모델이 이전 모델로는 할 수 없었던, 경제적 가치가 있는 일을 무엇까지 할 수 있게 됐는가였다.

코언도 사람이 개입해야 하는 병목이 적은 수학 같은 분야에서는 예상보다 빠른 진전을 봤다고 말했다. 그러나 일부 과정이 빨라질수록 그다음에 놓인 병목에 더 일찍 도달할 수도 있다고 지적했다.

두 자릿수 성장에 필요한 까다로운 조건

이마스는 지속적인 두 자릿수 성장에 필요한 조건으로 아이디어 생산의 병목 해소를 들었다. 기존에는 기술적 돌파구가 생겨도 추가 성과를 얻으려면 점점 더 많은 자원을 투입해야 했다. 폭발적 성장이 이어지려면 돌파구가 더 적은 자원으로 더 많은 돌파구와 생산을 낳는 구조가 필요하다.

그는 현재 데이터를 보면 아직 그런 상태에 도달하지 못했다고 봤다. 모델의 지능을 더 높이려면 여전히 더 많은 자원이 필요하다고 말했다. AI가 스스로를 개선하는 순환이 이를 바꿀 가능성은 있지만 그 가능성과 현재 상태는 구분했다.

코언은 경기 침체나 전쟁 이후의 회복기에도 일시적으로 높은 성장률이 나올 수 있다고 덧붙였다. 회복 효과와 AI의 기여가 겹쳐 어느 한 해에 높은 성장률을 기록하는 것과 AI가 지속적인 고성장 체제를 만드는 것은 다르다.

자동화가 경제에서 차지하는 비중에도 역설이 있다. 이마스는 로봇이 어떤 제품을 대량으로 싸게 만들면 그 제품의 가격이 내려가 경제에서 차지하는 금액 기준 비중도 작아질 수 있다고 설명했다. 반대로 자동화가 더딘 영역은 상대적으로 중요해진다. 생산 능력이 늘어난 만큼 GDP 성장률이 높아지지는 않을 수 있다.

두 사람은 과거의 기술 혁신과 생산성 변화를 판단의 출발점으로 삼았다. 코언은 정부, 비영리 조직, 의료, 교육처럼 관성이 강한 부문을 언급하며 경제 전체가 스타트업처럼 움직이지는 않는다고 강조했다.

AI 사용량 증가가 매출 증가를 보장하지 않는다

코언은 AI 기업의 극단적으로 높은 매출 전망을 들을 때마다 다른 산업 중 어디에서 그 비용을 감당할 만큼 빠른 성장이 일어날지 물었다고 말했다. AI 산업을 낙관하면서도 고객 산업의 변화 없이 공급자의 매출만 급증한다는 전망에는 동의하지 않았다.

이마스 역시 고객의 생산성 증가가 지불 의사로 이어져야 한다고 봤다. AI에 더 많은 돈을 쓰려면 그만큼 업무 성과가 좋아져야 하지만 경제의 다른 부문에서 이를 뒷받침할 증거는 아직 충분히 보지 못했다고 말했다.

가격 경쟁도 변수다. 에이전트형 AI는 모델이 처리하는 텍스트 단위인 토큰을 훨씬 많이 사용한다. 이마스는 기업 고객의 비용 부담이 커지면서 AI 개발사들도 성능뿐 아니라 가격으로 경쟁하기 시작했다고 관찰했다.

그는 Ramp의 데이터를 예로 들며 토큰 사용량이 급증해도 매출은 정체될 수 있다고 설명했다. 단가 하락이 사용량 증가를 상쇄하기 때문이다. AI가 더 많이 쓰인다는 사실과 AI 공급자가 더 많은 수익을 얻는다는 사실은 별도로 확인해야 한다.

에이전트는 분업하는 조직과 경쟁한다

이마스는 자신이 공동 집필한 이론 논문을 소개하며 개별 에이전트의 성능 평가에 빠진 요소를 짚었다. 현실에서 일을 수행하는 단위는 역할을 나누고 전문성을 결합하는 조직이라고 말했다.

조직에서는 모든 사람이 모든 일을 평균 수준으로 하지 않는다. 각 업무는 더 적합한 사람이 맡는다. 논문은 AI가 모든 과제에서 평균적인 인간 수준에 도달하더라도 그것만으로 인간 조직을 크게 앞선다고 볼 수 없다는 데서 출발한다.

여기서 중요한 능력이 에이전트 사이의 조율과 분업이다. 이마스는 여러 에이전트를 동시에 실행하는 것과 협업하는 것은 다르다고 말했다. 현재의 에이전트 집단은 상당 부분 병렬 처리에 머문다. 그가 언급한 협업 평가에서는 서로 소통할 수 있는 두 에이전트가 일을 나눠도 하나의 에이전트보다 못한 결과가 나오기도 했다. 반면 사람 두 명은 분업과 소통으로 혼자 일할 때보다 나은 성과를 낼 수 있다.

그는 조율 능력이 개선되면 기업 규모와 형태, 임금과 고용에서 훨씬 큰 변화가 가능하다고 봤다. 다만 현재 무엇이 협업 능력을 막는 가장 큰 원인인지는 모른다고 밝혔다. 학습 과정에서 충분히 훈련하지 않기 때문일 수 있다는 생각도 가설로 제시했다.

이마스가 우려한 고용 위험도 이 지점과 연결된다. 협업 능력에 돌파구가 생겨 전환이 급격해지면 새 산업과 기회가 생기더라도 노동자가 새 일자리로 옮겨갈 시간이 부족할 수 있다고 걱정했다. 그는 이런 시나리오에 대한 우려와 발생 가능성에 대한 판단은 구분했다.

코언은 채용 과정의 어려움을 덧붙였다. 기존 학력이나 면접 결과만으로 지원자가 AI를 유연하게 익히고 활용할지 판단하기 어렵다고 말했다. 그는 새로운 프로젝트와 일자리에는 낙관적이었지만 전환기에는 적합한 사람과 일자리를 연결하는 데 더 오래 걸릴 수 있다고 봤다.

도입을 막는 이해관계와 통제의 문제

에이전트가 유능해져도 도입을 가로막는 요인은 남는다. 이마스는 사람을 위해 제각각 설계된 웹사이트와 플랫폼의 사업적 이해관계를 예로 들었다. 기업은 사람의 구매 결정을 유도하는 화면에 많은 돈을 쓴다. 같은 심리에 반응하지 않는 외부 에이전트가 대신 쇼핑하면 기존 판매 방식과 충돌할 수 있다.

코언은 자신의 일정 관리 습관을 사례로 들었다. 에이전트가 일정을 관리할 수 있어도 직접 적어야 앞으로의 일정을 기억하기 때문에 계속 손으로 입력하고 싶다고 말했다. 성능이 더 좋아져도 사라지지 않는 사용자의 선호가 도입 속도를 제한할 수 있다.

두 사람은 AI를 통제하는 문제에도 경제학의 조직 관점을 적용했다. 일을 맡긴 사람과 수행하는 주체의 이해가 어긋나는 위임 관계에서는 완벽한 통제가 어렵다. 코언은 AI가 인간의 의도를 따르도록 만드는 정렬 문제를 연구해야 한다면서도 견제와 균형이 해법의 중심이 될 것이라고 봤다.

이마스는 이를 유인과 규칙을 설계하는 메커니즘 디자인의 관점으로 설명했다. 에이전트가 주인을 돕고 싶어 한다고 가정하기보다 스스로 다른 목표를 추구하더라도 주인의 이익에 맞게 행동하도록 주변 제도를 만드는 접근이다.

혜택과 수익은 희소성이 남는 곳을 따라간다

두 사람은 AI의 경제적 성과를 평가할 때 GDP만으로 충분한지도 논의했다. 이마스는 자동화로 디지털 제품이 싸지거나 무료가 되면 사용자가 얻는 편익을 가격만으로 포착하기 어렵다고 말했다. 설문으로 이런 제품의 가치를 추정해 GDP를 보완하는 방식이 필요할 수 있다고 봤다. 코언은 장기적으로 보완이 필요하더라도 단기적으로 GDP가 여전히 유용한 지표라고 봤다.

분배 문제에서도 두 사람은 하나의 결말을 단정하지 않았다. 이마스는 경제활동이 노동보다 자본에 더 의존하는 시나리오와 희소한 새로운 일자리에 높은 가치가 돌아가는 시나리오를 함께 제시했다. 후자의 경우에도 그런 일자리가 얼마나 많이 생기고 경제 전체를 지탱할 수 있을지가 핵심이다.

코언은 자본이 많은 일을 할 수 있다는 명제와 특정 자본 소유자가 진입장벽 덕분에 독점적 이익을 얻는다는 명제를 구분했다. 자본 자체가 흔해지면 이익은 에너지나 토지처럼 희소한 다른 자원으로 옮겨갈 수 있다. 다만 AI가 그 자원의 희소성까지 낮출 수 있으므로 수혜자를 미리 확정하기는 어렵다고 말했다.

시뮬레이션의 가능성과 실험의 한계

코언은 AI가 과학을 끝없이 가속할 것이라는 전망에 시뮬레이션이 실제 실험을 대체할 수 있다는 가정이 들어 있다고 지적했다. 일부 영역에서는 가능하겠지만 광범위한 대체에는 회의적이었다.

이마스는 예측 능력과 구조 이해를 구분했다. 시스템에 개입하면 그 안의 사람이나 조직도 반응을 바꾸는데 예측 모형이 이런 변화를 충분히 반영하지 못할 수 있다고 말했다.

그가 기대한 영역은 AI가 현상의 구조를 더 잘 이해하도록 돕는 일이었다. 세포 모형이나 현실을 가상으로 재현하는 디지털 트윈을 활용한 경제 연구를 예로 들었다. 단순히 결과를 맞히는 데서 나아가 구조를 이해하고 재현할 수 있다면 새로운 것을 만드는 데 도움이 될 것이라고 봤다.

두 사람은 AI 혁명의 속도가 모델 성능만으로 결정되지는 않는다고 봤다. 조직이 협업하는 방식, 고객이 얻는 생산성, 도입을 둘러싼 이해관계가 함께 변해야 한다. AI의 잠재력을 인정하면서도 실제 경제에서 어떤 병목이 풀리고 어떤 병목이 남는지 살피는 것이 이 대화의 일관된 기준이었다.