기술 요약: 코드, 자본, 그리고 클러스터: 영국 AI 경제 내 기업 성과에 대한 이해

문제 제기

영국(UK)은 인공지능(AI) 분야에서 미국과 중국에 이어 세계 3위의 규모(부문 가치 723억 파운드)를 기록하며 글로벌 리더로서 입지를 굳혔으나, 기존 문헌에는 미시적인 기업 단위의 분석이 부족하다. 고수준의 정부 보고서들은 자본과 인재 풀과 같은 광범위한 동인을 식별하고 있지만, 기술적 전문화, 초국지적 사회경제적 조건, 그리고 기업 성과 사이의 구체적인 상호작용을 매핑하는 데는 실패하고 있다.

구체적으로 다음과 같은 부분에 대한 이해의 공백이 존재한다:

1. 우편번호 단위의 인구 통계(예: 자격 취득률, 인구 밀도)가 지역에 등록된 AI 기업의 영업 수익과 어떻게 상관관계를 갖는가.
2. "전용(dedicated)" AI 기업(핵심 IP 개발)과 "다각화된(diversified)" 엔티티(기존 스택에 AI를 통합) 간의 생존 및 수익 효율성 차이는 무엇인가.
3. 이 섹터가 성숙해짐에 따라 기업의 생애주기에 대한 예측적 통찰력, 즉 무엇이 해산(dissolution) 대 지속 가능한 스케일링을 유도하는가.

방법론

본 연구는 2000년부터 2024년까지의 포괄적인 영국 AI 엔티티 데이터셋을 분석하는 데이터 중심의 종단적 접근 방식을 채택한다.

데이터 수집 및 처리

• 출처: 베이스라인은 UKRI의 "WAIFinder" 데이터베이스를 기반으로 구축되었으며, glass.ai를 통한 웹 크롤링으로 확장되었고, Companies House 및 LinkedIn을 통해 교차 검증되었다.
• 범위: 최종 데이터셋은 4,392개의 고유한 AI 엔티티로 구성된다. 엄격한 포함 기준을 적용하여 AI 제품/서비스를 직접 개발하는 "기업"과 "대학교"만을 유지하였으며, 생태계 조력자(인큐베이터, 액셀러레이터)는 제외하였다.
• 데이터 보강: 기업 레지스트리는 영국 통계청(ONS) 2021년 인구 조사 데이터를 사용하여 우편번호 단위로 보강되었으며, 이를 통해 인구 밀도, Level 3/4+ 자격 취득률, 산업별 고용 밀도를 포착하였다.
• 수익 분석: 소규모 기업에 대한 영국의 재무 보고 면제 규정으로 인해, 상세한 수익 및 인력 분석은 전체 회계를 공개적으로 보고한 529개 엔티티의 하위 집합으로 제한되었다.
• 특징 공학(Feature Engineering): 기술적 전문화는 엔티티 웹사이트 설명에 적용된 **TF-IDF(Term Frequency-Inverse Document Frequency)**를 사용하여 정량화되었으며, 이를 통해 엔티티의 기술적 포트폴리오의 강도와 독특함을 측정하는 복합 "키워드 점수"를 생성하였다.

모델링 프레j워크

두 가지 별도의 분석 단계가 수행되었다:

1. 성과 동인 (회귀 분석):

   • 알고리즘: 표 형식의 데이터셋에서 탁월한 성능을 보이는 CatBoost(Categorical Boosting)를 선택하였다.
   • 타겟: (a) 영업 수익과 (b) 종업원 1인당 영업 수익(노동 생산성의 대리 변수)을 예측하도록 두 개의 모델을 훈련시켰다.
   • 특징(Features): 입력값에는 기업 수준의 변수(직원 수, 서비스 연수, 섹터, 키워드 점수)와 우편번호 수준의 사회경제적 지표가 포함되었다.
   • 해석 가능성: 각 입력 변수가 예측에 기여하는 한계 기여도를 정량화하기 위해 **SHAP(SHapley Additive exPlanations)**을 사용하였다.
   • 검증: 데이터의 80%로 모델을 훈련시키고 20%로 테스트하였으며, $R^2$와 RMSE를 사용하여 평가하였다.

2. 성장 예측 (시계열 분석):

   • 지표: 네 가지 생애주기 지표를 분석하였다: 총 AI 엔티티 수, 활성 AI 엔티티 수, 해산된 엔티티 수, 그리고 해산율.
   • 알고리즘: 네 가지 단변량 시계열 모델인 ARIMA, Theta, Exponential Smoothing (ETS), **Median Fourier Linear Exponential Smoothing (MFLES)**을 비교하였다.
   • 최적화: 하이퍼파라미터는 **Tree-structured Parzen Estimator (TPE)**를 사용하여 튜닝되었다.
   • 불확실성: 2030년까지의 예측을 위한 95% 예측 구간을 구축하기 위해 Conformal Prediction을 사용하였다.

주요 결과

1. 지리적 및 섹터별 집중도

• 런던 지배력: 런던은 모든 활성 AI 엔티티(1,616개 기업)의 **41.3%**를 보유하고 있다.
• 섹터 성과: 기술 섹터가 해산의 대부분(57.3%)을 차지하지만, 일반 금융 서비스 부문이 분석된 하위 집합 중 가장 높은 평균 영업 수익(3,390만 파운드)을 기록했다.
• 키워드 진화: "머신러닝(Machine Learning)"과 "인공지능(Artificial Intelligence)"이 가장 흔한 키워드로 남아 있다. "생성형 AI(Generative AI)"는 2015년경 등장하였으며, 2024년까지 자연어 처리(NLP)와 함께 뚜렷한 클러스터를 형성하였다.

2. 기업 성과의 동인

• 수익 동인: 기업 규모(직원 범위)가 총 영업 수익을 예측하는 지배적인 변수로, **74.85%**의 설명력을 차지한다. 규모가 큰 기업이 더 높은 절대 수익을 창출한다.
• 생산성 동인: 기술적 전문화(키워드 점수)가 영업 수익 1인당 수익의 주요 동인이며, **83.59%**를 기여한다. 이는 생산성이 기업 규모보다는 AI 역량의 폭과 관련성(relevance)에 달려 있음을 시사한다.
• 지역 생태계 영향: 우편번호 단위의 변수(Level 3 자격 취득률, 인구 밀도, 지역 고용 수준)는 수익과 생산성 모두에 유의미한 한계 기여를 제공하며, 이는 AI 성장이 지역 사회경제적 생태계에 내재되어 있음을 확인시켜 준다.

3. 2030년까지의 예측

모델은 고성장 확장기에서 통합(consolidation) 단계로의 전환을 전망한다:

• 총 엔티티 수: 성장이 정체되어 2030년까지 약 4,651개의 총 엔티티에 도달할 것으로 예상된다 (95% CI: 4,323–4,979).
• 활성 기반: 활성 엔티티 수는 4,410개(95% PI: 3,672–5,149)에 도달할 것으로 전망되며, 이는 완만하지만 안정적인 성장을 나타낸다.
• 해산: 해산되는 엔티티의 절대적 숫자는 2030년까지 316개로 크게 증가할 것으로 예측된다.
• 해산율: 연간 해산율은 약 **2.21%**에서 안정화될 것으로 전망되며, 이는 덜 생산적인 기업들이 퇴출되는 가운데 핵심 섹터는 탄력성을 유지하는 성숙한 시장을 시사한다.

주요 기여 및 의의

본 논문은 기술적 전문화와 초국지적 사회경제적 데이터를 통합한 최초의 다차원적, 기업 단위의 영국 AI 경제 매핑을 제공한다고 주장한다. 그 의의는 다음 세 가지 영역에 있다:

1. 장소 민감형 정책을 위한 실증적 근거: 본 연구는 순수하게 섹터 중심적인 혁신 정책에 도전하며, 지역적 요인(교육, 밀도)이 기업 성과에 결정적임을 입증한다. 저자들은 시스템적 리스크와 지역 불평등을 완화하기 위해 런던을 넘어 지역적 AI 역량을 육성해야 한다고 주장한다.
2. 성장 전략의 차별화: 분석은 두 가지 경제 성장 경로를 구분한다: 기업 규모의 스케일링(총 수익 증대를 위함)과 기술적 전문성의 심화(생산성 증대를 위함). 이는 정책이 스케일링을 위한 자본 격차를 해결하는 동시에, 프런티어 연구의 상업화를 위한 경로를 조성해야 함을 시사한다.
3. 통합에 대한 전략적 전망: 예측 결과는 섹터가 시장 통합을 특징으로 하는 성숙 단계에 진입하고 있음을 보여준다. 저자들은 이것이 쇠퇴의 신호가 아니라 더 안정적인 생태계로의 전환이라고 주장한다. 이들은 정책이 단순히 스타트업 창업을 지원하는 것에서 벗어나, 생존 가능한 기업들이 성장 전환기를 잘 헤쳐 나가도록 돕고 통합 과정 중 "지식 보존형 퇴출(knowledge-preserving exits)"을 관리하는 방향으로 전환해야 한다고 제안한다.

저자들은 이 통합기를 지속 가능한 경쟁 우위로 전환하기 위해 타겟팅된 증거 기반 개입이 필수적이며, 이를 통해 영국 AI 경제를 지리적으로 균형 잡히고 생산적이며 탄력적인 구조로 만들 수 있다고 결론짓는다.