기술 요약: 데이터 주도 자동화 (Data-Driven Automation)

1. 문제 제기

본 논문은 데이터 생성과 자본 생산성 사이의 뚜렷한 피드백 루프를 특징으로 하는 현대적 AI 기반 자동화의 궤적과 경제적 함의를 다룬다. 단순한 반복 과업을 대체했던 이전의 기술 변화 물결과 달리, 현대적 AI 시스템은 성능 향상을 위해 방대하고 이질적이며 과업 특화적인 데이터에 의존한다. 저자들은 기존 문헌의 결정적인 공백을 식면한다. 즉, 데이터는 경제 활동의 부산물로서 생성되지만, 동시에 자본의 생산성을 증대시켜 자동화 가능한 과업의 범위를 확장한다는 점이다.

핵심 문제는 이 데이터-자동화 피드백 루프가 자동화의 속도, 방향 및 장기적 한계를 어떻게 형성하는가이다. 구체적으로 본 논문은 다음을 조사한다:

• 어떤 조건에서 경제가 완전 자동화 또는 부분 자동화에 도달하는가.
• 데이터 전이(transfer learning)를 통한 데이터 스필오버(spillover)의 네트워크 구조가 자동화 역학에 어떠한 영향을 미치는가.
• 장기 임금과 경제적 효율성에 미치는 함의는 무엇인가.
• 데이터 주도 자동화가 자본 축적과 결합될 때, 폭발적 성장으로 이어지는가 아니면 정체로 이어지는가.

2. 방법론

저자들은 과업 기반 프레임워크(Zeira, 1998; Acemoglu and Restrepo, 2018)를 바탕으로 내생적 데이터 축적을 통합하여 확장한 동적 일반 균형 모델을 구축한다.

핵심 모델 특징

• 과업 공간 (Task Space): 상수 탄력성 대체(CES) 생산 함수(탄력성 $\sigma$)를 통해 집계된 연속적인 과업 집합 $X = [0,1]$.
• 생산 요소 (Factors of Production): 자본($K$)과 노동($L$). 기본 모델에서 이들은 고정되어 있으나, 이후 자본 축적이 도입된다.
• 상태 변수로서의 데이터 (Data as a State Variable): 데이터($D_{it}$)는 과업 특화적이며 생산의 부산물로서 내생적으로 축적된다: $\dot{D}_{it} = y_{it}$. 데이터는 감가상각되지 않는다.
• 자본 생산성 (Capital Productivity): 과업 $i$에서의 자본 생산성 $\psi^K_i$는 유효 데이터 $A_i(D)$의 함수이다:
  $$\psi^K_i(A_i(D)) = f_i \cdot (A_i(D))^\eta$$
  여기서 $\eta \in (0,1)$은 데이터에 대한 수확 체감(diminishing returns)을 포착하며, $f_i$는 과업 특화적 이질성을 나타낸다.
• 과업 간 스필오버 (Cross-Task Spillovers): 과업 $j$에서 과업 $i$로의 데이터 스필오버 강도를 나타내는 측정 가능한 함수인 그래폰(graphon) $W(i,j)$를 사용하여 모델링한다. 과업 $i$의 유효 데이터는 $A_i(D) = \int W(i,j) D_j dj$이다. 이는 전이 학습(transfer learning)과 기술적 중첩을 포착한다.
• 자동화 경계 (Automation Boundary): 자본에 의해 생산되는 과업($i \le \gamma_t$)과 노동에 의해 생산되는 과업($i > \gamma_t$)을 구분하는 균형 임계치 $\gamma_t$.

분석 접근 방식

저자들은 세 단계에 걸쳐 모델을 분석한다:

1. 데이터 자급자족 (Data Autarky): 스필오버가 없는 경우($W(i,j) = \mathbb{I}_{i=j}$). 과업 대체성($\sigma$)과 데이터 수익률($\eta$) 사이의 관계를 바탕으로 완전 자동화 대 부분 자동화의 조건을 도출한다.
2. 연결된 경제 (Connected Economies): 스필오버를 도입하여 "전염성" 있는 자동화와 핵심-주변부(core-periphery) 역학을 분석한다.
3. 효율성 및 성장 (Efficiency and Growth): 분산 균형을 사회적 계획가(social planner)의 문제와 비교하고, 내생적 자본 축적을 도입하여 성장 한계를 연구한다.

3. 주요 기여 및 결과

A. 장기 자동화 한계

자동화의 정도는 과업 간 대체성($\sigma$)과 데이터의 수확 체감($\eta$) 사이의 상호작용에 달려 있다.

• 완전 자동화 ($\sigma \le 1/\eta$): 과업들이 충분히 보완적이거나(또는 약한 대체 관계일 때), 경제는 완전 자동화로 수렴한다 ($\lim_{t\to\infty} \gamma_t = 1$). 자본 배분은 데이터가 부족한 과업 쪽으로 편향되어 경제 전반의 데이터 축적을 균형 있게 만든다.
• 부분 자동화 ($\sigma > 1/\eta$): 과업들이 강력한 대체 관계이고 데이터가 수확 체감을 보일 경우, 경제는 부분 자동화 상태로 남을 수 있다. 자본은 소수의 "데이터 풍부" 과업에 집중되며, 이는 데이터가 풍부한 과업은 더 많은 자본을 끌어들이고 데이터가 부족한 과업은 소외되는 피드백 루프를 생성한다. 풍부한 과업과 빈곤한 과업 간의 데이터 비율은 무한대로 발산한다.

B. 임금과 "자기 대체 훈련" 메커니즘

• 임금 정체: 완전 자동화 체제($\sigma \le 1/\eta$)에서 장기 임금은 정체된다. 데이터로 강화된 자본이 생산성을 높이지만, 노동을 점점 줄어드는 과업 집합으로 밀어냄으로써 실질 노동 공급을 증가시켜 생산성 이득을 상쇄하기 때문이다.
• 무한한 임금 성장: 부분 자동화 체제($\sigma > 1/\eta$)에서는 자동화 경계가 제한되어 있어 노동의 완전한 퇴출을 막으므로 임금이 무한히 성장한다.
• 메커니즘: 본 논문은 역설적인 현상을 강조한다. 일반적으로 부분 균형에서 임금을 높이는 과업 간 보완성이, 이 동적 설정에서는 오히려 임금 정체를 초래한다. 왜냐하면 보완성이 "데이터 빈곤" 과업의 생산을 유도하여, 결국 그 과업들을 자동화할 데이터를 축적하게 만들기 때문이다.

C. 자동화의 속도

완전 자동화가 불가피한 경우라도, 그 이행은 느리게 진행된다.

• 멱법칙 붕괴 (Power Law Decay): 노동에 의해 수행되는 과업의 비중($1-\gamma_t$)은 시간($t^{-\eta/(1-\eta)}$)에 따라 멱법칙에 따라 감소한다.
• 두꺼운 꼬리 (Fat Tail): 자본이 해당 과업을 수행할 수 없음이 아니라, (제한된 데이터로 인한) 자본의 한계 비용이 임금보다 높기 때문에 노동이 수행하는 과업의 "두꺼운 꼬리"가 오랫동안 지속된다.
• 스필오버와 속도: 스필오버가 $\sigma$와 관계없이 완전 자동화를 보장하더라도(Proposition 5), 근본적인 멱법칙 속도를 바꾸지는 못한다. 그러나 단기적으로는 네트워크 구조(예: 핵심-주변부)가 데이터 흐름의 병목 현상으로 인해 특정 부문은 빠르게 자동화되고 주변부는 뒤처지는 불균형한 역학을 만들 수 있다.

D. 효율성

분산 균형은 일반적으로 비효율적이다.

• 비효율성의 방향:
  • $\sigma < 1/\eta$일 때, 시장은 계획가에 비해 데이터 빈곤 과업에 과소 투자한다. 계획가는 수렴을 가속화하기 위해 데이터 빈곤 과업 쪽으로 자본을 더 기울일 것이다.
  • $\sigma > 1/\eta$일 때, 시장은 데이터 풍부 과업에 과소 투자한다. 계획가는 데이터 피드백 루프를 활용하기 위해 데이터 풍부 과업 쪽으로 자본을 더 기울일 것이다.
• 원인: 기업들은 자신의 과업뿐만 아니라 타인의 과업에도 영향을 미치는 생산의 긍정적 외부성(aggregate data stock에 대한 영향)을 내부화하지 못한다.

E. 폭발적 성장 (특이점)

내생적 자본 축적을 도입할 경우:

• 데이터 주도 특이점 (Data-Driven Singularity): 데이터 축적(비감가, 수확 체감)과 자본 축적(감가 존재)의 결합은 폭발적 성장을 초ach한다. 산출량과 소비는 유한한 시간 내에 무한히 커진다.
• Nordhaus (2021)와의 차이: 자본 생산성의 외생적 지수적 성장에 의존하는 "공급 측 특이점"과 달리, 이 결과는 내생적 피드백 루프에서 기인한다. 결정적으로, 이 결과는 과업들이 거친 보완 관계($\sigma < 1$)일지라도, 자동화 경계가 내생적으로 확장되어 과업 수준에서 자본과 노동을 사실상 완전 대체재로 만들기 때문에 성립한다.

4. 의의 및 주장

본 논문은 AI 기반 자동화의 독특한 역학을 이해하기 위한 엄밀한 이론적 틀을 제공한다고 주장하며, 이를 이전의 기술 변화 모델들과 차별화한다.

• 독립된 요소로서의 데이터: 저자들은 데이터가 단순히 예측 도구(Jones and Tonetti, 2020와 같은 경우)가 아니라, 자동화의 전선을 몰아가는 내생적 축적을 가진 자본 증대적 투입 요소라고 주장한다.
• 직관의 역전: 본 논문은 임금과 효율성에 관한 표준적 직관에 도전한다. 과업 간 보완성이 임금 정체를 초래할 수 있으며, 시장 동력이 데이터 축적의 방향을 대체성(substitutability)에 따라 비단조적인 방식으로 왜곡할 수 있음을 보여준다.
• 느린 이행: 급격하고 즉각적인 대체라는 서사와 달리, 모델은 데이터 축적에 필요한 시간이 필요하기 때문에 노동이 지속되는 "두꺼운 꼬리"를 가진 느린 멱법칙 이행을 예측한다.
• 네트워크 효과: 그래폰(graphon)의 도입을 통해 지식의 구조(전이 학습)가 자동화의 속도와 균형을 어떻게 결정하는지 분석함으로써, 단기적인 "핵심-주변부" 격차를 설명한다.

저자들은 데이터 주도 자동화가 폭발적 성장과 완전 자동화의 잠재력을 가지고 있지만, 그 이행 경로는 복잡한 역학, 잠재적 비효율성, 그리고 노동이 자기 자신을 대체할 데이터를 생성하기 위해 필수적인 역할을 수행하는 긴 기간을 특징으로 한다고 결론짓는다.