기술 요약: "AI 프리미엄 (AI Premium)"

1. 문제 제기 및 동기

본 논문은 인공지능(AI)의 경제적 영향력을 이해하는 데 있어 근본적인 격차를 다룬다. AI 소비는 급격히 성장하고 있으나, 이러한 소비가 기업, 시장, 노동자에게 어떻게 리스크와 가치로 전환되는지에 대한 고빈도, 세밀한 실현 측정치는 존재하지 않는다. 기존 문헌은 대개 과업 기반 자동화 점수, 특허 수, 또는 설문 조사 데이터에 의존하며, 이는 시장이 AI 노출도를 실시간으로 가격에 반영하는 방식을 제대로 나타내지 못할 수 있다.

저자들은 AI가 "전환 리스크(transition risk)"(Aghion and Howitt, 1992; Pastor and Veronesi, 2009)를 나타낸다고 상정한다. AI가 기업, 섹터, 기술 간의 지대(rents)를 재배분함에 따라, 투자자들은 이러한 체계적 재배분에 노출된 기업을 보유하는 것에 대해 보상을 요구해야 한다. 핵심 질문은 주식 시장에서 측정 가능한 "AI 프리미엄"이 존재하는가, 즉 실현된 AI 소비 성장과 수익률이 공분하는 기업들이 이후 더 높은 수익률을 기록하는가 하는 점이다.

2. 데이터 및 방법론

데이터 소스

연구의 핵심은 **OpenRouter, Inc.**로부터 라이선스를 받은 독점 데이터셋으로, 2024년 1월부터 2026년 4월까지 실현된 380조 개의 토큰을 다룬다.

• 세밀도: 데이터는 사용자-모델-일(user–model–day) 단위로 구조화되어 있으며, 400개 이상의 거대언어모델(LLM)과 상호작용하는 수백만 개의 익명화된 계정을 포함한다.
• 범위: OpenAI, Anthropic, Google과 같은 프런티어 폐쇄형 모델(closed-source)과 Meta, DeepSeek와 같은 오픈 웨이트(open-weight) 모델, 그리고 에이전트 요청(도구 호출)을 모두 포함한다.
• 실현성: 보고된 추정치가 아닌, 실제 지출과 토큰 수를 포착한 실현된(realized) 유료 요청 데이터이다.
• 주식 데이터: 미국 기업의 경우 CRSP/Compustat에, 국제 시장의 경우 Compustat Global에 매핑되었다.

AI 요인의 구성

저자들은 글로벌 AI 소비의 성장을 나타내는 고빈도 **AI 요인(AI Factor)**을 구성한다.

1. 입력값: 세 가지 주간 시계열인 총 토큰량($\Delta \ln Tok$), 사용 금액($\Delta \ln Dol$), 고유 활성 사용자 수($\Delta \ln User$)를 사용한다.
2. 집계: 기본 AI 요인은 이 세 가지 시리즈의 표준화된 주간 로그 성장률에 대한 **제1 주성분(first principal component)**이다. 이 요인은 AI 도입의 양적, 지출적, 도달 범위 측면의 공통 변동을 포착한다.
3. 하위 요인: 세밀한 데이터를 통해 다음과 같은 하위 요인을 구성할 수 있다.
   • 모델 유형 (폐쇄형 vs. 오픈 웨이트)
   • 사용자 강도 (유료/핵심 사용자 vs. 신규 사용자; 숙련 사용자 vs. 비숙련 사용자)
   • 프롬프트 복잡도 (긴 프롬프트 vs. 짧은 프롬프트)
   • 에이전트 활동 (도구 호출 vs. 일반 요청)

실증 전략

1. AI 베타 추정: 각 상장 기업에 대해, 13주 윈도우 동안 기업의 주간 로그 초과 수익률을 AI 요인 및 시장 요인에 회귀 분석하여 롤링 AI 베타($\beta_{AI}$)를 추정한다. 이 베타는 AI 소비 충격에 대한 기업의 민감도를 측정한다.
2. 포트폴리오 정렬: 기업들을 $\beta_{AI}$를 기준으로 분위수(quintiles)로 나눈다. 저자들은 이후 수익률의 고(High)-저(Low) 스프레드를 분석한다.
3. Fama-MacBeth 회귀 분석: 주간 단위로 횡단면 회귀 분석을 실시하여, 표준 요인(규모, 가치, 수익성, 투자, 모멘텀 등)을 통제한 상태에서 AI 리스크의 시장 가격(AI 프리미엄)을 추정한다.
4. 과업/기술 매핑: 기업 수준의 베타를 BLS 고용 가중치를 사용하여 직업(occupation)에 매핑하고, 이를 다시 O*NET 등급을 사용하여 기술(skill)에 매핑함으로써 노동 시장에 대한 시장 함의적 노출 지도를 도출한다.

3. 주요 기여

1. 전례 없는 데이터 세밀도: 380조 개의 토큰이라는 최대 규모의 교차 제공자 기록을 활용하여, 이론적 또는 설문 기반의 AI 노출도 측정을 넘어선다.
2. 시장 함의적 노출: 과업 기반 측정(예: Acemoglu and Restrepo, 2019)이나 기술적 자동화 점수와 달리, 본 연구는 **주가 공분(comovement)**으로부터 직접 AI 노출도를 도출하여, AI 리스크에 대한 시장의 선행적 가치 평가를 반영한다.
3. AI 리스크의 분해: 연구는 AI 소비의 서로 다른 마진(예: 프런티어 vs. 오픈 웨이트, 집약적 vs. 일시적 사용)을 구분하여, 시장이 AI 도입의 특정 구성 요소를 다르게 가격 책정함을 밝힌다.
4. 에이전트 경제의 증거: 에이전트 AI(다단계 워크플로우를 실행하는 모델)의 부상에 대한 초기 실증적 증거를 제공하며, 전체 토큰 볼륨에서 50% 이상으로 급격히 성장하는 과정을 추적한다.

4. 주요 결과

주식 시장에서의 AI 프리미엄

• 양(+)의 유의미한 결과: AI 베타가 높은 기업은 유의미하게 높은 이후 수익률을 기록한다. 가중치 적용 롱-숏 전략(High $\beta_{AI}$ 롱, Low $\beta_{AI}$ 숏)은 **주당 64.1 베이시스 포인트(bps)**의 수익(t-통계량 2.84)을 달성한다.
• 강건성: 이 프리미엄은 Fama-French 5요인, 모멘텀, 규모, 가치, 수익성, 투자, 레버리지, 미수금 등을 통제한 후에도 지속된다. 또한 하이테크 섹터 수익률, 반도체 포트폴리오, AI 테마 ETF를 통제한 후에도 유의미하게 유지된다.
• 이질성: 프리미엄은 균일하지 않으며, AI 소비의 집약적이고 프런티어 지향적인 마진에 의해 주도된다.
  • 폐쇄형 모델이 오픈 웨이트 모델(32.3 bps/주)보다 더 큰 프리미엄(53.4 bps/주)을 주도한다.
  • 유료/핵심 사용자 및 숙련 사용자가 신규 또는 일반 사용자보다 더 강한 프리미엄을 생성한다.
  • 긴 프롬프트(복잡한 과업)가 짧은 프롬프트보다 더 높게 가격 책정된다.

지리적 및 섹터별 분포

• 지리적 특성: 프리미엄은 AI 프런티어에 더 가까운 선진국 시장(17.9 bps/주)에 집중되어 있다. 중국을 포함한 신흥 시장에서는 나타나지 않으며, H-L 스프레드가 통계적으로 유의미하지 않다.
• 섹터별 특성: 프리미엄은 기술 기업을 넘어 확장된다. 소매 및 내구 소비재에서 가장 양(+)의 값을 보이며, 보건 및 비내구재에서 가장 음(-)의 값을 보인다. 주목할 점은 기술 섹터의 경우 혼재된 노출을 보인다는 것이다. 반도체 기업은 양의 노출을 보이지만, 다른 기술 기업들은 음 또는 중립적 노출을 보인다.

노동 시장 시사점

• 기술 매핑: 시장 함의적 AI 노출도는 비정형적 상호작용 기술(의사소통, 설득, 교육, 설치/수리)에 대해서는 **양(+)**의 값을 가지며, 비정형적 분석 및 과학 기술(연역적 추론, 정보 활용)에 대해서는 **음(-)**의 값을 가진다.
• 정량적 영향: 상호작용 및 의사소통 콘텐츠가 1 표준편차 높은 직업은 시장 함의적 AI 노출도가 0.36 표준편차 더 높다.
• 기존 척도와의 비교: 시장 함의적 노출도는 기존의 기술적 AI 노출 측정치(예: Felten et al., 2021; Eisfeldt et al., 2023) 변동의 2% 미만을 설명한다. 이는 시장이 단순한 기술적 자동화 가능성이 아닌, 실현된 소비 패턴과 관련된 별도의 리스크 차원을 가격 책정하고 있음을 시사한다.

에이전트 AI의 부상

• 성장: 에이전트적 토큰 점유율(외부 도구를 호출하는 요청)은 2024년 거의 0에 가까웠으나 2026년 4월까지 **52.2%**로 성장했다.
• 가격 책정: 에이전트적 소비 구성 요소(도구 호출, 캐시 읽기, 추론 토큰)에 대한 노출은 양(+)의 경제적으로 유의미한 추정치(주당 0.3~0.5%)를 보여주지만, 짧은 샘플 기간으로 인해 통계적 유의성은 제한적이다. 이는 "에이전트 프리미엄"이 등장하고 있음을 시사한다.

5. 의의 및 주장

본 논문은 실현된 소비 데이터를 사용하여 기업, 과업, 기술 전반에 걸친 최초의 시장 함의적 AI 노출 매핑을 제공한다고 주장한다. 그 의의는 다음과 같다:

1. 전환 리스크 검증: 양(+)의 AI 프리미엄의 존재는 AI가 창조적 파괴 및 리스크 재배치 이론과 일치하는, 보상이 필요한 체계적 리스크 요인이라는 관점을 뒷받침한다.
2. 내러티브의 정교화: 결과는 AI가 순수하게 "기술 섹터"만의 현상이라는 통념에 도전한다. 대신, AI는 소비자 접점 및 자본 집약적 산업에 영향을 미치는 광범위한 경제적 힘이며, 과업의 성격(상호작용 vs. 분석)에 따라 명확한 승자와 패자를 만든다.
3. 데이터 기반 통찰: 기술적 역량이나 의도된 계획이 아닌 실현된 토큰 소비를 사용함으로써, 본 연구는 시장이 AI의 경제적 영향을 어떻게 인식하는지에 대한 더 정확하고 선행적인 척도를 제공한다.

저자들은 샘플이 AI 확산의 초기 단계인 빠르고 변화무쌍한 단계를 다루고 있다는 점을 언급하며 신중한 태도를 유지한다. 따라서 추정치는 장기적 균형이라기보다 현재의 AI 노출도에 대한 가격을 반영한다. 또한 OpenRouter 데이터가 정교한 사용자들을 과대표집할 수 있음을 인정하며, 이는 프리미엄이 관찰된 집약적 AI 소비에 대한 시장의 가격 책정과 연결되어 있음을 시사한다.