Pricing Intelligence: Task-Based Learning and Labor Displacement in the AI Economy

위대한 AI 학습 곡선

경제를 수백만 명의 사람들이 저녁 식사를 준비하려고 애쓰는 거대하고 북적이는 주방이라고 상상해 보십시오. 당근을 썰거나 물을 끓이는 것과 같은 단순한 작업도 있지만, 새로운 레시피에 딱 맞는 향신료 조합을 결정하거나 음식을 태운 것에 대해 화가 난 고객을 상대하는 것과 같이 까다로운 작업도 있습니다. 오랫동안 인간은 이러한 까다로운 일을 처리할 수 있는 유일한 요리사였으며, 기계는 주로 단순하고 반복적인 채썰기 작업에 능숙했습니다. 하지만 이제 인공지능(AI)이 주방에 들어왔습니다. AI는 단순한 작업에는 믿을 수 없을 정도로 빨라지고 있지만, 복잡하고 판단력이 필요한 작업을 처리하는 법은 여전히 배우는 중입니다.

경제학자들이 던지는 핵심 질문은 단순히 "AI가 그 일을 할 수 있는가?"가 아니라, "얼마나 빨리 더 나아질 것인가?"입니다. 이는 **실행을 통한 학습(learning-by-doing)**이라는 개념에 달려 있습니다. 인간 요리사가 양파를 더 많이 썰수록 양파 써는 실력이 좋아지는 것처럼, AI도 특정 유형의 작업을 더 많이 수행할수록 그 작업에 더 능숙해집니다. 만약 AI가 단순한 작업만 수행한다면, 복잡한 작업을 다루는 법은 결코 배우지 못할 것입니다. 이 논문은 매혹적인 긴장 관계를 탐구합니다. 과연 누가 실제로 AI를 구매하는가? 만약 AI가 단순한 작업이 필요한 사람들에게만 판매된다면, AI는 단순 작업에는 더 빨라지겠지만 복잡한 작업에는 여전히 서툴게 될 것입니다. 반대로 복잡한 요구를 가진 사람들에게 판매된다면 AI는 더 빠르게 학습하겠지만, 그 고객들은 비용을 지불하도록 설득하기가 더 어려울 수 있습니다. 이 논문은 AI 기업들이 책정하는 가격과 기업 간의 경쟁이 인간의 일자리를 대체하는 AI의 학습 속도를 어떻게 변화시키는지 묻습니다.

---

AI의 가격표와 학습의 함정

이 연구에서 저자 칼-크리스티안 그로(Carl-Christian Groh)는 AI 기업(오늘날 우리가 알고 있는 거대 기업들 같은)이 누구에게 기술을 사용할 권한을 줄지 결정하는 과정을 살펴보기 위해 수학적 모델을 구축합니다. 이야기는 두 유형의 노동자를 중심으로 전개됩니다. 쉬운 작업(표준 이메일 작성 등)이 주로 필요한 사람들과 복잡한 작업(새로운 사례에 대한 법적 논거 작성 등)이 필요한 사람들입니다.

여기에 반전이 있습니다. 현재의 "저기술(low-tech)" 상태의 AI는 쉬운 작업에서는 슈퍼스타이지만 복잡한 작업에서는 아직 조금 서툽니다. 이 때문에 복잡한 작업을 주로 하는 노동자들은 AI에 많은 비용을 지불하고 싶어 하지 않습니다. 차라리 스스로 어려운 생각을 하는 편을 택합니다. 반면, 쉬한 작업이 주를 이루는 노동자들은 AI가 이미 자신들이 필요로 하는 일을 잘 해내고 있기 때문에 기꺼이 비용을 지불하려 합니다.

이는 AI 기업에게 까다로운 상황을 만듭니다. 만약 회사가 지금 당장 가장 많은 돈을 벌고 싶다면, 쉬운 작업이 필요한 사람들에게만 판매해야 합니다. 하지만 그렇게 한다면, AI는 복잡한 작업을 수행하는 법을 배우는 데 필요한 데이터를 결코 얻지 못하게 됩니다. 이는 마치 물 끓이는 법만 배우고 싶어 하는 학생들만 받는 요리 학교와 같습니다. 학교는 돈을 벌 수는 있겠지만, 학생들은 결코 고급 요리를 만드는 법을 배우지 못할 것입니다.

이 논문은 이러한 긴장 관계가 경제에 두 가지 매우 다른 미래를 가져온다는 것을 밝혀냅니다:

1. 볼록한 도약 (행복한 경로): 만약 AI가 복잡한 작업을 수행하며 매우 빠르게 학습한다면, 기업은 결국 복잡한 작업의 노동자들을 끌어들이기 위해 가격을 낮추는 것이 가치가 있다는 것을 깨닫게 됩니다. 더 많은 노동자가 합류함에 따라 AI는 복 복잡한 작업을 더 빠르게 마스터하게 되고, 이는 다시 더 많은 노동자를 끌어들입니다. 이는 "볼록한(convex)" 곡선을 만듭니다. 즉, 느린 시작 후에 갑자기 치솟으며, AI가 어려운 작업까지 정복하면서 급격한 일자리 대체로 이어집니다.
2. 학습의 함정 (정체된 경로): 만 만약 AI가 쉬운 작업으로부터 더 잘 학습하거나, 복잡한 작업을 하는 사람이 매우 적다면, 기업은 단기 이익을 극대화하기 위해 복잡한 작업의 노동자들을 계속 무시할 것입니다. 결과적으로 AI는 물 끓이는 데는 놀라운 실력을 갖추게 되지만, 고급 요리는 결코 배우지 못합니다. 그 결과, AI 도입은 느린 상태로 머물고 인간은 오랫동안 복잡한 일을 계속 수행하게 됩니다.

경쟁 효과: 경쟁자가 많아지면 더 빨리 학습할까?

논문은 이어 단 하나의 AI 기업만 있는 것이 아니라, 고객을 두고 싸우는 두 개 이상의 기업이 있다면 어떤 일이 벌어질지 묻습니다.

당신은 고객을 두 회사로 나누면 각 회사가 학습할 데이터가 적어지기 때문에 진행 속도가 느려질 것이라고 생각할 수도 있습니다. 실제로 어떤 경우에는 그렇습니다. 만약 경쟁이 약하다면(예: 가격 경쟁을 치열하게 하지 않는 두 회사), 두 회사 모두 높은 가격을 책으로 유지하게 됩니다. 이는 복잡한 작업의 노동자들을 멀어지게 하여 학습 속도를 늦춥니다.

하지만 논문은 경쟁이 치열할 때—즉, 기업들이 가격을 낮추기 위해 격렬하게 싸울 때—이야기가 달라진다는 것을 보여줍니다. 낮은 가격은 복잡한 작업의 노동자들이 시장에 참여하는 것을 가능하게 합니다. 비록 각 회사가 얻는 총 데이터의 양은 줄어들지라도, 그들이 얻는 데이터의 유형이 변하기 때문입니다. 그들은 훨씬 더 높은 비율의 복잡한 작업 데이터를 얻게 됩니다. 이 "과업 구성 효과(task-composition effect)"는 실제로 AI가 독점 기업이 있을 때보다 더 빠르게 학습하게 만들 수 있습니다. 치열한 가격 전쟁은 기업들이 AI가 어려운 일을 수행하는 법을 가르치는 데 가장 가치 있는 사용자들을 반드시 서비스하도록 강제합니다.

전문화의 반전

마지막으로, 논문은 두 경쟁 기업이 서로 다른 강점을 가지고 시작하는 경우를 살펴봅니다. 회사 A는 자연스럽게 쉬운 작업에 더 강하고, 회사 B는 복잡한 작업에 더 강하다고 가정해 봅시다.

모델에 따르면, 이러한 작은 초기 차이가 거대한 격차로 성장할 수 있습니다. 복잡한 작업에 약간 더 강한 회사 B는 자연스럽게 복잡한 작업의 노동자들을 끌어들일 것입니다. 그들을 서비스하면서 회사 B는 복잡한 작업에 더욱 능숙해지고, 이는 다시 더 많은 노동자를 끌어들입니다. 이를 **내생적 전문화(endogenous specialization)**라고 합니다. 이는 "어려운 일"에서 미세한 우위를 점한 기업이 해당 시장 전체를 지배하고, 놀라운 속도로 학습하며, 복잡한 분야에서 인간의 노동력을 대체하는 속도를 가속화하는 자기 강화적 루프입니다.

결론

이 논문은 단순히 "AI가 일자리를 뺏을 것이다"라고 말하는 것이 아닙니다. 오히려 그 탈취의 속도와 방향은 비즈니스 결정에 크게 달려 있다고 제안합니다.

• 독점 vs 경쟁: 단일 AI 기업은 만약 너무 탐욕스러워 쉬운 작업의 이익을 챙기느라 복잡한 작업을 무시한다면 "학습의 함정"에 빠질 수 있습니다. 하지만 경쟁이 치열하다면, 이는 기업들이 복잡한 작업 사용자들을 서비스하도록 강제하여 AI의 진화를 가속화할 수 있습니다.
• 학습의 함정: 만약 AI가 복잡한 작업으로부터 느리게 학습하거나, 시장이 쉬운 작업 사용자들에 의해 지배된다면, AI는 결코 어려운 일을 배우지 못할 수도 있으며, 이로 인해 인간이 가장 어려운 일을 오랫동안 계속 맡게 될 것입니다.

저자는 시뮬레이션을 통해 이러한 경로들을 보여줍니다. 이 결과가 미래를 보장하는 것은 아니지만, 중요한 트레이드오프를 강조합니다. 즉, 오늘 돈을 벌고자 하는 욕구가 때로는 내일의 가장 어려운 문제들을 해결하는 데 필요한 AI의 학습을 늦출 수 있다는 점입니다. 우리가 급격한 볼록한 도약을 맞이할지, 아니면 느리고 정체된 학습의 함정에 빠질지는 시장이 어떻게 구조화되어 있는지, 그리고 AI가 직면한 어려운 과업들로부터 얼마나 잘 학습하는지에 달려 있습니다.