Structural Reallocation in Finance: The Tri-Faceted Impact of AI on Securities, Wealth Management, and Algorithmic Governance

기술 요약: 금융업 내 구조적 재배분

문제 제기
본 논문은 생성형 AI(GenAI)와 거대언어모델(LLM)이 금융 서비스 산업에 통합되는 과정에서 발생하는 근본적인 역설을 다룬다. 기존 문헌은 흔-히 AI를 노동력 대체나 산업 전반의 생산성 증대를 이끄는 광범위한 동인으로 규정하지만, 이는 동일한 기술적 충격이 금융업 내 서로 다른 하위 부문(증권 거래, 자산 관리, 리스크 거버넌스)에서 어떻게 이질적인 노동 시장 결과를 초래하는지를 설명하지 못한다. 본 논문의 핵심 문제는 '멘토십 격차(mentorship gap)'와 인적 자본의 구조적 재배분이다. 즉, AI가 일부 영역에서는 노동의 대체재로 작용하는 반면, 다른 영역에서는 보완재로 작용함으로써, 미래 금융 전문가 양성 과정에서 시장 실패를 초래할 가능성을 조사한다.

방법론
본 연구는 "숫자 작업(Numbers Work: 연역적, 검증 가능한 과업)"과 "사람 작업(People Work: 귀납적, 신뢰 기반 과업)"을 구분하는 노동 경제학의 과업 기반 모델(Acemoglu & Restrepo, 2018)에 근거한 이론적 프레임워크를 채택한다.

1. 이론적 모델링: 본 논문은 '멘토십 격차'를 시계열적 훈련 외부효과(intertemporal training externality)로 공식화한다. 이는 주니어 분석가의 훈련 장 역할을 했던 기초적인 업무들을 자동화함으로써, 복잡한 시스템을 감독할 수 있는 시니어 인적 자본의 공급을 감소시킨다고 가정한다. 모델은 자동화의 사적 한계 비용이 사회적 비용보다 낮음을 입증하는데, 이는 개별 기업이 자신이 양성하는 시니어 분석가의 전체 가치를 내부화할 수 없기 때문에 발생하는 과잉 자동화($a^* > a^{SP}$) 현상을 보여준다.
2. 계량 경제적 명세: 본 논문은 노동 시장의 변화를 평가하기 위해 이벤트 기반의 이중차분법(Difference-in-Differences, DiD) 프레임워크를 제안한다.
   • 처치 변수(Treatment Variable): SEC Form 13F 공시 자료로부터 도출된 'GenAI 의존도'라는 구성 지표를 사용한다. 이 지표는 트랜스포머 모델을 통해 실적 발표(earnings calls)에서 추출한 AI 기반 감성 변수를 전통적인 펀더멘털 자산 가격 결정 모델에 추가했을 때 얻어지는 한계 $R^2$를 측정한다.
   • 식별 전략(Identification Strategy): 파운데이션 모델(예: 2022년 11월 ChatGPT)의 공개를 외생적 충격으로 활용한다. 고의존도 기업과 저의존도 기업, 그리고 일반적인 거시경제적 추세를 분리하기 위한 중공업(NAICS 331, 237990) 대조군을 비교하여 AI 특유의 효과를 격리한다.
   • 데이터: 기업 수준의 미시 데이터 확보가 불가능함을 인정하며, 따라서 제시된 결과는 2018년 1분기부터 2025년 4분기까지의 BLS(미국 노동통계국) 및 O*NET 산업 평균에 맞춰 보정된 시뮬레이션 패널 데이터셋을 기반으로 한다.

주요 기여

1. 삼면적 구조적 재배분 모델: 본 논문은 금융업 내 GenAI에 대한 세 가지 뚜렷한 노동 시장 반응을 식별하는 프레임워크를 기여한다.
   • 대체 (증권/퀀트 트레이딩): AI가 데이터 정제 및 백테스팅과 같은 '숫자 작업'을 자동화함으로써 주니어 노동력을 대체한다. 이는 주니어 인력의 축소와 조직 계층의 평탄화로 이어진다.
   • 보완 (자산 관리/컨설팅): AI가 '사람 작업'의 보완재로서 사무적 과업을 자동화하고, 이를 통해 어드바이저의 고객 수용 능력을 확대한다. 이는 상담의 초점을 '관계적 알파(Relationship Alpha: 신뢰 및 행동 지침)'로 전환함으로써 자문 인력의 안정 또는 성장을 뒷받침한다.
   • 확장 (리스크 관리): 자율 모델의 배치는 알고리즘 거버넌스에 전념하는 새로운 운영 계층을 필요로 한다. 여기에는 알고리즘 감사인을 위한 역할 창출과, 드리프트(drift) 및 편향을 모니터링하기 위한 2차 AI 모델의 배치가 포함된다.
2. 멘토십 외부효과: 본 논문은 '멘토십 격차'를 시장 실패로서 이론적으로 공식화한다. 주니어 분석가 개발에 필수적인 '단순 반복 업무(grunt work)'를 자동화함으로써, 기업은 의도치 않게 미래 시니어 인재를 위한 파이프라인을 약화시키며, 결과적으로 기업이 사용하는 바로 그 AI 시스템을 감독할 수 있는 인간의 전문성이 결핍되는 장기적 취약성을 초과하게 된다.
3. 알고리즘 거버넌스 프레임워크: 본 논문은 쿨백-라이블러(Kullback-Leibler, KL) 발산을 이용한 리스크 관리 수학적 메커니즘을 제안한다. 이는 1차 모델의 출력 분포와 이론적인 비퇴화(non-degraded) 분포 사이의 발산을 모니터링하여, 발산이 임계치를 초과할 경우 회로 차단기(circuit breaker)를 작동시키는 2차 AI 감사 시스템을 제안한다.

결과 (시뮬레이션)
보정된 시뮬레이션에 근거하여, 본 논문은 다음과 같은 예시적 결과를 제시한다.

• 퀀트 트레이딩: 전체 인력이 35.26% 축소되었으며, 주니어 대 시니어 비율이 1.50에서 0.33으로 하락했다(주니어 비중 60%에서 25%로 감소). 상호작용 항의 회귀 계수는 음(-)의 유의미한 값을 가진다 ($\beta_{trading} = -0.342$).
• 금융 컨설팅: 어드바이저당 수용 능력 증가로 인해 인력이 10.98% 확장되었다. 회귀 계수는 양(+)의 유의미한 값을 가진다 ($\beta_{advisory} = +0.115$).
• 리스크 관리: 알고리즘 감독을 지원하기 위해 인력이 40.87% 확장되었다. 회귀 계수는 양(+)의 매우 유의미한 값을 가진다 ($\beta_{risk} = +0.284$).
• 플라세보 대조군: 중공업 대조군은 통계적으로 유의미한 변화를 보이지 않았으며, 이는 관찰된 변화가 일반적인 거시경제적 요인이 아닌 금융 과업 구조에 특화된 것임을 입증한다.

의의 및 주장
본 논문은 AI의 금융업 통합이 단순한 총량적 노동 대체가 아니라 구조적 재배분의 이야기라고 주장한다. 저자들은 산업 모델이 (데이터 처리를 위한 주니어 분석가에 의존하는) '하부 구조 중심(bottom-heavy)' 모델에서, 금융 분석과 기술 양쪽 모두의 전문성을 요구하는 '상부 구조 중심(top-heavy)' 또는 '이중 계층(dual-tier)' 모델로 이동하고 있다고 논한다.

저자들은 결과가 실제 기업 수준의 미시 데이터를 기반으로 한 실증적 추정치가 아니라, 시뮬레이션 데이터에서 도출된 예시적 사례임을 강조한다. 따라서 본 논문의 주요 기여는 이론적 및 개념적이다. 즉, AI가 금융 서비스의 생산 함수를 어떻게 변화시키는지 이해하기 위한 프레임워크를 제공하고, 흔히 간과되는 중요한 외부효과인 '인적 자본 훈련 파이프라인의 침식'을 조명한다. 본 논문은 향-후 경영 교육과 인적 자본 전략이 전통적인 수동 금융 분석보다는 자동화된 시스템의 감사, 프롬프트 엔지니어링, 그리고 정서적 지능(emotional intelligence) 역량을 우선시하도록 재구조화되어야 한다고 결론짓는다.