📈 경제학

Can Regulation Curb AI Adoption Narrative–Practice Decoupling?An Agent-Based Model of the A-Share Market

A주 시장의 에이전트 기반 모델을 사용하여, 본 논문은 시장의 힘만으로는 기업의 AI 내러티브와 실제 이행 사이의 격차를 약하게 억제하는 데 그치지만, 상습 위반자 단계적 처벌과 표적 집행을 결합한 규제가 이러한 괴리를 억제하는 데 가장 효과적인 반면, 공매도나 단순 공시 라벨과 같은 메커니즘은 효과적이지 않음을 입증한다.

원저자: ming sun

게시일 2026-10-22

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: ming sun

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

금융 세계에서 기업들은 투자자를 유치하기 위해 끊임없이 이야기를 만들어냅니다. 그들은 미래의 계획, 새로운 기술, 그리고 전략적 변화를 언급하며 이러한 서사가 사람들을 설득하여 주식을 사게 만들기를 희망합니다. 수십 년 동안 경제학자들은 기업이 말하는 것과 실제로 행하는 것 사이에 종종 격차가 존재한다는 점을 이해해 왔습니다. 어떤 기업이 사업을 전환하고 있다고 주장하면서도 이를 뒷받침할 예산이나 인력이 부족할 때, 이는 불일치를 만들어냅니다. 이것은 반드시 거짓말인 것은 아니지만, 대중에게 전달되는 이야기와 실제 비즈니스 운영 사이의 미스매치입니다. 규제 당국과 시장 감시자들이 오랫동안 고민해 온 질문은, 시장 스스로가 이 격차를 포착하여 단순히 말만 하는 기업들을 처벌할 수 있는지, 아니면 투자자들이 사실 여부와 상관없이 이야기의 흥분에 쉽게 휩쓸리는지 여부입니다.

새로운 연구는 인공지능(AI)이 대화의 지배적인 주제가 된 중국 주식 시장, 구체적으로 A주 시장을 살펴봄으로써 이 문제를 다룹니다. 연구진은 현재의 게임 규칙이 기업들이 실질적인 구현이라는 고된 작업을 수행하지 않고 유행의 파도를 타는 것을 막기에 충분한지 알고 싶었습니다. 이를 알아내기 위해 그들은 단순히 과거의 주가만을 본 것이 아니라, 디지털 실험실을 구축했습니다. 그들은 수천 개의 실제 기업과 수백만 명의 개인 투자자, 그리고 규제 기관의 행동을 모방하는 컴퓨터 시뮬레이션을 만들었습니다. 이 가상 시장에 3,000개 이상의 상장 기업으로부터 얻은 실제 데이터를 입력함으로써, 그들은 AI에 대한 흥분의 물결이 시스템을 휩쓸 때 서로 다른 규칙들이 어떻게 전개되는지 관찰할 수 있었습니다.

연구진은 시뮬레이션 내의 모든 기업에 대해 두 가지 뚜 말하는 것과 행하는 것을 구분하여 측정하는 것으로 시작했습니다. 첫째, 그들은 기업의 연례 보고서에서 발견되는 AI 서사의 강도, 즉 기업의 AI 야망을 설명하는 데 사용되는 언어인 '말하기(talking)'를 측정했습니다. 둘째, 그들은 실제 관찰 가능한 작업인 '행하기(doing)'를 측정했습니다. 이는 AI 기술을 가진 인력을 얼마나 채용하고 있는지와 AI 관련 특허를 얼마나 출원하고 있는지를 세는 방식으로 추적되었습니다. 어떤 기업이 AI에 대해 많이 말하면서도 채용이나 특특허 출원 측면에서 증거를 거의 보여주지 않을 때, 시뮬레이션은 이를 '디커플링(decoupling)', 즉 이야기와 실체 사이의 분리로 표시했습니다.

실험의 핵심은 인공지능에 대한 갑작스럽고 거대한 흥분의 물결을 이 가상 시장에 주입하는 것이었으며, 이는 새로운 AI 도구들이 널리 알려졌을 때 발생했던 현실 세계의 급증과 유사합니다. 연구진은 규칙을 바꿀 때마다 어떤 규제 방식이 가장 효과적인지 보기 위해 시뮬레이션을 반복해서 실행했습니다. 그들은 전 세계에서 사용하는 9가지의 서로 다른 규제 방식을 테스트했습니다. 어떤 방식은 격차의 크기와 상관없이 말하기와 행하기 사이의 간극을 보이는 모든 기업을 처벌하는 포괄적인 규칙과 같았습니다. 다른 방식은 명백하게 과장하는 기업에만 초점을 맞추는 정밀한 조명과 같았습니다. 어떤 방식은 내부 고발자가 악성 행위자를 보고하는 것에 의존했고, 다른 방식은 기업이 표준을 준-수하지 않을 경우 그 이유를 설명하도록 요구했습니다.

결과에 따르면, 시장에 스스로 맡겨두었을 때 시장은 이러한 과장을 처벌하는 데 놀라울 정도로 무력했습니다. 새로운 규칙이 없더라도, 시뮬레이션은 투자자들이 진정으로 AI를 구축하는 기업과 단지 말만 하는 기업을 효과적으로 구별하지 못하고 있음을 보여주었습니다. 이야기와 현실 사이의 격차가 그 자체로 주가 하락을 유도하지는 않았습니다. 이는 시장의 자연스러운 규율에 의존하는 것만으로는 유행을 막기에 충분하지 않다는 것을 시사합니다.

연구진이 다양한 규제 도구를 도입했을 때 결과는 극명하게 갈렸습니다. 가장 효과적인 접근법은 상습 위반자에게 단계적으로 처벌을 높이는 시스템이었습니다. 이 시나리오에서는 기업이 AI 노력을 과장하다 적발될 경우, 다음 위반 시의 처벌이 첫 번째보다 훨씬 더 높았습니다. 이는 기업이 말을 멈추고 행동을 시작하거나, 적어도 거짓말을 멈추게 하는 강력한 유인책을 만들었습니다. 시뮬레이션은 이 방법이 단순히 초기 벌금을 높이는 것보다 훨씬 더 성공적임을 보여주었습니다. 변화를 이끈 것은 벌금의 크기가 아니라 규칙의 구조였습니다.

또 다른 매우 효과적인 방법은 표적 집행이었습니다. 모든 기업이 말하기와 행하기 사이의 격차를 보인다고 해서 처벌하는 대신, 규제 기관은 '양(+)의 격차'를 가진 기업, 즉 말하는 것이 행하는 것보다 많은 기업에만 집중했습니다. 이 접근 방식은 실제로 말하는 것보다 더 많이 행하고 있는 기업을 처벌하지 않음으로써 진정한 혁신을 위한 동기를 유지했습니다. 이 두 가지 방법을 결합했을 때 가장 강력한 결과를 냈으며, 서사적 디커플링을 효과적으로 억제하고 주가를 실제 작업과 더 밀접하게 일치시켰습니다.

반면, 몇몇 인기 있는 규제 아이디어들은 이 특정 환경에서 효과적이지 않은 것으로 드러났습니다. 기업에 AI 계획을 공개하도록 요청하거나 표준을 준수하지 않는 이유를 설명하도록 하는 것은 행동 변화를 일으키는 데 거의 도움이 되지 않았습니다. 시뮬레이션은 이러한 '준수하거나 설명하라(comply or explain)'는 규칙이 말하는 비용은 너무 낮고 적발될 위험은 너무 작기 때문에 유행을 막는 데 실패했음을 보여주었습니다. 마찬가지로, 투자자들이 주식을 공매도하여 기업에 베팅할 수 있도록 허용하는 것도 거의 효과가 없었습니다. 이는 주로 중국 시장의 규칙이 투자자들이 이러한 공매도 포지션을 취하는 것을 매우 어렵게 만들기 때문에, 해당 메커니즘이 악성 행위를 견제하는 기능을 수행할 수 없었기 때문입니다.

연구는 또한 규제의 설계가 처벌의 규모 자체보다 더 중요하다는 점을 발견했습니다. 기업이 진정으로 혁신하고 있는지 아니면 단순히 자랑만 하고 있는지와 상관없이 고정된 임계치를 기준으로 처벌하는 시스템은 오히려 시장에 해를 끼칠 수 있습니다. 이는 실제 세계의 구현 속도가 느려서 발생하는 격차 때문에 처벌받을 것을 우려하게 만들어, 실제 기업들의 투자를 저해할 수 있기 때문입니다. 가장 성공적인 규칙은 진심으로 노력하는 기업과 단순히 거짓말을 하는 기업을 구분할 수 있을 만큼 영리한 규칙들이었습니다.

궁극적으로, 이 연구는 AI 서사와 현실 사이의 단절을 막기 위해 규제 기관이 광범위한 일률적 규칙에서 벗어나야 한다고 제안합니다. 대신, 기업이 과장하는 데 적발될수록 더 엄격해지는 시스템을 채택해야 하며, 말하는 것이 행하는 것보다 많은 기업에 조사를 집중해야 합니다. 연구는 이 두 가지 접근 방식을 결합하는 것이 최선의 길임을 나타냅니다. 이 결과는 미래에 대한 직접적인 관찰이 아니라 컴퓨터 모델에 기반한 것이지만, 서로 다른 규칙이 인공지능 시대의 기업 행동을 어떻게 형성할 수 있는지에 대한 명확한 지도를 제공합니다. 시뮬레이션은 적절한 압박이 없다면 시장이 실질적인 구축가보다는 가장 유창한 이야기꾼들에게 계속 보상을 줄 것임을 보여줍니다.

기술 요약: 규제는 AI 도입의 내러티브-실행 괴리(Narrative–Practice Decoupling)를 억제할 수 있는가? A주 시장에 대한 행위자 기반 모델링

1. 문제 제기

본 논문은 기업의 인공지능(AI) 도입에 관한 내러티브와 실제 구현 사이의 점증하는 괴리에 주목한다. 기업들은 자본을 유치하기 위해 연례 보고서 등을 통해 AI 전환을 점점 더 많이 언급하지만("Talking"), 이러한 내러티브의 강도가 채용, 특허, 또는 운영 통합과 같은 실질적인 투자("Doing")로 반드시 이어지는 것은 아니다. 이러한 "내러티브-실행 괴리"는 자본이 실질적인 도입 기업이 아닌, 언변이 뛰어난 기업으로 흘러가게 만드는 공시 문제를 야기한다.

핵심 연구 질문은 공적인 AI 내러티브와 관찰 가능한 활동 사이의 간극이 투자자 행동 및 규제 설계와 어떻게 상호작용하는가이다. 구체적으로, 본 논문은 시장 가격 결정 기제(pricing discipline)만으로 이 간극을 해결할 수 있는지, 아니면 규제 개입이 필요한지, 만약 필요하다면 정보 비대칭과 "AI 거품(hype)"이 특징인 환경에서 어떤 규제 메커즘이 가장 효과적인지를 조사한다.

2. 방법론

본 연구는 3,133개 중국 상장 기업(2021~2024년)의 기업 수준 데이터를 기반으로 보정된 **A주 시장의 행위자 기반 모델(Agent-Based Model, ABM)**을 활용한다. 이 모델은 시장을 단일한 평형 상태가 아닌 상호작용하는 "입자(agents)"들의 체계로 취급하여, 미시적 규칙으로부터 집합적 정규성이 창발되도록 한다.

모델 구성 요소:

행위자(Agents):
- 기업 (3,133개): 연례 보고서의 NLP 분석을 통해 도출된 "Talking" 지표와 AI 관련 채용 및 특허로 대리되는 "Doing" 지표를 바탕으로 매년 내러티브를 업데이트한다. 표준화된 Talking과 Doing 사이의 차이가 "불일치(Dissonance, 내러티브-실행 괴리)"를 구성한다.
- 개인 투자자 (3,000명): 내러티브 신호와 가격 노이즈에 따라 거래하며, 30% 손절매 규칙을 따른다.
- 기관 투자자 (100개): "Talking-plus-Doing" 점수에 기반하여 거래하며, 일부 메커니즘은 공매도를 허용한다.
- 규제 기관 (1개): 특정 규제 규칙에 따라 조사, 라벨링 및 밸류에이션 차감을 수행한다.
실험 설계:
- 충격(Shock): 504일간의 시뮬레이션(약 2년) 중 31일째에 공통적인 "AI 거품 충격"을 주입한다. 20%의 기업(초기 상위 내러티브 기업)은 Talking과 Doing 모두에서 진정한 성장을 경험하는 반면, 80%는 Talking만 급증하는 "거품 편승(hype-riding)" 현상을 겪는다.
- 규제 메커니즘: 9가지의 뚜렷한 메커니즘을 규제가 없는 기저 상황(no-regulation baseline)과 비교 테스트한다. 여기에는 징벌적 방식(포괄적 임계값, 표적 집행, 상습 위반자 단계적 강화), 라벨링(준수-또는-설명, 내부 고발, 햇빛 공시), 그리고 게임 이론적 접근(무작위 감사, 공매도)이 포함된다.
- 파라미터: 각 메커니즘은 네 가지 규제 강도 수준( $\lambda \in \{0, 0.3, 0.5, 0.7\}$ )에서 테스트되며, $\lambda=1.0$ 에서 절제 연구(ablation study)가 수행된다.
- 시뮬레이션 규모: 200회의 앙상블 시뮬레이션(10개 설정 $\times$ 4개 강도 $\times$ 5개 앙상블)을 통해 총 약 6억 3천만 건의 행위자 의사결정을 수행한다.
지표: 주요 결과물은 불일치(Dissonance)에 대한 토빈의 Q(Tobin's Q)의 OLS 회귀를 통해 추정된 가격 결정 계수 $\beta_D$ 이다. $\beta_D$ 가 더 음수(-)에 가까울수록 시장이 괴리에 대해 더 강력하게 처벌함을 의미한다.

3. 주요 기여

본 논문은 금융 규제 및 AI 도입 문헌에 다음과 같은 네 가지 구체적인 기여를 한다:

통합 비교 프레임워크: 가격 결정 계수 $\beta_D$ 를 반응 변수로, 규제 강도 $\lambda$ 를 제어 파라미터로 취급하여 규제 메커니즘을 비교하는 방법을 확립하였다. 이는 내생성 문제로 인해 전통적인 계량 경제학 방법(예: 이중차분법)으로는 쉽게 제공할 수 없는 반사실적 분석(counterfactual analysis)을 가능하게 한다.
시장 역동성의 행위자 기반 시뮬레이션: 실제 A주 데이터에 기반하여 기업, 개인 투자자, 기관 투자자 및 규제 기관을 통합한 동적 시장 모델을 구축하고, 동일한 정보 충격 하에서 메커니즘의 순위를 매겼다.
구조적 분석 vs 규모 분석: 구성 요소 절제 연구(component ablation)와 파레토 최적화를 통해, 메커니즘의 효과를 결정하는 것은 벌금의 절대적 크기보다 구조적 설계(예: 시계열적 단계적 강화)임을 입증하였다. 또한, 결합된 메커니즘의 수가 억제력과 비단조적(non-monotonic) 관계에 있음을 밝혔다.
정책 프레임워크: 시뮬레이션 결과를 바탕으로 4단계 등급 공시 프레임워크와 구현을 위한 RegTech 경로를 제안한다.

4. 주요 결과

시뮬레이션은 규제 메커니즘의 효능에 관한 네 가지 주요 결과를 도출하였다:

약한 시장 규율: 규제가 없는 경우( $\lambda=0$ ), 시장 자체의 가격 결정 규율은 약하며 $\beta_D \approx -0.37$ 을 기록했다. 이는 투자자들이 스스로 내러티브와 실제 실행을 충분히 구분하지 못함을 나타낸다.
메커니즘의 뚜렷한 계층화:
- 가장 효과적인 것: 상습 위반자 단계적 강화(메커니즘 F)와 표적 집행(메커니즘 B)이 가장 강력하다. $\lambda=0.7$ 에서 메커니즘 F는 $\beta_D \approx -2.07$ 을, 메커니즘 B는 $\beta_D \approx -1.80$ 을 달성했다.
- 중간 정도의 효과: 표적 투명성(Targeted transparency)과 절대적 포괄 임계값(Absolute blanket thresholds)은 중간 정도의 효과를 보였다.
- 효과가 없는 것: 공매도(메커니즘 G)와 라벨 중심의 햇빛 공시(메커니즘 H)는 규제가 없는 기저 상황( $\beta_D \approx -0.37$ )과 정확히 일치하여, 특정 구현 하에서 추가적인 효과가 전혀 없음을 보여주었다.
효율성의 구조적 동인:
- 단계적 강화(Escalation): 상습 위반자 단계적 강화의 힘은 시계별 벌칙 구조(후속 위반 시 벌칙 두 배 적용)에서 오며, 이는 해당 메커니즘 강도의 약 56%를 기여한다.
- 표적화(Targeting): 표적 집행은 포괄적 임계값보다 우수한 성능을 보이는데, 이는 포괄적 규칙이 실제 도입 기업(음의 불일치)과 과장 광고 기업(양의 불일치) 모두를 처벌하여 실제 도입을 저해하는 "신호 오염"을 만들기 때문이다.
- 비단조성(Non-Monotonicity): 더 많은 메커니즘을 추가한다고 해서 억제력이 선형적으로 증가하지 않는다. 최적의 조합은 적은 수의 메커니즘(구체적으로 2~4개)을 포함한다.
최적의 조합: 파레토 탐색 결과, 상습 위반자 단계적 강화 + 표적 집행의 조합이 반복적으로 핵심 쌍으로 식별되었다(비지배 해의 85.2%에서 등장). 이 조합은 최상의 결과( $\beta_D = -2.125$ )를 나타내며, 이는 규제가 없는 기저 상황 대비 약 5.8배의 개선을 의미한다.

5. 의의 및 주장

본 논문은 자신의 발견을 입증된 정리나 실제 규모에 대한 예측이 아닌, 확률적 시뮬레이션에서 도출된 조건부 정책 함의로 규정한다.

규제 설계: 본 연구는 규제가 단순히 벌금의 규모를 키우는 것이 아니라 구조적 설계(예: 상습 위반자에 대한 단계적 처벌)에 집중해야 한다고 주장한다. 또한, 실제 혁신가들을 처벌하는 것을 피하기 위해 "포괄적" 접근보다는 "표적화된" 접근이 우월함을 시사한다.
RegTech 구현: 저자는 "Doing" 지표(채용/특허)와 "Talking" 지표(텍스트 분석)를 거대언어모델(LLM)을 사용하여 자동화함으로써 실시간 규제 인프라를 구축할 수 있다고 제안한다. 이를 통해 저비용으로 고빈도의 불일치 측정이 가능하다.
단계적 규제: 본 논문은 A주 기업을 위한 4단계 공시 프레임워크(녹색, 황색, 주황색, 적색)를 제안하며, 내러티브-실행 불일치 정도에 따라 개입이 단계적으로 강화되고, 기업이 상태를 회복할 수 있는 "클리어링 엑시트(clearing exit)" 메커니즘을 포함한다.
한계점: 저자는 모델이 특정 행동 가정(예: 개인 투자자의 손절매 규칙, 기관의 공매도 제약)에 의존하며, 결과가 예시적임을 명시적으로 밝힌다. 또한 공매도와 같은 메커니즘의 효과는 인프라가 더 발달한 시장(예: 미국)에서는 다를 수 있으며, "클리어링 엑시트" 메커니즘의 제도적 가치를 검증하기 위해서는 더 긴 시간 지평이 필요하다고 언급한다.

요약하자면, 본 논문은 시장 규율만으로는 AI 내러티브-실행의 괴리를 억제하기에 불충분하지만, 잘 설계된 규제 체제—특히 표적 집행과 상습 위반자에 대한 단계적 강화를 결합한 형태—는 기업의 내러티브와 실질적인 AI 도입 사이의 정렬을 크게 개선할 수 있다는 결론을 내린다.