논문 초록이랑 결론만 번역해서 가져옴. 다 읽기 싫으면 GPT 요약 짤 밑에 있으니 스크롤 내려라


초록


이 논문은 AI의 새로운 발전이 거시경제에 미치는 큰 영향에 대한 주장들을 평가합니다. AI의 효과를 자동화 및 작업 보완성을 통해 분석하는 작업 기반 모델에서 시작합니다. AI의 미시경제적 효과가 작업 수준에서의 비용 절감/생산성 향상에 의해 주도되는 한, 거시경제적 결과는 Hulten의 정리의 변형에 의해 주어진다고 확립합니다.


GDP와 총생산성 향상은 영향을 받는 작업의 비율과 평균 작업 수준의 비용 절감으로 추정할 수 있습니다. AI에 대한 노출 및 작업 수준에서의 생산성 향상에 대한 기존 추정치를 사용하여, 이러한 거시경제적 효과는 무시할 수 없는 수준이지만 겸손하다고 판단됩니다.


이는 10년 동안 총요소생산성(TFP)이 최대 0.71% 증가하는 것을 의미합니다. 논문은 또한 이러한 추정치가 과장될 수 있음을 주장합니다. 초기 증거는 배우기 쉬운 작업에서 비롯된 것이며, 미래의 일부 효과는 배우기 어려운 작업에서 올 것이기 때문입니다. 이러한 작업들은 의사 결정에 영향을 미치는 많은 맥락 의존적 요인들이 존재하며, 성공적인 성과를 학습할 수 있는 객관적 결과 측정치가 없습니다.


결과적으로, 향후 10년 동안의 예상 TFP 증가율은 더욱 겸손하여 0.55% 이하로 예상됩니다. 또한 AI의 임금 및 불평등 효과를 탐구합니다.


이론적으로, AI가 특정 작업에서 저숙련 노동자의 생산성을 향상시키더라도(새로운 작업을 창출하지 않는 한) 불평등을 줄이기보다는 오히려 증가시킬 수 있음을 보여줍니다. 실증적으로, AI 발전이 이전의 자동화 기술만큼 불평등을 증가시키지는 않을 것으로 보이며, 그 영향이 인구 집단 간에 더 고르게 분포되어 있기 때문입니다. 그러나 AI가 노동 소득 불평등을 감소시킬 것이라는 증거도 없습니다. AI는 또한 자본 소득과 노동 소득 간의 격차를 확대할 것으로 예상됩니다.


마지막으로, AI가 생성한 일부 새로운 작업은 부정적인 사회적 가치를 가질 수 있으며(예: 온라인 조작을 위한 알고리즘 설계), 부정적인 사회적 가치를 가질 수 있는 새로운 작업의 거시경제적 효과를 어떻게 통합할 것인지에 대해 논의합니다.






4. 결론 및 토론


2022년 11월 30일 출시된 ChatGPT는 역사상 가장 빠르게 확산된 기술 플랫폼이 되어 단 두 달 만에 약 1억 명의 월간 사용자를 확보했습니다. ChatGPT의 놀라운 기능과 2023년 3월에 출시된 최신 버전 ChatGPT-4의 더 뛰어난 기능은 일반 대중과 경제 논평가들 사이에서 큰 관심을 끌었습니다. 생산성 대폭 향상의 예측은 이제 흔한 일이 되었습니다.



생성형 AI 모델인 ChatGPT가 인상적인 성과를 거두고 유익한 경제 효과를 가져올 잠재력을 가지고 있다는 데는 의심의 여지가 없지만, 그 거시 경제적 영향의 범위는 여전히 불명입니다.



AI 기술이 중기적으로 가질 수 있는 네 가지 잠재적 거시적 영향 유형은 다음과 같습니다:


AI 기술은 경제의 모든 측면을 빠르게 혁신하고, 생산성에 엄청난 개선을 가져와 "특이점"에 가까운 상태로 만들 수 있습니다. 이러한 가능성을 완전히 배제할 수는 없지만, 현재까지는 그러한 혁신적 효과에 대한 증거가 없으며, 본 논문에서는 이를 다루지 않습니다.



AI 기술은 여러 작업에서 생산성을 향상시키고 비용을 절감함으로써 거시경제에 더 겸손하지만 여전히 주목할 만한 영향을 미칠 수 있습니다. 일부 예측에서는 이러한 유형의 개선에 초점을 맞추었으며, 향후 10년 동안 연간 경제 성장률이 1.5~3.4% 포인트 증가할 것이라는 비교적 큰 숫자를 제시했습니다.



AI 기술은 자동화 효과로 인해 임금과 불평등에 영향을 미칠 수 있으며, 반대로 저임금 노동자를 위한 임금 인상을 초래할 수도 있습니다. 이는 The Economist(2023)에서 예측한 바와 같습니다.



AI 기술은 딥페이크, 잘못된 정보, 조작 등과 같은 부정적인 영향을 통해 거시 경제에 영향을 미칠 수 있습니다.


본 논문에서는 Acemoglu와 Restrepo(2018, 2019b, 2022)의 작업 기반 프레임워크를 사용하여 두 번째와 세 번째 영향을 평가하고, 네 번째 영향을 작업 기반 거시 경제 프레임워크에서 어떻게 전개될 수 있는지 형식화하려고 합니다.


저는 생성형 AI 도구의 사용으로 인한 생산성 향상과 시간 절감을 추정한 기존 실험 연구를 기반으로 접근합니다. 이러한 연구를 기반으로 생성형 AI가 비용 절감과 생산성 향상을 가져올 것이라는 아이디어를 명시적으로 수용합니다.


그럼에도 불구하고, Eloundou et al.(2023)과 Svanberg et al.(2024)의 노출 작업 추정치를 이러한 숫자와 결합하면 대부분의 논평가와 경제학자들이 지금까지 주장한 것보다 훨씬 더 겸손한 생산성 효과가 나타납니다.


비용 절감에 대한 증거가 있는 많은 작업이 AI에게 상대적으로 쉬운 작업이라는 점을 감안할 때, 이러한 숫자는 더욱 줄어듭니다. 다른 여러 작업에서는 행동과 맥락 사이의 복잡한 상호작용이 필요하고 성공을 관찰할 수 있는 명확한 기준이 부족하여 AI 모델이 이전에 동일한 작업을 수행한 인간의 평균 행동에서 학습해야 하기 때문입니다.


이러한 고려 사항을 감안할 때, 저는 향후 10년 동안 AI 발전으로 인한 총요소생산성(TFP) 효과가 겸손할 것이라고 추정합니다. 상한선으로 보면 10년 내에 총 0.71% 증가, 연간 TFP 성장률에서는 약 0.07% 증가할 것으로 예상합니다. 어려운 작업이 AI에 노출될 경우 이 상한선은 약 0.55%로 떨어집니다. 자동화와 작업 보완성으로 인해 투자 증가도 예상되므로 GDP 효과는 이보다 더 클 것입니다. 그러나 AI로 인한 투자 증가가 겸손할 경우 향후 10년 동안 총 0.91.1%의 GDP 증가를 예상하며, 큰 투자 붐이 있을 경우 총 1.61.8% 범위 내의 증가를 예상합니다.


AI가 새로운 작업과 제품을 생성하는 데 사용된다면, 이는 GDP를 추가로 증가시키고 생산성 성장을 촉진할 수 있습니다.


그러나 AI가 생성한 새로운 작업이 조작적일 가능성을 포함하면 복지에 미치는 영향은 더 작아질 수 있습니다. Bursztyn et al.(2023)에서 추정한 AI 기반 소셜 미디어의 부정적 영향을 바탕으로, 소셜 미디어, 디지털 광고, IT 방어-공격 비용에 대한 예시적 계산을 제공합니다. 이는 GDP를 최대 2%까지 증가시킬 수 있지만, Bursztyn et al.(2023)의 숫자를 적용하면 복지에 미치는 영향은 -0.72%일 수 있습니다. 이는 AI가 생성한 새로운 작업과 제품이 복지에 미칠 잠재적 부정적 영향을 고려하는 것이 중요함을 시사합니다.


마지막으로, Acemoglu와 Restrepo(2022)의 사전 AI 자동화 기술의 경제 전반적인 생산성, 임금 및 불평등 효과에 대한 추정치를 많이 참조하여 새로운 AI 발전의 영향을 평가합니다. AI에 노출된 작업이 사전 AI 자동화에 노출된 작업보다 인구 내에서 더 고르게 분포되어 있기 때문에, 저는 어떤 교육 그룹에도 상당한 부정적 임금 효과를 발견하지 못했습니다. 그러나 추정치는 불평등의 유의미한 감소를 가리키지 않으며, 실제로 저학력 여성의 실질 임금이 감소할 수 있고, 전체 집단 간 불평등이 약간 증가할 수 있으며, 자본과 노동 소득 간 격차는 더 벌어질 가능성이 있습니다.


이러한 결과는 AI의 주요 이점이 없다는 주장을 의미하는 것이 아닙니다.


첫째, 향후 10년 동안 TFP가 약 0.55~0.71% 증가하는 것은 겸손하지만 결코 사소한 것이 아닙니다.


둘째, 그리고 더 중요하게, AI가 훨씬 더 주목할 만한 이점을 창출할 수 있는 다른 방법이 있을 수 있습니다. 저는 이전 작업(Acemoglu, 2021, Acemoglu 및 Restrepo, 2020b)에서 AI가 노동자를 위한 새로운 작업을 생성하는 데 사용된다면, 더 유익한 생산성, 임금 및 불평등 결과를 가져올 수 있으며, 심지어 임금을 증가시킬 수도 있다고 제안했습니다. 이는 Acemoglu et al.(2023)에서 주장한 바와 같이, 생성형 AI가 노동자에게 더 나은 정보를 제공하고 전문성을 향상시킬 수 있기 때문에 두 배로 적용될 수 있습니다.


오늘날 많은 생산 노동자, 전기 기사, 수리공, 배관공, 간호사, 교육자, 사무직 노동자, 공장에서 일하는 많은 블루칼라 노동자들이 문제 해결 작업에 종사하고 있습니다. 이러한 작업은 실시간, 맥락 의존적이며 신뢰할 수 있는 정보를 요구합니다.


예를 들어, 고급 장비의 오작동이나 전력망의 단락을 처리하는 전기 기사는 충분한 전문 지식과 문제 해결을 위한 적절한 정보가 없어 이러한 문제를 해결하는 데 어려움을 겪을 것입니다. 생성형 AI 도구가 신뢰할 수 있는 정보를 신속하게 제공하면 생산성에 큰 향상을 가져올 수 있습니다.


마찬가지로, 생성형 AI를 교실에 도입하면 교육이 이루어지는 방식을 크게 재편할 수 있으며, 교사가 특정 학생 그룹이 커리큘럼의 특정 측면에서 문제를 겪고 있는지 식별하고 새로운 맥락 의존적 교수 전략을 제안하는 데 도움을 줄 수 있습니다. 여기서도 신뢰성(및 데이터 프라이버시와 보호)이 이러한 새로운 작업을 성공적으로 생성하고 교육의 질을 향상시키는 데 중요한 요소입니다.


새로운 작업으로 인한 생산성 향상은 제 추정치에 포함되지 않았습니다.


이는 세 가지 이유 때문입니다


첫째, 그리고 가장 편협한 이유로, 이것은 측정하기 훨씬 더 어렵고 Eloundou et al.(2023) 및 Svanberg et al.(2024)에서 고려된 노출 유형에 포함되지 않았습니다.


둘째, 그리고 더 중요하게도, 저는 이것이 산업이 현재 집중하고 있는 분야가 아니므로 이를 거시 경제적 영향에 포함하지 않는 것이 옳다고 생각합니다. 이는 Acemoglu(2021), Acemoglu 및 Restrepo(2020b), Acemoglu 및 Johnson(2023)에서도 주장한 바와 같습니다. 오히려 기술 산업의 우선 순위는 자동화 및 검색이나 소셜 미디어 디지털 광고를 통한 온라인 수익화와 같은 분야에 있는 것으로 보입니다.


셋째, 그리고 관련하여, 더 유익한 결과를 얻으려면 새로운 기관, 정책 및 규제가 필요할 수 있습니다(Acemoglu 및 Johnson, 2023, Acemoglu et al., 2023 참조).


제 평가는 생성형 AI가 많은 이점을 가져올 수 있는 유망한 기술이라는 것입니다. 하지만 이러한 이점은 산업의 근본적인 재조정, 즉 다양한 종류의 노동자의 한계 생산성을 높일 수 있는 신뢰할 수 있는 정보를 제공하는 데 중점을 두는 대신 일반적인 인간과 같은 대화 도구 개발을 우선시하는 현재의 생성형 AI 모델(예: LLM)의 구조적 변화를 포함한 주요 변화가 없다면 달성하기 어려울 것입니다.


이러한 주요 구조적 변화는 새로운 작업의 혜택이 노동자에게 신뢰할 수 있는 정보를 제공하는 데 크게 의존하기 때문에 특히 필요할 수 있으며, 현재의 생성형 AI 접근 방식의 매우 범용적인 특성은 이 목적에 부적합할 수 있습니다.


요컨대, 교육자, 의료 전문가, 전기 기사, 배관공 및 기타 공예 노동자에게 유용한 신뢰할 수 있는 정보를 원한다면 인간과 같은 대화를 나누고 셰익스피어 같은 소네트를 작성할 수 있는 기초 모델(또는 현재의 LLM)이 필요한지는 여전히 열린 질문으로 남아 있습니다.




GPT발 요약










체리피킹해서 선동하는 건 쉽지만 그걸 반박하려면 무수한 노가다가 필요한게 사실이구나

애초에 논문 저자는 'AI는 세상 못 바꾼다' 같은 자극적인 워딩 1도 안썼고 본인도 논문에서 여러 가능성은 인정하는데 선동 의도가 너무 다분함 ㅇㅇ