생성형 AI는 지식 노동의 격차를 줄일까, 오히려 벌릴까? 경제학 연구자들이 밝혀낸 5가지 반전의 진실

1. AI 시대, 지식 생산성의 대평등이 시작되었는가?

"생성형 AI가 내 업무 시간을 실제로 줄여주고 있는가?"

연구원, 개발자, 데이터 분석가, 기획자에 이르기까지 현대의 지식 노동자라면 누구나 한 번쯤 스스로에게 던져보았을 질문입니다. ChatGPT와 같은 생성형 AI의 등장 이후, 시장에서는 두 가지 상반된 전망이 팽팽하게 대립해 왔습니다. 한쪽에서는 "AI가 숙련도가 낮거나 자원이 부족한 사람들의 생산성을 끌어올려 지식 노동의 불평등을 해소할 것"이라는 낙관론을 펼치고, 다른 한쪽에서는 "통찰력과 경험을 갖춘 일부 최상위 인재가 AI를 날개 삼아 격차를 극단적으로 벌릴 것"이라는 우려를 제기합니다.

과연 진실은 어느 쪽에 가까울까요?

최근 발표된 전미경제연구소(NBER) 연구 논문(Equalizing or Polarizing? Generative AI and Research Productivity in Economics, Jiang & Wang, 2026)은 이 질문에 대해 매우 정교하고 실증적인 답을 제시합니다. 연구진은 8,203명의 NBER 경제학자 데이터(2019~2025년)와 227명의 학술 경제학자를 대상으로 진행한 고유 설문조사 결과, 그리고 자연어 처리(NLP) 기반 문헌 분석을 종합하여, AI가 지식 생산성에 미치는 영향 뒤에 숨겨진 5가지 반전의 진실을 발굴해냈습니다.

지식 노동의 미래와 AI가 가져올 격차의 향방을 밝혀낸 핵심 연구 결과를 하나씩 짚어봅니다.

2. AI는 연구 보조원(RA)이 없는 '홀로서기' 연구자에게 가장 큰 구원자다

[핵심 인사이트 1] 실행(Execution) 장벽의 붕괴: RA 없는 연구자들의 반격

지식 생산 업무, 특히 학술 연구는 크게 두 가지 역량으로 나뉩니다.

실행 능력(Execution Capacity, E): 코딩, 데이터 정리 및 가공, 문단 작성, 실증 분석 등 단순·반복적이거나 구체적인 작업 수행 능력.

개념적 능력(Conceptual Capacity, C): 본질적인 연구 주제 선정, 모형 설계(Modeling), 실증 전략 수립, 결과에 대한 비판적 평가 및 직관적 판단력.

ChatGPT 출시(2022년 11월) 이전까지 인적·물적 자원이 풍부한 선도적 연구자들은 연구 보조원(RA)을 고용하여 '실행 업무'를 대거 위임함으로써 높은 생산성을 유지해 왔습니다. 반면, RA를 둘 자금이 없거나 소규모 팀으로 일하는 연구자들은 실행 단계에서 심각한 병목 현상을 겪었습니다.

"AI는 연구 보조원이 수행하던 단순 작업과 코딩을 대체함으로써, 조력자가 없던 연구자들의 execution 장벽을 낮추고 불평등을 줄이는 역할을 한다."

실제 정밀 회귀분석(Triple-Difference) 데이터는 이러한 실행 장벽이 AI 도입 이후 크게 무너졌음을 증명합니다. 연구진의 추정에 따르면, AI 노출도(Exposure)가 100%p 증가할 때 RA가 없던 연구자들의 연간 워킹페이퍼(Working Paper, 출판 전 논문) 발간량은 +1.183~+1.436편 대폭 증가한 반면, RA가 충분했던 연구자들의 생산성 증가폭은 -0.012~+0.045편으로 통계적으로 0에 가까웠습니다. RA가 1명 늘어날 때마다 AI로 인한 생산성 증가 효과는 연간 약 -0.496편씩 감소했습니다.

그러나 여기에 흥미로운 미세 구조(Nuance)가 존재합니다. RA가 없는 연구자나 소규모 팀은 워킹페이퍼 다작 및 출판 속도 향상 측면에서 큰 이점을 얻었지만, 경제학 분야 최상위 학술지(Top 5 및 Top Field 저널) 게재 비중에서는 여전히 대규모 팀에 비해 열세를 보였습니다. AI가 실행의 속도와 수량 격차는 획기적으로 줄여주었지만, 최상위 저널이 요구하는 최고 수준의 연구 품질 격차까지 완벽히 매꿔주지는 못했음을 시사합니다.

3. 주니어는 AI를 더 많이 쓰지만, 정작 생산성 폭발은 시니어에게 일어난다

[핵심 인사이트 2] 역설의 수혜: 주니어의 높은 사용률 vs 시니어의 높은 생산성

AI 툴의 수용 속도만 보면 신진 연구자(주니어)가 단연 앞서갑니다. 설문조사 결과에 따르면, 주니어 연구자들은 시니어 연구자들에 비해 자율형(Agentic) 코딩 툴을 사용할 확률이 19.0%포인트 더 높았으며, 전체 워크플로우에서 AI를 적용하는 비중도 11.2%포인트 더 높았습니다.

그러나 실제 연구 성과(워킹페이퍼 출력량)로 연결되는 지점에서는 완벽한 반전이 일어납니다. AI 노출도가 100%p 증가할 때 시니어 연구자의 연간 워킹페이퍼 발간량은 +1.025~+1.092편 증가한 반면, 주니어 연구자의 생산성 변화는 -0.033~-0.053편으로 거의 변화가 없거나 미세한 음수를 기록했습니다.

왜 이러한 역설이 발생할까요? 경제학적 연구 모형은 이를 두 가지 메커니즘으로 설명합니다.

개념적 능력의 체증적 수익과 '운영 규모' 효과: 경제학자 셔윈 로젠(Sherwin Rosen, 1981)의 '운영 규모(Scale of Operations)' 이론에 따르면, AI는 수많은 가설, 코드, 연구 프레임워크 초안을 폭발적으로 생성해 냅니다. 이때 AI가 쏟아내는 수많은 후보안 중 '무엇이 뛰어난 아이디어이고 무엇이 환각(Hallucinations)이나 오류인지' 가려내는 비판적 판단력은 오랜 경험을 쌓은 시니어 연구자에게 압도적으로 높습니다. AI가 검토 비용을 낮춰줌에 따라 시니어의 우수한 판단력이 더 많은 프로젝트에 동시에 적용(Amortized)되면서 개념적 역량의 마진이 가파른 수직 상승을 이루는 것입니다.

과업 간 상호보완성: 실행 능력과 개념적 능력은 독립적이지 않고 서로를 강화합니다. AI가 제공하는 빠르고 유연한 실행 능력은 애초에 더 날카롭고 본질적인 질문(C)을 던질 줄 아는 시니어 연구자의 손에 쥐어졌을 때 비로소 폭발적인 시너지를 발휘합니다.

4. AI는 '아이디어 착상'보다 '코딩과 데이터 작업'의 속도를 극대화한다

[핵심 인사이트 3] AI의 현재 주소: 연구 디자인 15% vs 코딩·데이터 48%

경제학자들이 실제 연구 과정에서 AI를 활용하는 영역은 매우 극명하게 엇갈립니다. 연구 과업별 AI 활용 비중을 대조해 보면 다음과 같습니다.

실행 영역 (Execution Tasks)

데이터 처리 및 코딩 업무: 48% 사용 (사전 연구 시간의 30%를 차지하던 가장 중대한 병목)

문헌 조사 (Literature search): 35% 사용

원고 작성 및 초안 작성 (Drafting): 33% 사용

개념 영역 (Conceptual Tasks)

모형 구축 및 이론 작업 (Modelling & Theory): 20% 사용

연구 디자인 (Research Design): 15% 사용

설문 응답자의 84%는 AI가 "개념적 작업보다 실행 작업에 훨씬 더 유용하다"고 입을 모았습니다. 아울러 AI가 가져다주는 이익의 본질 역시 모든 과업에서 '품질 향상'보다는 '작업 속도의 단축'에 집중되어 있었습니다. 현재 단계의 생성형 AI는 새로운 이론이나 독창적인 질문을 제시하는 '아이디어 창출자'라기보다는, 복잡한 데이터 정리와 코딩을 순식간에 처리해 주는 '고성능 실행 엔진'으로 작동하고 있습니다.

5. 논문 수가 늘어나지 않았다고? AI의 진짜 성과는 '품질과 야망'에 숨어있다

[핵심 인사이트 4] 양(Quantity)인가 질(Quality)인가: 수치 뒤에 숨겨진 연구의 스케일 확장

AI 도입 이후 단순히 관찰되는 연구자 1인당 워킹페이퍼의 절대적인 '발간 수량' 자체는 대폭 증가하지 않은 것처럼 보입니다. 왜 단순 통계에서는 AI의 생산성 효과가 묻혀버릴까요?

첫째, 경력 단계(PhD 연차)의 착시 효과 때문입니다. 신진 연구자들은 커리어 초기 인센티브로 인해 자연스럽게 논문 발간량이 급격히 늘어나는 우상향 트래픽을 그립니다. 동시에 주니어들이 AI를 더 집중적으로 사용하기 때문에, 박사 학위 취득 연차 등 경력적 특성을 통제하지 않으면 AI 사용과 논문 생산성 간에 왜곡된 상관관계가 발생합니다. 회귀모형에 PhD 연차 통제 변수를 적용하면 단순 수량 증가 효과는 상당 부분 사라집니다.

둘째, 연구자들이 AI로 아낀 시간을 단순히 '단편적인 논문 수 늘리기'에 쓰지 않고 연구의 스케일 확장(Ambition)과 질적 재투자에 쓰고 있기 때문입니다.

품질 도약: AI 사용자의 50%는 동일한 시간 동안 '더 높은 품질의 프로젝트'를 완성했다고 응답했습니다.

대규모 데이터 및 복잡한 실증 분석: 응답자의 31%는 AI 도입 후 더 대규모의 데이터 수집·처리가 필요한 연구 주제로 전환했으며, 22%는 더 정교하고 복잡한 실증 분석 기법을 채택했습니다.

연구 영역의 확장: 응답자의 19%는 기존에 도전하기 어려웠던 새로운 학문 분야나 방법론으로 연구 범위를 넓혔습니다.

단순히 발표된 논문 개수라는 단편적인 지표로만 AI의 파급력을 평가하는 것은, 지식 노동자들이 달성하고 있는 연구의 질적 도약과 프로젝트 스케일의 확장을 간과하는 오류를 범하게 됩니다.

6. 지금의 '평등화'는 착시일 수 있다 — 미래에는 '대격차'가 온다

[핵심 인사이트 5] 장기적 시나리오: 실행 장벽이 사라진 자리에 남는 '통찰력의 양극화'

그렇다면 AI는 최종적으로 지식 노동을 평등하게 만들까요, 아니면 양극화시킬까요? 논문의 정교한 수식 모델(Proposition 5)은 단기와 장기를 구분하는 명쾌한 시나리오를 제시합니다.

[단기 효과: 과도기적 수렴 (Convergence)] AI의 실행 보조 -> 코딩·글쓰기 등 실행 비용 급감 -> 연구 보조원(RA) 유무에 따른 자원 격차 해소 -> 생산성 격차 축소

[장기 효과: 구조적 양극화 (Divergence)] 실행 비용의 '0' 수렴 및 AI 개념 능력 진화 -> 인간 고유의 개념적 통찰력이 유일한 병목으로 남음 -> 체증적 수익 및 상호보완성 작동 -> 생산성 대격차(Divergence) 발생

단기 현상 (현재 진행형): 현재의 AI는 주로 실행 작업을 보조합니다. 이에 따라 한계 생산성이 점차 줄어드는 실행 영역의 특성상, 자원이 부족했던 연구자들의 병목이 해소되며 단기적으로 생산성 격차가 줄어드는 '수렴(Convergence)'이 지배합니다.

장기 시나리오 (미래): 기술이 고도화되어 실행 비용이 거의 '0'으로 떨어지고, AI의 개념적 보조 능력이 본격적으로 진화하면 상황은 뒤바뀝니다. 실행에 따른 제약이 사라지면, 지식 생산의 유일한 병목은 인간 고유의 개념적 통찰력과 비판적 판단력으로 귀결됩니다.

결국 실행 장벽이 완벽히 제거된 미래에는, 뛰어난 직관과 개념적 판단력을 지닌 선도적 지식 노동자가 AI의 거대한 실행력을 레버리지 삼아 무한한 생산성 격차를 벌리는 '양극화(Divergence)'의 시대로 전환될 가능성이 매우 높습니다. 지금 눈앞에 보이는 평등화는 실행 장벽이 무너지는 과정에서 나타나는 '과도기적 평등'일 수 있습니다.

7. AI 시대, 지식 노동자에게 남아있는 진정한 질문

이번 연구 결과는 개발자, 데이터 분석가, 전략 기획자, 연구원 등 현대의 모든 지식 노동자들에게 매우 명확한 커리어 이정표를 제시합니다.

오늘날 생성형 AI가 제공하는 가장 큰 가치는 '실행의 민주화'에 있습니다. 거대한 팀이나 자본이 없던 개인도 AI라는 강력한 고성능 실행 엔진을 얻어 자신만의 아이디어를 빠르게 구현할 수 있게 되었습니다.

그러나 실행 비용이 '0'을 향해 수렴할수록, 시장에서 개인이 가질 수 있는 독점적 경쟁력(Moat)은 코드나 문서를 빠르게 만들어내는 '실행력'에서 어떤 문제를 정의하고, AI의 출력물 중 무엇이 진짜 가치 있는지를 가려내는 '전략적 질문과 비판적 판단력'으로 완전히 이동합니다.

AI가 당신의 루틴한 코딩, 데이터 가공, 초안 작성을 모두 대신해 주는 날, 당신에게 남아있는 '진짜 통찰력'과 세상에 던질 '핵심 질문'은 무엇입니까?

Source: Tianyu Jiang and Yuqing (Claire) Wang, Equalizing or Polarizing? Generative AI and Research Productivity in Economics, Job Market Paper, Univ of Michigan, October 13, 202