AI 경제학: 경제 시스템의 판도 변화

AI 경제학: 경제 시스템의 판도 변화

어제이 애그러월 외 지음

에코리브르 / 2024년 6월 / 384쪽 / 22,000원





무르익는 시간



세 가지 유형의 기업가 비유

믿기 힘들겠지만, 토머스 에디슨이 전구를 발명하고 20년이 더 지난 20세기에 접어들어서도 전기는 거의 쓰이지 않았다. 참고로 1879년 에디슨이 전구의 작동을 시연하면서 유명세를 탔고, 바로 몇 년 후 맨해튼의 펄 스트리트에 발전소를 가동하면서 그 거리를 가로등으로 밝혔다. 그런데 이로부터 20년이 지나서도 미국 가정의 3퍼센트만이 전기를 사용했다. 그리고 공장에서의 전기 사용은 그에도 미치지 못했다. 그러나 다시 20년이 지나자 그 수치는 급격히 증가해 인구의 절반이 전기를 사용하기에 이르렀다. 등장하고 나서 이 40년 동안 전기는 무르익는 시간을 보낸 것이다.

수많은 사람이 전기에 열광했지만, 그 진가는 바로 드러나지 않았다. 우리는 오늘날 근본적으로 새로운 기술이 등장할 때 이 점을 잊곤 한다. 인공지능이 등장했지만 앞으로 해야 할 일이 더 많다. 현재 인공지능은 무르익는 시간을 보내는 중이다. 이 기술이 가능성을 선보인 때로부터 광범위하게 활용되면서 그 가능성을 실현하기까지의 시간 말이다. 인공지능의 앞날은 확정되어 있지 않다. 그러나 우리는 전기의 사례에서 특유의 패턴을 보았다. 따라서 인공지능의 상용화를 가로막는 장애물을 파악하기 위해서는 1880년대 즈음의 기업가들이 무엇을 생각했는지 상상하는 것이 필요하다.

도입 단계 솔루션 기업가: 19세기 후반에 증기는 경제의 동력이었다. 그래서 전기를 팔고자 하는 기업가라면 잠재 고객이 증기의 실상을 면밀히 파악하고 그 약점을 알아채도록 부추겨야 했다. 증기는 열효율이 낮았는데, 이 점이 가장 중요했다. 증기력을 작업대까지 전달하기 위해 회전축과 벨트를 이용했는데, 발생한 에너지의 30퍼센트에서 85퍼센트까지 응결, 밸브 누수, 마찰력 때문에 사라졌다.

전기를 당장 이용하려면 증기 기관을 대신해 회전축 말단에 연결할 새로운 기관이 필요했는데, 한때 에디슨 밑에서 일했던 프랭크 스프레이그는 그 점을 이해하고 1886년에 초기 형태의 전기 모터를 개발했다. 조명에만 몰두한 에디슨과 달리 스프레이그는 전기의 주간(晝間) 요금이 저렴해지면 전기 모터의 사용으로 이익을 누릴 수 있음을 깨달았던 것이다. 스프레이그는 이런 직관에 힘입어 빌딩의 엘리베이터와 전차에 전기를 이용하도록 만들었고, 나아가 공장에 전기 모터를 도입하는 이들도 있었다.

필자들은 이런 시도를 ‘도입 단계 솔루션’이라고 부른다. 이 발명가들이 공장에 전기로 증기를 대체했기 때문이다. 도입 단계 솔루션 기업가들이 내세운 전기의 장점에는 비용 절감과 특정 유형의 공장에만 특화된 몇 가지 혜택이 있었다. 전기의 플러그 앤드 플레이 방식은 눈에 띄는 부분이었음에도 전기를 도입하려는 사람은 많지 않았다. 동력원을 바꾸더라도 에너지 비용의 절약에는 한계가 있었기 때문인데, 도입 단계 솔루션에서 간과한 것은 동력을 더 사용하더라도 합리적일 수 있다는 점이었다.

응용 단계 솔루션 기업가: 증기 기관은 일단 켜면 작동을 멈추기까지 시간이 걸렸지만 전기 모터는 끄고 난 후 바로 켤 수 있었다. 따라서 전기 모터 방식이 더 간편하고 유지에 드는 수고도 더 적었고, 공장에서 소모되는 동력의 양이 실제 사용하는 것만큼 변동한다는 걸 의미했다. 경제사가인 네이션 로젠버그가 관찰한 대로, 이러한 점이 동력 분할의 시대에 접어든 요인이었다. 비로소 적은 비용으로 매우 작은 장치에 동력을 제공하는 게 가능해졌고, 이전과 같이 잠깐 쓰기 위해 과도한 동력을 발생시켜야 할 필요도 없어졌다.

여기서 전기의 가치에 대한 사업적 통찰은 동력의 절약, 더 정확히 말하면 필요한 만큼만 동력을 쓸 수 있다는 것이었다. 이런 통찰은 기계 장치의 유형마다 동력원을 별도로 두는 등 공장 디자인이 부분적으로 변화하는 데 영향을 미쳤으며, 일부 엔지니어는 기계마다 적합한 전기 모터를 고안하기 시작했다. 획기적인 것은 기계 장치 한 대에 별도로 전력을 공급하는 방식이었다. 우리는 이를 ‘응용 단계 솔루션’이라고 부른다. 이 방식은 동력원의 교체뿐만 아니라 기계 장치 자체(즉, 응용 장치)를 교체하는 것이었다. 더 나아가 일부 장치는 이동하기 쉽게 제작되었다.

그런데 이런 상황은 충분히 예상한 것이지만 현실적으로는 드릴, 절삭 공구, 프레스 등 공장 기계 하나하나를 완전히 새롭게 개선해야 했다. 개별 장치마다 전기 모터를 잘 활용하려면 말이다. 더욱이 전기 모터 자체에는 정해진 규격이 없어 특정 기계 또는 필요에 따라 맞춤형으로 제작해야 했다. 즉 응용 단계 솔루션을 도입할 계기가 곳곳에서 보였지만, 그러려면 기계 장치를 개선해야 했던 것이다. 더 나아가 공장 내 기계 장치 하나를 전용 모터에 연결하도록 디자인할 경우 나머지 기계에 동력을 제공하는 기관의 가치는 그만큼 낮아진다. 따라서 적절한 균형을 이루려면 많은 장치를 다시 디자인하는 수밖에 없었다. 그렇게 하면 시간이 지남에 따라 새로운 시스템이 탄생할지도 모를 일이었다.

시스템 단계 솔루션 기업가: 산업혁명 시기 내내 공장 디자인의 목적은 증기력을 최대한 이용할 수 있게끔 하는 것이었다. 그러나 새로운 장치를 도입하면서 일부 기업가들이 공장에 대한 기존의 생각을 바꾸었다. 이를테면 중심 회전축이 없는 공장 또는 심지어 함께 작동해야 하는 여러 기계에 동력을 전달하는 회전축이 없는 공장으로 말이다. 만약 여러분이 전기에 대해 잘 안다고 가정하고 이제 공장을 새롭게 디자인한다면 어떤 모습을 띨까? 기존의 공장은 각종 기계 장치를 동력원 가까이에 놓이도록 만들어야 했다. 하지만 전기를 쓰면 기계를 비좁은 공간에 몽땅 밀어 넣을 필요가 없다. 점차 많은 기업 경영자들이 시스템 단계 솔루션을 받아들일 때에 전기의 진가가 드러난다는 것을 깨달았다. 구체적으로 말하면, 전기의 이점을 빠짐없이 활용하는 시스템에서 말이다.

공장 내부 공간을 경제학적으로 생각해보자. 증기와 중심 회전축이 존재하는 한, 회전축 가까이에 있는 공간은 나머지 공간보다 가치가 더 클 수밖에 없다. 따라서 작업은 회전축 가까이에서 이뤄졌고, 그 작업이 끝나면 제품을 다음 과정을 위해 어딘가에 쌓아두거나 옮겨야 했다. 하지만 전기가 유연성을 제공함으로써 공간의 경제적 가치가 평준화되었다. 다시 말해 미완성 제품을 이리저리 옮기지 않고 순차적인 공정 단계를 거치는 생산 방식이 좋은 평가를 얻었다. 이러한 시스템 변화는 공업 지대의 풍경을 바꾸었고, 그제야 마침내 전기의 사용이 생산성 통계에서 중요 항목으로 등장했다.

판도를 바꾸는 인공지능과 지배력: 전기는 이른바 ‘판도’를 바꾸는 데 수십 년이 걸렸다. 첫 20년 동안 전기는 도입 단계 솔루션을 받아들인 일부 공장과 장치에서 쓰였고, 그 외에는 조명으로만 사용되었다. 그런데 새로운 시스템이 발전하면서 경제마저 변화했다. 그 변화는 대단히 강력했을 뿐만 아니라 발전(發電)과 배전망을 통제하는 사람, 전기를 대규모로 사용해 대량 생산에 나선 사람에게 경제적 지배력을 안겨주었다. 이런 변화를 겪으면서도 아마 벨트와 도르래에 의지하는 공장제 수공업이나 공장용 부동산의 소유자로 남고 싶어 하는 사람은 없을 것이다. 인공지능의 경우에도 과정은 똑같다. 희소한 자원과 자산에 대한 통제력이 지금까지와는 다른 사람들에게 옮겨가는 경제적 지배력의 실제 이동은 경쟁 압력에서 조직을 보호할 능력을 동반한다.

아무튼 인공지능의 등장으로 지배력이 이동할 만한 계기가 명백히 보였다. 하지만 판도를 바꾸는 계기, 즉 산업을 탈바꿈시키고 산업 내 지배력을 획득할 수 있는 계기는 새로운 시스템에서 나온다. 그런데 이 새로운 시스템은 발전이 더딜 뿐 아니라 그 복잡성 때문에 남들이 따라 하기도 쉽지 않다. 바로 이런 이유로 시스템의 혁신을 이룰 수 있는 사람이 기회를 얻는 것이다. 그러나 불확실성은 여전히 크다. 왜냐하면 인공지능의 경우 이 신기술에서 지배력을 획득할 사람이 누구일지는 아무도 모르기 때문이다. 아마 이는 새로운 시스템이 갖출 미래의 모습에 달려 있을 것이다. 여기서 필자들의 과제는 인공지능 시스템이 발전하고 수용되면서, 누가 지배력을 얻고 누가 지배력을 잃는지 알 수 있도록 길을 밝히는 것이다.

인공지능의 시스템적 수용의 미래

단계의 구분: 무르익는 시간 동안 드러나는 특징 중 하나는 도입 단계 솔루션이 거둔 성공과 그에 대한 열광이다. 그러나 얼핏 인공지능은 여전히 기술 시장의 일부를 겨냥한 상품처럼 보인다. 이미 응용 단계 솔루션에서도 어느 정도 발전과 실험이 이루어졌지만, 이 솔루션의 쓰임새는 제한적이다. 현재 이런 응용 단계 솔루션은 전화기나 자동차 안전 기능 같은 기성 상품의 기능을 향상시키고 있다.

미국 인구조사국은 약 30만 개 기업을 대상으로 인공지능 사용 현황을 조사했다. 여기서 인공지능을 채택한 대기업은 압도적으로 기존 프로세스의 자동화 및 개선이 그 사용 목적임을 강조했다. 즉, 이들이 도입한 인공지능은 도입 단계 솔루션과 응용 단계 솔루션이며, 따라서 시스템의 변화를 동반하지 않았다. 따라서 도입한 인공지능이 이런 기업의 생산성에 미친 영향은 평범했다. 그런데 기존의 워크플로를 검토하고 인공지능으로 대체 가능한 분야를 밝히는 작업은 당장 그 혜택을 기대할 수 없더라도 그 의미를 부정할 수는 없다. 하지만 이런 분야에서는 가장 큰 기회를 기대하기 힘들다.

무르익는 시간 동안 기업가와 경영자들은 이러한 응용 단계 솔루션을 수용하는 것이 경제적으로 유의미해지도록 몸부림친다. 네이션 로젠버그가 주목했듯 기술의 경우 “무수한 사업 실패는 대부분 창업자가 자신이 우연히 매료된 부분과 전체 시스템의 나머지 부분 사이의 상호 의존이라는 연관성을 이해하지 못했기 때문이다.” 진정한 변화는 혁신가들이 새로운 시스템 단계 솔루션을 창조할 때 비로소 시작된다. 이러한 시스템 단계 솔루션 자체가 인공지능을 무시할 수 없는 경제적 규모에 이르게끔 하고, 이렇게 해서 모멘텀이 형성되면 추가로 응용 단계 솔루션에 강한 자극을 준다. 이처럼 규모의 잠재력이 보이고 혁신이 잇따라야 인공지능 시스템은 경제적으로 추구할 만한 가치를 얻는다.

지금까지 세 가지 솔루션의 의미를 살펴봤으니, 다음으로 우리의 주장을 상세히 설명하는 것이 중요하다. 우리의 개념을 아래와 같이 정의하도록 하자. ‘① 도입 단계 솔루션은 기존 절차를 일부 개선하면서도 독립적으로 수용할 수 있다. 그 절차를 포괄하는 시스템 변화가 요구되지는 않는다. ② 응용 단계 솔루션에서는 새로운 절차의 도입이 가능하며 이 절차는 독립적으로 수용할 수 있다. 그 절차를 포괄하는 시스템 변화가 요구되지는 않는다. ③ 시스템 단계 솔루션은 기존 절차를 개선하며 하부 절차의 변화를 동반하는 새로운 절차의 도입을 가능케 한다.’ 이런 정의에서 까다로운 부분은 ‘독립적’이라는 용어인데, 시스템 단계 솔루션을 제외하고 도입 단계 솔루션과 응용 단계 솔루션에 등장한다.

기존 절차 내에서든 새로운 절차를 통해서든 신기술을 사용해 가치 상승을 꾀할 수 있다고 가정해 보자. 가치 상승이 솔루션의 개발과 수용에 드는 비용을 넘어선다면, 그 솔루션은 경제적으로 실행 가능하다. 게다가 그 실행 가능성은 나머지 부분의 변화 여부와는 별개다. 그러나 신기술 사용으로 얻는 혜택이 너무 적은 동시에 다른 부분의 변화를 동반해야 그 혜택이 늘어날 수 있는 경우를 가정해 보자. 그런 경우 변화를 동반하지 않는 독립적 수용은 경제적으로 실행 가능하지 않다. 수용하려면 서로 얽혀 있는 절차를 한꺼번에 변화시키는 것이 반드시 필요하다.

그래서 도입 단계 솔루션을 적용해 증기를 전기로 교체하는 게 용이한 공장이 존재했으며, 또한 기존 생산 시스템을 넘어서지 않으면서 전기 모터와 통합해 구축하는 응용 단계 솔루션을 적용할 수 있는 공장도 일부 있었다. 그러나 일반적인 경우는 공장을 재구성해야 했으며, 도입한 솔루션이 경제적으로 실행 가능하려면 중앙 집중형 전력 시스템과 배전망도 구축해야 했다. 즉, 시스템 단계 솔루션에서 전기는 기존 동력을 대체하는 역할에서 벗어나 새로운 동력을 사용하는 계기를 제공했다.

현대 인공지능의 진화는 본질적으로 예측 기술의 개선이다. 그런데 예측은 의사 결정을 하는 경우에만 가치를 얻는다. 따라서 이 책의 목적에 맞춰 앞의 정의를 다음과 같이 수정하고자 한다. ‘① 인공지능 도입 단계 솔루션: 예측이 기존 결정을 일부 개선하는 동시에 그 결정이 독립적으로 가능하다면, 예측은 도입 단계 솔루션으로서 유의미하다. ② 인공지능 응용 단계 솔루션: 예측으로 새로운 결정이 가능하거나 의사 결정 방식이 변화하는 동시에 그 결정이 독립적으로 가능하다면, 예측은 응용 단계 솔루션으로서 유의미하다. ③ 인공지능 시스템 단계 솔루션: 예측으로 기존 결정을 개선하거나 새로운 결정이 가능한 경우이면서 다른 의사 결정 방식 또한 변화해야 하는 경우에만 예측은 시스템 단계 솔루션으로서 유의미하다.’ 다른 기술은 시간이 지나면 주된 요소와 부차적 요소를 정확히 구분할 수 있지만, 인공지능의 경우에는 그러한 구분이 아직 이루어지지 않고 있다.

정리해보자. 인공지능이 지닌 엄청난 예측 능력에도 불구하고 지난 10년간 생산성 증가율은 절반이나 하락한 것으로 추정되며, 미국인 대다수는 실질 임금이 1990년대 말부터 정체 상태에 있다. 이러한 생산성 역설은 새삼스러운 것이 아니다. 우리는 컴퓨터가 있었던 1980년대에도 비슷한 경험을 했다. 사람들이 인공지능의 능력을 인지한 때로부터 그것을 광범위하게 수용하기까지의 기간을 무르익는 시간이라고 부른다. 도입 단계 솔루션과 응용 단계 솔루션은 상당히 빨리 기획 및 도입될 수 있지만, 인공지능의 거대한 잠재력을 드러낼 시스템 단계 솔루션에는 훨씬 더 많은 시간이 든다.

일반적으로 시스템 단계 솔루션의 시행이 도입 단계 솔루션이나 응용 단계 솔루션의 시행보다 더 힘든 이유는 인공지능에 의해 의사 결정이 개선되면 시스템의 다른 의사 결정이 그 영향을 받기 때문이다. 도입 단계 및 응용 단계 솔루션이 보통 기존 시스템을 강화한다면, 시스템 단계 솔루션은 정의상 기존 시스템을 전복하며 결과적으로 판도를 바꾸어버린다. 그런데 인공지능에 대한 투자에서는 대체로 시스템 단계 솔루션일 때 가장 높은 수익을 거둘 가능성이 크다. 게다가 시스템 단계 솔루션은 일부 산업에서 판도를 바꾸는 원인으로 작용할 가능성이 높으며, 결국 승자와 패자가 갈릴 것이다.



규칙



결정하거나 결정을 피하거나

규칙은 미리 하는 의사 결정이다. 그런데 의사 결정을 하려면 규칙을 따르는 것과 달리 때와 조건에 맞는 정보를 고려해야 한다. 따라서 결정에서 비롯된 행위는 상황 변화에 대응하는 것이기 때문에 규칙을 따르는 행위보다 보통 더 낫다. 그렇다면 우리는 지금까지 왜 의사 결정보다 규칙에 의지했을까? 의사 결정을 하려면 더 높은 인지적 비용이 발생하기 때문이다. 그렇다면 그 비용을 감당하는 것이 타당한 경우는 언제일까? 결정의 중요성이 크고 정보의 가격이 낮은 때다.

그런데 인공지능을 도입한다고 해서 결정의 중요성이 달라지는 것은 아니지만 정보의 비용은 낮출 수 있다. 규칙과 의사 결정 사이의 균형은 인공지능 시스템에 중요하다. 인공지능의 핵심 혜택이 의사 결정을 개선하는 것이기 때문이다. 인공지능은 규칙이 아무런 도움도 주지 않는다. 인공지능이 예측을 하면 그 예측에 포함된 정보는 핵심 정보로서 의사 결정에 반영된다. 결국 인공지능이 더 강력해짐에 따라 정보(예측)의 비용이 낮아지고, 규칙에 의지하는 경우에 비해 의사 결정으로 인한 상대적 수익이 늘어난다. 이처럼 인공지능이 발전하면 규칙을 따르던 데에서 벗어나 의사 결정으로의 전환이 일부 이루어진다.