Enrique Ide (IESE Business School) · arxiv 2507.16078v3 · 2025.08.19
3줄 요약
- IESE Business School의 Enrique Ide가 arxiv에 발표한 OLG(overlapping generations) 성장 모델 논문이다. entry-level 자동화와 AI 코파일럿이 비명시 지식의 세대 간 전수에 미치는 영향을 정식으로 분석한다.
- 경쟁 균형은 사회적 최적보다 entry-level 자동화를 과도하게 수행하며, 단기 생산성 이익이 약 29~35년 안에 누적 손실로 뒤집힌다. AI 코파일럿은 도제 공급이 아니라 도제 수요를 잠식하는 별개의 메커니즘으로 작동한다.
- AI의 해석가능성이 학습 동기 잠식을 막는 핵심 채널이다. 정책 처방은 멘토링·훈련 보조금, entry-level 자동화 과세, 대체가 아닌 보완형 AI 도구 인센티브.
자료의 위치
저자는 IESE Business School 경제학과의 Enrique Ide. 본문 47페이지, 2025년 7월 22일 v1 게시 후 8월 19일 v3까지 갱신된 워킹페이퍼다. arxiv 분류는 econ.GN(General Economics).
논문은 두 갈래의 문헌을 잇는다.
- 자동화·AI의 노동시장 영향에 대한 task-based 문헌 (Acemoglu·Restrepo 2018·2019, Autor 2024)
- 아이디어 흐름과 경제성장에 대한 OLG·knowledge-hierarchies 문헌 (Lucas 2009, Lucas-Moll 2014, De la Croix·Doepke·Mokyr 2018, Ide·Talamàs 2024·2025)
기존 task-based 분석이 직접적인 노동시장 효과를 다룬 반면, 본 논문은 세대 간 지식 전수의 단절이라는 메커니즘을 OLG 성장 모델 안에 명시적으로 박아 넣는다.
핵심 문제 의식
도입부의 우려는 단순하다. AI가 senior worker로 하여금 더 많은 일을 혼자 하게 만들면, junior에게 돌아갈 entry-level 일자리가 줄어든다. 이 일자리는 단순히 임금을 받는 자리가 아니라, 비명시 지식이 다음 세대로 흐르는 경로다.
Beane (2019, 2024a/b)이 이 우려를 외과 수술과 투자은행에서 실증한다.
“I mean these guys can’t do it. They haven’t had any experience doing it.” — 어느 외과 과장이 새 외과의들을 두고 한 말 (Beane 2024b, p.9)
투자은행 주니어들이 AI가 떠맡은 작업에서 점차 배제되고, 외과 레지던트들은 로봇 수술 시스템에 자리를 내주며 hands-on 경험을 잃는다. 이런 단절이 누적되면 senior 직급으로 승진해도 핵심 기술이 비어 있게 된다.
Berger et al. (2024)이 양적 신호를 더한다. ChatGPT가 unexpected하게 출시된 2023년 이후, LinkUp의 주간 채용 데이터에서 entry-level 화이트칼라 채용은 약 18% 감소했다(생성 AI 노출도 1 표준편차 증가 기준).
베이스라인 모델 — OLG 도제 균형
모델은 의도적으로 단순하다. 두 코호트가 각자 두 기를 산다. 전반기는 신입(novice), 후반기는 전문가(expert).
생산 구조
- 한 단위 최종재의 생산은 전문가 기술 q에 선형이며, 측도 N의 루틴 업무를 전부 수행해야 한다.
- 루틴 업무는 신입이 하거나 기계가 한다. 전문가는 직접 루틴 일을 하지 않는다.
- 전문가 i의 비용 함수: C(L)= w·L + r·(N − L) + (c·L²)/2. 여기서 w는 신입 임금, r은 기계 임대료, c는 신입 감독 비용 계수.
전문가 기술 q는 Fréchet 분포를 따르며, 분포의 scale parameter k_t는 사회의 비명시 지식 스톡이다. k_t가 높을수록 평균 전문가 기술이 올라간다.
신입의 학습 메커니즘
신입은 자기 노동량 l_t를 최대화 문제로 결정한다.
max{ w·l − μl²/2 + β·E[I*_{t+1} | l] }
여기서 핵심은 두 번째 항이다. 신입이 노동량 l만큼 공급하면, l명의 전문가와 무작위 매칭되어 그들의 기술을 관찰·흡수한다. 미래 전문가 기술은 만난 전문가들 중 최고 기술과 자기 혁신 아이디어 중 큰 값으로 결정된다.
q_{i,t+1} = max{ q_{1,t}, …, q_{l_t,t}, ι_{i,t} }
지식 스톡의 진화는 다음으로 압축된다.
k*_{t+1} = (L*_t + ν)^θ × k*_t
L*_t는 균형 신입 노동량, ν는 사회의 혁신 능력, θ는 비명시 지식의 분산도(Fréchet shape의 역수).
핵심 마찰 두 가지
- 제로 임금 하한. 신입은 부(富)가 없어 학습 기회를 사전에 구매할 수 없다. w가 0 아래로 내려가지 못한다.
- 유한한 시계. 개인은 자기 학습이 다음 세대에 미치는 사회적 가치를 내재화하지 않는다. 사회 계획자라면 더 많은 신입 노동을 배정한다.
이 두 마찰이 결합한 결과, 경쟁 균형은 사회적 최적보다 자동화를 과도하게 수행한다.
세 가지 장기 균형 — LB / CL / FL
기계 비용 ρ과 초기 지식 스톡 k₀에 따라 경제는 셋 중 하나로 수렴한다.
| 균형 | 조건 | 신입 노동 L* | 임금 w* | 출력 성장률 | 의미 |
|---|---|---|---|---|---|
| LB (Learning Breakdown) | ρ ≤ ρ̲ 또는 k₀ < k† | ρ/(c+μ) < 1−ν | μρ/(c+μ) > 0 | → 0 | 비명시 지식 스톡이 q^min으로 침식, 성장 정지 |
| CL (Constrained Learning) | ρ̲ < ρ < ρ̄ 그리고 k₀ > k† | ρ/c ∈ (1−ν, N) | 0 | (ρ/c + ν)^θ − 1 > 0 | 임금이 0에 수렴해 신입 노동 일부가 유지됨, 제약된 양의 성장 |
| FL (Full Learning) | ρ ≥ ρ̄ 그리고 k₀ > k† | N | 0 | (N + ν)^θ − 1 > 0 | 모든 루틴이 신입에게 배정, 최대 성장 |
ρ̲ ≡ c(1−ν), ρ̄ ≡ cN, k† ≡ [(c+μ)(1−ν) − ρ]/[βθΓ(1−θ)]은 모두 모델의 임계값이다.
직관은 이렇다. 기계가 매우 싸면(ρ < ρ̲) 신입 임금이 0이 되어도 전문가는 신입 대신 기계를 쓴다 → 학습 기회 소실 → LB. 기계가 비싸지면(ρ > ρ̄) 전문가는 모든 루틴을 신입에게 맡긴다 → FL. 중간 영역(ρ̲ < ρ < ρ̄)에서는 초기 지식 스톡이 갈림길이다. k₀가 충분히 크면 첫 세대 신입이 학습 기회를 위해 매우 낮은 임금을 받아들이고 → 다음 세대가 더 숙련되고 → 그 다음 세대가 더 낮은 임금을 받아들이는 강화 사이클이 돌아 CL에 안착한다. k₀가 작으면 반대 방향의 음의 피드백 루프가 돌아 LB로 떨어진다.
저자가 강조하는 결과 하나: 경쟁 균형은 항상 사회적 최적보다 자동화 비중이 크다. 첫 마찰(임금 하한) 때문이 아니라 둘째 마찰(세대 간 spillover 미내재화) 때문이다. 임금 하한을 풀어도 비효율은 정성적으로 그대로 남는다.
자동화 충격의 정량 — 단기 이익이 장기 손실로 뒤집힌다
기계 비용이 한 번에 ρ → ρ’ (ρ’ < ρ)로 떨어지는 충격을 가정한다.
Proposition 2의 핵심. 경제가 처음 CL 또는 FL에 있다면, 충격 직후 후생은 즉시 증가하지만 일정 시점 T 이후로는 충격 이전 경로보다 영구히 낮다. 경제가 이미 LB에 있다면 충격은 무조건 후생 개선이다 — 이미 잃을 인간 자본이 거의 없기 때문이다.
저자는 이 결과를 정량화하기 위해 베이스라인 모델보다 가벼운 가정을 쓴다. T년을 한 OLG 기로, 정상상태 성장률을 비명시 지식 성장률과 같게, k_{t+1} = (L* + ν)^θ × k_t를 진화 규칙으로 둔다.
자동화 충격이 entry-level 업무 비율 a를 자동화한다고 하면 정상상태 연 성장률 감소는
Δg^Y = 100 × (1 + g^Y)·[1 − (1 − ax^(1/θ))^(θ/T)]
여기서 x는 정상상태 성장 중 비명시 지식 확산이 차지하는 비중. 베이스라인은 g^Y = 2%, T = 20, θ = 0.5, x = 65%.
표 1: 정상상태 성장률 감소 (pp/year)
| θ = 0.5 | θ = 0.28 | |||||
|---|---|---|---|---|---|---|
| x=50% | x=65% | x=80% | x=50% | x=65% | x=80% | |
| a = 5% | 0.0321 | 0.0544 | 0.0829 | 0.0060 | 0.0154 | 0.0325 |
| a = 15% | 0.0974 | 0.1668 | 0.2570 | 0.0181 | 0.0467 | 0.0999 |
| a = 30% | 0.1986 | 0.3450 | 0.5421 | 0.0365 | 0.0950 | 0.2072 |
세 시나리오의 a는 외부 추정에서 차용한다. a = 5%는 Acemoglu (2024), a = 15%는 World Economic Forum Future of Jobs Survey (2025), a = 30%는 Aghion-Bunel (2024).
표 2: 단기 이익 vs 장기 손실 (no-automation 베이스라인 대비)
| 시나리오 | 10년 | 50년 | 100년 | 손익분기 |
|---|---|---|---|---|
| Acemoglu (a = 5%) | +0.71% | −1.15% | −3.76% | ~29년차 |
| Aghion-Bunel (a = 30%) | +7.00% | −4.96% | −19.78% | ~35년차 |
해석은 분명하다. 현재 세대 전문가는 자동화 충격으로 즉시 이익을 얻지만, 한 세대를 지나면 그 이익이 누적 손실로 뒤집힌다. 적게 자동화한 시나리오일수록 손익분기가 빨리 오는데, 이는 적은 자동화가 짧은 기간 안에 작은 손실을 낳고, 큰 자동화는 큰 손실이 누적되는 데 더 오래 걸리기 때문이다.
저자는 이 결과를 정식 calibration이 아니라 “back-of-the-envelope"로 명시한다. 모델은 새로운 junior 역할의 등장이나 AI가 혁신 자체를 가속하는 경로를 의도적으로 제외한다 — 그래야 entry-level 자동화의 순수 효과가 보이기 때문이다.
보강이 아니라 대체가 문제다
자동화(routine task displacement)와 노동 보강(routine labor augmentation)을 분리하면 결과가 갈린다.
- 자동화. 신입을 displace한다. 모델 안에서는 ρ 감소로 표현. 단기 이익 + 장기 손실의 트레이드오프.
- 노동 보강. 신입의 생산성을 높인다. 모델 안에서는 감독 비용 c 감소로 표현. 단기 이익 + 장기 성장 강화. 트레이드오프가 없다.
문제는 현재 기업이 생성 AI를 주로 자동화 도구로 보고 있다는 것이다. WEF (2025) Future of Jobs Survey에 따르면 인간 단독 수행 업무는 44% → 33%, 완전 자동화는 22% → 34%, 인간-기계 협업은 30% → 33%로 예측된다. 협업은 거의 늘지 않는다.
AI 코파일럿 — 도제의 수요 측을 잠식하는 별개의 메커니즘
논문의 후반부는 AI 코파일럿(decision-support AI)을 모델에 추가한다. 코파일럿은 비명시 같은(tacit-like) 전문성을 덜 숙련된 전문가가 사용하게 해 주는 시스템이다.
양면성
코파일럿은 entry-level 자동화의 LB를 부분적으로 상쇄한다. LB 균형의 출력은 q^min으로 수렴하지만, 코파일럿이 있으면 z_AI(코파일럿이 제공하는 기술 수준)로 수렴한다. 이를 저자는 *MLB(Mitigated Learning Breakdown)*라 부른다.
그러나 코파일럿은 또 다른 메커니즘을 작동시킨다. 신입은 미래에 자기도 코파일럿에 의존할 것임을 예상하기 때문에 hands-on 학습에 시간을 덜 투자한다. 결과적으로 CL이 가능했을 영역의 일부가 MLB로 떨어진다.
| 메커니즘 | 자동화(섹션 4) | AI 코파일럿(섹션 6) |
|---|---|---|
| 잠식 대상 | 도제 공급 — 전문가가 신입 대신 기계를 쓴다 | 도제 수요 — 신입이 미래 AI 의존을 예상해 학습을 덜한다 |
| 채널 | 신입-전문가 상호작용 기회 자체 감소 | 신입의 학습 인센티브 감소 |
| 결과 | 같음: 비명시 지식 스톡 침식 | 같음: 비명시 지식 스톡 침식 |
두 메커니즘은 다른 방향에서 같은 결과를 만든다.
불투명성이 잠식의 본질이다
저자가 명시하는 핵심 통찰. 코파일럿이 학습 동기를 잠식하는 근본 이유는 AI 추천의 reasoning이 인간에게 불투명하다는 점이다.
만약 코파일럿이 완전히 해석가능하다면, 신입은 코파일럿을 사용하는 전문가와의 상호작용을 통해 간접적으로 AI의 지식을 흡수할 수 있다. 그러면 두 번째 세대부터는 직접 코파일럿을 쓰지 않아도 같은 기술을 갖게 된다 — 학습 동기 잠식 효과가 사라진다.
따라서 정책의 직접 함의 하나는 명확하다.
정책 입안자는 AI의 해석가능성(reasoning을 인간이 이해할 수 있게 명료화하는 능력)을 적극적으로 촉진해야 한다.
해석가능성이 어렵다면, 차선책은 코파일럿이 제공하는 기술 수준 z_AI 자체를 끌어올려 LB의 하한을 더 높게 만드는 것이다. 저자는 AI 제공자가 불투명성을 유지할 재정적 인센티브가 있음(투명성이 장기 의존도를 낮추므로)도 짚는다.
정책 함의
저자가 마지막에 제시하는 처방.
- 멘토링·훈련 프로그램에 대한 표적 보조금.
- entry-level 자동화에 대한 과세 또는 인센티브 조정.
- 대체가 아니라 보완형 AI 도구에 대한 명시적 인센티브.
- 해석가능성 의무화 또는 보조금으로 코파일럿의 수요 측 잠식을 차단.
핵심 메시지는 두 줄로 요약된다.
AI가 자동으로 더 높은 경제 성장으로 이어진다는 견해는 도전받는다. AI의 잠재력을 온전히 실현하려면 entry-level 기회를 보호하거나 적극적으로 창출해야 한다.
핵심 함의
논문이 단순한 일자리 대체 우려와 갈라지는 지점은 손익분기 시간이다. a = 5%의 보수적 자동화로도 약 29년 안에 단기 이익이 누적 손실로 뒤집힌다. 한 세대다. “AI로 단기 productivity를 올리고 다음 세대가 새로운 형태의 일을 찾는다"는 통념은 모델 안에서 성립하지 않는다 — 그 다음 세대가 비명시 지식을 학습할 자리를 잃기 때문이다. 같은 결론을 다른 차원에서 짚은 자료가 California Management Review의 Tacit Knowledge Moat다. CMR이 경영학 매체에서 베이비부머 은퇴와 AI 동시 임계점으로 같은 진단을 내렸다면, 본 논문은 학술 모델에서 같은 직관을 OLG 균형 동학으로 형식화한다.
코파일럿의 수요 측 잠식은 별도의 메커니즘이다. 코파일럿이 불투명한 한, 신입은 미래 자신의 코파일럿 의존을 예상하여 학습을 덜한다. 신입 채용 자체로는 비명시 지식 회복에 절반에 불과하며, AI 도구의 해석가능성과 학습에 대한 명시적 보상 구조가 함께 설계되어야 파이프라인이 회복된다.
한계
본 논문도 모델의 한계를 분명히 한다.
- 단일 산업·동질적 entry-level 업무 가정. 학습 가치가 큰 업무 vs 작은 업무의 이질성은 모델에서 추상화된다.
- 새로운 junior 역할의 등장, AI가 혁신 자체를 가속하는 채널 등 보완 효과는 의도적으로 제외된다 (정확한 forecast가 아니라 순수 효과 분리가 목적).
- 신입이 전문가 기술을 사전에 관찰하지 못한다고 가정 — 현실에서는 명문 로펌·투자은행의 신입은 부분적 정보를 갖는다. 저자는 이 가정을 풀면 정성적 결론은 유지되나 분석이 수치 시뮬레이션을 요구한다고 짚는다.
- 코파일럿이 시간에 따라 학습하는 동학(자기 진화)은 미래 연구로 남긴다.
출처
저자: Enrique Ide, IESE Business School, Department of Economics 발표: arxiv 2507.16078v3, 2025년 8월 19일 (v1: 2025년 7월 22일) 원문: https://arxiv.org/abs/2507.16078 PDF: https://arxiv.org/pdf/2507.16078v3
본문에 인용한 5장의 그래프(Figure 1~5)는 모두 원 PDF에서 추출하여 게시했다. 캡션의 일부 Notes 문단은 분량상 잘랐으니, 원문 그대로 보고 싶다면 위 PDF 링크의 20, 21, 23, 25, 35페이지를 참고하면 된다.