AI 시대: 빨라진 학습, 귀해진 판단, 부는 어디로?

2026.9.21 | 1073호 | 구독하기 | 지난호

서서히 길거리에 은행나무 냄새가 날 시기입니다.

작년 이맘때에는 가을이 언제 오려나 하면서

늦여름의 뙤약볕을 쏘아보곤 했던 것 같은데요.

요즘에는 낮에는 덥지만, 약간은 쌀쌀한 아침과 저녁이 저희를 맞이해주고 있습니다. 가을이 온 것 같죠?

이럴 때 감기가 느닷없이 찾아오니까요, 항시 감기 조심하시기 바랍니다.

오늘의 레터는 경제 개념을 한 스푼 곁들인 AI에 대해 이야기를 나누고자 합니다. 경제적인 관점에서 AI 시대를 바라볼 예정인데요.

AI에 대해 많은 생각과 의견들이 오고 가면 좋으니, 부담 없이 레터 하단의 <좋았어요/별로예요> 버튼을 통해 의견 남겨주시면 감사드리겠습니다.

💌 오늘의 레터는 9월의 마지막 레터입니다.

잠시 재정비 후 10월 19일 월요일에 미라클러님들을 다시 찾아뵐 테니 조금만 기다려 주시기 바랍니다😁

※ 레터 읽는 법 ※

볼딕, 밑줄, 단어에는 URL이 포함되어 있어요. 클릭을 하면 세부 내용으로 연결됩니다.

이 메일이 잘 안보이시나요? 여기를 눌러 웹에서 보세요

오늘의 요약

AI로 인해 탑다운 학습법이 가능해졌습니다. 하지만, '이해하고 검증하는 일'은 AI가 아닌 인간의 몫으로 남겨두어야 합니다.
AI 시대, 기회비용과 한계비용이 낮아졌고, 물리적 자원과 인간의 판단이 희소해졌습니다.
AI가 절약한 시간은 우리의 삶을 여유롭게 만든다고 단정 지을 수는 없습니다. 때문에 이제는 '누가' 시간을 가져가고, '누구를 위해' 이 시간을 사용할 것인지 물어야 합니다.
AI가 얼마나 많은 가치를 만드는가는 기술이 결정하지만, 그 가치를 누가 가져가느냐는 경쟁과 소유구조가 결정하게 됩니다. 이제, AI로 인해 얻게 되는 이익의 권리는 누구에게 있는가 생각해 보아야 합니다.

Top-Down 방식

AI 시대에는 가능한 이야기

2020년, 오픈AI의 공동 창립자인 안드레 카파시(Andrej Karpathy)는 SNS에 '전문가가 되는 법'(위 사진)이라는 글을 올렸습니다. 그런데 6년이 지난 지금 이 글이 화제가 되고 있는데요. 일단 내용부터 보겠습니다.

그가 이야기한 '전문가가 되는 법'은 다음과 같습니다:

1. 구체적인 프로젝트를 하나씩 맡아 끝까지 완성해라

프로젝트를 깊이 파고들면서 필요한 지식을 그때그때 배워라 (=탑다운 학습법)

2. 배운 모든 것을 자신의 말로 정리할 수 있어야 한다

3. 남과 비교하지 마라. 과거의 자신이랑만 비교해라

사실 탑다운 학습법은 AI가 보편화되기 전이었던 이 당시에 시행하기엔 어려운 방법이었습니다. 탑다운은 내가 모르는 개념들을 필요할 때마다 찾아보면서 하나씩 알아가는 학습법이기 때문에 옆에 붙어 하나하나 가르쳐 줄 사람이 필요하기 때문이죠. 이와 상반되는 개념은 이론부터 쌓아서 응용으로 넘어가는 방식인 바텀업입니다. 우리에겐 익숙한 방식이죠.

이제, AI가 나오고 나서 사정이 달라졌습니다. 언제 어디서 어떤 것을 물어봐도 화내지 않고 다 대답해 줍니다. 탑다운 방식의 문턱을 크게 낮춘 것이죠.

출처 = AgentOS 유튜브 채널. 위 영상의 원본이 궁금하시다면 (이곳)을 클릭해 주세요. 참고로 인터뷰 원본 영상의 길이는 1시간 14분 입니다...

가브리엘 피터슨, 그가 증명하다

가브리엘 피터슨(Gabriel Petersson). 간단하게 그의 발자취를 따라가 보겠습니다.

스웨덴 시골마을에서 태어났고, 대학을 가지 않았으며, 18살 때 사촌이 시작한 스타트업에 합류. 이후 미드저니를 거쳐, 오픈AI 연구원이 되었죠. 실제로 Sora2의 핵심 기여자 명단으로 올라가 있습니다.

그는 AI를 이용한 '탑다운 방식'으로 머신러닝 및 확산 모델(diffusion Models)에서 전문성을 쌓은 것으로 알려져 있는데요. 한 인터뷰(위 영상)에서 그는 탑다운 방식에 대해 다음과 같이 설명했습니다.

"사람들이 가장 빨리 배우는 방법은 탑다운 방식이다. 문제에서 시작하면 아마 더 빨리 배울 것이다. 그다음에 그 문제를 풀기 위해 필요한 것을 전부 찾아본다. 그리고 또 다른 문제를 만나면 그것도 찾아보고, 그렇게 문제의 핵심까지 내려가게 된다.

기초부터 시작해야 하는 바텀업에는 배움의 순서가 정해져 있다. 스케일은 잘 되나, 엄청나게 비효율적이다. 실무 수준까지 가려면 굉장히 오래 걸리고 힘들다.

사람들은 탑다운 방식을 어떻게 활용해야 하는지 잘 모른다. 그들은 ‘그렇게 하면 문제를 제대로 이해를 하지 못한다’라고만 한다. 하지만 이것은 사실이 아니다. 문제에서 시작해서 재귀적으로 파고 내려가는 것, 이 변화가 교육 방식을 근본적으로 바꿀 것이라 생각한다."

제일 중요한 포인트는 스스로를 이해시키는 것

하지만 여기서 그가 얘기하는 주의점이 있습니다. 바로, 'AI를 사용한다고 하더라도 이해는 인간이 해야한다'인데요.

가브리엘에게는 질문 규칙이 있습니다.

AI에게 답변만 받지 않는다
중간 과정을 전부 보여달라고 한다
왜 되고, 왜 안되는지 묻는다

AI에게 작업을 시켜도 되지만, 진짜 제대로 된 내 것을 만들기 위해서는 그들에게 이해를 맡기면 안 된다는 것입니다. 이해를 하는 것은 온전히 '인간의 몫'이라는 것이죠. 실제 경험에서 시행착오를 겪어야 한다는 것입니다. 시도 -> 결과 확인 -> 검증 -> 교정 -> 시도 -> 결과 확인 -> 검증 -> 교정 .... (무한반복). 이를 '피드백 사이클(feedback cycle)'이라고 합니다.

피터슨의 공부법은 카파시가 이야기한 내용과 일맥상통합니다. 우리가 명확하게 해야 할 것은

명확한 목표 - 구체적인 목적 의식
끊임없는 질문 - AI에게 끊임없이 질문을 이어가서 스스로를 이해시켜야 함

입니다. 물론, 탑다운 방식만이 정답이라는 것은 아닙니다. 사실은 호불호가 많이 갈리는 방식이긴 한데요. (영상의 댓글을 봐도 그러합니다) 이는 사람마다 공부법도, 환경도 다 다르기 때문입니다. 그렇지만 확실한 것은 AI로 인해 '학습 속도는 높이고 비용은 낮아졌다는 것'입니다.

사진 = 챗 GPT. 아직 AI는 인간의 검증이 필요합니다.

지식과 결과물이 풍부해질 때

무엇이 희소해지는가

공부가 더 효율적이게 되었다는 것은 학습에 필요한 시간이 압축되었다는 의미입니다. 그 결과 희소성의 축이 이동하게 되었죠. 희소성이란 경제학에서 '인간의 욕구는 많지만, 그것을 충족해줄 수 있는 자원이 한정되어있는 상태'를 뜻합니다. AI 이전에는 전문가의 시간, 지식 탐색 능력, 결과물 생산 능력 등의 '답을 얻는 능력'이 희소했습니다. 그렇다면, AI가 보편화가 된 지금, 어떤 것이 희소해졌을까요?

기회비용과 한계비용이 낮아지다

AI 세상이 되면서 기회비용과 한계비용이 낮아졌습니다. 그 결과, 지식과 결과물이 풍부해졌죠. 여러분들도 잘 아시다시피 기회비용이란, 하나를 선택하면서 포기하게 되는 다른 선택지 중 가장 가치 있는 것을 뜻합니다. 다시 말해서 AI는 우리가 무엇을 배울지 고르는데 시간을 아껴주었고, 그 시간에 다른 무엇인가를 할 수 있게 도와주고 있다는 얘기입니다. 무엇을 배울지 잘못 선택했을 때 부담도 덜어주면서 새로운 분야를 배웠다가 포기해도 손해가 크지 않습니다.

한계비용은, 무언가를 한 단위 더 만들거나 얻을 때 추가로 드는 비용이죠. 지식이나 스킬 숙련도를 한 단계 업그레이드하기 위해 필요한 비용이 있을 겁니다. 이 비용은 전문성이 생겨날 수록 더 커지게 되는데요. 하지만 AI를 이용하면 전문성을 쌓는 데 필요한 탐색과 시행착오의 비용을 크게 줄여줍니다. 한계비용이 내려가는 것이죠.

인간의 판단과 신뢰가 더 귀해지다

AI는 희소성을 새로운 영역으로 이동시켰습니다. 포춘(Fortune)에 따르면, 물리적 자원인 '데이터 센터, 전력, 용수, 반도체 부품' 등의 부족 현상은 오히려 심해지고 있다고 설명합니다. 희소해진 것이죠. 또한 AI가 대체할 수 없고, 가장 가치가 높아질 것으로 '인간의 판단력, 책임감, 실시간 경험(공연, 인간적 신뢰) 및 고객의 주의/관심(attention)'을 꼽았습니다.

하지만 제가 생각하기에 정말 중요한 부분은 바로 '실력의 증명'입니다. 결과물만으로 실제 실력을 구분하기에는 한계가 있기에, 내가 가진 것에 대한 확신을 주려면 신호(signal)를 보내주어야 하는데요. 경제학 용어를 빌리자면 이를 '신호이론(Signaling Theory)'이라고 합니다.

신호이론이란 정보의 비대칭 속에서 자신의 능력을 상대방에게 증명하기 위해 관찰 가능한 행동이나 증거 (학위, 경력, 자격증, 포트폴리오 등)를 보여주는 것을 의미합니다. 이는 정보경제학 분야의 선구자이자, 2001년 노벨 경제학상을 수상한 미국의 경제학자 마이클 스펜스(Michael Spence) 교수가 노동 시장 분석을 위해 제안한 이론인데요.

좋은 신호에는 다음과 같은 조건이 필요합니다.

상대방이 확인할 수 있어야 한다
흉내내기 어려워야 한다 (=모방 비용이 들어야 한다)

AI가 기존 신호의 모방 비용을 낮추면 어떻게 될까요? 실력이 달라도 비슷한 결과물, 즉 비슷한 신호를 만들어 실제 능력을 구분하기 어려워질 수 있겠죠.

경제학에서는 서로 다른 능력을 가진 사람들이 같은 신호를 보내 구분되지 않는 상태를 ‘풀링균형(Pooling Equilibrium)’이라고 합니다. 이를 벗어나려면 작업 과정, 실제 경험, 검증된 성과처럼 쉽게 모방하기 어려운 새로운 신호가 필요한데요. 이처럼 서로 다른 능력의 사람들이 서로 다른 신호를 보내 실제 능력의 차이가 드러나는 상태를 ‘분리균형(Separating Equilibrium)’이라고 합니다.

사진 = 챗 GPT. 래칫 장치. 톱니바퀴가 한쪽 방향으로 돌아가면 역방향으로 쉽게 돌아가지 않습니다. 래칫 효과가 여기서 유래했죠.

AI가 시간을 벌어주면,

우리는 정말 더 여유로워질까

AI가 업무시간을 줄여주면 정말 더 여유로워질까요? 안타깝게도 AI가 업무시간을 줄여도 그 시간이 자동으로 여가가 되지는 않습니다. 여기엔 여러 이유가 존재하는데요.

결과물의 양이 늘어날수록 검증하는 비용이 커지는 데다가, AI를 사용하는 데 적응 시간이 필요하기도 하고, 다른 단계에서 병목 현상이 일어날 수도 있습니다. 또, 기술만 도입하고 조직이 그대로인 경우도 있죠. 이것을 생산성의 역설(Productivity Paradox)이라고 합니다. 새로운 기술에 막대한 투자를 했는데도, 기대한 만큼 생산성 증가가 실제 성과에서 나타나지 않는 현상을 뜻합니다.

생산성이 높아지면 기업은 더 높은 생산량을 새로운 기준으로 삼게 됩니다. 올라간 기대치는 다른 업무를 부르게 되고, 또 다른 목표를 향하게 됩니다. 바로 래칫 효과(Ratchet Effect)죠. 기준이 한 번 올라간 이상 쉽게 이전으로 되돌아가지 못합니다.

시간을 벌어주는 것은 '기술'의 문제지만, 그 시간을 누가 갖는지는 '제도'의 문제

AI는 같은 일을 더 짧은 시간 안에 끝낼 수 있도록 도와줍니다. 여기까지는 기술의 문제죠. 하지만 그렇게 절약한 시간이 달콤한 휴식으로 돌아올지, 다른 업무를 처리하는 데 쓰이는지는 제도에 따라 달라집니다.

AI는 시간을 절약해 줄 뿐, 그 시간을 누구에게 돌려줄지는 정하지 않습니다. 따라서 이 문제는 'AI가 시간을 얼마나 줄일 수 있는가'에서 끝나지 않습니다. 여기서 진짜 질문은 AI가 절약한 시간을 '누가' 가져가는가, 혹은 우리는 이 기술을 '누구를 위해' 사용할 것인지까지 물어야 합니다.

출처 = 희야기 유튜브 채널. 사진을 클릭하시면 본 영상을 보실 수 있습니다.

AI가 바꾸고 있는

부의 미래

AI가 만든 가치는 어떤 시장 구조를 통해 분배되는가

AI가 만든 가치는 당연하게도 모두에게 똑같이 돌아가지는 않습니다. 경제학의 기본 원리에 따라 경쟁이 치열하면 가격이 내려가 소비자가 혜택을 보고, 경쟁이 약하거나 소수 기업에 핵심 인프라가 집중되어 있으면 기업과 주주가 더 많은 이익을 가져가게 되죠. AI가 얼마나 많은 가치를 만드는가는 기술이 결정하지만, 그 가치를 누가 가져가느냐는 소유구조가 결정하게 됩니다.

때문에 생산성이 대폭 향상되는 AI 시대에서 잔여청구권의 중요성은 큽니다. 잔여청구권(Residual Claim)이란? 기업이 번 돈으로 지급해야 할 비용을 먼저 지불하고 남은 잔여 이익을 가져갈 수 있는 권리를 뜻합니다. 여기서 지급해야 하는 비용은 소위 말해 '약속된 비용'으로, 임금, 임대료, 원재료나 부품 비용, 전기, 서버 사용료, 대출 이자, 세금 등을 뜻합니다.

AI 시대에서 이 잔여청구권의 중요성이 큰데요. 이유는 다음과 같습니다.

AI 도입으로 기업의 생산성과 이익이 증가하더라도 노동자에게 지급되는 임금도 같은 비율로 증가하지는 않기 때문이고,
약속된 비용을 차감하고도 남은 이익은 잔여청구권을 가진 기업의 주주 혹은 자본 소유자에게 몰리기 때문입니다. 이때 자본 소유자와 노동자 간의 부의 격차가 더욱 벌어지게 됩니다.

따라서 AI를 사용하는 사람보다 AI 기업과 인프라를 소유한 사람에게 부가 집중될 수 있는 것입니다. 물론, 기업이 전부 가져간다는 것은 아닙니다. 경쟁이 치열하면 가격이 내려가 소비자에게 돌아갈 수 있고, 노동자의 협상력이 강하면 임금 인상이나 성과급으로 분배될 수 있죠.

우리는 이제 AI가 가치를 얼마나 만드는가 보다 AI를 통해 만들어진 이익에 대한 '권리'를 누가 가지고 있는가에 대한 질문을 던져야 합니다.

"AI는 테크노크라트들에게 더 큰 이익을 가져다 줄 것"

AI 관련 자료들을 찾아보다가 우연히 발견하게 된 영상인데요. 인터뷰이는 MIT에 재학 중인 Nipun이라는 학생이었습니다. 그는 물리학과 컴퓨터학을 전공 중이라고 하는데요. AI 업계 최전선에 발을 내딛고 있는 이 학생이 바라보는 AI 시대는 어떠한지, 또 다른 시각으로 바라볼 수 있는 좋은 인사이트가 될 것 같아 공유드립니다. 아래는 유튜버이자 인터뷰어인 희야기님의 질문과 Nipun의 답변을 가져와 요약한 내용입니다. 인터뷰 풀버전은 위 사진을 클릭하시면 보실 수 있습니다.

🙋‍♂️AI의 진화가 전 세계적으로 세상을 더 나아지게 만든다고 보는가?

💁‍♂️그렇게 생각하지 않는다. 첫 번째는 지금처럼 AI 모델과 기업에 대한 규제가 거의 없는 상황에서는 사람들이 AI가 온갖 일을 대신할 미래에 계속 투자하게 될 것이다. 그렇게 되면 소수 기업에 집중하게 되고, 그 기업들은 더 많은 데이터센터를 지어 환경을 훼손하거나, 사람들의 정보를 가져가 모델 학습에 쓰고, 모델을 훈련시키고, 나라의 노동력과 광물 자원까지 이용해 기술을 더 발전시키려 할 수 있다.

또 다른 이유로 지금은 기업들이 손해를 감수하며 서비스를 제공하는 경우가 많으나, 나중에 본격적으로 수익을 내야 하는 시점이 오면 수익을 내야 하기 때문에 모델의 구독 요금이 더 비싸져서 평범한 사람들이 접근하기 어려워질 수 있다. 그러면 기술에 접근할 수 있는 사람들이 점점 더 적어질 것이고, 일자리를 가진 사람들도 점점 줄어들고 사회의 대다수는 뒤처질 수 있다.

그래서 규제가 필요한 것이다. 다수의 사람들을 보호할 장치가 필요하다는 것. 물론 AI와 함께 할 수 있는 방향이 많겠지만, 현재의 시점에서 제도와 장치들을 보면 앞으로 벌어질 변화에 대해 많은 준비가 되어있지 않다고 생각한다.

🙋‍♂️AI를 윤리적으로 만들 수 있다고 생각하는가?

💁‍♂️그럴 수 있다고 생각한다. 하지만 이 AI들이 내부적으로 어떻게 작용하는지 알아야 하며, AI가 올바른 결정을 할 수 있도록 해야 한다. 또한 기업들에게 책임을 부여해야 하고, 또 AI 모델로 인해 향상된 생산성의 혜택이 다시 사람들에게 돌아가도록 해야 한다.

🙋‍♂️일부 미디어에서는 AI가 자본주의 체제를 크게 무너뜨릴 수 있기 때문에 지금이 부자가 될 수 있는 마지막 기회라고 하던데, 거기에 동의하는가?

💁‍♂️현재로서는 AI가 오히려 *테크노크라트들에게 더 큰 이익을 가져다줄 것이라고 생각한다. 그 사람들이 시장을 점점 더 통제하게 될 것이고, 그렇게 부의 집중이 점점 심해지면서, 그 부가 테크노크라트들에게 몰리게 되고, 그들이 점점 더 많은 부를 가지게 될수록, 시장에 대한 통제력도 점점 더 커질 것이다. 그런 의미에서는 어쩌면 자본주의가 무너진다고 볼 수도 있을 것 같다. 결국 시장이 모두에게 열려 있는 구조가 아니게 되기 때문.

*테크노크라트: 기술/과학 등으로 힘을 가진 자들을 의미

요약하자면, 그는

AI의 제도적 규제가 필요하며,
윤리적인 AI를 위해 AI의 메커니즘의 이해가 중요하고, 기업 또한 책임을 다해야 하며,
현재로서는 AI로 테크노크라트들이 부를 가지게 될 것이고, 그들이 더 큰 부를 가질수록 시장에 대한 통제력이 커져 자본주의가 무너진다고 볼 수 있다고 설명합니다.