AI 시대 경제 이론 재평가 브리핑 문서

1. 서론: AI의 변혁적 본질과 경제 이론에 대한 도전

인공지능(AI)은 단순한 기술적 진보를 넘어, 지난 반세기 동안 경제 정책과 이해를 이끌어온 기존 경제 성장 모델의 근본 원칙에 도전하고 재구성하는 “분수령적 순간”을 의미합니다. 이 보고서는 AI가 어떻게 전통적인 경제 성장 이론, 특히 솔로우-스완 신고전학파 모델과 내생적 성장 이론의 핵심 가정을 변화시키는지를 분석합니다. AI는 증기 기관이나 전기와 비견될 만한 “역사적 중요성을 지닌 범용 기술(GPT)”로, 경제에 시스템적이고 광범위한 영향을 미칠 잠재력을 지니고 있습니다. 그러나 현재 AI의 잠재력은 “생산성 역설”—변혁적 잠재력과 부진한 측정 경제 성장 간의 단절—에 가려져 있으며, 이는 상당한 구현 지연, 조직적 조정 비용, 그리고 디지털 및 무형 경제에 내재된 측정 문제로 설명됩니다. 궁극적으로 AI의 능력, 특히 “발견의 자동화”는 인간의 인지적 우위를 전제로 한 기존 모델을 넘어선 경제 이론의 “패러다임 전환”을 요구할 수 있습니다.

2. 전통적 경제 성장 모델의 이해

AI가 경제 성장 모델을 어떻게 재구성하는지 이해하기 위해서는 먼저 기존의 주요 이론적 틀을 파악하는 것이 중요합니다.

2.1. 솔로우-스완 모델 (신고전학파 모델): 외생적 기술 진보

솔로우-스완 모델은 자본 축적, 노동력 성장, 그리고 가장 중요하게는 “외생적” 기술 진보가 장기 성장을 견인한다고 설명하는 기초적인 성장 모델입니다.

총생산함수 Y = A * F(K, L)

• 핵심 메커니즘 및 수확 체감: 이 모델은 자본(K)과 노동(L)을 결합하여 산출(Y)을 생산하는 총생산 함수를 기반으로 합니다. 핵심 가정은 “자본에 대한 수확 체감”으로, 노동자 1인당 자본이 증가할수록 추가 자본이 생산성에 미치는 영향이 점차 줄어든다는 것을 의미합니다. 이 때문에 “자본 축적만으로는 1인당 소득의 영구적인 성장을 창출할 수 없습니다.” 경제는 결국 “정상 상태 균형”에 도달하여, 자본 축적만으로는 더 이상 생활 수준의 성장이 일어나지 않습니다.
• 외생적 기술 진보(TFP): 솔로우-스완 모델에서 “지속적인 장기 성장은 총요소생산성(TFP), 즉 ‘A’ 요소가 지속적으로 증가할 때만 가능합니다.” 이 기술 진보는 “외생적”—모델 외부에서 주어지는 “블랙박스” 또는 “선물”로 가정되며—그 원천은 설명되지 않습니다. 측정된 경제 성장 중 자본과 노동 증가로 설명되지 않는 부분은 “솔로우 잔차”로 불리며 기술 변화의 대리 변수 역할을 합니다. 이 관점은 AI에 대한 막대한 투자에도 불구하고 현재 생산성 성장이 느린 “생산성 역설”을 설명하는 데 사용될 수 있습니다. 즉, AI가 현재는 주로 새로운 유형의 자본(K)으로 작용하여 일회성 소득 수준 증가를 가져오지만, 지속적인 성장을 위해서는 TFP(A)를 지속적으로 증가시켜야 한다는 것입니다.
• 정책적 한계: 솔로우 모델은 장기 성장률이 외생적인 기술 진보율에 의해 결정되기 때문에, 저축률 증가와 같은 국내 정책이 “단지 ‘수준 효과’만을 낳을 뿐, 경제의 장기 성장률을 영구적으로 바꿀 수는 없다”는 점에서 “정책적 한계”를 가집니다.

2.2. 내생적 성장 이론: 혁신의 내재화

1980년대에 개발된 내생적 성장 이론은 솔로우 모델의 한계를 극복하고 기술 진보를 “경제 시스템 내부의 의도적인 경제 활동의 결과”로 설명함으로써 “TFP의 ‘블랙박스’를 열고자” 했습니다.

• 지식과 인적 자본의 역할: 이 이론의 핵심은 지식이 물리적 자본과 달리 “비경합적”이며 “규모에 대한 수확 체증”을 보일 수 있다는 것입니다. 즉, 한 사람의 아이디어 사용이 다른 사람의 사용을 방해하지 않으며, 기존 지식은 새로운 지식 창출을 더 쉽게 만들어 “영구적인 성장을 이끄는 선순환”을 만듭니다.
• 메커니즘:지식 파급효과: R&D 투자로부터의 긍정적 외부성(지식 파급효과)은 개별 기업의 사적 수익보다 사회적 수익이 더 높아 총체적 수준에서 투자 수익이 감소하지 않도록 합니다.
• “AK” 모델: 가장 단순한 형태인 Y=AK 생산 함수는 지식과 인적 자본을 포함한 광범위한 자본 스톡에 대한 불변 수익을 가정하여, 수확 체감의 힘을 제거합니다. 이 모델에서는 “저축/투자율을 높이는 모든 정책이 영구적으로 더 높은 경제 성장률로 이어질 수 있습니다.”
• 로머의 혁신 모델: 이 모델은 경제를 최종재 생산 부문과 “새로운 아이디어를 생산하는” R&D 부문으로 나눕니다. 혁신가에게 특허를 통해 부여되는 “일시적인 독점권”은 R&D 투자를 유인하고 지속적인 성장을 이끌어냅니다.
• 정책적 시사점: 내생적 성장 이론은 정부 정책이 “장기 성장률에 강력하고 영구적인 영향을 미칠 수 있다”고 주장하며, R&D 보조금, 교육 자금 지원, 지적 재산권 보호 등이 혁신 역량을 증가시키고 성장 궤도를 가속화할 수 있다고 강조합니다.

3. 새로운 경제 동력으로서의 AI

AI는 단순한 기술적 개선이 아닌, 경제 전반을 재편할 수 있는 근본적인 힘을 지닌 “범용 기술(GPT)”입니다.

3.1. AI를 GPT로 특성 규정

GPT는 “널리 확산되고”, “지속적으로 개선되며”, “후속 발명과 혁신을 위한 플랫폼 역할을 하는” 기술입니다. AI는 의료, 금융, 제조 등 “다양한 분야에서 응용 프로그램이 등장하며” 이러한 특성을 명확히 보여줍니다. GPT의 경제적 영향은 일반적으로 인프라, 플랫폼, 애플리케이션 계층을 통해 전개되며, 이는 전기의 보급과 유사합니다. 현재 AI는 특정 작업에 대한 “포인트 솔루션”으로 사용되는 초기 단계를 넘어 “시스템적이고 산업 전반에 걸친 변혁의 전망이 지평선에 어렴풋이 보입니다.”

3.2. AI 생산성 역설: 잠재력과 성과 간의 괴리

AI의 혁명적인 잠재력에도 불구하고, 그 도입은 많은 선진국에서 느린 생산성 성장과 동시에 나타났는데, 이를 “AI 생산성 역설”이라고 합니다. 이는 로버트 솔로우가 컴퓨터에 대해 했던 유명한 관찰인 “‘컴퓨터 시대는 생산성 통계를 제외한 모든 곳에서 볼 수 있다'”와 유사합니다.

• J-커브 채택 곡선: 이 역설의 주요 설명은 “J-커브”로, 변혁적 기술의 초기 구현이 “일시적으로 생산성을 저하시킬 수 있다”는 것을 의미합니다. 이는 AI가 “플러그 앤 플레이” 기술이 아니기 때문입니다. AI의 이점을 실현하려면 견고한 데이터 인프라 구축, 워크플로우 재설계, 인력 재교육 등 “상당하고 비용이 많이 드는 보완 투자”가 필요합니다. 또한, 새로운 AI 시스템은 “기존 프로세스, 조직 계층, 제도적 관성”과 충돌할 수 있으며, 이는 특히 오래되고 확립된 기업에서 생산성 저하를 야기합니다. 그러나 J-커브 모델은 이러한 초기 하락 이후 “기업들이 조정 기간을 성공적으로 거치면서 회복과 상승이 뒤따를 것”이라고 예측합니다.
• 측정의 어려움: 생산성 역설의 상당 부분은 “경제 측정 방식의 근본적인 결함”에도 기인합니다. GDP와 같은 전통적인 지표는 유형재의 산업 경제를 위해 설계되었으며, “무형 자산과 무료 디지털 상품에 의해 생성된 막대한 가치를 설명하는 데 어려움을 겪습니다.” 예를 들어, 오픈 소스 AI 모델이나 무료 소비자 대면 서비스는 GDP에 직접 포착되지 않는 막대한 가치를 창출합니다. 또한, GDP는 “제품 품질의 급격한 향상을 포착하는 데 취약”하며, AI는 이러한 품질 향상을 더욱 가속화할 것입니다. AI와 디지털 도구는 시장 기반 생산에서 비시장 가계 생산으로의 전환을 가능하게 하는데, 이는 개인의 복지는 증가시키지만 측정된 GDP는 감소시킬 수 있습니다. 이러한 한계를 보완하기 위해 “GDP-B(혜택을 의미)”와 같은 대안 지표가 제안되고 있습니다.

4. AI 기반 성장 모델의 재구성

AI의 독특한 특성, 즉 인지 자동화, 노동 대체, 발견 과정 자체의 자동화 능력은 기존 성장 모델의 핵심 가정을 변화시킵니다.

4.1. AI와 생산 함수: 새로운 형태의 자본?

AI는 총생산 함수 Y = A * F(K, L)의 본질을 변화시킴으로써 기존 성장 이론에 즉각적으로 도전합니다.

• 새로운 생산 요소로서의 AI: AI는 구축되고 투자되어야 하는 “자본의 한 형태”이지만, “이전에는 인간 노동에만 국한되었던 과업을 수행합니다.” 이로 인해 일부 경제학자들은 AI를 세 번째의 독특한 생산 요소로 모델링하거나 “디지털 노동”이라는 새로운 범주를 만들 것을 제안했습니다. 이는 AI의 기여를 “블랙박스”인 TFP 잔차에서 분리하여 명시적이고 측정 가능하게 만들려는 시도입니다.
• 수확 체감에 대한 도전: AI가 솔로우-스완 모델에 제기하는 중심적인 도전은 “자본에 대한 수확 체감의 힘을 무력화할 수 있는 잠재력”입니다. AI 기반 기계가 인간 노동자의 작업을 수행할 수 있다면, 자본의 생산성을 제한하던 노동이라는 제약이 완화됩니다. AI가 자동화하는 과업의 비중이 증가할수록, 총생산 함수는 콥-더글러스 함수보다는 단순한 “AK 모델처럼 작동하기 시작”할 수 있습니다. AK 모델에서는 자본 축적만으로도 “영구적인 장기 경제 성장을 지속할 수 있다”는 “놀라운 함의”가 있습니다.
• 자본 증강형 AI 대 노동 증강형 AI: AI의 영향은 그것이 주로 “인간 노동을 증강시키는지 아니면 대체하는지에 따라 결정적으로 달라집니다.”
• 노동 증강형 AI: AI가 인간 노동자의 생산성을 높이는 도구로 작용하는 경우(예: 코딩 어시스턴트, 진단 도구)는 전통적인 프레임워크에 부합하며 노동 생산성과 임금 증가로 이어질 수 있습니다.
• 노동 대체형 AI: AI가 특정 과업에서 인간 노동자를 직접 대체하는 경우(예: 고객 서비스 챗봇, 로봇 시스템)는 인공 일반 지능(AGI)의 출현과 함께 “노동의 보완재에서 점점 더 많은 영역에서 인간 노동을 불필요하게 만드는 자본의 한 형태로 결정적으로 전환”될 수 있습니다. 이 증강과 대체 간의 구분은 AI 혁명의 분배적 결과를 결정하는 “중심적인 질문”입니다. 노동을 대체하는 AI는 임금 기반 수요를 감소시켜 “수요 역설”과 경제 침체를 초래할 수 있습니다.
• 요소 소득 분배에 미치는 영향: AI의 자동화는 “국민 소득에서 자본으로 흘러가는 몫(α)은 증가하고, 노동으로 흘러가는 몫은 감소할 것”이라는 구조적 변화를 야기할 것으로 예상됩니다. 이는 소득 불평등과 사회 안정에 중대한 결과를 초래할 수 있습니다.

4.2. 발견의 자동화: 궁극적인 내생적 성장 엔진으로서의 AI

AI가 새로운 형태의 자본으로서 변혁적인 역할을 하는 반면, “가장 혁명적인 잠재력은 혁신 과정 자체를 변화시키는 능력에 있습니다.” AI는 “발명 방법을 발명하는 것(IMI)”—다른 모든 기술의 창조를 가속화하는 도구—의 다음 위대한 형태입니다.

• “아이디어 생산 함수(IPF)”에서의 AI 역할: AI는 여러 강력한 메커니즘을 통해 R&D의 효율성과 규모를 근본적으로 증가시킴으로써 IPF를 향상시킵니다.
• 아이디어 생성 가속화: 생성형 AI 모델은 신약, 화합물, 소프트웨어 코드에 대한 “방대한 양과 다양한 새로운 디자인 후보를 생산”할 수 있습니다.
• 아이디어 평가 가속화: AI 기반 시뮬레이션 모델은 새로운 디자인의 성능을 “전통적인 물리적 프로토타이핑이나 계산 집약적인 시뮬레이션보다 훨씬 빠르고 저렴하게” 예측할 수 있습니다.
• 지식 종합: AI 시스템은 방대한 과학 및 기술 지식을 “수집, 처리, 종합하여 숨겨진 패턴, 새로운 연결, 그리고 그렇지 않으면 놓쳤을 유망한 연구 방향을 식별”할 수 있습니다.
• “폭발적 성장”에 대한 논쟁: IPF의 자동화는 “경제 성장 폭발”의 가능성으로 이어집니다. AI가 “새로운 아이디어 창출에서 인간 연구자를 대체할 수 있고, 자본 자체가 축적 가능하다면, 시스템은 자기 개선이 가능해집니다.” 이는 “경제 성장률 자체가 시간이 지남에 따라 잠재적으로 무한히 가속화되도록 할 수 있는” 강력한 재귀적 순환을 만듭니다. 그러나 이러한 이론적 가능성은 다음과 같은 현실 세계의 마찰과 제약에 의해 완화됩니다.
• “지식의 부담”: 지식의 경계가 확장됨에 따라 새로운 발견을 하기가 점진적으로 더 어려워집니다.
• 자본 집약도 및 물리적 병목 현상: AI 증강 R&D는 “엄청난 계산 능력을 필요로 하는 극도로 자본 집약적”이며, 많은 R&D 분야는 여전히 “느리고 비용이 많이 드는 물리적 세계 프로세스”에 의해 제약을 받습니다.
• 기술 편향: AI 연구 도구는 “가장 엘리트 과학자들의 생산성을 불균형적으로 증대”시킬 수 있습니다.
• 인구 동태: 일부 모델은 장기적인 지식 창출이 “근본적으로 인구 동태와 연결되어 있다”고 제안합니다.

혁신의 자동화는 “장기 성장의 주요 제약을 이동”시킵니다. 로머의 세계에서 병목 현상은 인간 연구자의 유한한 공급과 그들의 창의력이었지만, AI 주도 세계에서는 이 병목이 “인간의 재능에서 자본의 가용성과 배분”으로 이동합니다. 이는 AI가 “미래 기술 리더십과 경제 성장의 새로운 주요 투입 요소”가 되었기 때문에 국가와 기업이 AI에 부여하는 “엄청난 전략적 중요성”을 설명합니다.

5. 광범위한 거시 경제 및 사회적 변화

AI의 경제 통합은 성장 모델에 미치는 영향을 훨씬 뛰어넘어 시장 구조를 재편하고, 노동 세계를 혼란에 빠뜨리며, 소득과 부의 분배를 재구성할 것입니다.

5.1. 시장 구조, 노동 및 불평등

AI의 경제적 특성은 특정 시장 구조와 결과를 적극적으로 선호하며, 이는 경쟁, 노동, 불평등에 심대한 결과를 초래합니다.

• 승자독식 시장: 현대 AI 경제는 “승자독식” 또는 “승자최다” 시장의 형성을 강력하게 장려하는 것으로 보입니다. 이는 “천문학적인 초기 투자”가 필요한 “높은 고정 비용과 규모의 경제”, 더 많은 데이터를 통해 AI 시스템을 개선하는 “데이터 네트워크 효과”, 그리고 “최고 AI 전문가를 위한 ‘인재 전쟁'”으로 인한 “인재 집중”으로 인해 발생합니다. 이러한 경향은 “경쟁 감소와 새로운 형태의 반경쟁적 행위, 예를 들어 ‘알고리즘 담합’에 대한 심각한 우려를 제기합니다.”
• 노동 시장의 혼란: AI는 “일자리 대체와 새로운 기회를 동시에 창출”합니다. AI는 “수억 개의 일자리를 자동화에 노출”시키면서도 AI 시스템의 개발, 관리, 적용과 관련된 “새로운 과제와 완전히 새로운 직업 범주”를 창출할 것입니다. 이러한 전환은 노동 시장을 “기술 양극화”로 이끌어 고숙련 노동자에 대한 수요를 높이고 루틴 인지 작업과 일부 저숙련 직업의 위험을 증가시킬 것입니다. “기존의 불평등이 악화될 수 있다”는 연구도 있으며, “고학력 고임금의 화이트칼라 노동자들도 생성형 AI로 인한 혼란에 크게 노출되어 있다”는 분석도 있습니다.
• 소득 및 부의 불평등: AI는 소득 및 부의 불평등에 심대한 결과를 초래할 것으로 예상됩니다.
• 임금 불평등: AI가 주로 고소득 지식 노동자를 대체한다면 임금 불평등을 감소시킬 수 있지만, 가장 고도로 숙련된 노동자를 강력하게 보완한다면 “임금 불평등을 급격히 증가시킬 수 있습니다.”
• 부의 불평등: “AI가 부의 불평등을 악화시킬 가능성이 있다는 데에는 훨씬 더 강력한 합의가 있습니다.” AI는 경제의 전반적인 생산성과 수익성을 높이지만, 그 수익은 “자본 소유자에게 불균형적으로 흘러갈 것입니다.” 자본 소유권이 이미 고도로 집중되어 있다는 점을 감안할 때, 이는 “AI가 창출한 부가 상위 계층에 더욱 집중되어 자본 소유자와 나머지 사회 간의 격차를 넓히는 피드백 루프를 만들 위협이 있습니다.”

5.2. 측정의 과제와 경제 이론의 미래

AI의 변혁적 성격은 경제 구조뿐만 아니라 우리가 그것을 이해하는 데 사용하는 도구에도 도전합니다.

• GDP의 부적절성: GDP는 AI 주도 경제에서 “경제 활동과 복지를 측정하는 데 있어 점점 더 결함이 있는 척도”입니다. GDP는 “무료 디지털 상품의 가치를 누락”하고, “품질 향상을 무시”하며, 사회적 복지와 “괴리”될 수 있습니다. 예를 들어, AI 주도 경제에서는 생산성 향상의 이익이 소수 엘리트에게만 돌아가거나 AI의 사회적 비용이 생산 이익을 능가할 경우 GDP는 상승하면서도 중간 복지는 정체되거나 감소할 수 있습니다.
• 경제학의 패러다임 전환이 필요한가?: AI 혁명을 수용하기 위해 기존 경제 프레임워크를 “적응”시켜야 한다는 주장(예: 모델 매개변수 수정)이 있는 반면, “AI가 20세기 경제학의 핵심 가정을 깨뜨리는 근본적인 변화를 나타내므로 새로운 이론적 틀이 필요하다”는 주장도 늘고 있습니다. 산업 혁명이 육체 노동을 자동화한 반면, AI는 “인지 과업을 자동화”하고 “발견 자체를 자동화”하여 인간의 인지적 우위를 전제로 한 경제 이론의 “근본적인 기반에 직접적으로 도전”합니다. AI가 자율적이고 자기 개선적인 경제 주체로 발전할 가능성은 자본과 노동, 도구와 주체 간의 경계를 모호하게 하며, “성장의 주요 병목이 더 이상 인간의 희소성이 아니라 자본의 가용성”인 세상은 기존 모델의 개념적 범위를 넘어설 수 있습니다.

6. 결론 및 정책 권고

AI는 기존 경제 성장 이론의 핵심 원칙에 근본적인 도전을 제기하는 “가장 최근의 기술 발전이 아니다.” 자본의 새로운 형태로서 노동을 대체하고 혁신 과정을 자동화하는 AI의 이중 능력은 경제 확장의 메커니즘을 변화시킵니다. 이 전환은 전례 없는 생산성 향상의 약속을 담고 있지만, J-커브 채택, 측정의 어려움, 그리고 노동 시장의 심각한 혼란 및 불평등 심화 가능성으로 인해 복잡하고 위험합니다. 이러한 변혁을 성공적으로 헤쳐나가기 위해서는 AI의 잠재력을 활용하고 위험을 완화하는 “사전적이고 정교한 정책 대응”이 필요합니다.

다음과 같은 정책적 필요성이 도출됩니다.

• 새로운 혁신 엔진에 투자하여 성장 활용: R&D 자동화는 기술 진보의 주요 병목을 인간의 재능에서 “자본, 특히 계산 자본”으로 이동시킵니다. 정부는 AI 연구 자금 지원, 국가 컴퓨팅 자원 구축, 오픈 소스 AI 생태계 조성 등 “이 새로운 혁신 인프라를 구축하고 운영하는 데 필요한 막대한 투자를 지원하는 정책”을 채택해야 합니다.
• 공동 번영을 위한 분배 관리: AI가 노동을 희생시키면서 자본 수익을 증가시키는 경향은 그 “분배적 결과를 관리하기 위한 긴급하고 사전적인 대응”을 요구합니다. 시장 원리만으로는 “용납할 수 없는 수준의 부와 소득 불평등”으로 이어질 수 있습니다. 정책 입안자들은 실업 노동자를 지원하기 위해 사회 안전망을 강화하고, AI 보완적 인력을 양성하기 위한 교육 및 재교육 프로그램에 “막대한 투자”를 해야 합니다. 또한, “자본이 소득의 점점 더 많은 부분을 창출하는 경제에 적합한” AGI 자본세, AI 자산의 광범위한 소유, 보편적 기본 소득(UBI)과 같은 “새로운 재분배 메커니즘”을 고려해야 합니다.
• 정책 안내를 위한 측정 재고: 측정할 수 없는 것을 관리할 수 없습니다. “무형의, 종종 무료인, 디지털 가치 창출 시대에 GDP를 경제 건강의 주요 지표로 계속 의존하는 것은 지속 불가능합니다.” 국가 통계 기관은 국제 협력을 통해 복지, 소비자 잉여, 품질 향상 및 비시장 활동의 측정되지 않은 가치를 더 잘 포착하는 “새로운 지표를 개발하고 보편화하는 데 투자”해야 합니다.
• 불확실한 미래를 위한 적응형 거버넌스 채택: AI 개발의 궤적은 매우 불확실합니다. 이러한 불확실성은 “경직된 예측 기반 정책 수립에서 벗어나 보다 유연하고 적응적이며 시나리오 기반의 거버넌스 접근 방식”으로의 전환을 요구합니다. 기관들은 내부 AI 전문성을 신속하게 구축하고 기술과 함께 발전할 수 있는 프레임워크를 만들어야 합니다. 여기에는 시장 집중, 알고리즘 편향, 금융 안정성, 광범위한 사회 복지와 관련된 “새롭게 부상하는 위험을 관리”하면서도 규제 조치가 “혁신을 조기에 억압하지 않도록” 보장하는 것이 포함됩니다. 본질적으로 글로벌한 기술을 관리하기 위해서는 “국가 간 협력”이 필수적입니다.

요약

인공지능(AI)의 등장은 기술과 사회뿐만 아니라 경제 이론의 근본 원칙에도 분수령이 되고 있습니다. 본 보고서는 AI가 지난 반세기 동안 정책과 이해를 이끌어온 전통적인 경제 성장 모델에 어떻게 도전하고 재구성하는지에 대한 포괄적인 분석을 제공합니다. 보고서는 장기 1인당 성장을 설명할 수 없는 외생적 기술 진보의 힘으로 돌리는 솔로우-스완 신고전학파 모델과, 인간 주도의 혁신과 지식 창출의 함수로 진보를 내재화하는 내생적 성장 이론의 이론적 기반을 확립하는 것으로 시작합니다.

그 후 분석은 AI로 전환하여, 증기 기관 및 전기와 비견될 만한 역사적 중요성을 지닌 범용 기술(GPT)로 규정합니다. 그러나 AI의 경제적 영향은 현재 “생산성 역설”에 가려져 있습니다. 이는 AI의 변혁적 잠재력과 부진한 측정 경제 성장 간의 단절을 의미합니다. 본 보고서는 이 역설을 해체하며, 상당한 구현 지연, “J-커브” 채택으로 묘사되는 조직적 조정 비용, 그리고 점점 더 디지털화되고 무형화되는 경제에 내재된 심오한 측정 과제의 조합에 기인한다고 설명합니다.

본 보고서의 핵심은 AI가 전통적인 성장 모델의 구성 요소를 근본적으로 어떻게 바꾸는지를 검토하는 것입니다. 첫째, 노동을 대체할 잠재력을 가진 새로운 형태의 자본으로 작용함으로써 AI는 신고전학파의 수확 체감 가설에 도전하며, 자본 축적만으로 지속적인 성장의 가능성을 엽니다. 이는 AI가 주로 인간 노동을 증강시켜 공동 번영을 이끌 것인지, 아니면 노동을 대체하여 더 깊은 불평등과 임금 기반 수요 감소가 성장을 저해할 수 있는 잠재적 역설을 초래할 위험이 있는지에 대한 논쟁을 전환시킵니다.

둘째, 그리고 더 심오하게, AI의 인지 과제 자동화 능력은 AI가 혁신 과정 자체에 직접적인 투입 요소가 될 수 있게 합니다. 즉, “발명 방법을 발명하는 것”입니다. “아이디어 생산 함수”에서 인간 연구자를 증강하거나 대체함으로써 AI는 내생적 성장의 바로 그 엔진을 변형시킵니다. 이는 기술이 스스로를 개선할 수 있는 재귀적 순환을 만들어내며, 장기 성장의 주요 병목 현상을 인간의 창의력 부족에서 컴퓨팅 및 R&D를 위한 자본의 가용성으로 전환시킵니다. 이는 경제 성장의 폭발적 잠재력을 제시하지만, 발견의 난이도 증가와 물리적 세계의 병목 현상 지속 등 상당한 현실적 마찰에 의해 완화됩니다.

마지막으로, 보고서는 승자독식 시장 구조의 악화, 노동 시장의 복잡한 혼란, 부의 불평등 심화 등 이러한 전환의 광범위한 거시 경제적 결과를 탐구합니다. 보고서는 AI의 독특한 능력, 특히 발견의 자동화가 인간의 인지적 우위를 전제로 한 모델을 넘어서는 경제 이론의 패러다임 전환을 필요로 할 수 있다고 결론짓습니다. 보고서는 AI의 성장 잠재력을 활용하면서도 심오한 분배적 결과를 선제적으로 관리하고, 경제 측정을 재고하며, 불확실한 미래를 위한 유연한 거버넌스 프레임워크를 채택하는 데 초점을 맞춘 정책 권고로 마무리됩니다.

파트 I: 전통적 경제 성장 모델

인공지능의 혁명적인 경제적 잠재력을 이해하기 위해서는 먼저 경제학자들이 전통적으로 장기 성장을 분석해 온 이론적 틀을 이해해야 합니다. 20세기 후반 동안 두 가지 지배적인 패러다임이 이러한 이해를 형성해 왔습니다. 기술 진보를 외부의 선물로 취급하는 신고전학파 모델과, 진보를 경제 활동의 내부 결과로 설명하려는 내생적 성장 모델입니다. 이 모델들은 AI가 경제 확장의 규칙을 어떻게 다시 쓸 수 있는지를 평가하기 위한 필수적인 언어와 논리를 제공합니다.

섹션 1: 신고전학파의 기준: 솔로우-스완 모델과 외생적 성장

1956년 로버트 솔로우와 트레버 스완이 독립적으로 개발한 솔로우-스완 모델은 현대 성장 경제학의 기초적인 틀로 자리 잡고 있습니다. 이 모델은 자본 축적, 노동력 성장, 기술 진보가 경제의 장기 성장을 어떻게 견인하는지를 엄밀하고 수학적으로 우아하게 설명합니다.  

핵심 메커니즘

솔로우-스완 모델의 핵심은 총생산 함수를 중심으로 구축되며, 이는 경제가 주요 투입 요소인 자본(K)과 노동(L)을 결합하여 산출물(Y)을 생산하는 방식을 설명합니다. 이 함수는 종종 콥-더글러스 형태인 Y = A * F(K, L)로 명시되며, 여기서 A는 생산성 또는 현재 기술 수준을 나타냅니다. 모델의 중심 동력은 자본 축적 과정을 중심으로 전개됩니다. 산출물의 일정한 비율인 저축률(  

s)이 저축되어 새로운 자본에 투자됩니다. 그러나 이 축적은 두 가지 힘에 의해 상쇄됩니다. 기존 자본 스톡이 일정한 비율(δ)로 감가상각되고, 노동력이 비율(n)로 성장하는 것입니다. 모델의 핵심 미분 방정식은 유효 노동자 1인당 자본 스톡의 변화를 설명하며, 투자와 이를 희석시키는 힘 사이의 근본적인 긴장을 포착합니다.  

수확 체감과 정상 상태

솔로우-스완 모델의 중요한 가정은 자본에 대한 수확 체감의 원칙입니다. 이는 경제가 노동자 1인당 더 많은 자본을 추가함에 따라, 추가되는 각 자본 단위가 점진적으로 더 작은 산출량 증가를 가져온다는 것을 의미합니다. 예를 들어, 농장에 첫 번째 트랙터는 생산성을 극적으로 높이지만, 열 번째 트랙터는 훨씬 적게 추가합니다. 이 속성은 강력한 함의를 가집니다. 즉, 자본 축적만으로는 1인당 소득의 영구적인 성장을 창출할 수 없다는 것입니다.  

기업이 투자함에 따라 노동자 1인당 자본 스톡은 증가하지만, 그 새로운 자본에 대한 수익은 감소합니다. 결국 경제는 새로운 투자액이 감가상각과 인구 성장의 효과를 상쇄하기에 충분한 지점에 도달합니다. 이 시점에서 노동자 1인당 자본 스톡은 일정해지고, 경제는 “정상 상태 균형”에 도달했다고 합니다. 이 정상 상태에서는 1인당 산출물과 1인당 자본이 일정하므로, 자본 축적만으로 인한 생활 수준의 성장은 더 이상 없습니다.  

외생적 기술의 우위 (총요소생산성 – TFP)

자본 축적이 장기 성장을 지속할 수 없다면, 무엇이 할 수 있을까요? 솔로우-스완 모델의 대답은 명확합니다: 기술 진보입니다. 모델에서 변수  

A, 즉 총요소생산성(TFP)은 자본과 노동이 결합되는 효율성을 포착합니다. 이는 사회의 지식, 생산 기술, 조직 방법을 나타냅니다. 1인당 소득의 지속적인 장기 성장은 이 TFP 요소 A가 시간이 지남에 따라 지속적으로 증가할 때만 가능합니다.  

결정적으로, 모델은 이 기술 진보를 외생적으로 취급합니다. 즉, 일정한 비율로 성장한다고 가정하지만, 모델은 이 성장이 어디서 오는지 설명하지 않습니다. 이는 사실상 경제 시스템 외부로부터의 “블랙박스” 또는 선물입니다. 측정 가능한 자본 및 노동 투입량 증가로 설명할 수 없는 관찰된 경제 성장의 부분은 “솔로우 잔차”라고 불리며, 이 설명되지 않은 기술 변화에 대한 경험적 대리 변수 역할을 합니다.  

이러한 구조 자체는 컴퓨터와 AI 모두에서 관찰된 “생산성 역설”과 같은 주요 기술 변화에 직면한 실망스러운 경제 성과 기간을 이해하는 데 강력하지만 궁극적으로는 불만족스러운 틀을 제공합니다. 논리는 간단합니다. 만약 AI와 같은 신기술이 주로 새롭고 더 나은 형태의 자본(  

K)으로 채택된다면, 모델은 그 성장 영향이 수확 체감에 의해 제약을 받을 것이라고 예측합니다. AI에 대한 대규모 투자는 자본 심화와 소득 수준의 일회성 상승으로 이어지겠지만, 성장률을 영구적으로 높이지는 않을 것입니다. 지속적인 성장 가속화를 위해서는 기술이 외생적 TFP 요소(A)를 근본적으로 그리고 지속적으로 증가시켜야 하며, 이는 투자만으로는 보장되지 않는 결과입니다. AI 투자 급증에도 불구하고 생산성 성장 둔화가 관찰되는 것은, AI가 지금까지 영원히 증가하는 효율성의 마법적인 원천(TFP)이라기보다는 새로운 유형의 기계(자본)처럼 작용했다는 솔로우 세계 해석과 완벽하게 일치합니다.  

주요 예측과 시사점

솔로우-스완 모델은 경제 사상과 정책에 심오한 영향을 미친 두 가지 주요 예측을 내놓습니다. 첫째는 수렴의 개념입니다. 모델은 다른 모든 조건이 동일하다면, 노동자 1인당 자본 수준이 낮은 가난한 나라가 부유한 나라보다 더 빨리 성장해야 한다고 예측합니다. 이는 수확 체감의 직접적인 결과입니다. 자본이 희소한 곳에서는 자본의 한계 생산물이 더 높으므로, 개발도상국에서 투자가 더 큰 수익을 냅니다. 시간이 지남에 따라 이는 “따라잡기” 효과로 이어져, 가난한 나라와 부유한 나라의 소득 수준이 수렴하게 됩니다.  

둘째, 모델은 뚜렷한 정책적 한계를 가집니다. 장기 성장률이 오직 외생적인 기술 진보율에 의해 결정되기 때문에, 국내 정책은 제한적인 영향을 미칩니다. 예를 들어, 국가의 국민 저축률을 성공적으로 높이는 정책은 더 많은 자본을 축적하고 더 높은 1인당 소득의 정상 상태 수준에 도달하게 할 수 있습니다. 그러나 이는 단지 “수준 효과”만을 낳을 뿐, 경제의 장기 성장률을 영구적으로 바꿀 수는 없으며, 이는 설명되지 않는 기술 진보율에 묶여 있습니다.  

섹션 2: 내생적 성장 혁명: 성장 엔진의 내재화

1980년대에 이르러 솔로우-스완 모델의 한계, 특히 장기 성장을 견인하기 위해 설명되지 않는 외생적 요인에 의존하는 점이 새로운 경제 연구의 물결을 촉발시켰습니다. 이는 내생적 성장 이론의 발전으로 이어졌는데, 이 패러다임은 기술 진보를 모델 자체 내에서 의도적인 경제 활동의 결과로 취급하여 “내생화”하고자 합니다. 폴 로머와 로버트 루카스와 같은 경제학자들이 이러한 이론을 개척하며, TFP의 “블랙박스”를 열고 장기적인 생활 수준 향상을 지속시키는 힘을 설명하고자 했습니다.  

TFP의 “블랙박스” 해결

내생적 성장 이론은 기술 진보가 공짜 선물이라는 신고전학파의 견해에 근본적으로 도전합니다. 대신, 성장은 지식, 혁신, 인적 자본에 대한 투자에 의해 주도되며, 이는 경제적 인센티브와 정책의 영향을 받는다고 가정합니다. 기업과 개인은 이러한 활동에서 이익을 얻을 것으로 기대하기 때문에 연구개발(R&D)과 교육에 투자합니다. 그렇게 함으로써 그들은 전체 경제를 앞으로 나아가게 하는 새로운 아이디어와 향상된 기술을 창출합니다. 따라서 장기 성장률은 경제 시스템 외부가 아닌  

내부의 힘에 의해 결정됩니다.  

인적 자본과 지식의 역할

이 이론의 핵심 통찰은 지식이 물리적 자본과 근본적으로 다르다는 것입니다. 물리적 자본은 경합재이며 수확 체감의 법칙을 따르지만, 지식은 지속적인 성장을 가능하게 하는 독특한 속성을 가지고 있습니다. 핵심 속성은 비경합성입니다. 한 사람이 아이디어(예: 신약의 공식이나 소프트웨어 코드)를 사용하는 것이 다른 사람이 동시에 사용하는 것을 막지 않습니다. 이는 새로운 아이디어가 전체 경제에 혜택을 줄 수 있게 합니다.  

더욱이, 지식 생산은 규모에 대한 수확 체증을 보일 수 있습니다. 유명한 “거인의 어깨 위에 서서” 효과는 기존 지식의 축적이 새로운 지식의 창출을 더 쉽게 만든다는 것을 시사합니다. 이는 선순환을 만듭니다. 더 많은 지식은 더 많은 혁신으로 이어지고, 이는 다시 더 많은 지식을 생성하여 영구적인 성장을 이끌어 냅니다.  

내생적 성장의 메커니즘

이러한 역학을 포착하기 위해 여러 가지 독특한 모델이 개발되었습니다:

• 지식 파급효과: 수확 체감을 극복하는 한 가지 메커니즘은 R&D로부터의 긍정적 외부성, 즉 “파급효과”의 존재입니다. 한 기업이 새로운 기술을 창출하기 위해 투자할 때, 그 과정에서 생성된 지식은 초기 연구 비용을 부담하지 않은 다른 기업과 산업에도 혜택을 주는 경우가 많습니다. 이러한 R&D의 사회적 수익은 사적 수익보다 훨씬 높을 수 있으며, 총체적 수준에서 투자 수익이 감소하지 않도록 보장합니다.  
• “AK” 모델: 가장 단순한 내생적 성장 모델인 “AK 모델”은 솔로우 프레임워크와 뚜렷한 대조를 이룹니다. 이 모델은 Y = AK 형태의 생산 함수를 가정하는데, 여기서 K는 물리적 자본뿐만 아니라 인적 자본과 지식 자본을 포함하는 광범위한 자본 복합체를 나타냅니다. 이 광범위한 자본 스톡에 대한 수확 불변을 가정함으로써, 모델은 수확 체감의 힘을 완전히 제거합니다. 이 세계에서는 저축/투자율을 높이는 모든 정책이 영구적으로 더 높은 경제 성장률로 이어질 수 있으며, 이를 제약할 정상 상태 균형은 없습니다.  
• 로머의 혁신 모델: 폴 로머의 더 정교한 모델은 경제를 두 부문으로 명시적으로 나눕니다. 최종재 부문은 노동, 자본, 그리고 일련의 “아이디어” 또는 “설계”를 사용하여 산출물을 생산하고, R&D 부문은 연구자와 기존 지식 스톡을 사용하여 새로운 아이디어를 생산합니다. 이러한 새로운 아이디어는 비경합적이며 재화 부문의 모든 기업이 사용할 수 있습니다. 비용이 많이 드는 R&D 작업을 장려하기 위해, 모델은 혁신가에게 그들의 창작물에 대한 일시적인 독점권(예: 특허를 통해)이 부여되어 이익을 얻을 수 있다고 가정합니다. 이러한 독점 이윤 추구가 R&D 투자와 결과적으로 지속적인 경제 성장을 이끄는 엔진입니다.  

정책적 시사점

내생적 성장 이론의 정책적 시사점은 솔로우 모델보다 훨씬 낙관적입니다. 만약 성장의 엔진이 경제 내부에 있다면, 정책은 장기 성장률에 강력하고 영구적인 영향을 미칠 수 있습니다. 인적 자본과 지식 창출에 대한 투자를 장려하는 정부 조치—예를 들어 R&D 보조금, 교육 자금 지원, 지적 재산권 보호, 개방과 경쟁을 촉진하는 정책—는 경제의 혁신 역량을 직접적으로 증가시키고 성장 궤도를 가속화할 수 있습니다.  

이러한 이론적 전환은 AI의 가장 심오한 잠재적 경제적 영향을 이해하기 위한 무대를 마련합니다. “아이디어 생산”을 특정 투입물을 가진 경제 활동으로 모델링함으로써, 내생적 성장 이론은 혁신 과정 자체를 바꿀 수 있는 기술을 분석하는 데 필요한 정확한 프레임워크를 제공합니다. 이론의 “아이디어 생산 함수”는 ΔA = f(L_R, A)로 개념화될 수 있으며, 여기서 지식 스톡의 변화(ΔA)는 연구자 수(L_R)와 기존 지식 스톡(A)의 함수입니다. 인지를 증강하고 자동화하는 도구로서의 AI는 이 방정식에 직접적으로 들어갈 수 있는 독특한 위치에 있습니다. R&D의 산출물(새로운 아이디어)로서뿐만 아니라, 과정에 대한 새롭고 강력한  

투입물로서 말입니다: ΔA = f(L_R, A, AI). 이는 과거 기술과의 근본적인 차이점입니다. 증기 기관이 재화 생산에서 육체 노동을 증강시켰다면, AI는  

아이디어 생산에서 인지 노동을 증강하거나 심지어 대체할 잠재력을 가지고 있습니다. 이것이 바로 AI가 역사적 성장 패턴에서 벗어나 현재 경제 논쟁의 많은 부분을 차지하는 “폭발적 성장” 시나리오를 만들어낼 수 있는 이론적 경로입니다.  

파트 II: 새로운 경제 동력으로서의 인공지능

경제 성장의 기초 이론을 확립한 후, 이제 분석은 인공지능 자체로 향합니다. AI가 이러한 모델들을 어떻게 재구성할 수 있는지 이해하기 위해서는 먼저 그 독특한 기술적, 경제적 속성을 규정하는 것이 필수적입니다. AI는 단지 점진적인 개선이 아니라, 시스템적 영향을 미칠 잠재력을 가진 범용 기술(GPT)입니다. 그러나 이 잠재력은 현재 당혹스러운 경제 현실, 즉 AI 생산성 역설에 의해 가려져 있습니다.

섹션 3: 범용 기술(GPT)로서의 AI 특성 규정

모든 기술이 동등하게 만들어지지는 않습니다. 대부분의 혁신은 특정 목적을 수행하지만, 범용 기술(General-Purpose Technologies)로 알려진 소수의 기술은 전체 경제와 사회를 재편할 만큼 근본적입니다. 증기 기관, 전기, 인터넷이 그 대표적인 예입니다. 오늘날 AI는 새로운 경제 변혁의 물결을 촉발할 다음 GPT로 자리매김하고 있습니다.  

GPT의 정의

GPT는 세 가지 핵심 특성으로 구별됩니다 :  

1. 보편성: GPT의 영향은 단일 산업에 국한되지 않고 경제 전반에 널리 확산되어 다양한 부문과 비즈니스 기능에서 가치를 창출합니다. AI는 의료, 금융, 제조, 물류 등 다양한 분야에서 응용 프로그램이 등장하며 이를 잘 보여줍니다.  
2. 지속적인 개선: GPT는 정적인 발명품이 아니라 시간이 지남에 따라 개선되어 점진적으로 더 강력하고 효율적이며 비용 효과적이 되는 기술입니다. 이는 채택 증가가 추가적인 혁신과 개선을 촉진하는 선순환 피드백 고리를 만듭니다. AI 연구소 간의 치열한 경쟁으로 인한 빠른 모델 향상은 이러한 역학의 명백한 발현입니다.  
3. 혁신 유발: 아마도 가장 중요한 것은, GPT가 후속 발명과 혁신을 위한 플랫폼 역할을 한다는 것입니다. 이는 방대한 보완 기술, 신제품, 그리고 완전히 새로운 비즈니스 모델의 생태계 창출을 가능하게 합니다. AI는 이미 신약 개발에서부터 자율 주행 차량에 이르기까지 다양한 분야에서 혁신을 촉진하고 있습니다.  

GPT의 경제적 영향은 일반적으로 여러 층으로 전개됩니다. 이는 막대한 자본 투자와 기술 전문 지식을 요구하는 고비용의 인프라 계층에서 시작됩니다. AI에서는 데이터 센터, 특수 반도체, 고성능 컴퓨팅 클러스터로 구성됩니다. 그 다음은  

플랫폼 계층으로, 핵심 기술이 표준화되고 주요 기술 기업이 제공하는 대규모 파운데이션 모델과 API를 통해 더 쉽게 접근할 수 있게 됩니다. 마지막으로, 이는  

애플리케이션 계층에서 활동의 폭발을 가능하게 하여, 진입 장벽이 낮아져 수많은 특정 사용 사례에 걸쳐 광범위하고 분산된 혁신과 가치 창출을 허용합니다. 이러한 계층 구조는 발전소와 송전망 건설이 전기 모터와 가전제품의 확산에 필요한 전제 조건이었던 전기의 보급과 유사합니다.  

GPT 도입 단계

GPT의 사회적, 경제적 통합은 즉각적으로 이루어지지 않고 뚜렷한 단계를 거쳐 진행되며, 이는 기술 발명과 완전한 생산성 영향 사이에서 종종 관찰되는 시차를 설명하는 데 도움이 됩니다.  

1. 포인트 솔루션: 초기에 신기술은 기존 시스템 내에서 고립된 작업을 수행하는 데 사용되어, 워크플로우를 근본적으로 바꾸지 않고 점진적인 이득을 제공합니다. 초기 공장은 중앙 증기 기관을 하나의 대형 전기 모터로 교체했을 수 있지만, 비효율적인 벨트와 풀리 시스템은 그대로 유지했습니다.  
2. 광범위한 적용: 기술이 확산됨에 따라 다른 기능들을 연결하기 시작하여 전반적인 생산성을 향상시킵니다. 공장들은 개별 기계에 더 작은 전기 모터를 배치하기 시작하여 더 유연한 레이아웃을 가능하게 했습니다.  
3. 시스템 수준의 변화: 마지막 단계에서 기술은 프로세스와 전체 산업의 완전한 재설계를 가능하게 합니다. 전기를 완전히 수용한 것은 현대적인 조립 라인의 발명을 가능하게 하여, 제조업을 근본적으로 변화시켰습니다.  

AI는 현재 이러한 단계를 거치고 있습니다. 많은 기업들이 여전히 송장 처리나 고객 서비스 챗봇과 같은 특정 작업을 위한 포인트 솔루션으로 AI를 배포하는 단계에 있습니다. 그러나 더 광범위한 통합을 나타내는 고급 애플리케이션이 등장하고 있으며, 시스템적이고 산업 전반에 걸친 변혁의 전망이 지평선에 어렴풋이 보입니다.  

섹션 4: AI 생산성 역설: 잠재력과 성과의 조화

GPT로서의 AI의 혁명적인 잠재력에도 불구하고, 그 등장은 많은 선진국에서 눈에 띄게 느린 생산성 성장 기간과 일치했습니다. 기술적 약속과 측정된 경제 성과 사이의 이러한 단절은 “AI 생산성 역설”로 알려져 있습니다. 이는 1987년 로버트 솔로우가 컴퓨터에 대해 한 유명한 관찰을 떠올리게 합니다: “컴퓨터 시대는 생산성 통계를 제외한 모든 곳에서 볼 수 있다”.  

J-커브 채택 곡선

이 역설에 대한 주요 설명 중 하나는 기술 채택의 “J-커브”로, 변혁적 기술의 초기 구현이 장기적으로 상당한 이익을 가져오기 전에 일시적으로 생산성을 저하시킬 수 있다고 가정합니다. 미국 제조업체에 대한 연구에 따르면 AI를 채택하는 조직은 초기에 측정 가능한 생산성 저하를 보이며, 이는 가장 높은 기대 수익을 가진 기업이 조기 채택할 가능성이 가장 높다는 사실을 고려할 때 상당할 수 있습니다.  

이 초기 하락은 단순히 “성장통”의 문제가 아니라, 시스템적 변화와 관련된 뿌리 깊은 마찰과 비용을 반영합니다 :  

• 높은 조정 비용: AI는 “플러그 앤 플레이” 기술이 아닙니다. 그 이점을 실현하려면 상당하고 비용이 많이 드는 보완 투자가 필요합니다. 기업은 견고한 데이터 인프라를 구축하고, 오래된 워크플로우를 재설계하며, 인력의 재교육 및 훈련에 막대하게 투자해야 합니다. 이러한 투자는 단기적으로 자원을 전환시키고 운영을 방해합니다.  
• 기존 시스템과의 불일치: 새로운 AI 시스템은 종종 기존 프로세스, 조직 계층, 제도적 관성과 충돌합니다. 이는 특히 오래되고 더 확립된 기업에 해당되며, 이들은 구조화된 관리 관행을 적응시키는 데 어려움을 겪을 수 있으며 AI 채택 후 이러한 관행이 저하되어 생산성 손실의 상당 부분을 차지할 수 있습니다.  

장기적 이익까지의 시차

J-커브 모델은 이러한 저성과 기간 이후에 기업들이 조정 기간을 성공적으로 거치면서 회복과 상승이 뒤따를 것으로 예측합니다. 다년간의 기간에 걸쳐 AI를 채택한 기업은 채택하지 않은 동종 기업보다 생산성과 시장 점유율 모두에서 더 나은 성과를 보이는 경향이 있습니다. 이 회복 단계는 프로세스의 미세 조정, 디지털 도구의 확장, 새로운 AI 시스템에 의해 생성된 데이터 기반 통찰력의 자본화로 특징지어집니다. 그러나 이러한 상승세는 균등하게 분배되지 않습니다. 가장 강력하고 빠른 이익을 보는 기업은 일반적으로 AI를 채택하기 전에 이미 디지털적으로 성숙했던 기업과 많은 고객 및 시장에 걸쳐 이점을 확장할 수 있을 만큼 큰 기업입니다.  

이 J-커브 현상은 AI 채택 이야기의 기술적인 각주에 불과한 것이 아니라, GPT가 촉발하는 심오하고 종종 고통스러운 창조적 파괴 과정의 거시경제적 신호입니다. 곡선의 “하락”은 실제 경제적 비용, 조직적 혼란, 그리고 오래된 형태의 자본과 오래된 기술의 가치를 떨어뜨리는 자원 재분배를 나타냅니다. 오래된 기업들이 더 심각하게 어려움을 겪고 결국의 이익이 소수의 디지털적으로 발전된 기업 그룹에 의해 포착된다는 사실은 역설이 단지 측정 시차가 아님을 드러냅니다. 이는 기술 혁명의 비용을 누가 부담하고 누가 보상을 받는가에 대한 근본적인 미시경제적 및 분배적 싸움의 가시적인 증상입니다.  

측정의 어려움

생산성 역설의 상당 부분은 우리가 경제를 측정하는 방식의 근본적인 결함에도 기인할 수 있습니다. 국내총생산(GDP)과 같은 전통적인 지표는 유형재의 산업 경제를 위해 설계되었으며, AI와 디지털 시대에 창출된 가치를 포착하는 데는 부적합합니다.  

• 무형 및 비시장 가치: GDP는 시장 거래의 금전적 가치에 기반합니다. 결과적으로, 무형 자산과 무료 디지털 상품에 의해 생성된 막대한 가치를 설명하는 데 어려움을 겪습니다. 비용을 절감하고 수많은 비즈니스의 혁신을 촉진하는 Llama와 같은 오픈 소스 AI 모델은 GDP에 직접적으로 포착되지 않는 막대한 경제적 가치에 기여합니다. 마찬가지로, 구글 지도나 위키피디아와 같은 무료 소비자 대면 서비스는 가격이 0이기 때문에 공식 통계에는 보이지 않는 수십억 달러의 소비자 복지(또는 잉여)를 제공합니다.  
• 측정되지 않은 품질 향상: GDP는 제품 품질의 급격한 향상을 포착하는 데 취약합니다. 오늘날의 스마트폰은 20년 전에는 엄청난 비용이 들었을 카메라, GPS, 컴퓨팅 성능을 포함하고 있지만, 이러한 막대한 소비자 가치 증가는 경제 계정에 완전히 반영되지 않습니다. AI는 광범위한 상품과 서비스에 걸쳐 이러한 품질 향상을 가속화할 것입니다.  
• 비시장 생산으로의 전환: AI와 디지털 도구는 시장 기반 생산에서 비시장 가계 생산으로의 전환을 가능하게 합니다. 예를 들어, 개인이 무료 AI 도구를 사용하여 복잡한 휴가를 계획하는 것은 유료 여행사 서비스를 대체하는 것입니다. 개인의 복지는 증가했을 수 있지만, 시장 거래가 제거되었기 때문에 측정된 GDP는 감소합니다.  

이러한 단점에 대응하여 경제학자들은 새롭고 무료인 디지털 상품으로부터의 소비자 잉여와 복지 이득을 측정하려는 “GDP-B”(혜택을 의미)와 같은 대안 지표를 개발하기 시작했으며, 이는 경제적 복지에 대한 보다 전체적인 그림을 제공합니다. 이러한 측정 문제와 채택의 J-커브가 결합되어 현재의 AI 생산성 역설에 대한 설득력 있는 설명을 제공합니다. 이는 경제 혁명이 실제로 진행 중이지만, 그 효과가 구현 마찰에 의해 지연되고 구식 통계 렌즈에 의해 가려져 있음을 시사합니다.  

파트 III: 성장 모델의 재구성: AI 기반 분석

인공지능이 범용 기술로 부상함에 따라, 기초적인 성장 모델에 대한 직접적인 재검토가 필요합니다. 인지 자동화, 노동 대체, 그리고 잠재적으로 발견 과정 자체를 자동화하는 AI의 독특한 특성은 신고전학파와 내생적 성장 패러다임 모두의 핵심 가정에 타격을 줍니다. 이 섹션에서는 AI를 이러한 프레임워크에 통합하는 것이 그 메커니즘과 예측을 어떻게 변형시키는지 비교 개요부터 시작하여 분석합니다.

표 1: 경제 성장 모델의 비교 프레임워크

특징	솔로우-스완 (신고전학파)	내생적 성장 (로머/루카스)	AI 수정 신고전학파	AI 수정 내생적 성장
주요 성장 동력	외생적 기술 진보 (TFP)	내생적 혁신 및 인적 자본	발전된 형태의 자본으로서의 AI; 과업 자동화	혁신 과정(R&D)을 자동화하는 AI
기술의 역할	외부적, 설명되지 않는 “잔차”	경제 시스템의 산출물	새롭고, 잠재적으로 자가 복제 가능한 생산 요소	자가 개선되는 “발명 방법”
자본 수익률	체감	일정 또는 체증 (파급효과로 인해)	AI가 노동을 대체할 경우 잠재적으로 체감하지 않음	체증, 잠재적으로 폭발적 성장으로 이어짐
장기 성장	외생적 기술 성장률에 의해 결정됨	R&D/교육 투자에 의해 결정됨	자본 축적만으로 지속 가능	시간이 지남에 따라 가속화될 수 있음
핵심 정책 수단	저축 증대 (수준 효과만)	R&D, 교육 보조 (성장 효과)	자본-노동 대체 관리; 노동 재교육	AI R&D 인프라 투자; 혁신 파급효과 관리

섹션 5: AI와 생산 함수: 새로운 형태의 자본인가?

AI가 전통적인 성장 이론에 도전하는 가장 즉각적인 방법은 총생산 함수 Y = A * F(K, L)의 본질을 바꾸는 것입니다. “자본-노동 하이브리드”로서의 역할은 생산 요소 간의 관계와 수확 체감의 기본 법칙에 대한 재고를 강요합니다.  

새로운 생산 요소로서의 AI

표준 모델은 투입물을 자본과 노동으로 취급합니다. AI는 이 경계를 모호하게 만듭니다. 그것은 자본의 한 형태입니다—건설되고 투자되어야 합니다—하지만 이전에는 인간 노동에만 국한되었던 과업을 수행합니다. 이로 인해 일부 경제학자들은 AI를 세 번째의 독특한 생산 요소로 모델링하거나, 더 급진적으로는 “디지털 노동”이라는 새로운 범주를 만들 것을 제안했습니다. 이러한 재분류의 목표는 AI의 기여를 관찰되지 않는 TFP 잔차에서 끌어내어 그 영향을 명시적이고 측정 가능하게 만드는 것입니다. 이는 AI에 대한 투자가 어떻게 산출물로 전환되는지에 대한 직접적인 회계를 가능하게 하며, 이를 신비한 “블랙박스”의 일부로 취급하는 대신입니다.  

수확 체감에 대한 도전

AI가 솔로우-스완 모델에 제기하는 중심적인 도전은 자본에 대한 수확 체감의 힘을 무력화할 수 있는 잠재력입니다. 표준 모델에서 자본은 생산적이기 위해 보완적인 노동을 필요로 합니다. 노동자당 더 많은 기계를 추가하면 기계는 덜 유용해집니다. 그러나 AI 기반 기계가 노동자 자신의 작업을 수행할 수 있다면 이 제약은 완화됩니다.  

과업 기반 프레임워크를 사용하면, AI가 이전에 인간이 수행했던 과업의 점점 더 많은 부분을 자동화함에 따라 총생산 함수는 콥-더글러스 함수보다는 단순한 AK 모델처럼 작동하기 시작한다는 것을 알 수 있습니다.  

AK 세계에서 자본은 고정된 노동 공급에 의해 병목 현상을 겪지 않고 효과적으로 “자가 복제”할 수 있습니다. 이것은 놀라운 함의를 가집니다. AI에 투입된다면 자본 축적만으로도 영구적인 장기 경제 성장을 지속할 수 있다는 것입니다. 이 발견은 솔로우-스완 모델의 가장 근본적인 결론과 직접적으로 모순되며, 충분히 발전된 AI가 새로운 성장 체제를 열 수 있음을 시사합니다.  

자본 증강형 AI 대 노동 증강형 AI

AI의 정확한 영향은 그것이 주로 인간 노동을 증강시키는지 아니면 대체하는지에 따라 결정적으로 달라집니다.

• 노동 증강형 AI: 이 역할에서 AI는 인간 노동자의 생산성을 높이는 강력한 도구로 작용합니다. 개발자가 코드를 더 빨리 작성하도록 돕는 AI 기반 코딩 어시스턴트나 의사가 의료 이미지를 더 정확하게 분석하도록 돕는 진단 도구 등이 그 예입니다. 이러한 형태의 AI는 전통적인 프레임워크에 편안하게 들어맞으며, 노동자 생산성과 잠재적으로 임금을 증가시킬 것으로 예상됩니다.  
• 노동 대체형 AI: 이 역할에서 AI는 특정 과업에서 인간 노동자를 직접 대체합니다. 이는 자동화된 고객 서비스 상담원부터 제조 및 물류 분야의 로봇 시스템에 이르기까지 다양합니다. AI가 더욱 정교해짐에 따라, 특히 인공 일반 지능(AGI)의 전망과 함께, 그 기능은 노동의 보완재에서 점점 더 많은 영역에서 인간 노동을 불필요하게 만드는 자본의 한 형태로 결정적으로 전환됩니다.  

증강과 대체 사이의 이러한 구분은 단지 기술적인 모델링 선택이 아니라, AI 혁명의 분배적 결과를 결정하는 중심적인 질문입니다. 만약 AI가 주로 인간을 증강시킨다면, 그것은 광범위하게 공유되는 번영의 미래로 이어질 수 있습니다. 만약 그것이 주로 인간을 대체한다면, 소득을 노동에서 AI 기반 자본의 소유자로 극적으로 재분배하여 불평등을 심화시킬 위협이 있습니다. 이는 잠재적인 “수요 역설”로 이어집니다. 기업들은 종종 가장 큰 비용인 노동 비용을 줄이기 위해 자동화합니다. 그렇게 함으로써, 그들은 고객이 제품과 서비스를 구매하는 데 필요한 임금 기반 소득을 무심코 파괴할 수 있습니다. 임금이 소비자 수요의 대부분을 차지하는 상황에서, 보상 메커니즘 없는 광범위한 자동화는 기술적 역량이 급증하더라도 수요 감소와 경제 침체의 악순환을 촉발할 수 있습니다.  

요소 소득 분배에 미치는 영향

이러한 역학은 국민 소득이 자본과 노동 사이에 분배되는 방식에 직접적이고 심오한 영향을 미칩니다. AI가 더 많은 과업을 자동화하여 자본이 노동을 대체할 수 있는 가능성을 효과적으로 높임에 따라, 경제 모델은 요소 소득 분배의 구조적 변화를 예측합니다. 국민 소득에서 자본으로 흘러가는 몫(α)은 증가하고, 노동으로 흘러가는 몫은 감소할 것으로 예상됩니다. 이러한 추세는 최근 수십 년 동안 이미 가시화되었으며, AI에 의해 가속화될 가능성이 높아 소득 불평등과 사회 안정에 중대한 결과를 초래할 것입니다.  

섹션 6: 발견의 자동화: 궁극적인 내생적 성장 엔진으로서의 AI

AI가 새로운 형태의 자본으로서 변혁적인 역할을 하는 반면, 그 가장 혁명적인 잠재력은 혁신 과정 자체를 변화시키는 능력에 있습니다. 내생적 성장 이론은 성장의 엔진을 인간이 주도하는 새로운 아이디어의 발견에 두었습니다. 인지 기술로서의 AI는 이제 이 엔진에 직접적인 투입물이 되어, 잠재적으로 발견을 자동화하고 새롭고 더 강력한 성장 동력을 창출할 수 있습니다.

“발명 방법을 발명하는 것”(IMI)

기술 사학자들은 가장 영향력 있는 혁신이 종종 새로운 제품이 아니라 새로운 발견 방법, 즉 “발명 방법을 발명하는 것”(IMI)이라고 지적했습니다. 과학적 방법, 현미경, 컴퓨터의 개발이 모두 그 예입니다. AI, 특히 딥러닝은 다른 모든 기술의 창조를 가속화하는 도구인 차세대 위대한 IMI를 대표합니다. 그것은 단지 새로운 아이디어가 아니라, 아이디어를 생성하는 새로운 방법입니다.  

“아이디어 생산 함수”(IPF)에서의 AI 역할

AI는 여러 강력한 메커니즘을 통해 아이디어 생산 함수(IPF)를 향상시켜 R&D의 효율성과 규모를 근본적으로 증가시킵니다 :  

• 아이디어 생성 가속화: 생성형 AI 모델은 신약, 화합물, 재료, 소프트웨어 코드에 대한 방대한 양과 다양한 새로운 디자인 후보를 생산할 수 있습니다. 인간이 이해할 수 있는 것보다 훨씬 더 큰 디자인 공간을 탐색하고 인간의 인지적 편견 없이 작동함으로써 AI는 진정으로 “틀을 깨는” 해결책을 생성할 수 있습니다.  
• 아이디어 평가 가속화: 이러한 후보를 평가하는 것은 종종 R&D의 주요 병목 현상입니다. AI 기반 대리 모델은 물리적 현상을 시뮬레이션하고 터빈 블레이드에서 단백질 구조에 이르기까지 새로운 디자인의 성능을 예측할 수 있으며, 이는 전통적인 물리적 프로토타이핑이나 계산 집약적인 시뮬레이션보다 훨씬 빠르고 저렴합니다. 이를 통해 신속한 반복과 최적화가 가능합니다.  
• 지식 종합: 과학 및 기술 지식의 양이 기하급수적으로 증가함에 따라 인간 연구자들이 따라잡는 것이 불가능해지고 있습니다. AI 시스템은 이 방대한 문헌과 데이터를 수집, 처리, 종합하여 숨겨진 패턴, 새로운 연결, 그리고 그렇지 않으면 놓쳤을 유망한 연구 방향을 식별할 수 있습니다.  

“폭발적 성장”에 대한 논쟁

IPF의 자동화는 AI 경제학에서 가장 흥미롭고 논란이 많은 예측, 즉 “경제 성장 폭발”의 가능성으로 이어집니다.  

이 시나리오에 대한 주장은 강력한 재귀적 순환에 뿌리를 두고 있습니다. 만약 자본의 한 형태인 AI가 새로운 아이디어 창출에서 인간 연구자를 대체할 수 있고, 자본 자체가 축적 가능하다면, 시스템은 자기 개선이 가능해집니다. 더 많은 AI 자본은 더 빠른 아이디어 생산으로 이어집니다. 더 빠른 아이디어 생산은 전반적인 기술을 향상시켜 모든 자본(AI 포함)을 더 생산적으로 만듭니다. 이는 더 많은 투자로 이어져 훨씬 더 많은 AI 자본을 창출합니다. 이 피드백 루프는 경제 성장률 자체가 시간이 지남에 따라 잠재적으로 무한히 가속화되도록 할 수 있습니다.  

그러나 이 이론적 가능성은 상당한 현실 세계의 마찰과 제약에 의해 완화됩니다 :  

• “지식의 부담”: 혁신에서 경쟁하는 힘은 지식의 경계가 확장됨에 따라 새로운 발견을 하기가 점진적으로 더 어려워진다는 것입니다. 실제로 많은 분야에서 연구 생산성이 감소하고 있습니다. AI가 이 복잡성을 관리하는 데 도움이 될 수 있지만, 과학의 경계를 넓히는 내재된 어려움을 완전히 극복하지는 못할 수 있습니다.  
• 자본 집약도 및 물리적 병목 현상: AI 증강 R&D는 엄청난 계산 능력을 필요로 하는 극도로 자본 집약적입니다. 더욱이, 신약 개발이나 재료 과학과 같은 많은 R&D 분야는 여전히 습식 실험실 실험이나 임상 시험과 같은 느리고 비용이 많이 드는 물리적 세계 프로세스에 의해 제약을 받으며, 이를 완전히 자동화하기는 어렵습니다.  
• 연구에서의 기술 편향: AI 연구 도구의 혜택이 균등하게 분배되지 않을 수 있습니다. 증거에 따르면, 이 도구들은 AI를 효과적으로 지도하고 그 제안을 평가할 수 있는 전문 지식을 가진 가장 엘리트 과학자들의 생산성을 불균형적으로 증대시킵니다. 기술이 덜 숙련된 연구자들은 거의 혜택을 보지 못하거나, AI가 생성한 아이디어를 테스트하는 역할로 밀려나면서 자신의 작업에 덜 만족하게 될 수도 있습니다.  
• 인구 동태: 일부 복잡한 성장 모델은 발전된 AI가 있더라도 장기적인 지식 창출은 근본적으로 인구 동태와 연결되어 있음을 시사합니다. 이러한 프레임워크에서 AI는 감소하거나 정체된 세계 인구에 직면하여 폭발적인 성장을 생성하기에 충분하지 않을 수 있습니다.  

따라서 혁신의 자동화는 경제 지형에 근본적인 변화를 가져옵니다. 이는 장기 성장의 주요 제약을 이동시킵니다. 로머의 세계에서 궁극적인 병목은 인간 연구자의 유한한 공급과 그들의 창의력이었습니다. AI 주도 세계에서는 이 병목이 인간의 재능에서 자본의 가용성과 배분으로 이동합니다. 즉, R&D 자금을 조달하기 위한 금융 자본과, 연구를 수행하는 AI 시스템을 구축, 훈련, 운영하기 위한 가장 중요한 계산 자본입니다. 이러한 변화는 국가와 기업이 AI에 부여하는 엄청난 전략적 중요성을 설명하며, 이는 대규모 국가 지원 투자 프로그램과 기술 대기업의 막대한 자본 지출로 나타납니다. 그들은 미래 기술 리더십과 경제 성장의 새로운 주요 투입 요소가 된 것을 통제하기 위한 세계적인 경쟁에 참여하고 있습니다. 미래 AI 주도 부 창출에 대한 통제권을 둘러싼 이 경쟁은 투자자들이 부 축적의 전략적 가치를 우선시함에 따라 이자율과 자본의 생산적 수익률 간의 괴리와 같은 이례적인 시장 역학으로 이어질 수도 있습니다.  

파트 IV: 거시 경제 및 사회의 광범위한 변화

AI의 경제 통합은 추상적인 성장 모델에 미치는 영향을 훨씬 뛰어넘습니다. 이는 시장 구조를 재편하고, 노동 세계를 혼란에 빠뜨리며, 소득과 부의 분배를 재구성할 것을 약속합니다. 이러한 광범위한 변화는 결국 우리가 경제 발전을 측정하는 데 사용하는 지표 자체에 도전하고, 경제 이론의 미래에 대한 근본적인 질문을 제기합니다.

섹션 7: AI 시대의 시장 구조, 노동 및 불평등

AI는 중립적인 힘이 아닙니다. 그 경제적 특성은 특정 시장 구조와 결과를 적극적으로 선호하며, 경쟁, 노동, 불평등에 심대한 결과를 초래합니다.

승자독식 시장

현대 AI의 경제학은 “승자독식” 또는 “승자최다” 시장의 형성을 강력하게 장려하는 것으로 보입니다. 여러 메커니즘이 이러한 경향을 주도합니다:  

• 높은 고정 비용과 규모의 경제: 최첨단 파운데이션 모델 개발에는 R&D, 인재, 컴퓨팅 인프라에 천문학적인 초기 투자가 필요합니다. 이는 진입 장벽을 높여, 그러한 지출을 감당할 수 있는 소수의 대형 기술 기업에 막대한 이점을 제공합니다.  
• 데이터 네트워크 효과: AI 시스템은 더 많은 데이터로 훈련될수록 개선됩니다. 방대한 독점 데이터에 접근할 수 있는 기업은 우수한 제품을 만들 수 있으며, 이는 다시 더 많은 사용자를 유치하여 더 많은 데이터를 생성합니다. 이 자기 강화 순환은 신규 진입자가 기존 선두 주자에게 도전하기 매우 어렵게 만듭니다.  
• 인재 집중: 최고 AI 전문가를 위한 “인재 전쟁”은 권력을 더욱 집중시킵니다. 선두 기업은 스타트업이 따라올 수 없는 보상 패키지와 자원에 대한 접근을 제공할 수 있기 때문입니다.  

AI가 API나 오픈소스 모델을 통해 스타트업에 강력한 도구를 제공함으로써 진입 장벽을 낮추는 경우도 있지만 , 지배적인 추세는 시장 집중으로 보입니다. 이는 경쟁 감소와  

알고리즘 담합과 같은 새로운 형태의 반경쟁적 행위의 가능성에 대한 심각한 우려를 제기합니다. 알고리즘 담합이란 기업의 가격 책정 알고리즘이 명시적인 인간의 합의 없이 더 높은 가격에 협력하는 것을 학습하는 것입니다.  

노동 시장의 혼란

AI가 노동 시장에 미치는 영향은 다면적이고 복잡하며, 일자리 대체와 새로운 기회를 동시에 창출합니다.  

• 일자리 대체 및 창출: AI의 인지 과제 자동화 능력은 필연적으로 광범위한 직업군에서 노동자의 대체를 초래할 것입니다. 추정에 따르면 전 세계적으로 수억 개의 일자리가 생성형 AI로 인한 자동화에 노출되어 있습니다. 동시에 AI는 AI 시스템의 개발, 관리, 적용과 관련된 새로운 과제와 완전히 새로운 직업 범주(예: AI 윤리 책임자, 자동화 관리자)를 창출할 것입니다. 전체 고용에 미치는 순 효과는 여전히 치열한 논쟁의 대상입니다.  
• 기술 양극화: 이러한 전환은 노동 시장을 양극화시킬 가능성이 높습니다. AI 시스템을 설계, 관리하고 창의적으로 함께 일할 수 있는 고숙련 노동자에 대한 수요는 증가할 것으로 예상됩니다. 반대로, 일상적인 인지 과제(예: 데이터 입력, 행정 지원)를 포함하는 많은 중간 기술 직업과 일부 저숙련 직업은 자동화의 높은 위험에 처해 있습니다. 기술 분포의 중간 부분이 비어가는 이러한 현상은 사회적, 경제적 분열을 악화시킬 수 있습니다.  
• 불균형적 영향: AI 주도 자동화의 효과는 모든 인구 집단에 걸쳐 동등하게 느껴지지 않을 것입니다. 연구에 따르면 소수 집단과 여성이 자동화에 가장 취약한 직무 역할에 과도하게 대표되어 있어 기존의 불평등이 악화될 수 있습니다. 흥미롭게도, 최근 일부 분석에서는 자동화가 주로 블루칼라 노동을 위협한다는 전통적인 견해에 도전하며, 고학력 고임금의 화이트칼라 노동자들도 생성형 AI로 인한 혼란에 크게 노출되어 있다고 제안합니다.  

소득 및 부의 불평등

시장 구조와 노동 시장의 변화는 소득과 부의 분배에 심대한 결과를 초래할 것으로 예상됩니다.

• 임금 불평등: 임금 불평등에 미치는 영향은 모호합니다. 한편으로, AI가 주로 고소득 지식 노동자를 대체한다면, 임금 분포를 압축하고 임금 불평등을 감소시킬 수 있습니다. 다른 한편으로, AI가 가장 고도로 숙련된 노동자를 강력하게 보완한다면, 그들의 생산성과 임금을 다른 모든 사람에 비해 극적으로 증폭시켜 임금 불평등을 급격히   증가시킬 수 있습니다. 궁극적인 결과는 대체 효과와 보완 효과 사이의 불확실한 균형에 달려 있습니다.  
• 부의 불평등: AI가 부의 불평등을 악화시킬 가능성이 있다는 데에는 훨씬 더 강력한 합의가 있습니다. AI가 경제의 전반적인 생산성과 수익성을 높임에 따라, 그 수익은 자본 소유자, 즉 AI 시스템 자체를 포함한 자본 소유자에게 불균형적으로 흘러갈 것입니다. 자본 소유권이 이미 고도로 집중되어 있다는 점을 감안할 때, 이러한 역학은 AI가 창출한 부가 상위 계층에 더욱 집중되어 자본 소유자와 나머지 사회 간의 격차를 넓히는 피드백 루프를 만들 위협이 있습니다.  

섹션 8: 측정의 과제와 경제 이론의 미래

AI의 변혁적 성격은 경제 구조뿐만 아니라 우리가 그것을 이해하는 데 사용하는 도구에도 도전합니다. GDP와 같은 전통적인 지표의 부적절성이 커지고, AI가 생산과 혁신의 본질에 대해 제기하는 근본적인 질문들은 기존 경제 이론이 충분한지 아니면 새로운 패러다임이 필요한지에 대한 논쟁에 불을 지폈습니다.

GDP의 부적절성

생산성 역설의 맥락에서 논의된 바와 같이, GDP는 AI 주도 경제에서 경제 활동과 복지를 측정하는 데 있어 점점 더 결함이 있는 척도가 되고 있습니다. 그 한계는 다방면에 걸쳐 있습니다:  

• 무료 상품의 가치 누락: GDP는 시장 거래에 기반하므로 검색 엔진, 내비게이션 앱부터 오픈 소스 소프트웨어, 생성형 AI 도구에 이르기까지 현대 인터넷을 특징짓는 방대한 무료 디지털 상품 및 서비스 배열에 0의 가치를 부여합니다. 이는 수백억 달러의 소비자 잉여와 비즈니스 가치를 누락시킵니다.  
• 품질 향상 무시: GDP는 상품 및 서비스 품질의 급격하고 종종 비선형적인 개선을 설명하는 데 어려움을 겪습니다. 스마트폰의 기능이나 의료 진단 도구의 정확성은 가격 변화가 거의 없이 극적으로 증가할 수 있으며, 이는 GDP가 대부분 놓치는 복지 이득입니다.  
• 복지와의 괴리: GDP는 결코 사회적 복지의 척도로 의도된 것이 아닙니다. AI 주도 경제에서는 생산성 향상의 이익이 소수 엘리트에게만 돌아가거나, 일자리 대체, 불안감 증가, 또는 더 중독성 있는 소셜 미디어 알고리즘의 부정적 영향과 같은 AI의 사회적 비용이 대다수 인구의 생산 이익을 능가할 경우, GDP는 상승하면서 중간 복지는 정체되거나 심지어 감소할 수 있습니다. 일부 이론적 모델에서는, 임금 하락이 직접적인 생산성 향상을 상쇄하는 급격한 노동 공급 감소로 이어질 경우, 자동화 생산성의 급증이 일시적으로 GDP   감소를 유발할 수도 있습니다.  

경제학의 패러다임 전환이 필요한가?

이는 궁극적인 질문으로 이어집니다. 우리의 기존 경제 프레임워크가 AI 혁명을 수용할 수 있는가, 아니면 근본적인 패러다임 전환이 필요한가?

• 적응을 위한 주장: 현재 경제 연구의 상당 부분은 적응의 원칙에 따라 운영됩니다. 이 관점에서 기존 모델은 매개변수를 수정함으로써 AI를 통합할 만큼 충분히 견고합니다. 신고전학파 모델은 증가된 자동화를 반영하기 위해 자본과 노동 간의 대체 탄력성을 변경하여 조정할 수 있습니다. 내생적 성장 모델은 AI를 아이디어 생산 함수에 명시적으로 통합하여 업데이트할 수 있습니다. 이러한 실용적인 접근 방식은 경제학자들이 익숙한 도구를 사용하여 AI가 성장, 요소 소득 분배 및 기타 주요 변수에 미치는 영향을 분석할 수 있게 하며, 현재 문헌의 대부분을 구성합니다.  
• 새로운 패러다임을 위한 주장: 점점 더 많은 사상가들이 AI가 20세기 경제학의 핵심 가정을 깨뜨리는 근본적인 변화를 나타내므로 새로운 이론적 틀이 필요하다고 주장합니다. 산업 혁명은 육체 노동

The New Growth Engine: Re-evaluating Economic Theory in the Age of Artificial Intelligence

Executive Summary

The advent of Artificial Intelligence (AI) represents a watershed moment, not only for technology and society but for the foundational principles of economic theory. This report provides a comprehensive analysis of how AI challenges and reshapes the canonical models of economic growth that have guided policy and understanding for over half a century. It begins by establishing the theoretical bedrock of the Solow-Swan neoclassical model, which attributes long-run per capita growth to an unexplained, exogenous force of technological progress, and the Endogenous Growth Theory, which internalizes progress as a function of human-led innovation and knowledge creation.

The analysis then pivots to AI, characterizing it as a General-Purpose Technology (GPT) of historic significance, comparable to the steam engine and electricity. However, AI’s economic impact is currently shrouded in the “productivity paradox”—a disconnect between its transformative potential and lackluster measured economic growth. This report deconstructs the paradox, attributing it to a combination of significant implementation lags, organizational adjustment costs described by a “J-curve” of adoption, and profound measurement challenges inherent in an increasingly digital and intangible economy.

The core of this report examines how AI fundamentally alters the components of traditional growth models. First, by acting as a new form of capital with the potential to substitute for labor, AI challenges the neoclassical assumption of diminishing returns, opening the possibility of sustained growth through capital accumulation alone. This shifts the debate towards whether AI will primarily augment human labor, leading to shared prosperity, or replace it, risking deeper inequality and a potential paradox where falling wage-based demand could stifle growth.

Second, and more profoundly, AI’s ability to automate cognitive tasks enables it to become a direct input into the innovation process itself—an “Invention of a Method of Invention.” By augmenting or replacing human researchers in the “ideas production function,” AI transforms the very engine of endogenous growth. This creates a recursive loop where technology can improve itself, shifting the primary bottleneck for long-term growth from the scarcity of human ingenuity to the availability of capital for computation and R&D. While this presents the potential for an explosion in economic growth, it is tempered by significant real-world frictions, including the increasing difficulty of discovery and the persistence of physical-world bottlenecks.

Finally, the report explores the broad macroeconomic consequences of this transition, including the exacerbation of winner-take-all market structures, complex disruptions to the labor market, and a deepening of wealth inequality. It concludes that AI’s unique capabilities—particularly the automation of discovery—may necessitate a paradigm shift in economic theory, moving beyond models predicated on human cognitive primacy. The report closes with policy recommendations focused on harnessing AI’s growth potential while proactively managing its profound distributional consequences, rethinking economic measurement, and adopting flexible governance frameworks for an uncertain future.

Part I: The Canonical Models of Economic Growth

To comprehend the revolutionary economic potential of Artificial Intelligence, it is first necessary to understand the theoretical frameworks through which economists have traditionally analyzed long-run growth. For the latter half of the 20th century, two dominant paradigms have shaped this understanding: the neoclassical model, which treats technological progress as an external gift, and the endogenous growth models, which attempt to explain progress as an internal outcome of economic activity. These models provide the essential language and logic for evaluating how AI might rewrite the rules of economic expansion.

Section 1: The Neoclassical Benchmark: The Solow-Swan Model and Exogenous Growth

The Solow-Swan model, developed independently by Robert Solow and Trevor Swan in 1956, stands as the foundational framework in modern growth economics. It provides a rigorous and mathematically elegant explanation for how capital accumulation, labor force growth, and technological progress interact to drive the long-run growth of an economy.  

Core Mechanics

At its heart, the Solow-Swan model is built around an aggregate production function, which describes how an economy combines its primary inputs—capital (K) and labor (L)—to produce output (Y). This function is often specified in the Cobb-Douglas form, Y = A * F(K, L), where A represents a measure of productivity or the current state of technology. The model’s central dynamic revolves around the process of capital accumulation. A constant fraction of output, the saving rate (  

s), is saved and invested in new capital. This accumulation is, however, counteracted by two forces: the depreciation of the existing capital stock at a constant rate (δ) and the growth of the labor force at a rate (n). The core differential equation of the model describes the change in the capital stock per effective worker, capturing this fundamental tension between investment and the forces that dilute it.  

Diminishing Returns and the Steady State

A crucial assumption of the Solow-Swan model is the principle of diminishing returns to capital. This means that as an economy adds more capital for each worker, every additional unit of capital yields a progressively smaller increase in output. For instance, the first tractor on a farm dramatically boosts productivity, but the tenth tractor adds much less. This property has a powerful implication: it prevents capital accumulation alone from generating perpetual growth in per capita income.  

As firms invest, the capital stock per worker rises, but the return on that new capital falls. Eventually, the economy reaches a point where the amount of new investment is just enough to offset the effects of depreciation and population growth. At this point, the capital stock per worker becomes constant, and the economy is said to have reached its “steady-state equilibrium”. In this steady state, per capita output and per capita capital are constant, meaning there is no longer any growth in the standard of living driven by the accumulation of capital alone.  

The Primacy of Exogenous Technology (Total Factor Productivity – TFP)

If capital accumulation cannot sustain long-run growth, what can? The Solow-Swan model’s answer is unequivocal: technological progress. In the model, the variable  

A, known as Total Factor Productivity (TFP), captures the efficiency with which capital and labor are combined. It represents society’s knowledge, production techniques, and organizational methods. Sustained, long-run growth in per capita income is possible only if this TFP factor, A, continuously increases over time.  

Critically, the model treats this technological progress as exogenous—it is assumed to grow at a constant rate, but the model does not explain where this growth comes from. It is effectively a “black box” or a gift from outside the economic system. The portion of observed economic growth that cannot be attributed to measurable increases in capital and labor inputs is called the “Solow residual,” which serves as an empirical proxy for this unexplained technological change.  

This very structure provides a powerful, if ultimately unsatisfying, framework for understanding periods of disappointing economic performance in the face of major technological shifts, such as the “productivity paradox” observed with both computers and AI. The logic is straightforward: if a new technology like AI is primarily adopted as a new and better form of capital (  

K), the model predicts its impact on growth will be constrained by diminishing returns. Massive investment in AI would lead to capital deepening and a one-time jump to a higher level of income, but it would not permanently raise the growth rate. For a sustained acceleration of growth, the technology must fundamentally and continuously increase the exogenous TFP factor (A), an outcome that is not guaranteed by investment alone. The observed slowdown in productivity growth despite soaring AI investment is thus perfectly consistent with a Solow-world interpretation where AI has, thus far, acted more like a new type of machine (capital) than a magical source of ever-increasing efficiency (TFP).  

Key Predictions and Implications

The Solow-Swan model yields two major predictions that have profoundly influenced economic thought and policy. First is the concept of convergence. The model predicts that, all else being equal, poorer countries with lower levels of capital per worker should grow faster than richer countries. This is a direct consequence of diminishing returns: the marginal product of capital is higher where capital is scarce, so investment yields greater returns in developing economies. Over time, this should lead to a “catch-up” effect, with the income levels of poor and rich nations converging.  

Second, the model has stark policy limitations. Because the long-run growth rate is determined solely by the exogenous rate of technological progress, domestic policies have a limited impact. For example, a policy that successfully increases a country’s national savings rate will allow it to accumulate more capital and reach a higher steady-state level of income per capita. However, it produces only this “level effect”; it cannot permanently change the long-run growth rate of the economy, which remains tethered to the unexplained rate of technological advance.  

Section 2: The Endogenous Growth Revolution: Internalizing the Engine of Progress

By the 1980s, the limitations of the Solow-Swan model, particularly its reliance on an unexplained exogenous factor to drive long-run growth, spurred a new wave of economic research. This led to the development of Endogenous Growth Theory, a paradigm that seeks to “endogenize” technological progress, treating it as an outcome of intentional economic activities within the model itself. Economists such as Paul Romer and Robert Lucas pioneered these theories, aiming to unlock the “black box” of TFP and explain the forces that sustain long-term improvements in living standards.  

Addressing the “Black Box” of TFP

Endogenous Growth Theory fundamentally challenges the neoclassical view that technological progress is a free gift. Instead, it posits that growth is driven by investments in knowledge, innovation, and human capital, which are subject to economic incentives and policy influence. Firms and individuals invest in research and development (R&D) and education because they expect to profit from these activities. In doing so, they generate the new ideas and improved skills that propel the entire economy forward. The long-run growth rate is thus determined by forces  

inside the economic system, not outside of it.  

The Role of Human Capital and Knowledge

The theory’s central insight is that knowledge is fundamentally different from physical capital. While physical capital is a rival good and subject to diminishing returns, knowledge possesses unique properties that allow for sustained growth. A key property is non-rivalry: one person’s use of an idea (like the formula for a new drug or a piece of software code) does not prevent others from using it simultaneously. This allows new ideas to benefit the entire economy.  

Furthermore, knowledge production can exhibit increasing returns to scale. The famous “standing on the shoulders of giants” effect suggests that the existing stock of knowledge makes the creation of new knowledge easier. This creates a virtuous cycle: more knowledge leads to more innovation, which in turn generates even more knowledge, driving perpetual growth.  

Mechanisms of Endogenous Growth

Several distinct models have been developed to capture these dynamics:

• Knowledge Spillovers: One mechanism that overcomes diminishing returns is the presence of positive externalities, or “spillovers,” from R&D. When a firm invests in creating a new technology, the knowledge it generates often “spills over” to benefit other firms and industries, even if they did not bear the cost of the initial research. This social return to R&D can be much higher than the private return, ensuring that at the aggregate level, returns to investment do not diminish.  
• The “AK” Model: The simplest endogenous growth model, often called the “AK model,” provides a stark contrast to the Solow framework. It assumes a production function of the form Y = AK, where K represents a broad composite of capital that includes not only physical capital but also human capital and knowledge capital. By assuming constant returns to this broad capital stock, the model eliminates the force of diminishing returns entirely. In this world, any policy that increases the savings/investment rate can lead to a permanently higher rate of economic growth, as there is no steady-state equilibrium to constrain it.  
• Romer’s Model of Innovation: Paul Romer’s more elaborate model explicitly divides the economy into two sectors: a final goods sector that uses labor, capital, and a set of “ideas” or “designs” to produce output, and an R&D sector that uses researchers and the existing stock of knowledge to produce new ideas. These new ideas are non-rivalrous and can be used by all firms in the goods sector. To incentivize the costly work of R&D, the model assumes that innovators are granted temporary monopoly power over their creations (for example, through patents), allowing them to earn profits. The pursuit of these monopoly profits is the engine that drives investment in R&D and, consequently, sustained economic growth.  

Policy Implications

The policy implications of Endogenous Growth Theory are far more optimistic than those of the Solow model. If the engine of growth is internal to the economy, then policy can have a powerful and permanent influence on the long-run growth rate. Government actions that encourage investment in human capital and knowledge creation—such as subsidies for R&D, funding for education, protection of intellectual property rights, and policies promoting openness and competition—can directly increase an economy’s capacity for innovation and accelerate its growth trajectory.  

This theoretical shift sets the stage for understanding AI’s most profound potential economic impact. By modeling the “production of ideas” as an economic activity with specific inputs, Endogenous Growth Theory provides the precise framework needed to analyze a technology that can alter the innovation process itself. The theory’s “ideas production function” can be conceptualized as ΔA = f(L_R, A), where the change in the stock of knowledge (ΔA) is a function of the number of researchers (L_R) and the existing stock of knowledge (A). AI, as a tool for augmenting and automating cognition, is uniquely positioned to enter this equation directly, not just as an output of R&D (a new idea) but as a new, powerful  

input into the process: ΔA = f(L_R, A, AI). This is a fundamental departure from past technologies. While the steam engine augmented physical labor in the production of goods, AI has the potential to augment or even replace cognitive labor in the production of  

ideas. This is the theoretical channel through which AI could break from historical growth patterns and create the “explosive growth” scenarios that animate so much of the current economic debate.  

Part II: Artificial Intelligence as a New Economic Force

Having established the foundational theories of economic growth, the analysis now turns to Artificial Intelligence itself. To understand how AI might reshape these models, it is essential to first characterize its unique technological and economic properties. AI is not merely an incremental improvement but a General-Purpose Technology (GPT) with the potential for systemic impact. Yet, this potential is currently belied by a perplexing economic reality: the AI productivity paradox.

Section 3: Characterizing AI as a General-Purpose Technology (GPT)

Not all technologies are created equal. While most innovations serve a specific purpose, a select few, known as General-Purpose Technologies, are so fundamental that they reshape entire economies and societies. The steam engine, electricity, and the internet are canonical examples. Today, AI stands as the next GPT poised to catalyze a new wave of economic transformation.  

Defining a GPT

GPTs are distinguished by three core characteristics :  

1. Pervasiveness: A GPT’s impact is not confined to a single industry but diffuses widely across the economy, creating value in diverse sectors and business functions. AI exemplifies this, with applications emerging in healthcare, finance, manufacturing, logistics, and beyond.  
2. Continuous Improvement: A GPT is not a static invention but a technology that improves over time, becoming progressively more powerful, efficient, and cost-effective. This creates a virtuous feedback cycle where increased adoption drives further innovation and improvement. The fierce competition among AI labs, leading to rapid model enhancements, is a clear manifestation of this dynamic.  
3. Innovation Spawning: Perhaps most importantly, a GPT acts as a platform for subsequent invention and innovation. It enables the creation of a vast ecosystem of complementary technologies, new products, and entirely new business models. AI is already spurring innovation in areas from drug discovery to autonomous vehicles.  

The economic impact of a GPT typically unfolds in layers. It begins with a high-cost infrastructure layer, requiring massive capital investment and technical expertise. In AI, this consists of data centers, specialized semiconductors, and high-performance computing clusters. This is followed by a  

platform layer, where the core technology is standardized and made more accessible, for example, through the large foundation models and APIs offered by major tech firms. Finally, this enables an explosion of activity at the  

application layer, where lower barriers to entry allow for widespread, decentralized innovation and value creation across countless specific use cases. This layered structure mirrors the rollout of electricity, where the construction of power plants and transmission grids was a necessary precursor to the proliferation of electric motors and consumer appliances.  

Phases of GPT Adoption

The societal and economic integration of a GPT is not instantaneous but proceeds through distinct phases, a pattern that helps to explain the often-observed lag between a technology’s invention and its full productivity impact.  

1. Point Solutions: Initially, the new technology is used to perform isolated tasks within existing systems, delivering incremental gains without fundamentally changing workflows. An early factory might have replaced its central steam engine with a single large electric motor but kept the same inefficient system of belts and pulleys.  
2. Broader Applications: As the technology diffuses, it begins to connect different functions, improving overall productivity. Factories began placing smaller electric motors on individual machines, allowing for more flexible layouts.  
3. System-Level Change: In the final phase, the technology enables a complete redesign of processes and entire industries. The full embrace of electricity allowed for the invention of the modern assembly line, transforming manufacturing from the ground up.  

AI is currently progressing through these phases. Many firms are still at the stage of deploying AI as point solutions for specific tasks like invoice processing or customer service chatbots. However, more advanced applications are emerging that represent broader integration, and the prospect of systemic, industry-wide transformation looms on the horizon.  

Section 4: The AI Productivity Paradox: Reconciling Potential with Performance

Despite the revolutionary potential of AI as a GPT, its arrival has coincided with a period of conspicuously slow productivity growth in many advanced economies. This disconnect between technological promise and measured economic performance is known as the “AI productivity paradox”. It echoes the famous observation made by Robert Solow in 1987 regarding computers: “You can see the computer age everywhere but in the productivity statistics”.  

The J-Curve of Adoption

A leading explanation for this paradox is the “J-curve” of technology adoption, which posits that the initial implementation of a transformative technology can temporarily depress productivity before eventually leading to significant long-term gains. Research on U.S. manufacturing firms shows that organizations adopting AI initially see a measurable drop in productivity, which can be substantial when accounting for the fact that firms with the highest expected returns are the most likely to adopt early.  

This initial dip is not merely a matter of “growing pains” but reflects deep-seated frictions and costs associated with systemic change :  

• High Adjustment Costs: AI is not a “plug-and-play” technology. Realizing its benefits requires significant and costly complementary investments. Firms must build robust data infrastructure, redesign long-standing workflows, and invest heavily in reskilling and training their workforce. These investments divert resources and disrupt operations in the short term.  
• Misalignment with Legacy Systems: New AI systems often clash with legacy processes, organizational hierarchies, and institutional inertia. This is particularly true for older, more established firms, which may struggle to adapt their structured management practices and can see these practices degrade after AI adoption, accounting for a significant portion of their productivity losses.  

The Lag to Long-Term Gains

The J-curve model predicts that this period of underperformance is followed by a recovery and an upswing, as firms successfully navigate the adjustment period. Over a multi-year horizon, firms that adopt AI tend to outperform their non-adopting peers in both productivity and market share. This recovery phase is characterized by the fine-tuning of processes, the scaling of digital tools, and the capitalization on data-driven insights generated by the new AI systems. However, this upswing is not evenly distributed. The firms that see the strongest and fastest gains are typically those that were already digitally mature before adopting AI and those that are large enough to scale the benefits across many customers and markets.  

This J-curve phenomenon is not just a technical footnote in the story of AI adoption; it is a macroeconomic signal of the profound, and often painful, process of creative destruction that a GPT unleashes. The “dip” in the curve represents real economic costs, organizational turmoil, and a reallocation of resources that devalues old forms of capital and old skills. The fact that older firms struggle more acutely and that the eventual gains are captured by a select group of digitally advanced firms reveals that the paradox is not just a measurement lag. It is the visible symptom of the underlying microeconomic and distributional battles over who bears the costs and who reaps the rewards of a technological revolution.  

Measurement Challenges

A significant portion of the productivity paradox can also be attributed to fundamental flaws in how we measure the economy. Traditional metrics like Gross Domestic Product (GDP) were designed for an industrial economy of tangible goods and are ill-equipped to capture the value created by AI and the digital age.  

• Intangible and Non-Market Value: GDP is based on the monetary value of market transactions. Consequently, it struggles to account for the enormous value generated by intangible assets and free digital goods. Open-source AI models like Llama, which reduce costs and spur innovation for countless businesses, contribute immense economic value that is not directly captured in GDP. Similarly, free consumer-facing services like Google Maps or Wikipedia provide billions of dollars in consumer welfare (or surplus) that are invisible to official statistics because their price is zero.  
• Unmeasured Quality Improvements: GDP is poor at capturing rapid improvements in product quality. A smartphone today contains a camera, GPS, and computing power that would have cost a fortune two decades ago, yet this massive increase in consumer value is not fully reflected in economic accounts. AI is set to accelerate these quality improvements across a vast range of goods and services.  
• Shift to Non-Market Production: AI and digital tools enable a shift from market-based production to non-market household production. For example, an individual using a free AI tool to plan a complex vacation is replacing the paid services of a travel agent. While the individual’s welfare may have increased, measured GDP declines because a market transaction has been eliminated.  

In response to these shortcomings, economists have begun to develop alternative metrics, such as “GDP-B” (for Benefits), which attempt to measure the consumer surplus and welfare gains from new and free digital goods, providing a more holistic picture of economic well-being. These measurement issues, combined with the J-curve of adoption, provide a compelling explanation for the current AI productivity paradox. They suggest that the economic revolution is indeed underway, but its effects are delayed by implementation frictions and obscured by outdated statistical lenses.  

Part III: Reshaping Growth Models: An AI-Driven Analysis

The emergence of Artificial Intelligence as a General-Purpose Technology necessitates a direct re-examination of the foundational growth models. AI’s unique characteristics—its ability to automate cognition, substitute for labor, and potentially automate the process of discovery itself—strike at the core assumptions of both the neoclassical and endogenous growth paradigms. This section analyzes how incorporating AI into these frameworks transforms their mechanics and predictions, starting with a comparative overview.

Table 1: A Comparative Framework of Economic Growth Models

Feature	Solow-Swan (Neoclassical)	Endogenous Growth (Romer/Lucas)	AI-Modified Neoclassical	AI-Modified Endogenous
Primary Growth Driver	Exogenous Technological Progress (TFP)	Endogenous Innovation & Human Capital	AI as an advanced form of capital; Automation of tasks	AI automating the process of innovation (R&D)
Role of Technology	External, unexplained “residual”	An output of the economic system	A new, potentially self-replicating, factor of production	A self-improving “method of invention”
Returns to Capital	Diminishing	Constant or Increasing (due to spillovers)	Potentially non-diminishing if AI substitutes for labor	Increasing, potentially leading to explosive growth
Long-Run Growth	Determined by exogenous tech growth rate	Determined by investment in R&D/education	Can be sustained by capital accumulation alone	Can accelerate over time
Key Policy Lever	Increase savings (level effect only)	Subsidize R&D, education (growth effect)	Manage capital-labor substitution; reskill labor	Invest in AI R&D infrastructure; manage innovation spillovers

Section 5: AI and the Production Function: A New Form of Capital?

The most immediate way AI challenges traditional growth theory is by altering the nature of the aggregate production function, Y = A * F(K, L). Its role as a “capital-labor hybrid” forces a reconsideration of the relationship between factors of production and the fundamental law of diminishing returns.  

AI as a New Factor of Production

Standard models treat inputs as capital and labor. AI blurs this line. It is a form of capital—it must be built and invested in—but it performs tasks previously exclusive to human labor. This has led some economists to propose modeling AI as a third, distinct factor of production or, more radically, to create a new category of “digital labor”. The goal of such a reclassification is to pull AI’s contribution out of the unobserved TFP residual and make its impact explicit and measurable. This would allow for a direct accounting of how investments in AI translate into output, rather than treating it as part of a mysterious “black box”.  

Challenging Diminishing Returns

The central challenge AI poses to the Solow-Swan model is its potential to neutralize the force of diminishing returns to capital. In the standard model, capital requires complementary labor to be productive. As you add more machines per worker, the machines become less useful. However, if AI-powered machines can perform the tasks of the workers themselves, this constraint is relaxed.  

Using a task-based framework, we can see that as AI automates an increasing fraction of tasks previously done by humans, the aggregate production function begins to behave less like a Cobb-Douglas function and more like a simple AK model. In an  

AK world, capital can effectively “self-replicate” without being bottlenecked by a fixed supply of labor. This has a startling implication: capital accumulation alone, if directed toward AI, could sustain permanent, long-run economic growth. This finding directly contradicts the most fundamental conclusion of the Solow-Swan model and suggests that a sufficiently advanced AI could unlock a new growth regime.  

AI as Capital-Augmenting vs. Labor-Augmenting

The precise impact of AI depends critically on whether it primarily augments or substitutes for human labor.

• Labor-Augmenting AI: In this role, AI acts as a powerful tool that makes human workers more productive. Examples include AI-powered coding assistants that help developers write code faster or diagnostic tools that help doctors analyze medical images more accurately. This form of AI fits comfortably within traditional frameworks and would be expected to increase worker productivity and, potentially, wages.  
• Labor-Substituting AI: In this role, AI directly replaces human workers in specific tasks. This ranges from automated customer service agents to robotic systems in manufacturing and logistics. As AI becomes more sophisticated, particularly with the prospect of Artificial General Intelligence (AGI), its function shifts decisively from being a complement to labor to being a form of capital that renders human labor redundant in a growing number of domains.  

This distinction between augmentation and substitution is not merely a technical modeling choice; it is the central question determining the distributional consequences of the AI revolution. If AI primarily augments humans, it could lead to a future of broadly shared prosperity. If it primarily substitutes for them, it threatens to dramatically reallocate income from labor to the owners of AI-powered capital, deepening inequality. This leads to a potential “demand paradox”: firms automate to reduce labor costs, which are often their largest expense. In doing so, they may inadvertently destroy the wage-based income that their customers need to purchase their products and services. With wages constituting a majority of consumer demand, widespread automation without compensatory mechanisms could trigger a spiral of falling demand and economic stagnation, even as technological capacity soars.  

Impact on Factor Shares

This dynamic has a direct and profound impact on the distribution of national income between capital and labor. As AI automates more tasks, effectively increasing the substitutability of capital for labor, economic models predict a structural shift in factor shares. The share of national income flowing to capital (α) is expected to rise, while the share flowing to labor is expected to fall. This trend is already visible in recent decades and is likely to be accelerated by AI, with significant consequences for income inequality and social stability.  

Section 6: Automating Discovery: AI as the Ultimate Endogenous Growth Engine

While AI’s role as a new form of capital is transformative, its most revolutionary potential lies in its ability to change the innovation process itself. Endogenous Growth Theory located the engine of growth in the human-led discovery of new ideas. AI, as a cognitive technology, can now become a direct input into this engine, potentially automating discovery and creating a new, more powerful growth dynamic.

The “Invention of a Method of Invention” (IMI)

Historians of technology have noted that the most impactful innovations are often not new products, but new methods of discovery—”Inventions of a Method of Invention” (IMI). The development of the scientific method, the microscope, and the computer are all examples. AI, particularly deep learning, represents the next great IMI, a tool that accelerates the creation of all other technologies. It is not just a new idea; it is a new way of generating ideas.  

AI’s Role in the “Ideas Production Function” (IPF)

AI enhances the Ideas Production Function (IPF) through several powerful mechanisms, fundamentally increasing the efficiency and scale of R&D :  

• Accelerating Idea Generation: Generative AI models can produce a massive volume and variety of novel design candidates for new drugs, chemical compounds, materials, and software code. By exploring a design space far larger than humans can comprehend and operating without human cognitive biases, AI can generate truly “outside-the-box” solutions.  
• Accelerating Idea Evaluation: Evaluating these candidates is often a major bottleneck in R&D. AI-powered surrogate models can simulate physical phenomena and predict the performance of new designs—from turbine blades to protein structures—orders of magnitude faster and more cheaply than traditional physical prototyping or computationally intensive simulations. This allows for rapid iteration and optimization.  
• Synthesizing Knowledge: The body of scientific and technical knowledge is growing at an exponential rate, making it impossible for human researchers to keep up. AI systems can ingest, process, and synthesize this vast corpus of literature and data, identifying hidden patterns, novel connections, and promising avenues for research that would otherwise be missed.  

The Debate on “Explosive Growth”

The automation of the IPF leads to the most tantalizing and controversial prediction in the economics of AI: the possibility of an “economic growth explosion”.  

The argument for this scenario is rooted in a powerful recursive loop. If AI, a form of capital, can substitute for human researchers in the creation of new ideas, and capital itself is accumulable, then the system can become self-improving. More AI capital leads to faster idea production. Faster idea production improves overall technology, which makes all capital (including AI) more productive. This leads to more investment, creating even more AI capital. This feedback loop could cause the economic growth rate itself to accelerate over time, potentially without bound.  

However, this theoretical possibility is tempered by significant real-world frictions and constraints :  

• The “Burden of Knowledge”: A competing force in innovation is that as the frontier of knowledge expands, it becomes progressively harder to make new discoveries. Research productivity has, in fact, been declining in many fields. While AI can help manage this complexity, it may not be able to fully overcome the inherent difficulty of pushing the boundaries of science.  
• Capital Intensity and Physical Bottlenecks: AI-augmented R&D is extraordinarily capital-intensive, requiring immense computational power. Furthermore, many areas of R&D, such as drug development or materials science, are still constrained by slow and expensive physical-world processes like wet-lab experiments and clinical trials, which are difficult to fully automate.  
• Skill-Bias in Research: The benefits of AI research tools may not be evenly distributed. Evidence suggests they disproportionately augment the productivity of the most elite scientists, who have the domain expertise to effectively guide the AI and evaluate its suggestions. Less-skilled researchers may see little benefit or even find their work less satisfying as they are relegated to testing AI-generated ideas.  
• Population Dynamics: Some complex growth models suggest that even with advanced AI, long-run knowledge creation remains fundamentally linked to population dynamics. In these frameworks, AI may not be sufficient to generate explosive growth in the face of a declining or stagnant global population.  

The automation of innovation thus presents a fundamental shift in the economic landscape. It moves the primary constraint on long-term growth. In the world of Romer, the ultimate bottleneck was the finite supply of human researchers and their ingenuity. In an AI-driven world, this bottleneck shifts from human talent to the availability and allocation of capital—financial capital to fund R&D and, most critically, computational capital to build, train, and operate the AI systems that conduct the research. This transformation explains the immense strategic importance placed on AI by nations and corporations, manifesting in massive state-backed investment programs and colossal capital expenditures by tech giants. They are engaged in a global race to control what has become the new primary input for technological leadership and future economic growth. This competition for control over future AI-driven wealth creation could even lead to unusual market dynamics, such as a divergence between interest rates and the productive return on capital, as investors prioritize the strategic value of wealth accumulation.  

Part IV: Broader Macroeconomic and Societal Transformations

The integration of AI into the economy extends far beyond its impact on abstract growth models. It promises to reforge the structure of markets, disrupt the world of work, and reshape the distribution of income and wealth. These broad transformations, in turn, challenge the very metrics we use to measure economic progress and raise fundamental questions about the future of economic theory itself.

Section 7: Market Structures, Labor, and Inequality in the Age of AI

AI is not a neutral force; its economic characteristics actively favor certain market structures and outcomes, with profound consequences for competition, labor, and inequality.

Winner-Take-All Markets

The economics of modern AI appear to strongly encourage the formation of “winner-take-all” or “winner-take-most” markets. Several mechanisms drive this tendency:  

• High Fixed Costs and Economies of Scale: The development of cutting-edge foundation models requires astronomical upfront investment in R&D, talent, and computational infrastructure. This creates formidable barriers to entry, giving a massive advantage to the handful of large tech corporations that can afford such expenditures.  
• Data Network Effects: AI systems improve as they are trained on more data. Firms with access to vast, proprietary datasets can create superior products, which in turn attract more users, generating even more data. This self-reinforcing cycle makes it exceedingly difficult for new entrants to challenge established leaders.  
• Talent Concentration: The “talent war” for top AI specialists further concentrates power, as leading firms can offer compensation packages and access to resources that startups cannot match.  

While AI can, in some cases, lower barriers to entry by providing startups with access to powerful tools via APIs or open-source models , the dominant trend appears to be toward market concentration. This raises significant concerns about a decline in competition and the potential for new forms of anti-competitive behavior, such as  

algorithmic collusion, where firms’ pricing algorithms learn to coordinate on higher prices without any explicit human agreement.  

Labor Market Disruption

The impact of AI on the labor market is multifaceted and complex, creating both displacement and new opportunities.  

• Job Displacement and Creation: AI’s ability to automate cognitive tasks will inevitably lead to the displacement of workers in a wide range of professions. Estimates suggest that hundreds of millions of jobs globally are exposed to automation from generative AI. At the same time, AI will create new tasks and entirely new job categories related to the development, management, and application of AI systems, such as AI ethics officers and automation managers. The net effect on overall employment remains a subject of intense debate.  
• Skill Polarization: The transition is likely to polarize the labor market. Demand is expected to rise for high-skilled workers who can design, manage, and work creatively with AI systems. Conversely, many middle-skill jobs involving routine cognitive tasks (e.g., data entry, administrative support) and some low-skill jobs are at high risk of automation. This hollowing out of the middle of the skill distribution can exacerbate social and economic divisions.  
• Disproportionate Impacts: The effects of AI-driven automation will not be felt equally across all demographic groups. Research indicates that existing inequalities may be worsened, as minority groups and women are often overrepresented in the job roles most susceptible to automation. Interestingly, some recent analyses challenge the traditional view that automation primarily threatens blue-collar work, suggesting that highly educated and well-paid white-collar workers are also heavily exposed to disruption from generative AI.  

Income and Wealth Inequality

The shifts in market structure and the labor market are expected to have profound consequences for the distribution of income and wealth.

• Wage Inequality: The effect on wage inequality is ambiguous. On one hand, if AI primarily displaces high-income knowledge workers, it could compress the wage distribution and reduce wage inequality. On the other hand, if AI strongly complements the most highly skilled workers, it could dramatically amplify their productivity and wages relative to everyone else, leading to a sharp   increase in wage inequality. The ultimate outcome depends on the uncertain balance between substitution and complementarity effects.  
• Wealth Inequality: There is a much stronger consensus that AI is likely to exacerbate wealth inequality. As AI increases the overall productivity and profitability of the economy, the returns will flow disproportionately to the owners of capital—including the AI systems themselves. Given that ownership of capital is already highly concentrated, this dynamic threatens to create a feedback loop where the wealth generated by AI further concentrates at the top, widening the gap between capital owners and the rest of society.  

Section 8: The Measurement Challenge and the Future of Economic Theory

The transformative nature of AI not only challenges economic structures but also the tools we use to understand them. The growing inadequacy of traditional metrics like GDP and the fundamental questions AI raises about the nature of production and innovation have ignited a debate about whether existing economic theory is sufficient or if a new paradigm is required.

The Inadequacy of GDP

As discussed in the context of the productivity paradox, GDP is an increasingly flawed measure of economic activity and well-being in an AI-driven economy. Its limitations are manifold:  

• Missing Value from Free Goods: GDP is based on market transactions and thus assigns zero value to the vast array of free digital goods and services that characterize the modern internet, from search engines and navigation apps to open-source software and generative AI tools. This omits tens of billions of dollars in consumer surplus and business value.  
• Ignoring Quality Improvements: GDP struggles to account for the rapid, often non-linear improvements in the quality of goods and services. The capabilities of a smartphone or the accuracy of a medical diagnostic tool may increase dramatically with little change in price, a welfare gain that GDP largely misses.  
• Divergence from Welfare: GDP was never intended to be a measure of societal well-being. An AI-driven economy could plausibly see GDP rise while median welfare stagnates or even declines. This could occur if the gains from productivity are captured entirely by a small elite, or if the societal costs of AI—such as job displacement, increased anxiety, or the negative impacts of more addictive social media algorithms—outweigh the production benefits for the majority of the population. In some theoretical models, a surge in automation productivity can even cause a temporary   decline in GDP if falling wages lead to a sharp reduction in labor supply that outweighs the direct productivity gains.  

The Need for a Paradigm Shift in Economics?

This leads to the ultimate question: can our existing economic frameworks accommodate the AI revolution, or do we need a fundamental paradigm shift?

• Arguments for Adaptation: A significant portion of current economic research operates on the principle of adaptation. In this view, existing models are robust enough to incorporate AI by modifying their parameters. Neoclassical models can be adjusted by changing the elasticity of substitution between capital and labor to reflect increased automation. Endogenous growth models can be updated by explicitly incorporating AI as an input into the ideas production function. This pragmatic approach allows economists to use familiar tools to analyze AI’s impact on growth, factor shares, and other key variables, and it constitutes the bulk of the current literature.  
• Arguments for a New Paradigm: A growing number of thinkers argue that AI represents a change so fundamental that it breaks the core assumptions of 20th-century economics, requiring a new theoretical framework. The Industrial Revolution automated physical labor, augmenting and replacing muscle power, but it left human cognition as the undisputed prime mover of the economy and the sole source of innovation. All economic theory, from Adam Smith to Paul Romer, is built on this implicit foundation of human cognitive primacy. AI, by automating cognitive tasks, directly challenges this foundation. The prospect of AI evolving into an autonomous, self-improving economic agent blurs the lines between capital and labor, tool and agent, and challenges the very notion of what drives economic activity. A world where the primary bottleneck to growth is no longer human scarcity but capital availability, or a “post-labor” economy where human work is economically obsolete, may simply be beyond the conceptual reach of our current models. This shift from automating muscle to automating mind, and ultimately to automating discovery itself, may represent a change in   kind, not just in degree, demanding a new economic lexicon and a new paradigm.  

Conclusion and Policy Recommendations

Artificial Intelligence is not merely the latest in a long line of technological advancements; it represents a fundamental challenge to the core tenets of modern economic growth theory. Its dual capacity—to act as a new form of capital that substitutes for labor and, more profoundly, to automate the process of innovation itself—transforms the very mechanics of economic expansion. By potentially neutralizing diminishing returns to capital and making technological progress an accumulable, self-improving process, AI forces a re-evaluation of the models that have guided economic thought for decades. It shifts technology’s role from an external force (as in the Solow model) or a product of human effort (as in Endogenous Growth Theory) to a potentially autonomous engine of growth.

This transition, while holding the promise of unprecedented productivity gains, is fraught with complexity and risk. The path to an AI-driven future is shaped by the J-curve of adoption, significant measurement challenges, and the potential for severe dislocations in labor markets and a dramatic worsening of inequality. Navigating this transformation requires a proactive and sophisticated policy response that both harnesses AI’s potential and mitigates its dangers.

Based on the preceding analysis, the following policy imperatives emerge:

1. Harnessing Growth by Investing in the New Engine of Innovation: The automation of R&D shifts the primary bottleneck for technological progress from human talent to capital, specifically computational capital. To maintain a competitive edge and foster growth, governments must adopt policies that support the massive investments required to build and operate this new innovation infrastructure. This includes direct public funding for fundamental AI research, the creation of national computing resources, and the promotion of open-source AI ecosystems that can lower barriers to entry and diffuse benefits more broadly.  
2. Managing Distribution to Ensure Shared Prosperity: The strong tendency of AI to increase the returns to capital at the expense of labor demands an urgent and proactive response to manage its distributional consequences. Relying on market forces alone is likely to lead to unacceptable levels of wealth and income inequality. Policymakers must strengthen social safety nets to support displaced workers and invest massively in education and reskilling programs designed to create an AI-complementary workforce. Furthermore, serious consideration must be given to novel redistribution mechanisms fit for an economy where capital, not labor, generates an increasing share of income. This includes exploring ideas such as AGI capital taxation, broader ownership of AI assets, and forms of Universal Basic Income (UBI).  
3. Rethinking Measurement to Guide Policy: You cannot manage what you cannot measure. Continuing to rely on GDP as the primary indicator of economic health is untenable in an age of intangible, often free, digital value creation. National statistical agencies, with international cooperation, must invest in developing and mainstreaming new metrics that better capture welfare, consumer surplus, and the unmeasured value of quality improvements and non-market activities. Without a more accurate dashboard, policymakers will be flying blind, potentially misdiagnosing the economy’s health and pursuing misguided interventions.  
4. Adopting Adaptive Governance for an Uncertain Future: The trajectory of AI development is highly uncertain, with plausible scenarios ranging from gradual evolution to rapid, transformative disruption. This uncertainty demands a shift away from rigid, predictive policymaking toward a more flexible, adaptive, and scenario-based approach to governance. Institutions must rapidly build internal AI expertise and create frameworks that can evolve with the technology. This includes managing emergent risks related to market concentration, algorithmic bias, financial stability, and broader societal well-being, while ensuring that regulatory actions do not prematurely stifle innovation. Cross-border cooperation will be essential to govern a technology that is inherently global in its reach and impact.