방법론

제1절 개요 — 기준 전망에 무엇을 더하는가

AI 확산 시나리오는 보고서1의 기준 시나리오에 AI 부가가치 프리미엄을 더해 만든다. 프리미엄은 AI가 기준보다 빠르게 확산될 때 산업별 실질부가가치 증가율이 해마다 추가로 높아지는 폭(연 %p)이다. 프리미엄은 다음 세 단계로 정한다.

세 단계를 곱하면 산업 i의 연도 t 프리미엄이 된다.

프리미엄 p(i, t) = k × a(i) × r(t)

k는 ①의 크기를 맞추기 위한 배율이며, 따로 추정하는 값이 아니라 Λ에서 기계적으로 계산된다(제5절). 취업계수 변화는 이 프리미엄과 고용 반응 가정으로 계산한다(제6절).

제2절 기준 시나리오

기준 시나리오는 보고서1의 전망을 그대로 쓴다. 한국은행 동태예측모형(BOKDPM)으로 만든 거시경로를 외생변수로 넣은 베이지언 VARX로 62·69개 산업의 실질부가가치를 전망하고, 산업 합계를 전산업 성장 경로에 비례로 맞춘 결과이다. 기준 시나리오에는 AI가 지금까지의 추세대로 확산되는 효과가 이미 들어 있다고 본다. 따라서 AI 확산 시나리오가 더하는 것은 '추세보다 빠른 확산'의 효과이다.

제3절 1단계 — 크기 Λ 정하기

Λ는 2035년에 AI 확산이 전산업 실질부가가치 증가율을 기준보다 연 몇 %p 높이는가에 대한 가정이다. 2035년 산업별 실질부가가치를 가중치로 한 평균 프리미엄이 Λ와 같아지도록 한다. 자료에서 추정하지 않고 문헌의 범위에서 정한다. AI의 거시 생산성 효과에 대한 실증 근거가 아직 충분히 쌓이지 않았기 때문이다.

추정치가 연 0.1%p 안팎에서 1.5%p까지 넓게 퍼져 있으므로, 본 연구는 중간 범위인 0.5%p를 중심으로 두고 0.3·0.8을 민감도로 제시한다. 국내 자료로는 한국고용정보원(2017)이 총요소생산성 상향과 신성장산업 견인을 가정한 혁신전망에서 전 산업 실질부가가치 증가율이 기준전망보다 연 0.47%p 높다고 전망하였다. 중심값과 가깝고 그 차이가 시간이 갈수록 커진다는 점(0.2 → 0.5 → 0.7%p)도 본 연구의 시간 경로와 같다. 다만 AI만이 아닌 기술혁신 전반의 효과이고 정책 대응을 전제한 경로이므로 상한 쪽 참고값으로 본다. 여러 문헌은 범용 기술의 생산성 효과가 보완 투자와 조직 변화가 쌓인 뒤에 나타난다고 본다(Brynjolfsson, Rock, & Syverson, 2021; Aghion, Jones, & Jones, 2019). 이 점에서 Λ를 확산 초기가 아닌 2035년 값으로 정의하고 제5절의 시간 경로로 점차 늘린다. 취업계수 변화의 중심을 고용 중립(제6절)으로 두므로, 부가가치 프리미엄은 노동생산성 프리미엄과 같다. 따라서 노동생산성 기준의 문헌 추정치와 같은 단위로 비교할 수 있다.

제4절 2단계 — 산업에 나누기

산업 간 배분은 AI 수용도조사(한국고용정보원, 2026)의 E4-1 문항을 쓴다. E4-1은 '귀사 업종의 성장(매출 규모)에 AI 기술이 미치는 영향이 시점별로 어느 정도인가'를 ①매우 낮음부터 ⑨매우 높음까지 묻는다. 영향의 크기만 묻고 방향은 묻지 않으므로 중간값 ⑤는 '영향 없음'이 아니라 '보통'이며, 영향이 가장 작은 지점은 최저점 ①이다. 그래서 산업 i의 AI 영향 강도를 다음과 같이 정한다.

a(i) = 업종의 E4-1 2040년 평균 점수 − 1

설문 21개 업종은 크로스워크로 62개 산업에 대응시키고(3장), 69분류의 분화 산업은 모산업의 값을 이어받는다. 기준점을 중간값 5로 두면 산업 간 차이가 최대 36배로 벌어지고, 최저점 1로 두면 1.6배이다. 어느 기준점을 쓰든 전산업 효과는 Λ로 고정되므로 같고, 산업 간 배분만 달라진다(4장 재현 패키지에 네 방식을 비교).

설문에 기초한 배분이 타당한지는 세 갈래로 점검하였다. 첫째, 특허(IPC G06N)의 동시분류와 논문 자료에서 AI 기술은 정보통신을 중심으로 금융·사업서비스, 보건, 제조로 퍼지고 있다(1장). 둘째, 직무 내용으로 AI 노출도를 측정한 연구도 정보통신·금융·전문서비스의 노출도가 높고 대면 서비스·건설이 낮다고 보고한다(Felten, Raj, & Seamans, 2021; Webb, 2020; Eloundou et al., 2024). 본 연구의 배분은 이 순위와 대체로 일치한다. 셋째, 특허·논문·뉴스로 만든 업종별 노출 지수와 한국고용정보원(2017) 혁신 시나리오의 업종별 부가가치 증가율 차이를 설문과 나란히 비교하였다. 정보통신·전기전자가 높다는 점은 세 자료가 같고, 교육서비스는 설문에서만 높다. 세 자료의 순위상관과 이를 배분에 쓴 결과는 4장 보론에 있다.

제5절 3단계 — 시간에 따라 늘리기와 배율 k

시점 가중치 r(t)는 설문 전체 응답의 E4-1 평균이 2025·2029·2034·2040년에 어떻게 높아지는지를 연간으로 선형보간하고, 2025년을 0, 2040년을 1로 정규화한 것이다. 신기술의 보급이 처음에는 느리다가 점차 빨라진다는 확산 연구(Griliches, 1957; Comin & Hobijn, 2010)와 같은 방향의 경로이며, 형태는 사업체 응답에서 그대로 가져온다.

배율 k는 2035년 부가가치 가중평균 프리미엄이 Λ가 되도록 정한다.

k = Λ ÷ [Σ w(i) × a(i) × r(2035)], w(i) = 2035년 기준 시나리오의 산업 부가가치 비중

이렇게 하면 산업별 프리미엄은 AI 영향 강도에 비례하고, 그 가중평균은 Λ와 정확히 같다. 2035년 산업별 프리미엄은 정보통신 0.62%p, 교육서비스 0.58%p, 의료·정밀·광학기기 0.56%p, 전자부품 0.56%p이고, 건설 0.42%p, 문화·스포츠·수리 0.40%p이다.

Λ = 0.5인데 10년 평균 효과가 0.32%p인 이유. Λ는 2035년 한 해의 프리미엄이다. 시점 가중치가 2026년 0.11에서 2035년 0.79로 올라가므로 2026–2035년 평균은 0.50이고, 10년 평균 프리미엄은 0.5 × (0.50 ÷ 0.79) ≈ 0.32%p가 된다.

AI 확산 경로는 산업별 기준 성장률에 프리미엄을 더해 누적한다.

VA_AI(i, t) = VA_AI(i, t−1) × [VA_기준(i, t) ÷ VA_기준(i, t−1)] × [1 + p(i, t) ÷ 100]

제6절 취업계수 변화

취업계수(취업자 수 ÷ 실질부가가치)의 AI 확산에 따른 연변화는 (ε − 1) × p(i, t)이다. ε는 추가 부가가치에 대한 고용 탄력성이다.

• 중심: 고용 중립(ε = 0). AI가 만드는 추가 부가가치가 고용을 늘리지 않는다고 본다. 취업계수는 프리미엄만큼 낮아진다.
• 하방 민감도: 설문 탄력성. E4·E5 문항은 2024년 대비 2040년 매출과 고용이 얼마나 늘거나 줄지를 18개 구간으로 물었다. 구간 중간값의 가중평균으로 업종별 기대 증감률을 구하고 ε = ln(1 + 고용 증감률) ÷ ln(1 + 매출 증감률)로 계산한다(기대 매출 증가율 5% 미만 업종은 제조업·비제조업 평균으로 대체). 이 탄력성은 보건·사회복지를 제외하면 모두 0보다 작아 고용 중립이 고용 측에서 보수적인 가정임을 뒷받침한다. 다만 고령화·생산 거점 이전 같은 AI 외 요인이 섞여 있으므로 중심 가정으로 쓰지 않는다.
• 고용 중립의 근거. 한국고용정보원(2017)의 혁신전망은 실질부가가치 증가율을 기준전망보다 연 0.47%p 높이지만, 취업자 증가율은 연 0.49%에서 0.52%로 0.03%p 높일 뿐이다(2030년 취업자 11만 8천 명 차이). 추가 부가가치에 대한 고용 반응이 0에 가깝다는 점에서 중심 가정과 같은 방향이다.

제7절 대안 — AI 확산을 산업모형의 외생변수로 넣기

현재 방식은 프리미엄을 산업별 성장률에 직접 더하므로, 한 산업의 AI 효과가 산업 간 동학을 거쳐 다른 산업으로 퍼지는 경로를 담지 않는다. 이를 점검하기 위해 특허·논문·뉴스로 AI 확산 총량 지수와 업종별 노출 지수를 만들고, 보고서1 산업모형(베이지언 VARX)의 외생 항으로 넣는 두 대안을 계산하였다. 현재 방식은 그대로 두고 대안은 비교용으로 제시한다. 자세한 설계와 결과는 4장 보론에 있다.

• 대안 1(기존 계수 고정). 산업모형 계수는 그대로 두고 AI 항만 더한다. 기준 시나리오에서는 이 항이 0이므로 기존 전망이 바뀌지 않는다. 설문은 2040년까지의 누적 영향을 묻으므로 설문 정보는 모형의 장기 반응에 둔다. 전산업 효과는 연 0.31%p로 현재 방식(0.32%p)과 거의 같고, 산업별 프리미엄의 차이는 0.05%p 이내이다.
• 대안 2(일곱째 외생으로 재추정). 과거 AI 확산 갭을 일곱째 외생으로 넣어 다시 추정하고, AI 계수에는 설문을 평균으로 하는 사전분포를 둔다. 62개 산업 가운데 자료로 유의한 AI 계수는 1개(우연히 기대되는 수 3.1개)이며, 사후분포는 사전분포와 사실상 같다. 기존 전망은 비례 벤치마킹 후 산업별로 −0.30%에서 +0.86% 범위에서 바뀐다.

AI 확산이 본격화된 기간이 표본 끝 몇 해뿐이어서 자료만으로는 AI 계수를 식별할 수 없다. 이는 범용 기술의 생산성 효과가 늦게 나타난다는 문헌(Brynjolfsson, Rock, & Syverson, 2021)과 같은 방향이다. 따라서 AI 확산 효과의 크기와 배분은 계속 사전 정보(문헌의 Λ, 설문의 배분)가 정하며, 대안은 산업 간 파급과 배분 자료에 따라 결과가 얼마나 달라지는지를 보여 주는 점검으로 쓴다.

제8절 재현과 검증

모든 단계는 재현 패키지(데이터 입수 → 분석 → 결과 도출)로 구현하였다. 마지막 노트북의 검증 셀이 원고 수치와 계산 결과를 대조하며, 하나라도 다르면 실행이 멈춘다. 설문 원자료와 통계표는 비공개 자료이므로 공개 묶음에는 코드와 비공개 자료를 넣을 자리만 둔다.

참고문헌

• Acemoglu, D. (2024). The simple macroeconomics of AI (NBER Working Paper No. 32487). National Bureau of Economic Research. https://doi.org/10.3386/w32487
• Aghion, P., Jones, B. F., & Jones, C. I. (2019). Artificial intelligence and economic growth. In A. Agrawal, J. Gans, & A. Goldfarb (Eds.), The economics of artificial intelligence: An agenda (pp. 237–282). University of Chicago Press.
• Briggs, J., & Kodnani, D. (2023, March 26). The potentially large effects of artificial intelligence on economic growth. Goldman Sachs Global Economics Analyst.
• Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The productivity J-curve: How intangibles complement general purpose technologies. American Economic Journal: Macroeconomics, 13(1), 333–372. https://doi.org/10.1257/mac.20180386
• Comin, D., & Hobijn, B. (2010). An exploration of technology diffusion. American Economic Review, 100(5), 2031–2059. https://doi.org/10.1257/aer.100.5.2031
• Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2024). GPTs are GPTs: Labor market impact potential of LLMs. Science, 384(6702), 1306–1308. https://doi.org/10.1126/science.adj0998
• Felten, E., Raj, M., & Seamans, R. (2021). Occupational, industry, and geographic exposure to artificial intelligence: A novel dataset and its potential uses. Strategic Management Journal, 42(12), 2195–2217. https://doi.org/10.1002/smj.3286
• Griliches, Z. (1957). Hybrid corn: An exploration in the economics of technological change. Econometrica, 25(4), 501–522. https://doi.org/10.2307/1905380
• McKinsey Global Institute. (2023). The economic potential of generative AI: The next productivity frontier. McKinsey & Company.
• Webb, M. (2020). The impact of artificial intelligence on the labor market (Working paper). Stanford University. https://doi.org/10.2139/ssrn.3482150
• 한국고용정보원. (2017). 기술혁신을 반영한 중장기 인력수요 전망 2016~2030. 한국고용정보원.
• 한국고용정보원. (2026). AI 수용도가 고용변화에 미치는 영향: 사업체 조사 통계표(2026-04-17 검토본). 과제 참여기관 공유자료.