이는 자문위원 정용훈 교수님의 자동화에 관한 논문 Automation & the Future of Work: When Artificial Intelligence Meets Schumpeterian Innovators이 관한 내용입니다.


1. 연구 배경 및 문제의식
전통적인 자동화는 저숙련 노동을 대체하는 데 집중되어 왔고, 고숙련 노동은 상대적으로 안전하다고 여겨졌음.

그러나 최근 AI/ML 기술의 발전으로 고숙련, 인지적, 비반복적 작업까지 자동화 가능성이 커지면서, 기존 이론의 한계가 드러남.

이 논문은 AI를 일반 목적 기술(GPT)로 간주, 모든 작업 영역에 대한 자동화 가능성을 고려한 새로운 이론적 틀을 제시함.

2. 핵심 연구 질문
AI/ML 기반의 자동화는 어떤 방향과 속도로 진행되는가?

이러한 변화는 노동 시장, 특히 고숙련 노동자에게 어떤 영향을 미치는가?

장기적으로 이러한 자동화는 소득 불평등에 어떤 영향을 주는가?

3. 모형의 특징
기존 작업(task)을 **하위작업(subtask)**으로 나누고, 인간은 이를 모두 수행 가능하지만 AI는 환경 변화마다 별도 학습 필요함을 가정.

R&D는 두 가지 방식으로 작동:

Process Innovation: 기존 작업의 자동화 수준을 향상.

Task Innovation: 새로운 작업을 창출하고 기존 작업을 대체.

AI 기술은 모든 작업 자동화가 가능하다는 가정하에, 작업별 자동화 진전 정도는 다음 요인에 따라 달라짐:

높은 임금 (wage)

큰 시장 규모 (market size)

높은 자본 생산성 (capital productivity)

기술 개발자의 높은 협상력 (bargaining power)

4. 핵심 이론적 결과
고숙련 작업 영역이 자동화의 우선 대상이 될 수 있음.

고임금 → 자동화를 통한 비용 절감 유인이 큼.

이로 인해 기존 이론과는 달리, 고숙련자도 자동화 위험에 노출됨.

자동화는 단기적으로는 고숙련자 임금 하락을 유발할 수 있음.

그러나 자동화가 빠르고 신작업(task) 창출이 느릴 경우:

많은 작업이 완전 자동화 후 퇴출됨.

남은 작업에 대해 모든 근로자가 재배치되며, 소득 불평등이 오히려 감소함.

5. 수치 시뮬레이션 및 정책적 시사점
자동화가 빠르고, 신작업 창출이 느릴수록, 장기적으로 **임금 격차(Gini 계수)**는 낮아지는 경향을 보임.

예: Gini 계수가 0.22(느린 자동화) → 0.02(빠른 자동화)로 감소.

이는 기존의 “자동화 = 불평등 심화”라는 통념과 다른 결과.

다만, 이런 전이 과정에서의 고통(실직, 재교육 등)을 어떻게 최소화할 것인가는 정책적 과제로 남음.

6. 기여 및 결론
이 논문은 AI/ML을 통해 모든 작업이 자동화 가능한 세상을 가정함으로써, 기존의 반복 vs 비반복 작업, 저숙련 vs 고숙련 구도에서 탈피한 새로운 이론틀을 제시.

기술 진보가 반드시 불평등을 심화시키지는 않으며, 혁신과 재분배 메커니즘에 따라 오히려 평등해질 수도 있음을 시사함.

정책적으로는 전환기의 사회적 비용 최소화 방안 마련이 핵심 과제가 됨.