핵심 요약
이 논문은 생성형 AI가 인적자본의 두 가격, 즉 학력 수익률과 경력 수익률을 어떻게 재설정하는지를 이론과 실증으로 분석한다. AI가 부호화된 지식을 생산 현장에서 싸게 공급하게 되면, 실무를 통해 체득되는 판단, 즉 암묵지의 상대적 희소성이 높아진다는 문제의식이다.
이론적 예측은 두 가지다. 학력 수익률은 기계가 공급하는 부호화 지식과 직접 대체 관계에 있으므로 하락한다. 경력 수익률은 부호화 지식과 암묵지가 보완 관계라면 학습이 빠른 경력 초기에 상승하지만, 구기술에 특정된 경험은 진부화되므로 경력 후기에는 하락할 수 있다. 경력 프로파일이 평행이동이 아니라 회전한다는 것이다.
실증은 미국 현행인구조사(CPS)의 2018년부터 2026년 6월까지 임금 자료를 사용해, ChatGPT 공개 이전에 구축된 AI 노출 지수의 상위와 하위 4분위 직업을 비교한다. 노출 직업에서 학력 1년의 수익률이 0.55 로그포인트 하락했다. 기준 수익률 7.5 로그포인트 대비 약 7.3%의 감소다.
경력 수익률은 예측대로 회전했다. 잠재 경력 3년에서 연 0.26 로그포인트 상승, 15년에서 변화 없음, 25년에서 0.12 로그포인트 하락이며, 효과의 부호가 바뀌는 지점은 18.1년이다. 팬데믹 플라시보에서는 이러한 단절이 나타나지 않았다.
배경 및 이론적 맥락
숙련 편향 기술 변화 문헌은 교육 프리미엄을 기술과 교육 공급의 경주로 설명해 왔다. 그런데 생성형 AI는 과거 기술과 다른 방향을 가리킬 수 있다. 부호화 가능한 지식, 즉 학교 교육이 전수하는 바로 그 지식을 기계가 직접 공급하기 시작했기 때문이다. 이 경우 교육 프리미엄은 오르는 것이 아니라 떨어질 수 있다.
대응하는 이론 자원은 암묵지 개념이다. Polanyi 이래로 숙련의 상당 부분은 명문화되지 않고 실천을 통해 체득되며 맥락에 결속된 것으로 이해되어 왔다. LLM의 학습 데이터에 존재하는 문서화된 기록은 인간 지식의 일부일 뿐이다. 부호화 지식이 풍부해질 때 그것과 대체되는 자본의 가격은 내리고 보완되는 자본의 가격은 오른다는 생산 함수 논리를 이 구분 위에 얹는 것이 이 논문의 틀이다.
연구 방법론
자료는 CPS Outgoing Rotation Group의 2018년~2026년 6월 임금 자료다. 처리는 직업 수준에서 부여되며, Felten-Raj-Seamans AI 직업 노출 지수의 상위 4분위와 하위 4분위를 비교한다. 추정식은 학력과 잠재 경력의 2차식을 처리, 공개 이후 지표와 교호작용시킨다. 관심 모수는 임금 수준이 아니라 기술 가격의 차분-차분이다.
식별은 노출 그룹 간 학력·경력 기울기의 평행 추세 가정에 기대며, 직업 고정효과와 월 고정효과, 처리-사후 항이 상수 차이와 공통 충격, 수준 이동을 흡수한다. 팬데믹 시기를 대조로 한 플라시보, 공통 검열 규칙 적용, 직업별 사전 기울기 허용 등의 강건성 점검이 수행되었다. 저자들은 노출 지수가 기계 공급 지식의 확대 폭을 순서대로 대변한다는 것은 검증된 가정이 아니라 식별 가정이라는 점을 명시한다.
연구 결과
학력 수익률은 ChatGPT 공개 이후 노출 직업에서 연 0.55 로그포인트 하락했다. 노출 직업의 사전 학력 수익률이 7.5 로그포인트였으므로 상대적으로 약 7.3%의 감소다. 사건연구 추정에서 학력 기울기는 공개 이전 평탄했고, 단절은 공개 후 첫 해에 나타났다.
경력 수익률은 세 지점에서 서로 다르게 움직였다. 잠재 경력 3년에서 연 0.26 로그포인트 상승, 15년에서 통계적으로 유의한 변화 없음, 25년에서 0.12 로그포인트 하락이다. 2차 함수 명세에서 경력 기울기 효과의 부호가 바뀌는 지점은 18.1년이고, 저자들은 이것이 임금 손익의 교차가 아니라 기울기 효과의 부호 전환점임을 명시한다. 두 끝단의 반대 방향 움직임은 공개 이후 모든 연도에서 반복 관찰되었다.
강건성 점검의 집합이 넓다. 팬데믹 발발 시점을 가짜 충격으로 둔 플라시보에서는 효과가 사라졌다. 기술 부문을 제외해도 결과는 거의 변하지 않았다. 추정된 총임금 손실은 노출도가 높을수록 커졌다. 2018~2026년 전 기간에 동일한 인위적 검열 규칙을 적용해도 학력 효과는 -0.53 로그포인트였고 경력 회전도 거의 동일했다. 모든 직업이 자체 사전 학력·경력 기울기를 갖도록 허용한 명세에서는 -0.58, +0.26, -0.11 로그포인트로 추정되었다.
무효 관찰도 정리할 가치가 있다. 경력 15년 지점의 변화 없음은 회전의 축이 존재함을 보여주고, 팬데믹 플라시보의 무효는 공개 시점 이후의 일반적 충격이 아니라 AI 확산과 연결된 변화라는 해석을 지지한다. 다만 이 해석은 노출 지수가 실제 기계 공급 지식의 확대 폭을 순서대로 대변한다는 식별 가정에 달려 있으며, 저자들은 이것이 검증된 사실이 아니라 가정이라고 명시한다.
결론 및 의의
저자들의 이론적 기여는 추정 대상의 선택에 있다. 인적자본 문헌이 학력과 경력 프리미엄의 수준과 생애주기 경로를 연구해 온 반면, 이 논문은 민서 기울기 자체를 결과 변수로 삼아 부호화 지식의 상대적 풍부함을 바꾼 충격 전후의 두 기술 가격의 공동 움직임을 추정한다. 하락한 학력 기울기, 가팔라진 초기 경력 기울기, 평탄해진 후기 경력 기울기의 조합은 프레임워크의 세 메커니즘, 즉 인간과 기계의 부호화 지식 대체, 실천 기반 판단과의 보완성, 기술 특정 인적자본의 진부화와 정합적이다. 저자들은 이 세 메커니즘의 구분이 이론적으로는 분리되지만 실증적으로는 공동 관찰된다는 점을 숨기지 않는다.
교육 적용의 함의는 조건부로 읽어야 한다. 학력 수익률의 7.3% 감소는 3년 반의 변화로는 크지만, 그것이 대학 교육 전체의 가치 하락을 뜻하지는 않는다. 부호화 지식 전수 비중이 높은 교육일수록 하방 압력이 크다는 것이 정확한 해석이다. 판단, 맥락 이해, 협업처럼 문서화되지 않는 역량의 형성 비중을 높이는 교육과정 재설계는 이 논리의 응용이며, 그 재설계가 실제로 임금 프리미엄을 방어하는지는 이 연구가 검증하지 않은 별도의 문제다.
경력 후기 근로자에 대한 시사는 기존 통념을 비튼다. 경험의 프리미엄이 초기에 오르고 후기에 내린다는 회전은 고경력일수록 안전하다는 직관이 성립하지 않음을 뜻한다. 관건은 경험의 양이 아니라 새 기술로의 이전성이다. 재직 중 고경력자의 재교육이 이직자 재교육과는 다른 설계를 요구한다는 점은 정책 응용이지만, 어떤 재교육이 이전성을 실제로 높이는지는 미검증 영역이다.
신규 졸업자 문헌과의 관계는 상보적이다. 진입 채용이 줄어든다는 흐름 증거와, 진입한 청년의 경험 수익률이 오른다는 본 결과는 모순이 아니다. 조정이 양의 마진과 가격의 마진에서 다르게 일어나기 때문이다. 문이 좁아지는 동시에 들어온 사람의 가치가 오르는 구조는 진입 경쟁의 강도를 높이며, 이는 진입 단계 지원 정책의 근거가 된다. 이 해석은 우리의 것이며 저자들이 직접 검증한 내용은 아니다.
한계는 명시적이다. 학력과 경력은 각각 부호화 지식과 암묵지의 불완전한 대리 변수다. 사후 기간의 직업 내 근로자 구성 변화는 남은 교란 요인이고, 총량적 상대 공급 효과는 직업 간 공통인 경우에만 제거된다. 장기의 교육 선택, AI 활용 학습, 세대 간 지식 전수는 이 단기 프레임워크 밖이다. arXiv 워킹페이퍼로 동료심사를 거치지 않았다.
참고문헌
Levy Yeyati, E., Judzik, D., & Barbiero, J. I. (2026). Practice makes perfect: Tacit knowledge, generative AI, and returns to schooling and experience. arXiv. https://arxiv.org/abs/2610.36008
arXiv 워킹페이퍼(2026년 10월)로 동료심사를 거치지 않았다. 관찰 자료의 차분-차분 추정이다. 본문은 해당 논문의 연구와 그로부터 도출한 해석만을 다룬다.
AI 활용 내역
이 글은 AI(Instinct AI 어시스턴트)를 활용하여 논문의 핵심 내용을 분석·요약하고, 한국어 리뷰 원고를 작성하였습니다. 최종 검토 및 발행은 블로그 운영자가 수행합니다.