에이전트 시대의 지식 노동 가격은 누가 결정하는가? 연산 자산에 고정된 임금

AI 에이전트가 인간의 지식 노동을 대체함에 따라 임금이 0으로 수렴할 것이라는 막연한 공포를 경제학적 모델로 반박한다. 인간의 임금은 노동 시장이 아니라 GPU 대여료와 같은 연산 자본 시장의 가격에 의해 하한선이 형성됨을 입증하여 향후 AI 정책과 경제적 예측에 새로운 틀을 제공한다.

기존 경제학에서 임금은 노동의 수요와 공급 곡선이 만나는 지점에서 결정된다. 하지만 AI 에이전트는 복제 비용이 거의 없는 소프트웨어이므로, 이를 단순한 '노동 공급'으로 보면 공급 곡선이 바닥에 붙어 임금이 0이 되어야 한다. 이 논문은 AI 에이전트를 '노동'이 아니라 '연산 자본(GPU 시간 등)을 노동으로 바꿔주는 변환기'로 본다. 즉, 에이전트 한 명을 고용하는 것은 사실상 GPU를 일정 시간 빌려 쓰는 것과 같다.

따라서 AI가 인간과 똑같은 일을 할 수 있다면, 기업은 인간에게 GPU 대여료보다 더 많은 돈을 줄 이유가 없다. 반대로 GPU 자원도 유한하기 때문에 임금이 무한정 0으로 떨어지지도 않는다. 결국 인간의 임금은 'AI를 돌리는 데 드는 전기값과 GPU 값'이라는 물리적 비용에 닻을 내리게(Anchored) 된다.

이 원리에 따르면 알고리즘이 효율화되어 적은 연산으로도 똑똑한 에이전트를 만들 수 있게 될수록(k 감소), 인간의 임금 상한선은 더 낮아지게 된다. 반대로 GPU 가격이 폭등하면(rc 증가) 인간의 몸값도 일시적으로 방어될 수 있다. 결과적으로 지식 노동자의 가치는 더 이상 학위나 경력이 아니라, 그 일이 '얼마나 적은 GPU 자원으로 대체 가능한가'에 의해 결정되는 시대로 진입하고 있다.

전통적인 Mankiw의 생산 요소 시장 모델을 확장하여 AI 에이전트를 자본-노동 변환 기술로 정의한다. 생산 함수 Y = F(Ko, LH, LA)에서 LA = φ(Kc) ≈ Kc/k로 설정한다. 여기서 Kc는 연산 자본, k는 에이전트 노동 1단위를 생성하는 데 필요한 연산 강도이다.

[연산 자본 Kc를 입력으로] → [변환 함수 φ를 통해] → [효과적인 에이전트 노동 단위 LA를 출력하여] → [인간 노동 LH와 결합해 최종 생산물 Y를 만든다].

완전 대체 관계를 가정할 때, 기업의 비용 최소화 조건인 min {WH LH + rc k LA}를 통해 임금 상한선 WH ≤ λ·k·rc를 유도한다. λ는 인간과 에이전트의 상대적 생산성 비율이다. [인간 임금 WH가 λkrc보다 크면] → [기업은 모든 노동을 에이전트로 교체하고] → [인간 노동 수요가 사라져 임금이 하락하며] → [결국 WH = λkrc 지점에서 균형이 형성된다].

또한 불완전 대체 상황을 모델링하기 위해 CES(Constant Elasticity of Substitution) 함수를 도입하여 대체 탄력성 σ에 따른 임금 변화율을 계산한다. σ가 클수록(대체가 쉬울수록) 연산 비용 변화가 임금에 직접적인 영향을 미친다.

2024-2025년 시장 가격을 기준으로 수치적 보정(Calibration)을 실시했다. H100 GPU 임대료 rc를 시간당 2달러로 잡고, 숙련된 지식 노동자의 1시간 업무를 대체하는 데 필요한 연산량 k를 분석했다. 단순 요약이나 분류를 수행하는 소형 모델(k=0.05)의 경우, 인간의 경쟁 임금 상한선은 시간당 0.1~0.2달러 수준으로 나타났다.

복잡한 추론이 필요한 프런티어 모델(k=1)을 사용할 경우, 인간의 임금 상한선은 시간당 1~10달러 사이에 형성된다. 이는 현재 많은 지식 노동자의 시급보다 낮은 수준으로, AI가 해당 과업을 수행할 수 있는 능력을 갖추는 순간 임금 압박이 즉각적으로 발생함을 시사한다.

과업 이질성 분석 결과, 법률 서류 검토와 같은 대체 가능 과업(TS) 비중이 80%인 주니어 법률 보조원은 임금이 급락하는 반면, 전략 수립 및 고객 관계와 같은 보완적 과업(TC) 비중이 70%인 시니어 변호사는 AI 도입으로 인한 생산성 향상 혜택을 입어 임금이 상승할 수 있음을 확인했다.

본 연구는 Acemoglu-Restrepo의 과업 기반 자동화 프레임워크를 연산 자본 시장과 연결하여 구체화했다. 기존 모델이 자동화의 범위를 이분법적으로 다뤘다면, 본 논문은 대체 탄력성 σ를 통해 연속적인 임금 압력을 측정할 수 있게 했다. 특히 연산 자본 Kc를 물리적 하드웨어, 모델 가중치 IP, 매몰 비용인 학습 자본의 결합체로 세분화하여 분석했다.

임금 상한선 공식 WH ≤ λ·k·rc는 알고리즘 효율성 개선(k의 감소)이 임금에 미치는 영향을 명확히 보여준다. 알고리즘이 g의 속도로 개선될 때, 임금은 WH(t) = λk₀e⁻ᵍᵗrc의 경로를 따라 지수적으로 하락하며, 이는 하드웨어 성능 향상보다 알고리즘 효율화가 노동 시장에 더 파괴적인 영향을 줄 수 있음을 시사한다.

거시 경제적 관점에서 노동 소득 분배율(Labor Share)의 하락 원인을 '연산 자본으로의 집중'으로 지목한다. 자본 소득 내에서도 일반 자본이 아닌 연산 인프라 소유주, 에너지 생산자, 모델 IP 보유자가 이익을 독점하게 되는 구조를 이론적으로 뒷받침한다.

제시된 모델은 완전 경쟁 연산 시장을 가정하므로, 특정 기업이 GPU를 독점하거나 수직 계열화한 경우 임금 상한선에 마진(markup)이 추가되어 왜곡될 수 있다. 또한 책임 소재, 신뢰, 물리적 실재감이 필요한 비생산성 임금 요소는 모델에 포함되지 않았다.