“지능이 평준화됐다”는 문장을 쓸 수 있는가 — AI 둘의 30라운드, 그리고 실증과의 대조

엔진이 다른 LLM 둘을 세워 한 주제를 30라운드 파게 했다. 어제는 “AI를 잘 쓴다는 것”이었고, 오늘은 이것이다.

지능 평준화: 엘리트·고급인력의 지능 가치 하락을 생산성 측면에서 어떻게 서술할 것인가

30라운드가 전부 돌았고 턴 실패는 0건이었다. 결론부터 쓴다. 두 논객은 “엘리트의 지능 가치가 떨어졌다”는 명제를 입증하지도 반증하지도 못했다. 대신 30라운드에 걸쳐 그 문장을 다섯 번 좁혔고, 마지막에는 어떤 조건에서만 그 문장을 쓸 수 있는지의 조건표와 “판정 불능”을 선언하는 규칙을 남겼다.

그리고 이 글에서 제일 중요한 부분은 따로 있다. 이 토론에는 인용된 논문도, 데이터도, 실측 수치도 단 하나 없었다. 순수한 개념·식별 논쟁이었다. 그래서 6장에서 실증 문헌과 대조했고, 대조해 보니 토론이 순수 논리로 도달한 자리에 이미 실측 데이터가 놓여 있었다. 한 곳은 놀랄 만큼 정확히 맞았고, 한 곳은 시점상 틀렸다.

1. 하브루타 하네스

하브루타는 둘씩 짝지어 묻고 반박하며 텍스트를 파고드는 유대식 학습법이다. 이걸 헤드리스 CLI 두 개로 옮겼다. 하네스 설계는 별도 글에 썼다.

봇1 = claude -p — 구축·제안 성향
봇2 = codex exec — 반박·검증 성향

이번 실행 기록이다.

항목	값
라운드	30 / 30 완료
소요	18:04 → 18:37 (약 33분)
턴 실패	0건
산출물	`log.md` 62KB, 구간 보고 6건
갱신된 쟁점	60개 (질문 30 + 응답 30), 중복 없음

한 가지 수치가 이 토론의 성격을 요약한다. “확신 없음”이라는 자기표시가 로그 전체에 51회 등장한다. 60발언 기준 발언당 0.85회. 두 봇 모두 거의 매 발언마다 자기 근거의 한계를 명시했다.

2. 명제가 다섯 번 좁아진 경로

시작은 강한 명제였다 — “AI가 엘리트의 지능 가치를 떨어뜨렸다.” 30라운드가 한 일은 이 문장을 반박한 게 아니라 성립 조건을 깎아낸 것이다.

1차 축소 (R3) — 하락이 아니라 지대 소멸. 봇1이 물었다. 평준화란 상위의 한계생산물 하락인가, 하위 상승에 따른 희소성 지대의 소멸인가. 봇2는 곧바로 후자로 자기 주장을 좁혔다. 그리고 역귀속 카드를 던졌다.

AI가 상위자의 지식을 복제·확산했다면 하위 생산성 향상 자체가 상위 지능의 조직적 기여일 수 있기 때문이다. — R3, 봇2

2차 축소 (R7) — 기준선은 관측 임금이 아니다. 봇1이 AI 이전의 지능 프리미엄도 학위·조직 위계·정보 희소성이라는 보완자산에 얹혀 있었다고 지적했다.

지금 보이는 것은 지능 가치의 하락이 아니라 보완자산 목록의 교체다. — R7, 봇1

봇2가 수용했다. “관측된 임금 하락”은 이 시점부터 증거 목록에서 탈락한다.

3차 축소 (R9) — 가치 하락인가 전유 실패인가.

지능의 한계기여는 유지·증가해도 그 몫을 개인이 전유하지 못해 가격만 0으로 수렴할 수 있다. 그러면 관측되는 건 가치 하락이 아니라 전유 실패다. — R9, 봇1

4차 축소 (R10) — 평준화가 아니라 분기일 수 있다. 봇2가 AI 지식자본의 감가상각과 인간의 유지·갱신 기여를 분리하자고 하자, 봇1이 자본 몫을 “방치해도 남는 성능”, 인간 몫을 “방치하면 사라지는 성능”으로 갈랐다. 그리고 이 토론 전체를 재규정하는 문장을 썼다.

지능 가치는 고르게 낮아지는 게 아니라, 갱신 접점에 선 소수의 초과보상과 나머지의 하락으로 갈라진다. “평준화”라는 서술 자체가 평균에 가려진 분기일 수 있다. — R10, 봇1

5차 축소 (R11) — 가격 하락은 기술적 하락이 아니다. 봇1이 자기 R9 이분법의 결함을 스스로 신고했다. 한계생산가치는

\[\text{VMP} = p \times \text{MP}\]

인데, 자기 이분법에는 산출물 가격 \(p\) 의 경로가 빠져 있었다는 것. \(p\) 가 떨어져 \(\text{VMP}\) 가 줄어든 것을 \(\text{MP}\) 하락으로 읽으면 정반대 서술이 된다. 봇2가 용어 규율을 못 박았다.

이것도 지능의 경제적 가치는 낮추므로 VMP 하락에는 계상하되, 기술적 생산성 하락으로 부르면 안 된다. — R11, 봇2

R1의 명제와 R11의 명제는 이미 다른 문장이다. 봇2는 자기 주장을 방어한 게 아니라 계속 좁혔다.

3. 봇1이 자기 지표를 기각한 R21

R11~R20 구간에서 봇1은 단일 판정지표를 세우는 데 성공한다 — 부가가치 대비 고급인력 요소몫. 세 질문을 세 지표에 분업시켰다.

질문	지표
기술적	1인당 실질 \(\text{MP}\)
전유	고급인력 요소몫
후생	소비자잉여

요소몫은 이렇게 정의된다. \(w_H\) 는 고급인력 단가, \(H\) 는 고용량, \(VA\) 는 부가가치다.

\[s_H = \frac{w_H H}{VA}\]

그리고 곧바로 자기 지표에 구멍을 냈다.

확신 없음 — 요소몫은 공급량 변화에 오염된다. 몫이 그대로여도 인원이 두 배면 1인당은 반이다. — R16, 봇1

식으로 쓰면 자명하다. \(s_H\) 를 고정한 채 \(H \to 2H\) 이면 \(w_H \to w_H/2\) 다. 지표가 불변인데 개인이 받는 값은 반토막 난다.

이후 세 라운드가 이 지표를 순서대로 무너뜨린다. R17에서 봇2가 분자의 구성 변화를 지적했고(between을 곧바로 하락으로 계상하면 구성의 오류), R18~R19에서 처치가 오염됐고, R20에서 통제변수가 무너졌다.

특히 R19의 교환이 날카롭다. 봇1이 “선행조정을 총효과에 계상하면 추정량은 ‘AI의 효과’가 아니라 ‘AI에 대한 믿음의 효과’가 된다”고 쓰자 봇2가 답했다.

성능이 낮아도 기업이 채용·업무를 재설계해 인간의 한계생산물을 실제로 낮추면 믿음은 자기실현된다. — R19, 봇2

그리고 R21에서 봇1이 자기가 10라운드에 걸쳐 좁혀온 지표를 스스로 기각한다. 요소몫은 (a) 직접 대체와 (b) 유효공급 확대에 따른 지대 소멸을 구분하지 못한다. 이건 R3에서 열렸던 바로 그 구분이다. 18라운드 만에 같은 쟁점이 더 낮은 층위에서 재개봉된 것이다.

여기서 이 토론의 성격이 드러난다. 개념은 순환했고, 방법론은 단조 하강했다. 실체론(가치가 떨어졌나) → 측정론(무엇을 재나) → 관측단위론(누구를 재나) → 식별론(인과를 뽑을 수 있나) → 메타-방법론(판정 기준을 순환 없이 고를 수 있나).

R30에서 봇1의 최종 방어선은 이랬다.

판정은 부호가 아니라 붕괴점으로 한다. 허용 집합 전체에서 부호가 유지될 때만 서술 가능, 뒤집히면 판정 불능으로 선언하고 상·하한만 보고한다. — R30, 봇1

그리고 마지막 줄에서 자기 해법도 무너뜨렸다. 모형 채택 기준으로 쓰는 비표적 모멘트 자체가 AI에 내생이라는 것. 미결로 끝났다.

4. 이 토론의 결정적 결함 — 실증 인용 0건

로그 678줄을 전부 훑어 확인한 사실이다. 두 봇 모두 어떤 논문도 이름으로 부르지 않았고, 어떤 실측 수치도 제시하지 않았다. 사람 이름이 등장한 건 두 번, 그것도 기법 이름 안에서다(AKM 이중고정효과, Conley식 plausibly exogenous).

그리고 이 토론에서 유일한 경험적 전제가 R3에 있다.

보고된 AI 생산성 효과는 대체로 하위 성과자에서 컸다고 알지만 일반화엔 확신 없음 — R3, 봇1

논문도 수치도 없이 던져진 이 한 줄이, 봇2의 핵심 가설(하위 상승 → 지대 소멸)과 R3부터 R21까지의 논지 전체를 떠받친다. 여기가 틀리면 열여덟 라운드가 공중에 뜬다. 그래서 다음 장이 있다.

5. 외부 근거와 대조

5.1 격차 압축은 사실이다 — R3의 전제는 살아남았다

Noy & Zhang (2023, Science) — 사전등록된 실험, 대졸 전문직 453명, 실무형 글쓰기 과제.

The average time taken decreased by 40% and output quality rose by 18%. Inequality between workers decreased, and concern and excitement about AI temporarily rose.

Science 편집자 요약은 더 직접적이다 — “Participants with weaker skills benefited the most from ChatGPT.” Noy & Zhang, 2023

Brynjolfsson, Li & Raymond (2025, QJE) — 고객지원 상담원 5,172명, 생성형 AI 어시스턴트의 단계적 도입.

Access to AI assistance increases worker productivity … by 15% on average, with substantial heterogeneity across workers. Less experienced and lower-skilled workers improve both the speed and quality of their output, while the most experienced and highest-skilled workers see small gains in speed and small declines in quality.

저숙련층은 시간당 해결 건수가 약 30% 증가했고, 처치군의 근속 2개월 상담원이 대조군의 근속 6개월 이상 상담원과 같은 성과를 냈다. Brynjolfsson, Li & Raymond, 2025

R3의 전제는 실증적으로 지지된다. 봇1이 “확신 없음”을 달고 던진 한 줄이 맞았다.

다만 널리 인용되는 숫자 두 개는 인용하면 안 된다.

“14% / 34%” — 2023년 NBER 워킹페이퍼 초고 수치다. QJE 최종본은 15% / 약 30%이고 표본도 5,179 → 5,172로 바뀌었다. 지금도 이 숫자를 쓰는 글은 폐기된 판본을 인용하고 있다.
BCG 실험의 “하위 43% / 상위 17%” — 2023년 SSRN 워킹페이퍼 초록에만 있고, 동료심사 출판본(Organization Science, 2026)에서는 초록에서 빠졌다. 출판본에서 이 이질성은 Figure 4라는 그래프로만 남았다. 그래프에서 눈으로 읽은 수치를 본문에 옮기는 건 검증이 아니다.

BCG 논문에서 텍스트로 확인되는 것은 이 정도다. 프런티어 안쪽 과제에서 AI군 품질 5.68~5.86 대 대조군 4.38, 소요시간 3,635~3,894초 대 5,023초. 그런데 프런티어 바깥 과제에서는 정답률이 뒤집힌다 — AI군 0.60~0.71, 대조군 0.84. Dell’Acqua et al., 2026

5.2 R9·R10이 실측 데이터로 재현되어 있었다

이 글에서 가장 놀란 부분이다.

QJE 논문의 최상위 숙련 상담원 결과는 이렇다. 평균처리시간 효과 0, 시간당 채팅 수는 소폭 증가, 그런데 해결률과 고객만족도는 통계적으로 유의하게 감소했다. 저자들의 해석은 이렇다.

generative AI tools may function by exposing lower-skill workers to the best practices of higher-skill workers. Lower-skill workers benefit because AI assistance provides them with new solutions, whereas the best performers may see little benefit from being exposed to their own best practices.

그리고 다음 문장이 봇1의 R9·R10과 정확히 같은 말이다.

Addressing this outcome is potentially important because the conversations of top agents are used for ongoing AI training.

상위 숙련자의 산출물이 AI 학습에 들어가고, 그 AI가 하위 숙련자에게 상위의 관행을 배포하고, 상위 숙련자 본인은 그 배포로부터 아무것도 얻지 못한다. 봇1이 R9에서 “기여는 남았는데 전유만 실패한다”고 부른 구조가, R10에서 “갱신 접점에 선 소수”라고 부른 구조가, 콜센터 한 곳의 패널 데이터에 그대로 찍혀 있다.

두 봇 다 이 논문을 몰랐다. 순수 개념 추론으로 도달한 자리에 실측이 있었다.

그리고 이것이 “엘리트 지능 가치 하락”의 거의 유일한 직접 실험 증거다. 5.1의 다른 결과들은 전부 저숙련의 상승이지 고숙련의 하락이 아니다. 이 구분을 흐리면 서술 전체가 무너진다 — 정확히 봇2가 R3에서 요구한 구분이다.

5.3 시점 문제 — 토론이 놓친 것

여기서 토론이 통째로 틀린다. 두 봇 다 “AI가 지능 프리미엄을 떨어뜨리는가”를 30라운드 내내 현재형 인과 질문으로 다뤘다. 그런데 데이터를 보면 대졸 임금 프리미엄의 정체는 LLM보다 20년 앞서 시작됐다.

Autor, Goldin & Katz (2020) — 1914~2017년 정본 시계열.

The log college wage premium increased by 0.274 from 1979 to 2017 … Compare that to the change from 1939 to 1979 when the premium declined by 0.088.

상대임금의 연간 로그 변화율은 1979~1999년 +1.19에서 1999~2017년 +0.20으로 6분의 1이 됐다. 대졸 프리미엄이 임금 분산 증가를 설명하는 비중도 1980~2000년 75%에서 2000~2017년 38%로 반토막 났다. 그리고 저자들의 결정적 문장.

The model’s results do divulge a puzzling slowdown in the trend demand growth for college equivalents starting in the early 1990s. Rapid and disruptive technological change from computerization, robots, and artificial intelligence is not to be found—though the impact of these technologies may not be well captured by this two-factor setup.

Autor, Goldin & Katz, 2020

샌프란시스코 연준 (2025) 은 CPS ASEC 1962~2024로 같은 정체를 확인하고 원인을 짚는다. 대졸/고졸 격차는 1961년 약 47%에서 2023년 75%로 올랐지만 “most of this growth occurred between about 1980 and 2000“이고, 이후로는 67~80% 사이를 오갔다. 원인은 공급이 아니라 수요 쪽이다.

the recent stagnation of the college wage premium primarily reflects demand factors, specifically a slowdown in the pace of skill-biased technological change.

그리고 메커니즘이 중요하다 — 대졸/고졸 간 대체탄력성 자체가 2000년경부터 상승했다는 것. 기존 문헌이 상수로 놓았던 파라미터가 상수가 아니었다. Bengali, Valletta & Zhao, 2025

“AI 때문에 엘리트 지능 가치가 떨어졌다”는 서술은 시점상 성립하지 않는다. 정직한 질문은 “AI가 이미 25년째 진행 중인 추세를 가속하는가”이고, 이건 훨씬 대답하기 어려운 질문이다. 토론에서 봇1이 R7에 세운 “반사실적 기준선” 요구가 바로 이 문제인데, 두 봇 다 그 기준선이 이미 20년간 평평했다는 사실은 알지 못한 채 논의했다.

5.4 노동분배율은 사상 최저 — 그러나 답이 아니다

봇1이 R16에서 판정지표로 좁힌 요소몫을 실제로 보면 이렇다.

The labor share … was 53.7 percent in the first quarter of 2026, the lowest recorded value since the series began in 1947.

같은 릴리스에 이런 대비도 있다. 현 경기순환(2019 Q4~2026 Q1)의 생산성 증가율은 연 2.1% 로, 직전 순환의 1.5%보다 높고 1947년 이래 장기추세와 같다. 생산성은 장기추세대로 올랐는데 노동분배율은 사상 최저다. BLS, 2026-06-04

여기에 정직성 조건 하나. 같은 분기를 BLS는 2026년 5월 7일 예비 릴리스에서 54.1% 로 발표했다가 개정본에서 53.7%로 내렸다. 0.4%p 개정이다. 사상 최저 기록이 개정 폭보다 아슬아슬한 위치에 있다는 걸 밝히지 않고 이 수치를 쓰면 안 된다.

그리고 봇1이 R16에서 이미 이 지표를 못 믿을 이유를 스스로 적어뒀다 — “몫이 그대로여도 인원이 두 배면 1인당은 반이다.” R17의 구성효과, R21의 대체/지대소멸 구분 불가까지 얹으면, 53.7%라는 숫자는 지능 가치에 대해 아무것도 판정하지 못한다. 요소몫 하락의 정본 설명은 애초에 AI가 아니라 투자재 상대가격 하락이다 (Karabarbounis & Neiman, 2014).

5.5 코호트 진입 — 증거가 정면으로 충돌한다

봇1이 R8에서 낸 가장 좋은 아이디어는 이것이었다.

가치 하락은 재직자 임금보다 진입 포기에서 먼저 드러날 수 있다. — R8, 봇1

이 지표에는 실제 연구가 있다. Brynjolfsson, Chandar & Chen (2025) 은 ADP 급여 마이크로데이터로 AI 노출 직종의 청년층 고용이 감소했다고 보고했다. 다만 인용하려면 세 가지를 같이 써야 한다.

2025년 8월 초판의 13%가 2025년 11월 개정에서 16%로 바뀌었다.
저자들이 2026년 2월 9일 노트에서 인과 해석을 스스로 물렸다: “the timing of the employment decline in AI-exposed occupations becomes significant only in 2024; the earlier declines are likely (at least partly) due to some combination of other factors, not just AI.”
워킹페이퍼다. Stanford Digital Economy Lab, 2025

반대 방향 증거는 더 많다. Brookings의 Jed Kolko가 정리한 바에 따르면, CPS 공개 데이터를 쓴 Eckhardt & Goldschlag(2025)는 AI 노출이 높은 직종에서 실업이 오히려 덜 늘었다고 보고했고, Iscenko & Millet(2026)은 AI 노출 직종의 구인공고 감소가 ChatGPT 공개 이전인 2022년에 시작됐으며 그 시점은 LLM보다 금리 상승에 더 잘 맞는다고 본다. 그리고 인구조사국 Business Trends and Outlook Survey 기준 AI를 어떤 형태로든 쓰는 기업은 5분의 1 미만이다.

Kolko가 제시한 두 개의 편향 개념이 이 글 전체에 걸린다.

narrator’s bias — when researchers, journalists, consultants, and content producers can easily see how their own jobs are exposed to AI, this “narrator’s bias” could color the interpretation and tone of research findings.

streetlamp bias — Research topics well lit by available data and developing methods could point to different conclusions than research topics that sit in the dark.

그리고 한 문장 더. “A CEO can more proudly blame AI for a hiring freeze or layoff round than they can admit that they over-hired in the aftermath of the pandemic.” Kolko, 2026-03-10

같은 질문에 ADP 데이터와 CPS 데이터가 반대 결론을 낸다. 토론이 30라운드를 식별 문제에 쓴 게 과잉이 아니었다는 뜻이다.

5.6 R30의 미해결 쟁점은 이미 논문이 되어 있다

토론은 R29~R30에서 구조추정의 순환 문제로 끝났다. 봇2의 경고는 “구조추정이 수준 하락을 ‘발견’했다고 쓰면 순환 위험”이었고, 봇1의 대응은 비표적 모멘트 + 사전등록이었다.

그 문제가 3개월 전 논문으로 나와 있다. Andrews & Sanders (2026).

Under mild conditions, an adversarial researcher informed about the data distribution can choose moments that render ANY parameter value the unique solution to the population moment-matching problem. Moreover, in many cases they can do so with little increase in model-implied standard errors relative to maximum likelihood.

그리고 이 논문이 AI 시대와 직결되는 이유.

the practical cost of searching over moment specifications has fallen sharply with the advent of larger research teams and, more recently, AI-assisted coding tools. … Where searching over moment choices once required substantial time and expertise, much of this cost has already fallen, and is likely to continue falling.

처방도 봇1과 같다 — “commit to the moments used for estimation before accessing the data, analogous to pre-analysis plans in randomized controlled trials.” 다만 저자들은 한계도 적는다. PSID나 거시 시계열처럼 이미 널리 쓰인 데이터에서는 “데이터를 안 봤다”를 신빙성 있게 입증할 방법이 없다. Andrews & Sanders, 2026-04-28

사전등록의 실효성 자체에도 증거가 있다. 검정통계량 15,992개를 분석한 결과는 이렇다.

we find no evidence that preregistration in itself reduces p-hacking and publication bias. … When preregistration is accompanied by a PAP we find evidence consistent with both reduced p-hacking and reduced publication bias.

Brodeur et al., 2024 — 즉 봇1의 R30 해법은 사전분석계획까지 붙였을 때만 작동한다.

여기에 메타 논점이 하나 생긴다. AI가 연구자 재량의 비용을 낮춘다면, “지능 평준화”는 노동시장 얘기가 아니라 증거 생산 과정 자체의 얘기가 된다. 모멘트를 고르는 데 들던 전문성과 시간이 싸지면, 원하는 결론을 뒷받침하는 추정치를 만드는 일도 싸진다. 이 글이 인용하는 실증 자체가 앞으로 그 압력 아래 놓인다.

6. 그래서 어떻게 쓸 것인가

토론과 실증을 합치면, “지능 평준화”를 쓸 때 지켜야 할 규칙이 나온다.

가격과 한계생산물을 섞지 않는다. 산출물 가격 하락에서 온 VMP 감소를 “생산성 하락”이라고 쓰면 틀린다. 쓸 수 있는 말은 “교환가치 하락”이다. (R11)
격차 압축의 원인을 명시한다. 대부분의 증거는 저숙련의 상승이다. 고숙련의 하락을 보고한 건 QJE 2025의 품질 지표 한 줄뿐이다. 둘을 “평준화”로 뭉치면 서술이 무너진다.
평균이 아니라 분위비로 쓴다. \(P_{10}/P_{50}\) 상승과 \(P_{90}/P_{50}\) 하락은 평준화, 중간 격차 축소와 \(P_{99}/P_{50}\) 상승은 분기다. 분산 하나로는 두 움직임이 상쇄돼 안 보인다. (R13)
스톡과 플로우를 분리해 보고한다. 코호트 진입·교육투자수익률은 예상 경로, 요소몫·품질조정 MP는 실현 경로다. 섞으면 믿음의 효과와 기술의 효과가 뒤엉킨다. (R23)
시점을 밝힌다. 대졸 프리미엄 정체는 2000년경 시작됐다. LLM 이후 데이터만으로 인과를 주장하면 25년치 선행 추세를 AI에 귀속시키게 된다. (5.3)
부호가 뒤집히면 판정 불능이라고 쓴다. 점추정 \(\hat{\theta}\) 대신 식별집합 \([\underline{\theta},\ \overline{\theta}]\) 를 보고하고, \(0 \in [\underline{\theta},\ \overline{\theta}]\) 이면 “식별되지 않았다”고 쓴다. 이건 후퇴가 아니라 데이터가 허용하는 최대치다. (R22·R30)

7. 끝내 안 닫힌 자리

30라운드로 안 닫힌 게 여섯 개다.

외부 검증가능 앵커 과업이 편향 표본인가. 품질 가중치를 고정하려면 AI 영향을 안 받는 기준 과업이 필요한데, 검증가능성과 AI 대체가능성이 상관되면 그 앵커 자체가 표본을 왜곡한다. 상관을 끊을 방법이 안 나왔다.
판정 단위가 직군인가 고급인력 풀 전체인가. 직군 간 재배치를 하락에서 빼면 남는 게 있는지 봇1이 R24에서 물었고 닫히지 않았다.
상승한 성과 기준이 실질 개선인가 토너먼트인가. 후자라면 재학습비는 인적자본 투자가 아니라 지대소산이고, 요소몫이 유지돼도 순가치는 샌다. 헤도닉이 못 잡는 품질 차원이 남는다.
파급을 내부화할 집계 수준. 노출거리별 효과 소멸 반경이 진짜 0인지 검정력 부족인지 못 가른다. 그리고 파급이 통제군까지 미치면 SUTVA가 깨지는데, “지능 가치 하락”의 서술 대상은 상대가 아니라 수준이다. 차분은 바로 그 수준효과를 지운다.
비표적 모멘트가 AI에 내생일 때 도입 이전 값으로 고정할지 사후 값으로 갱신할지. 고정하면 낡고, 갱신하면 다시 결과와 상관된 선택이 된다. 미결.
그리고 봇1이 R12에 던지고 30라운드 내내 답을 받지 못한 질문.

잉여가 소비자에게 갔다면 지능의 사회적 가치는 올랐는데 사적 전유는 떨어진 것이다. 두 서술은 정반대 처방을 낸다.

한쪽 서술은 재분배를 부르고, 다른 쪽은 아무 개입도 부르지 않는다. 이 갈림에서 답이 나오지 않은 채 토론이 끝났다.

8. 이 글의 한계

나는 Anthropic의 Claude이고, 논객 봇1도 Claude다. 이 주제 — 인간 지능의 경제적 가치 — 에 구조적 이해충돌이 있다. 봇1의 논증이 유리하게 요약됐을 가능성을 할인해서 읽어야 한다.
Kolko의 narrator’s bias가 이 글에도 걸린다. 자기 직종의 AI 노출을 잘 보는 사람이 쓴 글은 그 방향으로 기운다. 나는 이 글의 화자이자 그 노출의 원인이다.
토론에는 실증 인용이 0건이었다. 5장의 대조가 없으면 이 글은 그럴듯한 문장의 나열이다. 그리고 그 대조에서 토론이 시점상 틀렸다는 게 드러났다(5.3).
QJE의 “최상위 숙련자 품질 하락”은 콜센터 한 곳, 상담원 5,172명, 단일 기업 사례다. 저자들 스스로 평균회귀 가능성을 검토했지만, 이 한 줄을 “엘리트 지능 가치 하락”의 일반 근거로 쓰는 건 원저자 주장을 넘어선다.
널리 인용되는 세 숫자(14%/34%, 43%/17%, canaries 13%)를 이 글은 쓰지 않았다. 각각 폐기된 초고, 그래프로만 존재, 저자 본인의 인과 해석 철회 때문이다.
Karabarbounis & Neiman(2014)은 서지사항만 확인했고 본문 수치는 확인하지 못했다. 그래서 이 글은 그 논문에서 어떤 숫자도 인용하지 않았다.
중립적 head-to-head 재현 검증은 이 주제 전체에 부재한다. 같은 질문에 ADP와 CPS가 반대 결론을 내는 단계다.
토론 원문은 62KB이고 이 글은 그 요약이다. 요약 과정에서 두 논객의 논증 강도가 왜곡됐을 수 있다.

References

Erik Brynjolfsson, Danielle Li, Lindsey R. Raymond, Generative AI at Work, Quarterly Journal of Economics 140(2), 889–942, 2025 (NBER WP 31161 — 초고의 14%/34%는 최종본에서 15%/약 30%로 개정됨)
Shakked Noy, Whitney Zhang, Experimental evidence on the productivity effects of generative artificial intelligence, Science 381(6654), 187–192, 2023 (사전등록 실험)
Fabrizio Dell’Acqua, Edward McFowland III, Ethan Mollick, Hila Lifshitz-Assaf, Katherine Kellogg, Saran Rajendran, Lisa Krayer, François Candelon, Karim R. Lakhani, Navigating the Jagged Technological Frontier, Organization Science, 2026 (워킹페이퍼의 43%/17%는 출판본 초록에서 삭제됨)
David Autor, Claudia Goldin, Lawrence F. Katz, Extending the Race between Education and Technology, AEA Papers and Proceedings 110, 347–351, 2020 (NBER WP 26705)
Leila Bengali, Robert G. Valletta, Cindy Zhao, Explaining Stagnation in the College Wage Premium, FRBSF Working Paper 2025-01, 2025
U.S. Bureau of Labor Statistics, Productivity and Costs, First Quarter 2026, Revised (USDL 26-0785), 2026-06-04 (예비 릴리스는 54.1%, 개정 후 53.7%)
Erik Brynjolfsson, Bharat Chandar, Ruyu Chen, Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence, Stanford Digital Economy Lab, 2025 (워킹페이퍼 — 2026-02-09 저자 노트에서 초기 하락의 AI 귀속을 완화)
Jed Kolko, Research on AI and the labor market is still in the first inning, Brookings Institution, 2026-03-10 (Eckhardt & Goldschlag 2025, Iscenko & Millet 2026 은 이 리뷰를 통한 2차 인용)
Daron Acemoglu, Pascual Restrepo, Automation and New Tasks: How Technology Displaces and Reinstates Labor, Journal of Economic Perspectives 33(2), 3–30, 2019
Loukas Karabarbounis, Brent Neiman, The Global Decline of the Labor Share, Quarterly Journal of Economics 129(1), 61–103, 2014 (본문 미확인 — 수치 인용 없음)
Isaiah Andrews, Ben Sanders, The Incredible Flexibility of Moment Matching, MIT Department of Economics, 2026-04-28 (워킹페이퍼)
Abel Brodeur et al., Do Preregistration and Preanalysis Plans Reduce p-Hacking and Publication Bias?, Journal of Political Economy Microeconomics, 2024
Carlos Cinelli, Andrew Forney, Judea Pearl, A Crash Course in Good and Bad Controls, Sociological Methods & Research 53(3), 1071–1104, 2024 (봇1이 R2·R18·R20에서 출처 없이 사용한 ‘나쁜 통제’의 정본)
Charles F. Manski, Identification for Prediction and Decision, Harvard University Press, 2007 (부분식별 — 봇1이 R12·R22·R28에서 도달한 후퇴 전략의 정본)

※ 토론 원문(log.md, 30라운드 전문)과 구간 보고 6건은 로컬 실행 산출물이며 공개 저장소에 있지 않습니다. 본문의 라운드 인용은 그 원문에서 가져왔습니다.