에릭 브리뇰프슨 스탠퍼드대 디지털경제연구소장 에릭 브리뇰프슨 스탠퍼드대 디지털경제연구소장 겸 교수는 IT·디지털 및 인공지능(AI) 기술이 국가성장과 기업의 생산성·고용에 미치는 영향을 집중적으로 연구해온 대표적인 경제학자다. 특히 AI 혁명과 관련한 전세계 경제·경영학계 연구를 주도하고 있어 AI시대 경제학자들의 경제학자로 불린다. 미국 하버드대학에서 응용수학을 공부한 뒤 MIT 슬론 경영대학원에서 박사학위를 받았다. 그간 9권의 저술과 100편이 넘는 학술논문을 발표했다. 앤드루 맥아피 MIT 슬론 경영대 수석연구과학자와 2014년 공동 집필한 ‘제2의 기계시대(The Second Machine Age)’는 뉴욕타임스 베스트셀러이자 FT&맥킨지 선정 올해의 저서 최종 후보에 오르기도 했다. 그는 MIT 교수를 거쳐 현재 스탠퍼드대에서 디지털경제연구소를 이끌고 있다. 스탠퍼드대학은 브리뇰프슨 소장을 ‘세계적으로 가장 영향력 있는 기술·AI 경제 석학’으로 소개하고 있다. 최근 그와 주고받은 인터뷰 전문을 한국어로 쉽게 다시 풀어봤다. Q1. 생산성 J커브(J-Curve)에서 AI효과로, 우리가 최저。을 지났을까요? 그것을 알려주는 신호는 무엇입니까? 현재 우리는 변곡. 근처에 있다. 가장 깊은 골짜기는 지났지만, 아직 가파른 상승세에 접어들지는 않은 초입 상태다. 대니얼 락(Daniel Rock), 채드 시버슨(Chad Syverson)과 제가 공식화한 J커브의 논리는, 기업들이 새로운 기술, 새로운 프로세스, 새로운 제품과 같은 ‘무형 자산(intangibles)’에 대규모로 투자한 후 그 결과물이 통계에 나타나기까지는 오랜 시간이 걸린다는 것이다. 이 단계에서는 측정된 생산성이 실제 발전 수준을 과소평가하게 된다. 기업들은 여전히 성과를 수확하기보다는 조직 개편에 훨씬 더 많은 비용을 지출하고 있다. 우리가 최저.을 통과했음을 알려주는 신호는 다음 4가지다. 첫째, AI 집약적 산업의 생산성 성장이 나머지 경제 부문과 차별화되는 현상이다. 둘째, 기업들이 도입률이 아닌 실제 생산량과 매출 증가를 보고하는 것이다. 셋째, 기존 제품의 더 저렴한 버전이 아닌 진정 새로운 제품과 서비스의 등장이다. 넷째, 대규모 노동 재배치, 즉 단순히 기존 역할에서 새로운 도구를 사용하는 것을 넘어 새롭게 재설계된 역할로 이동하는 것이다. 우리는 미국의 데이터에서 이 중 첫 번째와 네 번째 신호를 확인하기 시작했다. Q2. 일론 머스크 CEO와 다론 아세모글루 교수의 견해 중 어느 쪽에 속하는가? 이 두 극단적인 주장이 놓치고 있는 것은 무엇인가? 나는 그 중간, 이른바 기하평균(geometric mean)에 가깝다고 할 수 있다. 일론 머스크의 견해는 거의 모든 프로세스에서 나타나는 병목 현상을 과소평가하고 있다. ‘능력’이 곧 ‘가치’는 아니다. 아무리 모든 것을 할 수 있는 기술이라 하더라도 조직, 계약, 규제, 신뢰의 장벽을 넘어 확산되어야 하며, 여기에는 수년이 걸린다. 이것이 바로 J커브가 설명하는 바다. 다론 아세모글루의 추정치는 정교한 회계적 계산이지만, 이는 오늘날의 업무, 오늘날의 기술 능력, 오늘날의 제품을 고정해 두고 보는 정적인 분석이다 모바일 바다이야기거북이 . 최근 그와 대화를 나누었는데, 에이전트 AI(agentic AI)의 발전 상황을 고려하여 그의 견해도 수정됐다. 역사적으로 범용 기술이 창출하는 가치의 대부분은 초기에는 누구의 목록에도 없었던 새로운 업무와 새로운 상품에서 비롯되었다는 .에서 나와 그는 동의하고 있다. 내가 강조하는 핵심은 이것이 예측의 문제가 아니라, 설계의 문제라는 。이다. 그 결과는 우리가 아직 내리지 않은 선택들에 달려있다. 기술을 활용해 엄청난 풍요를 창출할 기회도 있지만, 동시에 그 기회를 놓칠 위험 또한 존재한다. Q3. AI 에이전트가 J커브의 바닥 구간을 단축시킬까? 130년 전의 전기 보급이나 30년 전의 전사적 자원관리(ERP) 시스템 때보다는 (생산성 J커브의) 바닥 구간이 짧아지겠지만, 완전히 사라지지는 않을 것이다. 에이전트는 한 가지 유형의 적응 비용을 확실히 낮춰준다. 가령 에이전트는 에이전트를 중심으로 모든 것을 새로 구축할 것을 요구하는 대신 여러분의 문서를 읽고, 관행을 학습하며, 기존 인터페이스에 스스로를 맞춰갈 수 있다. 소프트웨어 설치 같은 것이 결코 제약은 아니었다. 제약은 ‘조직 자본(organizational capital)’이었다. 구체적으로는 누가 결정하고, 누가 책임을 지며, 품질은 어떻게 검증하고, 업무를 어떻게 하나의 직무로 묶을 것인가 하는 문제다. 에이전트는 실제로 일부 무형 자산에 대한 수익률을 높인다. 에이전트에게는 문서화된 프로세스가 필요하지만, 대부분의 기업에서 최고의 프로세스는 문서가 아닌 사람들의 머릿속에 존재한다. 에이전트는 데이터 접근 권한, 승인, 감사 추적, 그리고 오늘날에는 거의 존재하지 않는 검증 계층(verification layer)을 필요로 한다. 이에 따라, 15년이 아닌 아마도 3~5년 정도로 더 얕고 짧은 골짜기를 거치게 되겠지만, 이는 조직적 차원의 작업을 수행하는 기업에게만 해당될 것이다. Q4. 기업들이 무형 투자에서 가장 자주 간과하는 것은 무엇이며, 어떤 투자가 가장 먼저 효과를 낼 수 있나? 세 가지 맹.이 반복해서 나타난다. 첫째, 기업들은 업무(task)는 재설계하지만 워크플로우(workflow)는 재설계하지 않는다. 인간의 한계에 맞춰 기존 프로세스에 단순히 AI만 투입한다면 잠재적 가치의 극히 일부만 얻을 뿐이다. 둘째, 결과가 아닌 도입률을 측정한다. 소프트웨어 활용 인원 수가 곧 생산성은 아니다. 셋째, 가장 과소평가되는 부분인데 그들은 인센티브를 무시한다. 자신의 일자리를 자동화할 암묵적 지식(tacit knowledge·암묵지)을 자발적으로 문서화할 직원은 거의 없다. 이 문제를 해결하지 못한다면, 프로젝트는 소리 없이 실패할 것이다. 가장 높은 수익을 내는 첫 번째 투자는 바로 ‘측정’이다. 구체적으로 말해, AI 노출도가 높고 수요가 탄력적인 곳이 어디인지 보여주는 업무 단위의 지도를 작성해, 성과가 가장 큰 곳을 중심으로 업무를 재설계하는 것이다 모바일 야마토 릴게임 . 제가 설립한 회사인 워크헬릭스(Workhelix)가 하는 일이다. 기업의 업무를 개별 단위로 분해하고, 노출도와 가치 잠재력을 평가해, 우선 순위가 매겨진 로드맵을 생성한다. 측정할 수 없는 것은 관리할 수 없다. Q5. 공식 통계에서 AI의 가치는 얼마나 누락되어 있으며, 통계 기관들은 무엇을 바꿔야 하는가? 아주 많은 부분이 누락되어 있으며, 그 격차는 계속 커지고 있다. GDP는 혜택(benefit)이 아니라 수익(revenue)을 측정한다. 아비나시 콜리스, 펠릭스 에거스, 소피아 카지닉, 데이비드 응우옌과 함께 진행한 우리의 가장 최근 GDP-B 연구에 따르면, 2026년 생성형 AI 챗봇으로 인한 미국의 소비자 잉여(consumer surplus)는 약 1720억 달러에 달할 것으로 추산됐다. 1년 전의 1160억 달러에서 급격히 증가한 수치다. 이는 미국의 생성형 AI 관련 수익보다 훨씬 큰 규모다. 지금까지는 공급업체가 아닌 소비자가 창출된 가치의 대부분을 가져가고 있는데, 이 중 GDP에 반영되는 부분은 거의 없다. 통계 기관들은 다음 세 가지를 수행해야 한다. 디지털 및 AI 재화에 대한 대규모 수용의사(willingness-to-accept) 실험을 진행하고, 기존 GDP와 함께 GDP-B라는 위성 계정을 발표하며, 기업 설문조사에 AI 사용 및 결과에 대한 질문을 추가해야 한다. 한국은 높은 디지털 보급률, 훌륭한 행정 데이터, 그리고 이를 실행할 수 있는 역량을 갖춘 통계청을 보유하고 있어, 이 분야를 선도하기에 유례없이 좋은 위치에 있다. Q6. AI는 어디에서 가장 빠르게 확산될 것이며, 실제로 새로운 업무들이 창출되고 있는가? 가장 빠른 확산은 결과물이 디지털 형태이고, 검증 가능하며, 대용량인 곳에서 일어난다. 소프트웨어 엔지니어링, 고객 지원, 마케팅·콘텐츠, 법률·규정 준수 검토, 재무 분석이 이에 해당한다. 신약이나 신소재 발견 분야도 .차 증가하고 있다. 특히 한국은 엔지니어링 설계와 제조 품질 검사 부문에서 그 뒤를 바짝 쫓고 있다. 새로운 업무들도 창출되고 있다. 3년 전만 해도 거의 존재하지 않았던 업무 범주들, 가령 AI 오케스트레이션이나 에이전트 관리, 평가·레드팀, 컨텍스트·지식 엔지니어링, 모델 감사(auditing), 데이터 큐레이션 등이 생겨났다. 이는 현재 임금을 실제로 받는 일자리들이다. 그러나 더 큰 보상은 인간의 기본 능력이 ‘0’에 가까운 영역에서 나온다. 수천 개의 변수를 동시에 기억하는 것, 어떤 사람도 다 읽을 수 없는 방대한 말뭉치(corpora)를 완벽하게 기억해 내는 것, 수백 개의 분야에서 동시에 전문가 수준의 능력을 발휘하는 것 등이다. 교환을 통한 이익은 서로의 역량 차이가 가장 클 때 극대화된다. 만약 우리가 고대 그리스인들이 했던 모든 일을 단순히 자동화하기만 했다면, 도자기는 더 저렴하게 만들 수 있을지 몰라도 제트엔진이나 스마트폰을 얻지는 못했을 것이다. 릴게임5드래곤 에릭 브리뇰프슨 스탠퍼드대 디지털경제연구소장 Q7. AI로 인해 초보자가 가장 큰 이익을 얻는데도, 기업들이 초보자를 덜 채용하는 이유는 무엇인가? 아주 좋은 질문이다. 이것은 모순처럼 보이지만 그렇지 않다. 사실 두 가지 결과는 서로 다른 것을 측정하고 있기 때문이다. 다니엘 리, 린지 레이먼드와 함께 수행한 고객지원 연구에서 저희는 (AI 도입에 따른) 근로자 1인당 생산성을 측정했다. 그 결과 평균 14%, 초보자는 34%의 생산성 향상이 있었다. 이는 기업에 얼마나 많은 근로자가 필요한지 얘기하는 게 아니다. 수요가 비탄력적이라면, 근로자의 1인당 생산성 증가는 각 근로자의 능력이 얼마나 향상되든 간에 상관없이, 필요한 근로자 수가 감소함을 의미한다. 여기에는 두 가지 추가적인 메커니즘이 작동한다. 첫째, AI는 최고 성과자의 암묵적 지식을 시스템으로 이전한다. 이는 초보자에게는 도움이 되지만, 동시에 기업 입장에서는 미래의 숙련자를 위해 주니어 직원에게 투자하고 훈련시킬 이유를 줄이기도 한다. 둘째, 바랏 찬다르, 루위 첸과 함께한 ‘탄광 속의 카나리아(Canaries in the Coal Mine)’ 연구 결과를 보면, 22~25세 청년층의 상대적 고용 감소(16%)는 AI가 인간의 업무를 보완하기보다는 자동화로 대체하는 직업군에 집중되고 있다. 보완과 대체는 각기 다른 영역에서 동시에 일어나고 있다. 가장 취약한 분야는 비탄력적 수요에 직면한 반복적이고, 체계적으로 문서화되어 있으며, 검증 가능한 인지적 업무다. 반면 가치가 상승하는 분야는 모호한 상황에서의 판단, 책임과 검증, 관계와 신뢰 형성, 물리적 민첩성, 그리고 AI 시스템을 조율(orchestrating)하는 역할이다. 경영진을 위한 경고를 하나 덧붙이고 싶다. 신입 직원 채용을 중단하는 기업은 자사의 미래 파이프라인에서 인력을 당겨쓰는 것과 같으며, 몇 년 후 숙련된 인력이 필요해질 때 그 대가를 치르게 될 것이다. Q8. 어떤 인센티브가 있어야 기업들이 인간을 보완하는 AI(worker-complementing AI)를 도입하도록 유도할 수 있는가? 먼저, 현재 기울어진 운동장을 바로잡는 것부터 시작해야 한다. 미국과 한국을 포함한 전 세계 대부분의 세법은 자본보다 노동에 더 무거운 세금을 부과한다. 노동과 자본 간의 단순한 조세 중립성만 확보해도 인력 대체에 대한 거대한 인위적 보조금을 제거할 수 있을 것이다. 둘째, 벤치마크 기준을 바꿔야 한다. 현재 우리는 AI가 인간을 얼마나 잘 모방하는지를 기준으로 AI를 평가하는데 치우쳐 있다. 바로 ‘튜링의 함정(Turing Trap)’이다. 자금 지원 기관이나 연구소들은 기계 단독의 성능이 아니라 인간과 기계가 결합된 성능, 즉 ‘켄타우로스 평가(Centaur Evaluations)’로 측정했을 때 성능을 기준으로 시스템을 만들어 평가하고 보상해야 한다. 셋째, 수익에 대한 소유권을 넓혀야 한다. 데이터 배당금, 시스템을 훈련시키는 작업물을 생산한 창작자에 대한 보상, 보다 더 광범위한 지분 참여가 필요하다. 광범위한 경제적 혜택을 얻기 위한 가장 현실적인 방법은 인간을 보완하는 AI를 촉진하는 것이다 바다이야기게임랜드 . 보완적인 AI는 노동의 한계생산을 높이기 때문에, 재분배가 아닌 시장 원리를 통해 임금이 오르게 된다. 우리는 바닥(최저한도의 안전망, 최저임금 등)과 사다리(성장기회, 가치창출 등) 둘 다 필요하지만, 지속적인 가치를 만들어내는 것은 결국 사다리다. Q9. 노동 시장 경직성이 한국에서 J커브의 밑바닥 구간을 길어지게 하는가? 물론 그렇다. 구조적인 관.에서 J커브의 바닥을 통과하는데 드는 비용은 조직 재설계 과정에서 나오는데, 노동시장 경직성은 이 비용을 높인다. 하지만 이같은 경직성은 ‘사람’을 재배치할 때 직면하는 제약을 의미하며, (사람이 아닌) ‘업무’를 재배치한다면 가장 가치있는 조직 재설계가 될 것이다. 이 차이。에 바로 돌파구가 있다. 세 가지 실용적인 방안이다. 첫째, 기존의 역할 내에서 업무 단위로 일을 재설계하자. 직무를 맡은 ‘사람’을 바꾸기 훨씬 전에 그 직무가 구성하는 ‘내용’부터 먼저 혁신할 수 있다. 둘째, 직무 전환에 협력하는 대가로 명시적인 고용 보장을 해주자. 근로자들은 자신의 일자리를 위협할 수 있는 암묵적 지식을 결코 순순히 내주지 않을 것이다. 한국에서 이러한 협상은 공개적으로 이루어져야 한다. 셋째, 인구통계학적 변화를 조정 수단으로 활용하자. 다른 국가에서는 해고를 통해 해결하는 문제를, 인구가 감소하는 한국에서는 자연 감소와 미충원이라는 자연스러운 과정을 통해 훨씬 낮은 사회적 비용으로 해결할 수 있다. Q10. 암묵적 지식을 명문화(데이터화)하는 것이 한국 제조업의 경쟁력을 강화하는가? 아니면 약화시키는가? 둘 다 해당한다. 어느 쪽이 지배적이 될지는 ‘소유권’에 대한 선택에 달려 있다. 조이 히치그와 함께 쓴 논문 ‘사회에서 AI의 지식 활용(AI’s Use of Knowledge in Society)’에서 우리는 혁신적인 AI가 하이에크의 지식 문제가 가진 두가지 축을 모두 약화시킨다고 주장했다. 즉, AI는 암묵적 지식을 명문화하고 이를 처리하는 능력을 확장시킨다. 이것이 한국에 미치는 영향은 직접적이다. 만약 그 해자(경쟁력)가 공장 현장에 있는 숙련된 엔지니어들의 머릿속에 있다면, 명문화(코드화)는 그 가치를 사람에게서 모델로 이동시키는 것을 의미하며, 모델은 필연적으로 확산되기 마련이다. 하지만 이 과정을 한국이 스스로의 조건에 맞춰 주도적으로 수행한다면, 그것은 세상에서 가장 강력한 해자가 될 수 있다. 세계에서 로봇 밀도가 가장 높은 공장들에서 추출한 독.적인 프로세스 데이터를 그 누구도 단기간에 복제할 수 없는 한국 공장들의 물리적 자산과 결합하는 것이다. 스스로의 지식을 먼저 코드화하고, 그 데이터 권리를 보유해야 한다. 고령화되는 한국에게 이것은 인구통계학적 구조변화에 대한 해답이기도 하다. AI는 근로자가 부족해지는 바로 그 시。에 근로자 1인당 생산량을 높여주며, 기술 격차를 좁혀 초보자뿐만 아니라 과거의 훈련 방식에 머물러 있는 숙련된 근로자들에게도 도움을 준다. 근로자를 보완하는 기술 발전이 곧 한국에게는 최고의 인구 정책이라고 생각한다. Q11. 과거 한국의 고 양신규 뉴욕대 교수와 오랜기간 협업했고, 생산성J커브를 개발하셨다. 감회는 어떤가? 야마토오락실게임 양신규 교수는 훌륭한 친구이자 뛰어난 연구자였다. 나는 그를 종종 생각하며, 한국 독자들이 그를 기억해 준다니 매우 감동적이다. 그는 물리학자로서 MIT에 왔는데 물리학자 특유의 본능을 갖고 있었다. 그는 이론상 그래야하는 것이 아니라, 실제로 거기에 무엇이 있는 것을 알고 싶어 했다. 당시 우리가 1달러의 컴퓨터 자본이 대략 10달러의 시장 가치와 연관되어 있다는 사실을 처음 발견했는데 매우 흥미로웠다. 신규는 이를 진지하게 받아들여 연구했는데, 어떻게 그 수치가 그렇게 클 수 있는지, 그리고 그것이 무엇을 의미하는지에 대한 이론적 틀을 개발하는 데 큰 도움을 줬다. 그와 나는 사라진 9달러가 바로 ‘조직 자본(organizational capital)’이라고 주장했다. 즉, 컴퓨터가 제값을 하기 위해 기업이 구축해야만 했던 새로운 프로세스, 새로운 기술, 새로운 구조와 같은 무형 자산을 의미한다. 이같은 통찰은 내가 이후 무형 자산과 J커브에 대해 수행한 모든 연구의 토대가 됐다. 내가 2018년 논문을 그에게 헌정한 이유다. 특히 그의 아이디어는 그 어느 때보다 오늘날 가장 적절하다. AI 모델들은 。차 상품화(범용화)되고 있다. 반면 조직 자본은 희소한 자산이며, 바로 이 。이 기업 간 AI 투자 수익률의 엄청난 격차를 거의 모두 설명해 준다. 시장은 회계사들이 알아차리기 전인 1990년대에 이미 그것을 꿰뚫어 보았다. 신규의 연구는 갈수록 그 중요성을 더하고 있다. 우리는 지금 1990년대에 보았던 것의 훨씬 더 큰 버전을 목격하고 있다. 이는 바로 대니얼 락, 채드 시버슨과 함께한 나의 ‘생산성 J-커브’ 연구에 잘 반영되어 있다. Q12. 한국 독자들에게 전하고 싶은 핵심 메시지는 무엇입니까? 한국은 이미 그 어떤 나라보다 빠르게 기술을 도입할 수 있음을 증명했다. 한국은 근로자 1만명당 1220대의 산업용 로봇을 보유해 로봇 밀도에서 세계 1위를 달리고 있는데, 2위 국가(싱가포르, 800대)보다 약 50%나 높은 수치다. 하지만 시간당 노동 생산성(약 52달러, 2025년 기준)은 여전히 OECD 평균(70달러)을 밑돌고 있다. 이 격차가 주는 교훈은 명확하다. 단순한 도입 그 자체만으로는 혁신을 의미하진 않는다는 것이다. 나의 메시지는 속도보다 더 중요한 두 가지가 있다는 것이다. 첫 번째는 깊이(Depth)다. 기술은 단지 시작일 뿐이다. 혁신에 있어 더 느리지만 더 결정적인 부분은 그 기술을 중심으로 업무가 조직되는 방식을 재설계하는 것이다. 이 과정을 건너뛰는 기업은 아무리 빨리 기술을 사들여도 결국 ‘파일럿 단계의 늪(pilot purgatory)’에 머물게 된다. 두 번째는 방향(Direction)이다. 사람을 모방하고 대체하기 위해 만들어진 AI는 부와 권력을 집중시키지만, 사람이 할 수 있는 일을 확장(보완)하기 위해 만들어진 AI는 이익을 널리 분배하고 파이를 키운다. 동일한 기술이라도 정반대의 결과를 낳을 수 있다. 나는 주의 깊은 낙관주의자(mindful optimist)다. 좋은 결과는 달성할 수 있지만, 자동으로 이루어지는 것은 아니다. 기술이 곧 운명은 아니다. 운명은 우리가 만들어가는 것이다. 한국은 다른 어느 나라보다도 그 운명을 훌륭하게 만들어갈 역량과 절박함을 모두 갖추고 있다. . 이같은 통찰은