생성형 AI는 학력 기반 생산성 격차를 어떻게 줄이는가?

1. 연구의 목적

(1) 기술 발전은 오랫동안 노동 시장 불평등의 주된 동인임. 특히 고등 교육을 받은 노동자에게 불균형적인 혜택을 주며, 고용 및 소득 격차를 확대함. 그러나 최근 생성형 AI는 복잡한 인지 작업을 직접 수행할 수 있게 됨으로써, 과거와 다른 ‘기술 민주화’ 가능성을 제기함. AI가 학력 기반의 생산성 격차를 줄이는지 혹은 강화하는지는 경험적으로 불분명함. 기존 연구는 주로 기업 내부의 상대적으로 동질적인 그룹을 대상으로 하여, 교육 수준에 따른 생산성 격차 변화를 명확히 밝히기 어려웠음.

(2) 이 연구는 생성형 AI가 서로 다른 학력 수준을 지닌 개인 간의 생산성 격차를 줄이거나 강화하는지, 그리고 그 근본적인 메커니즘을 규명함. 더불어 AI로 인한 생산성 향상이 단순히 AI에 작업을 ‘위임’한 결과로 AI가 없을 때 사라지는 것인지, 아니면 AI가 없을 때도 지속되는 ‘생산적 활용’의 결과인지를 추가적으로 탐색함.

2. 연구의 방법

(1) 이 연구는 기업 외부에서 무작위 온라인 실험을 진행함. 이는 기업 환경에서 압축되기 쉬운 교육 수준에 따른 이질성을 통제하고, AI가 학력 기반 생산성 격차에 미치는 순수한 영향을 식별하기 위함임.

(2) 주요 분석 대상 및 조건은 아래와 같음.

• 참가자: 아르헨티나의 25~45세 성인 1,174명을 모집함. 참가자는 ‘저학력’(고등학교 졸업 또는 고등 교육 50% 미만 이수)과 ‘고학력’(고등 교육 50% 이상 이수) 그룹으로 분류됨.
• 과제: 참가자들은 인센티브가 주어지는 직장과 유사한 비즈니스 문제 해결 과제를 수행함. 상사로부터 받은 이메일을 바탕으로 여러 정보원(텍스트, 그림, 표 등)을 분석하고, 문제 진단 및 해결책을 제시하는 답변 이메일을 작성하는 것임. 이 과제는 특정 분야 지식이 필요 없는 자족적인 문제로 설계됨.
• AI 보조 도구: 처리 그룹에는 GPT-4.1 기반의 AI 챗봇이 실험 인터페이스에 내장되어 제공됨. 통제 그룹은 AI 없이 과제를 수행함.
• 후속 평가: 모든 참가자는 과제 제출 직후 AI 도구 없이 후속 모듈을 완료함. 이는 과제의 근본 원인 설명과 핵심 내용 회상 질문으로 구성됨.
• 성과 측정: AI(GPT-5-mini)를 활용하여 내용과 글쓰기 품질을 바탕으로 0-10점 척도로 과제 점수를 매김. 모든 점수는 저학력 통제 그룹의 평균 및 표준 편차로 표준화됨. AI 챗로그 분석을 통해 AI 사용 패턴을 정량화함.

그림 1. 실험 과제에서 참가자에게 제시된 분석 자료 예시 — 두 지점(South·North)의 요일별 일일 판매량 추이. 참가자는 이런 자료를 해석해 비즈니스 문제를 진단하고 해결책을 제시함.

3. 주요 발견

이 연구는 생성형 AI가 교육 기반 생산성 격차에 미치는 영향에 대해 네 가지 핵심적인 발견을 제시함.

(1) AI는 교육 기반 생산성 격차를 75% 감소시킴.

• AI 접근 없이, 고학력 참가자는 저학력 참가자보다 전체 과제 점수에서 0.548 표준편차(SD)만큼 높은 성과를 보임.
• AI에 접근했을 때, 저학력 참가자는 1.242 SD, 고학력 참가자는 0.834 SD만큼 성과가 향상됨.
• 이러한 AI의 도움으로 고학력과 저학력 참가자 간의 성과 격차는 0.139 SD로 줄어들어, 초기 격차의 약 75%가 해소됨.
• 그러나 격차는 완전히 사라지지 않음. AI가 있어도 고학력 참가자가 저학력 참가자보다 여전히 0.139 SD 우위에 있음. 이는 AI가 일부 부족한 자원을 대체하지만, 인간 자본의 역할을 완전히 없애지 못함을 뜻함.

(2) AI로 인한 생산성 향상은 단순한 ‘위임’에 그치지 않음.

• AI 도구가 제거된 후속 모듈에서, AI를 사용했던 처리 그룹 참가자들의 성과가 통제 그룹 참가자들보다 나빠지지 않음. 이는 AI 사용이 단기적으로 학습 능력을 저해하지 않음을 보여줌.
• 특히 저학력 참가자는 AI 사용 후 후속 과제 성과가 0.171 SD만큼 향상됨. 이는 AI를 통한 생산성 향상이 단순히 일시적인 위임 효과가 아님을 의미함.
• 그럼에도 불구하고, AI를 사용했던 저학력 참가자들은 후속 모듈에서 여전히 고학력 참가자들보다 0.200 SD 뒤처짐. 근본적인 인적 자본의 차이가 AI가 없을 때 다시 중요해짐을 드러냄.

(3) AI 사용 방식과 과제 참여도가 이월 효과를 결정함.

이 연구는 AI 지원 수준과 과제 참여도를 기준으로 처리 그룹 참가자들을 네 그룹으로 분류하여, 이들의 과제 및 후속 과제 성과를 분석함.

그룹	주 과제 점수 (SD)	후속 과제 점수 (SD)
저 참여 + 저 AI 지원	0.554	-0.154
고 참여 + 고 AI 지원	1.324	0.886
저 참여 + 고 AI 지원	1.418	0.219
고 참여 + 저 AI 지원	0.372	0.644

• AI 솔루션 지원이 높은 그룹(고 참여 + 고 AI 지원, 저 참여 + 고 AI 지원)은 참여도와 관계없이 주 과제에서 높은 점수를 얻음. 이는 AI의 강력한 도움만으로도 당장의 성과를 크게 높일 수 있음을 뜻함.
• 그러나 AI가 제거된 후속 과제에서는 양상이 달라짐. 높은 AI 지원과 높은 과제 참여를 결합한 그룹만이 가장 높은 후속 과제 점수(0.886 SD)를 보임. 단순히 AI의 결과물에 노출되는 것만으로는 장기적인 성과 향상에 충분하지 않음. 이는 AI 사용 시 학습자의 능동적인 참여와 노력이 중요함을 시사함.

(4) 격차 축소와 잔존은 AI 사용 패턴의 질적 차이에서 비롯됨.

• 저학력과 고학력 참가자 모두 AI 챗봇과의 상호작용 강도(메시지 수, 텍스트 양, 도움 요청 비율)에서는 큰 차이가 없음. 둘 다 61% 정도의 과제 구성 요소에 대해 AI 도움을 요청함.

• 그러나 AI 활용의 질적 측면에서 분명한 차이가 나타남.

  • 지침의 상세함: 고학력 참가자는 AI의 추론을 유도하는 더 상세한 지침을 제공함(표준화 지수 0.174 SD 높음). 이는 AI가 더 나은 해결책을 생성하도록 유도하는 능력의 차이를 반영함.
  • 대화 구조화: 고학력 참가자는 초기 프롬프트의 구체성이 높고(6.7%p), 대화 흐름을 체계적으로 구조화하는 경향이 강함(구조화된 워크플로우 7.5%p 높음).
  • AI 결과물 활용 방식: 저학력 참가자는 AI 생성 텍스트를 최종 답변에 완전히 복사-붙여넣기하는 경향이 10%p 더 높음. 반면 고학력 참가자는 AI 생성 내용을 자신의 글과 부분적으로 결합하거나 재구성하여 활용하는 경향이 9.3%p 더 높음.
• 결론적으로, 저학력 참가자는 AI로부터 상당한 도움을 얻어 초기 격차를 크게 줄임. 하지만 고학력 참가자는 AI를 좀 더 효과적으로 사용하고, AI 결과물을 자신의 인적 자본과 결합하여 ‘입력’으로 활용하는 방식으로 여전히 우위를 점함. 이는 AI가 격차를 줄이지만 완전히 없애지 못하는 이유임.

그림 2. 과제 수행 중 참가자가 사용한 가상 AI 보조 도구(GPT-4.1 기반)의 사용자 인터페이스.

4. 결론 및 시사점

(1) 이 연구가 입증한 핵심 결론은 생성형 AI가 교육 수준에 따른 생산성 격차를 크게 줄이지만, 근본적인 인간의 인적 자본 차이를 완전히 제거하지는 못한다는 점임. AI는 문제 구조화, 논증 구성, 유창한 글쓰기 등 특정 인지적 제약을 완화함으로써 ‘작업 수준의 기술 평준화’ 기술로 작동함.

(2) 교육 현장에 주는 시사점은 명확함. AI는 학습 과정에서 글쓰기 능력, 정보 구조화 능력 등 특정 영역에서 어려움을 겪는 학습자에게 강력한 보조 도구가 됨. 이는 학습자가 자신의 잠재력을 최대한 발휘하는 데 필요한 ‘유효 생산성’을 높이며, ‘전문성 평준화’ 기술로서 교육 접근성을 실질적으로 향상시킴. 이러한 발견은 교육자가 AI를 활용하여 학습 격차를 해소하고, 개별화된 학습 지원을 강화할 수 있음을 의미함.

(3) AI 설계에 중요한 시사점 또한 있음. AI는 단순히 정답을 제공하는 도구를 넘어, 학습자가 AI와 ‘어떻게 상호작용하고, 그 결과물을 자신의 사고 과정 및 결과물에 어떻게 통합하는지’에 따라 실제적인 능력 향상과 연결됨. AI는 사용자의 수동적 위임을 넘어 능동적인 탐구와 참여를 유도하도록 설계되어야 함. 예를 들어, AI는 초안을 제시한 후 사용자가 비판적으로 검토하고 개선할 수 있는 질문을 던지거나, 다양한 관점을 제시하여 사고 확장을 돕는 방향으로 발전해야 함. 이는 AI가 단순한 도구가 아닌, 학습의 촉진자 역할을 수행하도록 지원함.

5. 리뷰어의 ADD(+) One: 생각 더하기

(1) 이 논문에서 가장 주목할 지점은 기존 AI-생산성 연구의 한계를 명확히 짚어내고, 학력 기반의 이질적인 그룹 간 생산성 격차 변화를 정량적으로 밝힌 점에 있음. 대다수 선행 연구가 기업이나 특정 직업 내에서 상대적으로 동질적인 노동자 집단의 효율성 증대에 집중했다면, 이 연구는 AI가 사회 전반의 불평등 구조에 어떤 영향을 미칠지, 특히 교육 격차라는 근본적인 문제에 어떻게 작용할지에 대한 직접적이고 강력한 실증 증거를 제시함. “AI가 격차를 줄일 수 있다”는 막연한 기대 대신, 구체적으로 초기 격차의 75%를 줄였다는 수치는 교육 정책 입안자와 기술 개발자 모두에게 강력한 메시지를 전달함. 이는 AI가 단지 생산성 향상 도구가 아니라, 교육적 형평성을 재고하는 전략적 도구가 될 수 있음을 의미함.

(2) 논문이 명시하지 않은 더 넓은 의미는 AI의 ‘능력 평준화’ 역할이 인적 자본에 대한 우리의 이해를 재구성한다는 점임. 전통적으로 인적 자본은 축적된 지식, 기술, 경험 등 개인에게 내재된 역량으로 간주되어 왔음. 그러나 AI는 이러한 내재된 역량의 ‘실행’ 과정에서 발생하는 제약을 완화함으로써, 학습자의 ‘유효 생산성’을 즉각적으로 끌어올림. 이는 교육 철학적 관점에서 지식 습득 그 자체를 넘어 ‘AI와 협업하여 문제를 해결하는 능력’이 새로운 형태의 핵심 인적 자본으로 부상함을 시사함. 또한, 교육 정책 측면에서 AI 리터러시 교육의 중요성을 단순한 기술 습득 차원이 아닌, 사회경제적 불평등을 해소하고 개인의 역량 발휘 기회를 확대하는 핵심 수단으로 격상시킬 필요가 있음. AI는 복잡한 인지 작업을 수행하는 부담을 줄여주어, 개인이 더 고차원적인 사고와 판단에 집중할 수 있는 인지적 여유를 제공함. 이는 인지과학 분야에서 인간-AI 협업이 인간의 인지 부하를 어떻게 재분배하고, 어떤 새로운 인지 메커니즘을 생성하는지에 대한 심층적인 탐구를 촉발함.

(3) 이 연구를 발전시킬 구체적 아이디어는 ‘AI 기반 맞춤형 학습 전략 도우미’ 개발임. 현재 연구는 저학력자들이 AI를 단순 복붙하는 경향이 높고, 고학력자들은 상세한 지침과 재구성을 통해 AI를 더 효과적으로 활용한다는 점을 발견함. 이 차이를 활용하여, AI 챗봇이 저학력 학습자에게 고학력자의 AI 활용 전략을 ‘학습’시키고 ‘유도’하는 기능을 추가할 수 있음. 예를 들어, AI가 답변 초안을 생성한 후 “이 초안에서 어떤 부분이 가장 중요하다고 생각하는가?”, “이 내용을 너의 언어로 어떻게 바꿔볼 수 있을까?”, “어떤 정보를 추가하면 더 설득력이 높아질까?”와 같은 질문을 던져 학습자가 스스로 비판적 사고와 재구성 과정을 거치도록 프롬프트 가이던스를 제공하는 방식임. 이는 AI의 즉각적인 생산성 향상을 넘어, 학습자의 장기적인 고차원적 사고 능력과 AI 활용 전략 자체를 향상시키는 데 기여할 수 있음. 또한, 다양한 학습 맥락(예: 창의적 글쓰기, 과학 실험 보고서 작성)에서 이러한 AI 도우미가 학습자 참여와 성과 이월에 미치는 영향을 측정하는 추가 연구가 필수적임.

6. 추가 탐구 질문

(1) AI가 해결책을 생성하고 정보 구조화를 지원하는 과정에서, 학습자들은 자신의 비판적 사고나 창의적 문제 해결 능력 개발에 어떤 영향을 받는가? AI 의존도가 높아질수록 ‘스스로 사고하는 능력’이 약화될 위험은 없는가?

(2) 이 연구는 직장과 유사한 문제 해결 과제를 다룸. 그렇다면 언어 예술이나 철학적 논증과 같이 정답이 명확하지 않고 주관적 해석과 비판적 사고가 더 중요시되는 ‘열린 문제’ 해결 과제에서 AI의 생산성 격차 완화 효과는 어떻게 달라질까?

(3) AI 챗봇이 생성한 결과물의 ‘블랙박스’ 특성이 학습자의 AI 결과물에 대한 맹목적 신뢰로 이어질 위험은 없는가? 학습자가 AI가 제시한 정보나 해결책의 오류를 스스로 검증하고 수정하는 능력을 키우기 위한 AI 설계 및 교육적 개입의 윤리적 가이드라인은 무엇인가?

출처

• Cruces, G., Fernández Meijide, D., Galiani, S., Gálvez, R. H., & Lombardi, M. (2026). Does generative AI narrow education-based productivity gaps? Evidence from a randomized experiment. arXiv preprint arXiv:2608.04198.