생성 AI 도입이 은행 생산성에 미치는 역설과 시스템 리스크

초록

본 논문은 2018‑2025년 기간 동안 809개 미국 은행의 SEC 10‑Q와 연준 규제 데이터를 결합한 새로운 패널을 활용해, 생성 AI(GenAI) 도입이 은행의 생산성 및 시스템적 위험에 미치는 인과효과를 분석한다. 동적 공간 듀르벵 모델(DSDM)로 네트워크 스필오버를, 합성 차분‑차분(SDID)으로 ChatGPT 2022년 출시 충격을 이용한 인과 추정을 수행한다. 결과는 ‘생산성 역설’(DSDM에서는 β>0, 즉 AI 도입 은행이 고성과)과 ‘도입세’(SDID에서는 ROE가 428bp 감소) 를 동시에 보여주며, 특히 소규모 은행이 큰 타격을 입는다. 또한 AI 채택이 은행 간 양의 스필오버(θ=0.161~3.13)를 일으켜 ‘알고리즘 결합’ 현상을 초래, 기술적 결함이 시스템 전반에 전염될 위험을 제시한다.

상세 분석

이 연구는 두 가지 상보적인 계량방법을 결합함으로써 기존 문헌이 놓친 ‘생산성 역설’과 시스템 리스크의 메커니즘을 동시에 포착한다. 첫 번째로, 동적 공간 듀르벵 모델(DSDM)은 은행 간 네트워크 구조를 정량화한다. 여기서 공간 가중치는 비즈니스 모델 유사성 및 지리적 근접성을 기반으로 구축했으며, 시간에 따라 변화하는 AI 채택 상태를 내생적으로 반영한다. DSDM 결과는 AI 도입 은행이 자체적으로는 ROA와 ROE 모두에서 양의 효과(β>0)를 보이지만, 인접 은행에 미치는 스필오버 효과가 θ=0.161(ROA)와 θ=0.679(ROE)로 통계적으로 유의함을 보여준다. 특히 대형 은행 간에는 θ가 3.13에 달해, AI 기반 의사결정이 고도로 동조화되는 ‘알고리즘 결합’ 현상이 발생한다는 점을 시사한다.

두 번째로, 합성 차분‑차분(SDID) 접근법은 2022년 11월 ChatGPT 공개라는 외생 충격을 활용한다. SDID는 사전·사후 시계열 차이를 처리함과 동시에, 비채택 은행을 가중합으로 만든 합성 대조군을 구성해 잠재적 혼동 변수를 최소화한다. 이 분석에서 AI 도입은 ROE를 평균 428bp(≈4.28%) 감소시키는 ‘도입세’를 발생시킨다. 규모별 이질성도 뚜렷하게 나타나, 자산 하위 25% 은행은 517bp, 상위 75% 은행은 129bp만 감소한다. 이는 고정 비용과 데이터 인프라 구축 비용이 규모에 비례해 분산되기 때문에, 소규모 은행이 상대적으로 더 큰 비용 부담을 진다라는 ‘규모의 경제’ 가설을 실증적으로 뒷받침한다.

이론적 프레임워크는 AI 채택 비용을 C_it = c0 + c1·S_i^φ + c2·Complexity_i 로 모델링하고, ‘혁신세’는 이 비용이 단기 수익성에 미치는 부정적 영향을 의미한다. 또한, 알고리즘 결합을 Corr_AI_ij,t = Corr_base_ij,t + δ·D_AI_it·D_AI_jt·VendorOverlap_ij 로 정의해, 동일 벤더·모델을 공유하는 은행 간 상관관계가 δ>0 만큼 추가된다는 가정을 검증한다. 실증 결과 δ가 양수이며, 특히 대형 은행 간 VendorOverlap이 높을수록 상관관계가 크게 상승한다는 점에서, 기술적 결함이나 적대적 공격이 시스템 전반에 파급될 위험을 정량화한다.

정책적 함의로는 (1) 소규모 은행을 위한 AI 도입 지원 및 비용 보조 정책, (2) AI 모델 및 데이터의 다중화·분산화를 통한 ‘모델 모노컬처’ 방지, (3) 은행 간 AI 사용 현황을 감시하는 규제 프레임워크 구축이 제시된다. 한계점으로는 AI 채택을 0/1 변수로만 측정해 도입 강도 차이를 포착하지 못함, 그리고 모델 스펙과 벤더 정보를 공개 데이터에서 완전히 추출하기 어려운 점을 들 수 있다. 향후 연구는 AI 활용 정도를 정량화하고, 실제 AI 오류 사례와 시스템 리스크 전이 메커니즘을 미시적으로 분석할 필요가 있다.