생성형 AI 채택의 학습 격차와 효용 격차

초록

본 연구는 ChatGPT와 같은 생성형 AI 도입 과정에서 나타나는 두 가지 디지털 격차, 즉 학습 격차와 효용 격차를 규명한다. 베이지안 학습 모델을 구축해 대규모 클릭스트림 데이터를 분석한 결과, 교육 수준·인종·영어 능력 등에 따라 학습 속도와 실제 효용이 크게 달라짐을 확인했다. 특히 학습 속도가 느린 집단이 ‘신념 함정(belief trap)’에 빠져 사용을 회피하고, 이는 장기적인 활용 격차로 이어진다. 교육·훈련 프로그램이 이러한 함정을 완화할 수 있음을 시뮬레이션을 통해 제시한다.

상세 분석

이 논문은 디지털 격차 연구에 새로운 차원을 추가한다. 기존 연구가 주로 접근성(access)과 사용 능력(capability)에 초점을 맞췄다면, 저자들은 ‘학습 격차(learning divide)’라는 개념을 도입해 사용자가 AI의 효용을 어떻게, 얼마나 빠르게 업데이트하는지를 측정한다. 이를 위해 베이지안 구조학습 모델을 설계했으며, 효용 함수와 신호(signal) 함수 모두 개인별 이질성을 반영한다. 효용 함수는 실제 사용 시 얻는 만족도·생산성 향상을, 신호 함수는 사용 경험을 통해 얻는 피드백을 의미한다. 모델은 사용자가 AI를 사용하지 않을 경우 신호를 관찰하지 못해 믿음(belief)이 정체되는 ‘신념 함정’을 자연스럽게 설명한다.

데이터는 6개월에 걸친 대규모 클릭스트림으로, 개인별 사용 빈도, 체류 시간, 검색어 등 행동 로그와 인구통계학적 변수(학력, 인종, 성별, 연령, 직업군, 영어 문해력)를 결합했다. 추정 결과, 대학 교육을 받지 않은 사람, 비백인, 낮은 영어 문해력을 가진 사용자는 실제 효용(한 번 사용당 효용)이 높음에도 불구하고, 효용에 대한 믿음 업데이트 속도가 느려 AI 활용을 늦춘다. 반면 남성, 젊은 층, LLM에 노출이 잦은 직업군은 효용이 높을 뿐 아니라 학습 속도도 빠르다.

‘신념 함정’은 초기 믿음이 낮은 사용자가 AI를 시도조차 하지 않아 경험을 쌓지 못하고, 결과적으로 실제 효용을 체감하지 못하는 악순환을 만든다. 시뮬레이션에서는 학습 속도가 낮은 집단이 이 함정에 빠질 확률이 현저히 높으며, 이는 장기적인 ‘결과 격차(outcome divide)’로 이어진다. 정책적 개입으로는 맞춤형 교육·훈련 프로그램을 제공해 초기 사용 경험을 강제하거나, 사용 초기 단계에서 긍정적인 피드백을 제공함으로써 믿음 업데이트를 촉진할 수 있음을 보여준다.

이 연구는 세 가지 학술적 기여를 한다. 첫째, 정보 불확실성 하에서의 IT 채택 동역학을 통합적으로 모델링한 프레임워크를 제시한다. 둘째, 실험실이 아닌 실제 사용 데이터를 활용해 동적 학습 메커니즘을 검증함으로써 실증적 타당성을 확보한다. 셋째, ‘학습 격차’와 ‘신념 함정’이라는 새로운 개념을 도입해 디지털 격차 연구를 확장하고, 정책 설계에 실용적인 시사점을 제공한다.