AI 수익 증가가 월스트리트의 높은 기대치에 미치지 못할 수 있는 이유
월스트리트는 현재 인공지능(AI)이 주도하는 기업 수익성의 대폭적인 급증을 가격에 반영하고 있지만, 이러한 타임라인이 지나치게 낙관적일 수 있다는 경고가 커지고 있습니다. 아폴로(Apollo)의 수석 이코노미스트인 토르스텐 슬록(Torsten Slok)은 비기술 분야에서 AI 기반 마진이 실제로 실현되기까지는 현재 시장의 전망보다 훨씬 더 오랜 시간이 걸릴 수 있다고 주장합니다.
기술 기업 가치 평가와 실제 도입 사이의 괴리
많은 AI 기업의 현재 가치 평가는 하나의 거대한 가정에 기반하고 있습니다. 바로 '매그니피센트 7(Magnificent Seven)' 기술 거물들을 제외한 지수인 S&P 493이 AI 통합을 통해 상당한 마진 확대를 경험할 것이라는 점입니다. 기술 기업들은 이미 자동화의 이점을 누리고 있지만, 더 넓은 경제 지표는 다른 이야기를 하고 있습니다.
슬록에 따르면, 현재 핵심 기술 분야 이외의 산업에서 AI가 수익 마진을 높이고 있다는 유의미한 증거는 없습니다. 시장은 급격한 이익 성장을 가격에 반영하고 있지만, 이러한 가치 평가를 정당화하는 데 필요한 실제 현금 흐름은 훨씬 뒤처질 수 있습니다. 생산성 혁명이 5개월이 아닌 5년이 걸린다면, 업계는 AI 주식에 대한 고통스럽고 상당한 수준의 재평가(repricing)에 직면할 수 있습니다.
규제 산업의 구조적 장벽
생산성 향상의 지연은 단순히 도입이 느린 문제만이 아닙니다. 이는 많은 글로벌 산업이 운영되는 복잡한 환경의 부산물입니다. 의료, 금융, 에너지, 제약, 제조업과 같이 규제가 엄격한 분야에서 AI 통합으로 가는 길은 수많은 장애물로 가득 차 있습니다.
엄격한 개인정보 보호 요구 사항, 까다로운 규제 준수, 그리고 대대적인 프로세스 개편의 필요성은 이러한 산업들이 소프트웨어 스타트업처럼 빠르게 전환할 수 없음을 의미합니다. 이러한 제도적 마찰은 워크플로우를 최적화하고 비용을 절감하기 위해 AI를 배포하는 속도를 늦추는 제동 장치 역할을 합니다. 결과적으로, 투자자들이 기대하는 '생산성 급증(productivity bump)'은 이들 섹터가 머신러닝 구현의 법적 및 운영적 복잡성을 해결해 나가는 과정에서 수년 동안 지연될 수 있습니다.
지식 노동에서의 측정 문제
AI가 개별 노동자의 효율성을 성공적으로 높이더라도, 2차적인 과제가 발생합니다. 바로 이러한 이득을 수치화하기 어렵다는 점입니다. 지식 노동 영역에서 생산성 향상은 정밀하게 측정하기 어려운 것으로 악명이 높습니다.
산출물을 쉽게 추적할 수 있는 제조업과 달리, LLM을 사용하여 보고서를 작성하거나 데이터를 분석하는 직원이 만들어내는 이득은 명확한 지표가 부족한 경우가 많습니다. 구체적인 데이터 없이는 경영진이 대규모 자본 지출을 정당화하거나 공식 재무제표에 이러한 개선 사항을 반영하는 데 어려움을 겪습니다. 대신, 이러한 점진적인 효율성 향상은 종종 일상적인 운영에 '흡수'되어, 월스트리트가 요구하는 가시적인 마진 확대로 나타나지 못합니다.
핵심 요약
- 시장 고평가 위험: AI 주식 가치 평가는 비기술 분야에서 아직 실현되지 않은 S&P 493의 마진 성장에 크게 의존하고 있습니다.
- 규제 마찰: 의료 및 금융과 같은 산업은 개인정보 보호 명령과 복잡한 프로세스 개편으로 인해 AI 도입에 상당한 지연을 겪고 있습니다.
- 수치화의 격차: 지식 노동에서의 생산성 향상은 측정 및 보고가 어려워, 기업이 AI 활용을 실질적인 수익 성장으로 연결하기 어렵게 만듭니다.