노동 인력이 정체된 상황에서 풍요의 증대에는 생산성 향상이 반드시 필요하다. 하지만 현실은 어떤가. 1948년부터 1972년까지 미국의 생산성 증가율은 연평균 2.8%였고, 그나마 1973년부터는 상대적으로 더 느린 생산성 증가로 어려움을 겪어왔다.

이 기간 미국의 경제 성장은 주로 70년대와 80년대에 경제에 진입한 베이비붐 세대의 일회성 효과에 기인했고, 1990년부터 2007년까지 세계화로 인한 시장 확대가 한 몫을 담당했다. 그리고 1996년부터 2006년까지 인터넷 기술이 주도하는 단기적인 생산성 향상이 뒤따랐다. 그러나 베이비붐 세대가 은퇴하고, 기업이 ‘탈세계화’를 수용하고, 월드와이드웹이 또 하나의 유틸리티가 되면서 이 세 가지 힘이 모두 사라지고 있다. 

다행스럽게도 이 자리에 새로운 것이 등장했다. 바로 인공지능(AI)이다. 인공지능이 경제 침체를 끝내고 풍요가 증가하는 새로운 시대를 열 준비를 마치고 있다.

앞으로 15~20년 동안 미국과 세계 경제에 대한 인공지능의 궁극적인 영향은 여전히 불분명한 부분이 존재함은 사실이지만, 긍정적 예측과 전망이 압도적이며, 추정치에 따르면, 인공지능이 결국 전 세계 GDP에 가져올 가치는 연간 17조7천~25조6천억 달러에 이른다.

이것은 가히 혁명적이라 할 수 있는데, 이는 컴퓨팅, 스토리지, 네트워크의 ‘기하급수적인 가격 대비 성능’, 소프트웨어 효율성 증대, 방대한 데이터의 가용성 증대로 인해 가능해졌다.

이 세 가지 요소들이 모두 지금보다 더 가속화된다는 예측에는 충분한 증거가 있다.

2022년까지 이 논의의 초점은 비생성형 또는 분석 인공지능이라 불리는 것이었다. 맥킨지앤컨설팅은 이러한 류의 기술이 궁극적으로 전 세계 GDP에 연간 18조 달러의 가치를 창출할 것이라고 추정한다.

비생성형 인공지능 알고리즘은 예측 모델링과 같은 수치 및 최적화 작업을 수행하는 데 매우 효과적이다. 다양한 산업 분야에서 이를 활용하는 새로운 응용 프로그램을 계속적으로 찾고 있다.

자율주행 자동차와 택배 드론을 가능하게 하는 것도 바로 비생성형 인공지능 기술이다. 여기에 그치지 않고 이 인공지능은 약물 및 재료 발견, 의료 진단 시스템의 자동화 등 수많은 첨단로봇 기술의 핵심이기도 하다.

하지만 2023년에 전 세계를 흥분시킨 인공지능은 따로 있다. 소위 ‘제너레이티브 인공지능(Generative AI)’, 즉 생성형 인공지능이다. 맥킨지앤컨설팅은 이 기술이 전 세계 GDP에 연간 최대 8조 달러의 가치를 창출할 것으로 예상한다.

생성형 인공지능은 챗GPT(ChatGPT), 빙 인공지능(Bing AI), 달리(DALL-E), 미드저니(Midjourney)와 같은 기계 학습 모델을 말하며, 메시지에 응답하여 새로운 텍스트와 이미지를 생성하기 위해 방대한 텍스트 및 이미지 데이터베이스로 훈련된다.

세상에 반응하고 활동을 최적화하는 무대 뒤에서 작동하는 비생성형 인공지능과 달리 생성형 인공지능은 우리가 직접 사용할 수 있는 시각, 음성, 텍스트 콘텐츠를 생성하여 ‘우리를 지원’한다.

따라서 지금까지 스스로가 ‘기술적 노후화’에 영향을 받지 않는다고 믿었던 지식 노동자의 일자리까지 변화시키고, 심지어 이 인력을 대체할 수 있는 잠재력이 있다. 즉, 이러한 중산층 노동자의 생계에 영향을 미칠 수 있는 영향력이 있다는 것이다.

그렇다면 수백만 개의 일자리를 파괴할 수 있는 생성형 인공지능과 같은 기술을 구현하는 동시에 전 세계 GDP에 직접적으로 연간 4조4천억 달러, 간접적으로 최대 3조5천억 달러의 가치를 창출한다는 의미는 무엇일까?

이러한 추정을 내는 데 있어, 맥킨지앤컨설팅은 매우 독창적인 두 부분으로 구성된 분석을 사용했다. 첫 번째는 직접적인 비용 절감 및 수익 증대 기회이고, 두 번째는 간접적인 경제적 이익이었다.

맥킨지앤컨설팅은 생성형 인공지능 기술을 사용하여 직접적으로 창출되는 경제적 가치를 결정하기 위해 조직이 채택할 가능성이 있는 ‘사용 사례’를 조사했다. 이를 위해 이들은 ‘사용 사례’를 ‘특정 비즈니스 과제에 생성형 인공지능을 적용하여 하나 이상의 측정 가능한 결과를 얻는 것’으로 정의했다.

예를 들어, 마케팅의 사용 사례는 개인화된 이메일과 같은 창의적인 콘텐츠를 생성하기 위해 생성형 인공지능을 적용하는 것일 수 있다.

이 사용 사례에 대해 잠재적으로 측정 가능한 결과에는 해당 콘텐츠 생성 비용의 절감과 대규모 고품질 콘텐츠의 효율성 향상으로 인한 수익 증가가 포함된다. 이 분석을 위해 맥킨지앤컨설팅은 16개 비즈니스 기능과 산업 전반에 걸쳐 63개의 생성형 인공지능 사용 사례를 조사했다.

결과적으로 총 직접 가치 창출 추정 규모는 연간 2조6천억~4조4천억 달러였다.

즉, 생성형 인공지능을 포함한 모든 인공 지능이 매년 창출하는 글로벌 경제적 가치의 총 증가액은 현재 맥킨지앤컨설팅이 추정하는 비생성형 인공지능 하나가 창출할 수 있는 11~17조7000억 달러보다 15~40% 더 높을 수 있다.

이 추정치는 인공지능의 경제적 가치에 대한 맥킨지앤컨설팅의 2017년 추정치에 대한 2023년도 업데이트에 해당한다. 즉, 인공지능이 완전히 배포되면 전 세계에 새로운 경제적 가치로 연간 9조 5천억~15조 4천억 달러를 제공할 수 있다는 것이다.

또한 맥킨지앤컨설팅의 연구에는 850개의 다양한 직업에 필요한 작업 활동에 대한 생성형 인공지능의 잠재적 영향을 평가한 두 번째 분석이 포함되었다.

맥킨지앤컨설팅은 생성형 인공지능이 세계 경제 전반에 걸쳐 해당 직업을 구성하는 2,100개 이상의 ‘세부 업무 활동’을 각각 수행할 수 있는지 평가하기 위한 시나리오를 모델링했다. 이러한 세부 업무 활동은 ‘운영 계획이나 활동에 대해 다른 사람과 소통’하는 것만큼 간단할 수 있다.

이러한 접근 방식을 통해 이들은 생성형 인공지능의 현재 기능이 현재 전 세계 인력이 수행하는 모든 작업에서 노동 생산성에 어떤 영향을 미칠 수 있는지 추정할 수 있었다. 결론적으로 그 규모는 연간 6조1천억~7조9천억 달러에 이른다!

분명히 이러한 영향의 대부분은 ‘사용 사례 분석’에서 확인된 노동 생산성 향상과 겹쳤다. 직접적 비용 절감과 수익 향상이 궁극적으로 연간 4조4천억 달러에 달한다고 가정하면, 간접적인 생산성 향상으로 추가되는 경제적 가치는 연간 3조5천억 달러에 달할 수 있다.

생성형 인공지능이 어떻게 비즈니스 기능을 변화시키고 생산성을 크게 향상시킬 수 있는지 이해하려면 맥킨지앤컨설팅이 인용한 가장 영향력 있는 사용 사례인 소프트웨어 엔지니어링을 고려하면 된다. 이 사용 사례에는 생성형 인공지능의 이점을 모두 누릴 수 있는, 5가지 기능이 포함되어 있다.

기능 1은 시작과 계획이다. 여기에서 소프트웨어 엔지니어와 제품 관리자는 생성형 인공지능을 사용하여 사용자 피드백, 시장 동향, 기존 시스템 로그와 같은 대량의 데이터를 분석, 정리하고 이를 라벨링하는 데 도움을 받게 된다.

기능 2는 시스템 설계이다. 이 단계에서 엔지니어는 생성형 인공지능을 사용하여 여러 IT 아키텍처 설계를 생성하고 잠재적 구성을 반복하여 시스템 설계를 가속화하고 출시 시간을 단축시킬 수 있다.

기능 3은 코딩이다. 이 시점에서 엔지니어는 코딩이 가능한 인공지능 도구의 지원을 받고, 초안 지원을 통해 개발 시간을 단축시키며, 프롬프트를 빠르게 찾고, 쉽게 탐색할 수 있는 지식 기반 역할을 도움 받게 된다.

기능 4는 테스트이다. 여기에서 엔지니어는 기능 및 성능 테스트를 향상시킬 뿐만 아니라 테스트 사례 및 데이터를 자동으로 생성할 수 있는 생성형 인공지능 알고리즘을 사용하게 된다.

기능 5는 시스템 유지 관리이다. 이 마지막 단계에서 엔지니어는 시스템 로그, 사용자 피드백, 성능 데이터에 대한 인공지능의 통찰력을 활용하여 문제를 진단하고 수정 사항을 제안하며 개선이 필요한 우선순위가 높은 영역을 식별할 수 있다.

소프트웨어 엔지니어링은 대부분의 기업에서 매우 중요한 기능이고, 특히 대기업의 경우 점점 더 다양한 제품과 서비스에 이러한 소프트웨어를 내장하고 있어, 그 중요도가 점점 더 높아지고 있다.

예를 들어, 새로운 자동차의 가치 중 상당 부분은 적응형 크루즈 컨트롤, 주차 지원, 사물 인터넷 연결과 같은 디지털 기능에서 비롯되기 때문에 인공지능의 역할이 매우 중요해진다.

생성형 인공지능은 컴퓨터 언어를 또 다른 언어로 취급하기 때문에 소프트웨어 엔지니어링에 새로운 가능성을 열어준다.

예를 들어, 소프트웨어 엔지니어는 두 명 이상이 짝을 이루어 프로그래밍 작업을 하는 ‘페어 프로그래밍(pair programming)’에서 생성형 인공지능을 활용하여 증강 코딩을 수행하고 대규모 언어 모델을 훈련하여 코드가 수행해야 하는 작업을 설명하는 자연어 프롬프트가 제공될 때 코드를 생성하는 애플리케이션을 개발할 수 있다.

맥킨지앤컨설팅의 분석에 따르면 인공지능이 소프트웨어 엔지니어링 생산성에 미치는 직접적인 영향은 해당 기능에 대한 현재 연간 지출의 20~45%에 이를 수 있다.

이 가치는 주로 초기 코드 초안 생성, 코드 수정 및 리팩토링, 근본 원인 분석, 새로운 시스템 설계 생성과 같은 특정 활동에 소요되는 시간을 줄임으로써 발생하게 된다.

코딩 프로세스를 가속화함으로써 생성형 인공지능은 소프트웨어 엔지니어링에 필요한 기술 세트와 기능을 코드 및 아키텍처 설계에 적용할 수 있다.

한 연구에서는 마이크로소프트의 깃헙 코파일럿(GitHub Copilot)을 사용하는 소프트웨어 개발자가 이 도구를 사용하지 않는 개발자보다 작업을 56% 더 빠르게 완료한 것으로 나타났다!

소프트웨어 엔지니어링 팀을 대상으로 한 맥킨지앤컨설팅의 내부 실증 연구에 따르면 생성형 인공지능 도구를 사용하도록 교육받은 사람들은 코드 생성 및 리팩터링에 필요한 시간을 빠르게 단축하는 것으로 나타났다.

이 엔지니어들은 또한 행복, 흐름, 성취감이 모두 향상되었다고 언급하면서 더 나은 업무 경험을 한 것으로 보고되었다.

중요한 점은 평가된 20~45%의 생산성 향상이 애플리케이션 품질의 잠재적 증가와 코드 개선 또는 IT 아키텍처 향상을 통해 생성형 인공지능이 가져올 수 있는 생산성 향상을 고려하지 않았다는 것이다. 두 요소 모두 IT 가치 사슬 전반에 걸쳐 생산성을 더욱 향상시킬 수 있다.

특히, 우리는 이러한 이점이 나타날 때까지 기다릴 필요가 없을 지도 모른다. 대형 기술 회사들은 이미 소프트웨어 엔지니어링을 위한 생성형 인공지능을 판매하고 있다. 여기에는 현재 오픈AI(OpenAI)의 GPT-4와 통합된 깃헙 코파일럿과 2천만 명 이상의 코더가 사용하는 리플릿(Replit)이 포함된다.

결론은 무엇인가?

인공지능은 노동력이 정체되는 상황에서도 경제 성장을 유지하는 데 중요한 역할을 함으로써 우리 삶의 질에 큰 변화를 가져올 것이라는 점이다.

생성형 인공지능은 미국 중산층이 수행하는 작업의 일부를 전례 없는 수준으로 자동화할 것이기 때문에 특히 더 파괴적일 것이다. 이는 엄청난 기회를 열어주고 막대한 부를 창출하더라도 사람들을 불편하게 만들 것이다. 따라서 우리 각자의 과제는 주변의 소음에도 불구하고 새로운 위협과 기회를 정확하게 평가하는 것이다.

이러한 추세를 고려하여 우리는 다음과 같은 예측을 고려해볼 수 있다.

비즈니스 리더라면 컨설팅 기업, 공급업체, 업계 분석가 등의 기술 과대광고 영역에서 정보가 나올 때 비판적 사고를 수행해야 한다. 즉, 새로운 기술의 효능에 대한 주장은 실증적 강점을 위해 면밀히 조사될 필요가 있음을 명심해야 한다.

‘우리는 현재 무엇을 알고 있는가?’와 같은 ‘평가를 위한 사실적 근거’를 확립하는 질문부터 시작해야 한다. 이후, ‘증거는 무엇인지’, ‘기술이 어떻게 작동하는지’, ‘예측이 얼마나 신뢰할 수 있는지’, ‘기타 결과물의 품질이 어떠한지’에 대한 구체적인 질문을 던져야 한다.

그 외에도 비즈니스에 신기술을 사용할 때 발생할 수 있는 잠재적인 위험을 주의 깊게 평가해야 한다.

새로운 기술로 성공하려면 특히 이러한 생성형 인공지능 시스템으로 인해 생성된 결과물이 고객에게 전달되어 기업 평판에 해를 끼칠 수 있는지도 신중하게 감독해야 한다. 동시에 기업들은 관리 감독 없이 이러한 시스템을 사용하면 지적 재산이나 민감한 정보에 대한 통제력을 상실할 수 있는 위험에 노출된다는 점도 인식해야 한다.

예를 들어, 한국의 삼성그룹은 직원들이 실수로 민감한 기업 데이터를 챗GPT(ChatGPT)에 입력하여 유출한 사실을 발견한 바 있다.

현재의 생성형 인공지능 및 유관 기타 기술은 직원들의 근무 시간 60~70%를 흡수하는 업무 활동을 자동화할 수 있는 잠재력을 가지고 있다.

자동화의 잠재력이 가속화되는 것은 작업 활동에 필요한 생성형 인공지능 자연어 이해 능력이 향상되었기 때문이다. 따라서 생성형 인공지능은 다른 유형의 업무보다 고임금과 높은 교육 수준의 직업과 관련된 지식 산업에 더 많은 영향을 미칠 것이다.

인력과 기술이 부족한 시대, 즉 향후 20~35년 동안 예측되는 영향에 대해 맥킨지앤컨설팅은 전체적으로 인공지능이 거의 파괴적이지 않을 것이라 추측하지만, 소위 페이퍼 업무가 지배적인 직업에 종사하는 사람들의 과제는 자신의 기술을 키우고 이러한 유형의 역할을 넘어서는 것에 있을 것이다.

마찬가지로, 정책 입안자들은 인공지능으로 인해 쓸모없어진 직업 범주를 유지하기 위한 규제 수립은 피해야 할 것이다.

대부분의 산업에서, 생성형 인공지능으로 대체되는 활동과 관련된 일자리가 줄어들면서 해당 일자리에 종사했던 노동자의 은퇴는 기업에 이익을 안겨줄 것이고, 새로운 일자리란 진정으로 새로운 것이 될 것이다.

맥킨지앤컨설팅에 따르면, 생성형 인공지능 사용 사례가 제공할 수 있는 가치의 약 75%는 고객 운영, 마케팅 및 영업, 소프트웨어 엔지니어링, 연구개발(R&D)이라는 4가지의 광범위한 영역에 속할 것이다.

이들이 식별한 16개의 비즈니스 기능 전반에 걸쳐 63개의 사용 사례가 실제로 존재하는데, 인공지능 기술은 하나 이상의 측정 가능한 결과를 생성하는 방식으로 특정 비즈니스 과제를 해결할 수 있었다.

생성형 인공지능은 실제로 고객과의 상호 작용을 지원하고, 마케팅 및 영업을 위한 창의적인 콘텐츠를 생성하고, 자연어 프롬프트를 기반으로 컴퓨터 코드 초안을 작성하는 등 다양한 작업을 수행할 수 있었다.

수익의 비율로 볼 때 은행, 정보 기술 및 생명 과학은 생성형 인공지능으로 가장 큰 영향을 받을 수 있는 분야이다.

예를 들어, 맥킨지앤컨설팅은 모든 사용 사례가 은행 산업 전반에 걸쳐 완벽하게 구현된다면 이 기술이 연간 2천억 달러에서 3천4백억 달러에 달하는 추가 가치를 창출할 수 있을 것으로 추정하고 있다. 소매와 소비재 부문의 추가 가치는 연간 4천억에서 6천6백억 달러로 추산된다.

2023년, 맥킨지앤컨설팅은 기술 개발, 경제적 타당성, 확산 일정과 관련된 문제를 고려하여 다양한 경제에 대한 채택 시나리오를 업데이트했다.

업데이트 이전 시나리오에서는 미국에서 자동화가 가능한 작업 활동의 60% 이상이 2030년까지 모두 자동화될 수 있다고 추정했는데, 업데이트 시나리오 또한 마찬가지이다. 또한 이 시나리오에 따르면 인도와 같은 저임금 국가는 10년이 지나서야 해당 수준의 자동화에 도달할 가능성이 높은 것으로 나타났다. 이러한 혁신은 생성형 인공지능과 비생성형 인공지능 모두가 작용한 결과이다.

맥킨지앤컨설팅에 따르면, 기술 채택 속도와 근무 시간을 다른 활동에 재배치하는 정도에 따라 생성형 인공지만으로도 2040년까지 노동 생산성이 연간 최대 0.6% 증가할 수 있다고 추정한다. 생성형 인공지능과 또 다른 모든 유관 기술을 결합하면 작업 자동화를 통해 연간 생산성 증가율이 최대 3.3%포인트 증가할 수 있다.

그러나 노동자가 새로운 기술을 배우려면 지원이 필요하고 일부는 직업을 바꿔야 할 것이다. 노동자의 전환 및 기타 위험을 관리할 수 있다면 생성형 인공지능은 경제 성장에 실질적으로 기여하고 보다 지속 가능하고 포용적인 세상이 되도록 지원할 수 있을 것이다.

이 기술에 대한 기대감은 뚜렷하고 초기 파일럿은 매력적인 상황이다. 그러나 미국과 독일에서도 기술의 이점을 완전히 실현하는 데는 시간이 걸리며 기업과 사회의 리더들은 여전히 해결해야 할 상당한 과제를 안고 있다.

여기에는 생성형 인공지능에 내재된 위험 관리, 인력에게 필요한 새로운 기술과 역량 결정, 재교육 및 기술 개발과 같은 핵심 비즈니스 프로세스에 대한 재검토가 포함된다.

1. AEIdeas. March 27, 2023. James Pethokoukis. Why Goldman Sachs thinks generative AI could have a huge impact on economic growth and productivity.

2. AEIdeas. May 12, 2023. James Pethokoukis. The Case for an AI-Driven Productivity Boom. 

3. Brookings Institution. May 10, 2023. Martin Neil Baily, Erik Brynjolfsson, & Anton Korinek. Machines of mind: The case for an AI-powered productivity boom.

4. AEIdeas. June 14, 2023. James Pethokoukis. Brace yourself: The AI jobs panic is about to explode.

5. McKinsey.com. June 14, 2023. Michael Chui, Eric Hazan, Roger Roberts, Alex Singla, Kate Smaje, Alex Sukharevsky, Lareina Yee, and Rodney Zemmel. The economic potential of generative AI: The next productivity frontier.

6. Goldman Sachs. March 26, 2023. Joseph Briggs & Devesh Kodnani. The Potentially Large Effects of Artificial Intelligence on Economic Growth.

7. Trends. December 2022. The Trends Editors. Economic Realities Driving America’s AI-Based Reindustrialization.

8. Trends. January 2023. The Trends Editors. The Biggest Implications of Artificial Intelligence for the 2020s.

In the face of a stagnant workforce, rising affluence can only be achieved via higher productivity. We last saw this from 1948-to-1972 when productivity growth averaged 2.8% annually. But since 1973, the United States has suffered from relatively slow productivity growth.

During this period economic growth was largely due to the one-time effects of Baby Boomers entering the economy in the 70s & 80s, followed by markets expanding due to globalization from 1990-to-2007, and a short-lived boost to productivity from 1996-to-2006, driven by the Internet.

However, all three of those forces are vanishing as Boomers retire, businesses embrace “deglobalization,” and the World Wide Web becomes just another utility.

Fortunately, as Trends has been forecasting since at least 2012, artificial intelligence is poised to end this “Great Stagnation” and unleash a new era of rising affluence.

While its ultimate impact on the U.S. and global economy over the next 15-to-20 years is still unclear, some of the best estimates indicate that artificial intelligence could eventually add anywhere between $17.7-and-$25.6-trillion-dollars a year to global GDP.

As Trends has previously explained, this revolution is only taking place now because exponential growth in the price-performance in computing, storage, and networks is converging with major leaps in software effectiveness and the availability of vast oceans of data.

And there is every reason to believe that all three of these trends will accelerate.

Until last year, the focus of this discussion was on what we call non-generative or analytic AI. McKinsey & Company estimates that this kind of technology could ultimately add as much as $18 trillion annually to global GDP.

Non-generative AI algorithms” are highly effective at performing numerical and optimization tasks such as predictive modeling, which continues to find new applications in a wide range of industries.

It’s this non-generative AI technology that makes possible autonomous self-driving automobiles and package delivery drones. It’s also the key to automated drug & materials discovery, medical diagnostic systems, and myriad robotic technologies.

However, the breathless excitement of the past year is primarily driven by so-called “Generative AI.”

McKinsey expects this kind of technology to eventually add a maximum of $8 trillion a year to global GDP.

Generative AI refers to machine learning models, such as ChatGPT, Bing AI, DALL-E, and Midjourney, which are trained on vast databases of text and images to generate new text and images in response to a prompt.

Unlike nongenerative AI which works behind the scenes responding to the world and optimizing activities, generative AI “assists us” by producing visual, spoken, and written content that we can use directly.

Therefore, it has the potential to augment, transform and even replace the jobs of knowledge workers who have, until now, believed themselves immune to “technological obsolescence.”

And it’s because of this potential to disrupt the livelihoods of middle-class workers, that managers, investors and public officials are suddenly obsessing over a technology which the Trends editors have been tracking for over 30 years.

So, what are the implications of implementing a technology like generative AI which could disrupt many millions of jobs, while directly adding $4.4 trillion a year to global GDP and up to $3.5 trillion indirectly?

To arrive at its estimates, McKinsey used an ingenious two-part analysis. The first part identified direct cost saving and revenue enhancement opportunities. The second part identified what we call indirect economic benefits.

In part-one, McKinsey examined “use-cases” which organizations were likely to adopt in order to determine the economic value directly created by using generative AI technology.

For this purpose, McKinsey defined a “use-case” as a targeted application of generative AI to a specific business challenge, resulting in one or more measurable outcomes. 

For example, a use-case in marketing might be the application of generative AI to producing creative content such as personalized emails; potential measurable outcomes for this use-case include reductions in the cost of generating such content and increases in revenue from the enhanced effectiveness of higher-quality content at scale.

For this analysis, McKinsey examined 63 generative AI use-cases across industries spanning 16 business functions.

The estimated total direct value creation was in the range of $2.6-to-$4.4 trillion annually. An exhibit in the printable issue shows the roll-up of generative AI’s potential economic impact on various industries and functions.

Accordingly, the total increase in global economic value created annually by artificial intelligence including generative AI could be 15-to-40 percent higher than the $11-to-$17.7 trillion which McKinsey now estimates nongenerative artificial intelligence could unlock.

This estimate represents a 2023 update of McKinsey’s 2017 estimate for AI’s economic value which said, when fully deployed, it could deliver between $9.5-and-$15.4-trillion annually in new worldwide economic value.

In addition, McKinsey’s research included a second analysis, which evaluated generative AI’s potential impact on the work activities required in 850 different occupations.

It modeled scenarios to assess whether generative AI could perform each of more than 2,100 “detailed work activities,” which make up those occupations across the world economy.

Such detailed work activities could be as simple as “communicating with others about operational plans or activities.”

This approach enabled McKinsey to estimate how the current capabilities of generative AI could affect labor productivity across all work currently done by the global workforce.

As shown in the printable issue, this amounted to between $6.1-and-$7.9-trillion annually. That total captured the benefit of embedding generative AI in software employed outside of the 63 use cases considered in part one.

Obviously, much of this impact overlapped with improved labor productivity identified in the “use-case analysis.”

Assuming the direct cost savings and revenue enhancements ultimately totaled $4.4 trillion a year, the additional economic value added by indirect productivity improvements could be as much as $3.5 trillion a year.

To understand how generative AI could transform business functions and deliver an enormous leap in productivity, consider perhaps the highest impact use-case cited by McKinsey: software engineering.

This use-case involves five well understood functions all of which can benefit from generative AI.

 

Function #1 is Inception and planning. Here software engineers and product managers will use generative AI to assist in analyzing, cleaning, and labeling large volumes of data, such as user feedback, market trends, and existing system logs.

Function #2 is System design. At this stage, engineers will use generative AI to create multiple IT architecture designs and iterate on the potential configurations, accelerating system design, and allowing faster time to market.

Function #3 is Coding. At this point, engineers will be assisted by AI tools that can code, reducing development time by assisting with drafts, rapidly finding prompts, and serving as an easily navigable knowledge base.

Function #4 is Testing. Here, engineers will employ generative AI algorithms that can enhance functional and performance testing as well as generating test cases and test data automatically. And,

Function #5 is System Maintenance. At this final stage, engineers use AI-generated insights on system logs, user feedback, and performance data to help diagnose issues, suggest fixes, and identify high-priority areas for improvement.

This is a big deal because software engineering is a major function in most companies. And it continues to grow more crucial as large companies increasingly embed software in a wide array of products and services.

For example, much of the value of new vehicles comes from digital features such as adaptive cruise control, parking assistance, and connectivity to the Internet of Things.

Generative AI opens new possibilities for software engineering because it treats a computer language as just another language.

For instance, software engineers can use generative AI in “pair programming,” to do augmented coding and to train large language models to develop applications that generate code when given a natural-language prompt describing what that code should do.

According to McKinsey’s analysis, the direct impact of AI on the productivity of software engineering could range from 20 to 45 percent of current annual spending on the function.

This value would arise primarily from reducing time spent on certain activities, such as generating initial code drafts, code correction and refactoring, root-cause analysis, and generating new system designs.

By accelerating the coding process, generative AI could push the skill sets and capabilities needed in software engineering toward code and architecture design.

One study found that software developers using Microsoft’s GitHub Copilot completed tasks 56 percent faster than those not using the tool.

An internal McKinsey empirical study of software engineering teams found those who were trained to use generative AI tools rapidly reduced the time needed to generate and refactor code.

These engineers also reported a better work experience, citing improvements in happiness, flow, and fulfillment.

Importantly the assessed 20-to-45 percent productivity gain did not consider the potential increase in application quality and the resulting boost in productivity that generative AI could bring by improving code or enhancing IT architecture. Both those factors could further improve productivity across the IT value chain.

Notably, we may not have to wait for these benefits to emerge. Large technology companies are already selling generative AI for software engineering. This includes GitHub Copilot, which is now integrated with OpenAI’s GPT-4, and Replit, which is used by more than 20 million coders.

What’s the bottom line?

Artificial intelligence will make a huge difference in our quality-of-life by playing a crucial role in sustaining economic growth even as our workforce plateaus.

Generative AI will be particularly disruptive because it will automate portions of the jobs performed by middle class Americans to an unprecedented degree.

This will make people uncomfortable, even as it opens up huge opportunities and creates enormous wealth. For each of us, the challenge will be accurately assessing the emerging threats and opportunities, despite the noise all around us.

Given this trend, we offer the following forecasts for your consideration.

Business leaders must be especially mindful to engage in critical thinking when information comes from known vectors of technology hype, including consultancies, vendors, and industry analysts.

Claims about the efficacy of new technologies need to be scrutinized for empirical strength. Start with questions that establish a factual basis for the assessment such as, “What do we know?” and “What is the evidence?”

Ask specific questions about how the technology works, how reliable its predictions are, and the quality of other outputs. Beyond that, carefully assess the potential risks of using the new technology in your business. 

Remember, success will require careful oversight, especially where the output from these generative AI systems might go out to customers and open up the company to reputational harm.

Companies also need to recognize that they run the risk of losing control of intellectual property or sensitive information by using systems without oversight; Samsung discovered this when its employees inadvertently leaked sensitive corporate data by feeding it into ChatGPT.

Current generative AI and other technologies have the potential to automate work activities that absorb 60 to 70 percent of employees’ time today.

In contrast, McKinsey previously estimated that technology has the potential to automate half of the time employees spend working.

The acceleration in the potential for technical automation is largely due to generative AI’s increased ability to understand natural language, which is required for work activities that account for 25 percent of total work time.

Thus, generative AI has more impact on knowledge-work associated with occupations that have higher wages and educational requirements than on other types of work.

In an era of worker and skills shortages, the kind of impact McKinsey is forecasting over the next 20 to 35 years is hardly devastating in the aggregate.

The challenge for people in jobs dominated by routine “paper-pusher activities” is to grow their skills and look beyond those types of roles.

Similarly, policy makers need to avoid creating regulatory impediments simply intended to sustain obsolete job categories.

In most industries, retirements and truly new jobs will more than compensate for shrinking demand related to activities replaced by generative AI.

According to McKinsey, about 75 percent of the value that generative AI use cases could deliver will fall across four broad areas: customer operations, marketing and sales, software engineering, and R&D.

Across 16 business functions they identified, 63 use cases exist, in which the technology can address specific business challenges in ways that produce one or more measurable outcomes.

Examples include generative AI’s ability to support interactions with customers, generate creative content for marketing and sales, and draft computer code based on natural-language prompts, among many other tasks. Except for three of those 16 functions, the estimated impact is much less than 20 percent.

As a percentage of their revenues, banking, information technology, and life sciences are among the sectors that could see the biggest impact from generative AI.

For example, McKinsey estimates that if all use cases were fully implemented across the banking industry, this technology could deliver additional value equal to between $200 billion and $340 billion annually.

In retail and consumer packaged goods, the additional value is estimated at $400 billion to $660 billion a year.

In 2023, McKinsey updated its adoption scenarios for various economies, taking into account issues related to technology development, economic feasibility, and diffusion timelines.

Its so-called early scenario estimates that over 60 percent of America’s automatable work activities could be automated by 2030. Under that scenario, low-wage countries like India are not likely to reach that level of automation until a decade later.

Notably the adoption curves for both early and late scenarios shown in the printable issue involve generative as well as nongenerative AI. The timing of value creation and job disruption associated with generative AI is most likely to resemble McKinsey’s “Early Scenario.”

As explained in prior issues, we expect the adoption of nongenerative AI to follow a curve resembling that of McKinsey’s “Late Scenario.” 

According to McKinsey, generative AI alone could add up to 0.6 percent annually to labor productivity growth through 2040, depending on the rate of technology adoption and the redeployment of worker time into other activities.

Combining generative AI with all other technologies, work automation could add as much as 3.3 percentage points annually to productivity growth. 

However, workers will need support in learning new skills, and some will need to change occupations.

If worker transitions and other risks can be managed, generative AI could contribute substantially to economic growth and support a more sustainable, inclusive world. And,

Excitement over this technology is palpable, and early pilots are compelling.

But even in the United States and Germany, a full realization of the technology’s benefits will take time, and leaders in business and society still have considerable challenges to address.

These include managing the risks inherent in generative AI, determining what new skills and capabilities the workforce will need, and rethinking core business processes such as retraining and skills development.