편집 전 브리핑 원문 펼치기
구분: 논문 · SSRN / 기업재무·AI·Credit
최초 게시: 2026년 4월 20일
최신 개정: 2026년 8월 14일
원문: SSRN 원문
핵심 요약
미국 상장기업의 채용공고에서 LLM 시스템을 개발·통합하는 직무를 식별해 실제 생성형 AI 도입기업을 추정하고, AI 도입 전후 자본구조 변화를 staggered difference-in-differences로 분석한다. 결과적으로 기존 자동화 기술과 달리 생성형 AI 도입기업은 레버리지를 낮추고 이자보상배율을 높이는 방향으로 움직였다. 효과는 AI가 대체할 수 있는 노동의 비중이 크거나 무형·조직자본 의존도가 높은 기업에서 더 컸으며, 특히 기업 고유 업무에 깊게 결합된 AI일수록 deleveraging이 강했다. 저자들의 해석은 AI가 노동을 대체하면서도 담보·재배치하기 어려운 firm-specific capital을 늘려 채권자의 회수가능성을 낮출 수 있기 때문이다.
실무 시사점
크레딧 트레이딩: “AI 도입 → 생산성 상승 → 신용도 개선”으로 바로 연결하면 안 된다. 채권자에게 중요한 것은 생산성 자체보다 AI 투자가 만들어낸 자산이 파산 시 얼마나 회수 가능한가다. GPU·데이터센터처럼 물리적으로 재배치 가능한 AI 자본과, 기업 내부 workflow·모델·데이터처럼 firm-specific한 AI 자본은 신용적 성격이 완전히 다를 수 있다.
따라서 국내 회사채 AI factor도 AI 사용 여부 하나보다 AI CAPEX 유형 / intangible intensity / FCF / leverage / interest coverage / 채무만기를 같이 보는 것이 좋다. 예를 들어 AI 도입이 빠른데 동시에 차입을 줄이고 coverage가 개선되는 기업과, AI 투자비 때문에 FCF가 무너지는 기업을 분리해야 한다.
한국 적용 아이디어: 사업보고서·채용공고에서 LLM engineer, AI platform, GPU/cloud, AI workflow를 추출해 AI adoption score를 만들고, 이후 순차입금·회사채 순발행·민평스프레드의 변화를 event study로 비교한다.
데스크 적용 우선순위: ★★★★★