[논문 리뷰] The Innovation Tax: Generative AI Adoption, Productivity Paradox, and Systemic Risk in the U.S. Banking Sector

Tatsuru Kikuchi|arXiv (Cornell University)|2026. 02. 02.

FinTech, Crowdfunding, Digital Finance인용 수 0

한 줄 요약

논문은 동적 공간 더빈 모델(Dynamic Spatial Durbin Models)과 합성 차이의 차이(Synthetic Difference-in-Differences)를 결합해 미국 은행에서 GenAI 도입을 연구하고, 최전선 성과가 높음에도 단기 생산성 세금과 긍정적인 네트워크 파급 효과를 발견합니다.

ABSTRACT

This paper evaluates the causal impact of Generative Artificial Intelligence (GenAI) adoption on productivity and systemic risk in the U.S. banking sector. Using a novel dataset linking SEC 10-Q filings to Federal Reserve regulatory data for 809 financial institutions over 2018--2025, we employ two complementary identification strategies: Dynamic Spatial Durbin Models (DSDM) to capture network spillovers and Synthetic Difference-in-Differences (SDID) for causal inference using the November 2022 ChatGPT release as an exogenous shock. Our findings reveal a striking ``Productivity Paradox'': while DSDM estimates show that AI-adopting banks are high performers ($β> 0$), the causal SDID analysis documents a significant ``Implementation Tax'' -- adopting banks experience a 428-basis-point decline in ROE as they absorb GenAI integration costs. This tax falls disproportionately on smaller institutions, with bottom-quartile banks suffering a 517-basis-point ROE decline compared to 129 basis points for larger banks, suggesting that economies of scale provide significant advantages in AI implementation. Most critically, our DSDM analysis reveals significant positive spillovers ($θ= 0.161$ for ROA, $p < 0.01$; $θ= 0.679$ for ROE, $p < 0.05$), with spillovers among large banks reaching $θ= 3.13$ for ROE, indicating that the U.S. banking system is becoming ``algorithmically coupled.'' This synchronization of AI-driven decision-making creates a new channel for systemic contagion: a technical failure in widely-adopted AI models could trigger correlated shocks across the entire financial network.

연구 동기 및 목표

• 은행에서 GenAI 도입의 이해를 촉진하고 생산성 및 시스템적 위험에 대한 영향을 파악한다.
• AI 도입이 최전선 기업 지위를 시사하는지 아니면 구현 세금을 발생시키는지 여부를 식별한다.
• 은행 규모에 따른 이질성과 생산성에서 네트워크 파급 효과의 역할을 조사한다.
• 공유된 AI 아키텍처로 인한 알고리즘 결합으로 인한 잠재적 시스템 위험을 평가한다.

제안 방법

• 직접적인 생산성 효과와 파급 효과를 추정하고 네트워크 파급 효과를 정량화하기 위한 동적 공간 더빈 모델(DSDM) 구현(자체 도입에 대한 베타 및 파급에 대한 세타).
• SDID(합성 차이의 차이) 적용으로 2023년 ChatGPT 충격을 외생적 처치로 설정하고 ATT 추정치를 구성하여 인과 효과를 식별합니다.
• 네트워크 기반 자산 가중치와 지리 기반 거리 가중치의 두 가지 공간 가중 행렬을 사용해 서로 다른 파급 채널을 포착합니다.
• 결과 변수: ROA 및 ROE; 처치는 SEC 공시의 GenAI 언급으로 정의하고, 통제 변수에는 자산, Tier 1 비率, 디지털화 지수, CEO 연령을 포함합니다.
• 동적 처치 효과를 살펴보기 위한 이벤트-연구 확장 및 사전 추세 분석.
• 최대우도 추정, 준최대우도 추정, Bayesian MCMC를 통한 강건성 확보.

(a) ATT on ROA (%)

실험 결과

연구 질문

• RQ1 GenAI 도입이 비적용 은행에 비해 도입 은행의 생산성을 향상시키는가?
• RQ2 단기적으로 GenAI 도입이 생산성에 미치는 인과 효과는 무엇인가?
• RQ3 은행 규모가 GenAI 도입의 비용(구현 세금)과 단기 생산성 영향에 어떤 영향을 미치는가?
• RQ4 AI 도입 노력이 은행 간 긍정적 파급효과를 만들어 네트워크 효과나 알고리즘 결합을 시사하는가?

주요 결과

• AI 도입 은행은 단면 비교에서 생산성이 높아 최전선 기업 선택과 일치(bet > 0).
• 인과적 SDID 분석은 AI 도입이 단기적으로 생산성에 유의하게 음의 효과를 나타냄: ROA가 46bp 감소, ROE가 428bp 감소.
• 자산 규모 하위 1사분위의 은행은 대형 은행보다 ROE 감소가 더 큰데, 하위 1사분위는 517bp, 대형은 129bp.
• DSDM은 긍정적 파급 효과를 시사: ROA의 세타 0.161, ROE의 세타 0.679(p < 0.01 및 p < 0.05 각각).
• 대형 은행 간 파급은 ROE에 특히 강력(RoE 세타 3.13)하게 나타남.
• 결과는 도입 중 ‘혁신 세금’과 은행 네트워크 전반으로 AI 도입이 확산되며 시스템적 결합이 증가하는 경향을 시사합니다.

(b) ATT on ROE (%)