AI의 노동시장 영향: 새로운 측정 방법과 초기 증거

핵심 발견

AI 대체 위험을 측정하는 새로운 지표인 관찰 노출도(observed exposure)를 도입했다. 이론적 LLM 역량과 실제 사용 데이터를 결합하되, 자동화(증강이 아닌) 및 업무 관련 사용에 더 높은 가중치를 부여한다.
AI는 이론적 역량에 아직 훨씬 못 미친다. 실제 사용 범위는 이론상 가능한 수준의 일부에 불과하다.
관찰 노출도가 높은 직업군은 미국 노동통계국(BLS)이 2034년까지 더 낮은 성장을 전망하는 경향이 있다.
노출도 상위 직업군 종사자는 나이가 더 많고, 여성 비율이 높으며, 학력이 높고 임금도 높은 경향이 있다.
2022년 말 이후 고노출 직종에서 실업률이 체계적으로 증가했다는 근거는 찾지 못했다. 다만 노출 직종에서 청년층 채용이 둔화됐다는 시사적 증거는 확인됐다.

소개

AI의 급속한 확산은 노동시장에 미치는 영향을 측정하고 예측하려는 연구들을 쏟아지게 만들고 있다. 그런데 과거 접근법의 성적표를 보면 겸손해질 수밖에 없다. 예컨대 일자리 해외 이전 가능성을 측정한 유명 연구는 미국 일자리의 약 4분의 1이 취약하다고 봤지만, 10년이 지난 지금 그 일자리 대부분은 건강한 고용 성장을 유지하고 있다. 정부의 직업별 성장 전망도 방향은 맞지만 과거 추세의 단순 외삽 이상의 예측력은 거의 보여주지 못했다. 사후적으로도 주요 경제 충격이 노동시장에 미친 영향은 종종 불분명하다. 산업용 로봇의 고용 효과 연구들은 서로 반대되는 결론에 달하고, 중국 무역 충격으로 인한 일자리 손실 규모 논쟁은 여전히 진행 중이다.¹

이 보고서에서는 AI의 노동시장 영향을 이해하기 위한 새로운 분석 틀을 제시하고, 초기 데이터로 검증해본다. 결론적으로 AI가 현재까지 고용에 미친 영향의 근거는 제한적이다. 우리의 목표는 AI가 고용에 미치는 영향을 측정하는 방법론을 정립하고, 주기적으로 분석을 갱신하는 것이다. 이 접근법이 AI가 노동시장을 재편하는 모든 경로를 포착하지는 못하겠지만, 의미 있는 효과가 나타나기 전에 이런 기반을 지금 다져두면 사후 분석보다 더 신뢰할 만한 방식으로 경제적 혼란을 포착할 수 있다고 본다.

AI의 영향이 눈에 띄게 나타날 가능성도 물론 있다. 이 분석 틀은 효과가 모호한 상황에서 특히 유용하며, 대체 현상이 가시화되기 전에 가장 취약한 일자리를 미리 파악하는 데 도움을 줄 수 있다.

반사실적 추론

인과 추론은 효과가 크고 갑작스러울 때 쉬워진다. 코로나19 팬데믹과 이에 따른 정책 조치들은 경제 충격이 너무 극명해서 많은 질문에 정교한 통계적 방법이 필요 없었다. 팬데믹 초기 몇 주 만에 실업률이 급등해 다른 설명이 끼어들 여지가 없었다.

AI의 영향은 코로나19보다 인터넷이나 중국과의 무역 확대와 더 닮아있을지 모른다. 효과가 집계 실업 데이터에서 즉시 드러나지 않을 수 있고, 무역 정책이나 경기 사이클 같은 요인들이 추세선 해석을 흐릴 수 있다.

흔히 쓰는 방법 중 하나는 AI에 더 많이 노출된 근로자, 기업, 산업과 그렇지 않은 쪽을 비교하여 혼재 요인으로부터 AI의 효과를 분리하는 것이다.² 노출도는 보통 과업(task) 수준에서 정의된다. AI는 숙제를 채점할 수 있지만 교실을 관리할 수는 없으므로, 교사는 원격 근무로 전체 업무가 가능한 직종 종사자보다 노출도가 낮다고 본다. 우리 연구도 이런 과업 기반 접근법을 따르되, 이론적 AI 역량과 실제 사용 데이터를 결합한 뒤 직업 수준으로 집계한다.³

노출도 측정

우리 방법론은 세 가지 데이터를 결합한다.

O*NET 데이터베이스: 미국 내 약 800개 직업에 연관된 과업을 목록화한 데이터베이스
앤트로픽 자체 사용 데이터: 앤트로픽 경제 지수로 측정한 데이터
Eloundou et al. (2023)의 과업 수준 노출도 추정치: LLM이 특정 과업을 두 배 이상 빠르게 처리할 수 있는지 이론적으로 측정한 값

Eloundou et al.의 지표 β는 단순한 척도로 과업을 점수화한다. LLM 단독으로 속도를 두 배 높일 수 있는 과업은 1, LLM 기반 추가 도구나 소프트웨어가 필요한 경우는 0.5, 그렇지 않은 경우는 0이다.⁴

실제 사용이 이론적 역량에 미치지 못하는 이유는 무엇일까? 이론상 가능한 일부 과업이 사용 데이터에 나타나지 않는 것은 모델 한계 때문이다. 다른 일부는 법적 제약, 특정 소프트웨어 요건, 인간 검증 단계, 기타 장벽으로 인해 확산이 더딘 경우다. 예컨대 Eloundou et al.은 "약국에 처방전 정보를 제공하고 약 리필을 승인하는" 과업을 완전 노출(β=1)로 분류했다. 이론적으로는 LLM이 속도를 높일 수 있을 것 같지만, 실제로 Claude가 이 과업을 수행하는 것은 관찰된 적이 없다.

그렇더라도 이론적 역량과 실제 사용 사이의 상관관계는 높다. 그림 1에서 볼 수 있듯, 직전 네 차례 경제 지수 보고서에서 관찰된 과업의 97%는 Eloundou et al.이 이론적으로 실현 가능(β=0.5 또는 β=1.0)하다고 평가한 범주에 해당한다.

그림 1: Eloundou et al. 과업 노출 등급별 Claude 사용 비중

그림 1: Claude 사용 현황을 O*NET 과업의 이론적 AI 노출 등급별로 분류한 그래프. β=1(LLM 단독 처리 가능) 과업이 Claude 사용의 68%를 차지하며, β=0(처리 불가) 과업은 3%에 불과하다.

직업별 노출도 측정의 새로운 방법

새로운 지표인 관찰 노출도는 다음 질문에 답하려 한다. LLM이 이론적으로 빠르게 처리할 수 있는 과업들 중, 실제로 전문적인 환경에서 자동화 방식으로 사용되는 것은 어느 정도인가?

이론적 역량이 포괄하는 과업의 범위는 훨씬 넓다. 그 간극이 좁혀지는 과정을 추적함으로써 관찰 노출도는 경제적 변화를 실시간에 가깝게 포착한다.

이 지표는 일자리 영향을 예측하는 데 중요하다고 생각하는 AI 사용의 여러 측면을 정성적으로 포착한다. 특정 직업의 노출도가 높아지는 조건은 다음과 같다.

AI로 이론적으로 처리 가능한 과업을 포함할 때
앤트로픽 경제 지수에서 해당 과업의 사용 비중이 높을 때⁵
업무 맥락에서 수행되는 과업 비중이 높을 때
자동화 사용 패턴이나 API 구현 비율이 상대적으로 높을 때
AI 영향을 받는 과업이 전체 직무에서 차지하는 비중이 클 때⁶

이 측정 방법의 수식은 부록에 상세히 기술했다. LLM으로 이론적으로 처리 가능한 과업 중 Claude 트래픽에서 업무 관련 사용이 충분히 관찰된 것을 "포괄된" 과업으로 분류한다. 여기에 과업 수행 방식에 따른 조정을 적용한다. 완전 자동화 방식은 전체 가중치를, 증강 방식은 절반의 가중치를 부여한다. 마지막으로 과업 수준의 포괄도를 각 과업에 할당된 시간 비율로 가중 평균하여 직업 수준으로 집계한다.

그림 2는 관찰 노출도(빨간색)와 Eloundou et al.의 β(파란색)를 비교해 이론과 실제 사용 간 격차를 보여준다. β 지표를 보면 컴퓨터·수학(94%) 및 사무·행정(90%) 직종 과업의 대부분에 LLM 침투 여지가 있다. 반면 Claude는 현재 컴퓨터·수학 직종 전체 과업의 33%만 커버하고 있다. 역량이 발전하고 채택이 확산되고 배포가 심화될수록 빨간 영역은 파란 영역을 채워나갈 것이다.

포괄되지 않는 넓은 영역도 여전히 존재한다. 나무 가지치기나 농기계 운전 같은 농업 현장 작업부터 법정 변론 같은 법률 과업까지, 많은 일들이 아직 AI의 영역 밖에 있다.

그림 2: 직업군별 이론적 역량과 관찰 노출도

그림 2: LLM이 이론적으로 처리할 수 있는 과업 비중(파란 영역)과 사용 데이터 기반 직업 포괄도(빨간 영역). 빨간 영역은 앤트로픽 경제 지수에서 Claude가 전문 환경에서 활용되는 방식을 보여준다.

그림 3은 이 지표로 측정한 노출도 상위 10개 직업을 보여준다. Claude가 코딩에 광범위하게 사용된다는 다른 데이터와 일치하게, 컴퓨터 프로그래머가 75% 포괄도로 1위를 차지했다. 다음으로 고객 서비스 담당자가 이어지는데, 이들의 주요 과업은 자사 API 트래픽에서 점점 더 많이 관찰되고 있다. 데이터 입력 담당자의 경우, 원본 문서를 읽고 데이터를 입력하는 주요 과업이 상당한 자동화 비율을 보이며 67% 포괄도를 기록했다.

그림 3: 노출도 상위 10개 직업

그림 3: 과업 포괄도 기준 노출도 상위 10개 직업.

하위권을 보면 전체 근로자의 30%는 포괄도가 0이다. 해당 과업이 경제 지수 표본에서 최소 기준치를 충족할 만큼 충분히 관찰되지 않았기 때문이다. 요리사, 오토바이 정비사, 인명 구조원, 바텐더, 식기 세척원, 피팅룸 담당자 등이 이 그룹에 포함된다.

노출도와 일자리 성장 전망 및 근로자 특성의 관계

미국 노동통계국(BLS)은 직업별 고용 전망을 정기적으로 발표한다. 2025년에 발표된 최신판은 2024년부터 2034년까지 직업별 고용 변화 예측을 담고 있다. 그림 4에서 직업별 포괄도 지표와 BLS 예측을 비교했다. 현재 고용 규모로 가중한 직업 수준 회귀분석 결과, 관찰 노출도가 높은 일자리일수록 성장 전망이 다소 낮게 나타났다. 포괄도가 10퍼센트 포인트 높아질 때마다 BLS 성장 전망은 0.6퍼센트 포인트 낮아진다. 우리 지표가 노동시장 분석가들의 독자적인 추정치와 맞닿아 있다는 점에서 일정한 타당성을 확인할 수 있지만, 상관관계는 약하다. 흥미롭게도 Eloundou et al.의 지표만 사용했을 때는 이런 상관관계가 나타나지 않는다.

그림 4: BLS 2024~2034 고용 성장 전망 대 관찰 노출도

그림 4: 25개 균등 구간으로 나눈 binned 산점도. 각 점은 한 구간의 평균 관찰 노출도와 예상 고용 변화를 나타낸다. 점선은 현재 고용 수준으로 가중한 단순 선형 회귀선이며, 작은 마름모는 예시 직업들이다.

그림 5는 ChatGPT 출시 직전 3개월(2022년 8~10월)의 현재 인구 조사(CPS) 데이터를 활용해 노출도 상위 4분위와 하위 30%(포괄도 0) 근로자의 특성을 비교한다.⁷ 두 집단은 큰 차이를 보인다. 고노출 집단은 여성 비율이 16퍼센트 포인트, 백인 비율이 11퍼센트 포인트 높고, 아시아계는 거의 두 배에 달한다. 평균 임금은 47% 높고 학력도 더 높다. 예컨대 대학원 학위 소지자는 비노출 집단에서 4.5%에 불과하지만 고노출 집단에서는 17.4%로 약 4배 차이가 난다.

그림 5: 고노출·저노출 근로자 특성 비교 (현재 인구 조사)

그림 5: ChatGPT 출시 직전(2022년 8~10월) 기준, 노출도 상위 4분위와 포괄도 0인 근로자 집단의 특성 비교.

분석 지표 선정

노출도 지표를 갖추고 나면, 무엇을 봐야 하는가 하는 질문이 남는다. 연구자들은 각기 다른 접근법을 택했다. Gimbel et al. (2025)은 CPS를 활용해 직업 구성 변화를 추적한다. AI로 인한 경제 구조 재편이 중요하게 진행되고 있다면 일자리 분포 변화로 나타날 것이라는 논리다(이들은 지금까지 변화가 미미하다고 봤다). Brynjolfsson et al. (2025)은 급여 처리업체 ADP 데이터로 연령대별 고용 수준을 살펴보고, Acemoglu et al. (2022)과 Hampole et al. (2025)은 각각 Burning Glass(현 Lightcast)와 Revelio의 구인 데이터를 사용한다.

우리는 실업률을 우선 분석 지표로 삼는다. 경제적 피해 가능성을 가장 직접적으로 보여주는 지표이기 때문이다. 일자리를 원하는데 아직 찾지 못한 근로자가 실업자다. 구인 공고나 고용 수준은 반드시 정책 대응의 필요성을 알려주지 않는다. 고노출 직종의 구인이 줄더라도 인접 직종에서 늘어난 일자리가 이를 상쇄할 수 있기 때문이다. AI로 인한 노동시장의 부정적 변화는 대부분 실직 근로자들이 대안을 찾는 과정에서 실업률 상승으로 나타날 것이다. 실업자들이 이전 직종과 산업을 응답하는 CPS는 이를 추적하기에 적합한 자료다.

초기 분석 결과

다음으로 CPS 응답자를 직업별 포괄도 지표와 연결해 실업 추세를 분석했다. 핵심적인 해석 질문은 어떤 근로자를 '처리군'으로 볼 것인가다. 과업 포괄도가 10%에 불과해도 고용 효과가 나타날까?

Gans와 Goldfarb (2025)는 O-링 모델이 직업을 잘 설명한다면, 모든 과업에 어느 정도 AI 침투가 일어나야만 고용 효과가 나타날 수 있다고 보여준다. Hampole et al. (2025)은 평균 노출도는 노동 수요를 줄이지만, 특정 과업에 노출도가 집중되면 이를 상쇄할 수 있다고 주장한다. Autor와 Thompson (2025)은 나머지 과업에 요구되는 전문성 수준을 강조한다.

단순함을 염두에 두고, 큰 영향에 초점을 맞추는 우리 목적에 맞게, 우리는 평균 노출도가 가장 높은 집단에서 영향이 가장 먼저 느껴진다는 생각을 분석의 중심에 뒀다. 시간 가중 과업 포괄도 상위 4분위 근로자와 하위 4분위를 비교했다. AI 역량이 빠르게 발전하면 하위 백분위에서도 포괄도가 높아질 수 있어 절대적 기준이 더 유용할 수도 있지만, 영향은 가장 많이 노출된 근로자에게 먼저 나타난다고 가정하고 처리군 정의 기준점을 변화시키며 결과를 제시한다.

그림 6 상단은 2016년 이후 노출도 상위 4분위와 비노출 집단의 실업률 원시 추세를 보여준다. 코로나19 기간에는 AI 노출도가 낮은 근로자들이 대면 일자리 비중이 높아 실업률이 훨씬 크게 올랐다. 그 이후 두 집단의 추세는 대체로 유사하다. 그림 6 하단은 이중차분(difference-in-differences) 프레임워크로 두 집단의 격차를 측정한 것으로, 원시 데이터의 결과를 그대로 반영한다. ChatGPT 출시 이후 격차의 평균 변화는 작고 통계적으로 유의미하지 않다. 고노출 집단의 실업률이 약간 높아졌지만 영향이 통계적으로 0과 구별되지 않는다는 뜻이다.⁸

그림 6: 관찰 노출도 상위 4분위와 비노출 근로자의 실업률 추세 (현재 인구 조사)

그림 6: 상단은 노출도 상위 4분위(빨간선)와 비노출(포괄도 0) 근로자의 실업률 추이. 하단은 이중차분 프레임워크로 두 계열의 격차를 측정한 것.

어떤 시나리오를 이 분석 틀로 포착할 수 있을까? 신뢰구간을 기준으로 하면 약 1퍼센트 포인트 수준의 실업률 차별적 증가는 탐지 가능하다(새 데이터가 들어오면 달라지므로 개략적인 추정치다). 상위 10%의 근로자 모두가 해고된다면 상위 4분위 내 실업률이 3%에서 43%로, 전체 실업률이 4%에서 13%로 오를 것이다. 좀 더 온건하지만 여전히 우려스러운 시나리오는 "화이트칼라 근로자들의 대침체"다. 2007~2009년 대침체 때 미국 실업률은 5%에서 10%로 두 배가 됐다. 상위 4분위에서 이에 준하는 두 배 상승이 일어난다면 3%에서 6%가 되는데, 이 정도는 우리 분석에서도 포착될 수 있다.

핵심 추정치는 고노출 집단과 저노출 집단 간 실업률의 차별적 변화에 기반함을 유의해야 한다. 모든 근로자의 실업률이 동시에 오른다면, 아직 많은 과업에 영향을 주지 않는 AI 발전의 탓으로 돌리지 않을 것이다.

특히 관심을 기울이는 집단은 청년 근로자다. Brynjolfsson et al.은 22~~25세 근로자들의 노출 직종 취업자 수가 6~~16% 감소했다고 보고한다. 이들은 이 감소가 주로 이직이 아닌 신규 채용 둔화에서 비롯된다고 본다.⁹ 우리도 노출 직종 청년 근로자들의 실업률이 변화 없이 유지됨을 확인했다(부록 참조). 하지만 채용 둔화가 반드시 실업률 상승으로 이어지지는 않는다. 많은 청년 근로자가 CPS에 직종을 기재하지 않은 노동시장 신규 진입자로, 실업자로 집계되기보다 노동시장 자체를 이탈할 수 있기 때문이다.

채용을 직접 보기 위해 CPS의 패널 데이터를 활용했다. 시간에 따라 22~25세 청년 중 고노출 직종과 저노출 직종에 새로 취업한 비율을 측정했다. 그림 7은 고노출 대 저노출 직종으로 진입하는 청년들의 월별 취업률을 보여준다.

그림 7: 고노출·비노출 직종의 22~25세 신규 취업 현황 (현재 인구 조사)

그림 7: 상단은 고노출·비노출 직종에 신규 취업하는 청년 비율. 하단은 이중차분 프레임워크로 두 계열의 격차를 측정한 것.

2020~2021년의 큰 변동을 제외하면, 두 계열은 2024년부터 시각적으로 갈라진다. 청년들이 고노출 직종에 채용되는 비율이 상대적으로 낮아진 것이다. 저노출 직종의 취업률은 월 2%로 안정적인 반면, 고노출 직종 진입은 약 0.5퍼센트 포인트 감소했다. ChatGPT 출시 이후 기간의 평균 추정치를 보면 2022년 대비 고노출 직종의 취업률이 14% 떨어졌는데, 간신히 통계적 유의성을 갖는다(25세 초과 근로자에게는 이런 감소가 나타나지 않는다).

이는 AI가 고용에 미치는 초기 효과의 신호일 수 있으며 Brynjolfsson et al.의 결과와 맥을 같이 한다. 하지만 다른 해석도 여럿 가능하다. 채용되지 않은 청년들은 기존 일자리에 머물거나, 다른 일자리를 구하거나, 다시 학교로 돌아갔을 수 있다. 설문 조사에서 이직 관련 데이터는 측정 오차에 더 취약하다는 데이터 관련 주의사항도 있다.¹⁰

논의

이 보고서는 AI의 노동시장 효과를 이해하기 위한 새로운 지표를 도입하고, 실업률과 채용에 미치는 영향을 분석했다. 이론적으로 LLM으로 처리 가능하고 자동화된 업무 관련 사용 사례로 실제 플랫폼에서 관찰되는 과업 비중이 높을수록 직업의 AI 노출도가 높다. 컴퓨터 프로그래머, 고객 서비스 담당자, 금융 분석가가 가장 노출도가 높은 직종에 속한다.

미국 조사 데이터를 분석한 결과, 가장 노출도 높은 직종 근로자들의 실업률에는 영향이 없었다. 다만 22~25세 근로자를 대상으로 해당 직종으로의 채용이 소폭 둔화됐다는 잠정적 증거가 있다.

이 작업은 AI가 노동시장에 미치는 영향을 기록하기 위한 첫 걸음이다. 이 보고서의 분석 방법론, 특히 포괄도 측정과 반사실적 추론 방식이 고용 및 AI 사용에 관한 새 데이터가 축적될수록 손쉽게 갱신될 수 있기를 바란다. 확립된 방법론은 향후 연구자들이 신호를 노이즈에서 분리하는 데 도움을 줄 것이다.

현재 작업에서 개선할 부분도 있다. 사용 데이터는 미래 업데이트에 지속 반영될 것이며, 경제 전반의 과업 및 직업 포괄도에 대한 진화하는 그림을 형성하게 된다. Eloundou et al.의 지표도 2023년 초 기준 LLM 역량과 연계된 만큼 갱신될 수 있다. 그리고 청년 근로자와 노동시장 신규 진입자 관련 시사적 결과들을 고려하면, 고노출 분야 학위를 취득한 최근 졸업자들이 어떻게 노동시장을 헤쳐나가고 있는지 살펴보는 것이 중요한 다음 단계가 될 것이다.

감사의 말

Maxim Massenkoff와 Peter McCrory가 작성했다. Ruth Appel, Tim Belonax, Keir Bradwell, Andy Braden, Dexter Callender III, Miriam Chaum, Madison Clark, Jake Eaton, Deep Ganguli, Kunal Handa, Ryan Heller, Lara Karadogan, Jennifer Martinez, Jared Mueller, Sarah Pollack, David Saunders, Carl De Torres, Kim Withee, Jack Clark에게 감사한다. 초기 버전에 피드백을 준 Martha Gimbel, Anders Humlum, Evan Rose, Nathan Wilmers에게도 감사한다.

인용

@online{massenkoffmccrory2026labor,
  author = {Maxim Massenkoff and Peter McCrory},
  title  = {Labor market impacts of AI: A new measure and early evidence},
  date   = {2026-03-05},
  year   = {2026},
  url    = {https://www.anthropic.com/research/labor-market-impacts},
}

Footnotes

일자리 해외 이전 가능성: Blinder et al. (2009)과 Ozimek (2019); 정부 성장 전망: Massenkoff (2025); 산업용 로봇: Graetz와 Michaels (2018), Acemoglu와 Restrepo (2020); 중국 충격: Autor et al. (2013), Borusyak et al. (2022). ↩
Brynjolfsson et al. (2025)은 Eloundou et al. (2023)의 과업 노출도 지표와 ADP 급여 데이터를 활용해 AI 노출도가 높은 직종과 낮은 직종의 고용 추세를 비교한다. Johnston과 Makridis (2025)는 미국 행정 데이터로 유사한 과업 기반 분석을 하되 처리 단위를 산업 수준으로 집계한다. Hui et al. (2024)은 ChatGPT 등 이미지 생성 도구 출시 전후로 Upwork 플리랜서 일자리가 어떻게 반응했는지 직접 영향 범주와 비영향 범주를 비교해 분석한다. Hampole et al. (2025)은 AI를 역사적으로 많이 채용한 대학 출신을 더 많이 고용한 기업들이 AI 도입 비용이 낮았다는 점을 도구변수로 활용해 기업 수준 AI 도입을 추정한다. ↩
우리의 과업·직업 수준 노출도 지표는 다른 사용 데이터를 쉽게 통합할 수 있으며 다른 나라에도 적용 가능하다. 시간이 지나면서 이 방법론을 새로운 맥락에 적용할 계획이다. ↩
이들의 프레임워크에서 "직접 노출" 과업은 2,000단어 입력 제한 하에 최근 정보 접근 없이 LLM으로 절반의 시간에 처리 가능한 것이다. "도구를 활용한 노출" 과업은 정보 검색, 이미지 처리 등 소프트웨어를 갖춘 LLM으로 동일한 속도 향상이 가능한 경우다. 노출되지 않은 과업은 LLM으로 처리 시간을 50% 이상 단축할 수 없는 것이다. ↩
매우 의미론적으로 유사한 O*NET 과업들에 대해서는 카운트를 분산시켰다. ↩
이 모든 단계에서 판단이 필요하다. Eloundou et al. (2023) 지표를 로 그대로 쓸까 다르게 변환할까? "충분한" 사용은 어떻게 정의할까? 경제 지수의 표본에서 특정적으로 포착되기엔 너무 드물지만 사용 비중이 높은 과업과 매우 유사해 보이는 과업은 어떻게 처리할까? 증강 대비 자동화 워크플로우에 얼마나 더 가중치를 줄까? 이런 다양한 결정을 다르게 해도 직업 노출도의 스피어만(순위) 상관관계가 매우 높다는 것이 부록에서 보여주는 안심할 만한 결과다. ↩
O*NET-SOC 코드를 CPS의 occ1990 코드로 매핑하기 위해 Eckhart와 Goldschlag (2025)가 제공한 연결 코드를 사용했다. ↩
세 가지 방식으로 추가 분석했다(부록 참조). 처리군 정의 기준을 중앙값부터 95번째 백분위까지 변화시켜 보았는데, 모든 경우에서 영향은 변화 없거나 부정적이었다(노출 집단의 실업률 감소). 또한 Brynjolfsson et al. (2025)처럼 22~25세 청년층에 집중했다. 마지막으로 CPS 설문 응답 대신 노동부의 실업급여 청구 데이터를 활용했다. 어떤 분석에서도 노출 직종에 대한 명확한 영향은 발견되지 않았다. ↩
이 범위가 넓은 이유는 저자들이 여러 반사실적 시나리오에 대한 추정치를 제시하기 때문이다. 6퍼센트 포인트 감소는 고용 성장 평탄화를 반사실로 삼았을 때이고, 16퍼센트 포인트 추정치는 같은 기업 내 다른 직종의 유사 근로자들과 비교한 설계에서 나온 값이다. ↩
Fujita et al. (2024) 참조. ↩