인공지능이 노동 시장에 미치는 영향: 새로운 측정 방법과 초기 증거
- 주요 결과
- 소개
- 반사실적 상황
- 노출 측정
- 노출도가 예상되는 고용 증가 및 근로자 특성과 어떻게 연관되는지
- 결과 우선시
- 초기 결과
- 논의
- 충수
- 참고 자료
- 각주
주요 결과
- 본 논문에서는 이론적인 LLM(Life Life Management) 역량과 실제 사용 데이터를 결합하고, 자동화된 사용(보완적인 사용이 아닌) 및 업무 관련 사용에 더 큰 가중치를 부여하는 새로운 AI 대체 위험 측정 지표인 ' 관찰 된 노출'을 소개합니다.
- 인공지능은 이론적인 잠재력에 한참 못 미치고 있으며, 실제 적용 범위는 실현 가능한 범위의 극히 일부에 불과합니다.
- 미국 노동통계국(BLS)은 노출도가 높은 직종의 경우 2034년까지 성장률이 둔화될 것으로 전망하고 있습니다.
- 감염 위험이 가장 높은 직종에 종사하는 사람들은 나이가 많고, 여성이 많으며, 교육 수준이 높고, 임금이 높은 경향이 있습니다.
- 2022년 후반 이후 고위험군 근로자의 실업률이 체계적으로 증가했다는 증거는 발견되지 않았지만, 위험도가 높은 직종에서 젊은 근로자 고용이 둔화되었다는 시사적인 증거는 발견되었습니다.
소개
인공지능의 급속한 확산은 노동 시장에 미치는 영향을 측정하고 예측하는 연구의 물결을 일으키고 있습니다. 그러나 과거 접근 방식의 실패 사례를 보면 신중해야 할 필요성을 느낍니다.
예를 들어, 일자리 해외 이전 가능성을 측정하려는 주목할 만한 시도에서는 미국 일자리의 약 4분의 1이 취약한 것으로 나타났지만, 10년이 지난 지금, 이러한 일자리의 대부분은 건전한 고용 성장을 유지했습니다. 정부 자체의 직업 성장 예측은 방향성은 정확하지만 과거 추세의 선형 외삽 이상의 예측 가치를 거의 제공하지 못했습니다. 심지어 사후에 돌이켜봐도 주요 경제 혼란이 노동 시장에 미치는 영향은 종종 불분명합니다. 산업용 로봇의 고용 효과에 대한 연구는 상반된 결론을 내리고 있으며, 중국과의 무역 충격으로 인한 일자리 손실 규모에 대한 논쟁도 계속되고 있습니다. 1
본 논문에서는 인공지능(AI)이 노동 시장에 미치는 영향을 이해하기 위한 새로운 분석 틀을 제시하고, 초기 데이터를 활용하여 이를 검증한 결과, 현재까지 AI가 고용에 미치는 영향은 제한적인 것으로 나타났습니다. 본 연구의 목표는 AI가 고용에 미치는 영향을 측정하는 방법을 정립하고, 이러한 분석을 주기적으로 재검토하는 것입니다. 이 방법이 AI가 노동 시장을 재편할 수 있는 모든 경로를 포착하지는 못하겠지만, 의미 있는 영향이 나타나기 전에 이러한 토대를 마련함으로써, 향후 연구 결과가 사후 분석보다 경제적 혼란을 더욱 신뢰할 수 있게 파악하는 데 도움이 되기를 기대합니다.
인공지능의 영향은 분명하게 드러날 가능성이 있습니다. 이 프레임워크는 그 영향이 불분명할 때 가장 유용하며, 일자리 감소가 가시화되기 전에 가장 취약한 직종을 파악하는 데 도움이 될 수 있습니다.
반사실적 상황
인과 관계를 추론하는 것은 영향이 크고 갑작스러울수록 더 쉽습니다. 코로나19 팬데믹과 그에 따른 정책 조치들은 경제적 혼란을 극심하게 야기했기 때문에 많은 질문에 대해 정교한 통계적 접근 방식이 불필요했습니다. 예를 들어, 팬데믹 초기 몇 주 동안 실업률이 급격히 상승하여 다른 설명의 여지가 거의 없었습니다.
하지만 AI의 영향은 코로나19보다는 인터넷이나 중국과의 무역과 더 유사할 수 있습니다. 실업률 데이터만으로는 그 영향을 즉시 파악하기 어려울 수 있으며, 무역 정책이나 경기 순환과 같은 요인들이 추세선 해석을 흐리게 할 수 있습니다.
일반적인 접근 방식 중 하나는 AI에 노출된 정도가 다른 근로자, 기업 또는 산업 간의 결과를 비교하여 AI의 영향을 교란 요인으로부터 분리하는 것입니다. 2 노출 정도는 일반적으로 업무 수준에서 정의됩니다. 예를 들어 AI는 숙제를 채점할 수는 있지만 교실을 관리할 수는 없으므로 교사는 업무 전체를 원격으로 수행할 수 있는 근로자보다 AI 노출 정도가 낮은 것으로 간주됩니다.
본 연구는 이러한 작업 기반 접근 방식을 따르며, 이론적인 AI 역량과 실제 사용에 대한 측정값을 통합한 후 직업별로 집계합니다. 3
노출 측정
저희 접근 방식은 세 가지 출처의 데이터를 결합합니다.
- O *NET 데이터베이스 는 미국 내 약 800개의 고유 직업과 관련된 작업을 열거합니다.
- ( 인간 중심 경제 지수 로 측정된 ) 우리 자신의 사용량 데이터입니다.
- Eloundou et al.(2023)의 작업 수준 노출 추정치는 LLM이 작업을 최소 두 배 더 빠르게 수행할 수 있는지 여부를 이론적으로 측정합니다.
Eloundou et al.의 측정 기준인 β는 간단한 척도로 작업 속도를 평가합니다. LLM만으로 작업 속도를 두 배로 높일 수 있으면 1, LLM 위에 구축된 추가 도구나 소프트웨어가 필요하면 0.5, 그렇지 않으면 0입니다. 4
실제 사용량이 이론적 능력에 미치지 못하는 이유는 무엇일까요? 이론적으로 가능한 작업이라도 모델의 한계 때문에 실제 사용에서는 나타나지 않을 수 있습니다. 또한 법적 제약, 특정 소프트웨어 요구 사항, 사람의 검증 절차 또는 기타 장애물로 인해 확산이 더딜 수도 있습니다. 예를 들어, Eloundou 외 연구진은 "약품 재처방 승인 및 약국에 처방 정보 제공"을 완전히 노출된 작업(β=1)으로 평가했습니다. 우리는 Claude가 이 작업을 수행하는 것을 관찰하지 못했지만, LLM을 통해 이론적으로 속도를 높일 수 있다는 점에서 이 평가는 타당해 보입니다.
즉, 이론적 가능성과 실제 사용량에 대한 이러한 측정치는 높은 상관관계를 보입니다. 그림 1에서 볼 수 있듯이, 지난 4년간의 경제지표 보고서에서 관찰된 작업의 97%는 Eloundou et al.이 이론적으로 실현 가능하다고 평가한 범주(β=0.5 또는 β=1.0)에 속합니다.
그림 1: Eloundou et al. 작업 노출 등급별 Claude 사용 비중.
이 그림은 이론적인 AI 노출도에 따라 그룹화된 O*NET 작업 전반에 걸친 Claude 사용 분포를 보여줍니다. β=1(LLM만으로 완전히 실행 가능)로 평가된 작업은 관찰된 Claude 사용량의 68%를 차지하는 반면, β=0(실행 불가능)으로 평가된 작업은 3%에 불과합니다. Claude 사용량 데이터는 이전 4개 경제 지수 보고서에서 가져왔습니다.
직업적 노출에 대한 새로운 측정 방법
저희가 새롭게 개발한 ' 관찰 노출' 지표 는 LLM(Learning Leadership Machine)이 이론적으로 속도를 높일 수 있는 작업 중 실제로 업무 현장에서 자동화된 방식으로 활용되는 작업이 얼마나 되는지 정량화하는 것을 목표로 합니다. 이론적 가능성은 훨씬 더 광범위한 작업을 포괄합니다. 관찰 노출은 이러한 격차가 어떻게 좁혀지는지를 추적함으로써 경제 변화가 나타나는 양상을 파악하는 데 도움을 줍니다.
저희 측정 방법은 AI 사용의 여러 측면을 정성적으로 포착하며, 이는 일자리 영향 예측에 도움이 된다고 생각합니다. 다음과 같은 경우 해당 직종의 AI 노출도가 더 높습니다.
- 이론적으로 인공지능을 이용하면 이러한 작업들을 수행하는 것이 가능합니다.
- 이 도구의 기능은 인류경제지수 5 에서 중요한 역할을 합니다.
- 그 임무는 업무 관련 맥락에서 수행됩니다.
- 자동화된 사용 패턴이나 API 구현의 비중이 상대적으로 더 높습니다.
- AI의 영향을 받는 업무가 전체 역할에서 더 큰 비중을 차지합니다 . 6
부록 에서 수학적 세부 사항을 설명합니다 . 이론적으로 LLM을 통해 처리 가능한 작업이라도 Claude 트래픽에서 충분한 업무 관련 사용량을 기록한 경우 해당 작업이 커버된 것으로 간주합니다. 그런 다음 작업 수행 방식을 고려하여 가중치를 부여합니다. 완전 자동화된 구현에는 만점을, 보조적인 사용에는 절반의 가중치를 부여합니다. 마지막으로, 작업 수준의 커버리지 측정값을 각 작업에 소요된 시간 비율로 가중치를 부여하여 평균화하고, 이를 작업 점유율 수준으로 변환합니다.
그림 2는 관찰된 노출량(빨간색)을 Eloundou et al.의 β 값(파란색)과 비교하여 보여줍니다. 이는 광범위한 직업 범주별로 분류된 플랫폼에서의 이론적 사용량과 실제 사용량 간의 차이를 나타냅니다. 이 값은 먼저 시간 비율 측정값을 기준으로 직업 수준 가중치를 적용하여 평균을 내고, 그 다음 총 고용률을 기준으로 직업 범주 가중치를 적용하여 평균을 내는 방식으로 계산했습니다. 예를 들어, β 값은 컴퓨터 및 수학(94%)과 사무 및 행정(90%) 직종의 대부분 작업에서 LLM 도입 가능성을 보여줍니다.
그림 2: 직업 범주별 이론적 역량 및 관찰된 노출.
LLM이 이론적으로 수행할 수 있는 직무 비중(파란색 영역)과 사용 데이터에서 도출한 자체 직무 범위 측정치(빨간색 영역).
인류경제지수(Anthropic Economic Index)에서 LLM(Learning Language Model) 사용 현황을 나타내는 붉은색 영역은 사람들이 전문적인 환경에서 클로드를 어떻게 활용하고 있는지를 보여줍니다. 이 수치는 AI가 이론적인 잠재력에 아직 한참 못 미친다는 것을 보여줍니다. 예를 들어, 클로드는 현재 컴퓨터 및 수학 범주의 모든 작업 중 33%만을 처리하고 있습니다.
기능이 발전하고 도입이 확산되며 배포가 심화됨에 따라 빨간색 영역은 파란색 영역을 덮을 정도로 커질 것입니다. 물론 아직 포함되지 않은 영역도 많습니다. 나무 가지치기나 농기계 조작과 같은 농업 작업부터 법정에서 의뢰인을 대리하는 것과 같은 법률 업무에 이르기까지 많은 작업이 여전히 인공지능의 영역을 벗어나 있습니다.
그림 3은 이 측정 기준에 따라 가장 많이 노출된 10개 직종을 보여줍니다. 클로드(Claude)가 코딩에 광범위하게 사용된다는 다른 데이터와 마찬가지로, 컴퓨터 프로그래머가 75%의 적용 범위로 가장 높은 순위를 차지했으며, 그 뒤를 이어 고객 서비스 담당자가 높은 비중을 보였습니다. 이들의 주요 업무는 자사 API 트래픽에서 점점 더 많이 나타나고 있습니다. 마지막으로, 원문 자료를 읽고 데이터를 입력하는 주요 업무가 자동화되는 데이터 입력 담당자가 67%의 적용 범위를 기록했습니다.
그림 3: 가장 노출이 심한 직업군. 당사의 작업 범위 측정 방법을 사용하여 가장 노출이 심한 상위 10개 직업군.
최하위인 30%의 근로자는 업무 빈도가 데이터에서 최소 기준치를 충족하지 못해 보험 적용 대상이 아닙니다. 이 그룹에는 요리사, 오토바이 정비공, 구명요원, 바텐더, 설거지 담당, 탈의실 관리원 등이 포함됩니다.
노출도가 예상되는 고용 증가 및 근로자 특성과 어떻게 연관되는지
미국 노동통계국(BLS)은 정기적으로 고용 전망치를 발표하는데, 가장 최근인 2025년 전망치는 2024년부터 2034년까지 모든 직종의 고용 변화를 예측 하고 있습니다 . 그림 4에서는 본 연구의 직종별 고용 예측 지표를 BLS의 예측치와 비교합니다.
현재 고용률을 가중치로 사용한 직업 수준 회귀 분석 결과, 노출도가 높은 직종일수록 성장 전망치가 다소 약해지는 것으로 나타났습니다. 노출도가 10%포인트 증가할 때마다 미국 노동통계국(BLS)의 성장 전망치는 0.6%포인트 감소합니다. 이는 우리의 측정치가 노동 시장 분석가들이 독립적으로 도출한 추정치와 어느 정도 유사하다는 점에서 타당성을 입증합니다. 다만, 그 상관관계는 미미합니다. 흥미롭게도, Eloundou 등의 측정치만을 사용했을 때는 이러한 상관관계가 나타나지 않았습니다.
그림 4: BLS가 예측한 2024~2034년 고용 증가율과 실제 노출량 간의
관계를 나타낸 산점도. 25개의 동일한 크기의 구간으로 나누었다. 각 실선 점은 해당 구간의 평균 실제 노출량과 예측 고용 변화를 나타낸다. 점선은 현재 고용 수준으로 가중치를 부여한 단순 선형 회귀선이다. 작은 마름모는 설명을 위해 개별 직업군을 표시한 것이다.
그림 5는 2022년 8월부터 10월까지 ChatGPT가 발표되기 전 3개월 동안 노출 정도가 상위 25%에 해당하는 근로자와 노출 정도가 0%인 30% 근로자의 특성을 현재 인구 조사(Current Population Survey) 데이터를 이용하여 보여줍니다.7 두 그룹은 매우 다릅니다. 노출 정도가 높은 그룹은 여성일 확률이 16%포인트, 백인일 확률이 11%포인트, 아시아인일 확률이 거의 두 배 더 높습니다. 평균 소득은 47% 더 높고 교육 수준도 더 높습니다. 예를 들어, 대학원 학위 소지자는 노출 정도가 낮은 그룹에서는 4.5%에 불과하지만, 노출 정도가 가장 높은 그룹에서는 17.4%로 거의 네 배에 달합니다.
그림 5: 고노출 근로자와 저노출 근로자 간의 차이, 현재 인구 조사
결과 우선시
이러한 노출 측정 지표를 확보한 후, 이제 무엇을 찾아야 할지가 관건입니다. 연구자들은 다양한 접근 방식을 취해 왔습니다. 예를 들어, Gimbel et al.(2025)은 현재 인구 조사(Current Population Survey)를 사용하여 직업 구성의 변화를 추적했습니다. 그들은 AI로 인한 중요한 경제 구조 변화는 직업 분포의 변화로 나타날 것이라고 주장합니다.¹ (그들은 지금까지 눈에 띄는 변화가 없었다는 것을 발견했습니다.) Brynjolfsson et al.(2025)은 급여 처리 회사인 ADP의 데이터를 사용하여 연령대별 고용 수준을 분석했고, Acemoglu et al.(2022)과 Hampole et al.(2025)은 각각 Burning Glass(현재 Lightcast)와 Revelio의 구인 공고 데이터를 사용했습니다.
우리는 실업을 우선적인 결과 지표로 삼는데, 이는 경제적 피해 가능성을 가장 직접적으로 보여주는 지표이기 때문입니다. 실업 상태의 노동자는 일자리를 원하지만 아직 찾지 못한 상태입니다. 이 경우, 구인 공고 수와 고용률이 반드시 정책 대응의 필요성을 나타내는 것은 아닙니다. 인공지능으로 인해 위험에 크게 노출된 직종의 구인 공고가 감소하더라도 관련 직종의 구인 공고가 증가할 수 있습니다. 인공지능으로 인한 노동 시장의 가장 심각한 변화는 일자리를 잃은 노동자들이 대안을 찾는 과정에서 실업률이 증가하는 기간을 포함할 가능성이 높습니다. 인구조사(Current Population Survey)는 실업자들이 이전 직업과 산업 분야를 보고하기 때문에 이러한 현상을 추적하는 데 매우 적합합니다.
초기 결과
다음으로 우리는 직업별 측정치를 현재 인구 조사 응답자와 비교하여 실업률 추세를 연구합니다.
본 연구의 적용 범위 측정치를 해석하는 데 있어 핵심적인 질문은 어떤 근로자를 대상으로 AI를 적용해야 하는가입니다. 단 10%의 작업 적용 범위만으로도 고용 변화를 기대할 수 있을까요? Gans와 Goldfarb(2025)는 O-링 모델이 직무를 가장 잘 설명한다면 모든 작업에 일정 수준의 AI가 적용될 때에만 고용 효과가 나타날 수 있다고 지적합니다. Hampole 외(2025)는 평균적인 노출은 노동 수요를 감소시키지만, 특정 작업에만 노출이 집중되면 이러한 감소 효과를 상쇄할 수 있다고 주장합니다. 또한 Autor와 Thompson(2025)은 나머지 작업에 필요한 전문성 수준을 강조합니다.
단순성을 추구하고, 가장 큰 영향에 주목하여, 평균 노출도가 가장 높은 집단에서 영향이 가장 크게 나타날 것이라는 가정 하에 분석을 진행했습니다. 시간 가중 작업 범위 상위 25%에 속하는 근로자와 하위 25%에 속하는 근로자를 비교했습니다. AI 기술이 빠르게 발전한다면, 작업 범위가 낮은 백분위수에서도 높은 작업 범위를 보일 수 있으며, 이 경우 절대적인 임계값이 더 유용할 수 있습니다. 그러나 본 연구에서는 영향이 가장 많이 노출된 근로자에게 먼저 나타날 것이라는 가정을 바탕으로, 치료 대상을 정의하는 데 사용하는 기준값을 다양하게 설정하여 결과를 제시합니다.
그림 6의 위쪽 패널은 2016년 이후 AI 노출 상위 25% 그룹과 노출되지 않은 그룹의 실업률 추이를 보여줍니다. 코로나19 팬데믹 기간 동안 AI 노출이 적은 그룹(대면 근무직일 가능성이 더 높음)의 실업률이 훨씬 더 크게 증가했습니다. 이후 두 그룹 간의 추세는 대체로 유사해졌습니다. 아래쪽 패널은 차분 분석(difference-in-differences)을 통해 노출 정도가 가장 높은 그룹과 가장 낮은 그룹 간의 격차를 측정하며, 이는 원자료 분석 결과와 일치합니다. ChatGPT 출시 이후 격차의 평균 변화는 작고 통계적으로 유의미하지 않아, 노출 정도가 높은 그룹의 실업률이 약간 증가했지만 그 영향은 미미한 수준임을 시사합니다. 8
그림 6: 관찰된 AI 노출 정도 상위 25%에 속하는 근로자와 AI에 전혀 노출되지 않은 근로자의 실업률 추세 (현재 인구 조사).
상단 패널은 노출 정도 상위 25%에 속하는 근로자(빨간색 선)와 AI에 전혀 노출되지 않은 30% 근로자의 실업률을 보여줍니다. 하단 패널은 차분 분석(difference-in-differences)을 통해 이 두 시계열 간의 차이를 측정합니다.
이 프레임워크는 어떤 시나리오를 식별할 수 있을까요? 통합 추정치의 신뢰 구간을 기준으로 볼 때, 실업률이 약 1%포인트 정도 증가하는 경우를 감지할 수 있습니다(새로운 데이터가 들어오면 변동될 수 있으므로 이는 대략적인 추정치일 뿐입니다). 만약 상위 10%에 속하는 모든 근로자가 해고된다면, 상위 25% 그룹의 실업률은 3%에서 43%로 증가하고, 전체 실업률은 4%에서 13%로 증가할 것입니다.
규모는 작지만 여전히 우려스러운 영향으로는 "화이트칼라 노동자를 위한 대침체"와 같은 시나리오를 들 수 있습니다. 2007년부터 2009년까지의 대침체 기간 동안 미국의 실업률은 5%에서 10%로 두 배로 증가했습니다. 노출도가 가장 높은 상위 25% 계층의 실업률이 이와 같이 두 배로 증가한다면, 전체 실업률은 3%에서 6%로 상승할 것입니다. 이러한 변화는 분석 결과에도 반영될 것입니다. 핵심 추정치는 노출도가 높은 집단과 낮은 집단의 실업률 변화 차이를 기반으로 한다는 점에 유의해야 합니다 . 만약 모든 노동자의 실업률이 동시에 증가한다면, 우리는 이를 AI 기술 발전 탓으로 돌리지 않을 것입니다. AI는 여전히 많은 업무에 영향을 미치지 않기 때문입니다.
특히 우려되는 집단은 젊은 근로자들입니다. Brynjolfsson 외 연구진은 22~25세 근로자 중 위험에 노출된 직종의 고용률이 6~16% 감소했다고 보고했습니다. 그들은 이러한 감소의 주요 원인을 퇴직 증가보다는 채용 속도 둔화로 보고 있습니다 .⁹
노출도가 높은 직종에 종사하는 청년 근로자의 실업률은 정체 상태임을 확인했습니다( 부록 참조 ). 그러나 고용 둔화가 반드시 실업률 증가로 이어지는 것은 아닙니다. 많은 청년 근로자가 CPS 데이터에 직업이 명시되지 않은 채 노동 시장에 진입하고, 실업자로 나타나기보다는 노동 시장에서 이탈할 수 있기 때문입니다. 고용 상황을 직접적으로 분석하기 위해 CPS 패널 데이터를 활용하여, 시간이 지남에 따라 노출도가 높은 직종과 낮은 직종에서 새로운 직업을 시작하는 청년(22~25세) 근로자의 비율을 계산했습니다. 그림 7은 청년 근로자의 월별 구직률(즉, 근로자가 전월에 없었던 직업을 신고하는 비율)을 노출도가 높은 직종과 낮은 직종으로 나누어 보여줍니다.
그림 7: 인공지능 노출이 높은 직종과 노출이 없는 직종에 종사하는 22~25세 근로자의 신규 취업 현황(현재 인구 조사).
상단 패널은 노출이 높은 직종과 노출이 없는 직종에서 신규 취업한 청년 근로자의 비율을 보여줍니다. 하단 패널은 차분 분석(difference-in-differences)을 통해 이 두 시리즈 간의 차이를 측정합니다.
2020년에서 2021년 사이의 큰 변동을 제외하면, 이 두 시리즈는 2024년에 시각적으로 확연히 구분되는 양상을 보이며, 젊은 근로자들이 위험에 노출된 직종에 취업할 가능성이 상대적으로 낮아집니다. 위험도가 낮은 직종의 구직률은 월 2% 수준으로 안정적으로 유지되는 반면, 위험도가 가장 높은 직종으로의 취업률은 약 0.5%포인트 감소합니다. ChatGPT 시행 이후 위험 직종의 평균 구직률은 2022년 대비 14% 하락한 것으로 추정되지만, 이는 통계적으로 유의미한 수준에는 미치지 못합니다. (25세 이상 근로자의 경우 이러한 감소는 나타나지 않습니다.)
이는 AI가 고용에 미치는 초기 영향에 대한 단서를 제공할 수 있으며, Brynjolfsson 등의 연구 결과와도 일맥상통합니다. 하지만 몇 가지 다른 해석도 가능합니다. 채용되지 않은 젊은 근로자들은 기존 직장에 남아 있거나, 다른 직종으로 이직하거나, 학업으로 복귀할 수도 있습니다. 또한, 데이터와 관련된 또 다른 주의 사항은 설문조사에서 직업 전환이 잘못 측정될 가능성이 더 높다는 점입니다. 10
논의
본 보고서는 인공지능(AI)이 노동 시장에 미치는 영향을 이해하기 위한 새로운 측정 방법을 제시하고 실업률 및 고용에 미치는 영향을 분석합니다. AI에 노출되는 직종은 업무 수행에 필요한 기술이 이론적으로 실현 가능하고, 당사 플랫폼에서 자동화된 업무 관련 사용 사례를 통해 AI가 활용되는 정도에 따라 달라집니다. 분석 결과, 컴퓨터 프로그래머, 고객 서비스 담당자, 금융 분석가 등이 AI에 가장 많이 노출된 직종으로 나타났습니다. 미국 설문조사 데이터를 활용한 분석에서는 AI 노출도가 가장 높은 직종 종사자의 실업률에는 영향이 없는 것으로 나타났지만, 22~25세 연령층에서는 해당 직종의 고용이 다소 둔화되었을 가능성이 제기되었습니다.
본 연구는 인공지능이 노동 시장에 미치는 영향을 체계적으로 정리하는 첫걸음입니다. 특히 이 보고서에서 사용된 분석 방법, 특히 적용 범위 및 가상 시나리오 분석은 향후 고용 및 인공지능 활용에 대한 새로운 데이터가 나올 때 쉽게 업데이트할 수 있을 것으로 기대합니다. 이러한 체계적인 접근 방식은 미래의 연구자들이 의미 있는 정보와 잡음을 구분하는 데 도움이 될 것입니다.
본 연구에는 몇 가지 개선점이 있습니다. 향후 업데이트에는 저희의 사용 데이터가 반영되어 경제 전반의 과업 및 직업 분포에 대한 지속적인 분석을 제공할 것입니다. 또한, Eloundou et al.의 지표를 2023년 초 기준 LLM 역량과 연계하여 업데이트할 수 있을 것입니다. 그리고 젊은 근로자와 노동 시장 진입자에 대한 시사점들을 고려할 때, 관련 분야의 교육 자격을 갖춘 최근 졸업생들이 노동 시장에서 어떻게 활동하는지 살펴보는 것이 중요한 다음 단계가 될 수 있습니다.
충수
여기에서 구매하실 수 있습니다 .
감사의 말씀
막심 마센코프와 피터 맥크로리가 집필했습니다.
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 Clark 님께 감사를 표합니다.
또한 이 보고서의 초기 버전에 대한 피드백을 제공해 주신 마사 김벨, 앤더스 훔룸, 에반 로즈, 네이선 윌머스에게 감사를 표합니다.
소환
@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}, }
복사
참고 자료
Acemoglu, Daron 및 Pascual Restrepo, "로봇과 일자리: 미국 노동 시장의 증거", 정치경제학 저널 , 2020, 128(6), 2188–2244.
Acemoglu, Daron, David Autor, Jonathon Hazell 및 Pascual Restrepo, "인공지능과 일자리: 온라인 공고의 증거", 노동경제학 저널 , 2022, 40(S1), S293–S340.
Appel, Ruth, Maxim Massenkoff, Peter McCrory, Miles McCain, Ryan Heller, Tyler Neylon, Alex Tamkin, "인류학적 경제 지수 보고서: 경제적 원시 요소", 2026.
Autor, David H, David Dorn 및 Gordon H Hanson, "중국 증후군: 미국 내 수입 경쟁의 지역 노동 시장 효과", American Economic Review , 2013, 103(6), 2121–2168.
Autor, David H, & Thompson, N. (2025). 전문성. NBER Working Paper, (w33941).
Blinder, Alan S 외, "미국 일자리 중 얼마나 많은 일자리가 해외로 이전될 수 있을까?" , 세계경제 , 2009, 10(2), 41.
Borusyak, Kirill, Peter Hull 및 Xavier Jaravel, "준실험적 시프트-쉐어 연구 설계", The Review of Economic Studies , 2022, 89(1), 181–213.
Brynjolfsson, Erik, Bharat Chandar, and Ruyu Chen, "탄광 속 카나리아? 인공지능이 최근 고용에 미치는 영향에 대한 6가지 사실", Digital Economy , 2025.
에크하르트, 사라, 네이선 골드슐라그, "AI와 일자리: 최종 결론 (다음 결론이 나올 때까지)", 경제혁신그룹(EIG), 2025년 8월. 다음 웹사이트에서 확인 가능: https://eig.org/ai-and-jobs-the-final-word/
Eloundou, Tyna, Sam Manning, Pamela Mishkin 및 Daniel Rock, "Gpts는 gpts입니다: 대규모 언어 모델의 노동 시장 영향 가능성에 대한 초기 검토" arXiv 사전 인쇄 arXiv:2303.10130, 2023, 10.
Fujita, S., Moscarini, G., & Postel-Vinay, F. (2024). 고용주 간 재분배 측정. American Economic Journal: Macroeconomics , 16(3), 1-51.
Gans, Joshua S. 및 Goldfarb, Avi, "O-링 자동화", NBER 워킹 페이퍼 No. 34639, 2025년 12월. SSRN에서 이용 가능: https://ssrn.com/abstract=5962594
Gimbel, Martha, Molly Kinder, Joshua Kendall, and Maddie Lee, "인공지능이 노동 시장에 미치는 영향 평가: 현황", 연구 보고서, 예일대학교 예산 연구소, 뉴헤이븐, 코네티컷, 2025년 10월. 다음 웹사이트에서 이용 가능: https://budgetlab.yale.edu .
Graetz, Georg 및 Guy Michaels, "작업 중인 로봇", 경제 및 통계 리뷰 , 2018, 100(5), 753–768.
Hampole, Menaka, Dimitris Papanikolaou, Lawrence DW Schmidt, and Bryan Seegmiller, "인공지능과 노동 시장", 기술 보고서, 미국 경제연구소(NBER) 2025.
Handa, Kunal, Alex Tamkin, Miles McCain, Saffron Huang, Esin Durmus, Sarah Heck, Jared Mueller, Jerry Hong, Stuart Ritchie, Tim Belonax, Kevin K. Troy, Dario Amodei, Jared Kaplan, Jack Clark, and Deep Ganguli, "AI로 수행되는 경제적 작업은 무엇인가? 수백만 건의 Claude 대화에서 얻은 증거", 2025.
Hui, Xiang, Oren Reshef 및 Luofeng Zhou, "생성형 인공지능이 고용에 미치는 단기적 영향: 온라인 노동 시장의 증거", 조직과학 , 2024, 35(6), 1977–1989.
Johnston, Andrew 및 Christos Makridis, "생성형 AI의 노동 시장 효과: AI 노출에 대한 차분 분석", SSRN 5375017에서 이용 가능, 2025.
매센코프, 막심, "일자리 감소는 얼마나 예측 가능한가? 직업 전망 보고서의 증거", 2025. 연구 논문.
오지멕, 아담, "해상 공포에 대한 과도한 반응", 2019. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3777307
Tamkin, Alex 및 Peter McCrory, "Claude와의 대화를 통한 AI 생산성 향상 추정", 2025.
Tomlinson, K., Jaffe, S., Wang, W., Counts, S., & Suri, S. (2025). AI와 함께 작업하기: 직업에 대한 생성 AI의 적용 가능성 측정. arXiv 사전 인쇄 arXiv:2507.07935.
각주
일자리 해외 이전 가능성: Blinder et al.(2009) 및 Ozimek(2019); 정부 성장 예측: Massenkoff(2025); 로봇: Graetz 및 Michaels(2018) 및 Acemoglu 및 Restrepo(2020); 중국 충격: Autor et al.(2013) 및 Borusyak et al.(2022).
Brynjolfsson et al.(2025)은 Eloundou et al.(2023)의 작업 노출 측정치와 ADP의 급여 데이터를 사용하여 AI 노출도가 높은 직종과 낮은 직종 종사자의 고용 추세를 비교했습니다. Johnston and Makridis(2025)는 미국 행정 데이터를 사용하여 유사한 작업 기반 분석을 수행했지만, 산업 수준으로 집계했습니다. Hui et al.(2024)은 Upwork의 프리랜서 일자리가 ChatGPT 및 고급 이미지 생성 도구 출시에 어떻게 반응했는지 연구하고, 각 도구 출시 전후에 직접적인 영향을 받은 범주의 근로자와 영향을 받지 않은 범주의 근로자를 비교했습니다. Hampole et al.(2025)은 과거 대학 채용 네트워크를 사용하여 기업 수준의 AI 도입을 측정했습니다. 즉, 과거에 AI 관련 직무에 진출한 졸업생을 배출한 대학 출신 기업은 AI 도입 비용이 더 낮았습니다.
우리의 작업 및 직업 수준 노출 측정 방법은 다른 사용량 데이터와 쉽게 통합될 수 있으며, 다양한 국가로 확장 적용될 수 있습니다. 우리는 향후 이 방법론을 새로운 환경에 적용할 계획입니다.
그들의 틀에서 "직접 노출된" 작업은 LLM(입력량 제한 2,000단어, 최신 정보 접근 불가)을 사용하여 절반의 시간으로 완료할 수 있는 작업이었다. "도구를 통해 노출된" 작업은 정보 검색 및 이미지 처리와 같은 소프트웨어에 접근할 수 있는 LLM을 사용했을 때 동일한 속도 향상을 보이는 작업이었다. 노출되지 않은 작업은 LLM을 사용해도 소요 시간을 50% 이상 단축할 수 없었다.
본 연구에서는 2025년 8월과 11월의 사용량을 포함하는 이전 두 개의 인류경제지수(Anthropic Economic Index) 데이터셋을 사용합니다. 의미적으로 매우 유사한 ONET 작업의 경우, 해당 데이터셋에 걸쳐 사용량을 분산합니다.
모든 단계에서 판단이 필요합니다. Eloundou et al.(2023)의 측정값을 {0, 0.5, 1}로 입력해야 할까요, 아니면 다른 값으로 입력해야 할까요? "중요한" 사용을 결정하는 기준은 무엇일까요? 사용 빈도가 높은 작업과 매우 유사하지만 경제 지수 표본 추출 과정에서 구체적으로 포착되지 않은 작업은 어떻게 처리해야 할까요? 자동화 워크플로는 증강 워크플로에 비해 얼마나 더 중요하게 고려해야 할까요? 부록에서 자세히 살펴보겠지만, 이러한 질문에 대한 다양한 해법에 걸쳐 직무 노출도의 스피어만(순위-순위) 상관계수가 매우 높다는 점은 고무적인 결과입니다.
CPS에서 O*NET-SOC 코드를 occ1990 코드와 일치시키기 위해 Eckhart와 Goldschlag(2025) 가 제공한 교차표를 사용합니다 .
부록 에서는 세 가지 방식으로 이를 더 자세히 살펴봅니다 . 첫째, 치료 대상을 정의하는 데 사용하는 백분위수 기준점을 중앙값부터 95번째 백분위수까지 다양하게 설정하여 그 영향이 중요한지 분석합니다. 모든 경우에서 영향은 미미하거나 부정적입니다(즉, 노출된 집단의 실업률이 감소합니다). 둘째, Brynjolfsson et al.(2025)의 연구와 같이 22세에서 25세 사이의 청년 근로자에 초점을 맞춥니다. 마지막으로, CPS 설문조사 응답 데이터 대신 노동부의 실업 보험 청구자 데이터를 사용하여 실업률을 측정합니다. 그러나 어떤 확장 분석에서도 노출된 직종에 대한 명확한 영향은 발견되지 않았습니다.
이 범위가 넓은 이유는 저자들이 여러 가상 시나리오를 기준으로 추정치를 제시했기 때문입니다. 6%포인트 하락은 고용 증가율이 제로인 가상 시나리오와 비교한 것이고, 16%포인트 하락 추정치는 같은 기업 내에서 직종이 다른 유사한 근로자들을 비교한 결과입니다.
Fujita 등(2024)을 참조하십시오.
수정 사항
2026년 3월 8일 업데이트: 상위 25% 그룹과 노출이 없는 그룹의 유입률 레이블이 잘못 바뀐 그림 7을 수정했습니다.