Follow the money: a startup-based measure of AI exposure across occupations, industries and regions

기술 요약: 돈의 흐름을 따르다: 직업, 산업 및 지역 전반에 걸친 스타트업 기반의 AI 노출도 측정

문제 제식 (Problem Statement)
직장 내 인공지능(AI)의 급격한 통합은 노동 시장에 미치는 실질적인 영향을 평가하기 위한 강력한 지표를 필요로 합니다. Felten 등(2019, 2021)이 제안한 AI 직업 노출도(AIOE) 지수와 같은 기존의 AI 직업 노출 측정 방식은 주로 기술적 타당성에 기반한 인간 노동의 대체 또는 보완 가능성에 대한 이론적 잠재력에 크게 의존합니다. 이러한 접근 방식은 전문가의 판단, 크라우드 소싱된 평가, 또는 특허 분석을 활용하여 AI 역량을 직업적 과업에 매핑합니다. 그러나 이러한 지표들은 상당한 한계를 가집니다. 즉, 주관적이거나 재현이 불가능하거나, 특허 출원 지연으로 인해 최신 발전 속도를 따라가지 못하는 경우가 많습니다. 결정적으로, 이들은 실제 채택(adoption)이 아닌 '잠재적' 노출을 측정하며, 경제적 생존 가능성, 사회적 바람직성, 그리고 AI 개발자들의 구체적인 시장 선택을 반영하지 못합니다. 결과적으로, 현재의 AI 혁신이 실제로 어떤 직업을 목표로 하고 있는지에 대한 통찰이 부족하여, 정책 입안자들에게 이 지수들의 유용성을 제한하고 있습니다.

방법론 (Methodology)
이러한 격차를 해소하기 위해, 저자들은 이론적 능력보다는 실제 투자 활동에 근거한 새로운 지표인 AI 스타트업 노출도(AISE) 지수를 도입합니다. 방법론은 다음과 같이 진행됩니다:

1. 데이터 소스:

   • 직업 기술서: 본 연구는 O*NET 데이터베이스, 특히 1,016개의 표준 직업 분류(SOC) 직무에 대한 필수 과업의 핵심 요약 설명을 활용합니다. 전체 과업 목록 대신 요약본을 선택한 이유는 노이즈를 줄이고 직업의 핵심적인 특성에 집중하기 위함입니다.
   • AI 혁신 데이터: 저자들은 미국의 선도적인 벤처 캐피털이자 액셀러레이터인 **Y Combinator (YC)**가 자금을 지원한 스타트업의 설명을 스크래핑했습니다. 특정 AI 관련 태그(예: "생성형 AI", "머신 러닝", "컴퓨터 비전")가 있는 스타트업을 필터링하여, 2005년부터 2024년 3월 사이에 자금을 지원받은 958개의 AI 스타트업 데이터셋을 구축했습니다.
   • 지리적 및 산업적 데이터: 직업별 고용 점유율은 미국 노동통계국(BLS)의 분기별 고용 및 임금 조사(QCEW)에서 추출하여 대도시 통계 구역(MSA) 및 NAICS 산업별 가중 평균을 계산하는 데 사용되었습니다.

2. LLM 기반 분석:

   • 저자들은 스타트업의 제품 설명과 직업적 과업 요약 간의 유사성을 평가하기 위해 Meta의 Llama 3(오픈 웨이트 방식의 최첨단 대규모 언어 모델)를 활용합니다.
   • 프롬프팅 전략: 각 (스타트업, 직업) 쌍에 대해, LLM은 스타트업의 제품이나 서비스가 O*NET 요약에 기술된 하나 이상의 필수 과업을 수행하는 데 있어 인간을 직접적으로 대체할 수 있는지 여부를 판단하도록 프롬프트가 작성됩니다. 모델은 제공된 텍스트에 엄격히 기반하여 "예" 또는 "아니오"로만 답변하도록 지시받습니다.
   • 점수 산정: 특정 직업의 직업적 AISE는 LLM이 해당 직업의 필수 과업을 대체할 수 있다고 식별한 YC 지원 AI 스타트업의 정규화된 수로 계산됩니다.

3. 검증 및 비교:

   • AISE 지수는 표준 AIOE 지수(Felten et al., 2021)와 비교됩니다. AIOE가 52개의 O*NET 능력을 AI 응용 분야와 연결하는 크라우드 소싱 설문에 기반한 능력 중심의 척도라면, AISE는 실제 스타트업의 제품(offering)에서 파생된 과업 중심의 척도입니다.
   • 로보틱스 스타트업 노출도(RSE): AI와 물리적 자동화의 교차점을 분석하기 위해 103개의 로보틱스 중심 스타트업에 대해 병렬적인 방법론을 적용하여 RSE 지수를 생성합니다.

4. 지리적 및 산업적 집계:

   • 지리적 노출도는 MSA 전반의 직업적 AISE에 대한 고용 가중 평균으로 계산됩니다.
   • 산업적 노출도는 19개의 2자리 NAICS 섹션에 대한 고용 가중 평균으로 계산됩니다.

주요 결과 (Key Results)

• 직업 노출 패턴:

  • 높은 노출: AISE 점수가 가장 높은 직업은 일상적인 조직 및 정보 처리 과업을 포함하는 직업들입니다. 대표적인 예로는 일반 사무원, 데이터 과학자, 컴퓨터 및 정보 시스템 관리자, 시장 조사 분석가 등이 있습니다. 이 역할들은 LLM, 멀티 에이전트 시스템, 자동화 도구를 개발하는 스타트업들의 주요 타겟이 되고 있습니다.
  • 낮은 노출: AISE 점수가 낮은 직업으로는 운동선수, 판사, 소아 외과 의사 등이 있습니다. 이들은 AIOE(인지적 복잡성으로 인해)에 따르면 높은 이론적 노출도를 보임에도 불구하고, 실제 스타트업의 타겟이 되지 않았습니다. 저자들은 이를 윤리적 제약, 고위험 의사결정, 그리고 인간의 책임 필요성 등 단순한 기술적 타당성을 넘어선 도입 장벽 때문이라고 분석합니다.
  • AIOE와의 괴리: AISE와 AIOE 사이의 이질성은 중요한 발견입니다. AIOE는 고학력/고숙련 직업이 일률적으로 위험하다고 시사하는 반면, AISE는 판사나 의사와 같은 많은 고숙련 역할이 실제 노출도는 낮다는 것을 보여줍니다. 이러한 "역 스킬 편향(reverse skill-bias)"은 고급 기술의 필요성과 오류 발생 시의 높은 비용이, 기술적으로 자동화 가능하더라도 현재의 AI 투자를 저해하고 있음을 시사합니다.

• 지리적 분포:

  • AI 노출도는 산호세, 샌프란시스코, 시애틀, 오스틴, 볼더와 같이 디지털 경제가 확장되는 지식 집약적 대도시 지역에 고도로 집중되어 있습니다.
  • 반면, 미드웨스트(중서부) 지역은 제조 및 농업에 대한 의존도가 높아 AI 통합이 더딘 섹터들과 상관관계를 보이며 가장 낮은 노출도를 나타냈습니다.

• 산업적 분포:

  • 높은 수준의 정보 처리와 교육을 요구하는 서비스 지향적 산업이 가장 큰 노출을 보입니다.
  • 교육 서비스 및 헬스케어와 같은 섹터는 교육 집약적임에도 불구하고, 핵심 과업의 고위험 특성으로 인해 상대적으로 낮은 노출도를 보입니다.
  • 건설 및 농업과 같은 전통적인 섹터는 AI 스타트업의 타겟이 되는 경우가 적습니다.

• AI와 로보틱스의 융합:

  • 예비 RSE 분석에 따르면, 낮은 AISE(육체 노동)를 가진 많은 직업이 높은 RSE를 보이는 동시에, 높은 AISE를 가진 많은 직업 또한 높은 RSE를 보입니다. 이는 AI와 로보틱스의 결합된 작용이 화이트칼라와 블루칼라 직업 모두에 걸쳐 더욱 광범위한 파괴를 초래할 수 있음을 시사합니다.

의의 및 주장 (Significance and Claims)
본 논문은 AISE 지수가 기존의 이론적 지표에 비해 노동 시장에 미치는 AI의 영향을 더 현실적이고, 미래 지향적이며, 경제적으로 근거 있는 평가를 제공한다고 주장합니다. 벤처 캐피털이 지원하는 혁신에 초점을 맞춤으로써, 이 지수는 AI 플레이어들의 "사회적 바람직성"과 "시장 지향적 선택"을 포착하며, 이는 실제 채택의 결정적 요인이 됩니다.

주요 기여는 다음과 같습니다:

1. "고숙련 재앙"에 대한 도전: 연구 결과는 고숙련 전문가들의 광범위하고 즉각적인 대체에 대한 공포가 과장되었을 수 있음을 시사합니다. 대신, AI 채택은 경제적으로 실행 가능한 일상적 과업을 우선시하며, 전문가 중심의 고위험 역할은 단기적으로 상대적으로 보호받는 점진적인 형태로 나타납니다.
2. 정책적 유용성: AISE는 정책 입안자들이 진화하는 AI 채택 환경을 모니터링할 수 있는 역동적이고 재현 가능한 도구를 제공합니다. 오픈 웨이트 LLM과 공개된 스타트업 데이터를 활용하기 때문에, 새로운 펀딩 라운드가 발생함에 따라 거의 실시간으로 업데이트될 수 있습니다.
3. 방법론적 혁신: 본 연구는 LLM을 통해 직업 기술과 스타트업 데이터를 결합함으로써, 이론적 잠재력과 실제 시장의 관심 사이를 구분해내는 방법을 보여줍니다.

저자들은 순수한 노동 시장 효과(대체 vs 보완)에 대해서는 신중한 태도를 유지하며, AISE가 확정적인 일자리 상실이 아닌 혁신에 대한 노출도를 측정한다는 점을 명시합니다. 또한 Y Combinator의 펀딩 선호도에 따른 편향 가능성과 기업 및 지역 간의 직업적 동질성 가정 등의 한계를 인정하며, 향-후 연구에서 데이터 소스를 확장하고 기업 수준의 역학을 포함할 것을 제안합니다.