Agentic AI and Occupational Displacement: A Multi-Regional Task Exposure Analysis of Emerging Labor Market Disruption

1. 연구 배경 및 문제 정의 (Problem)

• 기존 프레임워크의 한계: 기존 자동화 연구 (Autor-Levy-Murnane, Acemoglu-Restrepo 등) 는 주로 개별 '작업 (Task)' 단위의 자동화를 가정했습니다. 즉, AI 가 특정 하위 작업을 대체하더라도 직업의 나머지 부분 (조정, 감독 등) 은 인간이 수행한다는 전제를 두었습니다.
• Agentic AI 의 등장: 최근 등장한 '에이전트 AI (Agentic AI)'는 개별 작업을 넘어 종단간 (End-to-End) 워크플로우를 자율적으로 수행합니다. 목표 설정, 도구 호출, 다단계 추론, 자기 교정, 최종 결과물 산출까지 인간 개입 없이 수행합니다.
• 핵심 문제: 기존 작업 기반 노출 분석은 에이전트 AI 가 직업 전체의 워크플로우를 대체할 수 있는 능력을 과소평가하고 있습니다. 따라서 에이전트 AI 로 인한 직업 대체 위험을 정확히 측정할 수 있는 새로운 프레임워크가 필요합니다.

2. 방법론 (Methodology)

2.1 Agentic Task Exposure (ATE) 점수 도입

저자는 Acemoglu-Restrepo 의 작업 노출 프레임워크를 확장하여 Agentic Task Exposure (ATE) 점수를 제안했습니다. 이는 특정 직업이 에이전트 AI 에 의해 종단간 대체될 위험도를 수치화한 지표입니다.

• 계산 공식:
  $$ATE_o(r, \tau) = \sum_{t \in T_o} w_{o,t} \cdot CAP(t) \cdot COV(t, o) \cdot V(r, \tau)$$
  • $w_{o,t}$: O*NET 데이터 기반의 작업 중요도 가중치.
  • $CAP(t)$: 해당 작업을 수행할 수 있는 현재 AI 의 능력 점수 (벤치마크 및 실무 보고서 기반).
  • $COV(t, o)$: 워크플로우 커버리지 팩터 (핵심 혁신). 에이전트 AI 가 해당 직업의 표준 워크플로우 컨텍스트 내에서 인간 없이 작업을 완료할 수 있는 정도를 측정합니다. (기존 연구는 이를 1 로 간주했으나, 본 연구는 인간 조정, 예외 처리, 물리적 존재 필요성 등에 따라 페널티를 적용하여 점수를 낮춥니다.)
  • $V(r, \tau)$: 지역별 및 시간별 도입 속도 (S-커브 로지스틱 함수 적용).

2.2 데이터 및 지역 설정

• 데이터: O*NET 30.2 의 236 개 표준 직업 분류 (SOC) 코드 (금융, 법률, 의료, 영업, 행정 등 6 개 주요 그룹) 와 BLS 고용 데이터 사용.
• 연구 지역: 미국 내 AI 도입 속도가 다른 5 개 주요 기술 허브를 3 단계로 분류.
  • Tier 1: 샌프란시스코 베이 에어리어 (가장 빠른 도입).
  • Tier 2: 시애틀, 오스틴, 보스턴.
  • Tier 3: 뉴욕.
• 시간 범위: 2025 년 ~ 2030 년.
• 원격 근무 보정: 거주지 기반이 아닌 고용주 기반의 도입 속도를 반영하기 위해 원격 근무 가능성 지수 ($R_o$) 를 도입하여 유효 도입 속도를 조정했습니다.

3. 주요 기여 (Key Contributions)

1. 새로운 지표 개발: 개별 작업이 아닌 '종단간 워크플로우' 대체 가능성을 측정하는 ATE 점수를 최초로 제안하고, 워크플로우 커버리지 ($COV$) 요소를 이론화했습니다.
2. 실증적 적용: 236 개 직종과 5 개 미국 주요 지역에 대해 2025~2030 년까지의 대체 위험을 시뮬레이션했습니다.
3. 재고용 (Reinstatement) 효과 식별: AI 도입으로 사라지는 직업과 동시에 생성될 17 개의 새로운 직군 (AI 운영, 인간-AI 협업 설계, 도메인 특화 AI 지휘, AI 거버넌스 등) 을 규명했습니다.
4. 지역적/시간적 편차 분석: 기술 허브와 비기술 허브 간의 도입 속도 차이 (2~3 년의 시차) 가 노동 시장 충격에 미치는 영향을 정량화했습니다.

4. 주요 결과 (Results)

4.1 직업 대체 위험도

• 높은 위험 직군: 신용 분석가, 판사, 지속가능성 전문가, 규제 전문가 등 정보 집약적 전문 직종이 가장 높은 위험을 겪습니다.
  • 예시: 샌프란시스코 베이 에어리어 (Tier 1) 에서 2030 년까지 신용 분석가, 판사 등의 ATE 점수가 0.43~0.47에 도달할 것으로 예측됩니다.
• 위험 분포: 2030 년까지 분석된 236 개 직종 중 **93.2%**가 샌프란시스코 베이 에어리어에서 '중간 위험 (ATE ≥ 0.35)' 임계치를 초과합니다.
• 지역적 차이 (Tier 효과):
  • Tier 1 (샌프란시스코): 2027 년까지 금융 직종의 91.7%, 법률 직종의 100% 가 중간 위험 임계치를 넘습니다.
  • Tier 2 (시애틀 등): 2027 년에는 위험 임계치를 넘지 못하지만, 2030 년까지 Tier 1 의 2027 년 수준과 수렴합니다.
  • Tier 3 (뉴욕): 도입 속도가 느려 2030 년에도 상대적으로 낮은 위험을 보이나, 장기적으로는 수렴할 것으로 예상됩니다.
• 고위험 임계치: 2030 년까지도 ATE 점수 0.65 이상 (고위험) 에 도달하는 직종은 드뭅니다. 이는 완전한 대체보다는 광범위한 중간 위험 (Moderate Risk) 상태가 예상됨을 의미합니다.

4.2 재고용 효과 (Reinstatement Effects)

AI 도입으로 인해 새로운 수요가 발생하는 17 개 직군을 4 가지 범주로 분류했습니다.

1. AI 운영 및 감독: AI 에이전트의 오류를 감시하고 수정하는 역할 (예: AI 운영 전문가, 에이전트 시스템 모니터).
2. 인간-AI 협업 설계: AI 와 인간의 업무 흐름을 재설계하는 역할 (예: AI 워크플로우 디자이너).
3. 도메인 특화 AI 지휘: 전문 지식을 바탕으로 AI 를 지휘하는 역할 (예: AI 보조 금융 분석가, AI 감독 임상 전문가).
4. AI 거버넌스 및 윤리: 책임 소재와 윤리적 문제를 관리하는 역할 (예: AI 준수 책임자).

• 통찰: 새로운 직군은 코딩 능력보다는 도메인 전문성과 AI 출력물 검증 능력을 요구합니다.

4.3 검증 및 민감도 분석

• 외부 검증: 기존 AI 노출 지표 (AIOE, GPT 노출도) 와 높은 상관관계 ($\rho=0.84, 0.72$) 를 보이며 유효성을 입증했습니다.
• 고용 데이터와의 일치: 2025 년 1/4 분기 BLS QCEW 데이터를 분석한 결과, 샌프란시스코 베이 에어리어에서 행정/비즈니스 지원 직종의 고용이 전년 대비 9.3% 감소한 반면, 의료 분야는 성장하여 모델의 예측과 일치함을 확인했습니다.
• 민감도: S-커브 도입 속도 파라미터 ($k$) 에 따라 시기와 규모는 변할 수 있으나, 지역별 위험 순위 (Tier 1 > Tier 2 > Tier 3) 는 견고하게 유지됩니다.

5. 의의 및 시사점 (Significance)

• 정책적 시사점:
  • 지역별 차등 대응: 전국적 일괄 대응은 비효율적입니다. Tier 1 지역은 즉각적인 전환 지원이 필요하고, Tier 2/3 지역은 2~3 년의 시차를 고려한 선제적 계획이 필요합니다.
  • 재교육 방향: 실직자를 프로그래머로 전환하는 것보다, 기존 도메인 지식에 AI 지휘 능력을 결합한 **'도메인 전문가 + AI 감독자'**로의 전환이 더 효과적입니다.
• 교육적 시사점:
  • 대학 교육은 지식 전달에서 AI 생성물의 검증 (할루시네이션 탐지), 모호한 상황에서의 예외 처리, AI 지시 및 제약 조건 설정 능력으로 초점을 옮겨야 합니다.
• 기업의 책임: 대량 해고 (WARN Act) 가 아닌 점진적인 인력 감축이 발생할 수 있으므로, AI 도입 계획에 대한 투명한 공개와 사전 전환 지원이 필요합니다.

결론

이 논문은 에이전트 AI 가 단순 작업 대체를 넘어 직업 전체의 워크플로우를 대체할 수 있음을 이론화하고 실증했습니다. 연구 결과, 정보 처리 중심의 전문 직종이 물리적/대인 관계 직종보다 더 큰 위험에 처해 있으며, 이 충격은 지역별 도입 속도에 따라 2~3 년의 시차를 두고 확산될 것으로 예측됩니다. 이는 노동 시장 정책, 교육 과정 개편, 기업 전략 수립에 있어 지역별·직종별 세분화된 접근의 필요성을 강력히 시사합니다.