Global Automation Atlas

기술적 요약: 글로벌 자동화 아틀라스

문제 제기
기존의 자동화 노출 측정은 국가 간 비교를 어렵게 하는 중대한 방법론적 한계를 겪고 있습니다. 대부분의 현재 접근법은 작업이나 직종에 고정된 점수를 부여하여, 자동화의 실행 가능성이 다양한 국가적 맥락에서 어떻게 달라지는지를 고려하지 못합니다. 또한, 이러한 측정치는 종종 기술적 채널 (예: 로봇공학 대 인공지능) 과 경제적 기능 (대체 대 보완) 을 혼동하거나, 인공지능을 다중 경로를 통해 작동하는 특성이 아닌 단일 채널로 취급합니다. 결과적으로 노동 대체형과 노동 보완형 자동화를 구분하고, 관련된 구체적인 기술 메커니즘을 식별하며, 다양한 경제 발전 단계 전반에 걸친 인공지능의 실질적 역할을 평가하는 세분화된 작업 수준의 데이터가 부족합니다.

방법론
저자들은 전 세계적 자동화 노출을 분류하기 위해 작업 기반의 국가별 측정 아키텍처를 개발했습니다. 방법론은 다음과 같은 단계를 거쳐 진행됩니다:

1. 작업 우주 (Task Universe): 본 연구는 O*NET 버전 29.1 데이터베이스를 활용하여 18,797 개의 표준화된 작업 진술을 유지합니다. 직종 명칭이 종종 다양한 국가와 직장 전반에 걸쳐 이질적인 업무 활동을 묶어놓기 때문에, 측정 단위로 작업을 선택했습니다.
2. 국가 조건부 (Country Conditioning): 각 작업은 세계 인구의 99% 및 GDP 를 포괄하는 124 개 국가 맥락에서 개별적으로 평가됩니다. 이러한 "국가 조건부"는 보완적 자본, 기술 조합, 생산 조직, 인프라, 그리고 기술 확산의 변이를 고려합니다.
3. 분류 프로토콜: 구조화된 언어 모델 (Gemini 3.1 Flash-Lite) 을 사용하여 각 작업 - 국가 쌍을 다섯 가지 차원에 따라 분류합니다:
   • 노출 수준: "신뢰할 수 있는 경제적 자동화 마진 없음 (0)"에서 "광범위한 경제적 노출 (3)"까지의 0~3 척도. 수준 2 와 3 은 "경제적으로 노출된" 비율을 정의합니다.
   • 주도 기술 채널: 물리적 실행, 규칙 기반 워크플로우, 정보 변환, 계획/제어, 추론/점수 부여 중 하나의 5 가지 원형.
   • 노동 마진: 주도 경로가 대체 전용인지, 보완 전용인지, 아니면 둘 사이의 균형 잡힌 조합인지 여부.
   • 인공지능 물질성: 현대 학습 모델 (AI/ML) 이 자동화 경로에 핵심적인지 여부를 나타내는 이진 플래그.
   • 주도 인공지능 기능: 인공지능이 물질적일 경우, 그 역할은 상태 추론, 콘텐츠 변환, 추천/의사결정 지원, 또는 적응형 제어로 분류됩니다.
4. 집계: 생성된 233 만 개의 작업 - 국가 레이블은 고정 연결 브리지 (O*NET-SOC-ISCO 및 하향식 작업 -ISIC 그래프) 를 사용하여 직종 (ISCO-08) 및 산업 (ISIC Rev. 4) 수준으로 집계됩니다.
5. 검증: 본 측정치는 네 가지 타당성 검사를 거칩니다:
   • 구성 타당성: 외부 측정치 (예: Frey & Osborne, Felten 등, Webb, Eloundou 등, IMF AI 준비도 지수, 그리고 Eurostat 기업 채택 데이터) 와의 상관관계는 매칭된 하위 구성 요소 (예: 로봇 공학 특허 대비 물리적 실행 비율) 를 비교할 때 가장 강한 정합성을 보입니다.
   • 수렴 타당성: 다른 모델 계열 (GPT-5.4-mini) 로 재레이블링 시 노출 수준 내에서 95% 일치도를 보입니다.
   • 추론 일관성: 독립적인 모델들이 근거에서 레이블을 높은 정확도로 복원하며, 프롬프트 재구성은 분류를 크게 변경하지 않습니다.
   • 외관 타당성: 레이블 분포 및 기준 직종 순위는 확립된 문헌의 사전 지식과 일치합니다.

주요 결과
본 논문은 구축된 아틀라스에 기반한 다섯 가지 기술적 발견을 제시합니다:

1. 불균등한 글로벌 노출: 자동화 노출은 매우 불균등하여 남수단의 3.3% 에서 중국의 61.6% 까지 다양합니다. 노출은 1 인당 소득과 함께 강력하게 증가하지만, 소득 그룹 내, 특히 중간 소득 국가들 사이에는 상당한 이질성이 존재합니다.
2. 대체 대 보완: 모든 국가에서 대체 전용 노출이 보완 전용 노출을 초과합니다. 저소득 국가는 대체에 불균형적으로 노출되어 있는 반면, 중간 소득 국가는 대체 - 보완 프론티어에서 더 넓은 이질성을 보입니다. 고소득 국가는 대체가 여전히 우세하지만 더 균형 잡힌 분포를 보입니다.
3. 기술 채널 및 인공지능: 자동화 채널은 소득에 따라 변화합니다. 저소득 국가에서는 규칙 기반 워크플로우와 물리적 실행 (기술적으로 덜 진보된 형태) 이 노출된 작업의 절반 이상을 차지합니다. 고소득 국가에서는 이 비율이 약 4 분의 1 로 떨어지는 반면, 복잡한 채널 (계획/제어, 추론/점수 부여) 은 증가합니다. 인공지능 물질성은 소득과 함께 증가합니다 (저소득 국가의 약 35% 에서 고소득 국가의 70% 이상으로). 그러나 단순한 채널에서는 덜 흔합니다. 저소득 환경에서는 인공지능이 대체와 더 밀접하게 연관되는 반면, 고소득 환경에서는 보완 및 공유된 인간 - 기술 워크플로우와 더 관련이 있습니다.
4. 직종 및 산업 집계: 직종과 산업으로 집계하면, 사무 및 거래 업무는 낮은 소득 수준에서도 매우 높은 노출을 보이며, 비즈니스 행정, ICT, 공장 운영은 발전과 함께 급격히 증가합니다. 성별 고용 비율로 가중치를 두면 여성은 직종 전반에 걸쳐 노동 대체형 자동화에 더 노출되는 반면, 남성은 산업 전반에 걸쳐 노동 보완형 자동화에 더 노출되는 것으로 나타납니다.
5. 국가 수준 상관관계: 랜덤 포레스트 분석은 1 인당 GDP, 인터넷 사용, schooling 년수, 그리고 규제 질을 노출된 작업 비율의 가장 정보력 있는 예측 변수로 식별합니다. 노출된 작업 내에서 대체 전용 구성은 소득과 규제 질이 높은 국가에서 더 낮으며, 보완 전용 구성은 자본 집약도와 가장 밀접하게 관련되어 있습니다.

의의 및 주장
본 논문은 개발 단계, 노동 마진, 기술 채널, 그리고 인공지능 참여에 따라 자동화 노출을 분리하는 최초의 작업 기반 국가별 아틀라스를 제공한다고 주장합니다. 주요 기여는 방법론적이며, 노출 수준, 노동 마진, 기술 채널, 그리고 인공지능 물질성을 혼동하지 않고 별도의 차원으로 취급할 수 있는 프레임워크를 제공합니다.

저자들은 이러한 세분화가 자동화를 결정론적 과정으로 보는 것이 아니라 "논쟁의 여지가 있는 작업 재배분"을 이해하는 데 필수적이라고 주장합니다. 그들은 본 측정치가 소득, 연결성, 그리고 제도에 관한 국가 간 데이터와 자동화 노출을 연결하는 기초 역할을 하여 자동화 채택의 경제적 및 제도적 동인에 대한 연구를 고무한다고 봅니다. 저자들은 명시적으로 본 측정치가 명시된 맥락 하에서의 실행 가능한 노출을 포착할 뿐, 실현된 채택이나 고용 효과를 포착하지는 않는다고 밝히며, 향후 연구가 이러한 실행 가능성 측정을 기업 수준의 채택, 관리 관행, 그리고 사회 보장 및 기술 훈련에 관한 정책 설계와 연결할 것을 촉구합니다.