기술적 요약: 누가 AI 를 사용하는가? 플랫폼 선정과 직업별 AI 노출 측정

1. 문제: 플랫폼 기반 노출 측정의 비고전적 측정 오차

인공지능 (AI) 과 노동 시장에 관한 실증 문헌은 잠재적 AI 능력 (예: 전문가 평가, 특허 매칭) 을 측정하는 방식에서 Anthropic 의 Claude, OpenAI 의 ChatGPT, Microsoft Copilot 과 같은 플랫폼의 대화 로그를 통해 관측된 AI 사용을 측정하는 방식으로 점차 전환되고 있다. 이러한 변화는 측정을 드러난 행동에 더 가깝게 이끌지만, 저자들은 이러한 로그들이 비확률 표본을 구성한다고 주장한다.

핵심 문제는 플랫폼 기반 노출 점수 ($E_{o,p}$) 가 두 가지 구별되는 요소를 혼동한다는 점이다:

1. 진정한 직업별 노출 ($E_o$): AI 가 근로자의 입력을 대체하거나 보완할 수 있는 해당 직업의 작업 묶음 (task bundle) 에 차지하는 비중.
2. 플랫폼 선정 ($\psi_{o,p}$): 일반 노동력에 비해 해당 플랫폼의 사용자 기반 내에서 특정 직업이 과대 또는 과소 대표되는 정도.

AI 플랫폼의 사용자 기반은 고숙련·고임금 직업 (예: 컴퓨터 및 수학 관련 직업) 으로 체계적으로 편향되어 있고, 서비스 및 육체노동 직업에서는 그렇지 않기 때문에, 결과적으로 도출된 노출 측정치는 이러한 선정 편향을 계승하게 된다. 저자들은 이를 비고전적 측정 오차로 공식화했는데, 여기서 오차항은 관심 있는 진짜 변수와 상관관계를 가진다. 따라서 이러한 측정치를 사용하는 회귀 계수는 AI 노출의 구조적 고용 탄력성을 식별하지 못하며, 대신 진정한 노출과 플랫폼 사용자의 특정 직업 구성이 혼합된 것을 반영한다.

2. 방법론

개념적 틀

저자들은 플랫폼 기반 대리 변수를 다음과 같이 정의한다:
$$E_{o,p} = \psi_{o,p} E_o + \eta_{o,p} + u_{o,p}$$
여기서:

• $\psi_{o,p}$는 직업 간 선정 매개변수 (플랫폼 대화 점유율 대 노동력 고용 점유율의 비율) 이다.
• $\eta_{o,p}$는 직업 내 작업 선정 잔차 (플랫폼에 있는 조건 하에서의 작업 수행 차이) 이다.
• $u_{o,p}$는 고전적 노이즈이다.

$\psi_{o,p}$는 플랫폼 로그와 노동통계국 (Bureau of Labor Statistics) 의 고용 점유율을 통해 관측 가능하므로, 저자들은 직업 간 요소를 제거하기 위한 노동력 재가중 (workforce reweighting) 절차를 제안한다:
$$\tilde{E}_{o,p} = \frac{E_{o,p}}{\psi_{o,p}}$$
직업 내 선정 편향이 직업 간 선정과 동일한 방향으로 계수에 영향을 미친다는 유지된 순서 조건 하에서, 기준 추정치와 재가중 추정치는 구조적 고용 탄력성에 대한 **부분식별 구간 (partial-identification interval)**을 정의한다.

실증 설계

본 연구는 6 자리 표준 직업 분류 (SOC) 수준에서 1310 만 개 개인 - 연 (person-year) 관측치를 포함하는 2015~2024 년 미국 지역사회 조사 (ACS) 패널에 차분 - 차분 (DiD) 명세를 적용한다.

• 처치: 2022 년 이후 지시변수와 10 가지 다른 플랫폼 기반 노출 측정치의 상호작용.
• 변형: 10 가지 측정치는 다음을 포함한다:
  • Massenkoff 와 McCrory(2026) 의 복합 지표 세 가지 변형 (기준, 노동력 재가중, Wave 5 AEI 가중치).
  • Anthropic Claude.ai 소비자 데이터 5 개 웨이브 (2024 년 12 월~2026 년 2 월).
  • Anthropic 기업용 API 데이터 2 개 웨이브.
  • Microsoft Copilot 적용성 점수 (원본 및 재가중).
• 통제변수: 인구통계, 주, 연도, 6 자리 SOC 고정효과.

진단 테스트

1. 플랫폼 간 분산: 다른 플랫폼 입력으로 동일한 DiD 명세를 추정하여 계수 불안정성을 관찰.
2. 동일 벤더 채널 대체: 동일한 벤더 (Anthropic) 의 소비자 채널과 기업 채널을 비교하여 모델과 평가 기준을 고정하고 사용자 기반 구성 효과를 분리.
3. 사건 연구: 측정 편향과 진정한 처치 효과 이질성을 구분하기 위해 사전 추세를 테스트.
4. 크로스 도메인 결과: 플랫폼 순위와 비노동 결과 (예: 건강, 교육) 간의 상관관계를 분석하여 플랫폼 가시성이 사회경제적 지위와 상관관계를 가짐을 입증.

3. 주요 결과

계수의 불안정성

실증 설계를 고정하고 플랫폼 입력만 변경하면 추정된 고용 효과에 상당한 변동이 발생한다:

• 크기: 10 가지 변형 간 2022 년 이후 고용 계수는 1.9 배까지 변동한다.
• 부호 반전: 동일한 벤더 (Anthropic) 내에서 소비자 채널에서 기업 채널로 전환하면 관측된 모든 릴리스에서 고용 계수의 부호가 반전된다. 소비자 채널은 음수이며 유의미한 계수를 산출하는 반면, 기업 채널은 양수이며 유의미하지 않은 계수를 산출한다.
• 시간적 불안정성: 동일한 채널 (Claude.ai 소비자) 내에서도 사용자 기반 구성이 제품 출시 (예: Claude Code) 로 인해 변함에 따라 웨이브 간 계수 크기가 크게 변한다 (예: -0.12 에서 -0.22 백분율 포인트로).

재가중의 효과

노동력 재가중은 추정된 효과를 크게 약화시켜, 기준 추정치가 주로 플랫폼 선정에 의해 주도됨을 확인시켜 준다:

• Anthropic 복합 지표: 재가중은 고용 계수를 93% 약화시켜 통계적으로 0 과 구별되지 않게 만든다.
• Microsoft Copilot: Copilot 의 사용자 기반이 노동력 인구통계에 더 가깝기 때문에, 재가중은 계수를 42% 약화시키지만 여전히 유의미하다.
• 크로스 - 직업 회귀: 노출을 BLS 고용 전망과 연결하는 Massenkoff 와 McCrory(2026) 명세에서 재가중은 추정된 음의 연관성을 -0.70 에서 -0.38 백분율 포인트로 줄여, 플랫폼 구성을 노동력 구성으로 대체할 때 출판된 크기의 **45%**가 사라짐을 시사한다.

부분식별 구간

기준 추정치와 재가중 추정치를 양 끝점으로 사용하여 저자들은 구조적 고용 탄력성에 대한 부분식별 구간을 구성한다. Massenkoff 와 McCrory 복합 지표의 경우, 이 구간은 노출의 1 표준편차 증가가 0.38~0.70 백분율 포인트 사이의 예상 10 년 고용 성장 감소와 연관됨을 시사한다. 이 구간의 너비 (0.32 백분율 포인트) 는 관측 가능한 직업 간 플랫폼 선정의 기여도를 나타낸다.

분포적 발생

플랫폼 가시성은 사회경제적 우위와 강력하게 상관관계를 가진다:

• 플랫폼에서 과대 대표되는 직업 (예: 컴퓨터 및 수학 관련) 은 더 높은 임금과 교육 수준을 가진다.
• 과소 대표되는 직업 (예: 식품 준비, 운송) 은 더 낮은 임금과 더 높은 장애율을 가진다.
• 정책 시뮬레이션: 플랫폼 노출에 기반하여 배분된 가상의 100 억 달러 재훈련 기금은 노동력 가중 배분이 노출로 간주하지 않는 고임금·고교육 직업에 기금의 **39%**를 할당하게 된다.

4. 기여 및 중요성

본 논문은 문헌에 네 가지 주요 기여를 한다:

1. 특정 측정 오차의 식별: 플랫폼 기반 AI 노출에 내재된 비고전적 측정 오차를 공식화하여, 오차가 측정치가 포착하려는 동일한 직업 수준 작업 구조에 따라 선정됨을 보여준다.
2. 실증 진단: 회귀 설계가 고정되어 있더라도 플랫폼 소스, 제품 채널, 릴리스 웨이브가 하류 계수를 근본적으로 변경한다는 증거를 제공한다.
3. 수정 절차: 이러한 불안정성을 추정 가능한 구성 요소로 변환하는 노동력 재가중 절차와 부분식별 구간을 도입하여 연구자들이 구조적 탄력성을 경계할 수 있게 한다.
4. 분포적 분석: 플랫폼 선정이 임금, 교육, 직업적 우위와 상관관계를 가지며, 로그 기반 노출 순위는 플랫폼 데이터에서 덜 가시적인 위험을 가진 경제적으로 취약한 계층을 체계적으로 과소평가할 수 있음을 보여준다.

중요성에 대한 주장

저자들은 플랫폼 로그가 무의미하다고 주장하지 않는다. 대신, 플랫폼 데이터는 활성 사용자 간의 작업 강도에 대해서는 매우 유익하지만, 비사용자, 플랫폼에서 약하게 대표되는 근로자, 그리고 관측된 직업 - 플랫폼 쌍에서 대체된 작업에 대해서는 덜 유익하다고 주장한다.

본 논문은 사용 기반 측정치가 노동력 내 대체보다 관측된 사용자 간의 보강을 더 직접적으로 회복한다고 결론지었다. 정책 적용 (예: 재훈련, 진로 상담) 에 있어 중요한 대상은 현재 플랫폼 사용자의 노출이 아니라, 위험에 처한 노동력 내의 노출이다. 저자들은 플랫폼 기반 노출을 사용하는 응용 연구는 다음을 수행해야 한다고 주장한다:

• 노동력 재가중 대응치를 보고할 것.
• 플랫폼 소스에 대한 민감도를 테스트할 것.
• 작업 능력, 근로자 채택, 그리고 채택 조건부 사용을 구분할 것.

이러한 구분이 없으면, 측정된 노출의 변동은 근본적인 AI 적용성의 변동이 아니라 직업 간 플랫폼 채택 패턴을 반영할 수 있다.