기술 요약: 생성형 AI 와 노동 수요의 재편

1. 문제 제기 및 동기

생성형 인공지능 (GenAI) 의 급속한 확산은 주요 기술적 변화가 노동 수요를 어떻게 재편하는지에 대한 질문을 다시 불러일으켰다. 기존 문헌은 주로 어떤 직업이 GenAI 에 '노출 (exposed)'되어 있으며 해당 부문의 고용이 감소하는지에 초점을 맞추어 왔으나, 중요한 공백이 남아있다: 기술이 조직 업무 흐름에 통합됨에 따라 기업들이 노동 수요를 어떻게 재편하는지는 명확하지 않다.

기존 연구는 종종 노출을 직업의 고정된 속성으로 간주하며 정적 업무 분류 체계 (예: O*NET) 에 의존한다. 그러나 이 접근법은 기업들이 동시에 어디서 채용하는지 (서로 다른 직무 카테고리 간 수요 재배분) 와 해당 직무에 어떤 내용이 포함되는지 (동일한 직무 카테고리 내 업무 요구사항 재설계) 를 변화시키고 있는지 관찰할 수 없다. furthermore, '직업 사다리 (job ladder)'에 관한 논쟁, 특히 GenAI 가 초급 근로자에게 불균형적으로 해를 끼치는지에 대한 논쟁은 종종 동일한 직업 내 경력 수준별 이질성을 가리는 직업 수준 집계치에 의존한다.

본 논문은 이러한 공백을 메우기 위해 세 가지 질문을 제기한다:

1. 게시된 직무에서의 GenAI 노출은 시간이 지남에 따라 어떻게 진화하는가?
2. 집계 노출의 변화는 채용 재배분과 직무 재설계 중 어느 정도 반영하는가?
3. 이러한 조정 마진 (adjustment margins) 은 직업 사다리 (초급, 중급, 고급) 에 따라 어떻게 다른가?

2. 데이터 및 방법론

데이터 소스

본 연구는 2021 년 1 월부터 2025 년 6 월까지 모든 경제 부문을 포괄하는 Lightcast의 미국 전역 온라인 구인 공고 대규모 데이터를 활용한다. 원시 데이터셋에는 1 억 8,800 만 건 이상의 공고가 포함되어 있다.

• 표본 추출 전략: 전체 코퍼스에 대규모 언어 모델 (LLM) 을 적용하는 데 따른 계산적 제약으로 인해, 저자들은 반복적인 무작위 표본 추출 절차를 채택한다. 직업(O*NET 코드), 산업(2 자리 NAICS), 경력 수준(초급, 중급, 고급) 의 교차로 정의된 셀 내에서 공고의 5% 를 표본 추출한다.
• 최종 표본: 9,373,092 건의 공고. 이 설계는 시간에 따라 특정 직업 - 산업 - 경력 수준 셀 내에서의 조정을 분석하는 데 필요한 이질성을 보존한다.

측정: 동적 공고 수준 노출

핵심 방법론적 기여는 정적 직업 수준 점수를 넘어선 동적 공고 수준의 GenAI 노출 측정치를 두 단계 LLM 파이프라인을 사용하여 구축하는 것이다.

• 1 단계: 업무 추출: Llama-3.1-8b-instant를 사용하여 각 직무 설명에서 3~10 개의 구체적인 업무를 추출하고 Lightcast 의 기술 분류 체계 (전문 기술 vs. 공통 기술) 에 매핑한다. 전문 기술과 연결된 업무는 공통 기술 (가중치 = 1) 보다 높은 가중치 (가중치 = 2) 를 부여받는다.
• 2 단계: 노출 분류: GPT-5-nano를 사용하여 추출된 각 업무를 현재 상용 GenAI 도구가 동등한 품질로 완료 시간을 50% 이상 단축할 수 있는지 여부에 따라 세 가지 등급 중 하나로 분류한다:
  • E0 (노출 없음): AI 가 효율성을 크게 개선하지 못하거나 품질을 저하시킬 수 있는 경우.
  • E1 (직접 노출): AI 가 특별한 통합 없이 해당 업무를 직접 지원할 수 있는 경우.
  • E2 (간접 노출): AI 가 상당한 효율성 향상을 달성하기 위해 얇은 소프트웨어 레이어 또는 워크플로우 통합이 필요한 경우.
• 집계: 공고 수준의 노출 지수 ($\beta_p$) 는 가중 합으로 계산된다: $\beta_p = \text{share}_{E1} + 0.5 \times \text{share}_{E2}$. 이를 통해 동일한 직업 내에서도 공고 간, 그리고 시간에 따라 노출이 변할 수 있게 된다.

분해 프레임워크

조정 마진을 분리하기 위해 저자들은 두 가지 보완적인 분해 방법을 활용한다:

1. 3 중 Kitagawa 분해: 이는 2021 년 기준에 대한 집계 노출의 변화 ($\Delta \bar{E}_t$) 를 다음과 같이 분해한다:
   • 구성 효과 (채용 재배분): 기업이 게시하는 직무의 혼합 변화 (셀 가중치 $w_{c,t}$의 이동).
   • 셀 내 노출 효과 (직무 재설계): 비교 가능한 직무의 업무 내용 변화 (셀 수준 노출 $E_{c,t}$의 이동).
   • 상호작용 효과: 두 마진의 공동 이동.
2. 가중 Oaxaca–Blinder 분해: GPT 이전 및 이후 기간을 비교하여 어떤 관측 가능한 직무 특성 (직업, 산업, 경력, 원격 근무 여부 등) 이 노출 격차를 설명하는지 식별하는 회귀 기반 접근법.

3. 주요 결과

A. 노출의 동적 성격

GenAI 노출은 고정된 속성이 아니다. 집계 노출은 2022 년 초까지 상승하다가 2023 년 내내 감소했으며 그 이후 부분적으로 회복되었다. 이 패턴은 노출이 정적이라는 관점을 반박한다. 노출은 부문 (금융/전문 서비스에서 가장 높고, 숙박/소매에서 가장 낮음) 과 경력 수준 (고급 > 초급 > 중급) 에 따라 크게 달라진다.

B. 조정의 이중 마진

2023 년 3 분기 이후 집계 노출의 감소는 두 가지 명확한 메커니즘에 의해 주도된다:

• 채용 재배분 (52.01%): 기업들은 기존 노출이 높았던 직무 셀로부터 채용 수요를 이동시키고 있다.
• 직무 재설계 (39.46%): 기업들은 계속 게시하는 직무의 업무 내용을 적극적으로 재작성하여 해당 특정 역할의 노출을 줄이고 있다.
• 상호작용 (8.54%): 이러한 이동의 공동 효과.

이 발견은 노출 감소가 단순히 노출된 직업의 공고 수 감소에 불과한 이야기가 아님을 시사한다. 상당 부분은 계속되는 직무 카테고리에 내재된 업무의 근본적인 재구성을 반영한다.

C. 직업 사다리 전반의 이질성

조정 메커니즘은 경력 수준에 따라 크게 다르다:

• 고급 직무: 더 일찍(2022 년 2 분기 시작) 조정하며 주로 재배분을 통해(감소의 70.80%) 이루어진다. 재설계는 이차적인 역할을 한다.
• 초급 직무: 재배분 (60.15%), 재설계 (18.22%), 상호작용 (21.63%) 의 더 넓은 혼합을 통해 조정한다. 유의미한 상호작용 항은 초급 역할의 경우 기업들이 채용을 재배분함과 동시에 해당 역할 내 업무를 재편성하고 있음을 시사한다.
• 중급 직무: 집계 패턴을 따르며, 재배분과 재설계가 거의 동등하게 기여한다.

D. 관측 가능한 요인 (Oaxaca–Blinder)

Oaxaca–Blinder 분해는 직업적 이동이 관측 가능한 직무 특성으로 설명되는 노출 감소의 약 90% 를 차지함을 보여준다. 그러나 다른 공고 수준 변수들도 기여한다:

• 원격 근무: (기초 노출이 높은) 원격 공고에서의 이탈이 감소에 기여한다.
• 산업: 노출이 낮은 부문으로의 이동이 역할을 한다.
• 경력 수준별 세부 사항: 고급 직무의 경우, 원격 근무 arrangement 와 고용 유형 (정규직 이탈) 의 변화가 노출을 추가로 줄이는 반면, 초급 직무의 경우 (노출이 매우 높은) 인턴 공고 증가가 감소를 부분적으로 상쇄한다.

4. 의의 및 주장

본 논문은 기술과 노동 시장에 관한 문헌에 세 가지 주요 기여를 주장한다:

1. 동적 측정: 직업 내 변동과 시간에 따른 변화를 포착하는 동적 공고 수준 노출 측정치를 개발한다. 이는 노출이 직업의 고정된 속성이라는 가정을 도전하며, 기술이 확산됨에 따라 기업들이 업무 내용을 업데이트함을 보여준다.
2. 대체에서 재편으로의 전환: 본 연구는 "노출된 일자리가 감소하는가?"라는 경험적 초점을 "노동 수요는 어떻게 재편되는가?"로 이동시킨다. 기업들이 채용 수요를 재배분하고 업무 아키텍처를 재설계함으로써 적응한다는 정량적 증거를 제공하며, 노동 시장 조정이 단순한 대체가 아닌 조직적 재구성의 과정임을 시사한다.
3. 세분화된 직업 사다리 통찰: GenAI 가 초급 근로자에게 미치는 영향에 대한 논쟁을 정제한다. 본 논문은 관련 이질성이 조정의 크기뿐만 아니라 메커니즘에 있음을 주장한다. 초급 및 고급 역할은 재배분과 재설계의 서로 다른 조합을 통해 조정하므로, 초급 근로자는 특정 카테고리의 기회 감소뿐만 아니라 남아있는 기회 내에서도 변화하는 업무 세트를 직면하게 된다.

저자들은 이러한 발견들이 노출 측정치를 동적 객체로 취급해야 함을 시사한다고 결론지었다. 연구자에게는 정적 직업 수준 측정치가 이질성을 과소평가할 수 있음을 의미하며, 기업에게는 인력 계획이 인원 수뿐만 아니라 업무 설계까지 고려해야 함을 의미하며, 정책 입안자에게는 전문직 진입 경로가 어떻게 진화하고 있는지 모니터링할 필요성을 강조한다.