💻 computer science

The Jagged Global Economy: Frontier AI Unevenly Exposes National Economies

이 논문은 141개국을 대상으로 한 국가별 AI 노출 지표를 도입하여, 고소득 국가와 여성이 저소득 국가와 남성에 비해 프런티어 AI에 대한 직접적인 노출이 현저히 높다는 점을 밝히는 동시에, 맞춤화된 비일반적 정책 대응을 필요로 하는 송금과 같은 국가 간 소득 의존성을 통한 결정적인 간접 노출 메커니즘을 규명한다.

원저자: Arul Murugan, Tomás Aguirre, Abhishek Nagaraj, Rishi Bommasani

게시일 2026-07-08

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Arul Murugan, Tomás Aguirre, Abhishek Nagaraj, Rishi Bommasani

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

개요: "들쭉날쭉한" 파도

새로운 기술(프런티어 AI)이라는 거대하고 불균형한 파도가 전 세계를 휩쓸고 있다고 상상해 보세요. 저자들은 이 파도가 모든 국가에 동일한 힘으로 들이닥치는 것이 아니라고 주장합니다. 대신, 이 파도는 **"들쭉날쭉(jagged)"**합니다.

AI의 능력을 들쭉날쭉한 산맥이라고 생각해 보세요. 어떤 봉우리는 매우 높습니다(AI는 코드를 작성하거나 법률 계약을 분석하는 데 탁월합니다). 반면 어떤 골짜기는 매우 낮습니다(AI는 새는 파이프를 고치거나 농작물을 수확하는 데 서툽니다).

국가마다 직업의 "지형"이 다르기 때문에, 이 들쭉날쭉한 파도는 각기 다르게 들이닥칩니다:

부유한 국가(미국이나 룩셈부르크 등)는 "화이트칼라" 직종(사무직, 금융, 기술)을 기반으로 경제가 구축되어 있습니다. 이 직업들은 AI라는 산의 높은 봉우리 바로 위에 위치합니다. 파도는 이곳에 강하게 부딪힙니다.
가난한 국가(부룬디나 모잠비크 등)는 농업과 육체노동을 기반으로 경제가 구축되어 있습니다. 이 직업들은 AI 파도가 거의 닿지 않는 낮은 골짜기에 위치합니다.

핵심 도구: "노출도" 측정하기

연구진은 **"국가별 AI 노출도(National AI Exposure)"**라는 새로운 자를 만들었습니다.

당신이 기상 예보관이라고 상상해 보세요. 비가 올지를 예측하는 대신, 한 국가의 노동력이 AI에 의해 얼마나 영향을 받을지를 예측하는 것입니다. 내일 실제로 AI가 사용될지 여부를 알 필요는 없습니다. 단지 현재 그 나라의 업무 중 AI가 수행할 수 있는 부분이 얼마나 되는지만 측정하면 됩니다.

측정 방법: 연구진은 141개국의 "직업 메뉴"를 살펴보았습니다. 그리고 질문했습니다. "이 나라 사람들의 몇 퍼센트가 현재 AI가 잘 수행할 수 있는 일을 하고 있는가?"
결과: 그 차이는 엄청납니다. 가장 노출도가 높은 국가(룩셈부르크)는 가장 낮은 국가(부룬디)보다 2.6배 더 많이 노출되어 있습니다.

주요 결과 (쉬운 설명)

1. 부유한 국가가 더 많이 "노출"된다 (현재로서는)

국가의 부와 AI가 노동자에게 미칠 수 있는 영향 사이에는 강력한 상관관계가 있습니다.

비유: AI를 고속열차라고 생각해 보세요. 화이트칼라 직종(사무직)이 많은 국가는 철로 바로 옆에 서 있습니다. 농부가 많은 국가는 철로에서 수 마일 떨어진 들판에 서 있습니다.
데이터: 고소득 국가들이 훨씬 더 많이 노로출되어 있습니다. 유럽과 중앙아시아는 사하라 이남 아프리카보다 50% 더 많이 노출되어 있습니다.

2. 성별 격차: 여성들이 철로에 더 가까이 있다

연구 대상이 된 91%의 국가에서 여성이 남성보다 AI에 더 많이 노출되어 있습니다.

이유: 많은 곳에서 여성은 사무직, 영업, 서비스직에 집중되어 있는데, 이는 바로 AI가 잘 수행하는 직업들입니다. 남성은 대개 AI가 덜 유용한 농업이나 육체노동에 더 많이 집중되어 있습니다.
예외: 파키스탄이나 인도처럼 여성의 노동이 여전히 농업이나 가계 사업에 집중된 국가에서는, 남성의 직업이 사무직일 가능성이 더 높기 때문에 오히려 남성이 더 많이 노출됩니다.
우려 사항: 여성은 이미 일자리를 찾는 데 장벽에 부딪히거나 임금이 낮은 경우가 많으므로, 이러한 "노출"은 또 다른 위험 요인이 됩니다. 만약 AI가 여성이 가진 사무직을 대체한다면, 그들은 더 적은 사회적 안전망을 갖게 될 수 있습니다.

3. "송금의 파급 효과" (간접적인 타격)

이것은 이 논문의 가장 독특한 발견입니다. 때때로 어떤 국가는 직접적으로 노출되지 않았더라도, 이웃 국가 때문에 간접적으로 타격을 입을 수 있습니다.

비유: 많은 젊은이가 큰 도시(러시아)로 이주해 가서 일하는 작은 마을(타지키스탄)을 상상해 보세요. 이 마을은 이 노동자들이 보내오는 돈(송금)에 의존해 살아갑니다.
시나리오: 큰 도시는 고도의 기술 기반 사무직 경제를 가지고 있습니다. AI가 들어와서 그곳의 사무직들이 일하는 방식을 바꿉니다. 설령 작은 마을 자체에는 AI가 없더라도, 도시에서 마을로 흐르는 돈이 끊기거나 변할 수 있기 때문에 마을은 이제 어려움에 처하게 됩니다.
데이터: 타지키스탄은 직접적인 AI 노출도는 낮지만, GDP의 37%가 노출도가 높은 국가(러시아 등)에서 일하는 노동자들이 보내는 돈에서 오기 때문에, "송금 조정 후 노출도"는 매우 높아집니다. 논문은 이를 **2차 효과(second-order effect)**라고 부릅니다.

이 예측은 적중하는가?

저자들은 자신들의 "노출도 자"가 실제 세상에서 일어나는 일을 실제로 예측하는지 테스트했습니다.

그들은 Anthropic, Microsoft, OpenAI라는 세 거대 AI 기업의 데이터를 확인했습니다.
결과: 그들의 자는 완벽하게 작동했습니다. "노출도" 점수가 높은 국가들이 실제로 가장 많은 AI 도구를 사용하고 있었습니다.
수치: 한 국가의 노출도 점수가 조금만 상승해도, 그곳에서 AI 챗봇을 사용하는 사람의 수는 폭발적으로 증가했습니다.

결론

이 논문은 **"하나의 해결책이 모두에게 적용될 수는 없다(one size does not fit all)"**고 결론짓습니다.
미국이나 유럽의 정책 입안자들은 자신들의 AI 규칙을 그대로 복사해서 아프리카나 아시아에 붙여넣어서는 안 됩니다. AI의 "들쭉날쭉한" 특성 때문에 다음의 상황이 발생하기 때문입니다:

부유한 국가는 사무직 노동자들에게 즉각적인 변화를 겪게 됩니다.
가난한 국가는 무역 파트너인 부유한 국가들이 일하는 방식이 바뀔 때 간접적인 경제 충격을 받을 수 있습니다.
많은 국가에서 여성들이 남성보다 AI라는 파도에 더 가까이 서 있습니다.

세상은 균일한 AI 쓰나미를 맞이하는 것이 아니라, 각 국가마다 서로 다른 생존 전략이 필요한 들쭉날쭉하고 불균형한 파도를 맞이하고 있습니다.

기술 요약: 들쑥날쑥한 글로벌 경제: 프런티어 AI가 국가별 경제에 미치는 불균등한 노출

문제 제기
프런티어 AI가 노동 시장에 미치는 영향은 노동자, 기업 및 정책 입안자들에게 중대한 관심사이지만, 기존의 증거들은 소수의 고소득 경제국에 크게 편중되어 있다. 프런티어 AI의 역량은 "들쑥날쑥(jagged)"하며, 이는 서로 다른 작업 과업에 따라 역량이 크게 달라짐을 의미한다. 동시에, 각 국가의 경제는 직업군에 인적 노동을 배분하는 방식에서 상당한 차이를 보인다. 따라서 AI의 영향에 대해 획일적인 이해를 갖는 것은 불충분하다. 즉, 특정 국가의 노동 시장 구성이 프런티어 AI의 역량과 어떻게 정렬되는지를 정량화할 필요가 있다. 미국이나 유럽 시장에 맞춰 조정된 현재의 정책 대응은 다양한 글로벌 지형에 일반화되지 않을 수 있다.

방법론
저자들은 141개국의 이질성을 포착하기 위해 설계된 **국가별 AI 노출 지표(National AI Exposure Metric)**를 도입한다. 이 방법론은 두 가지 주요 데이터 소스를 활용한다:

직업별 노출 추정치: 본 연구는 Gmyrek 등[2025a]이 개발한 국제표준직업분류(ISCO-08)에 대한 노출 점수를 사용한다. 이 점수는 직업을 과업(task)에 매핑하고, 품질을 유지하면서 해당 과업에 소요되는 시간을 절약할 수 있는 AI의 잠재력을 추정하여 도출된다. 저자들은 이 점수들을 2자리 ISCO-08 수준(40개 직업 범주)으로 집계한다.
국제 고용 데이터: 본 연구는 이러한 노출 점수를 국제노동기구(ILO)의 고용 통계와 결합한다. 이 데이터는 141개국에 대해 각 2자리 ISCO-08 범주에 종사하는 노동력의 비중을 제공한다.

국가 $i$ 의 AI 노출도( $n_i$ )는 각 직업 $j$ 의 노출 점수( $e_j$ )를 고용 비중으로 가중 평균하여 계산된다:
$n_i = \frac{\sum_j c_{i,j} e_j}{\sum_j c_{i,j}}$
여기서 $c_{i,j}$ 는 국가 $i$ 의 직업 $j$ 에서의 고용 인원수를 나타낸다.

연구는 관찰된 국가별 AI 채택 통계를 사용하여 이 추정치를 검증한다. 이를 위해 Anthropic(Claude 사용량), OpenAI(ChatGPT 사용량 순위), Microsoft(생성형 AI 채택률)의 데이터를 활용한다. 또한, 저자들은 세계은행(World Bank)의 KNOMAD 양자 간 송금 행렬을 사용하여, 송금국(예: 러시아 또는 미국)의 노출이 수취국(예: 타지키스탄 또는 온두라스)으로 어떻게 전파되는지(소득 의존도를 통해) 계산함으로써 **간접 노출(indirect exposure)**에 관한 새로운 메커니즘을 모델링한다.

주요 결과

상당한 국가 간 변동성: 국가별 AI 노출도는 매우 다양하게 나타났다. 가장 많이 노출된 국가인 룩셈부르크( $n=0.37$ )는 가장 적게 노출된 부룬디( $n=0.14$ )보다 2.6배 더 많이 노출되었다.
지역 및 소득 격차: 고소득 국가들이 저소득 국가보다 실질적으로 더 많이 노출되어 있다. 북미와 유럽 및 중앙아시아 지역은 사하라 이남 아프리카보다 약 50% 더 많이 노출되었다.
예측 동인: '화이트칼라 비중'은 국가별 AI 노출을 예측하는 가장 강력한 변수였다( $R^2 = 0.91$ ). 국민총소득(GNI) 또한 예측력이 있으나 직업 구성( $R^2 = 0.77$ )보다는 낮았다.
성별 격차: 연구 대상 138개국 중 91%(126개국)에서 여성이 남성보다 프런티어 AI에 더 많이 노출되어 있었다. 이는 여성이 화이트칼라 및 영업직에 집중되어 있기 때문이다. 여성이 농업 및 가계 기업에 집중되어 있는 국가(예: 파키스탄, 인도)에서는 이 격차가 역전되거나 좁혀진다.
검증: 노출 지표는 관찰된 AI 채택 현상을 강력하게 예측한다. 국가 AI 노출도가 0.10 증가할 때, 1인당 Claude 사용량은 12배 증가하고 생성형 AI 채택률은 19퍼센트 포인트 상승한다. 그러나 화이트칼라 비중과 GNI를 통제했을 때, 노출 지표는 추가적인 설명력을 거의 제공하지 못했다. 이는 노출 지표가 이러한 광범위한 경제적 요인들의 구조적 요약 역할을 수행함을 시사한다.
송금을 통한 간접 노출: 연구는 이차적 노출 경로를 식별했다. 송금 의존도가 높은 국가의 경우, 송금국의 AI 노출이 수취국의 노출에 중요한 영향을 미친다. 예를 들어, 타지키스탄은 직접적인 노출도는 평균 이하이지만, GDP의 37%가 송금(주로 고노출 국가인 러시아로부터의 송금)에서 발생하기 때문에, "송금 고려 노출도"는 평균 이상의 수준으로 상승한다.

의의 및 주장
본 논문은 141개국의 광범위한 국가 단위에서 프런티어 AI 노출에 대한 최초의 종합적이고 비교 가능한 척도를 제공한다고 주장한다. 주요 기여는 프런티어 AI의 경제적 영향이 균일하지 않으며, 오히려 "들쑥날쑥"하고 현지 노동 시장 구조에 크게 의존한다는 점을 입증한 것이다.

저자들은 정책 대응이 이러한 이질성을 고려해야 한다고 주장한다. 화이트칼라 비중이 높은 선진국을 위해 설계된 정책은 노동력이 농업에 집중되어 있거나 송금에 크게 의존하는 경제 구조를 가진 국가들에게는 무의 의미가 없거나 해로울 수 있다. 또한, 대부분의 국가에서 여성이 직업적 분리로 인해 불균형적으로 노출되어 있다는 점을 밝힘으로써, 기존의 노동 시장 장벽을 고려할 때 주의가 필요한 구체적인 분배적 위험을 강조한다. 마지막으로, 간접 노출 경로의 식별은 국가 경제 계획이 외국의 노동 시장 내 AI 채택이 글로벌 소득 의존 관계를 통해 어떻게 파급될지를 반드시 고려해야 함을 시사한다.