기술 요약: 생성형 AI가 베이징의 도시 내 불평등 및 숙련 프리미엄에 미치는 영향

문제 제ක (Problem Statement)

생성형 인공지능(GenAI)은 고인지 과업을 대규모로 수행할 수 있는 최초의 자동화 파동을 의미하지만, 도시 내 불평념과 숙련 프리미엄에 미치는 구체적인 영향은 여전히 미지의 영역으로 남아 있다. 이전의 기술적 파동(예: 컴퓨터화, 산업용 로봇)이 고부가가치 일자리를 도시 핵심부에 집중시킴으로써 공간적 양극화를 강화했던 것과 달리, GenAI가 기회를 주변부로 분산시키는 '위대한 평준화 도구(great leveler)' 역할을 할지, 아니면 핵심부와 주변부 간의 격차를 심화시킬지는 불분명하다. 기존 문헌은 세 가지 결정적인 공백을 가지고 있다: (1) 대부분의 연구가 국가 단위의 횡단면 연구에 치중되어 있어 미세한 도시 내 공간 분석이 부족하며, (2) 노출도와 숙련 공급 및 임금의 동기적 변화를 연결하는 역동적인 증거, 특히 자연 실험과 같은 인과적 식별 전략을 사용한 연구가 부족하고, (3) 단일 거대언어모델(LLM)이나 전문가 설문에 의존하여 노출도를 측정함으로써 모델 특유의 편향이 발생할 수 있다는 점이다. 본 연구는 글로벌 테크 허브이자 뚜렷한 핵심-주변부 구조를 가진 베이징을 대상으로 GenAI 충격의 공간적, 구조적, 인과적 메커니즘을 조사함으로써 이러한 공백을 메운다.

연구 방법론 (Methodology)

데이터 및 연구 지역

본 연구는 RESSET 기업 빅데이터 플랫폼에서 추출한 2018년부터 2024년까지의 베이징 온라인 채용 공고 4,995,615건의 독특한 데이터셋을 활용한다. 이 공고들은 베이징의 동네 단위 행정 구역(규제 계획 단위)에 매칭되었다. 데이터셋은 다중 소스 지리 공간 데이터(야간 조도 강도, NDVI, POI 밀도, 토지 이용 비율) 및 인구 통계적 통제 변수로 보강되었다.

GenAI 노출도 측정

단일 모델 평가의 한계를 극려하기 위해 저자들은 검색 증강 생성(RAG) 파이프라인을 개발하였다:

1. 직업 매핑: 직무 명칭과 직무 기술서를 시맨틱 벡터 검색(Qwen3-Embedding-4B)을 사용하여 중국의 2022년 직업 분류 사전(1,605개 표준 직업)에 매핑하였으며, 93% 이상의 정확도를 달성하였다.
2. 앙상블 노출도 점수 산출: 5개의 최첨단 LLM(ChatGPT-4o, Gemini-2.5-pro, Claude-3.5-Sonnet, GLM-4, Deepseek-R1)이 각 직업의 노출 수준(노출 없음부터 멀티모달 역량 노출까지)을 독립적으로 평가하였다.
3. 집계: 최종적인 각 동네별 GenAI 노출 지수는 5개 모델의 평균 평가치를 집계하여 구축되었으며, 이를 통해 개별 모델의 편향을 줄였다.

인과적 식별 전략

GenAI를 다른 동시적 충격(예: 기술 규제, 팬데믹 회복, 부동산 침체)으로부터 분리하기 위해 저자들은 사전 결정된 이중차분법(Pre-determined Difference-in-Differences, DID) 설계를 채택하였다:

• 처치 변수(Treatment Variable): 2022년 말 ChatGPT 출시 4년 전인 2018년에 측정된 GenAI 노출도를 사용하였다. 이는 역인과관계와 선행 반응을 배제한다.
• 사후 처치 기간(Post-Treatment Period): 2023–2024년.
• 통제 변수: 모델은 2018년 노출도를 포스트-2022 더미 변수와 상호작용시키며, 동시에 발생하는 충격(역시 포스트 기간과 상호작용함) 및 지역/시간 고정 효과를 통제한다.
• 강건성 검정:
  • 이벤트 스터디(Event Study): 사전 처리 계수(2020–2021)를 사용하여 평행 추세 가정을 검증한다.
  • 무작위화 추론(Randomization Inference): 순열 테스트(500회 반복)를 통해 임금 페널티가 통계적 착오가 아님을 확인한다.
  • 도구 변수(IV): 2018년 지역 산업 구성에 가중치를 둔 국가적 AI 일자리 성장률을 사용하여 구축된 Bartik shift-share IV를 사용한다.
  • 메커니즘 분석: "탈숙련화(de-skilling)"(교육의 조절 효과) 및 "혼잡(crowding)"(노동 시장의 열기) 채널을 테스트하기 위한 삼중 차분법(Triple-DID) 및 상호작용 항을 사용한다.

주요 결과 (Key Results)

1. 공간적 고착화와 "골든 트라이앵글"

GenAI 노출도는 균등하게 분포되지 않고 베이징 핵심 구역에 공간적으로 고착되어 있다. 고노출 지역은 중관춘 과학 도시, 금융가, 구오마오 CBD를 포함하는 "골든 트라이앵글"을 형성하며, 이곳의 노출 점수는 지속적으로 0.3을 초과한다. 이러한 집중은 도시 내 AI 격차를 심화시킨다. 2023년 이후 시정부 부도심에서 선택적 파급 효과가 나타났으나, 외곽 교외 지역은 여전히 저노출 상태를 유지하여 저노출 구역의 "공간적 빈곤 함정"과 핵심부의 "고숙련 함정"을 형성하고 있다.

2. "고숙련 함정"과 임금 정체

숙련 편향적 기술 변화(SBTC) 가설과는 반대로, 고노출 지역은 숙련 공급과 임금의 디커플링(탈동조화) 현상을 보인다:

• 인재 유입: 이 지역들은 계속해서 고학력 노동자(평균 교육 연수 12년 이상)를 끌어들인다.
• 임금 페널티: 이러한 인재 유입에도 불구하고, 고노출 지역의 임금은 2022년 이후 정체되거나 하락하였다. ChatGPT 등장 이후, 고노출 지역의 임금은 월 약 13,673 위안으로 떨어졌으며, 저노출 지역과의 격차를 좁혔다.
• 인과적 증거: DID 분석 결과, 사전 결정된 GenAI 노출도가 1표준편차 증가할 때마다 충격 이후 임금이 약 13.1%에서 17.5% 감소하는 것으로 나타났다. 이 효과는 동시적 경제 충격을 통제한 후에도 강건하게 유지된다.

3. 메커니즘: 탈숙련화와 혼잡

임금 페널티는 두 가지 강화되는 채널에 의해 발생한다:

• 과업 탈숙련화(Task De-skilling): GenAI는 과거 고숙련 노동자들의 전유물이었던 과업(예: 코딩, 카피라이팅, 데이터 분석)의 인지적 문턱을 낮춘다. 회귀 분석 결과, GenAI 노출도와 교육 수준 사이에 유의미한 음(-)의 상호작용이 나타났다. 가장 고학력인 노동자들에게 GenAI는 보완재가 아닌 대체재로 작용하여 그들의 협상력을 약화시킨다.
• 노동 시장 혼잡(Labor-Market Crowding): AI 노출 분야로 고학력 인재가 지속적으로 유입되는 가운데 과업 공간이 압축되면서, 고부가가치 과업 대비 노동 공급 과잉 현상이 발생한다. 높은 "노동 시장 열기"는 GenAI 숙련 프리미엄을 크게 억제하며, 이는 "혼잡에 의한 임금 페널티"를 확인시켜 준다.

의의 및 기여 (Significance and Contributions)

본 논문은 문헌 및 정책 담론에 대해 네 가지 주요 기여를 주장한다:

1. 측정의 혁신: 다중 모델 앙상블 접근 방식을 사용하여 편향을 완화하고, 국가 규모 연구에서 누락되었던 미세한 동네 단위의 GenAI 노출 지도를 최초로 제공하며 도시 내부적 관점을 제시한다.
2. 인과적 식별: ChatGPT 출시라는 준외생적 충격과 사전 결정된 2018년 노출도를 활용하여, 무작위화 추론 및 IV 전략에 의해 뒷받침되는 엄격한 DID 설계를 구축함으로써 상관관계를 넘어 인과적 해석을 수행한다.
3. 이론적 도전: 본 연구는 SBTC 이론에 도전하며, 기술적 노출이 숙련도를 높이기보다 탈숙련화와 혼잡을 통해 고숙련 노동자의 임금 성장을 억제하는 "고숙련 함정"을 기록함으로써, 기술 노출이 숙련 프리미엄을 일률적으로 높이지 않는다는 점을 입증한다.
4. 정책적 시사점: 본 연구는 글로벌 테크 허브를 위한 포용적 AI 거버넌스의 실증적 근거를 제공한다. 정책 입안자들이 일반적인 인프라나 기술 교육을 넘어 공간적 독점(예: 부도심 내 AI 존 구축)을 해결하고, 고등 교육을 비코드화 가능한 기술(협업, 비판적 사고)로 전환하며, 고노출 직종에 대한 표적화된 노동 보호를 시행해야 함을 시사한다.

저자들은 GenAI가 일자리를 완전히 없애지는 않더라도, 교육에 대한 수익과 집적 이익의 논리를 근본적으로 재편하여 특정적인 거버버넌스 개입이 필요한 새로운 형태의 도시 내 불평등을 창출한다고 결론짓는다.