이 보고서는 LLM의 이론적 능력과 실제 사용 데이터를 결합한 ‘관측 노출도’라는 새로운 AI 대체 위험 측정치를 제시하고, 직업별 고용 전망·근로자 특성·실업 및 채용 동향과의 관련성을 초기 데이터로 분석한다.
AI의 빠른 확산은 노동시장에 미치는 영향을 측정하고 예측하는 연구의 물결을 만들어내고 있다. 그러나 과거 접근법들의 실적은 겸손해야 할 이유를 준다.
예를 들어, 일자리의 해외 이전 가능성을 측정하려는 한 저명한 시도는 미국 일자리의 대략 4분의 1이 취약하다고 식별했지만, 10년이 지난 뒤에도 그 일자리 대부분은 건전한 고용 증가를 유지했다. 정부의 직업별 성장 전망 역시 방향성은 맞지만, 과거 추세의 선형 외삽을 넘어서 추가적인 예측 가치를 거의 제공하지 못했다. 심지어 사후적으로 보더라도, 주요 경제적 충격이 노동시장에 미친 영향은 종종 분명하지 않다. 산업용 로봇의 고용 효과에 관한 연구는 상반된 결론에 이르고, 중국과의 무역 충격에 따른 일자리 손실 규모 역시 여전히 논쟁 중이다.1
본 논문에서 우리는 AI의 노동시장 영향을 이해하기 위한 새로운 프레임워크를 제시하고, 이를 초기 데이터로 시험한 결과 현재까지 고용에 AI가 영향을 미쳤다는 제한적인 증거만을 발견한다. 우리의 목표는 AI가 고용에 어떤 영향을 주고 있는지 측정하는 접근법을 확립하고, 이러한 분석을 주기적으로 재방문하는 데 있다. 이 접근법이 AI가 노동시장을 재편할 수 있는 모든 경로를 포착하지는 못하겠지만, 의미 있는 효과가 나타나기 전에 지금 이러한 기반을 마련함으로써 향후 결과가 사후 분석보다 더 신뢰성 있게 경제적 교란을 식별하길 기대한다.
AI의 영향이 명백해질 가능성도 있다. 이 프레임워크는 효과가 모호할 때 가장 유용하며, 대체가 눈에 보이기 전에 가장 취약한 일자리를 식별하는 데 도움이 될 수 있다.
인과 추론은 효과가 크고 급격할 때 더 쉽다. COVID-19 팬데믹과 동반된 정책 조치는 경제적 교란을 너무도 뚜렷하게 만들어, 많은 질문에서 정교한 통계적 접근이 불필요했다. 예를 들어, 팬데믹 초기 몇 주 동안 실업이 급격히 뛰었고, 다른 설명이 끼어들 여지가 거의 없었다.
하지만 AI의 영향은 COVID보다 인터넷이나 중국과의 무역에 더 가까울 수 있다. 총실업률 같은 거시 지표만으로는 효과가 즉시 분명하지 않을 수 있으며, 무역정책이나 경기순환 같은 요인이 추세 해석을 흐릴 수 있다.
흔한 한 접근법은 AI에 더 많이 또는 더 적게 노출된 근로자, 기업, 산업 간의 결과를 비교하여 교란 요인으로부터 AI의 효과를 분리하는 것이다.2 노출은 보통 과업(task) 수준에서 정의된다. 예컨대 AI는 숙제를 채점할 수 있지만 교실을 운영할 수는 없으므로, 교사는 직무 전체가 원격으로 수행될 수 있는 일의 근로자보다 덜 노출된 것으로 간주된다.
우리의 작업은 이 과업 기반 접근을 따르며, 이론적 AI 역량과 현실 사용을 측정한 뒤 직업으로 집계한다.3
우리의 접근은 세 가지 출처의 데이터를 결합한다.
Eloundou et al.의 지표 β는 과업을 단순한 척도로 점수화한다. LLM 단독으로 과업 속도를 두 배로 만들 수 있으면 1, LLM 위에 추가 도구나 소프트웨어가 필요하면 0.5, 그렇지 않으면 0이다.4
현실 사용이 이론적 역량에 못 미치는 이유는 무엇일까? 이론적으로 가능한 일부 과업은 모델 한계 때문에 사용 데이터에 나타나지 않을 수 있다. 다른 과업은 법적 제약, 특정 소프트웨어 요구, 사람의 검증 단계, 기타 장애물 때문에 확산이 느릴 수 있다. 예를 들어 Eloundou et al.은 “Authorize drug refills and provide prescription information to pharmacies”를 완전 노출(β=1)로 표시한다. 우리는 Claude가 이 과업을 수행하는 것을 관측하지 못했지만, 이론적으로는 LLM이 속도를 높일 수 있다는 평가 자체는 타당해 보인다.
그럼에도, 이론적 역량과 실제 사용의 측정치는 높은 상관을 보인다. Figure 1이 보여주듯, 이전 네 번의 Economic Index 보고서에서 관측된 과업의 97%는 Eloundou et al.이 이론적으로 가능하다고 평가한 범주(β=0.5 또는 β=1.0)에 속한다.
**Figure 1: Claude 사용의 비중(Eloundou et al. 과업 노출 등급별)**이 그림은 이론적 AI 노출도에 따라 묶인 O*NET 과업 전반에 분포한 Claude 사용을 보여준다. β=1(LLM 단독으로 완전히 가능)로 평가된 과업은 관측된 Claude 사용의 68%를 차지하며, β=0(불가능)으로 평가된 과업은 3%에 불과하다. Claude 사용 데이터는 이전 네 번의 Economic Index 보고서에서 가져왔다.
우리의 새로운 측정치인 _관측 노출도_는 다음을 정량화하려는 것이다. LLM이 이론적으로 속도를 높일 수 있는 과업 중, 실제로 전문적 환경에서 자동화된 사용이 나타나는 것은 무엇인가? 이론적 역량은 훨씬 더 넓은 범위의 과업을 포괄한다. 이 격차가 어떻게 좁혀지는지 추적함으로써 관측 노출도는 경제 변화가 나타나는 과정을 이해하는 통찰을 제공한다.
우리의 측정치는 일자리 영향에 대한 예측력을 가진다고 생각하는 AI 사용의 여러 측면을 정성적으로 포착한다. 한 직업의 노출도는 다음일수록 더 높다.
수학적 세부사항은 Appendix에 제시한다. 우리는 LLM으로 이론적으로 가능하다고 간주되는 과업을, Claude 트래픽에서 충분한 업무 관련 사용이 관측되면 커버된 것으로 본다. 이후 과업이 어떻게 수행되는지에 따라 조정한다. 완전 자동화 구현은 전 가중치를, 보완적 사용은 절반 가중치를 받는다. 마지막으로, 과업 수준 커버리지 측정치를 각 과업에 쓰이는 시간 비중으로 가중하여 직업 수준으로 평균낸다.
Figure 2는 Eloundou et al.의 β(파란색)와 비교한 관측 노출도(빨간색)를 보여주며, 광범위한 직업 범주별로 우리 플랫폼에서의 이론적 사용과 실제 사용의 차이를 나타낸다. 이는 먼저 시간 비중 측정치로 가중해 직업 수준으로 평균낸 뒤, 총고용으로 가중해 직업 범주 수준으로 다시 평균내어 계산한다. 예를 들어 β 측정치는 Computer & Math(94%)와 Office & Admin(90%) 직업에서 다수 과업에 LLM 침투 여지가 있음을 보여준다.
Figure 2: 직업 범주별 이론적 역량과 관측 노출도LLM이 이론적으로 수행할 수 있는 직무 과업의 비중(파란 영역)과 사용 데이터로부터 도출한 우리의 직무 커버리지 측정치(빨간 영역).
Anthropic Economic Index의 LLM 사용을 나타내는 빨간 영역은 사람들이 전문적 환경에서 Claude를 어떻게 사용하는지 보여준다. 이 커버리지는 AI가 이론적 역량에 한참 못 미친다는 점을 보여준다. 예컨대 Claude는 현재 Computer & Math 범주의 전체 과업 중 33%만 커버한다.
역량이 발전하고 채택이 확산되며 배치가 심화되면, 빨간 영역은 커져 파란 영역을 덮게 될 것이다. 덮이지 않은 큰 영역도 있다. 물론 많은 과업은 여전히 AI의 손이 닿지 않는다. 나무 가지치기나 농기계 운전 같은 물리적 농업 작업에서부터, 법정에서 의뢰인을 대리하는 법률 과업에 이르기까지.
Figure 3은 이 측정치에서 가장 노출된 10개 직업을 보여준다. Claude가 코딩에 광범위하게 사용된다는 다른 데이터와 일치하게, Computer Programmers가 커버리지 75%로 최상단에 있으며, 그다음은 Customer Service Representatives로, 이들의 주요 과업이 1자 API 트래픽에서 점점 더 많이 관측된다. 마지막으로, 원문 문서를 읽고 데이터를 입력하는 핵심 과업에서 상당한 자동화가 나타나는 Data Entry Keyers는 67%가 커버된다.
Figure 3: 가장 노출된 직업우리의 과업 커버리지 측정치를 사용한 상위 10개 고노출 직업.
하단에서는 근로자의 30%가 커버리지 0이며, 이는 우리의 데이터에서 과업이 최소 임계치를 충족할 만큼 충분히 자주 나타나지 않았기 때문이다. 이 집단에는 예를 들어 Cooks, Motorcycle Mechanics, Lifeguards, Bartenders, Dishwashers, Dressing Room Attendants 등이 포함된다.
미국 노동통계국(BLS)은 정기적으로 고용 전망을 발표하며, 2025년에 발행된 최신 세트는 2024년부터 2034년까지 모든 직업에 대한 고용 변화 예측치를 포함한다. Figure 4에서 우리는 직업 수준 커버리지 측정치와 BLS 예측을 비교한다.
현재 고용으로 가중한 직업 수준 회귀분석 결과, 관측 노출도가 더 높은 직업일수록 성장 전망이 다소 더 약하다. 커버리지가 10%p 증가할 때마다 BLS의 성장 전망은 0.6%p 하락한다. 관계는 약하지만, 우리의 측정치가 노동시장 분석가들이 독립적으로 산출한 추정치와 함께 움직인다는 점에서 일정한 타당성 검증을 제공한다. 흥미롭게도 Eloundou et al.의 측정치만 사용할 경우에는 이러한 상관이 없다.
Figure 4: BLS 고용 성장 전망(2024—2034) 대 관측 노출도25개의 동일 크기 구간으로 나눈 구간 산점도. 각 실점은 해당 구간의 평균 관측 노출도와 평균 고용 변화 전망치를 보여준다. 점선은 현재 고용 수준으로 가중한 단순 선형 회귀 적합선을 나타낸다. 작은 마름모는 예시를 위해 개별 직업을 표시한다.
Figure 5는 Current Population Survey 데이터를 사용하여, ChatGPT 출시 전 3개월(2022년 8~10월) 동안 노출도 상위 사분위 집단과 커버리지 0인 근로자 30% 집단의 특성을 보여준다.7 두 집단은 매우 다르다. 더 많이 노출된 집단은 여성일 가능성이 16%p 더 높고, 백인일 가능성이 11%p 더 높으며, 아시아계일 가능성은 거의 두 배다. 평균적으로 47% 더 많이 벌고, 학력 수준도 더 높다. 예를 들어, 대학원 학위 소지자는 비노출 집단에서는 4.5%지만, 최고 노출 집단에서는 17.4%로 거의 네 배 차이다.
Figure 5: 고·저 노출 근로자 간 차이, Current Population Survey
이러한 노출 측정치를 확보한 뒤의 질문은 무엇을 살펴볼 것인가이다. 연구자들은 서로 다른 접근을 택해왔다. 예를 들어 Gimbel et al. (2025)은 Current Population Survey를 사용해 직업 구성(occupational mix)의 변화를 추적한다. 그들의 주장은 AI로 인해 경제의 중요한 구조조정이 일어난다면 일자리 분포의 변화로 나타날 것이라는 것이다.¹ (그들은 현재까지 변화가 두드러지지 않았다고 찾는다.) Brynjolfsson et al. (2025)은 급여 처리 업체 ADP의 데이터를 사용해 연령대별로 나눈 고용 수준을 살펴본다. Acemoglu et al. (2022)과 Hampole et al. (2025)은 각각 Burning Glass(현 Lightcast)와 Revelio의 구인공고 데이터를 사용한다.
우리는 우선순위 결과로 실업을 중심에 둔다. 실업은 경제적 피해 가능성을 가장 직접적으로 포착하기 때문이다. 실업자는 일을 원하지만 아직 찾지 못한 사람이다. 이 경우 구인공고와 고용은 반드시 정책 대응 필요를 시사하지 않는다. 고노출 역할의 구인공고 감소는 관련된 다른 역할에서의 공석 증가로 상쇄될 수 있다. AI로 인한 가장 해로운 노동시장 전개에는, 대체된 근로자가 대안을 찾는 과정에서 실업 증가 기간이 포함될 가능성이 높다. Current Population Survey는 실업 응답자가 이전 직업과 산업을 보고하기 때문에 이를 추적하는 데 적합하다.
다음으로 우리는 Current Population Survey 응답자에 직업 수준 측정치를 매칭하여 실업 추세를 연구한다.
우리의 커버리지 측정치를 해석할 때의 핵심 질문은 어떤 근로자를 처리(treated)로 간주해야 하는가이다. 과업 커버리지 10%만으로도 고용 변화가 기대되어야 할까? Gans and Goldfarb (2025)는 O-ring 모형이 직업을 가장 잘 설명한다면, 모든 과업에서 어떤 정도로든 AI 침투가 있을 때에만 고용 효과가 나타날 수 있음을 보인다. Hampole et al. (2025)은 평균 노출이 노동수요를 감소시키지만, 특정 과업에만 노출이 _집중_되면 이를 상쇄할 수 있다고 주장한다. Autor and Thompson (2025)은 남는 과업에 요구되는 전문성 수준을 강조한다.
단순성을 염두에 두고, 또한 우리가 특히 큰 영향을 우려한다는 점을 감안하여, 우리는 평균 노출도가 가장 높은 집단에서 영향이 가장 크게 느껴질 것이라는 생각에 분석의 중심을 둔다. 우리는 시간 가중 과업 커버리지 상위 사분위의 근로자를 하위 집단과 비교한다. 만약 AI 역량이 빠르게 발전한다면, 낮은 백분위에서도 과업 커버리지가 높을 수 있어 절대 임계치가 더 유용할 수 있다. 하지만 영향은 가장 노출된 근로자에게 먼저 나타날 것이라고 가정하고, 처리를 정의하는 절단점(cutoff)을 달리한 결과도 제시한다.
Figure 6의 상단 패널은 2016년 이후 노출도 상위 사분위 근로자와 비노출 집단의 실업률 원자료 추세를 보여준다. COVID 기간에는, 대면 일자리를 가질 가능성이 높은 AI 저노출 근로자들이 실업의 훨씬 큰 증가를 겪었다. 그 이후 두 집단의 추세는 대체로 유사했다. 하단 패널은 차분의 차분(difference-in-differences) 프레임워크에서 최고·최저 노출 근로자 간 격차의 크기를 측정하며, 원자료의 결과를 반영한다. ChatGPT 출시 이후 격차의 평균 변화는 작고 유의하지 않아, 더 많이 노출된 집단의 실업률이 소폭 상승했을 수 있으나 그 효과는 0과 구분되지 않음을 시사한다.8
Figure 6: 관측 노출도 상위 사분위 근로자와 AI 비노출 근로자의 실업률 추세, Current Population Survey상단 패널은 노출도 상위 사분위 근로자(빨간선)와 커버리지 0인 근로자 30%의 실업률을 보여준다. 하단 패널은 차분의 차분 프레임워크에서 두 시계열 간 격차를 측정한다.
****이 프레임워크로 어떤 시나리오를 식별할 수 있을까? 풀드 추정치의 신뢰구간을 보면, 약 1%p 규모의 차별적 실업 증가(differential increases in unemployment)는 탐지 가능할 것이다(이는 새로운 데이터가 들어오면 바뀔 수 있으므로 대략적인 추정치에 불과하다). 상위 10%의 근로자가 모두 해고된다면, 상위 사분위 집단 내부 실업률은 3%에서 43%로 증가하고, 총실업률은 4%에서 13%로 증가한다.
더 작지만 여전히 우려되는 영향은 “화이트칼라 근로자를 위한 대침체(Great Recession)” 같은 시나리오일 수 있다. 2007-2009년 대침체 동안 미국의 실업률은 5%에서 10%로 두 배가 되었다. 노출도 상위 사분위에서도 이런 두 배 증가가 일어난다면 실업률은 3%에서 6%가 된다. 이는 우리의 분석에서도 관측되어야 한다. 우리의 핵심 추정치는 노출 집단의 실업률이 저노출 집단에 비해 차별적으로 어떻게 변했는지에 기반한다는 점에 유의하라. 많은 과업이 여전히 영향을 받지 않는 상태에서 실업이 모든 근로자에게 평행하게 증가한다면, 우리는 이를 AI 발전 때문이라고 귀속하지 않을 것이다.
특히 우려되는 한 집단은 청년 근로자다. Brynjolfsson et al.은 22~25세 근로자에서 노출 직업의 고용이 6—16% 감소했다고 보고한다. 그들은 이 감소를 이직·퇴직 증가보다 채용 둔화에 주로 귀인한다.9
우리는 노출 직업의 청년 근로자 실업률이 정체되어 있음을 발견한다(Appendix 참조). 하지만 채용 둔화는 반드시 실업 증가로 나타나지 않을 수 있는데, 많은 청년은 CPS 데이터에 직업이 기재되지 않은 노동시장 신규 진입자이며, 실업자로 나타나기보다 경제활동에서 이탈할 수 있기 때문이다. 채용을 직접 다루기 위해 우리는 CPS의 패널 차원을 활용하여, 청년(22~25세) 근로자가 시간에 따라 더 노출된 직업 vs 덜 노출된 직업에서 새 일자리를 시작하는 비율을 계산한다. Figure 7은 청년 근로자의 월별 구직 성공률(즉, 전월에는 없던 일을 이번 달에 보고하는 경우)을, 고노출 직업으로 들어가는지 저노출 직업으로 들어가는지에 따라 나누어 보여준다.
Figure 7: 고관측 노출 직업과 AI 비노출 직업에서의 22-25세 근로자 신규 일자리 시작, Current Population Survey상단 패널은 고노출 vs 비노출 직업에서 새 일을 시작하는 청년 근로자의 비율을 보여준다. 하단 패널은 차분의 차분 프레임워크에서 두 시계열의 격차를 측정한다.
2020-2021년의 큰 변동을 제외하면, 이 시계열은 2024년에 시각적으로 벌어지며, 청년 근로자가 노출 직업으로 채용될 가능성이 상대적으로 낮아진다. 저노출 직업의 구직 성공률은 월 2%로 안정적인 반면, 최고 노출 직업으로의 진입은 약 0.5%p 감소한다. ChatGPT 이후 기간의 평균 추정치는, 노출 직업에서 2022년 대비 구직 성공률이 14% 하락한 것으로 나타나며, 이는 간신히 통계적으로 유의하다. (25세 초과 근로자에서는 이러한 감소가 없다.)
이는 고용에 대한 AI의 초기 효과에 대한 신호를 일부 제공할 수 있으며, Brynjolfsson et al.의 결과와도 맥을 같이한다. 그러나 다른 해석도 여럿 가능하다. 채용되지 않은 청년 근로자는 기존 일자리에 남아 있거나, 다른 일을 택하거나, 학교로 돌아갔을 수 있다. 또 다른 데이터 관련 주의점은 설문에서 직업 전환이 측정오차에 더 취약할 수 있다는 것이다.10
본 보고서는 AI의 노동시장 효과를 이해하기 위한 새로운 측정치를 소개하고, 실업과 채용에 대한 영향을 연구한다. 직업은 (1) 과업이 LLM으로 이론적으로 가능하고 (2) 우리의 플랫폼에서 자동화된 업무 관련 사용 사례로 관측되는 정도에 따라 AI에 더 노출된다. 우리는 computer programmers, customer service representatives, financial analysts 등이 가장 노출된 직업에 속함을 발견한다. 미국의 설문 데이터를 사용한 결과, 가장 노출된 직업의 근로자에서 실업률에 대한 영향은 발견하지 못했으나, 22~25세 근로자에서 해당 직업군으로의 채용이 약간 둔화되었다는 잠정적 증거는 존재한다.
우리의 작업은 AI가 노동시장에 미치는 영향을 목록화하기 위한 첫걸음이다. 특히 커버리지와 반사실(counterfactuals)에 관한 본 보고서의 분석 단계들이, 고용과 AI 사용에 관한 새로운 데이터가 나타날 때 쉽게 업데이트되길 바란다. 확립된 접근법은 향후 관찰자가 신호와 잡음을 구분하는 데 도움이 될 수 있다.
현재 작업에는 여러 개선 여지가 있다. 우리의 사용 데이터는 향후 업데이트에 포함되어, 경제 전반의 과업 및 직업 커버리지에 대한 진화하는 그림을 형성할 것이다. Eloundou et al.의 지표도, 2023년 초 시점의 LLM 역량과 연결되어 있는 한, 업데이트될 수 있다. 또한 청년 근로자와 노동시장 신규 진입자에 관한 시사적 결과를 고려하면, 다음 핵심 단계는 노출이 큰 분야의 학력 자격을 가진 최근 졸업생이 노동시장을 어떻게 헤쳐나가는지 살펴보는 것일 수 있다.
Maxim Massenkoff와 Peter McCrory가 작성했다.
감사의 말: Ruth Appel, Tim Belonax, Keir Bradwell, Andy Braden, Dexter Callender III, Miriam Chaum, Madison Clark, Jake Eaton, Deep Ganguli, Kunal Handa, Ryan Heller, Lara Karadogan, Jennifer Martinez, Jared Mueller, Sarah Pollack, David Saunders, Carl De Torres, Kim Withee, Jack Clark.
또한 본 보고서의 초기 버전에 대한 피드백을 제공한 Martha Gimbel, Anders Humlum, Evan Rose, Nathan Wilmers에게 감사한다.
@online{massenkoffmccrory2026labor,
author = {Maxim Massenkoff and Peter McCrory},
title = {Labor market impacts of AI: A new measure and early evidence},
date = {2026-03-05},
year = {2026},
url = {https://www.anthropic.com/research/labor-market-impacts},
}
Acemoglu, Daron and Pascual Restrepo, "Robots and Jobs: Evidence from US Labor Markets," Journal of Political Economy, 2020, 128 (6), 2188–2244.
Acemoglu, Daron, David Autor, Jonathon Hazell, and Pascual Restrepo, "Artificial intelligence and jobs: Evidence from online vacancies," Journal of Labor Economics, 2022, 40 (S1), S293–S340.
Appel, Ruth, Maxim Massenkoff, Peter McCrory, Miles McCain, Ryan Heller, Tyler Neylon, and Alex Tamkin, "Anthropic Economic Index report: economic primitives," 2026.
Autor, David H, David Dorn, and Gordon H Hanson, "The China syndrome: Local labor market effects of import competition in the United States," American Economic Review, 2013, 103 (6), 2121–2168.
Autor, David H, & Thompson, N. (2025). Expertise. NBER Working Paper, (w33941).
Blinder, Alan S et al., "How many US jobs might be offshorable?," World Economics, 2009, 10 (2), 41.
Borusyak, Kirill, Peter Hull, and Xavier Jaravel, "Quasi-experimental shift-share research designs," The Review of Economic Studies, 2022, 89 (1), 181–213.
Brynjolfsson, Erik, Bharat Chandar, and Ruyu Chen, "Canaries in the coal mine? six facts about the recent employment effects of artificial intelligence," Digital Economy, 2025.
Eckhardt, Sarah and Nathan Goldschlag, "AI and Jobs: The Final Word (Until the Next One)," Economic Innovation Group (EIG), August 2025. Available at: https://eig.org/ai-and-jobs-the-final-word/
Eloundou, Tyna, Sam Manning, Pamela Mishkin, and Daniel Rock, "Gpts are gpts: An early look at the labor market impact potential of large language models," arXiv preprint arXiv:2303.10130, 2023, 10.
Fujita, S., Moscarini, G., & Postel-Vinay, F. (2024). Measuring employer-to-employer reallocation. American Economic Journal: Macroeconomics, 16(3), 1-51.
Gans, Joshua S. and Goldfarb, Avi, "O-Ring Automation," NBER Working Paper No. 34639, December 2025. Available at SSRN: https://ssrn.com/abstract=5962594
Gimbel, Martha, Molly Kinder, Joshua Kendall, and Maddie Lee, "Evaluating the Impact of AI on the Labor Market: Current State of Affairs," Research Report, The Budget Lab at Yale, New Haven, CT October 2025. Available at: https://budgetlab.yale.edu.
Graetz, Georg and Guy Michaels, "Robots at Work," Review of Economics and Statistics, 2018, 100 (5), 753–768.
Hampole, Menaka, Dimitris Papanikolaou, Lawrence DW Schmidt, and Bryan Seegmiller, "Artificial intelligence and the labor market," Technical Report, National Bureau of Economic Research 2025.
Handa, Kunal, Alex Tamkin, Miles McCain, Saffron Huang, Esin Durmus, Sarah Heck, Jared Mueller, Jerry Hong, Stuart Ritchie, Tim Belonax, Kevin K. Troy, Dario Amodei, Jared Kaplan, Jack Clark, and Deep Ganguli, "Which Economic Tasks are Performed with AI? Evidence from Millions of Claude Conversations," 2025.
Hui, Xiang, Oren Reshef, and Luofeng Zhou, "The short-term effects of generative artificial intelligence on employment: Evidence from an online labor market," Organization Science, 2024, 35 (6), 1977–1989.
Johnston, Andrew and Christos Makridis, "The labor market effects of generative AI: A difference-in-differences analysis of AI exposure," Available at SSRN 5375017, 2025.
Massenkoff, Maxim, "How predictable is job destruction? Evidence from the Occupational Outlook," 2025. Working Paper.
Ozimek, Adam, "Overboard on Offshore Fears," 2019. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3777307
Tamkin, Alex and Peter McCrory, "Estimating AI productivity gains from Claude conversations," 2025.
Tomlinson, K., Jaffe, S., Wang, W., Counts, S., & Suri, S. (2025). Working with AI: measuring the applicability of generative AI to occupations. arXiv preprint arXiv:2507.07935.
일자리 해외 이전 가능성: Blinder et al. (2009) 및 Ozimek (2019); 정부 성장 전망: Massenkoff (2025); 로봇: Graetz and Michaels (2018) 및 Acemoglu and Restrepo (2020); 중국 충격: Autor et al. (2013) 및 Borusyak et al. (2022).
Brynjolfsson et al. (2025)은 Eloundou et al. (2023)의 과업 노출 측정치와 ADP의 급여 데이터를 사용해, AI 노출이 더 큰 직업과 더 작은 직업의 근로자 간 고용 추세를 비교한다. Johnston and Makridis (2025)는 미국 행정 데이터를 사용해 유사한 과업 기반 분석을 수행하지만, 처리를 산업 수준으로 집계한다. Hui et al. (2024)은 ChatGPT와 고급 이미지 생성 도구의 출시가 Upwork의 프리랜서 일자리에 어떻게 반응했는지, 각 도구의 출시일 전후로 직접 영향을 받는 범주의 근로자와 영향을 받지 않는 범주의 근로자를 비교하여 연구한다. Hampole et al. (2025)은 과거 대학 채용 네트워크를 이용해 기업 수준의 AI 채택을 도구변수로 처리한다. 즉, 과거에 AI 관련 역할로 진출한 졸업생을 배출한 대학에서 역사적으로 채용해왔던 기업은 채택 비용이 낮아 더 높은 채택을 보인다.
우리의 과업 및 직업 수준 노출 측정치는 다른 사용 데이터를 쉽게 포함할 수 있으며, 다른 국가로도 확장될 수 있다. 우리는 시간이 지나며 이 방법론을 새로운 환경에 적용할 의도가 있다.
그들의 프레임워크에서 “Directly exposed'” 과업은, LLM으로(입력 2,000단어 제한 및 최근 사실에 대한 접근 없음) 소요 시간을 절반으로 줄일 수 있는 과업이었다. “exposed with tools” 과업은 정보 검색과 이미지 처리 등 소프트웨어에 접근할 수 있는 LLM으로 동일한 속도 향상을 달성할 수 있는 과업이었다. 노출되지 않은 과업은 LLM으로 지속 시간을 50% 이상 줄일 수 없었다.
우리는 2025년 8월과 11월의 사용을 포함하는 이전 두 개의 Anthropic Economic Index 데이터셋을 사용한다. 의미적으로 매우 유사한 ONET 과업에 대해서는 카운트를 분할한다.
모든 단계에는 판단이 개입된다. Eloundou et al. (2023)의 측정치는 {0, 0.5, 1}로 들어가야 하는가, 아니면 다른 값이어야 하는가? “유의미한” 사용은 무엇으로 결정되는가? Economic Index 표본추출에서 구체적으로 포착될 만큼 빈번하지는 않지만, 사용이 높은 과업과 매우 유사해 보이는 과업은 어떻게 처리해야 하는가? 자동화 워크플로는 보완적 사용에 비해 얼마나 더 크게 반영되어야 하는가? Appendix에서 확장해 설명하는 안심되는 발견은, 이러한 질문들에 대한 다양한 해상도의 해법들 전반에서 직업 노출도의 Spearman(순위-순위) 상관이 매우 높다는 점이다.
CPS의 O*NET-SOC 코드를 occ1990 코드에 매칭하기 위해, 우리는 Eckhart and Goldschlag (2025)이 제공한 크로스워크를 사용한다.
우리는 Appendix에서 이를 세 가지 방식으로 더 탐구한다. 첫째, 처리를 정의하기 위해 사용하는 백분위 절단점이 중요한지 묻고, 중앙값부터 95백분위까지 변화시킨다. 모든 경우에서 영향은 평평하거나 음(-)이며(즉, 노출 집단의 실업이 감소), 다음으로 Brynjolfsson et al. (2025)과 같이 22~25세 청년 근로자에 초점을 맞춘다. 마지막으로, CPS 설문 응답 대신 노동부의 실업보험 청구자 데이터를 사용해 실업을 측정한다. 어떤 확장에서도 노출 직업에 대한 뚜렷한 영향을 찾지 못한다.
이 범위가 넓은 이유는 저자들이 여러 반사실에 대한 추정치를 제시하기 때문이다. 6%p 하락은 고용 성장이 정체라는 반사실과 비교한 것이다. 16%p 추정치는 동일 기업 내에서 직업이 다른 유사 근로자를 비교하는 설계에서 나온다.
Fujita, et al. (2024)를 참조하라.