Cohere Research: AI 노출 점수가 실제로 측정하는 것과 정책 입안자에게 충분하지 않은 이유

Cohere Research의 네 명의 연구자 — Campbell Lund, Thomas Euyang, Zanele Munyikwa, Marzieh Fadaee — 가 2026년 6월 10일, 노동 시장에 대한 AI의 영향을 평가하는 가장 영향력 있는 도구 중 하나인 이른바 노출 점수(AI exposure scores, AES)에 대한 포괄적인 비판적 분석을 발표했습니다. 연구에는 arXiv의 동반 프리프린트가 함께 제공됩니다.

AI 노출 점수란 무엇인가?

노출 점수는 AI가 노동 시장에 미치는 영향에 관한 논의에서 기본 도구입니다. 출발점은 직업 노출을 대형 언어 모델(LLM)이 수행하거나 지원할 수 있는 해당 직업 내 작업의 비율로 정의하는 「GPTs are GPTs」 프레임워크(Eloundou 외, 2023)입니다. 비율이 높을수록 해당 직업이 자동화 또는 AI 보조 작업에 더 많이 「노출」된 것으로 간주됩니다.

이러한 점수는 AI가 어떤 분야를 어느 정도로 변화시킬지를 예측하려는 정책 입안자, 경제학자, 언론에게 빠르게 기준점이 되었습니다.

정책 형성을 위한 정적 점수의 한계

저자들은 연구 방법론과 정책 입안자의 실질적인 필요 사이의 두 가지 근본적인 간극을 파악합니다.

구조적 간극(structural gap): 정적 점수는 특정 직업 분류체계에 적용된 특정 AI 시스템의 성능을 정확히 특정 시점에서 측정합니다. 즉, 세 가지 차원에서 내재적으로 제한됩니다. 시간적(오늘 유효한 것이 내일은 구식이 될 수 있음), 지리적(직업 분류체계는 국가마다 다름), 존재론적(직업 내 「작업」의 정의 자체가 불분명하고 불안정함). 그러나 정책 입안자들은 세 가지 차원 모두에서 유연한 지표가 필요합니다.

조율적 간극(coordination gap): 연구 커뮤니티는 이러한 한계를 정확히 다루는 더 발전된 방법론을 개발했습니다. 하지만 이 방법론들은 학문적 영역 내에 갇혀 있습니다. 정책 입안자들은 그 사이에 최신 접근 방식을 알지 못하여 여전히 구식 정적 점수를 인용합니다. 결과는 방법론적으로 이용 가능한 것과 실제로 적용되는 것 사이의 체계적인 불일치입니다.

다섯 가지 새로운 방법론적 패밀리

저자들은 학문 커뮤니티가 개발하고 있지만 정책 형성의 표준 사용에 아직 도달하지 않은 다섯 가지 새로운 방법론적 방향을 목록화합니다.

1. 동적 및 벤치마크 기반 측정 — 단일 정적 평가 대신, AI 시스템이 발전함에 따라 시간 경과에 따른 노출 변화 추적.
2. 앙상블 방법 — 편향을 줄이기 위해 여러 모델과 평가 접근 방식을 결합.
3. 작업 프레임워크 확장(task-framework extensions) — 표준화된 직업 분류에 의존하는 대신 노동자들이 실제로 하는 것을 더 잘 매핑.
4. 노동자 중심 지표(worker-centered metrics) — 추상적인 「작업」이 아닌 노동자 자신의 관점에서 AI 영향 측정.
5. 실제 사용 및 채택 데이터(adoption data) — 이론적 추정 대신 직장에서 AI가 실제로 얼마나 어떻게 사용되는지에 대한 경험적 데이터 활용.

공동 책임: 연구자와 정책 입안자

연구는 두 간극을 좁히는 책임이 공유된다고 강조합니다.

정책 입안자에게 저자들은 다음을 권고합니다. 더 다양한 유형의 측정에 의존하여 증거 기반을 넓히고, 노동자들을 인식론적 파트너(epistemic partners) — 자신의 노동 조건에 대해 직접적으로 관련된 경험과 지식을 보유한 사람들 — 로 포함시키며, **준비(preparedness)**로 초점을 전환할 것. 「어떤 직업이 사라질 것인가?」라는 질문 대신, 더 관련성 있는 질문은 다음과 같습니다. 불확실한 변화에 대비하여 지금 노동력을 어떻게 준비시킬 것인가?

연구자에게는 보완적인 권고 사항이 있습니다. 처음부터 정책 필요에 대응하도록 설계된 데이터 인프라를 구축하고, 경제학, 사회학, 컴퓨터 과학, 공공 정책 연구 사이의 간극을 메우는 학제적 방법을 활용할 것.

더 넓은 맥락

Cohere Research의 연구는 EU 전반과 그 너머에서 AI 규제와 노동 시장에 대한 영향에 관한 논의가 진행되는 시점에 발표됩니다. Eloundou 외(2023)와 같은 정적 점수는 이러한 논의에서 거의 표준적인 분석 투입 요소가 되었습니다. 바로 그렇기 때문에 이러한 방법론적 비판이 적시에 이루어지는 것입니다.

더 나은 방법론적 기반 없이는 정책이 현실을 지나치게 단순화하는 지표에 기반합니다. 변화의 속도, 다양한 국가의 노동 시장 차이, 삶이 위험에 처한 노동자들 자신의 관점을 고려하지 않습니다. 이 연구는 그 상황을 개선하기 위한 구체적인 의제를 설정합니다.