AI 노출 지수: 무엇을 측정하는가, 무엇을 놓치고 있는가, 그리고 앞으로의 방향은?

AI Exposure Scores: what they measure, what they miss, and what comes next

2023년에 계산된 일련의 노출 지수는 미래의 노동에 대한 논쟁에서 중요한 실증적 자료로 자리 잡았습니다. Eloundou 등 (2023)이 생산하고 여기서는 'GPTs are GPTs' 지수로 명명되는 이 지수들은, 대규모 언어 모델이 지원할 수 있는 직업 관련 작업의 비율을 노출로 정의합니다. 이 연구는 진정한 방법론적 기여를 하지만, 이 지수가 생성된 시간과 장소에서 다른 곳으로 전파될 때, 저자들이 언급한 한계점들이 항상 함께 따라오지는 않습니다. 그 결과, 두 가지 격차가 벌어졌습니다. 첫째, 이는 구조적인 문제로, 정적인 노출 지수가 측정하는 것과 정책적 질문이 실제로 요구하는 것 사이의 간극입니다. 이러한 지수의 확산을 사례 연구로 삼아, 이 지수들의 시간적, 지리적, 존재론적 한계점들이 어떻게 정책 분석에서 복합적으로 작용하는지 보여주고 있으며, 이러한 한계에 대응하는 다섯 가지 유형의 연구를 소개합니다: 동적 및 벤치마크 기반 측정 방법, 앙상블 방법, 작업 프레임워크 확장, 근로자 중심 지표, 그리고 채택 및 사용 데이터. 둘째는 우리가 더 많은 관심을 기울여야 한다고 주장하는 격차입니다. 즉, 연구자와 정책 입안자 간의 조율 문제입니다. 누가 피해를 보고, 누가 이익을 얻으며, 어떻게, 언제 그러한가'라는 정책적으로 중요한 질문들은 여전히 'GPTs are GPTs' 정적 지수를 참조하고 있지만, 이러한 질문들을 더 신뢰성 있게 답변할 수 있는 방법론적 업데이트에 대한 고려는 부족합니다. 따라서 우리는 불확실성을 해결하기 위해 어떤 추가적인 단계가 필요한지 살펴봅니다. 즉, 사후 분석 프레임워크와 의도적이고 정치적인 미래 비전을 재구성하는 노력이 필요합니다. 연구-정책 간의 격차를 해소하는 것은 공동 과제입니다. 정책 입안자들은 증거 기반을 확대하고, 근로자를 지식 동반자로 참여시키며, 예측에서 준비로 전환해야 합니다. 더 나은 측정이 중요하지만, 이것만으로는 두 번째 격차를 좁힐 수 없습니다.

A set of exposure scores calculated in 2023 has become a central empirical input to the future of work debate. Produced by Eloundou et al. (2023) and referred to here as the GPTs are GPTs scores, they define exposure as the share of occupational tasks a large language model can assist with. This work is a genuine methodological contribution, but as the scores travel from the time and place they were produced, the limitations the authors named do not always travel with them. Two gaps have widened as a result. The first is structural, between what static exposure scores measure and what policy questions actually require. Taking the diffusion of these scores as a case study, we show how their temporal, geographic, and ontological limitations compound in policy-facing analyses, and we survey five families of research responding to these limits: dynamic and benchmark-based measures, ensemble methods, task-framework extensions, worker-centered metrics, and adoption and usage data. The second gap is the one we argue needs more attention: the coordination between researchers and policymakers. The policy-relevant work which ask who is harmed, who benefits, how, and when, continues to reference the static GPTs are GPTs scores without engagement with the methodological updates that would let these questions be answered more reliably. We then ask what additional steps towards navigating uncertainty remain: ex-post frameworks and the deliberate, political work of reimagining what futures are worthy of building towards are. Closing the research-policy gap is a shared task: policymakers must widen their evidence base, engage workers as epistemic partners, and shift from prediction to preparedness; researchers must build data infrastructure, adopt participatory methods, and write with policymakers in mind. Better measurement matters, but it will not close the second gap alone.