AI 노출 점수: 측정하는 것, 놓치는 것, 그리고 앞으로의 과제
AI Exposure Scores: what they measure, what they miss, and what comes next
2023년에 산출된 일련의 노출 점수가 미래 노동 논쟁의 핵심 실증적 입력 자료로 자리 잡았다. Eloundou et al.(2023)이 생산하고 본 연구에서 'GPTs are GPTs 점수'로 지칭하는 이 점수들은 노출을 대규모 언어 모델(LLM)이 지원할 수 있는 직업 과업의 비율로 정의한다. 이 연구는 진정한 방법론적 기여이지만, 점수들이 생산된 시간과 장소로부터 전파되는 과정에서 저자들이 명시한 한계가 항상 함께 전달되지는 않는다. 그 결과 두 가지 격차가 확대되었다. 첫 번째는 구조적 격차로, 정적 노출 점수가 측정하는 바와 정책 질문이 실제로 요구하는 바 사이의 격차이다. 이 점수들의 확산을 사례 연구로 삼아, 본 연구는 정책 지향 분석에서 시간적·지리적·존재론적 한계가 어떻게 복합적으로 작용하는지를 보이고, 이러한 한계에 대응하는 다섯 가지 연구 계열을 개괄한다: 동적·벤치마크 기반 측정, 앙상블(ensemble) 방법, 과업 프레임워크 확장, 노동자 중심 지표, 그리고 채택·사용 데이터. 두 번째 격차는 더 많은 주목이 필요하다고 본 연구가 주장하는 것으로, 연구자와 정책 입안자 간의 조율 문제이다. 누가 피해를 입고, 누가 이익을 얻으며, 어떻게, 언제 그러한지를 묻는 정책 관련 연구들은 이러한 질문들을 보다 신뢰성 있게 답할 수 있게 해줄 방법론적 갱신과의 접점 없이 정적인 GPTs are GPTs 점수를 계속 인용하고 있다. 나아가 본 연구는 불확실성을 헤쳐 나가기 위해 필요한 추가적 단계를 묻는다: 사후(ex-post) 프레임워크와 어떤 미래가 추구할 가치가 있는지를 재구상하는 의도적이고 정치적인 작업이 그것이다. 연구-정책 격차를 좁히는 것은 공동의 과제이다: 정책 입안자는 증거 기반을 넓히고, 노동자를 인식론적 파트너로 참여시키며, 예측에서 대비로 전환해야 한다. 연구자는 데이터 인프라를 구축하고, 참여적 방법을 채택하며, 정책 입안자를 염두에 두고 글을 써야 한다. 더 나은 측정은 중요하지만, 그것만으로는 두 번째 격차를 좁힐 수 없다.