The Iceberg Index: Measuring Workforce Exposure in the AI Economy

The Iceberg Index: AI 경제에서의 스킬 중심 노출 측정

 

AI가 노동시장에 미치는 영향을 읽는 기존 지표는 대체로 변화가 이미 드러난 뒤에야 반응한다. 고용이 줄었는지, 임금이 떨어졌는지, 생산성이 변했는지는 볼 수 있지만, 그보다 앞선 단계에서 인간의 업무와 AI의 능력이 얼마나 겹치기 시작했는지는 잘 보이지 않는다. 이 논문은 바로 그 빈칸을 메우기 위해 Iceberg Index를 제안한다.

 

저자들이 보기에 핵심 단위는 더 이상 직업명만이 아니다. 같은 직업 안에서도 실제로는 여러 스킬이 섞여 있고, AI 역시 직업 전체를 한 번에 대체하기보다 특정 스킬 묶음부터 침투한다. 그래서 이 논문은 직업을 스킬 단위로 다시 표현한 뒤, 현재 배치된 AI 도구가 어떤 스킬을 수행할 수 있는지와 그 스킬이 임금·고용 측면에서 얼마나 큰 가치를 차지하는지를 결합해 기술적 노출을 계산한다.

Iceberg Index는 실직자 수를 직접 예측하는 지표가 아니다. 오히려 지금 기준에서 AI와 인간의 업무가 어디까지 겹쳐 들어와 있는지를 보여 주는 상한선에 가깝다. 논문은 이를 빙산에 비유한다. 지금 눈에 보이는 기술 직군의 변화는 수면 위 작은 일부일 뿐이고, 더 큰 노출은 전국의 행정·재무·전문 서비스 같은 화이트칼라 업무 아래에 숨어 있다는 것이다.

 

이 분석을 위해 논문은 Project Iceberg라는 대규모 시뮬레이션 환경을 사용한다. 미국 노동시장 1억 5,100만 명의 노동자, 923개 직업, 3,000개 이상 카운티, 3만 2천 개 이상 스킬, 1만 3천 개 이상 AI 도구를 하나의 스킬 체계 위에 올려놓고, 인간 노동과 AI 능력을 같은 기준으로 비교한다. 이렇게 만든 프레임은 단순한 분류표가 아니라, 채택 속도나 정책 개입이 달라졌을 때 어느 지역과 산업이 더 크게 흔들릴지를 시험해 볼 수 있는 시뮬레이션 기반으로 제시된다.

핵심 숫자

• 노동자: 1억 5,100만 명
• 직업: 923개
• 카운티: 3,000+
• 스킬: 32,000+
• AI 도구: 13,000+
• Surface Index: 2.2%
• Iceberg Index: 11.7%
• 전통 지표 설명력: 5% 미만

왜 새로운 지표가 필요한가

기존 노동시장 지표의 첫 번째 한계는 시점이다. 대부분의 통계는 변화가 일어난 뒤 결과를 기록한다. 하지만 정부와 기업이 실제로 필요한 것은 해고나 임금 하락이 확정된 다음의 사후 보고서가 아니라, 어디에 노출이 먼저 쌓이고 있는지를 미리 보여 주는 전향적 신호다.

두 번째 한계는 단위다. 전통 통계는 사람, 직업, 사업장을 세는 데 강하지만, 직업 내부에서 어떤 과업이 인간에게 남고 어떤 부분이 AI에 넘어갈 수 있는지는 세밀하게 포착하지 못한다. 그래서 기술 허브에서 이미 보이는 소프트웨어 자동화와 전국적으로 퍼져 있는 행정·재무·전문 서비스의 인지 자동화를 같은 잣대로 비교하기가 어렵다.

이 문제의식은 아래 그림에서 가장 직관적으로 드러난다. 논문은 기존 인구조사 기반 지표가 지리적으로 고정된 사업장과 일자리는 잘 보지만, AI가 매개하는 노동과 직업 내부의 스킬 재편은 잘 드러내지 못한다고 설명한다.

 

 

이 때문에 저자들은 Iceberg Index를 일종의 선행 지표로 제시한다. 실제 고용 충격이 통계에 찍히기 전에, 어떤 직업과 지역이 AI 능력과 더 많이 겹치고 있는지를 먼저 측정해야 한다는 것이다.

Project Iceberg와 계산 방식

Project Iceberg의 구조는 비교적 명확하다. 먼저 인간 노동력을 직업명이 아니라 스킬 벡터로 바꿔 표현한다. 다음으로 실제 기업 환경에서 쓰이는 AI 도구들을 같은 스킬 체계에 맞춰 매핑한다. 마지막으로 Large Population Models 위에서 인간과 AI가 상호작용하는 시나리오를 돌려, 직업·산업·지역 수준에서 기술적 중첩이 얼마나 큰지 계산한다.

아래 그림은 이 프레임의 전체 흐름을 요약한다. 캡처–분석–시뮬레이션의 세 단계 안에서 인간 노동력과 AI 도구를 같은 기준 위에 올려놓고, 거기서 노출과 전환 가능성을 추정하는 방식이다.

Iceberg Index는 단순히 “AI가 할 수 있다/없다”를 표시하는 값이 아니다. 각 직업에서 어떤 스킬이 얼마나 중요한지, 그 스킬이 현재 AI 도구로 어느 정도 수행 가능한지, 그리고 그 스킬이 임금 가치에 얼마나 크게 기여하는지를 함께 반영한다. 그래서 이 값은 직업 전체가 사라질 확률이 아니라, 해당 직업의 경제적 가치 중 어느 정도가 AI와 기술적으로 겹쳐 있는지를 보여 준다.

논문은 이 프레임이 현실 노동시장을 어느 정도 반영하는지도 먼저 확인한다. 아래 결과는 스킬 유사성 기반 직업 표현이 실제 경력 이동의 85%를 회수하고, Surface Index가 Anthropic Economic Index의 실제 AI 사용 패턴과 주 단위로 69% 일치한다는 점을 보여 준다.

 

이 검증이 완전한 정답을 보장하는 것은 아니지만, 최소한 저자들이 만든 스킬 기반 표현이 현실의 직업 구조와 완전히 동떨어진 추상 모형은 아니라는 점을 뒷받침한다.

핵심 결과

이 논문의 가장 중요한 결론은 지금 눈에 보이는 AI 변화가 빙산의 꼭대기에 불과하다는 점이다. 기술 직군 중심의 Surface Index는 전국 평균 2.2%로, 약 2,110억 달러의 임금 가치에 해당한다. 반면 행정·재무·전문 서비스까지 포함한 Digital Iceberg Index는 평균 11.7%로 약 1조 2천억 달러 수준에 이른다. 즉, 현재 통계와 담론에서 잘 보이는 기술 부문의 변화보다 훨씬 큰 노출이 수면 아래에 숨어 있다는 뜻이다.

아래 그림은 바로 이 차이를 한 장으로 보여 준다. 수면 위의 작은 Surface Index와 수면 아래의 큰 Iceberg Index를 대비시키며, 실제 변환 잠재력이 왜 현재 체감보다 훨씬 클 수 있는지를 설명한다.

 

이 차이를 지역적으로 보면 더 분명하다. 먼저 현재 눈에 잘 띄는 기술 부문 노출은 특정 지역에 비교적 집중되어 있다. 아래 지도에서 보이듯 전국 평균 Surface Index는 2.2이며, 워싱턴 같은 기술 허브는 높고 괌처럼 낮은 지역도 뚜렷하다.

 

하지만 Iceberg Index를 보면 이야기가 달라진다. 해안 기술 허브 바깥에서도 높은 인지 자동화 노출이 나타나며, 특히 재무·행정 기능이 두드러지는 주는 캘리포니아보다 더 높은 값을 보이기도 한다. 즉, AI 전환의 잠재력은 단지 소프트웨어 산업에만 갇혀 있지 않고, 전국에 퍼져 있는 화이트칼라 운영 업무 전반에 걸쳐 넓게 깔려 있다.

논문은 여기서 한 걸음 더 나아가, 같은 수준의 노출이라도 구조가 같지 않다는 점을 강조한다. 어떤 주는 금융이나 기술처럼 몇 개 산업에 노출이 강하게 몰려 있고, 어떤 주는 물류·생산·행정·서비스로 더 넓게 분산되어 있다. 아래 그림의 HHI 분석은 이런 차이를 시각화한다.

 

이 구분은 정책적으로 중요하다. 노출이 몇 개 산업에 집중된 지역은 특정 부문 중심의 재훈련이나 전환 지원이 더 효과적일 수 있지만, 여러 산업에 넓게 퍼진 지역은 훨씬 폭넓은 직무 전환과 지역 단위 대응이 필요할 수 있기 때문이다.

또 하나 흥미로운 결과는 전통적 거시 지표의 설명력이 매우 낮다는 점이다. 실업률, 1인당 소득, GDP 같은 익숙한 지표는 Surface Index와는 어느 정도 상관을 보이지만, Iceberg Index가 보여 주는 숨은 노출은 거의 설명하지 못한다.

 

저자들은 세 지표 모두 Iceberg Index 변동의 5% 미만만 설명한다고 보고한다. 그래서 AI 경제를 읽기 위해서는 기존 경기 지표만 보는 방식으로는 부족하며, 스킬 중심의 별도 KPI가 필요하다고 결론짓는다.

정책적으로 읽을 포인트

논문이 이 지표를 정책 도구로 보는 이유는 분명하다. 첫째, 아무 조치도 하지 않았을 때 어디에 위험이 쌓이는지를 기준선으로 보여 줄 수 있다. 둘째, 간호·행정·공급망처럼 AI가 사람을 바로 대체하기보다 병목을 줄이며 생산성을 끌어올릴 수 있는 영역을 찾는 데 쓸 수 있다. 셋째, 훈련·인프라·인센티브 투자처럼 정책 수단을 설계할 때, 기존 고용 승수 가정만으로는 놓치기 쉬운 AI 전환 잠재력을 다시 계산하게 해 준다.

특히 이 논문이 반복해서 강조하는 메시지는, 눈에 보이는 기술 직군 변화만 보고 대응하면 늦는다는 것이다. 더 큰 재편은 전국적으로 퍼진 화이트칼라 인지 업무에서 먼저 진행될 수 있고, 그 변화는 실업률 통계가 움직이기 전에 준비해야 한다는 것이 저자들의 정책적 결론이다.

이 논문을 읽을 때의 한계

논문도 한계를 분명히 적어 둔다. 첫째, Iceberg Index는 어디까지나 기술적 노출을 측정할 뿐, 실제 해고나 채용 감소, 임금 하락을 직접 예측하지는 않는다. 실제 결과는 기업 전략, 품질 요구 수준, 규제, 사회적 수용, 노동자 적응 속도에 크게 좌우된다.

둘째, 이 연구는 학술 벤치마크에서의 최대 성능이 아니라 실제 기업 환경에서 배치된 AI 도구 생태계에 더 가깝게 맞춰져 있다. 그래서 현재 비즈니스 맥락에는 더 현실적이지만, 반대로 가까운 미래의 급격한 모델 성능 향상까지 충분히 반영하지 못할 수도 있다.

셋째, 이번 분석은 물리적 로보틱스보다 디지털 AI에 초점을 둔다. 따라서 제조업의 육체적 자동화보다 문서 처리, 분석, 조정, 고객 대응 같은 인지·행정 업무 변화에 더 민감하다. 넷째, 임금 가치 가중치와 스킬 전이 가능성에 관한 가정은 직업 내부의 세부 차이와 현장 적응 비용을 일정 부분 평준화할 수 있다.

결론

이 논문의 기여는 “AI가 이미 어디를 대체했는가”를 세는 데서 멈추지 않고, “AI가 어디까지 겹쳐 들어와 있는가”를 전국 규모로 지도화했다는 점에 있다. 지금 눈에 보이는 기술 직군의 변화는 시작일 뿐이고, 더 큰 질적 재편은 행정·재무·전문 서비스 같은 화이트칼라 업무 아래에 숨어 있다는 것이 Iceberg Index의 핵심 메시지다.

결국 이 논문은 AI 시대 노동정책의 초점을 결과 통계에서 노출의 지리와 구조로 옮겨야 한다고 말한다. 어디에서 먼저 충격이 발생할지를 정확히 예언하는 것은 어렵더라도, 어디에 더 큰 기술적 중첩이 쌓이고 있는지는 지금부터 측정할 수 있다는 것이다.