#3 Predicting AI’s Impact on Labor is a Core ML Problem

ICML 논문인데 저자가 1명...

(기존 접근법의 한계와 충돌):

계량경제학자($E$): "기존 회귀분석 모델과 구조적 방정식으로 AI 도입 영향을 분석하겠다. 과거 데이터에 따르면 특정 태스크가 자동화되면 해당 직군의 고용은 일정 탄력성으로 감소할 것이다.

"머신러닝 예측기($M$): "루카스 비판(Lucas Critique)을 잊었는가? 당신의 모델은 고정된 환경을 가정하지만, AI 에이전트가 투입되는 순간 워크플로우와 작업의 정의 자체가 바뀐다. 이는 완벽한 비정상(Non-stationary) 환경이자 공변량 변화(Covariate Shift)다. 과거 데이터만으로는 표본 외(Out-of-sample)의 미래를 외삽(Extrapolate)할 수 없다."

---

노동 시장 에이전트($A_{\text{labor}}$): "우리는 고정된 숫자가 아니다. AI 도구가 들어오면 단순히 대체되는 것이 아니라, 남은 고부가가치 태스크를 재조합해 새로운 직무를 만들고 조직 구조를 바꾼다. 우리 내부의 상호작용을 직접 계산에 반영하라."

추가 예시: 자동화 크레인이 설치되자 하역 노동자들은 파업에 돌입하고, 노조는 의회를 압박해 '자동화 장비 1대당 인간 안전 관리자 2인 의무 배치' 법안을 통과시킨다. 선사는 물류 지연을 피하고자 크레인 기사들을 내륙 물류 기지 관리직으로 전환 배치한다.

머신러닝 예측기($M$): "그렇다면 당신들을 LLM 기반 경제 행위자(Agent-based Simulation)로 인스턴스화하겠다. 당신들의 미시적 행동 변화와 조직 재편을 시뮬레이션하여 데이터 생성 분포 $P_t(X, Y)$ 자체의 진화를 추적하겠다."

계량경제학자($E$): "좋다. 다만 단순 시뮬레이션은 환각과 과적합의 위험이 크다. 내 인과 추론 틀을 검증 제약 조건(Causal Constraint)으로 두고, 단계별 타깃(역량 $\rightarrow$ 채택 $\rightarrow$ 워크플로우 변화 $\rightarrow$ 거시적 고용)을 쪼개어 지속적으로 평가 및 보정(Calibration)하자."

수학적 방법:

역사적 사건 간의 과도한 이질성(Task Heterogeneity)으로 인해 단순히 "역사는 반복된다"는 전제로 외삽하면, 모델의 파라미터 분산이 폭발하여 최악의 정책 결정을 유도하는 논문의 고위험 불확실성(High-stakes Uncertainty) 문제에 직면한다.

불확실성 집합 $\mathcal{U}$ 내의 최악의 분포 변화에서도 성능을 보장하는 분포 강건 최적화(Distributionally Robust Optimization, DRO) 및 경제학의 구조적 모형 추정을 결합한다.
$\min_\theta \max_{Q \in \mathcal{U}(P)} \mathbb{E}_{(x, y) \sim Q} \left[ \mathcal{L}(f_\theta(x), y) \right]$

여기에 작업(Task) 단위의 미세 데이터 측정값과 실제 정책 전환 시점의 자연실험 데이터를 결합하여 모수를 지속적으로 보정(Calibration under change)하는 누적 예측 과학(Cumulative Prediction Science) 프레임워크를 완성한다.

일반적인 평시 데이터 대신 역사적으로 기술 충격으로 인해 기존 틀이 붕괴했던 사건들(증기선 도입, 전화 교환원 자동화, 컨테이너선 혁명)을 단위 작업(Task $\tau$)으로 묶어 데이터화한다.
논문이 제안하는 "LLM 기반 경제 행위 시뮬레이션(LLM-based simulation of economic behavior)"과 "체제 변화 하에서의 평가(Evaluation under regime change)"를 적용하여, 체제 충격 $\Delta A$에 반응하는 행위자의 전략적 행동 함수 $\pi(a \mid s; \phi)$를 메타 학습(Meta-Learning)의 타깃으로 전환한다.

---