📋 한 줄 요약
**[AI Exposure Measurement / Econometric Bias]** AI 플랫폼 대화 로그 기반 occupation exposure 점수가 사용자 기반을 부분적으로 측정하는 편향 — 플랫폼 입력만 바꿔도 post-ChatGPT 고용 계수 1.9× 변화·BLS 가중 재정렬 시 42~93% 감소, substitution을 understate.
🎯 핵심 기여도
- 점증하는 문헌이 AI 플랫폼 대화 로그로 occupation exposure를 측정하지만, 이 점수가 사용자 기반(user base)을 부분적으로 측정한다는 사실을 입증.
- 결과·표본·통제·추정기를 고정하고 플랫폼 입력만 바꿔도 post-ChatGPT 고용 계수가 1.9× 변하고, 같은 vendor 내 consumer-vs-enterprise 채널이 부호조차 다른 추정치 산출함을 보임.
- BLS workforce share로 재가중 시 추정치가 42~93% attenuate.
- 이 non-classical measurement error를 정형화, 고용 elasticity의 probability limit·partial-identification bound 도출. Bias가 substitution을 augmentation보다 더 understate함을 지적.
💡 핵심 아이디어
AI exposure 측정은 플랫폼 사용자 기반이 인구 workforce와 다르다는 비전형 측정 오차에 의해 systematically 편향되며, 단일 플랫폼·채널 의존 추정은 추정 부호·크기·해석 모두 불안정 — BLS 재가중·partial identification으로 bias를 명시적으로 통제해야 한다.
🔬 기술적 접근법
- **방법론**: Multi-platform 비교 + BLS workforce share 재가중 + partial identification bound.
- **핵심 기법**: (1) 결과·표본·통제·추정기 고정, 플랫폼 입력만 변동, (2) Within-vendor consumer vs enterprise 채널 비교, (3) BLS workforce share로 reweighting, (4) Non-classical measurement error의 econometric 정형화, (5) Probability limit·partial-identification bound 도출.
📊 주요 결과
- 플랫폼 입력만 바꿔도 post-ChatGPT 고용 계수 1.9× 변화.
- Vendor 내 consumer vs enterprise 채널이 부호 다른 추정치 산출.
- BLS 재가중 시 추정치 42~93% attenuate.
- Bias가 substitution을 augmentation보다 더 강하게 understate.
💭 의의 및 한계
**의의**: AI exposure 측정의 systematic 편향 진단, 정책·노동 경제 연구의 robust 가이드, BLS 재가중·partial identification의 실용 처방 제공. **한계**: 분석이 특정 플랫폼·기간(post-ChatGPT)에 한정, BLS workforce share 자체의 정확도 의존, future AI 활용 패턴 변화 시 추정 안정성 별도 검증.
🚀 실용적 활용
- AI 노동 시장 영향 정책 분석.
- 직업 exposure 측정 방법론 가이드.
- Econometric bias correction in observational AI 연구.