AI 기반 자동화가 실제로 일자리에 어떤 영향을 미칠까요?

AI 기반 자동화는 실제로 일자리에 어떤 영향을 미칠까?

알렉스 이마스와 수미트라 Shukla가 Ghosts of Electricity를 통해 작성

AI 정책에서 가장 널리 인용되는 결과 중 하나는 Eloundou, Manning, Mishkin, Rock이 2023년에 발표한 논문 “GPTs are GPTs”에서 나온 것입니다. 논문의 제목은 멋진 중의적 표현입니다. 이 논문은 대규모 언어 모델(역시 GPTs)에 의해 구동되는 범용 기술(GPTs)이 노동 시장을 어떻게 재편할 수 있는지 연구합니다. 주요 결과는 미국 노동자 약 80%가 LLM에 의해 최소 10%의 업무가 영향을 받을 수 있으며, 약 19%는 업무의 절반 이상이 영향을 받을 수 있다는 것입니다. 일반적으로 이러한 노출 측정은 AI가 직무에 관련된 업무를 증강할 수 있는지 여부에 따라 직업이 AI에 얼마나 “노출”되었는지 파악하려고 시도합니다. 직접적인 노출은 “LLM 또는 LLM 기반 시스템에 대한 접근성이 인간이 특정 DWA를 수행하거나 작업을 완료하는 데 필요한 시간을 최소 50% 줄일 수 있는지”로 정의됩니다. 저자들은 논문에서 이 점을 명확히 밝히고 있습니다. 노출은 AI가 직무에 관여할 수 있는 능력에 해당하며, 직무가 얼마나 자동화될 수 있는지를 나타내는 것이 아닙니다. 하지만 “노출”이라는 단어는 정확히 그 반대인 대체에 대한 모든 종류의 불안감을 불러일으켰습니다. 아마도 이러한 이유로 이 AI 노출 측정은 지난 몇 달 동안 소셜 미디어에서 널리 퍼졌을 것입니다.

최근의 예는 OpenAI의 공동 창업자 중 한 명이자 AI에 대해 일반적으로 생각하는 방법에 대한 리더인 Andrej Karpathy입니다(예: 그는 “jagged intelligence”와 “vibe coding”이라는 용어를 모두 만들었습니다). 그의 대시보드는 그가 “vibe-coded” 주말 프로젝트라고 설명한 것으로, 주요 직업이 AI 기반 자동화에 얼마나 노출되어 있는지 순위를 매긴 것입니다. 이 대시보드는 이미 존재하는 AI로 인한 급격한 일자리 손실에 대한 모든 내러티브를 반영했기 때문에 X에서 빠르게 확산되었습니다.

대시보드가 과장되어 빠르게 확산되는 것을 본 후, Karpathy는 그의 “노출” 점수가 LLM이 생성한 측정으로 얼마나 디지털적인 직업인지에 대한 빠른 측정이며, 어떤 직업이 축소되거나 사라질 것이라는 진지한 예측으로 의도된 것이 아니라고 명확히 밝혔습니다. 그의 프로젝트 웹사이트에서도 동일한 주의 사항을 밝혔지만, X에서는 대부분 무시되었습니다. 유명한 문구를 덧붙이자면: “vibe coded 주말 프로젝트는 주의 사항이 바지를 입을 시간조차 없기 전에 세상 둘레를 두 번 돌 것입니다.”
그러나 최근 에피소드가 보여주는 것은 이러한 노출 측정치가 대중의 관심을 끌었지만, 일상적으로 오해되고 있다는 것입니다(일부에서는 “노출”이라는 용어 자체에 대한 모라토리움을 제안하기도 합니다). 사람들이 “80% 노출”된 직업이라고 들으면 그 직업의 80%가 사라질 것이라고 상상합니다. AI 노출과 일자리 손실의 실제 경제는 그러한 묘사와는 거리가 멉니다.

“직업”이란 무엇인가?

직업은 일련의 업무입니다. 일반적으로 사람들은 직업과 관련된 모든 업무를 얼마나 잘 완료하는지에 따라 급여를 받습니다. 예를 들어, 프로젝트 매니저라고 가정해 보겠습니다. 귀하의 직업에는 아이디어를 생성하고, 해당 아이디어를 간결하게 개요화하고 팀원으로부터 피드백을 받고, 프레젠테이션을 준비하고, 많은 단순 반복적인 업무(예: 시간표 승인, 물류 처리)와 같은 많은 업무가 포함됩니다. AI 모델이 더 좋아짐에 따라 이러한 것들을 자동화할 수 있다는 것을 깨달았습니다. AI는 많은 단순 반복적인 업무를 수행하고 프레젠테이션을 준비하는 데도 도움을 줄 수 있습니다. 노출 측정에 따르면 귀하의 직업은 이제 AI에 “노출”되었습니다. 귀하의 직업과 급여는 어떻게 될까요? 자동화가 일부 업무를 해방시켜 더 나은 아이디어를 생성하는 데 시간을 할애할 수 있다면 전반적인 생산성이 향상됩니다. 귀하는 회사에 더욱 가치 있는 존재가 됩니다. 인간은 고용되어 있으며, 심지어 임금도 상승합니다.

반대로 AI가 모든 업무를 자동화한다면—예를 들어 귀하의 직업이 단 두 가지 업무만 포함하고 그 두 가지 업무가 모두 자동화된다면—그렇습니다. 인간 노동력은 대체될 것입니다. 중요한 점은 업무의 수가 많을수록(우리가 직업의 차원이라고 부르는 것) 회사가 그것을 자동화하려는 유인이 더 커진다는 것입니다. 많은 분석에서 자동화에 대해 간과하는 부분이 바로 이것입니다. 기존 조직에 AI를 도입하는 데는 비용이 들기 때문에 회사는 직무를 자동화할 수 있다면 투자할 가능성이 더 큽니다. “노출”과 자동화 위험은 모델 기능의 함수일 뿐만 아니라 기업의 유인도에 따라 달라집니다. 이것은 가설이 아닙니다. 인간 노동력 비용이 증가하면 기업이 무엇을 자동화하고 언제 자동화할지에 대한 유인이 매우 중요하다는 증거가 이미 충분히 있습니다.

마지막으로, AI가 사람들을 더 생산적이고 더 높은 임금을 얻게 할 수 있더라도 소비자에게 생산성 증가가 “흡수”되지 않으면 해당 부문에서 대규모 해고가 발생할 수 있습니다. 생산성 증가에 따른 가격 하락이 제품에 대한 수요를 증가시키지 않으면 해당 부문에서 필요한 노동자 수가 줄어듭니다.

더 일반적으로, AI에 노출된 업무—심지어 그 노출이 해당 업무의 완전한 자동화에 해당하더라도—잠재적으로 해당 직업에 대한 더 높은 임금과 더 많은 채용으로 이어질 수 있습니다. 또는 해고와 심지어 완전한 대체로 이어질 수도 있습니다. 노출이 근로자에게 더 나은 또는 더 나쁜 노동 시장 결과를 초래하는지는 두 가지 주요 변수에 따라 달라집니다. 해당 부문에서 소비자 수요의 탄력성(가격이 하락함에 따라 사람들이 제품을 얼마나 더 많이 구매하는지)과 직업의 차원(해당 직업에 관련된 업무의 수)입니다. 우리가 이 글의 끝까지 여러분을 설득하고자 하는 것은 바로 이것입니다. 우리는 현재보다 트럭 운송 및 창고 직업에 대해 훨씬 더 걱정해야 합니다.

표준 자동화 접근 방식

자동화에 대한 “표준” 사고방식부터 시작해 보겠습니다. 먼저 O*NET과 같은 분류법을 사용하여 직업을 업무로 분해한 다음 AI가 얼마나 많은 업무를 자동화하거나 증강할 수 있는지 평가합니다. 직업에 대한 총 영향은 각 업무가 얼마나 개선되었는지에 대한 가중 평균이며, 이를 통해 “노출 지수”—일반적으로 AI가 직무의 업무 중 어느 비율을 수행할 수 있는지?—를 구축할 수 있습니다. 이 지수는 직업이 얼마나 영향을 받는지 선형적으로 매핑됩니다(예: Michael Webb의 이미 고전적인 논문 참조). 이 접근 방식은 AI의 잠재적 도달 범위를 매핑하는 데 매우 유용했습니다. 그러나 대부분의 실제 직업에 대해 거의 틀림없이 잘못된 가정을 포함하고 있습니다. 즉, 업무는 분리 가능하다고 가정합니다. 즉, 업무 A를 자동화하는 것은 업무 B의 생산성에 영향을 미치지 않으며, 전체 영향은 단순히 부분의 합입니다.

알고 있는 직업을 고려해 보십시오. 많은 직업이 출력의 일부를 올바르게 수행하는 것이 아니라 모든 것을 올바르게 수행해야 하는 직업이 있습니다. 요리사가 레시피의 대부분의 단계를 따르는 요리사, 비트 위에 대부분의 드럼을 치는 드러머, 부분적으로만 작동하는 코드를 작성하는 프로그래머, 또는 연구의 절반만 수행하는 교수(물론 일부는 이 요구 사항을 테스트했습니다)와 같은 직업이 있습니다. 이러한 직업은 각 업무가 출력이 허용 가능하도록 성공적으로 완료되어야 합니다.

다르게 말하면, 업무는 분리 가능하지 않습니다. 오히려 보완적입니다. 즉, 한 업무를 올바르게 또는 잘못 수행하는 것은 직업을 완료하기 위해 다른 업무를 얼마나 잘 수행할 수 있는지에 영향을 미칩니다. 직업 내의 업무가 대체재가 아닌 보완재라는 점은 대부분의 실제 생산에 대해 매우 타당해 보입니다. 그리고 이것은 AI가 실제로 직업에 어떤 영향을 미칠지에 대한 중요한 의미를 갖습니다.

직업의 O-링 모델

보완적인 업무가 비선형적인 생산성 증가를 초래한다는 아이디어는 Michael Kremer의 1993년 고전 논문 “경제 발전의 O-링 이론”으로 거슬러 올라갑니다. 이름은 비극적인 Challenger 재앙에서 유래했습니다. 단 하나의 결함이 있는 O-링이 전체 시스템의 파괴적인 실패를 초래했습니다. Kremer의 통찰력은 생산에 많은 단계가 필요하고 각 단계가 최종 제품에 가치를 부여하기 위해 잘 수행되어야 하는 경우 생산성이 기술의 선형 함수가 아닌 승수 함수가 된다는 것입니다. 이 업무 기반 직업 모델은 최근 Joshua Gans와 Avi Goldfarb의 “O-링 자동화”라는 논문에서 AI 기반 자동화에 Kremer의 프레임워크를 직접 적용하면서 새로운 관련성을 얻었습니다. 그들의 모델은 처음에는 간단해 보일 수 있지만 그 의미는 광범위하고 심오합니다. (Alex) 중 한 명은 몇 달 동안 이 논문에 집착해 왔습니다(여기, 여기, 그리고 여기 참조).

Gans와 Goldfarb는 각 작업자의 직무가 n개의 작업으로 구성된 회사의 모델을 구축합니다. 작업의 출력은 각 작업의 품질에 따라 승수입니다. 즉, O-링 생산 함수입니다.

작업자는 시간 내재량 h를 가지고 있으며 이를 n개의 작업에 할당합니다. 작업 s가 수동으로 수행되는 경우 작업자는 h_s시간을 소비하고 품질을 생성합니다.

여기서 a는 작업에 따라 일정하게 가정되는 노동 생산성입니다(단순화된 가정). 작업자의 시간 제약은 다음과 같습니다.

회사는 또한 자본을 임대하여 고정 품질 θ를 제공하여 임대 비용 r으로 모든 작업을 자동화할 수 있습니다. 이것이 주의해야 할 핵심 부분입니다. 작업 자동화에 대한 회사의 투자는 이 문제에 내재된 절충 관계에 따라 달라집니다. 작업이 자동화되면 작업자는 더 이상 해당 작업에 시간을 소비할 필요가 없습니다.

지금까지 설정은 꽤 간단합니다. 흥미로운 부분은 자동화 구조가 자동화가 도입된 후 무엇을 의미하는지입니다.

자동화는 임금을 어떻게 높일 수 있을까?

이제 회사가 n개의 작업 중 k개의 작업을 자동화한다고 가정해 보겠습니다. 작업자에게는 어떤 일이 발생하고 이것이 임금에 어떤 영향을 미칠까요?

자동화 전에 작업자는 대칭 구조로 인해 모든 n개의 작업에 시간을 균등하게 할당합니다. 따라서 각 수동 작업은 h/n시간을 받고 품질 a · h/n을 갖습니다. 총 출력은 다음과 같습니다.

k개의 작업이 품질 θ로 자동화된 후 작업자는 이제 남은 n - k개의 수동 작업에 할당할 수 있는 모든 h시간을 갖습니다. 각 수동 작업은 이제 h/(n-k)시간을 받고 품질 a · h/(n-k)를 생성합니다. 총 출력은 다음과 같습니다.

출력은 자동화된 작업의 품질 θ가 작업자가 자동화하기 전에 해당 작업에 원래 달성했던 수동 품질보다 적어도 높을 때에만 상승합니다. 일부 작업이 자동화되었다고 해서 반드시 출력이 상승하는 것은 아닙니다. 자동화된 작업의 품질이 충분히 높을 때 상승합니다.

하지만 핵심 통찰력은 다음과 같습니다. 자동화는 또한 작업자가 남은 작업에 더 많은 시간을 집중할 수 있도록 해줍니다. 작업자의 생산성이 향상되어 더욱 가치 있는 존재가 됩니다. 인간은 고용되어 있으며, 심지어 임금도 상승합니다.

반대로 AI가 모든 작업을 자동화한다면—예를 들어 작업이 단 두 개의 작업만 포함하고 그 두 작업이 모두 자동화된다면—그렇습니다. 인간 노동력은 대체될 것입니다. 중요한 점은 작업의 수가 많을수록(우리가 직업의 차원이라고 부르는 것) 회사가 그것을 자동화하려는 유인이 더 커진다는 것입니다. 따라서 자동화에 대한 분석에서 간과되는 부분은 바로 이것입니다. 기존 조직에 AI를 도입하는 데는 비용이 들기 때문에 회사는 직무를 자동화할 수 있다면 투자할 가능성이 더 큽니다.1

따라서 이로 인해 직업이 현재 “노출”되지 않은 경우에도(즉, AI가 해당 작업에 사용되지 않는 경우) 직업의 차원이 낮고 기술이 해당 작업을 자동화하기 직전인 경우 위험에 처해 있다고 생각해야 합니다. 회사는 남아 있는 업무가 적은 직업의 경우 자동화를 통해 직원을 교체하고 관련된 비용 절감을 얻을 수 있기 때문에 해당 작업을 자동화하기 위한 유인이 더 강합니다.

따라서 트럭 운송 및 창고 직업과 같이 간과된 조류가 있는 경우에 대해 더 우려해야 합니다.

표준 자동화 접근 방식

자동화에 대한 “표준” 사고방식부터 시작해 보겠습니다. 먼저 O*NET과 같은 분류법을 사용하여 직업을 업무로 분해한 다음 AI가 얼마나 많은 업무를 자동화하거나 증강할 수 있는지 평가합니다. 직업에 대한 총 영향은 각 업무가 얼마나 개선되었는지에 대한 가중 평균이며, 이를 통해 “노출 지수”—일반적으로 AI가 직무의 업무 중 어느 비율을 수행할 수 있는지?—를 구축할 수 있습니다. 이 지수는 직업이 얼마나 영향을 받는지 선형적으로 매핑됩니다(예: Michael Webb의 이미 고전적인 논문 참조). 이 접근 방식은 AI의 잠재적 도달 범위를 매핑하는 데 매우 유용했습니다. 그러나 대부분의 실제 직업에 대해 거의 틀림없이 잘못된 가정을 포함하고 있습니다. 즉, 업무는 분리 가능하다고 가정합니다. 즉, 업무 A를 자동화하는 것은 업무 B의 생산성에 영향을 미치지 않으며, 전체 영향은 단순히 부분의 합입니다.

알고 있는 직업을 고려해 보십시오. 많은 직업이 출력의 일부를 올바르게 수행하는 것이 아니라 모든 것을 올바르게 수행해야 하는 직업이 있습니다. 요리사가 레시피의 대부분의 단계를 따르는 요리사, 비트 위에 대부분의 드럼을 치는 드러머, 부분적으로만 작동하는 코드를 작성하는 프로그래머, 또는 연구의 절반만 수행하는 교수(물론 일부는 이 요구 사항을 테스트했습니다)와 같은 직업이 있습니다. 이러한 직업은 각 업무가 출력이 허용 가능하도록 성공적으로 완료되어야 합니다.

다르게 말하면, 업무는 분리 가능하지 않습니다. 오히려 보완적입니다. 즉, 한 업무를 올바르게 또는 잘못 수행하는 것은 직업을 완료하기 위해 다른 업무를 얼마나 잘 수행할 수 있는지에 영향을 미칩니다. 직업 내의 업무가 대체재가 아닌 보완재라는 점은 대부분의 실제 생산에 대해 매우 타당해 보입니다. 그리고 이것은 AI가 실제로 직업에 어떤 영향을 미칠지에 대한 중요한 의미를 갖습니다.

직업의 O-링 모델

보완적인 업무가 비선형적인 생산성 증가를 초래한다는 아이디어는 Michael Kremer의 1993년 고전 논문 “경제 발전의 O-링 이론”으로 거슬러 올라갑니다. 이름은 비극적인 Challenger 재앙에서 유래했습니다. 단 하나의 결함이 있는 O-링이 전체 시스템의 파괴적인 실패를 초래했습니다. Kremer의 통찰력은 생산에 많은 단계가 필요하고 각 단계가 최종 제품에 가치를 부여하기 위해 잘 수행되어야 하는 경우 생산성이 기술의 선형 함수가 아닌 승수 함수가 된다는 것입니다.

이 업무 기반 직업 모델은 최근 Joshua Gans와 Avi Goldfarb의 “O-링 자동화”라는 논문에서 AI 기반 자동화에 Kremer의 프레임워크를 직접 적용하면서 새로운 관련성을 얻었습니다. 그들의 모델은 처음에는 간단해 보일 수 있지만 그 의미는 광범위하고 심오합니다. (Alex) 중 한 명은 몇 달 동안 이 논문에 집착해 왔습니다(여기, 여기, 그리고 여기 참조).

Gans와 Goldfarb는 각 작업자의 직무가 n개의 작업으로 구성된 회사의 모델을 구축합니다. 작업의 출력은 각 작업의 품질에 따라 승수입니다. 즉, O-링 생산 함수입니다.

작업자는 시간 내재량 h를 가지고 있으며 이를 n개의 작업에 할당합니다. 작업 s가 수동으로 수행되는 경우 작업자는 h_s시간을 소비하고 품질을 생성합니다.

여기서 a는 작업에 따라 일정하게 가정되는 노동 생산성입니다(단순화된 가정). 작업자의 시간 제약은 다음과 같습니다.

회사는 또한 자본을 임대하여 고정 품질 θ를 제공하여 임대 비용 r으로 모든 작업을 자동화할 수 있습니다. 이것이 주의해야 할 핵심 부분입니다. 작업 자동화에 대한 회사의 투자는 이 문제에 내재된 절충 관계에 따라 달라집니다. 작업이 자동화되면 작업자는 더 이상 해당 작업에 시간을 소비할 필요가 없습니다.

지금까지 설정은 꽤 간단합니다. 흥미로운 부분은 자동화 구조가 자동화가 도입된 후 무엇을 의미하는지입니다.

자동화는 임금을 어떻게 높일 수 있을까?

이제 회사가 n개의 작업 중 k개의 작업을 자동화한다고 가정해 보겠습니다. 작업자에게는 어떤 일이 발생하고 이것이 임금에 어떤 영향을 미칠까요?

자동화 전에 작업자는 대칭 구조로 인해 모든 n개의 작업에 시간을 균등하게 할당합니다. 따라서 각 수동 작업은 h/n시간을 받고 품질 a · h/n을 갖습니다. 총 출력은 다음과 같습니다.

k개의 작업이 품질 θ로 자동화된 후 작업자는 이제 남은 n - k개의 수동 작업에 할당할 수 있는 모든 h시간을 갖습니다. 각 수동 작업은 이제 h/(n-k)시간을 받고 품질 a · h/(n-k)를 생성합니다. 총 출력은 다음과 같습니다.

출력은 자동화된 작업의 품질 θ가 작업자가 자동화하기 전에 해당 작업에 원래 달성했던 수동 품질보다 적어도 높을 때에만 상승합니다. 일부 작업이 자동화되었다고 해서 반드시 출력이 상승하는 것은 아닙니다. 자동화된 작업의 품질이 충분히 높을 때 상승합니다.

하지만 핵심 통찰력은 다음과 같습니다. 자동화는 또한 작업자가 남은 작업에 더 많은 시간을 집중할 수 있도록 해줍니다. 작업자의 생산성이 향상되어 더욱 가치 있는 존재가 됩니다. 인간은 고용되어 있으며, 심지어 임금도 상승합니다.

반대로 AI가 모든 작업을 자동화한다면—예를 들어 작업이 단 두 개의 작업만 포함하고 그 두 작업이 모두 자동화된다면—그렇습니다. 인간 노동력은 대체될 것입니다. 중요한 점은 작업의 수가 많을수록(우리가 직업의 차원이라고 부르는 것) 회사가 그것을 자동화하려는 유인이 더 커진다는 것입니다. 따라서 자동화에 대한 분석에서 간과되는 부분은 바로 이것입니다. 기존 조직에 AI를 도입하는 데는 비용이 들기 때문에 회사는 직무를 자동화할 수 있다면 투자할 가능성이 더 큽니다.1

따라서 이로 인해 직업이 현재 “노출”되지 않은 경우에도(즉, AI가 해당 작업에 사용되지 않는 경우) 직업의 차원이 낮고 기술이 해당 작업을 자동화하기 직전인 경우 위험에 처해 있다고 생각해야 합니다. 회사는 남아 있는 업무가 적은 직업의 경우 자동화를 통해 직원을 교체하고 관련된 비용 절감을 얻을 수 있기 때문에 해당 작업을 자동화하기 위한 유인이 더 강합니다.

따라서 트럭 운송 및 창고 직업과 같이 간과된 조류가 있는 경우에 대해 더 우려해야 합니다.

Roughly 3 million Americans drive trucks for a living. Many are in their 50s, have been driving for decades, and live in communities where trucking is an economic backbone. Trucking is one of the best jobs one can get without a college degree. The actual work of a long-haul truck driver is dominated by a few core functions: moving the truck safely from point A to point B. The logistics, loading/unloading, etc. are all done by others. If autonomous driving becomes reliable on long-haul routes, the job of a truck driver is not just being augmented; it is fundamentally threatened and may even be displaced entirely. And that possibility is no longer theoretical. Companies such as Aurora Innovation and Kodiak Robotics are already running large-scale autonomous trucking pilots and commercial deployments on constrained routes. Warehousing tells a similar story. Warehousing employs millions of U.S. workers, and many warehouse jobs—picking, packing, sorting, pallet movement—are relatively narrow and increasingly automatable. Abroad, firms are already operating highly automated “dark warehouses” that run around the clock with minimal human labor. These warehouses look nothing like what we see today: they are designed from the ground up to be run by machines.

Now compare that to a knowledge worker, say, a management consultant. The job combines research, data analysis, client communication, presentation design, strategic reasoning, team coordination, and relationship management. That’s at least seven or eight distinct complementary tasks. Claude or Codex might automate the first pass on the data analysis and slide deck creation, but the consultant is still needed for everything. In O-ring terms, automating some tasks can make the remaining ones more valuable by allowing the worker to allocate more time to them—the consultant can spend more time talking to the client and making them comfortable with the implementation, getting buy-in from the various units, etc. As a consequence, wages may rise, and employment may rise too if better output and lower prices expand client demand.

You can see the same logic in many high-stakes professions such as medicine and academia. There are now over 870 FDA-approved radiology AI tools, and 66% of doctors use at least one AI tool, mainly for note dictation and diagnostic support. But these tools are augmenting radiologists and physicians, not replacing them. AI typically handles the routine pattern recognition aspect of the job, freeing doctors to focus on complex cases, patient communication, and clinical judgment. Likewise, academics have been debating whether advances in AI make research assistants more or less valuable. As AI automates routine analytical tasks, both professors and RAs can concentrate more on ideas and judgement, thereby expanding output and demand for skilled research labor. This is yet again the O-ring focus effect in practice.

Same in our lab. Each additional member can do so much more, the challenge is getting everyone up to speed, having open discussions on best ways to use these tools vs not and building a culture where people feel valued more not less. https://t.co/0nEwUadRPF
— Abhishek Nagaraj 🗺️ (@abhishekn) March 18, 2026

What do exposure indices capture?

In the standard approach, a management consultant is highly “exposed” to AI whereas a truck driver is not. But does this mean that the consultant is at higher displacement risk than the truck driver? Not necessarily. The consultant’s high exposure may actually be good news because it means AI will augment many of their complementary tasks, triggering the focus effect and potentially raising wages. On the other hand, the truck driver’s moderate exposure on a single critical task is much more dangerous because trucking companies have a much higher incentive to automate the task of driving, and once that’s done, the job is gone as well. These incentives are already playing out in practice:

NEWS: Jeff Bezos is in talks to raise $100 billion for a new fund that would buy up manufacturing companies and seek to use AI technology to accelerate their path to automation.
It's linked to Jeff's Project Prometheus AI startup, which aims to build AI products for engineering… pic.twitter.com/6zlXRQHhOY
— Sawyer Merritt (@SawyerMerritt) March 19, 2026

The relevant object therefore is not average task exposure, but the structure of bottlenecks and how automation reshapes worker time around them. Two jobs with identical exposure scores can have completely opposite displacement risks depending on whether their tasks are complements, whether demand for their output is elastic or inelastic, and the incentives of the firm to invest in automation. The workers at greatest risk are not necessarily those with the highest average exposure, but those whose jobs are built around a small number of core tasks that AI can automate.

1 In the case where jobs are not fully automated, the cost savings from automating the marginal task will depend on the complementarities between the other tasks in the job. The exact relationship is worked out in the O-ring model of automation paper.

Alex Imas is a professor at UChicago Booth. Doing research on Economics and Applied AI. Substack here. 

Tyler Durden
Sat, 04/04/2026 - 09:20