채용 증가와 대체 위험 고조 속 출범한 메릴랜드 AI 경제 영향 추적기

메릴랜드주 재무감사관 브룩 E. 리어먼은 11월 5일 메릴랜드 AI 경제 영향 추적기를 출범시키며 채용 증가와 노동력 대체 전망을 함께 제시했다. 이 공개 대시보드는 고용주가 AI 전문성을 어디에서 찾는지, 기업이 인력 구성이 어떻게 변할 것으로 예상하는지, 어떤 직업이 자동화 위험에 노출되는지를 보여주는 서로 다른 근거를 한데 모은다.

이 질문들은 사람마다 중요성이 다르다. 일자리를 찾는 개발자에게는 채용 수요에 관한 근거가 필요하다. 사업주는 도입 비용과 인력 배치 선택을 이해해야 한다. 주 정부 관계자는 변화하는 고용 패턴이 가계 소득과 재정에 영향을 미칠지 평가해야 한다.

핵심 긴장은 관측된 활동과 예상되는 혼란 사이에 있다. Tufts University는 잠재적 대체를 모델링하고, University of Maryland 연구진은 AI 기술 수요 공고를 추적한다. 어느 한 지표만으로는 메릴랜드 노동력이 도입으로 이득을 얻고 있는지, 손실을 보고 있는지를 판단할 수 없다. 새 대시보드는 조사 결과를 해석할 때 이 구분이 필수적임을 강조한다.

메릴랜드 AI 경제 영향 추적기, 공동의 출발점 마련

이번 출범으로 메릴랜드는 모든 지표를 확정된 고용 결과로 단정하지 않으면서도 AI의 경제적 영향을 살필 수 있는 공개 기준점을 갖게 됐다.

재무감사관의 AI 경제 추적기는 대학 연구, 정부 고용 데이터, 기업 설문조사 결과를 결합한다. 대시보드는 분기별 업데이트와 함께 근거가 확보되는 대로 추가 수정도 예정하고 있다. 경제 및 재정 시나리오를 검토하는 연구 브리프는 2027년에 발간될 계획이다.

초기 수치에는 2026년 9월까지 기술적 AI 역량을 요구한 메릴랜드 내 고유 채용 공고 3,600건이 포함된다. 별도의 모델 시나리오는 2년에서 5년 사이 주 전체 고용의 7.2%에 해당하는 잠재적 대체를 전망한다. 이 수치들은 서로 다른 대상 집단, 기간, 근거 유형을 설명한다.

채용 공고는 고용주가 공개적으로 밝힌 채용 관심을 기록한다. 대체 추정치는 특정 가정 아래 가능한 미래를 설명한다. 한 수치에서 다른 수치를 빼는 방식은 AI의 순고용 효과를 오해하게 만들 수 있다.

이 구분은 정부 관계자들이 대시보드를 논의하는 방식에도 반영돼야 한다. 전망은 손실이 현실화되기 전에 대비가 필요한 영역을 파악하는 데 도움이 될 수 있다. 그러나 전망된 손실이 이미 발생했다거나, 노출된 모든 근로자가 다른 직업을 찾아야 한다는 점을 입증하지는 못한다.

채용 근거에도 같은 주의가 필요하다. 공고는 실제 채용이 고용 통계에 나타나기 전에 변화하는 요구사항을 드러낼 수 있다. 하지만 얼마나 많은 지원자가 제안을 받았는지, 공석이 계속 남아 있었는지, 채용이 퇴사자를 대체한 것인지는 보여주지 못한다.

대시보드의 공개 형식은 독자가 이러한 해석에 이의를 제기할 수 있는 방법을 제공한다. 고용주, 연구자, 근로자는 헤드라인 수치에만 전적으로 의존하지 않고 기본 정의를 검토할 수 있다. 이러한 접근성은 이견을 더 구체적으로 만들고, 잠재적으로 더 유용하게 만든다.

예를 들어 노동력 지원 단체는 기술 채용 기회가 혼란을 겪는 근로자의 경험과 맞닿아 있는지 물을 수 있다. 전문 개발자 수요가 늘어난다고 해서 행정 직원에게 접근 가능한 대안이 자동으로 생기는 것은 아니다. 자격요건, 위치, 경력 요건은 별도로 검토할 필요가 있다.

공적 책임성은 시간 경과에 따른 변화 기록을 보존하는 데에도 달려 있다. 가정이 바뀌면 독자는 추정치가 왜 움직였는지 이해해야 한다. 그렇지 않으면 개선된 전망이 근로자 상황의 개선이 아니라 수정된 방법론을 반영할 수 있다.

따라서 메릴랜드 AI 경제 영향 추적기는 면밀한 검토를 위한 출발점을 마련한다. 실질적 가치는 이후 공개 자료가 독자들이 도입, 기업 의사결정, 고용 결과 간 관계를 추적하는 데 도움이 되는지에 달려 있다.

채용 수요는 기회를 보여주지만 고용 균형을 확정하지는 않는다

AI 시스템을 구축하는 인력에 대한 수요가 AI 사용으로 직무가 바뀌는 모든 근로자를 대변할 수는 없다.

LinkUp과 함께 University of Maryland 연구진이 이끄는 AI jobs mapping 프로젝트는 고용주의 채용 공고를 분석한다. 연구진은 광고된 직무를 분류하기 위해 언어를 해석하고 생성하도록 훈련된 소프트웨어인 특화 대규모 언어 모델을 사용한다.

이 접근법은 AI에 대한 가벼운 언급과 실질적인 기술 요건을 구분하려 한다. 연구진은 키워드 검색만으로는 공고를 잘못 분류할 수 있다고 주장한다. 직무 기술서의 언어 변화가 경제 수요 변화처럼 보일 수 있기 때문에 이러한 방법론적 선택은 중요하다.

AI 제품을 언급한 공고가 반드시 해당 기술을 구축하는 역할을 설명하는 것은 아니다. 반대로 고용주는 가장 널리 알려진 제품명을 쓰지 않고도 관련 기술 지식을 요구할 수 있다. 분류 방식에 따라 어떤 공고가 최종 집계에 포함되는지가 결정된다.

구직자에게 이 의미는 실용적이다. AI 고용이 확대되고 있다는 헤드라인은 챗봇에 대한 일반적 친숙함이 고용주의 요구사항을 충족한다는 뜻이 아니다. 독자는 해당 범주 뒤에 있는 실제 책임과 자격요건을 살펴봐야 한다.

이 구분은 노동력 정책에도 영향을 미친다. AI가 생성한 작업을 평가하도록 훈련하는 일은 모델을 개발하도록 훈련하는 일과 다른 필요를 충족한다. 두 형태의 학습 모두 유용할 수 있지만, 사람들을 서로 다른 책임에 대비시킨다.

AI 지원을 어떻게 도입할지 결정하는 가상의 소프트웨어 팀을 생각해 보자. 이 팀은 도구를 내부 시스템과 연결할 전문 인력을 채용하는 한편, 기존 개발자에게 생성된 코드를 검토하도록 요청할 수 있다. 이러한 방식은 전문 인력 수요를 만들면서 동시에 기존 직무를 변화시킨다.

이 사례는 메릴랜드의 문서화된 채용 결과가 아니라 가능한 조직적 선택이다. 이는 기술 인력 채용 증가가 더 넓은 고용 문제를 결론지을 수 없는 이유를 보여준다. 새로운 전문성은 생산량을 늘리고, 책임을 재편하거나, 미래 채용을 줄이는 업무 흐름을 뒷받침할 수 있다.

지역 비교에도 비슷한 주의가 필요하다. AI 직무를 더 많이 공고하는 지역은 고용주 기반이 더 크거나 산업 구성이 다를 수 있다. 단순 총계만으로는 개별 근로자가 그곳에서 더 나은 전망을 갖는지 알 수 없다.

전체 공고 중 비중은 또 다른 관점을 제공하지만, 이 역시 한계가 있다. AI 비중 상승은 기술 채용 확대, 다른 분야 채용 감소 또는 둘 다를 반영할 수 있다. 독자는 이 비율을 일반적인 노동시장 강도로 해석하기 전에 기본 건수를 확인해야 한다.

가장 유용한 비교는 정의와 기간을 일관되게 유지한다. 연도 일부 기간의 공고를 완료된 연도와 비교해도 차이를 분명히 밝힌다면 추세를 설명할 수 있다. 다만 이것이 조용히 통상적인 연간 성장률 비교로 바뀌어서는 안 된다.

고용주에게 이러한 구분은 인력 계획을 명확히 설명해야 한다는 압박을 만든다. AI 채용을 강조하는 기업은 역량을 확대하는지, 외부 서비스를 대체하는지, 기존 책임을 바꾸는지 설명해야 한다. 고용 결과는 이러한 선택에 달려 있다.

대시보드는 기술 인력 채용을 가시화한다. 다음 분석 과제는 이 수요를 접근 가능한 경력 경로, 완료된 채용, 그리고 AI라는 이름표를 전혀 받지 않는 직업 전반의 변화와 연결하는 일이다.

고용주 계획은 기존 근로자와 신규 진입자에게 서로 다른 압력을 가한다

인원수가 안정적으로 유지되더라도 조직에 진입할 기회는 줄어들 수 있다.

메릴랜드의 business AI benchmark는 2026년 6월부터 7월까지 약 300명의 고위 의사결정자를 조사했다. 주지사실은 91%가 어떤 형태로든 AI를 사용하고 있었으며, 58%는 여전히 기초 사용자라고 보고했다.

같은 발표에 따르면 64%는 추가 인력을 채용하기보다 기존 직원이 AI로 더 많은 일을 수행하도록 할 계획이었다. AI로 인해 인원수를 줄일 것으로 예상한 응답자는 4%에 불과했다. 대부분의 정기 사용자는 생산성 개선이 미미하다고 설명했다.

이는 응답자들이 보고한 경험과 기대다. 메릴랜드의 모든 고용주가 AI를 사용한다거나 예상한 인력 결정이 실제로 이루어질 것이라는 점을 입증하지는 못한다. 이 설문은 기업의 사고방식을 보여주지만, 독자가 얼마나 폭넓게 일반화해야 하는지에는 한계가 있다.

그럼에도 인력 관련 결과는 중요한 구분을 보여준다. 조직은 현재 직원을 유지하면서도 계획된 공석을 채우지 않기로 선택할 수 있다. 기존 근로자는 연속성을 경험하지만, 지원자는 사라진 기회를 마주하게 된다.

이 가능성은 정책 입안자가 무엇을 모니터링해야 하는지를 바꾼다. 해고 발표는 눈에 보이는 감원을 포착하지만, 채용하지 않기로 한 모든 결정을 포착할 수는 없다. 대체된 근로자에게만 전적으로 초점을 맞춘 노동력 대응은 첫 일자리를 확보하는 데 어려움을 겪는 사람들을 놓치게 된다.

고용주가 받는 압박도 구체적이다. 직원에게 더 많은 생산을 요구하는 것은 추가 역량이 실제인지 확인해야 하는 관리 책임을 만든다. 검토와 수정에 절약된 시간이 소요된다면 초안 작성이 빨라졌다고 해서 반드시 납품도 빨라지는 것은 아니다.

가상의 컨설팅 팀은 이 문제를 보여준다. AI 지원은 초기 고객 문서 작성 시간을 단축할 수 있다. 그러나 숙련된 직원은 여전히 근거를 검증하고, 고객의 상황을 이해하며, 권고에 대한 책임을 져야 한다.

초기 초안 작성 시간이 줄었다는 이유로 팀이 주니어 채용을 줄인다면, 미래 직원이 어떻게 판단력을 기를지 고려해야 한다. 일상적으로 보이는 업무도 감독 아래 실습 기회를 제공할 수 있다. 학습 기회를 대체하지 않고 이를 없애면 별도의 조직적 문제가 생긴다.

이는 메릴랜드 컨설팅 기업들이 이미 이 방식을 채택했다는 근거가 아니라 분석적 시사점이다. 고용주의 기대가 교육, 감독, 승진에 관한 후속 질문을 필요로 하는 이유를 설명한다.

이 벤치마크는 생산성 주장을 판매하는 공급업체에도 압박을 가한다. 구매자는 긍정적인 사용자 인상과 문서화된 운영 개선을 구분해야 한다. 도구가 도움이 된다고 느껴지더라도 승인된 결과물을 완성하는 데 필요한 시간이 바뀌지 않을 수 있다.

지식 근로자에게 당면한 문제는 조직이 성공적인 AI 사용을 어떻게 정의하는가다. 산출량만으로는 성급한 결론을 부추길 수 있다. 검토 부담, 정확성, 서비스 품질, 학습 기회도 평가에 포함돼야 한다.

업무 흐름 결정에 대한 검색 가능한 기록을 유지하면 이러한 평가를 뒷받침할 수 있다. 체계적인 AI knowledge base는 무엇이 달라졌는지 검토하는 맥락을 제공할 수 있지만, 문서화만으로 생산성이나 고용 효과를 입증할 수는 없다.

이 설문은 노동력 분석이 조직 내부의 결정을 살펴봐야 하는 이유를 분명히 한다. 도입이 더 넓은 기회로 이어지는지는 고용주가 추가 역량을 성장, 업무량, 채용, 직원 개발에 어떻게 배분하는지에 부분적으로 달려 있다.

대체 전망은 도입 가정에 달려 있다

모델링된 위험은 대비할 가치가 있지만, 어느 개별 근로자의 미래에 대한 예측과는 구분돼야 한다.

Tufts University의 일자리 취약성 지수는 직업과 지역별 잠재적 일자리 대체 규모를 추정한다. 이 지수의 핵심 전국 시나리오는 2~5년 사이 약 930만 개의 취약 일자리가 발생할 수 있다고 제시한다. 대체 도입 시나리오의 범위는 270만 개에서 1,950만 개까지다.

대학 측은 충분히 신뢰할 만한 증거가 없어 이 평가에서 일자리 창출을 제외했다고 밝혔다. 이 한계는 지수를 경제 전망으로 해석할 때 중요하다. 이 지수는 고용 증가와 감소의 완전한 균형을 제시하지 않은 채 대체 경로를 평가한다.

이 범위는 도입 가정을 결과의 핵심 요소로 만든다. 기술적 역량만으로 고용주가 인력 배치를 언제 바꿀지가 결정되지는 않는다. 조직은 시스템이 유용한지, 도입 비용을 감당할 수 있는지, 충분히 신뢰할 수 있는지, 그리고 자신의 책임에 적절한지를 판단해야 한다.

예시적인 의료 업무 흐름은 이러한 구분이 왜 중요한지 보여준다. 문서화 소프트웨어 지원은 기록을 준비하는 데 드는 시간을 줄일 수 있다. 이후 인력 변화가 따르는지는 임상 수요, 검토 요건, 조직의 선택, 그리고 직원이 문서화 외에 수행하는 업무에 달려 있다.

이 사례는 메릴랜드 의료 고용의 결과를 확정하지 않는다. 이는 직업 단위 추정치가 특정 조직에서 업무가 실제로 어떻게 이루어지는지를 살피는 일을 대신할 수 없는 이유를 설명한다.

AI 노출도, 즉 일자리의 업무가 AI 역량과 겹치는 정도는 더 이른 분석 단계다. 일자리 대체에는 조직이 노동 대신 소프트웨어를 선택할지에 관한 추가 가정이 필요하다. 실제 고용 결과는 그러한 결정 이후의 관찰을 요구한다.

전망이 공적 논의를 거치면서 이 차이는 중요해진다. 어떤 업무가 기술적으로 노출돼 있다는 말은 점차 그 일자리가 사라질 것이라는 주장으로 바뀔 수 있다. 그 과정의 변화마다 기초 증거에 여전히 남아 있는 불확실성이 제거된다.

취약한 역할과 대안이 없는 근로자는 다르다. 일부 직원은 연관된 업무로 이동할 수 있다. 다른 이들은 직업의 평균 위험이 비슷해 보여도 적응을 어렵게 만드는 제약을 마주한다.

근로자 적응 역량에 관한 연구는 이 구분을 명확히 한다. Brookings 연구진과 협력자들은 노출도와 함께 저축, 연령, 전환 가능한 기술, 지역의 기회를 검토한다. 이들의 분석은 적응 수단이 제한된 근로자에게 취약성이 집중돼 있음을 보여준다.

이 관점은 단순히 기술적 노출도로 직업 순위를 매기는 것과 다른 정책 우선순위를 제안한다. 교육 지원을 평가하는 공직자는 누가 이를 현실적으로 활용할 수 있는지 물어야 한다. 과정의 제공 여부만으로는 일정 제약, 재정적 압박, 인근의 제한적인 고용 선택지를 해결할 수 없다.

따라서 유용한 대응은 위험 추정치와 전환에 필요한 조건을 연결한다. 근로자에게는 도달 가능한 목적지와 그곳으로 가는 실질적인 경로가 필요하다. AI에 더 익숙해지라는 일반적인 조언은 이 질문들에 답하지 못한다.

이 전망은 준비 도구로서 여전히 가치가 있다. 이를 책임 있게 활용하려면 시나리오를 명시하고, 제외된 효과를 인식하며, 새로 나오는 증거가 가정된 변화 속도를 뒷받침하는지 확인해야 한다.

독립적인 고용 증거는 단순한 일자리 서사를 복잡하게 만든다

서로 다른 연구 방법은 같은 기초 질문을 다루지 않으면서도 서로 다른 결과를 낼 수 있다.

초기 고용 효과에 관한 Stanford 워킹페이퍼는 2026년 6월까지의 ADP 급여 기록을 분석한다. 저자들은 경제 전반에 걸친 광범위한 일자리 대체의 증거를 발견하지 못했다고 보고한다.

또한 AI 노출 직업의 청년 근로자는 주로 채용 감소를 통해 더 약한 고용 결과를 보인다고 분석했다. 저자들은 이 결과를 인과 추정치가 아닌 초기의 기술적 지표로 설명한다. 이들은 데이터셋 간 차이와 분석 선택에 대한 민감성도 인정한다.

이 조합은 전부 아니면 전무라는 해석에 이의를 제기한다. 광범위한 대체가 없다고 해서 모든 집단의 전망이 변하지 않았다는 뜻은 아니다. 특정 집단의 결과가 약하다고 해서 경제 전체가 AI 때문에 일자리를 잃고 있다는 의미도 아니다.

급여 기록과 채용 공고는 고용의 서로 다른 단계를 포착한다. 채용 공고는 채용하려는 의도를 설명한다. 급여 기록은 데이터셋 안의 고용 관계를 설명한다. 어느 쪽도 기업 수요, 채용 활동, 고용, 퇴직을 잇는 전체 과정을 제공하지 않는다.

전망은 가정된 미래 조건에서 어떤 일이 발생하는지를 묻는 또 다른 관점을 제시한다. 따라서 미래지향적 시나리오와 현재의 급여 기록 결과를 비교할 때는 주의가 필요하다. 차이는 직접적인 모순이 아니라 시점과 범위의 차이를 반영할 수 있다.

메릴랜드 독자에게 유용한 비교는 방법론적 비교다. University of Maryland 프로젝트는 공고된 수요에 관한 증거를 제공한다. Tufts는 잠재적 취약성을 검토한다. Stanford는 자사의 급여 표본 안에서 관찰된 고용 패턴을 검토한다.

Maryland AI Economic Impact Tracker는 이러한 유형의 질문을 주 정책 논의로 가져온다. 독자들은 이들이 함께 존재한다는 사실을 하나의 결정적 답을 둘러싼 경쟁으로 바꾸지 말아야 한다. 중요한 문제는 어떤 증거가 검토 중인 결정에 부합하는가다.

어떤 기술 과정을 제공할지 결정하는 교육 제공자에게는 채용 정보가 필요하다. 취약 근로자를 위한 지원을 준비하는 기관에는 위험 및 전환 증거가 필요하다. 채용 변화 여부를 검증하는 연구자에게는 시간에 따른 일관된 관찰과 신뢰할 만한 비교가 필요하다.

인과관계 판단은 여전히 가장 어려운 단계다. 금리, 고객 수요, 조직 재편 및 기타 조건은 AI 도입과 함께 채용을 바꿀 수 있다. 도입 후 인력 지표가 움직였다고 해서 그 움직임이 도입 때문에 발생했다는 사실이 그 자체로 입증되지는 않는다.

이 불확실성은 공적 표현에 영향을 미쳐야 한다. 공직자는 대안적 설명을 함께 제시하면서 어떤 패턴이 가능한 메커니즘과 일치한다고 설명할 수 있다. 더 강한 인과 주장은 그러한 설명을 구분하도록 설계된 연구를 위해 남겨 두어야 한다.

근로자의 경험은 집계 수치가 놓치는 질문을 식별하는 데 도움이 될 수 있다. 초급 업무 배정이 줄거나 검토 책임이 무거워졌다는 보고는 검토할 가치가 있다. 그러나 개인적 사례만으로 이러한 변화가 메릴랜드 전역에서 얼마나 흔한지는 입증할 수 없다.

같은 기준은 낙관적인 사례에도 적용된다. AI를 도입한 뒤 사업을 확장한 기업은 조사할 가치가 있는 사례를 제공한다. 그렇다고 유사한 기업들이 확장할 것, 또는 AI만으로 그 성과를 설명할 수 있다는 점이 입증되는 것은 아니다.

가장 강한 해석은 증거가 불완전한 곳에서 이견을 보존한다. 메릴랜드에는 이제 그 증거를 정리할 장소가 있다. 기술적 역량과 고용 결과의 연결을 확립하려면 여전히 반복 측정과 신중한 비교가 필요하다.

다음 업데이트는 채용, 인력 결정 및 재정 노출을 연결해야 한다

가장 유익한 후속 자료는 서로 다른 지표가 함께 움직이기 시작하는지를 보여줄 것이다.

첫 번째로 살펴볼 신호는 채용 증거다. 이후 발표 자료는 일관된 정의와 일치하는 기간을 사용해 기술 인력 채용을 비교할 수 있게 해야 한다. 독자들은 변화가 고용주와 직업 전반으로 확산되는지, 아니면 일부에 집중되는지를 살펴봐야 한다.

더 폭넓고 지속적인 증가는 기술 수요가 좁은 기회의 집합을 넘어 확대되고 있다는 근거를 강화할 것이다. 집중된 증가는 더 제한적인 결론을 뒷받침할 것이다. 어느 결과도 그 자체로 고용 전체에 미친 효과를 확정하지는 못한다.

완료된 채용에 관한 증거가 제공된다면 또 다른 차원이 추가될 것이다. 채워지지 않은 공고는 현지 지원자가 채운 직위와 다른 질문을 제기한다. 이러한 구분은 채용 활동을 경제적 기회에 관한 주장으로 옮길 때 중요하다.

두 번째 신호는 고용주의 기대가 관찰 가능한 인력 결정으로 바뀌는지다. 후속 설문조사는 예상 효과에만 의존하지 않고, 기업이 AI 도입 뒤 실제로 무엇을 바꿨는지 물을 수 있다. 채용, 퇴직, 내부 이동 및 교육은 각각 별도로 주목할 필요가 있다.

고용주가 초급 기회를 유지하면서 추가 산출을 보고한다면, 이는 생산성 향상에 대한 더 포괄적인 설명을 뒷받침할 것이다. 인원 수가 안정적인데도 채용이 약화된다면 신규 진입자의 접근성에 대한 우려가 더 커질 것이다.

이는 메릴랜드 기업이 어느 경로를 따를 것이라는 예측이 아니라 검토해야 할 조건이다. 대시보드가 이를 구분하는 데 도움이 된다면 그 유용성은 커질 것이다. 총고용 수치만으로는 조직 내부에서 기회가 어떻게 바뀌는지 설명할 수 없다.

세 번째 신호는 노동시장 결과와 주 재정의 연결이다. 감사관이 계획한 연구 브리프는 그 관계를 검토할 경로를 제공한다. 독자들은 단일한 헤드라인 추정치보다 명확히 제시된 가정과 대안적 시나리오를 찾아야 한다.

재정 분석은 채용 감소와 일자리 대체, 일시적 혼란과 지속적인 소득 변화를 구분해야 한다. 잠재적 이익이 평가에 어떻게 반영되는지도 설명해야 한다. 그렇지 않으면 세부적인 고용 모델도 불완전한 재정 그림을 만들 수 있다.

이 모든 신호에서 수정에 관한 투명성이 중요하다. 전망이 바뀌면 기초 증거, 도입 가정 또는 분석 방법 중 무엇이 바뀌었는지를 설명해야 한다. 그 설명이 없으면 독자는 조건이 개선됐는지, 아니면 단지 모델이 발전했는지 평가할 수 없다.

따라서 다음 몇 달은 결정적 판정을 기대하기보다 기준선을 확인하고 예정된 발표를 따라가는 시기다. 경제 증거는 고르지 않게 축적된다. 책임 있는 업데이트는 그 주변의 모든 불확실성을 해결하지 못해도 질문의 범위를 좁힐 수 있다.

고용주에게 이는 성공을 주장하기 전에 결정을 기록하라는 뜻이다. 어떤 책임이 바뀌었는지, 업무를 어떻게 검토했는지, 채용 계획이 달라졌는지를 기록해야 한다. 이러한 세부 사항은 직원 생산성이 높아졌다는 일반적인 주장보다 이후 비교를 더 신뢰할 만하게 만든다.

근로자에게 실질적인 대응은 기회와 위험 모두의 이면에 있는 책임을 살피는 것이다. 고용주가 무엇을 요구하는지, 어디에서 판단이 계속 필요한지, 어떤 기술이 인접 업무로 이전되는지를 살펴봐야 한다. 직업 분류를 개인의 경력 전망으로 취급하지 말아야 한다.

Maryland AI Economic Impact Tracker의 정의부터 살펴본 다음, 그 순서대로 채용, 인력 배치, 재정 증거를 따라가라. 헤드라인이 AI가 일자리를 만들거나 없애고 있다고 주장할 때, 그것이 채용 공고, 고용주의 기대, 모델링된 위험 또는 관찰된 고용을 설명하는지 확인하라. 비교가 일치하는 기간과 집단을 사용하는지도 물어야 한다. 직장 의사결정에서는 약속된 생산성 향상 뒤에 있는 가정을 보존하고, 도입 후 이를 다시 검토하라. 공공정책 결정에서는 어떤 근로자가 제안된 지원에 접근할 수 있는지, 어떤 결과를 측정할 것인지 물어야 한다. 메릴랜드의 다음 업데이트를 위한 유용한 질문은 구체적이다. 새 증거는 누가 기회를 얻었고, 누가 제약을 마주했으며, 어떤 기업 결정이 그 차이를 설명하는지를 보여주는가?