개요
Andrej Karpathy가 공개한 jobs는 미국 노동통계국(BLS)의 Occupational Outlook Handbook이 다루는 342개 직업을 인터랙티브 트리맵으로 탐색하는 개발·연구 도구다. 트리맵에서 사각형의 면적은 직업별 총고용 규모를, 색상은 고용 전망·중위 임금·요구 학력·LLM이 추정한 디지털 AI 노출도 중 선택한 지표를 나타낸다. 저장소에는 BLS 데이터 스크레이핑·파싱, 구조화, LLM 채점, 웹사이트 데이터 빌드 과정이 함께 들어 있어 프롬프트를 바꿔 다른 노출도나 위험 기준을 시험할 수 있다. 저자는 이 도구를 보고서나 엄밀한 경제 예측이 아니라 BLS 데이터를 시각적으로 살펴보기 위한 개발 도구로 규정한다.
핵심 포인트
scrape.py가 Playwright로 342개 BLS 직업 페이지를 내려받고, 파서와make_csv.py가 임금·학력·고용 규모·성장 전망·SOC 코드 등을 구조화한다.score.py는 직업 설명과 rubric을 LLM에 보내 직업별 0~10점 AI 노출도와 판단 근거를scores.json에 저장하며, 원문에서는 OpenRouter를 거친 Gemini Flash를 사용했다고 설명한다.build_site_data.py가 구조화된 통계와 점수를 합쳐site/data.json을 만들고, 정적 프론트엔드가 이를 트리맵으로 렌더링한다.prompt.md에는 집계 통계, 구간별 분포, 342개 직업의 점수와 근거가 약 45K 토큰 분량으로 정리되어 있어 코드를 실행하지 않고도 LLM과 데이터 기반 대화를 시도할 수 있다.- AI 노출도 점수는 직업 소멸의 예측이 아니며, 수요 탄력성·잠재 수요·규제 장벽·사람을 선호하는 사회적 성향 등을 반영하지 않는 LLM의 대략적인 추정치다.
왜 중요한가
- 실제 고용 규모를 면적으로 표현하면서 직업별 AI 노출도와 BLS 지표를 같은 화면에서 비교하게 해, 추상적인 “AI가 일자리를 바꾼다”는 질문을 직업 단위로 살펴볼 수 있다.
- AI 노출도를 고정된 결론이 아니라 프롬프트로 정의하는 분석 레이어의 한 사례로 보여 준다. 따라서 결과는 노동시장에 대한 결론보다 추가로 검토할 질문을 만드는 탐색 자료로 보는 것이 적절하다.
- Karpathy의 다른 에이전트·개발 도구 관점은 2026-06-20-karpathy-vibe-coding-to-agentic-engineering에서, LLM 라우팅 계층은 openrouter에서 이어서 볼 수 있다.
후속으로 볼 링크와 키워드
- 원문: https://discuss.pytorch.kr/t/jobs-llm-342-ai-feat-karpathy/11183
- 라이브 데모: https://karpathy.ai/jobs/
- GitHub 저장소: https://github.com/karpathy/jobs
- 관련 코드:
scrape.py,score.py,prompt.md - 키워드:
BLS Occupational Outlook Handbook,Digital AI Exposure,treemap,LLM rubric scoring,OpenRouter,Gemini Flash,미국 노동시장 시각화