671 ／ 671
AI 에이전트 작업 위임: 누가 AI에 일과 책임을 넘기는가?
1. 연구의 목적
(1) 현재 AI의 노동 시장 영향을 정확히 측정하는 데 어려움이 있음. 기술 발전 속도가 빠르고, 적용 범위가 넓으며, 누가 어떤 목적으로 AI를 채택하는지에 대한 명확한 이해가 부족함. 기존 연구는 AI가 수행할 수 있는 작업 능력, 상용화된 도구의 활용 가능성, 그리고 사용자의 대화형 AI 사용 기록에 초점을 맞추어 왔음. 그러나 이러한 측정 방식은 AI가 작업을 할 수 있는지 또는 사용되고 있는지를 보여줄 뿐, 작업자가 AI에게 실제로 작업을 위임했는지에 대한 증거를 제시하지 못함.
(2) 이 연구는 ‘위임된 노출(delegated exposure)’이라는 새로운 개념을 도입하고 이를 측정하는 에이전틱 채택 지수(Agentic Adoption Index, AAI)를 개발함. 작업자가 AI를 구조화된 워크플로우에 내장함으로써 특정 작업을 AI에 할당했는지 여부를 파악함. 이로써 AI 에이전트 기술이 노동 시장에 어떻게 침투하고 있는지, 그리고 이 위임된 노출의 분포가 기존 AI 노출 측정치들과 어떻게 다른지 밝힘을 목표함.
2. 연구의 방법
(1) 이 연구는 AI 에이전트 기술의 실제 채택을 직접 관찰하는 접근 방식을 사용함. 이를 위해 GitHub 공개 저장소에서 수집된 방대한 에이전트 스킬 파일 데이터(GitSkills)를 활용함. 이 스킬 파일들의 자연어 설명을 O*NET 직업별 작업 설명과 비교하기 위해 Sentence-BERT 모델을 이용한 의미론적 유사성 임베딩을 수행함. 이 유사성 점수를 직업 수준으로 집계하여 AAI를 구축함.
(2) 주요 분석 대상은 888,000개에 달하는 에이전트 스킬 설명과 약 18,000개의 ONET 직업 작업 설명임. 이들 간의 코사인 유사도를 측정하고, ONET의 작업 중요도 점수를 가중치로 사용하여 각 직업의 AAI를 산출함. 또한, 기존의 세 가지 AI 노출 측정치(역량 노출, 가용성 노출, 관찰된 노출)와 AAI를 비교하여 그 차이를 분석함. 직업별 임금 및 교육 수준 데이터를 활용하여 AAI가 임금과 교육 수준에 따라 어떻게 달라지는지 회귀 분석으로 평가함.
3. 주요 발견
이 연구는 AI 에이전트 기술이 실제 직업군에 어떻게 위임되는지를 에이전틱 채택 지수(AAI)라는 새로운 관점으로 분석함. AAI는 작업자가 AI를 구조화된 워크플로우에 통합하여 작업을 위임하는 정도를 측정하며, 이는 일회성 AI 사용과 구분되는 깊은 수준의 통합을 의미함.
이 그림은 AI 노출의 네 가지 중첩된 계층을 보여줌.
- 능력 노출(Capability Exposure): AI가 기술적으로 수행할 수 있는 작업의 범위.
- 가용성 노출(Availability Exposure): AI 능력이 실제 소프트웨어 도구로 구현되어 작업자들이 사용할 수 있는 상태.
- 관찰된 노출(Observed Exposure): 작업자들이 실제로 AI 도구를 사용하는 정도.
- 위임된 노출(Delegated Exposure): 일회성 사용과 달리, 작업자들이 특정 작업을 AI에 의도적으로 위임하여 워크플로우에 통합하는 정도. 이 연구가 집중하는 부분이 바로 이 위임된 노출임.
이 그림은 GitSkill 파일이 ONET 작업과 어떻게 매칭되는지 보여줌. 각 Skill.md 파일의 자연어 설명이 ONET의 모든 작업 설명과 의미론적 유사성(코사인 유사도)을 계산함. 이 유사성을 바탕으로 각 직업의 AAI가 집계됨. AAI가 높다는 것은 해당 직업의 작업들이, 조기 채택자들이 이미 구축하고 공개한 에이전트 스킬에 의해 평균적으로 잘 포괄됨을 의미함.
(1) 위임된 노출의 직업별 편중 현상
이 연구는 AAI가 높은 직업군과 낮은 직업군을 명확히 구분함. AAI가 높은 직업은 주로 정보 집약적인 분석, 문서화, 조정 업무에 집중됨을 발견함. 반면, 수동 기술이나 물리적 개입이 필요한 직업은 AAI가 현저히 낮음을 확인하였음. 이는 이전의 AI 자동화 연구들이 예측했던 자동화 위험 직업군과 크게 다름을 보여줌.
이 그림은 AAI와 이전의 ‘컴퓨터화 위험’ 지수 간의 약한 상관관계를 명확히 보여줌. 기존 프레임워크에서 자동화 위험이 높다고 분류된 직업들이 AAI에서는 넓은 범위를 가짐. 예를 들어, 높은 컴퓨터화 위험을 가진 기술 작가나 통계 보조원 같은 정보 집약적 직업은 AAI도 높게 나타남. 하지만 테이퍼나 타이어 제작자 같은 수동 직업은 컴퓨터화 위험이 높아도 AAI는 낮음. 이는 AI 에이전트의 실제 위임이 과거의 자동화와는 다른 패턴으로 나타남을 시사함. 기존 자동화가 루틴 작업에 집중되었다면, AI 에이전트 위임은 인지적/정보 처리 작업에 더 강하게 집중됨.
다음 표는 AAI가 가장 높은 5개 직업과 가장 낮은 5개 직업의 예시를 보여줌.
| AAI 최상위 5개 직업 | AAI | AAI 최하위 5개 직업 | AAI |
|---|---|---|---|
| 컴퓨터 프로그래머 | 0.191 | 구강악안면외과 의사 | 0.041 |
| 소프트웨어 품질 보증 분석가 및 테스터 | 0.187 | 족부 의사 | 0.045 |
| 경영 분석가 | 0.185 | 테이퍼 | 0.047 |
| 소프트웨어 개발자 | 0.175 | 자동차 유리 설치 및 수리공 | 0.048 |
| 컴퓨터 사용자 지원 전문가 | 0.175 | 치과 보철과 의사 | 0.051 |
(2) AAI와 기존 AI 노출 측정치 간의 관계
AAI는 AI의 기술적 역량과 상용화된 도구의 가용성 측정치와 더 밀접하게 관련됨을 확인함. 즉, AI 에이전트 위임은 AI가 무엇을 할 수 있는지에 더 크게 좌우되며, 현재 대화형 LLM의 실제 사용 패턴과는 상대적으로 거리가 있음을 보여줌. 이는 에이전트를 구축하는 데 상당한 노력이 필요하기 때문에, 작업자들이 기술이 안정적으로 작업을 수행할 수 있는 곳에만 투자를 하는 경향이 있음을 말함. 대화형 AI의 사용은 비용이 저렴하여 역량과 무관하게 확산될 수 있음.
이 그림에서 볼 수 있듯이, AAI는 능력 노출(좌측 패널, ρ=0.562) 및 가용성 노출(중앙 패널, ρ=0.469)과 더 강한 양의 상관관계를 보임. 반면, 관찰된 노출(우측 패널, ρ=0.256)과는 상대적으로 약한 상관관계를 나타냄. 이 결과는 에이전트 시스템 확산 초기에는 AAI가 해당 직업의 작업을 에이전트가 처리할 ‘잠재력’을 포착함을 시사함. 즉, 기술적으로 가능한 일과 실제 사용되는 일 사이에 큰 간극이 존재함을 보여주는 셈임.
(3) 임금 및 교육 수준에 따른 AI 에이전트 채택의 비선형 패턴
AAI는 학사 학위 이하의 직업에서는 임금 수준과 함께 증가하는 경향을 보임. 즉, 이들 직업에서는 보수가 높을수록 AI 에이전트 위임도 활발하게 이루어짐을 의미함. 그러나 석사 학위 이상의 고학력 고임금 직업에서는 이러한 관계가 역전됨. 고소득 고학력 직업일수록 AI 에이전트 채택이 오히려 감소하는 패턴을 보임. 이는 AI의 기술적 가용성만으로는 이 상위 직업군에서의 낮은 채택률을 설명할 수 없음을 의미함.
오른쪽 패널은 교육 수준에 따라 AAI와 임금 간의 관계가 확연히 달라짐을 나타냄. 고등학교 이하 및 학사 학위 직업에서는 임금 증가에 따라 AAI도 증가함. 하지만 석사 학위 이상 직업에서는 임금이 증가할수록 AAI가 감소하는 경향이 나타남. 이는 고학력 고임금 전문가들이 자신의 업무를 AI 에이전트에 위임하는 데 저항하거나, 그들의 업무가 본질적으로 사전 규정화(advance specification)가 어렵기 때문일 수 있음을 시사함. 이는 단순한 기술적 가능성만으로는 설명되지 않으며, 직업의 본질과 전문직의 자율성 문제가 AI 채택에 영향을 미침을 드러냄.
4. 결론 및 시사점
(1) 이 연구는 ‘위임된 노출’ 개념과 AAI로 AI의 직업군 침투 방식에 대한 새로운 통찰을 제공함. AI 에이전트 채택은 기존의 자동화 위험이나 단순한 AI 사용과는 다른 패턴을 보이며, 주로 정보 집약적이고 코딩 가능한 작업에 집중됨을 입증함. 특히, 기술적 역량이 AI 위임의 핵심 동인이지만, 고학력 고임금 직업에서는 이러한 경향이 역전되어 AI 위임이 낮게 나타남을 주장함.
(2) 교육 현장에서는 AI 에이전트 시스템이 특정 직업군, 특히 정보 처리 및 코딩 관련 직업에 미치는 영향을 심층적으로 이해해야 함. 과거의 ‘루틴 작업 자동화’라는 인식에서 벗어나, AI가 인지적이고 구조화된 작업의 위임까지 확장됨을 인지함이 중요함. 따라서 교육 과정은 학생들이 단순히 AI 도구를 사용하는 데 그치지 않고, 에이전트를 설계하고, 복잡한 워크플로우를 AI에 위임하는 ‘에이전틱 리터러시’를 함양하도록 변화해야 함. 이는 인공지능 기반 디지털 교육 혁신에서 간과할 수 없는 핵심 요소임.
(3) AI 설계 및 교육 정책 측면에서는 AI 에이전트가 가져올 새로운 직업의 재편성을 예측하고 대응함이 필수적임. 특히 고학력 전문직의 ‘위임 저항’ 현상은 그들의 업무가 내재적으로 사전 규정화가 어려운 암묵적 지식(tacit expertise)에 기반하거나, 전문직의 업무 흐름 통제권(professional discretion) 때문일 수 있음을 보여줌. 이는 교육이 단순한 기술 습득에 머무르지 않고, 비판적 사고, 문제 해결 능력, 그리고 인간 고유의 판단력과 사회적 상호작용 능력을 더욱 강조해야 함을 시사함. AI 에이전트는 기존 작업을 대체할 뿐만 아니라, 인간이 새로운 형태의 ‘감독 및 설계’ 업무를 수행하도록 요구함.
5. 리뷰어의 ADD(+) One: 생각 더하기
(1) 이 논문에서 가장 주목할 지점은 ‘위임된 노출’이라는 개념의 도입과 이를 측정하는 AAI의 제안임. 기존 AI 노출 연구가 ‘AI가 무엇을 할 수 있는가(능력)’, ‘AI 도구가 얼마나 사용 가능한가(가용성)’, ‘AI가 얼마나 사용되는가(관찰된 사용)’에 머물렀다면, 이 연구는 ‘AI가 실제 작업자의 업무 체계에 얼마나 깊이 통합되어 책임을 넘겨받았는가’라는 본질적인 질문을 던짐. 이는 단순한 호기심이나 보조적 사용과는 구분되는 ‘의도적 위임’의 증거를 포착하며, AI의 노동 시장 영향에 대한 예측의 정확도를 한 단계 높이는 중요한 전환점임을 단언함. 기존 자동화가 주로 육체적이고 반복적인 루틴 작업에 집중했다면, 이 위임된 노출은 인지적이고 구조화 가능한 정보 처리 작업으로 AI의 영향력이 확장됨을 보여주며, 이는 미래 교육 및 직업 훈련의 방향성을 재정립하는 데 결정적인 단서가 됨.
(2) 논문이 명시하지 않은 더 넓은 의미는 ‘암묵적 지식(Tacit Knowledge)’의 가치 재평가임. 고학력 고임금 전문직에서 AI 위임이 낮게 나타나는 현상은 그들의 업무가 코딩이나 사전 규정화가 어려운 복잡한 판단, 맥락적 추론, 미묘한 인간 상호작용 등에 깊이 뿌리내리고 있음을 강력히 시사함. 이는 인지과학적 관점에서 보면, ‘명시적 지식(Explicit Knowledge)’을 효율적으로 처리하는 AI의 한계를 보여주는 동시에, 인간의 암묵적 지식과 전문가적 직관이 여전히 대체 불가능한 핵심 역량임을 강조함. 교육철학적 관점에서는 AI 시대에도 인간 중심적 교육의 중요성을 다시금 확인하는 계기가 됨. 모든 지식과 과정을 명시화하여 AI에 위임하려는 시도는 필연적으로 한계에 부딪히며, 인간 고유의 ‘무엇을 질문하고, 무엇을 판단하며, 무엇을 책임질 것인가’라는 근본적인 질문에 대한 숙고를 요구함.
(3) 이 연구를 발전시킬 구체적인 아이디어는 ‘전문직의 위임 저항’에 대한 질적 연구와 교육 현장 적용 방안 모색임. 첫째, 고학력 고임금 전문직(예: 변호사, 의사, 고위 경영진)을 대상으로 심층 인터뷰나 사례 연구를 수행하여, 그들이 AI 에이전트 위임을 주저하거나 거부하는 실제 이유가 ‘능력의 한계(constraint)’ 때문인지 아니면 ‘의도적인 선택(choice)’ 때문인지 구별해야 함. 이는 그들의 업무 특성, 직업적 자율성, 윤리적 책임감 등을 다각도로 분석하여 밝혀낼 수 있음. 둘째, 교육 현장에서는 ‘AI 에이전트 설계 및 감독 교육’을 강화해야 함. 학생들이 단순히 코딩 스킬을 익히는 데서 그치지 않고, 복잡한 업무를 모듈화하고, AI 에이전트에게 위임할 수 있는 형태로 정의하며, 위임된 AI의 성능을 평가하고 책임지는 능력을 키우는 교육과정이 필요함. 이는 특히 소프트웨어 공학, 경영, 법률 등 정보 처리량이 많은 전문 분야에서 즉각적인 실질적 가치를 제공할 것임.
6. 추가 탐구 질문
(1) 고학력 고임금 직업에서 나타나는 낮은 AI 에이전트 위임 현상이, AI 에이전트의 기술적 한계(예: 암묵적 지식 처리 능력 부족) 때문인가, 아니면 전문직의 자율성(예: 업무 흐름 통제, 책임 소재 문제)에 기반한 의도적인 선택 때문인가? 이 두 가지 요인을 어떻게 구분하여 측정하고, 교육 및 정책적 시사점을 도출할 수 있는가?
(2) 현재 AAI는 GitHub의 공개된 스킬 파일을 기반으로 하는데, 이는 ‘초기 채택자’ 또는 ‘기술에 능통한 개발자’의 활동을 주로 반영할 수 있음. 이러한 AAI 패턴이 일반적인 직업군이나 비기술 분야, 또는 중소기업 환경에 적용되었을 때도 동일하게 나타날 것인가? 특정 산업이나 문화권의 특성이 AI 에이전트 위임 패턴에 어떤 영향을 미칠 수 있는가?
(3) AI 에이전트가 작업을 위임받아 수행할 때 발생하는 윤리적, 법적 책임 소재는 어떻게 정의되어야 하는가? 특히 고위험 직무(예: 의료 진단, 법률 자문)에서 AI 에이전트의 오작동 또는 판단 오류 발생 시, 위임한 인간 전문가와 AI 시스템 간의 책임 분배는 어떤 기술적·정책적 장치를 통해 명확히 할 수 있는가?
출처
- Lee, H., Cheon, J., & Kim, L. (2026, September 9). Who Delegates to AI? Evidence from 53,000 Agent Configurations. Preprint at arXiv:2608.20425.