AI 기술 개발과 실제 활용 수요 간의 간극을 명확히 보여주는 논문

 

스탠퍼드 대학 연구진이 최근 발표한 대규모 조사 결과가 AI 산업 전반에 충격을 던지고 있다. 이 보고서는 AI 기술 개발과 실제 활용 수요 간의 간극을 명확히 보여준다.

 

연구팀은 미국 노동자 1,500명을 대상으로 844개의 직무 과업에 대해 “AI 자동화를 얼마나 원하는가”를 직접 평가하게 했다. 동시에, 52명의 AI 전문가들은 현재 기술 수준에서 각 과업의 자동화 가능성을 진단했다. 이렇게 수요와 기술력을 교차 분석한 결과는, 우리가 지금까지 가정했던 많은 전제가 완전히 뒤집어 놓았다.

 

사람들은 AI가 대체할 것이라 우려했던 업무들에 정작 자동화를 원하지 않는 반응을 보였고, 반대로 스타트업들이 주목하지 않던 업무들에서 오히려 자동화를 간절히 희망하는 목소리가 컸다. 연구진은 “누가 일자리를 잃게 될까?”가 아닌 “누가 일자리를 AI에게 넘기고 싶어 하는가?”라는 질문을 던졌고, 그 답은 명확했다.

 

대표적인 사례가 세무 보조 업무다. 세금 신고를 도와주는 이 반복적이고 지루한 일은 많은 이들이 AI가 대신해주기를 희망했다. 더 의미 있는 일에 시간을 쓰고 싶다는 것이다.

 

이에 연구진은 다음과 같이 자동화 수요와 기술 가능성을 기준으로 영역을 분류했다:

 

• 녹색 신호등 구역: 기술적 가능성과 수요가 모두 높은 영역

• 적색 신호등 구역: 기술은 있으나, 사람들이 원하지 않는 영역

• R&D 기회 구역: 수요는 높지만 기술이 부족한 영역

• 저우선순위 구역: 기술도 수요도 낮은 영역

 

놀라운 점은, 현재 AI 스타트업들의 연구 개발과 투자가 대부분 적색 구역과 저우선순위 구역에 집중되어 있다는 사실이다. 정작 사람들의 삶을 실질적으로 개선할 수 있는 녹색 신호등 구역과 R&D 기회 구역은 투자의 사각지대에 놓여 있다.

 

이처럼 우리는 ‘자동화의 역설’을 목격하고 있다. 사람들이 진심으로 원하고 필요로 하는 영역은 외면받고, 오히려 원하지 않는 일들이 조용히 자동화되고 있는 것이다.

 

하지만 바이오넥서스는 다른 AI 회사들이 기피하지만 과학적 가치가 높은 바이오 R&D 영역에 AI를 적용해, 의미 있는 변화를 만들고자 한다. 이는 단순히 일자리를 대체하는 AI가 아니라, 인간의 과학 연구 역량을 확장하고, 인류 전체가 더 나은 삶을 설계할 수 있도록 돕는 방향의 AI다.

 

불필요하게 사람들의 일 자리를 빼앗는 것이 아니라, 사람을 위하고, 행복한 삶을 가능하게 하며, 인류의 발전에 기여하는 AI 기업들이 더욱 많이 등장하길 기대해 본다.- FB:Tae Hyung Kim

 

 

노트북 LM에 던진 논문

 

논문 출처: https://arxiv.org/abs/2506.06576

 

이제 구글 노트북 LM 으로 이동해서 논문에 관한 질문을 던지고아래 대답을 검토한다. https://notebooklm.google.com/

 

논문 요약

 

주어진 텍스트는 인공지능(AI)이 미래 직업 환경을 어떻게 변화시킬지에 대한 포괄적인 연구를 제시합니다. 이 연구는 AI 에이전트의 잠재적 자동화 및 증강 역할을 감사하기 위해 개발된 새로운 프레임워크와 WORKBank 데이터베이스를 소개합니다. 미국 노동부의 O*NET 데이터베이스를 기반으로 한 이 연구는 1,500명의 작업자와 52명의 AI 전문가로부터 104개 직업에 걸쳐 844개 작업에 대한 의견을 수집했습니다. 주요 발견은 작업자가 반복적이고 가치가 낮은 작업을 자동화하기를 원한다는 것, 현재 AI 투자와 연구 노력 사이에 불일치가 존재한다는 것, 그리고 AI가 인간의 정보 처리 기술보다 대인 관계 기술의 중요성을 높일 수 있다는 것을 포함합니다. 또한 **인간 에이전시 척도(HAS)**를 도입하여 자동화와 증강 사이의 협업 스펙트럼을 양적으로 측정하고, 직업 전반에 걸쳐 다양한 인간 개입 수준에 대한 선호도를 드러냅니다.

 

 

제공된 자료에 따르면, 작업자들이 AI 자동화를 가장 원하는 업무와 직업은 다음과 같습니다.

 

작업자가 AI 자동화를 가장 원하는 상위 20개 업무 (자동화 욕구 점수 기준) 작업자들은 특히 반복적이거나 가치가 낮은 업무에 대해 AI 자동화에 긍정적인 태도를 보였습니다. 자동화를 통해 고부가가치 업무를 위한 시간을 확보하는 것이 주된 동기였습니다.

 

 

 

1.세금 계산원 (Tax Preparers): 고객과의 약속을 잡는 업무 (자동화 욕구: 5.00)

 

2.공공 안전 통신원 (Public Safety Telecommunicators): 비상 호출과 관련된 파일 (인력 명단 및 비상 호출 및 호출기 파일 등)을 유지 관리하는 업무 (자동화 욕구: 4.67)

 

3.급여 및 근태 관리 사무원 (Payroll and Timekeeping Clerks): 이전 오류 또는 소급 인상과 관련된 급여 조정을 발행하고 기록하는 업무 (자동화 욕구: 4.60)

 

4.데스크톱 퍼블리셔 (Desktop Publishers): 컴퓨터 소프트웨어를 사용하여 인쇄 또는 인터넷을 위한 다양한 유형의 파일을 변환하는 업무 (자동화 욕구: 4.50)

 

5.온라인 판매상 (Online Merchants): 고객 계정 데이터베이스를 생성하거나 유지 관리하는 업무 (자동화 욕구: 4.50)

 

6.품질 관리 시스템 관리자 (Quality Control Systems Managers): 결함, 테스트 결과 또는 기타 정기적으로 보고되는 품질 관리 데이터 추적을 지시하는 업무 (자동화 욕구: 4.50)

 

7.통계학자 (Statisticians): 그래프, 차트, 표 형태의 정보를 포함한 통계 분석 결과를 보고하는 업무 (자동화 욕구: 4.50)

 

8.컴퓨터 사용자 지원 전문가 (Computer User Support Specialists): 일일 데이터 통신 거래, 문제 및 시정 조치 또는 설치 활동 기록을 유지 관리하는 업무 (자동화 욕구: 4.50)

 

9.온라인 판매상 (Online Merchants): 재무 회계 또는 스프레드시트 소프트웨어를 사용하여 수익, 판매 및 비용을 계산하는 업무 (자동화 욕구: 4.40)

 

10. 데이터 입력 전문가 (Data Entry Keyers): 완성된 문서를 적절한 위치에 저장하는 업무 (자동화 욕구: 4.33)

 

11.석유 엔지니어 (Petroleum Engineers): 시추 및 생산 작업 기록을 유지 관리하는 업무 (자동화 욕구: 4.33)

 

12.물류 분석가 (Logistics Analysts): 분석 방법이나 도구를 적용하여 물류 운영 또는 프로세스를 이해, 예측 또는 제어하는 업무 (자동화 욕구: 4.33)

 

13.법원, 시 및 면허 사무원 (Court, Municipal, and License Clerks): 법정 출두 시기에 대해 당사자들에게 지시하는 업무 (자동화 욕구: 4.33)

 

14.데이터 입력 전문가 (Data Entry Keyers): 활동 및 완료된 작업 로그를 유지 관리하는 업무 (자동화 욕구: 4.25)

 

15.규정 준수 담당자 (Compliance Officers): 면허 결정 또는 항소 절차에 대해 관련 당사자에게 알리는 서신을 준비하는 업무 (자동화 욕구: 4.25)

 

16.웹 개발자 (Web Developers): 문제 발생 시 즉시 복구를 위해 웹사이트 파일을 로컬 디렉터리에 백업하는 업무 (자동화 욕구: 4.20)

 

17.웹 관리자 (Web Administrators): 재해 복구를 위해 애플리케이션 및 관련 데이터를 백업하거나 수정하는 업무 (자동화 욕구: 4.20)

 

18.생명정보학자 (Bioinformatics Scientists): 공개적으로 접근 가능한, 상업적 또는 독점적 유전체, 단백체 또는 후유전체 데이터베이스를 조작하는 업무 (자동화 욕구: 4.17)

 

19.네트워크 및 컴퓨터 시스템 관리자 (Network and Computer Systems Administrators): 일상적인 네트워크 시작 및 종료 절차를 수행하고 제어 기록을 유지 관리하는 업무 (자동화 욕구: 4.17)

 

20.컴퓨터 및 정보 연구 과학자 (Computer and Information Research Scientists): 운영 예산을 승인, 준비, 모니터링 및 조정하는 업무 (자동화 욕구: 4.17)

 

 

 

평균 자동화 욕구가 높은 상위 3개 직업 (Figure 4a 기준) 이 직업들은 해당 직무를 수행하는 작업자들이 AI 자동화에 대해 가장 높은 긍정적인 태도를 보였습니다.

 

1.세금 계산원 (Tax Preparers)

 

2.공공 안전 통신원 (Public Safety Telecommunicators)

 

3.급여 및 근태 관리 사무원 (Timekeeping Clerks)

 

이러한 결과는 현재 LLM(대규모 언어 모델) 사용 데이터와 불일치하는 부분이 있으며, 이는 실제 직장 내 요구사항과 현재 AI 활용 방식 사이에 격차가 있음을 시사합니다.

 

 

 

제공된 자료에 따르면, 현재 기업 및 연구자들이 AI 자동화를 연구하는 주요 분야는 다음과 같습니다.

 

1. 기업 투자 분야 (Y Combinator 회사 데이터를 통한 분석) Y Combinator(YC) 회사 데이터를 대규모 언어 모델(LLM)을 사용하여 분석한 결과, AI 관련 회사의 투자는 특정 직업군에 집중되어 있는 것으로 나타났습니다.

 

•주요 집중 분야: 소프트웨어 개발(software development) 및 **비즈니스 분석(business analysis)**과 관련된 직업들입니다.

 

•특히 상위 5개 직업은 다음과 같습니다:

 

1.컴퓨터 및 정보 시스템 관리자 (Computer and Information Systems Managers)

 

2.컴퓨터 프로그래머 (Computer Programmers)

 

3.컴퓨터 시스템 엔지니어/설계자 (Computer Systems Engineers/Architects)

 

4.소프트웨어 품질 보증 분석가 및 테스터 (Software Quality Assurance Analysts and Testers)

 

5.비즈니스 인텔리전스 분석가 (Business Intelligence Analysts)

 

•미스매치: 많은 유망한 '자동화 청신호' 구역(worker desire가 높고 AI capability도 높은 영역)과 'R&D 기회' 구역(worker desire는 높으나 현재 capability가 낮은 영역)의 작업들이 현재 투자에서 제대로 다루어지지 않고 있습니다. YC 회사-작업 매핑의 41.0%가 '낮은 우선순위' 구역과 '자동화 적신호' 구역에 집중되어 있습니다.

 

2. 연구 노력 분야 (arXiv AI 에이전트 연구 논문 데이터를 통한 분석) arXiv에서 AI 에이전트 연구 논문을 분석한 결과, 연구 노력은 특히 'R&D 기회' 구역(높은 사용자 수요에 비해 현재 AI 역량이 낮은 분야)에 더 집중되어 있는 것으로 나타났습니다.

 

•주요 집중 분야: 연구는 주로 컴퓨터 과학 및 공학 도메인에 한정되어 있습니다.

 

•상위 3개 작업은 다음과 같습니다:

 

1.컴퓨터 및 정보 연구 과학자: 이론적 전문 지식과 혁신을 적용하여 새로운 기술을 만들거나 적용하는 작업 (예: 컴퓨터를 새로운 용도에 적용하는 원칙 조정) (1,169개 논문)

 

2.컴퓨터 및 정보 연구 과학자: 컴퓨터 하드웨어 및 소프트웨어와 관련된 솔루션을 개발하기 위해 문제를 분석하는 작업 (1,132개 논문)

 

3.컴퓨터 프로그래머: 운영 효율성을 높이거나 새로운 요구 사항에 맞추기 위해 기존 프로그램의 수정, 수리 또는 확장을 수행하거나 지시하는 작업 (1,109개 논문)

 

•제한적인 범위: 이러한 연구 집중은 고무적이지만, 여전히 소수의 도메인에 국한되어 있으며, 'R&D 기회' 구역 내에서도 더 광범위한 고수요, 고영향 기회를 다루기 위해 연구 노력을 확장할 필요가 있습니다.

 

3. AI 에이전트 개발 및 적용의 광범위한 영역 전반적으로, LLM과 같은 기반 모델의 발전은 AI 에이전트가 복잡한 워크플로를 수행하고 다양한 전문 분야에서 역할을 수행할 수 있도록 하는 데 기여했습니다. 현재 이러한 AI 에이전트는 소프트웨어 공학, 분석적 글쓰기, 고객 지원과 같은 영역에서 역할을 수행하기 시작했습니다. 기존 연구는 주로 소프트웨어 공학이나 고객 지원과 같은 특정 도메인에 초점을 맞추었으나, 본 연구는 더 광범위한 미 노동부 O*NET 데이터베이스의 작업들을 포함하여 디지털 AI 에이전트의 잠재적 활용 범위를 체계적으로 이해하고자 합니다.

 

요약하자면, 현재 기업들은 주로 소프트웨어 개발 및 비즈니스 분석 관련 AI 자동화에 투자하고 있으며, 연구자들은 R&D 기회가 큰 컴퓨터 과학 및 공학 도메인의 특정 작업에 초점을 맞추고 있습니다. 하지만 이러한 집중 분야가 작업자들의 실제 자동화 요구와 항상 일치하지는 않는다는 점도 확인되었습니다.

 

 

 

제공된 자료에 따르면, AI 자동화와 관련하여 여러 가지 불일치(mismatch)가 발생하고 있으며, 그 주요 원인은 다음과 같습니다.

 

1. 작업자의 자동화 희망과 현재 LLM(대규모 언어 모델) 사용 및 기업 투자 간의 불일치

 

• 사용 데이터의 지연 및 편향: 작업자들이 자동화를 가장 원하는 상위 10개 직업군이 실제 Claude.ai와 같은 LLM 기반 챗봇의 전체 사용량에서 차지하는 비중은 1.26%에 불과합니다. 이는 현재의 AI 사용 패턴이 조기 채택자나 특정 직무 유형에 편향되어 있을 수 있으며, 실제 직장 내의 광범위한 자동화 요구를 반영하지 못하고 있음을 시사합니다. 기존 사용 데이터는 미래의 AI 잠재력에 대한 전향적인 평가를 제공하지 못합니다.

 

• 자본의 이익 중심 연구 및 투자: 이전 연구들은 소프트웨어 공학이나 고객 지원과 같은 특정 몇몇 영역에 집중되어 있었으며, 이는 주로 코딩과 같이 "자본의 이익"이 더 큰 몇몇 작업에 초점을 맞추고 작업자의 가치를 충분히 고려하지 않았습니다. 그 결과, 현재의 기업 투자(Y Combinator 회사 데이터로 대변)는 주로 소프트웨어 개발 및 비즈니스 분석 관련 직업에 집중되어 있으며, 작업자의 자동화 욕구가 높고 기술적 역량도 높은 '자동화 청신호(Green Light)' 구역이나, 작업자 욕구는 높으나 현재 기술 역량이 낮은 'R&D 기회(Opportunity)' 구역에 있는 유망한 많은 작업들이 제대로 다루어지지 않고 있습니다. 실제로 YC 회사-작업 매핑의 41.0%가 '낮은 우선순위' 구역과 '자동화 적신호' 구역에 집중되어 있습니다.

 

2. 작업자가 원하는 인간 개입 수준(Human Agency Scale, HAS)과 AI 전문가가 평가하는 기술적 가능성 간의 불일치

 

•작업자의 AI 역량에 대한 인식 부족: 작업자들은 자신의 작업 전문성을 깊이 이해하고 있지만, 현재 AI 시스템의 역량과 한계에 대한 노출이 제한적일 수 있습니다. 이는 작업자가 AI 자동화에 대한 반응을 형성하는 데 영향을 미칠 수 있습니다.

 

•인간 개입에 대한 선호도: 작업자들은 일반적으로 전문가들이 기술적으로 필요하다고 판단하는 것보다 더 높은 수준의 인간 개입(HAS)을 선호합니다. 예를 들어, 많은 작업자들이 균형 잡힌 협력적 파트너십(H3)을 선호하지만, 전문가들은 일부 작업에 대해 더 낮은 수준의 인간 개입(예: H1, 완전 자동화)이 가능하다고 평가합니다.

 

•'인간적인 손길'에 대한 우려: 특히 '예술, 디자인 및 미디어' 부문과 같이 창의적이거나 인간적인 상호작용이 중요한 분야의 작업자들은 콘텐츠 생성 자동화에 대한 강한 반감을 표명하며, AI 시스템의 정확성, 역량, 신뢰성에 대한 불신, 직업 대체에 대한 두려움, AI의 인간적 특성 또는 역량 부재 등을 주된 우려 사항으로 언급했습니다. 이러한 정서는 AI의 역량이 발전하더라도 인간적 요소의 중요성을 강조하는 작업자의 선호도와 기술적 가능성 간의 잠재적 마찰을 예고합니다.

 

3. 연구 노력의 범위와 'R&D 기회' 구역 간의 불일치

 

•연구 분야의 제한성: arXiv AI 에이전트 연구 논문 분석 결과, 연구 노력은 'R&D 기회' 구역에 더 집중되어 있다는 점은 고무적이지만, 주로 컴퓨터 과학 및 공학 도메인에 국한되어 있습니다. 이는 사용자 수요가 높지만 현재 AI 역량이 낮은 광범위한 고수요, 고영향 기회 영역을 다루기 위해 연구 노력을 확장할 필요가 있음을 시사합니다.

 

이러한 불일치는 AI 개발 및 배포 전략이 작업자의 실제 요구와 가치를 더욱 잘 반영하도록 조정될 필요가 있음을 강조합니다.

 

 

 

이 논문("AI 에이전트와 미래의 일: 미국 노동력 전반의 자동화 및 증강 잠재력 감사")의 중요한 점과 앞으로의 과제는 다음과 같습니다.

 

--------------------------------------------------------------------------------

 

이 논문의 중요한 점

 

1.체계적인 감사 프레임워크 및 WORKBank 데이터베이스 구축:

 

◦AI 에이전트의 발전이 노동 시장에 미치는 영향을 체계적으로 이해하기 위해, 작업자들이 AI 에이전트에게 자동화 또는 증강을 원하는 작업과 현재 기술적 역량이 얼마나 일치하는지를 평가하는 새로운 감사 프레임워크를 도입했습니다.

 

◦이 프레임워크를 사용하여 미국 노동부의 O*NET 데이터베이스를 기반으로 WORKBank라는 데이터베이스를 구축했습니다. 이 데이터베이스는 104개 직업에 걸쳐 844개 이상의 작업에 대한 1,500명의 작업자와 52명의 AI 전문가로부터 얻은 선호도 및 역량 평가를 포함합니다. 이는 AI 에이전트 역량과 작업자 선호도를 대규모로 감사한 첫 번째 사례입니다.

 

2.인간 개입 척도(Human Agency Scale, HAS) 도입:

 

◦단순한 '자동화 여부'라는 이분법적 관점을 넘어, 작업 완료 및 품질에 필요한 인간 개입의 정도를 정량화하는 5단계 척도인 Human Agency Scale (HAS: H1~H5)을 제안했습니다. 이는 책임감 있는 AI 에이전트 도입을 위한 중요한 요소인 '인간 주도성(Human Agency)'을 중심으로 새로운 공통 언어를 제공합니다.

 

◦이를 통해 작업자들이 전문가들이 기술적으로 필요하다고 판단하는 것보다 더 높은 수준의 인간 개입을 선호한다는 점을 밝혀냈습니다.

 

3.작업자의 자동화 희망 및 동기 파악:

 

◦작업자들은 반복적이거나 지루하고, 스트레스를 주거나 어려운 작업에 대해 AI 자동화에 긍정적인 태도를 보이는 것으로 나타났습니다.

 

◦자동화를 가장 많이 바라는 주된 동기는 **"고부가가치 업무에 시간을 할애할 수 있게 해준다"**는 것이었습니다 (69.38%). 이는 AI 에이전트가 제로섬 방식의 대체가 아닌, 저부가가치 또는 부담스러운 작업을 경감시켜주는 보조적인 역할을 할 수 있음을 시사합니다.

 

4.욕구-역량 지형(Desire-Capability Landscape) 시각화 및 주요 불일치 발견:

 

◦작업자의 자동화 욕구와 AI 전문가가 평가한 기술적 역량을 결합하여 작업을 네 가지 영역('자동화 청신호', '자동화 적신호', 'R&D 기회', '낮은 우선순위')으로 나누는 지형을 제시했습니다.

 

◦현재 Y Combinator(YC) 회사의 투자(자본의 이익 중심)가 '낮은 우선순위' 및 '자동화 적신호' 구역에 41.0% 집중되어 있으며, 작업자의 욕구가 높고 유망한 '청신호' 구역과 'R&D 기회' 구역의 많은 작업이 제대로 다루어지지 않고 있음을 지적했습니다.

 

5.인간 핵심 역량의 잠재적 변화 시사:

 

◦AI 에이전트의 통합이 정보 중심 기술(예: 정보 분석)에서 대인 관계 및 조직 기술(예: 다른 사람에게 조언 제공, 부하 직원에게 지침 제공)로 핵심 인간 역량의 수요를 재편할 수 있음을 보여주는 초기 신호를 제공합니다. 이는 미래 인력 개발 및 교육 전략에 중요한 함의를 가집니다.

 

--------------------------------------------------------------------------------

 

앞으로의 과제

 

1.투자와 연구 노력의 재조정 및 확장:

 

◦현재 기업의 투자(YC 회사 데이터 기준)는 소프트웨어 개발 및 비즈니스 분석과 같은 특정 직업군에 집중되어 있어, 작업자들의 자동화 욕구가 높고 잠재력이 큰 '자동화 청신호' 및 'R&D 기회' 구역의 많은 작업들이 간과되고 있습니다. 자본과 연구 노력이 이러한 고수요, 고영향 기회 영역으로 더 많이 유도될 필요가 있습니다.

 

◦AI 에이전트 연구 또한 주로 컴퓨터 과학 및 공학 도메인에 국한되어 있어, 더 광범위한 고수요 영역으로 연구 범위를 확장해야 합니다.

 

2.인간 중심의 AI 에이전트 개발 및 배포 전략 수립:

 

◦작업자들은 전문가들이 기술적으로 필요하다고 판단하는 것보다 더 높은 수준의 인간 개입(HAS)을 선호하는 경향이 있어, AI 역량이 발전함에 따라 잠재적인 마찰이 발생할 수 있습니다. AI 에이전트 개발은 인간의 욕구 및 가치와 일치하고, 의미 있는 인간의 역할을 지원하는 방향으로 이루어져야 합니다.

 

◦특히 '예술, 디자인 및 미디어'와 같이 창의적이거나 인간적인 상호작용이 중요한 분야에서 작업자들이 자동화에 대해 강한 우려(AI 시스템에 대한 불신, 직업 대체에 대한 두려움, AI의 인간적 특성 부족 등)를 표명하는 점을 해결해야 합니다.

 

3.변화하는 직장 역학에 대한 인력 준비 (재교육 및 재훈련):

 

◦AI 에이전트가 도입되면서 정보 처리 기술의 수요는 감소하고 대인 관계 및 조직 기술의 중요성이 증가하는 경향이 나타납니다. 이에 따라 작업자들의 재교육 및 재훈련을 위한 전략을 검토하고, 핵심 역량이 어떻게 진화하는지 장기적으로 추적하는 것이 중요합니다.

 

4.AI 역량 및 작업 정의의 지속적인 업데이트:

 

◦WORKBank 데이터베이스는 2025년 초를 기준으로 한 AI 역량을 반영하며, AI 기술은 빠르게 발전하고 있습니다. 따라서 실현 가능하고 바람직한 AI 지원 작업의 지형은 지속적으로 변화할 것이므로, 장기적인 추세를 추적하고 AI 시스템의 책임감 있는 개발을 위해 이 감사 작업을 반복적으로 수행해야 합니다.

 

◦현재의 O*NET 데이터베이스 기반 작업 정의는 AI 에이전트가 직장에 통합되면서 새롭게 생겨날 수 있는 작업들을 반영하지 못할 수 있습니다. 작업자들의 오디오 응답 데이터를 추가 분석하여 새로운 작업 패턴을 발견하고 이해를 심화하는 것이 필요합니다.

 

5.작업자 관점의 한계 보완:

 

◦작업자들은 자신의 작업 전문성을 깊이 이해하지만, 현재 AI 역량 및 한계에 대한 노출이 제한적일 수 있습니다. 이러한 한계를 보완하기 위해 AI 전문가의 평가를 보완적으로 활용하고, 작업자들의 솔직한 피드백을 유도하며 그들의 우려를 시스템 설계에 적극 반영하는 노력이 필요합니다.

 

논믄 출처: https://arxiv.org/abs/2506.06576