Future of Work with AI Agents: Auditing Automation and Augmentation Potential across the U.S. Workforce

Motivation

• Known: LLM과 기초 모델(foundation model) 기반 AI 에이전트(goal-directed systems)가 직업 영역에 빠르게 통합되고 있으며, 미국 노동자의 약 80%가 LLM의 영향을 받을 가능성이 제기되고 있음. 일부 연구는 생산성 향상을 보여주지만 일자리 대체, 인간 자율성 감소, 과도한 자동화 의존성에 대한 우려가 존재.
• Gap: 기존 연구는 소프트웨어 엔지니어링, 고객 지원 등 제한된 분야에 집중되어 다양한 직무의 복잡성을 포착하지 못함. 또한 자본의 이익(수익성 높은 과제)을 중심으로 분석하여 워커의 가치관을 충분히 반영하지 못함. 현존 데이터 기반 접근법은 미래 전망이 제한적.
• Why: AI 에이전트 개발을 워커의 실제 요구와 정렬하고, 책임감 있는 AI 도입을 위해서는 직무 수준의 세분화된 감사와 워커 중심의 관점이 필수적.
• Approach: O*NET 데이터베이스 기반의 과제별 감시 프레임워크 개발. 음성 강화 미니 인터뷰를 통해 워커의 미묘한 선호도 포착. Human Agency Scale (H1-H5)을 통해 자동화-증강 스펙트럼의 인간 관여도 정량화. AI 전문가 평가와의 이중 관점 통합.

Achievement

Figure 2: Human Agency Scale (HAS) 단계. H1(완전 자동화)부터 H5(인간 관여 필수)까지 5단계로 인간 중심의 렌즈를 제공한다.

Figure 4: 현장 워커의 1차 데이터는 AI 에이전트 자동화에 대한 긍정적 태도를 드러낸다.

1. 워커의 자동화 선호도: 과제의 46.1%에서 워커들은 일자리 손실 우려와 업무 만족도를 고려한 후에도 AI 에이전트 자동화에 긍정적 태도를 표현. 자동화 동기는 주로 고가치 업무에 집중하기 위한 시간 확보이며, 산업별로 상이한 트렌드 존재.
2. 선호도-역량 불일치의 시각화: 워커 선호도와 기술 역량 간 불일치를 "Automation Green Light Zone"(높은 선호도·높은 역량), "Automation Red Light Zone"(높은 역량·낮은 선호도), "R&D Opportunity Zone"(높은 선호도·낮은 역량), "Low Priority Zone"(낮은 선호도·낮은 역량)의 4개 영역으로 분류. Y Combinator 회사-과제 매핑의 41.0%가 Low Priority Zone과 Red Light Zone에 집중되어 있는 반면, Green Light Zone과 Opportunity Zone의 유망 과제는 저평가.
3. Human Agency Scale의 공유 언어: 45.2%의 직종에서 H3(동등한 파트너십)이 워커 선호도의 주된 수준이며, 이는 인간-에이전트 협력의 잠재력을 강조. 그러나 전반적으로 워커들은 더 높은 인간 자율성을 선호하여, AI 역량 발전에 따른 마찰 가능성을 시사.
4. 인적 역량의 구조적 변화: 정보 처리 능력에서 대인 관계 역량으로의 이동. 과제-핵심 기술 매핑 분석 결과, 전통적 고임금 기술인 정보 분석(analyzing information)의 중요도는 감소 반면, 대인 관계 및 조직 관리 기술의 중요성 증가. 개인에게 요구되는 기술 범위의 확대 경향.

How

Figure 2: Human Agency Scale (HAS)의 5단계 구조와 팀 역학 모델

감시 프레임워크의 핵심 설계 원칙 및 방법:

• 과제 수준의 세분화: O*NET 데이터베이스에서 추출한 복잡한 다단계 직무 과제(예: "Marketing Managers: Compile lists describing product or service offerings") 중심의 감사. 직종 수준이 아닌 과제 수준의 분석으로 문맥의존적 특성 포착.
• 컴퓨터 호환 과제 범위: AI 에이전트의 영향 범위를 소프트웨어 도구 활용 가능 과제로 제한(물리적 행동 제외). AI 에이전트 정의: "사용자 또는 다른 시스템을 대신하여 워크플로우를 설계하고 이용 가능한 소프트웨어 도구를 활용하여 자율적으로 과제를 수행할 수 있는 시스템."
• 음성 강화 미니 인터뷰: 구조화된 프롬프트와 음성 인터페이스를 통해 현장 워커(domain workers)로부터 미묘하고 맥락적 선호도 수집. 대면 설문조사에 가까운 풍부한 응답 유도.
• Human Agency Scale (HAS) 도입: SAE 자동화 수준(SAE L0-L5)의 "AI 우선" 관점과 달리, HAS는 인간 중심의 렌즈를 제공:
  • H1: AI 에이전트가 과제를 완전 자동 처리
  • H2: AI 에이전트가 최적 성능을 위해 최소한의 인간 입력 필요
  • H3: AI 에이전트와 인간의 동등한 파트너십
  • H4: AI 에이전트가 과제 완료를 위해 인간 입력 필요
  • H5: AI 에이전트가 지속적 인간 관여 없이 기능 불가
• 이중 관점 통합: 1,500명의 현장 워커 선호도 + 52명의 AI 전문가 기술 역량 평가. 2025년 1월-5월 수집된 데이터로 WORKBank 데이터베이스 구축(104개 직종, 844개 과제).
• 선호도-역량 매트릭스: 워커 선호도(자동화 열망)와 기술적 역량을 교차 분석하여 4개 영역 도출. 각 영역에 대한 전략적 시사점 제시.
• 핵심 기술-임금-인간 자율성 연계: 각 과제의 필요 기술을 분류하고, 임금 수준 및 요구되는 인간 관여도와 비교하여 인적 역량의 장기적 변화 추적.

Originality

• 최초의 대규모 다직종 과제 수준 감시: 104개 직종, 844개 과제에 걸친 미국 최초의 체계적 AI 에이전트 감시 평가. 기존의 소수 분야(SW 엔지니어링, CS) 중심 연구에서 탈피하여 전국 노동력의 다양성 포착.
• Human Agency Scale의 혁신적 도입: 자동화-증강 스펙트럼을 인간 중심의 5단계 척도로 재개념화. SAE 등 기존 자동화 스케일의 기술 중심 관점을 보완하는 인간 자율성 프레임워크 제시.
• 워커 중심의 과학적 방법론: 기술적 가능성 평가뿐 아니라 현장 워커의 1차 선호도를 음성 인터뷰 방식으로 수집. 자본 이익이 아닌 노동자 가치관에 기반한 균형잡힌 분석.
• 선호도-역량 불일치의 시각화 및 분류: 4개 영역 매트릭스를 통해 현재 AI 개발 투자와 워커 실제 요구 간 갭을 명확히 드러냄. Y Combinator 데이터 분석으로 산업 현황 검증.
• 확장 가능한 데이터 기반: WORKBank를 공개 가능한 구조의 데이터베이스로 설계하여, 기술 발전과 워커 선호도 변화를 지속적으로 추적할 수 있는 기반 제공.
• 인적 역량 변화의 조기 신호 제시: 정보 처리 → 대인 관계 역량으로의 구조적 이동을 데이터 기반으로 시각화. 향후 교육 및 인력 양성 정책의 방향성 제시.

Limitation & Further Study

• 시간 제약성: 2025년 1월-5월 수집 데이터로 구성되어 빠르게 진화하는 AI 기술 역량의 시간 경과에 따른 변화를 포착하지 못함. 정기적 업데이트 및 종단적(longitudinal) 추적 필요.
• 워커 표본의 표대표성: 1,500명의 워커 샘플이 각 직종 및 인구통계학적 집단을 충분히 대표하는지 불명확. 특히 저소득층, 소수집단, 지역적 다양성에 대한 샘플 대표성 검증 필요.
• 과제 정의의 주관성: O*NET의 과제 설명이 일반화되어 있어, 실제 직장의 구체적이고 맥락적 변이(contextual variation)를 완전히 포착하지 못할 가능성. 특정 기업/조직 수준의 세분화 분석 필요.
• AI 전문가 평가의 편향: 52명의 AI 전문가 선정 기준, 배경 다양성, 평가 방법론의 객관성 정도가 명확하지 않음. 기술적 낙관주의 편향 가능성.
• 인과성 규명의 부족: 선호도와 역량의 불일치가 과제 특성, 워커 특성, 산업 특성 중 어느 것에서 비롯되었는지의 원인 분석 부재.
• 워커 저항(resistance) 및 적응 비용 미포함: 기술적으로 가능하고 워커가 선호하더라도, 조직 수준의 저항, 전환 비용(reskilling cost), 사회적 부작용 등의 현실적 장벽이 충분히 분석되지 않음.
• 후속 연구 방향:
  • 업종별·지역별·인구통계학적 세분화 분석 확대
  • AI 에이전트 실제 도입 기업과의 연계 연구로 현실성 검증

Evaluation

총평: 본 논문은 미국 노동력에 대한 AI 에이전트의 영향을 다룬 가장 포괄적이고 혁신적인 감시 연구로, Human Agency Scale 프레임워크와 워커 중심의 방법론이 학술적·정책적 가치를 제공한다. 다만 시간 제약성, 워커 표본의 대표성, AI 전문가 평가의 객관성 문제와 인과성 규명의 부재로 인해 향후 종단적 추적 연구와 실제 도입 기업 연계 검증이 필요하다.