인간‑AI 작업 텐서: 생성형 AI 시대 업무 조직을 위한 새로운 분류 체계

초록

본 논문은 인간과 생성형 AI가 공동으로 수행하는 업무를 8가지 핵심 차원(작업 정의, AI 통합, 상호작용 양식, 감사 요구, 출력 정의, 의사결정 권한, AI 구조, 인간 페르소나)으로 체계화한 ‘인간‑AI 작업 텐서’를 제안한다. 텐서의 각 차원을 투영해 만든 캔버스와 매트릭스를 통해 조직이 AI 도입 전략을 설계하고, 학계는 연구 영역을 정리할 수 있다.

상세 분석

이 논문은 생성형 AI가 급속히 확산되는 현 상황에서, 기존의 ‘AI‑Human 협업’ 논의를 한 단계 추상화한 프레임워크를 제공한다는 점에서 학술적·실무적 의의가 크다. 첫 번째 차원인 작업 정의는 Simon(1973)과 Rittel‑Webber(1973)의 문제 구조화를 차용해, 작업이 얼마나 명확히 규정되는지를 연속형 스펙트럼으로 제시한다. 이는 AI가 대체 가능한 ‘잘 정의된’ 작업과 인간의 판단이 필수인 ‘불명확한(ill‑defined)’ 작업을 구분하는 근거를 제공한다.

두 번째 AI 통합 차원은 ‘대체(Substitution)’와 ‘보완(Complement)’라는 두 축으로 나뉘어, 특정 작업에서 AI가 인간의 역할을 완전히 대체할지, 혹은 인간의 역량을 증강시킬지를 평가한다. 이때 논문은 노동시장 연구(Felten 등, 2023)를 인용해 실증적 위험지표를 제시하지만, 실제 조직 내 역할 전환 메커니즘에 대한 정량적 모델은 부재하다.

상호작용 양식은 디지털·물리적 모달리티를 구분한다. 현재 대부분의 생성형 AI는 텍스트·이미지·음성 등 디지털 입력에 국한되지만, 로보틱스·증강현실 등 물리적 구현이 확대될 경우 새로운 작업군이 등장한다는 전망은 향후 연구 방향을 제시한다.

감사 요구 차원은 프로세스 감사와 출력 감사 두 축으로 나뉘어, AI가 ‘블랙박스’로 작동할지, 혹은 인간이 과정·결과를 검증해야 할지를 판단한다. 이는 AI 윤리·책임성 논의와 직접 연결되며, ‘스케일러블 오버사이트(Amodei et al., 2016)’ 개념을 적용한 점이 신선하다.

출력 정의는 작업 정의와 연계돼, 결과물이 정량적·정성적으로 얼마나 명확한가를 평가한다. 여기서 논문은 ‘잘 정의된 출력’은 자동화에 유리하고, ‘불명확한 출력’은 인간의 해석이 필요하다는 점을 강조한다.

의사결정 권한 차원은 인간과 AI 중 누가 최종 결정을 내리는가에 따라 ‘증강(augmentation)’과 ‘자동화(automation)’의 스펙트럼을 그린다. 20단계의 의사결정 권한 매트릭스는 실제 조직에서 권한 위임 수준을 시각화하는 도구로 활용 가능하다.

AI 구조 차원은 ‘Genesis(초기·실험)’와 ‘Utility(표준·성숙)’ 두 극단을 설정해, AI 시스템의 아키텍처·데이터 흐름·모듈화 정도를 평가한다. 이는 AI 거버넌스와 기술 채택 전략을 연결하는 중요한 연결고리다.

마지막 인간 페르소나 차원은 사용자의 능력·전문성·경험 등을 고려해, AI 도입 효과가 개인별로 어떻게 달라지는지를 설명한다. 기존 연구와 일치하게, 능력 하위 그룹과 상위 그룹 모두에게 서로 다른 이점이 존재함을 지적한다.

전체적으로 논문은 8차원 텐서를 ‘캔버스’와 여러 매트릭스(AI 기능 매트릭스, 작업 감사 매트릭스 등)로 투영해 실무 적용성을 높였다. 그러나 몇 가지 한계도 존재한다. 첫째, 차원 간 상호작용을 정량화하는 방법론이 제시되지 않아, 실제 평가 시 주관적 판단에 의존할 위험이 있다. 둘째, 차원별 구체적인 척도(예: ‘잘 정의된’ vs ‘불명확한’의 구분 기준)가 부족해, 조직이 일관된 평가 체계를 구축하기 어렵다. 셋째, 물리적 모달리티와 AI 구조의 진화 속도를 반영한 동적 업데이트 메커니즘이 제안되지 않아, 빠르게 변하는 기술 환경에 대한 적시 대응이 제한될 수 있다.

그럼에도 불구하고, 인간‑AI 작업 텐서는 복잡한 협업 상황을 구조화하고, 연구자와 실무자가 공통된 언어로 논의할 수 있게 하는 중요한 출발점이다. 특히, 정책 입안자는 이 프레임워크를 활용해 규제·감시 체계를 설계하고, 기업은 AI 도입 로드맵을 단계별로 구체화할 수 있다. 향후 연구는 차원 간 정량적 상관관계 모델링, 사례 기반 검증, 그리고 텐서의 동적 진화 메커니즘을 개발함으로써 이 프레임워크를 더욱 정교화할 필요가 있다.