에이전트형 AI가 모든 과업 노출 예측의 전제를 깨뜨리다

TL;DR. 과업 노출 프레임워크는 직업을 인간이 여전히 수행하는 업무 주변에서 살아남는 껍데기로 취급한다. 에이전트 시스템은 목표를 추구하고 완성된 작업 결과물을 전달하므로...

핵심 요약

빗나갔던 예측들. 산업용 로봇은 실제로 제조업 노동자들을 대체했다.
과업 프레임워크가 작동하는 방식. 그 압박이 어디서 비롯되는지 보려면 과업 중심 전통이 무엇을 주장하는지 정확히 짚어보는 것이 도움이 된다.
모든 프레임워크가 공유하는 사각지대. 원문은 이 모든 연구에 대해 날카로운 주장을 제기한다.
무엇을 에이전트형이라고 부르는가. 논증이 어떤 구분에 의존한다면 그 구분에는 명확한 정의가 필요하다.

노동시장 예측은 자동화가 과업을 하나씩 제거하더라도 직업 자체는 유지된다고 가정해 왔다. 전체 워크플로를 완수하는 에이전트형 AI는 그 가정을 무효화하며, 기존 프레임워크가 측정할 수 없는 영역을 측정하기 위해 새로운 복합 지표인 에이전트 과업 노출도(ATE)가 구축되었다.

경영진 요약

오토-레비-머네인 과업 프레임워크에 기반한 예측을 포함한 초기 자동화 예측들은 하나의 가정을 공유한다. 직업이 남은 인간 업무를 둘러싼 조율 껍데기로서 살아남는다는 것이다.

에이전트형 AI 시스템은 네 가지 기준을 충족한다. 목표 명세를 입력받고, 자율적으로 도구를 선택 및 호출하며, 추론 단계 전반에 걸쳐 상태를 유지하고, 중간 단계에서 인간의 개입 없이 완성된 작업 결과물을 만들어낸다.

ATE 점수는 AI 역량 점수, 워크플로 범위 계수, 로지스틱 도입 속도를 결합한다. 신용 분석가, 판사, 지속가능성 전문가는 0.43-0.47의 ATE 점수에 도달한다.

논문은 미국 5대 기술 지역에 걸친 6대 주요 직업군의 236개 SOC 코드에 ATE를 적용하며, 에이전트형 AI 시스템을 구체적으로 겨냥한 과업 노출 프레임워크의 최초의 다지역 실증 적용이라고 스스로를 설명한다.

일자리 대체와 더불어 논문은 인간-AI 협업, AI 거버넌스, 도메인 특화 AI 운영에 집중된 17개의 신흥 직업 범주를 제시한다.

빗나갔던 예측들 #

산업용 로봇은 실제로 제조업 노동자들을 대체했다. 하지만 초기 예측들이 암시했던 시간표나 규모대로 일어나지는 않았다. 노동시장 예측을 업으로 삼아 읽는 사람이라면 이 문장을 보고 조금쯤 경계심을 가져야 한다. 방향은 맞았으나 규모는 빗나갔다는 패턴을 묘사하고 있기 때문이다.

이 분야 문헌에서 가장 널리 알려진 대표 수치는 프레이와 오즈번에게서 나왔다. 그들은 전문가들에게 미국의 702개 직업을 전반적인 "컴퓨터화 가능성"에 따라 평가해 달라고 요청했다. 그 결과 전체 직업의 47%가 고위험군에 속한다는 결론이 나왔다. 이는 강렬한 수치였고 널리 퍼져나갔다.

그 후 아른츠, 그레고리, 지란은 분석 단위를 과업 수준으로 낮추고 명목상 노출된 직업 내부의 과업 이질성을 고려할 때 어떤 일이 벌어지는지 보여주었다. 경제협력개발기구(OECD) 국가 전반에서 고위험 추정치는 9-14%로 떨어진다. 47%와 9-14% 사이의 거리는 반올림 오차 수준의 이견이 아니다. 이는 분석 단위에 대한 선택을 반영하며, 그 선택에 따라 답이 세 배 이상 달라진다.

원문은 직업 수준 추정치와 과업 수준 추정치 사이의 논쟁이 아직 해결되지 않았음을 솔직하게 인정한다. 다만 학계가 도달한 실질적인 합의는 과업 수준의 분해가 필수적이며 직업 수준의 꼬리표는 너무 거칠다는 것이다. 이 합의는 나머지 논증이 서 있는 토대이다. 그리고 동시에 에이전트형 AI가 압박을 가하는 토대이기도 하다.

과업 프레임워크가 작동하는 방식 #

그 압박이 어디서 비롯되는지 보려면 과업 중심 전통이 무엇을 주장하는지 정확히 짚어보는 것이 도움이 된다.

오토, 레비, 머네인은 직업 과업을 두 가지 축, 즉 정형 대 비정형, 그리고 인지 대 수작업으로 나누었다. 이들의 주장은 자동화가 정형 과업을 대체하는 동시에 비정형 과업을 보완한다는 것이었다. 이는 명쾌한 아이디어였고, 후속 연구들에게 직업의 어떤 부분을 기계가 흡수할 수 있는지 논의할 어휘를 제공했다.

아세모글루와 레스트레포는 그 위에 공식적인 구조를 세웠다. 그들은 산출물을 자본과 노동 사이에 배분되는 연속적인 과업들의 결과로 모델링한다. 이들의 틀에서 노동소득분배율은 복원 경로라고 부르는 새로운 과업 창출이 과업 대체를 앞지르는지 여부에 따라 오르거나 내린다. 이들을 따르면 부가가치에서 노동이 차지하는 비중은 sL = W * L / Y = f(|NL| / |N|)으로 표기되며, 여기서 W는 임금률, L은 고용, Y는 산출물이다. 두 힘이 서로 맞서 당기며, 어느 쪽이 이기느냐에 따라 누가 이익을 가져갈지가 결정된다.

여기에 더해 프레임워크를 직업 수준의 수치로 변환한 두 가지 측정 연구가 중요하다. 펠튼, 라지, 시먼스는 발표된 AI 역량 진전을 O*NET 능력 분류 체계와 연결하여 AI 직업 노출도(AIOE) 점수를 만들었다. 엘룬두 등은 과업 수준에서 크라우드 워커의 주석과 GPT-4의 자체 평가를 결합하여 GPT-4에 초점을 맞춘 유사 지표를 구축했다.

이들의 핵심 결과는 미국 노동자의 80%가 최소 10% 이상의 과업이 대규모 언어 모델(LLM)에 노출된 일자리에 종사하고 있다는 것이었다. 가장 높은 노출도는 고임금, 학위 요구 직업군에 집중되어 있었다. 이 결과는 자동화가 정형화된 저임금 노동을 먼저 타격한다는 기존의 직관에 배치되며, 왜 사무직 문제가 시급한 현안이 되었는지를 설명해 준다.

모든 프레임워크가 공유하는 사각지대 #

원문은 이 모든 연구에 대해 날카로운 주장을 제기한다. 인용된 모든 프레임워크는 구조적인 사각지대를 공유하고 있다. 즉, 직업 자체는 온전히 유지되는 동안 자동화가 개별 과업을 하나씩 떼어내는 것으로 모델링한다는 점이다. 오토-레비-머네인 과업 프레임워크에 기반한 예측을 포함한 거의 모든 예측이 자동화는 과업을 한 번에 하나씩 가져가고 직업은 남은 인간 업무를 둘러싼 조율 껍데기로 살아남는다는 가정을 공유한다.

이것은 기술에 대한 가정이 아니라 구조에 대한 가정이다. 기계의 능력이 얼마나 뛰어난지에 대해서는 아무 말도 하지 않는다. 기계가 아무리 많은 과업을 가져가더라도 누군가는 여전히 남은 조각들을 하나로 묶어주어야 한다고 말할 뿐이다.

법무 보조원의 사례는 이 요점을 구체적으로 보여준다. 과업 노출 분석은 법무 보조원 과업의 80%가 LLM에 노출되어 있다고 표시하면서도, 그러한 과업들을 조율하는 데는 인간의 판단력이 필요하기 때문에 직업 자체는 안전하다고 결론지을 수 있다. 이 결론은 껍데기 가정에서 도출된다. 개별 과업은 노출되어 있지만 과업들 사이의 바느질은 노출되지 않았으므로 일자리는 유지된다는 논리이다.

바로 여기서 원문의 핵심 주장이 등장한다. 법무 보조원 역할을 보호하던 조율 병목 구간이 이제 에이전트의 계획 모듈 내부에 들어와 있다는 것이다. 만약 이것이 사실이라면 법무 보조원을 안전하게 지켜주던 논리는 더 이상 작동하지 않는다. 보호막은 조율에서 나왔는데, 그 조율이 바로 에이전트 시스템이 수행하는 일이기 때문이다.

나는 이것이 논문에서 가장 유익한 아이디어라고 생각하며, 그 자체로 진지하게 받아들여질 가치가 있다. 기존 프레임워크들은 과업에 대해 틀린 말을 한 것이 아니다. 과업이 사라진 뒤에 무엇이 남는가에 대해 틀렸을 뿐이다. 과업을 하나씩 채점하는 척도는 일련의 순서를 하나의 단위로 처리하는 시스템을 볼 수 없다.

무엇을 에이전트형이라고 부르는가 #

논증이 어떤 구분에 의존한다면 그 구분에는 명확한 정의가 필요하다. 원문은 네 가지 기준으로 정의를 제시한다. 에이전트형 AI 시스템이란 다음을 수행하는 시스템이다.

과업 명세가 아니라 목표 명세를 입력받는다.
목표를 달성하기 위해 자율적으로 도구를 선택하고 호출한다.
여러 추론 단계에 걸쳐 상태를 유지한다.
중간 단계에서 인간의 개입 없이 완성된 작업 결과물을 만들어낸다.

이 기준들은 서로 분리되어 있고 각각 검증할 수 있기 때문에 목록 형태로 유지할 가치가 있다. 프롬프트에 답변만 하는 시스템은 첫 번째 기준을 통과하지 못한다. 각 중간 단계마다 사람이 승인해야 하는 시스템은 네 번째 기준을 통과하지 못한다.

더 평이한 말로 풀자면, 에이전트는 목표를 받고, 도구를 고르고, 다단계 계획을 실행하고, 스스로의 출력을 확인한 뒤 완성된 결과물을 내놓는다. 에이전트 시스템은 도구 호출을 사슬처럼 연결하고, 단계 간에 지속적인 메모리를 유지하며, 다중 행동 시퀀스를 계획하고, 중간 출력이 품질 검사를 통과하지 못하면 스스로 교정한다.

자기 교정이라는 세부 사항은 언뜻 보이는 것보다 훨씬 중요하다. 한 단계가 실패할 때 멈춰버리는 파이프라인은 여전히 근처에 사람이 있어야 한다. 반면 실패한 품질 검사를 알아차리고 다시 시도하는 시스템은 과거에 인간의 존재를 정당화하던 감독 업무의 일부를 이미 흡수한 것이다.

논문은 연구 대상을 다음과 같이 정의한다. 개별 과업이 아니라 전체 직업 워크플로를 완수할 수 있는 자율적 AI 에이전트. 여기서 무게 중심은 "전체"라는 단어에 실린다. 모든 논증은 개별 과업과 전체 워크플로 사이의 간극을 다루고 있다.

왜 하필 지금인가 #

원문은 이 질문이 가상적인 것이 아님을 보여주는 두 가지 종류의 증거를 제시한다. 첫 번째는 역량에 관한 것이다. GPT-4급 모델들은 변호사 시험과 미국 의사면허 시험에서 합격선 이상에 도달했으며, 공인재무분석사(CFA) 레벨 1 합격선에 몇 퍼센트 포인트 이내로 근접했다. 이 시험들은 업무 자체가 어렵기 때문에 진입을 제한하는 전문직 자격시험들이다.

두 번째는 실제 배치에 관한 것이다. 아마존, 마이크로소프트, 세일즈포스, 서비스나우, 워크데이를 비롯한 주요 기업용 기술 공급업체들은 2024년 실적 발표 컨퍼런스 콜과 투자자 설명회에서 사무직 워크플로와 맞닿아 있는 실제 운영 환경의 에이전트 배치를 공개했다. 이는 연구용 데모가 아니라 실제 상용 배치이며, 학계가 아니라 투자자들에게 발표된 내용이다.

원문은 이러한 공개를 실제 배치가 이미 인력 계획에 영향을 미치고 있을 때만 기업들이 내놓는 종류의 발표로 해석한다. 원문 스스로 이를 측정치가 아닌 해석으로 규정하고 있으며, 독자 역시 그렇게 받아들여야 한다. 내게 주어진 자료 어디에도 직접적인 인력 감축 수치는 보고되어 있지 않다. 하지만 추론 자체는 합리적이다. 기업들은 비용 구조에 영향을 미치지 않는 한 통상적으로 투자자들 앞에 기술 배치를 내세우지 않는다.

이 두 가지를 합쳐보면 새로운 측정 척도가 필요한 이유는 명백해진다. 역량만으로는 이 문제를 강제하지 못했을 것이며, 몇 건의 시범 사업만으로도 마찬가지였을 것이다. 그러나 이미 상용 운영 중인 시스템에서 전문직 임계값을 넘어서고 있는 역량은 문제를 현실로 만든다.

ATE 점수: 무엇을 측정하고 무엇을 측정하지 않는가 #

논문이 내놓은 해답은 에이전트 과업 노출도(ATE) 점수이다. 이는 종단간 워크플로 범위, 현재 에이전트형 AI 역량 벤치마크, 기업 도입 속도를 반영하기 위해 아세모글루-레스트레포 과업 대체 프레임워크를 확장한 복합 지표이다. 이 점수는 특정 직업 o가 현재의 에이전트형 AI 시스템에 의해 종단간 대체에 얼마나 노출되어 있는지를 측정한다.

여기에는 세 가지 요소가 들어간다. AI 역량 점수, 워크플로 범위 계수, 그리고 로지스틱 도입 속도이다. 그중 워크플로 범위 계수가 앞서 말한 사각지대를 직접 다루는 요소이다. 원문은 기존 연구에서 빠져 있던 것이 한 직업의 전체 워크플로 구성이 에이전트형 AI의 작동 범위 안에 들어오는지를 측정하는 척도라고 말하며, 이를 워크플로 범위 계수로 공식화한다. 기존의 점수들은 개별 과업이 노출되었는지를 묻는다. 이 새로운 점수는 전체 워크플로가 에이전트가 할 수 있는 일 안에 들어맞는지를 묻는다.

구성 방식의 두 가지 세부 요소가 추가로 명시된다. wo,t 항은 O*NET 과업 중요도 평가에서 가져온 직업 o 내 과업 t의 중요도 가중 관련성이다. 그리고 역량 항인 CAP(t)는 AI 벤치마크 문헌과 실무자 배치 보고서로부터 추정된다. 즉, 과업 중요도는 표준 직업 데이터베이스에서 나오고, 역량은 벤치마크와 현장 보고서라는 두 가지 출처에서 나온다.

논문은 방법론에 대해 명확히 밝히고 있으며 독자도 그 기준에 맞춰 읽어야 한다. ATE 점수는 보정된 도입 매개변수를 사용하여 O*NET 과업 데이터로부터 알고리즘 방식으로 계산되며, 회귀 추정치가 아니다. 이는 실질적인 함의를 갖는다. 회귀 추정치에는 표준 오차와 식별 논증이라는 통상적인 장치가 따라붙는다. 반면 보정된 알고리즘 복합 지표에는 그런 장치가 없으며, 그 산출물은 논문 자체가 대체 수치에 대해 사용한 표현 그대로 "모델 도출 전망치"이다. 이는 주어진 매개변수 아래에서 모델이 함의하는 바를 설명할 뿐, 실제로 일어난 일을 보고하지 않는다.

나는 이것이 정직한 틀짜기라고 주장하며, 예측하려는 대상이 아직 일어나지 않은 예측 문제에 적합한 방식이라고 본다. 명시된 입력값들로 구축된 복합 지표는 점검하고, 이의를 제기하고, 다시 보정할 수 있다. 만약 누군가 도입 속도에 동의하지 않는다면 어느 다이얼을 돌려야 할지 정확히 알 수 있다.

모델이 적용된 영역 #

실증 적용 범위는 넓다. 논문은 6대 주요 직업군에 걸친 236개 표준직업분류(SOC) 코드에 ATE 프레임워크를 적용하여, 2025-2030년 기간 동안 미국의 5대 주요 기술 지역에 대한 모델 도출 대체 전망치를 생성한다. 5대 지역은 샌프란시스코 베이 에어리어, 시애틀-타코마-벨뷰, 오스틴-라운드록, 뉴욕-뉴어크, 보스턴-케임브리지이다.

논문은 이를 에이전트형 AI 시스템을 구체적으로 겨냥한 과업 노출 프레임워크의 최초의 다지역 실증 적용이라고 설명한다. 이는 저자들이 내세운 우선권 주장이며, 내 앞의 자료만으로는 이를 검증할 수 없다. 다만 내가 말할 수 있는 것은 지역별 설계가 국가 단위 연구들이 공유하는 문제에 대한 합리적인 대응이라는 점이다. 노출도는 직업의 속성이지만, 도입은 장소와 기업의 속성이기 때문이다.

원문이 제시한 결과에 따르면 신용 분석가, 판사, 지속가능성 전문가는 0.43-0.47의 ATE 점수에 도달한다. 이 묶음은 다시 한번 눈여겨볼 만하다. 신용 분석가, 판사, 지속가능성 전문가는 교육 과정, 급여, 일상 업무에서 서로 닮은 구석이 없다. 논문의 설명에 따르면 이들이 공유하는 공통점은 같은 범위 안의 점수이다. 나는 이를 부문별로나 인식된 창의성 수준에 따라 일자리를 "안전"과 "위험"으로 게으르게 분류하는 방식에 대한 반증으로 읽는다.

동시에 나는 원문이 뒷받침하는 것 이상으로 이 수치를 확대 해석하는 것도 경계하고자 한다. 내가 가진 자료는 이 세 직업의 점수 범위만 제시할 뿐, 나머지 236개 코드와 어떻게 비교되는지는 말해주지 않는다. 따라서 이 수치는 논문의 척도상 이 역할들이 상당한 수준으로 노출되어 있음을 보여줄 뿐, 가장 많이 노출된 직업임을 보여주지는 않는다.

지역별 분석 결과에는 되풀이할 가치가 있는 단서가 달려 있다. 논문은 2026-2027년 시애틀의 인력 효과가 2028-2030년 전국의 비기술직 인력이 겪게 될 일을 미리 보여준다고 기술한다. 이는 명시된 시차를 둔 예측이며 조건부로 서술되어 있다. 이는 모델이 산출한 가설로 읽히며 확립된 사실로 받아들여서는 안 된다. 하지만 이는 틀릴 수 있을 만큼 구체적이기 때문에 유익한 종류의 주장이다. 만약 시애틀의 초기 패턴이 2028년까지 전국 비기술직 인력으로 이어지지 않는다면, 모델은 변명으로 넘길 수 없는 문제에 직면하게 된다.

장부의 복원 효과 측면 #

대체 점수만으로는 아세모글루-레스트레포 이야기의 절반밖에 말해주지 못한다. 그들의 프레임워크에서 노동소득분배율은 새로운 과업 창출이 대체를 앞지르는지 여부에 달려 있다. 프레임워크를 확장하면서 오직 대체만 측정한 논문이라면 그 프레임워크에 긴장감을 부여하는 핵심 요소를 버린 셈이 되었을 것이다.

이 논문은 그렇게 하지 않는다. 에이전트형 AI가 복원 효과를 만들어내는 직업 범주들을 식별한다. 즉, 에이전트 배치가 대규모의 인간 감독, 거버넌스, 협업에 대한 수요를 창출하기 전까지는 존재하지 않았던 새로운 역할들이다. 논문은 복원 효과의 혜택을 받는 총 17개의 신흥 직업 범주를 식별한다. 이들은 인간-AI 협업, AI 거버넌스, 도메인 특화 AI 운영 역할에 집중되어 있다.

그 메커니즘은 따라가기 쉽다. 에이전트가 처음부터 끝까지 워크플로를 수행한다면 누군가는 그들을 감독하고, 그들이 작동하는 규칙을 설정하며, 그들과 나란히 일해야 한다. 아직 감독할 대상이 없었기 때문에 그러한 필요성이 일자리 형태로 존재하지 않았던 것이다.

원문은 이 17개 범주가 얼마나 많은 사람을 고용할지, 혹은 그 성장이 ATE 점수가 암시하는 대체를 상쇄할지 말해주지 않는다. 따라서 내가 사용할 수 있는 데이터는 복원이 대체를 앞지르는가 하는 핵심 질문을 열린 채로 남겨둔다. 그렇다거나 그렇지 않다고 확신에 차서 쓰는 사람은 누구든 검증된 주장을 넘어서는 것이다. 논문의 기여는 장부의 양면을 동일한 프레임워크 안에 올려놓고 새로운 역할이 어디서 나타나는지 이름을 붙였다는 데 있다.

무엇을 얻을 것인가 #

방법론적 교훈과 실무적 교훈이 하나씩 있다.

방법론적 교훈은 분석 단위가 답을 결정한다는 것이다. 47%에서 9-14%로의 변화는 분석 단위를 직업에서 과업으로 옮긴 데서 나왔다. 논문은 자동화되는 대상이 더 이상 개별 과업이 아니기 때문에 이제 과업에서 워크플로로 한 걸음 더 나아가야 한다고 주장한다. 분석 단위가 바뀔 때마다 추정치가 변했으며, 이 분야의 역사는 분석 단위의 선택이 데이터의 선택만큼이나 면밀한 검증을 받을 가치가 있음을 시사한다.

실무적 교훈은 향후 5년을 두고 인력 규모, 교육 훈련, 또는 제품을 계획하는 모든 이들을 위한 것이다. 특정 직무 과업의 80%가 노출되어 있다고 알려주는 점수만으로는 충분하지 않다. 나머지 20%가 단단한 인간 고유의 핵심 영역인지, 아니면 이제 에이전트의 계획 모듈이 공급할 수 있는 접착제에 불과한지 말해주지 않기 때문이다. 워크플로 범위 계수는 바로 그 질문을 직접 던지기 위해 존재한다.

ATE 점수는 보정된 매개변수를 가진 복합 지표이며, 그 전망치는 모델에서 도출된 값이다. 이는 2025-2030년에 대한 구조화된 논증이지 미래의 기록이 아니다. 바로 그렇기 때문에 이를 무시하기보다 검증해 보아야 할 이유가 된다. 시애틀 가설은 초기 검증 기회를 제공한다. 만약 2026-2027년 그곳의 효과가 모델이 암시하는 모습과 같다면, 2028-2030년 전국 비기술직 인력으로 이어지는 시차가 다음에 지켜보아야 할 대상이 된다. 그리고 17개의 복원 범주는 현재의 주장만으로는 해결할 수 없는 질문을 던진다. 에이전트를 감독하기 위해 만들어진 역할들이 노동소득분배율에 영향을 미칠 만큼 충분한 규모로 도래할 것인가 하는 질문이다.

자주 묻는 질문 #

기존의 과업 노출 프레임워크들은 왜 에이전트형 AI의 영향을 과소평가하나요?

오토-레비-머네인 전통 위에 세워진 기존 프레임워크들은 자동화가 개별 과업을 제거하더라도 직업은 인간의 조율 껍데기로서 살아남는다고 가정합니다. 에이전트형 AI 시스템은 이전에 인간 조율자가 필요했던 계획 수립, 도구 호출, 상태 관리 및 중간 품질 검사를 흡수하여 고립된 과업이 아니라 전체 워크플로를 노출시킵니다.

에이전트 과업 노출도(ATE) 점수는 어떻게 계산되나요?

ATE는 O*NET 과업 중요도 평가(wo,t), AI 역량 벤치마크 및 실무자 배치 보고서(CAP(t)), 직업의 전체 워크플로가 에이전트의 작동 범위 안에 들어맞는지 측정하는 워크플로 범위 계수, 그리고 236개 SOC 코드에 걸친 보정된 로지스틱 도입 속도 매개변수로 구축된 알고리즘 복합 지표입니다.

새로운 일자리 창출(복원 효과)과 관련하여 연구는 무엇을 발견했나요?

아세모글루-레스트레포의 복원 경로를 확장하여, 이 연구는 인간-AI 협업, AI 거버넌스, 도메인 특화 AI 운영에 집중된 17개의 신흥 직업 범주를 식별합니다. 이러한 범주의 성장이 워크플로 수준의 대체를 상쇄할지 여부는 여전히 열린 실증적 질문으로 남아 있습니다.

참고문헌 #

Ravish Gupta and Saket Kumar, (2026). Agentic AI and Occupational Displacement: A Multi-Regional Task Exposure Analysis of Emerging Labor Market Disruption ⧉. arXiv.
Tyna Eloundou, Sam Manning, Pamela Mishkin, and Daniel Rock, (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models ⧉. arXiv.
Daron Acemoglu and Pascual Restrepo, (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor ⧉. Journal of Economic Perspectives.
National Center for O*NET Development, (2025). O*NET Resource Center ⧉. US Department of Labor.

최종 검토 2026-11-01.

이 기사 재게시

에이전트형 AI가 모든 과업 노출 예측의 전제를 깨뜨리다 — Sebastien Rousseau

과업 노출 프레임워크는 직업을 인간이 여전히 수행하는 업무 주변에서 살아남는 껍데기로 취급한다. 에이전트 시스템은 목표를 추구하고 완성된 작업 결과물을 전달하므로...

이 기사의 라이선스는 Creative Commons Attribution 4.0 International. 재게시 시 정규 URL 출처 표시가 필요합니다.

에이전트형 AI가 모든 과업 노출 예측의 전제를 깨뜨리다 — Sebastien Rousseau

과업 노출 프레임워크는 직업을 인간이 여전히 수행하는 업무 주변에서 살아남는 껍데기로 취급한다. 에이전트 시스템은 목표를 추구하고 완성된 작업 결과물을 전달하므로...

Originally published at https://sebastienrousseau.com/ko/2026-10-25-eijeonteuhyeong-aiga-modeun-gwaeop-nochul-yecheukui/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER