AI 에이전트가 바꾸는 것은 답변의 속도가 아니라, 지식노동의 경계다

답변형 AI와 실행형 AI 사이에는 생각보다 큰 간격이 있다

생성형 AI를 써 본 사람이라면 이미 한 번쯤은 생산성의 상승을 경험했을 것이다. 메일 초안을 받고, 복잡한 문서를 요약하고, 회의 내용을 정리하고, 코드를 설명받는 일은 더 빨라졌다. 그러나 이 변화는 아직 업무의 일부 단계에 머문 경우가 많다. 질문을 던지고, 답을 읽고, 다음 행동을 정하고, 다른 서비스로 옮겨 실행하고, 결과를 확인하는 흐름은 여전히 사람이 붙잡고 있다.

최근 공개된 논문 「How AI Agents Reshape Knowledge Work: Autonomy, Efficiency, and Scope」는 이 지점에 주목한다. 하버드대와 Perplexity 연구진은 대화형 검색 도구와 자율 실행형 에이전트의 사용 기록을 비교해, AI가 '더 좋은 답변기'에서 '일을 끝까지 수행하는 실행자'로 이동할 때 지식노동이 어떻게 달라지는지를 살폈다.

논문의 핵심 주장은 단순하다. 에이전트의 경제적 가치는 한 번의 답변 품질만으로 설명되지 않는다. 사용자가 직접 하던 작업 분해와 실행을 에이전트가 넘겨받을 때, 사람은 조작자에서 감독자와 의사결정자로 역할을 바꾸게 된다. 이 역할 전환이 시간과 비용을 줄일 뿐 아니라, 원래는 엄두 내지 않았을 더 넓고 복합적인 일을 시도하게 만든다는 것이다.

'무엇을 아는가'보다 '얼마나 실행하는가'

연구진은 Perplexity Search와 Computer를 대비시킨다. 전자는 질문에 근거를 붙여 답을 합성하는 도구이고, 후자는 사용자가 목표를 주면 검색, 브라우징, 코드 실행, 문서 작성, 외부 서비스 연결 같은 여러 단계를 수행해 결과물을 만들도록 설계된 에이전트다. 둘의 차이는 지능의 유무가 아니라 자율성과 맥락 연결의 깊이에 있다.

같은 사용자가 거의 동일한 첫 질문을 두 제품에 입력한 1만 개 세션 쌍을 비교했을 때, Computer는 세션당 평균 26분 동안 자율적으로 계획하고 실행했다. Search는 33초였다. 숫자가 말해 주는 것은 단순한 처리 시간이 아니다. Search 사용자는 답변을 받은 뒤 사람이 다음 단계를 이어 가야 하지만, 에이전트 사용자는 결과물에 필요한 작업 묶음을 먼저 위임할 수 있다는 뜻이다.

그 뒤 사용자의 후속 행동도 달라졌다. 에이전트와 일할 때 후속 요청은 세부 실행 지시보다 결과 검증과 확장에 더 가까워졌다. 다시 말해 "이 버튼을 눌러라"보다 "이 결과가 맞는지 확인하고, 이 조건까지 반영해 확장해 달라"는 일이 늘어난다. 좋은 에이전트의 기준은 사람을 대체하는 척하는 것이 아니라, 사람이 판단해야 할 지점을 더 선명하게 남겨 주는 데 있다.

속도는 화려한 숫자지만, 해석에는 조건이 있다

논문은 같은 과제를 Search와 사람의 조합으로 끝낼 때 평균 269분이 걸린 반면, Computer와 사람의 조합은 평균 36분이 걸린다고 추정한다. 시간은 87%, 비용은 94% 줄어든다는 결과다. 프로그래밍, 비즈니스, 기술, 교육 등 18개 영역에서 큰 폭의 차이가 반복됐고, 사용자 인터뷰에서도 체감 속도 향상이 보고됐다.

이 수치는 꽤 강렬하다. 하지만 경영자가 곧바로 "AI가 업무 시간을 87% 없앤다"고 읽어서는 곤란하다. 연구의 기간은 2026년 2월 말부터 5월 말까지 3개월이며, 초기 도입자와 유료 구독자가 상대적으로 많이 포함된 표본이다. 시간·비용 추정에는 사람이 각 도구 작업을 수행하는 데 걸리는 시간, 감독 시간, 언어모델 기반 평가가 들어간다. 연구진도 절대적인 크기는 근사치로 읽어야 한다고 명시한다.

그럼에도 방향성은 중요하다. 에이전트는 처음에 더 긴 지시와 확인을 요구한다. 연구에서도 에이전트 세션의 입력 길이는 대화형 검색보다 중앙값 기준 약 46% 길었다. 목표, 제약, 산출물 형식을 잘 정의해야 하기 때문이다. 대신 단계가 많아질수록 사람의 직접 실행 비용은 누적되고, 에이전트의 단계당 비용 우위는 커진다. 짧고 단순한 질문에서는 굳이 에이전트가 필요 없을 수 있지만, 여러 앱을 넘나들고 반복 확인이 필요한 일에서는 경제성이 역전될 가능성이 높다.

더 큰 변화는 '할 수 있는 일의 범위'다

이 논문에서 가장 흥미로운 결과는 생산성 수치보다 업무 범위의 변화다. 에이전트 사용자의 요청은 같은 사람의 Search 요청보다 본업 바깥 직무 영역으로 평균 9%포인트 더 자주 넘어갔다. 또한 Computer 요청의 71%는 비정형적이고 추상적인 과제로 분류됐고, '창조(Create)' 수준의 고차 사고를 요구하는 비중은 50%로 Search의 26%보다 높았다.

하나의 요청 안에 묶이는 전문지식도 더 넓었다. 에이전트 요청은 평균 2.40개의 O*NET 지식 영역을 요구해 Search의 1.74개보다 38% 많았다. 여러 하위 작업을 한꺼번에 엮는 정도도 더 컸다. 어떤 일은 과거에 개인이 할 수 없어서가 아니라, 조사, 초안, 형식 변환, 데이터 확인, 도구 조작을 연결하는 조정 비용이 너무 커서 시도되지 않았다. 에이전트는 바로 그 조정 비용을 낮춘다.

이 관점은 비개발자에게도 특히 중요하다. 마케팅 담당자가 시장 조사와 경쟁사 자료 정리를 결합해 초안을 만들고, 운영 담당자가 고객 문의 패턴을 분석해 안내 문서와 업무 흐름을 함께 설계하고, 1인 사업자가 리서치부터 비교표, 제안서 초안까지 하나의 목표로 묶어 위임하는 일이 가능해진다. 전문성 자체가 사라지는 것은 아니다. 다만 전문성에 접근하기 위한 실행의 문턱이 낮아진다.

그래서 조직이 바꿔야 할 것은 도구 목록이 아니다

에이전트를 도입할 때 흔히 "어떤 툴을 쓸까"부터 묻는다. 더 좋은 출발점은 "우리 조직에서 사람이 반복적으로 조정하고 있는 작업 묶음은 무엇인가"다. 파일을 옮기고, 정보를 다시 입력하고, 여러 화면을 확인하고, 초안을 여러 형식으로 바꾸고, 누락을 점검하는 과정이 대표적이다. 이런 흐름은 단일 업무가 아니라 연결된 실행 과정이므로 에이전트의 효과가 날 자리가 된다.

다만 위임의 범위가 커질수록 검증과 권한 설계는 더 중요해진다. 결제, 계약, 대외 발송, 개인정보 처리처럼 되돌리기 어려운 행동은 사람이 승인하는 단계가 남아야 한다. 정확성만이 아니라 최신성, 출처, 규정 준수, 고객 맥락을 함께 확인해야 한다. 논문에서 에이전트가 높은 자율성을 보였다는 사실은 '감독이 필요 없다'는 뜻이 아니라, 감독자가 확인할 수 있도록 결과와 근거를 구조화해야 한다는 뜻에 가깝다.

실무에서는 세 가지 질문으로 시작해 볼 만하다.

1. 이 업무의 최종 산출물과 금지 조건을 한 문단으로 명확히 쓸 수 있는가.

2. 사람이 하는 단계 중 되돌릴 수 있고 반복적인 실행은 무엇인가.

3. 최종 판단과 책임은 누가, 어떤 근거를 보고 맡을 것인가.

첫 질문에 답하기 어렵다면 에이전트의 문제가 아니라 업무 자체의 정의가 흐린 것이다. 두 번째 질문의 답이 많을수록 자동화 후보가 될 가능성이 크다. 세 번째 질문이 빠지면 빠른 실행은 곧 빠른 오류가 될 수 있다.

개인의 생산성 도구를 넘어, 역할 설계의 문제로

논문은 개인 단위의 사용 기록을 다뤘기에 고용이나 조직 구조의 변화를 직접 증명하지는 않는다. 연구진 역시 기업 단위 생산성과 노동시장 데이터가 뒤따라야 한다고 말한다. 그러나 가능성의 방향은 읽을 수 있다. 한 사람이 여러 직무의 실행 단계를 묶어 처리할 수 있게 되면, 팀은 단순 전달과 조율에 쓰던 시간을 줄이고 문제 정의, 품질 기준, 고객 이해, 예외 처리에 더 집중할 수 있다.

이 변화가 자동으로 더 좋은 조직을 만들지는 않는다. 일을 더 빨리 시키는 데만 에이전트를 쓰면 산출물은 늘어도 판단의 질은 떨어질 수 있다. 반대로 반복 실행을 맡기고 인간의 시간을 검증과 창의적 확장에 배분한다면, AI는 비용 절감 장치 이상이 된다. 개인과 작은 팀이 더 넓은 문제를 다룰 수 있게 하는 업무 인프라가 된다.

앞으로의 경쟁은 누가 가장 많은 AI 도구를 구독하는가가 아니라, 누가 목표를 잘 정의하고, 실행을 안전하게 위임하며, 결과를 더 나은 판단으로 연결하는가에서 갈릴 가능성이 높다. 에이전트 시대의 핵심 역량은 프롬프트를 길게 쓰는 기술이 아니라, 일을 잘 설계하고 검증하는 능력이다.

논문 원문

• How AI Agents Reshape Knowledge Work: Autonomy, Efficiency, and Scope

• https://arxiv.org/abs/2606.07489

이 글은 위 연구의 주장과 결과를 바탕으로 작성한 해설 칼럼입니다. 연구는 Perplexity 제품군의 초기 사용 데이터를 분석했으며, 결과의 일반화와 인과적 해석에는 본문에서 언급한 한계가 있습니다.