AI와 노동의 미래: MIT 연구진이 분석하는 생산성, 자동화 그리고 협업의 진실

• •전문직 시험 성적의 급격한 향상이 AI의 잠재력을 증명했다
• •AI 노출의 양보다 노출되는 방식(보조 vs 대체)이 중요하다
• •인간의 기술 수요와 AI의 상호작용 방식에 대한 연구가 가속화되었다

AI 노출(Exposure)은 특정 직업의 업무 중 AI가 수행할 수 있는 비중을 의미하며, 이것이 반드시 실직으로 이어지는 것은 아니다.

• •AI 도입 초기에는 검수와 품질 관리에 따른 추가 비용이 발생한다
• •코딩 업무에서 작성 속도는 향상되었으나 전체 생산성은 감소할 수 있다
• •효율적인 AI 활용을 위해서는 수년간의 프로세스 최적화가 필요하다

오버헤드(Overhead)는 주된 업무를 수행하기 위해 부수적으로 들어가는 시간과 노력을 의미한다.

• •AI의 결론만 수용하는 방식은 인간의 비판적 사고를 저해한다
• •전문가와 AI의 의견이 불일치할 때의 협업 프로세스 설계가 부재했다
• •AI는 인간의 전문성을 활용할 수 있는 방향으로 설계되어야 한다

CheXpert는 딥러닝을 이용해 흉부 엑스레이 사진에서 질병을 자동 진단하는 모델이다.

• •완전 자동화는 경제적 비용 측면에서 비효율적일 때가 많다
• •AI가 초안을 작성하고 인간이 검수하는 방식이 실무에 가장 적합하다
• •정확도 요구 수준에 따라 AI 도입 전략을 다르게 가져가야 한다

Human-in-the-loop는 AI 시스템의 판단 과정에 인간이 개입하여 정확도를 높이고 책임을 지는 구조를 말한다.

• •채용 감소는 AI 등장 이전부터 시작된 경제적 현상이다
• •단순 코딩 능력보다 AI 도구를 활용한 문제 해결 능력이 중요해진다
• •기업은 AI를 통해 주니어의 업무를 대체하기보다 숙련도를 높이는 데 집중한다

경기 순환(Cyclical)은 경제 활동이 호황과 불황을 반복하며 변동하는 현상을 의미한다.

• •과거 자동화는 규칙 기반이었으나 AI는 데이터 기반이다
• •AI는 암묵적 지식이 필요한 비정형 업무 영역으로 확장되고 있다
• •제조업 중심의 자동화에서 서비스 및 전문직 업무 보조로 중심이 이동했다

루틴 업무(Routine Tasks)는 정해진 규칙에 따라 반복적으로 수행되는 업무를 말한다.

• •인구 구조 변화가 기술 도입의 강력한 유인책이 된다
• •AI는 부족한 노동력을 보충하고 고령 사회의 생산성을 지탱한다
• •기술 도입은 국가별 인구 통계적 상황에 따라 다르게 전개된다

로봇 밀도(Robot Density)는 노동자 1만 명당 산업용 로봇의 대수를 의미한다.

• •AI는 과학 연구와 기상 예측 등 복잡한 시스템 모델링에 탁월하다
• •AGI 구현보다 인간 능력의 확장이 더 실질적인 목표이다
• •Deep Learning 기술은 언어 모델 외의 다양한 도메인에서 성과를 내고 있다

AlphaFold는 단백질의 3차원 구조를 아미노산 서열로부터 예측하는 DeepMind의 AI 모델이다.

• •AI는 장애인의 사회 참여와 업무 효율을 높이는 보조 공학으로 활용된다
• •복잡한 물리 시스템의 최적화에 AI가 직접적인 비용 절감 효과를 준다
• •작은 기술적 개선이 특정 계층에게는 삶의 질을 바꾸는 큰 변화를 만든다

데이터 센터 냉각은 서버에서 발생하는 열을 식히는 과정으로, 막대한 전력이 소모되는 분야이다.