AI가 대체가능한 직업과 아닌 직업의 정의(25년2월) | 매거진에 참여하세요

하두 이제 AI가 빠르게 발전하니까, 이건 AI가 대체못해라고 하셨던 분들이 말이 계속 바뀌고 있습니다.

예를 들면 디자이너, 작곡가 등은 AI가 대체가능한것으로 이미 판정이 난것 같고,

일부 개발 중 프론트엔드 기능 또한 AI가 대체가능한것으로 보이기도 합니다.

여러 기사를 보던 중에 파이낸셜타임즈에서, 대체불가능한 기준에 대해서 설명한 글이 있어서 가지고 와봤습니다.

여기서는 직업 단위로 대체가능성을 보기보다는, 직업의 기준 단위로 설명하고 있어서 조금 다른 시각을 제공해주는 것 같네요.

생성형 AI는 작업의 본질을 재정의할 잠재력을 가진 혁신적인 기술입니다.

직장에서의 역할과 과거의 자동화와의 차이점을 이해하려면 AI가 할 수 있는 것에서 해야 하는 것으로의 전환이 필요합니다.

일반적으로 생성형 AI가 근로자에게 미치는 영향에 대한 분석은 이 기술이 특정 직업을 수행할 수 있는지에 초점을 맞춥니다.

이러한 연구는 종종 직업을 세분화하고 기술이 수행할 수 있는 구성 작업의 비율을 평가합니다.

예를 들어, 콜센터의 고객 서비스 담당자의 일반적인 작업에는 고객과 상호 작용하고, 상호 작용을 기록하며, 문제를 해결하거나 에스컬레이션하는 것이 포함됩니다.

생성형 AI는 이러한 작업을 처리할 수 있으므로, 이러한 근로자들을 대체할 가능성이 있습니다.

그러나 처음에는 동등해 보일 수 있는 응급 서비스 전화 교환원이라는 직업을 생각해 보세요.

두 직업은 많은 유사한 작업을 공유합니다. 이들이 동일한 수준의 자동화 위험에 직면할 것으로 예상해야 할까요?

답은 기술적 능력만으로는 설명하기 어렵습니다. 윤리적 고려를 넘어, 이러한 역할을 자동화하면 경제적, 작업 설계, 운영적 상호 의존성과 관련된 복잡한 균형이 도입됩니다.

우리는 AI 대체가능성을 고려할 때 네 가지 핵심 질문을 고려해야 한다고 믿습니다.

첫째, 작업의 복잡성은 어느 정도인가?

복잡성은 인간 노동과 AI 비용 모두의 주요 동인입니다.

응급 서비스 출동은 다양한 문제를 해결하며, 이는 고객 서비스 담당자의 반복적인 상호 작용을 뛰어넘는 수준의 복잡성을 포함합니다.

일반적으로 작업이 복잡할수록 자동화 가능성은 낮아집니다. 현재로서는 인간이 기계보다 복잡성을 더 잘 처리할 수 있기 때문입니다.

둘째, 작업의 빈도는 어느 정도인가?

빈도가 높을수록 자동화 가능성이 높아집니다.

기계는 장기간에 걸쳐 속도를 유지하는 데 명확한 이점이 있습니다.

고객과의 빈번한 상호 작용은 고객 서비스 담당자를 AI로 대체하는 경제적 근거를 강화합니다.

셋째, 작업 간의 상호 연결성은 어느 정도인가?

서비스를 제공하거나 제품을 생성할 때, 많은 작업이 서로 연결된 작업 체인에 관여하며,

이는 종종 다른 근로자와 기계에 의해 완료됩니다. 작업 간 전환 과정에서 발생하는 일은 종종 간과됩니다.

전환 과정의 비효율성과 오류로 인해 분할 비용이 발생합니다.

고객 서비스 담당자의 초기 작업은 고객과 대화하는 것이며, 최종 작업은 문제를 해결하는 것입니다.

다른 근로자나 기계가 관여할 경우, 이러한 작업 간 전환은 비용이 많이 들 수 있습니다.

최종 해결을 담당하는 근로자가 처음에 고객과 상호 작용하지 않았다면, 이전에 수집된 모든 정보를 검토하는 데 추가 시간이 필요할 것입니다.

높은 분할 비용은 기술적으로 가능하더라도 인간과 생성형 AI 간 작업 분할을 막아야 합니다.

응급 서비스에서 초기 분류 전화를 자동화하는 것은 비용 효율적으로 보일 수 있지만, AI에서 인간 디스패처로 전환하는 과정에서 중요한 정보가 손실될 수 있습니다.

넷째, 작업을 실행할 때 실패의 비용은 얼마인가?

응급 처치의 실수는 생사가 달린 상황에서 특히 큰 위험을 초래합니다. 그리고 생성형 AI는 과거의 일부 자동화 형태보다 정확도가 낮을 수 있습니다.
이러한 질문은 자동화를 고려하는 기업들을 안내하고, 생성형 AI가 특정 직업에 더 큰 영향을 미치는 이유를 설명하는 데 도움이 되어야 합니다.

예를 들어, 컴퓨터 프로그래머를 생각해 보세요.

광범위하고 잘 문서화된 코딩 예제는 생성형 AI가 복잡한 작업에도 효과적인 솔루션을 제공할 수 있게 합니다.

많은 코딩 작업의 높은 빈도와 반복성은 생성형 AI와 잘 맞습니다.

생성형 AI 이전에도 프로그래머들은 대규모 코딩 프로젝트를 분할했으며, 분산 개발 플랫폼과 모듈식 설계와 같은 혁신이 분할 비용을 줄였습니다.

안전한 테스트 환경은 실패 비용을 낮게 유지하며, 생성형 AI가 생성한 코드의 많은 오류는 저렴하게 감지될 수 있습니다.

우리의 프레임워크 내에서 이러한 특징들은 전통적으로 자동화의 수혜자였던 프로그래머들이 생성형 AI로 인해 증가하는 혼란에 직면하는 이유를 설명하는 데 도움이 됩니다.

위의 네 가지 질문은 생성형 AI가 자동화 기술로서 독특한 이유를 강조합니다.

생성형 AI가 발전함에 따라 이는 복잡한 작업을 고속으로 처리할 수 있는 능력을 보여주며, 전통적인 자동화보다 더 다재다능해지고 있습니다.

자연어 처리 기능과 원활한 인터페이스를 제공함으로써, 생성형 AI는 전통적인 자동화에 비해 분할 비용을 점진적으로 낮추고 있습니다.

그러나 생성형 AI의 출력에 대한 불확실성은 작업 실패의 위험을 증가시킬 가능성이 있습니다.

생성형 AI는 노동 시장을 재구성할 잠재력을 가진 혁신적인 기술입니다.

궁극적인 영향과 채택 가능성은 특정 직업 내 작업 구조에 의해 결정됩니다.

작업의 복잡성, 빈도, 분할 비용, 실패 비용은 명시적인 비용 절감과 숨겨진 비용 간의 균형에 영향을 미칩니다.

아래내용의 원문은 아래에서 확인하실 수 있습니다.

https://www.ft.com/content/9b34b76c-938b-4de4-838f-9c6ef506da19