What 3 new MIT Sloan professors have learned about AI — and what they want to know

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

MIT Sloan 신임 교수 3명은 AI가 업무를 자동화하는 만큼 인간의 역량, 의사결정 정보의 제시 방식, 검증을 보장하는 업무 설계가 중요해진다고 보고, 문제 선택 능력·조직 변화·에이전트 정렬을 향후 연구 과제로 제시한다.

📌 핵심 요약

• Giannis Daras는 AI 에이전트가 실험 감시와 일정 관리 등 반복 업무를 자동화하지만, 창의적 업무까지 위임하면 개인의 목소리와 핵심 인지 역량이 약화될 위험이 있어 사람이 AI와 함께 성장할 체계가 필요하다고 주장한다.
• Ruru Hoong이 공동 연구한 전문 대출 심사 담당자 150명 대상 실험에서는 AI 위험 점수를 예/아니요로 제시했을 때 전체 확률 점수 제시나 인간 단독 판단보다 정확도가 높고 결정도 빨랐다. 다만 임의의 임계값은 효과가 없었으며, 결정의 성격과 오류별 비용에 맞춘 조정이 필요했다.
• Sadegh Shirani는 AI가 수백만 건의 비정형 기록을 분석할 수 있지만 프롬프트 단어 하나에도 응답이 크게 달라질 수 있어, 양질의 업무뿐 아니라 저품질 업무도 빠르게 늘릴 수 있다고 지적한다. 이에 검증과 판단 시간을 보존하고 출력의 견고성을 확인하는 역량을 강조한다.
• Daras는 AI가 코딩·데이터 분석·사업 의사결정에서 인간보다 뛰어나거나 곧 그렇게 된다는 가정 아래, 미래의 차별화 역량이 문제 해결에서 풀 가치가 있는 문제를 선택하는 능력으로 이동할 수 있다고 본다.
• Hoong은 인간과 AI의 다차원 정보 결합, 직무 재설계와 내부 인력 재배치, 수면·활동·웰빙 및 일의 가치 변화를 연구하고자 한다. Shirani는 적대적 AI 에이전트의 상호 비판과 검증이 신뢰성을 높이는지, 새로운 조작·조정 실패·정렬 실패를 낳는지 탐구하고자 한다.

🧩 주요 포인트

1. AI 자동화의 범위 확대 → 업무 속도 향상과 함께 인지 역량 약화 및 저품질 출력 확산을 다뤄야 하므로, 인간의 성장과 검증 시간을 업무 설계에 포함할 필요가 있다.
2. 명 실험에서 확인된 정보 제시 방식의 효과 → AI 도입 성과는 모델 정확도만으로 결정되지 않으며, 오류별 비용과 인간이 가진 맥락 정보를 반영한 의사결정 설계가 중요하다.
3. 문제 선택·직무 재설계·에이전트 정렬이라는 연구 과제 → AI의 영향은 개별 업무 생산성을 넘어 필요한 역량, 조직 내 인력 배치, 시스템 신뢰성을 평가하는 방식으로 확장된다.

🧠 상세 정리

1. 신임 교수 3명이 바라본 AI와 일

MIT Sloan은 새로 합류한 교수 3명에게 AI와 일의 관계에서 무엇을 배웠고 앞으로 무엇을 연구하고 싶은지 물었다. 운영연구·통계 분야의 Giannis Daras, 마케팅 분야의 Ruru Hoong, 운영관리 분야의 Sadegh Shirani는 각각 모델 개발 경험, 의사결정 연구, 복잡한 시스템의 신뢰성이라는 관점에서 답했다. Daras의 직접적인 연구 대상은 AI와 일 자체보다 모델 훈련이지만, 시스템을 만들고 일상 업무에 사용하는 경험이 업무 변화에 대한 관찰로 이어진다. Hoong은 조직이 AI 정보를 어떻게 제시하고 활용해야 하는지에, Shirani는 강력해진 기능을 어떻게 신뢰할 수 있는 판단으로 연결할지에 주목한다. 세 사람의 답변은 AI의 성능과 속도뿐 아니라 사람이 정보를 해석하고 일을 배분하며 결과를 검증하는 방식이 중요하다는 논점으로 이어진다.

2. Daras: 반복 업무 자동화와 인지 역량 약화의 위험

Daras는 AI가 과거 업무의 일부였던 지루한 과제를 자동화하고 있다고 설명한다. 박사과정 당시에는 기계학습 실험의 하드웨어 문제나 훈련 불안정을 감시하는 데 상당한 시간을 썼지만, 이제는 AI 에이전트가 이런 일을 안정적으로 처리할 수 있다는 것이다. 일정 관리부터 기술 문서 편집까지 활용이 확대되고 있으나, 지도자와 근로자 대부분은 아직 AI의 잠재력을 일부만 활용하고 있다고 본다. 동시에 창의적 업무의 자동화는 직접 문서를 쓰지 않으면서 개인의 목소리를 잃거나, 복잡한 과제의 빠르지만 부실한 실행에 만족하거나, 높은 성과에 필요한 핵심 인지 역량이 약해지는 위험을 수반한다. 따라서 그의 핵심 과제는 AI 사용 확대와 함께 근로자도 성장할 수 있도록 체계를 설계하는 것이다.

3. Hoong: 예측의 정확도만큼 중요한 정보 제시 방식

Hoong은 AI의 가치가 예측의 질뿐 아니라 그 예측을 의사결정자에게 어떻게 보여주는지에 달려 있다고 설명한다. 정확하고 유용한 예측도 근로자가 과소평가하거나 과대평가할 수 있으며, 자신의 정보와 잘못 결합하거나 인지적으로 활용하기 어려워할 수 있다. 공동 연구진이 전문 대출 심사 담당자 150명을 대상으로 진행한 실험에서는 AI 위험 점수를 단순한 예/아니요 형태로 제시했을 때 전체 확률 점수를 보여주거나 인간이 단독으로 판단할 때보다 결정 정확도가 높아지고 속도도 빨라졌다. 그러나 임의로 정한 임계값은 성과를 개선하지 못했으므로, 단순화 자체가 항상 유익하다는 결과는 아니다. 정보는 결정의 성격과 서로 다른 오류의 비용에 맞게 조정되어야 하며, 기업은 더 좋은 모델을 도입하는 데 더해 의사결정자의 인지 편향을 고려한 절차를 설계해야 한다.

4. AI 도입을 의사결정과 조직 설계의 문제로 보기

Hoong은 AI 도입이 기술 구매의 문제인 동시에 조직과 정보 설계의 문제라고 강조한다. 출발점은 개선하려는 결정이 무엇인지, 어떤 오류가 중요한지, 근로자가 AI에는 없는 어떤 정보를 갖고 있는지, AI 출력을 업무 흐름에 어떻게 넣을지 파악하는 것이다. 이 관점에서 인간의 판단은 불필요해지는 것이 아니라 모델이 모르는 맥락 제공, 목표와 상충관계 설정, 예외 처리에서 더 큰 가치를 갖게 된다. Shirani는 수백만 건의 비정형 기록 분석처럼 과거에는 비현실적이었던 작업이 쉬워지면서, 사람들이 행정 업무부터 복잡한 분석과 의사결정 지원까지 더 넓게 위임하게 된다고 지적한다. 그 결과 중요한 결정을 더 빠르게 내리면서 AI 출력을 암묵적으로 신뢰할 수 있지만, 프롬프트의 단어 하나만 바뀌어도 응답이 크게 달라질 수 있다. 따라서 양질의 업무와 저품질 업무가 모두 빠르게 늘어날 가능성에 대응하려면 검증과 판단 시간을 보존하고, 출력에 의문을 제기하며, 확신에 찬 표현을 정확성의 증거와 구분해야 한다.

5. Daras: 해결 능력에서 문제 선택 능력으로

Daras가 앞으로 가장 탐구하고 싶은 것은 새로운 시대에 엔지니어·과학자·지도자가 어떤 역량을 길러야 하는가이다. 그는 AI가 코딩, 데이터 분석, 사업 의사결정에서 이미 인간보다 뛰어나거나 곧 그렇게 된다는 가정을 제시하고, 이 경우 업무 성공에 필요한 역량도 달라질 것이라고 본다. 평가의 초점은 특정 문제를 얼마나 잘 푸는지에서 그 문제가 풀어야 할 올바른 문제인지 얼마나 잘 알아보는지로 옮겨갈 수 있다. 해결책이 풍부해지는 시대가 온다면 연구를 포함한 여러 분야에서 좋은 문제를 고르는 안목이 차별화 요소가 된다는 주장이다. 다만 좋은 안목의 정확한 의미, 학생에게 이를 길러주는 방법, 인력이 빠르게 적응하도록 준비하는 방법, 성공을 측정하는 방법은 모두 앞으로 답해야 할 질문으로 남아 있다.

6. Hoong: 다차원 정보와 조직 내부의 재배치

Hoong은 AI가 생산성뿐 아니라 인간이 제공하는 정보, 과제 배분, 조직 구조 등 일의 구성 방식 자체를 바꾼다는 점에 관심을 둔다. 인간과 AI의 정보를 각각 하나의 신호로 다루는 접근은 LLM 시대에 특히 한계가 드러나며, 근로자만 아는 맥락이나 AI가 특정 차원에서 갖는 불확실성을 어떻게 수집하고 전달할지 연구할 필요가 있다고 본다. 여러 신호를 사람이 종합해야 한다면 인터페이스가 사람들이 체계적으로 과소평가하는 정보에 주의를 기울이도록 도울 수 있는지도 질문한다. 또한 관리자는 직무를 재설계하고 인력을 내부에서 이동시키는 핵심 주체이지만, 유능한 직원을 내보낼 유인이 약하거나 직무 변경 권한과 관련 정보가 부족할 수 있다. 그녀는 어떤 조직 구조가 이런 마찰을 줄이는지, 그리고 그러한 구조가 기업의 실질적인 업무 재설계와 인력 재배치를 단순한 채용·해고와 구분해 설명할 수 있는지 탐구하고자 한다.

7. Hoong: 생산성 지표 밖의 삶과 가치 변화

Hoong의 또 다른 관심은 고용, 임금, 생산성이라는 통상적인 지표로 포착되지 않는 근로자의 변화다. AI에 대한 노출뿐 아니라 승진, 이직, 해고 같은 경력 사건이 수면, 활동, 웰빙의 객관적 측정치에 어떤 영향을 주는지, 어떤 근로자가 가장 큰 영향을 받는지 알아보고자 한다. 이는 AI가 일터에 미치는 영향을 업무 성과만으로 평가하지 않고 근로자의 생활과 상태까지 살펴보려는 연구 질문이다. 동시에 기계가 더 많은 종류의 일을 재현할 때, 여전히 인간에게 고유하다는 이유로 어떤 기여의 가치가 높아지는지 묻는다. 반대 방향으로는 사람들이 AI 산출물의 기술적 기원에도 불구하고 가치를 인정하는 경우를 넘어, 바로 그 기술적 기원 때문에 어떤 산출물을 가치 있게 여기는지도 탐구하려 한다.

8. Shirani: 적대적 에이전트가 신뢰성을 높일 수 있는가

Shirani의 핵심 연구 관심은 기대가 불완전하거나 명시하기 어려운 상황에서도 AI 에이전트가 원하는 일을 수행하고 기대에 부합하며 안정적으로 행동하게 만드는 정렬 문제다. 더 복잡하고 결과가 중대한 업무를 위임할수록 이 문제가 중요해지며, 그는 적대적 AI 에이전트가 다른 에이전트의 행동을 개선할 수 있는지에 특히 관심을 둔다. 이런 에이전트는 제안된 결정에 이의를 제기하고, 실패 가능성과 숨은 가정을 찾으며, 지시나 맥락이 조금 달라져도 행동이 일관적인지 시험할 수 있다. 구상은 하나의 답에 의존하는 대신 여러 에이전트가 서로 비판하고 감시하며 스트레스 테스트를 수행하도록 하는 것이다. 다만 이러한 상호작용이 신뢰성을 높일지, 새로운 조작과 조정 실패 및 정렬 실패를 만들지는 아직 연구 질문으로 남아 있다. 따라서 어떤 조건에서 행동이 개선되는지와 이런 시스템을 어떻게 설계하고 관리해야 하는지를 이해하는 것이 책임 있는 의사결정 활용을 위한 과제다.

🧾 핵심 주장 / 시사점

• 세 교수의 관점은 AI 역량이 높아질수록 인간의 역할을 더 구체적으로 설계해야 한다는 점에서 연결된다. 문제 선택, 맥락 정보 제공, 출력 검증은 서로 다른 단계에서 인간이 기여할 영역으로 제시된다.
• 150명 실험은 더 상세한 정보를 제공하는 것이 반드시 더 나은 결정을 보장하지는 않음을 보여준다. 다만 효과는 결정과 오류별 비용에 맞춘 조정에 달려 있으므로, 모든 AI 출력을 이진화해야 한다는 결론으로 확대할 수 없다.
• 자동화와 다중 에이전트 검증은 모두 성과 개선의 가능성과 새로운 실패 가능성을 함께 갖는다. 따라서 생산성이나 신뢰성의 향상은 기술 도입만으로 확정되는 결과가 아니라 업무와 상호작용을 어떻게 설계하느냐에 달린 검증 과제다.

✅ 액션 아이템

• AI 자동화의 적용 범위를 검토할 때 인지 역량 약화 위험과 검증 시간 보존을 함께 고려.
• 150명 실험의 결과를 참고해 AI 정보 제시 방식이 오류별 비용과 인간이 가진 맥락 정보에 부합하는지 검토.
• 적대적 AI 에이전트의 상호 비판과 검증을 평가할 때 신뢰성 향상 가능성과 조작·조정 실패·정렬 실패 가능성을 함께 검토.

❓ 열린 질문

• AI 자동화가 확대될 때 인지 역량과 검증 시간을 보존하면서 풀 가치가 있는 문제를 선택하는 능력을 어떻게 기를 수 있는가?
• 150명 실험에서 효과를 보인 예/아니요 제시 방식은 오류별 비용과 인간이 가진 맥락 정보가 달라질 때도 정확도와 속도를 높일 수 있는가?
• 적대적 AI 에이전트의 상호 비판과 검증은 어떤 조건에서 신뢰성을 높이고, 어떤 조건에서 조작·조정 실패·정렬 실패를 낳는가?