Tech AI News - 테카이

AI는 왜 이 일만 못할까 — '들쭉날쭉한 경계'라는 개념

· 5분 읽기

Read this post in English →

AI는 비슷해 보이는 두 업무 중 하나는 척척 해내고 다른 하나는 사람보다 더 못 합니다. 이 차이를 가르는 건 업무의 '난이도'가 아니라, 결과를 검증할 수 있는가입니다.


배경 — 왜 지금 이 개념이 필요한가

업무에 AI를 들여온 조직이라면 공통적으로 겪는 혼란이 있습니다. 보고서 초안이나 코드 리팩터링에서는 AI가 놀랍도록 유능한데, 전략적 판단이나 복잡한 수치 검증에서는 그럴듯한 오답을 자신 있게 내놓는 경우가 적지 않습니다. 문제는 이 경계가 사람이 느끼는 '어려움'과 일치하지 않는다는 점입니다. 쉬워 보이는 일에서 틀리고, 복잡해 보이는 일을 잘 해내기도 합니다.

이 현상을 처음 체계적으로 측정한 것이 하버드 경영대학원과 보스턴컨설팅그룹(BCG)이 함께 진행한 현장 실험입니다. 2023년 워킹페이퍼로 처음 공개됐고, 2026년 3월 학술지 Organization Science에 정식 게재되며 "들쭉날쭉한 경계(jagged frontier)"라는 표현이 AI 생산성 논의의 기본 어휘로 자리 잡았습니다.

핵심 데이터 & 현황

  • 과제 완료량 +12.2%, 속도 +25.1%, 품질 +40% 이상 — BCG 컨설턴트 758명(개인 기여자급 인력의 약 7%)을 AI 미사용·GPT-4 사용·프롬프트 교육 병행 그룹으로 나눈 현장 실험에서, 경계 안쪽에 있는 18개 실제 컨설팅 과제를 AI와 함께 수행한 그룹의 성과입니다 (Harvard AI Institute, 연구 2023년 발표·2026년 게재).
  • 하위권 성과자의 성과 +43% — 같은 실험에서 시작 시 성적이 낮았던 컨설턴트일수록 AI 사용으로 얻는 이득이 더 컸습니다.
  • 경계 밖 과제에서는 정답률 84% → 60~70%로 하락 — 연구진이 의도적으로 AI가 잘 풀지 못하도록 설계한 과제에서는, AI 없이 푼 컨설턴트의 정답률이 더 높았습니다. 와튼스쿨 에단 몰릭 교수는 이를 AI의 권위에 기대어 검토를 소홀히 하는 "운전 중 졸기(falling asleep at the wheel)"로 설명합니다 (Ethan Mollick, "Centaurs and Cyborgs on the Jagged Frontier").
  • AI 학습 난이도는 검증 가능성에 비례한다 — OpenAI 연구자 제이슨 와이(Jason Wei)는 이를 "검증자의 규칙(verifier's rule)"이라 부르며, 객관적 정답이 있고 빠르고 대량으로 채점할 수 있는 과제일수록 AI가 강해진다고 설명합니다 (Jason Wei, "Asymmetry of verification and verifier's rule", 2025).

해석: 네 수치를 겹쳐 보면 하나의 패턴이 드러납니다. AI는 정답 여부를 빠르게 되돌려줄 수 있는 업무에서 사람을 압도하고, 정답을 즉시 확인할 방법이 없는 업무에서는 오히려 판단력을 떨어뜨립니다. 성과의 크기가 아니라 검증의 유무가 경계를 가릅니다.

심층 분석

1) '들쭉날쭉한 경계'는 정확히 무엇인가

하버드-BCG 실험은 AI의 영향을 단순히 "도움이 된다/안 된다"로 나누지 않았습니다. 대신 같은 업무 범주 안에서도 AI가 사람보다 나은 구간(경계 안)과 오히려 사람을 해치는 구간(경계 밖)이 공존한다는 것을 보였습니다. 성벽처럼 매끈한 선이 아니라, 울퉁불퉁하고 미리 예측하기 어려운 모양이라는 뜻에서 '들쭉날쭉하다'고 표현합니다. 연구진은 경계 밖 과제를 설계하는 일 자체가 쉽지 않았다고 밝혔는데, 이는 역설적으로 AI의 역량 범위가 이미 넓다는 뜻이기도 합니다.

2) 경계를 가르는 건 난이도가 아니라 검증 가능성

제이슨 와이는 "검증 비대칭(asymmetry of verification)"이라는 개념으로 이를 설명합니다. 스도쿠나 크로스워드는 풀이에 시간이 걸려도 정답 확인은 순식간입니다. 코드나 수학 경시대회 문제도 마찬가지입니다. 반면 좋은 에세이인지, 매력적인 자기소개서인지, 10년 뒤 수익이 날 투자 판단인지는 '정답'을 즉시 확인할 방법이 없습니다. 벤처투자사 파운더콜렉티브는 이를 노동시장에 적용해, 성과를 저렴하고 빠르게 검증할 수 있는 직무(퍼포먼스 마케팅, 보험금 심사 등)가 먼저 자동화되고, 검증이 비싸거나 느리거나 주관적인 직무에는 사람의 판단이 더 오래 남는다고 짚었습니다 (Founder Collective, "Asymmetry of Verification").

3) '자동조종'의 위험과 대응 방식

경계 밖에서 AI를 쓴 컨설턴트들의 정답률이 떨어진 이유는 AI 자체의 오답률보다, 사람이 검토를 멈춘 데 있습니다. 매끄럽고 자신감 있는 문장일수록 틀렸을 때 알아차리기 어렵습니다. 몰릭 교수는 이에 대한 대응으로 두 가지 사용 방식을 제시합니다. 업무를 사람의 몫과 AI의 몫으로 뚜렷이 나누는 '켄타우로스(centaur)'형과, 문장 단위로 AI와 번갈아 작업하며 깊이 섞는 '사이보그(cyborg)'형입니다. 어느 쪽이든 공통점은 "지금 이 업무에 검증 루프가 있는가"를 의식적으로 묻는다는 점입니다.

국내 시사점

국내 기업의 생성형 AI 도입 논의는 대부분 "어떤 업무에 도입할지"에 머물러 있고, "그 업무가 검증 가능한가"를 먼저 따지는 경우는 드뭅니다. 코드 리뷰나 데이터 정리처럼 정답을 빠르게 확인할 수 있는 업무는 AI 도입 효과가 분명하게 나타나지만, 전략 보고서 초안이나 법적 리스크 판단처럼 결과를 즉시 검증하기 어려운 업무에 같은 기대치를 적용하면 위 실험의 경계 밖 구간과 같은 함정에 빠지기 쉽습니다. 실무에서는 업무를 맡기기 전에 "이 결과가 틀렸는지 내가 얼마나 빨리, 얼마나 확실하게 알 수 있는가"를 먼저 점검하는 습관이 필요합니다.

전망 & 주목할 변수

  • 긍정 변수: 추론 모델, 도구 사용(계산기·코드 실행·검색), 에이전트의 자기 교정 루프는 검증 가능한 업무의 범위를 넓혀 경계를 조금씩 매끄럽게 만들고 있습니다.
  • 리스크 변수: 검증 인프라를 먼저 갖춘 업무일수록 AI 자동화가 빨라지면서, 검증이 어렵거나 주관적인 업무와의 격차가 더 벌어질 가능성이 있습니다. 분석: 이는 직무 가치가 '창의성'이 아니라 '검증 가능성'을 기준으로 재편될 수 있다는 뜻입니다.
  • 체크포인트: 조직 차원에서 업무별로 피드백 루프(결과를 되돌려 확인할 방법)가 있는지를 점검하는 절차가, AI 도구 자체의 성능 평가보다 먼저 필요합니다.

결론

  • AI의 능력 경계는 사람이 느끼는 난이도가 아니라 검증 가능성으로 갈립니다.
  • 정답을 빠르고 확실하게 확인할 수 있는 업무일수록 AI의 이점이 크고, 그렇지 않은 업무일수록 사람의 검토가 더 중요해집니다.
  • 매끄러운 AI 출력물을 그대로 믿기보다, 업무를 맡기기 전에 "이 결과를 어떻게 검증할 것인가"를 먼저 정해두는 쪽이 경계 밖의 함정을 피하는 실질적인 방법입니다.

참고 링크

  • #AI
  • #인공지능
  • #AI 신뢰
  • #지식노동자 생산성
  • #하버드 BCG 연구
  • #검증 가능성
AI 산업 분석

AI와 인간관계·정신건강의 미래

AI 챗봇이 우울 증상을 절반 가까이 줄였다는 임상시험 결과와, AI 친구에 의존할수록 외로움이 깊어진다는 연구가 같은 시기에 나왔습니다. AI가 마음의 치료제가 될지, 관계의 대체재가 되어 고립을 심화시킬지 — 지금이 그 갈림길입니다.

· 7분