AI 위임 경계선 (AI Delegation Boundary)

처음 실린 날 2026-05-31 · 마지막으로 고친 날 2026-09-27

다른 이름: AI 업무 위임 기준 · AI Delegation Boundary

한 줄 정의

AI에 맡겨도 되는 작업과 사람이 직접 판단해야 하는 작업의 경계를 구분하는 사고도구. AI 능력의 경계는 톱니처럼 들쭉날쭉하다. 연구자들은 이것을 "들쭉날쭉한 경계(jagged frontier)"라 부른다. 비슷해 보이는 작업도 한쪽은 AI가 잘하고 다른 쪽은 망친다 [Dell'Acqua 2026]. 그래서 AI를 쓰기 전에 작업이 그 경계 안에 있는지부터 판별한다.

일상 한 줄

AI가 잘하는 초안·변환·요약은 맡기되, 맥락·책임·검증이 어려운 판단은 사람이 경계를 잡는다.

흔한 장면

법률·의료·계약 질문을 AI 답변 하나로 결정한다.
코딩에서 낯선 라이브러리 코드를 AI가 준 대로 붙인다.
보고서 초안은 좋아졌지만, 실제 전략 판단은 오히려 흐려진다.
AI가 자신 있게 말하면 검증 난이도와 책임 비용을 잊는다.

왜 빠지나 (메커니즘)

경계가 보이지 않는다: jagged frontier는 들쭉날쭉해서, 사용자가 작업이 경계 안인지 밖인지 사전에 알기 어렵다 [Dell'Acqua 2026].
경계 안 성공이 경계 밖으로 일반화된다: 경계 안 18개 과제에서 AI 사용자가 12.2% 더 많이, 25.1% 더 빠르게, 품질도 유의하게 더 높게 처리하자 그 성공 경험이 "AI는 늘 도움 된다"는 믿음으로 번진다 [Dell'Acqua 2026].
경계 밖에서 오히려 악화: 경계 밖 복잡 관리 과제에서는 AI 사용자가 정답을 낼 가능성이 AI 없이 푼 사람보다 19% 낮았다 [Dell'Acqua 2026]. 초록은 원인을 밝히지 않는다. AI의 그럴듯한 오답을 그대로 받아들였을 가능성은 이 카드의 추정이다.
검증 비용이 높을수록 더 쉽게 수용: 독립 검증이 어려운 작업일수록 유창한 답을 그대로 받아들이고 싶어진다. 의료 판단 지원 연구를 모은 체계적 문헌고찰에서도 자동화 편향(automation bias, 기계의 제안을 확인 없이 따르는 경향)은 업무량이 많고 과제가 복잡하고 시간이 부족할 때 커졌다 [Goddard 2012].
어디까지 넘길지 사람이 잘 모른다: 사람은 자기가 무엇을 잘 아는지에 대한 판단(메타지식)이 부정확해서, AI에 넘길 일을 고르는 데 서툴다 [Fügener 2022].

빠져나오는 법

1. 작업을 초안 생성, 형식 변환, 정보 검색, 판단, 책임 결정으로 나눈다. — 근거 수준: 경험칙(직접 검증 연구 없음). 작업을 미리 나눠 맡긴 실험은 3편뿐이고 효과는 유의하지 않았다 [Vaccaro 2024] 2. 결과를 독립적으로 검증할 수 있는지 확인한다. — 근거 수준: 경험칙. 자동화 편향이 업무량이 많고 복잡하고 시간이 부족할 때 커졌다는 체계적 고찰 [Goddard 2012]에서 끌어냄 3. 오류 비용이 큰 작업은 AI 산출물을 가설로만 쓰고, 최종 답은 사람이 확인해 정한다. — 근거 수준: 경험칙. 사람이 최종 결정을 내리는 설계는 평균적으로 둘 중 나은 쪽을 넘지 못했고 [Vaccaro 2024], 전문의도 AI 입력을 덜 반영했다 [Agarwal 2023]. 사람의 확인은 큰 오류를 막는 장치로 두고, 성과를 올린다고 기대하지 않는다 4. AI가 잘하는 작업과 못하는 작업의 로그를 남겨 자기만의 경계 지도를 만든다. 체감만으로는 부족하다. 숙련 개발자는 AI를 쓰고 19% 느려졌는데도 20% 빨라졌다고 믿었다 [Becker 2025]. 모델이 바뀌면 지도를 다시 그린다. — 근거: 무작위 실험 Becker 2025. 로그 작성의 효과 자체는 검증되지 않았다

(1~4단계를 한 절차로 묶어 시험한 실험은 없다.)

함께 쓰기 좋은 도구

AI 신뢰 보정 — AI 조언을 과신하거나 과소신뢰하지 않기
AI 검증 루프 — AI 산출물의 사실성 확인
전문가 연결 — 고위험 영역에서 인간 전문가로 연결
깊은 불확실성 의사결정 — AI 예측이 불안정한 장기 문제 다루기

통념이 무너지는 순간

"AI를 쓰면 무조건 생산성이 오른다"

⚠ 흔한 말: "AI 켜고 돌리면 뭐든 더 빠르고 좋아지지." ✓ 학술: Dell'Acqua et al. (2026) — BCG 컨설턴트 758명 사전등록 실험. 경계 안 18개 과제에서는 AI 사용군이 12.2% 더 많이, 25.1% 더 빠르게 끝냈고 품질도 유의하게 높았다. 경계 밖 관리 과제에서는 정답을 낼 가능성이 오히려 19% 낮았다. [Dell'Acqua 2026]

"AI가 틀릴 수 있으니 중요한 일에는 쓰면 안 된다"

⚠ 흔한 말: "리스크 큰 일에 AI는 위험하니까 손도 대지 마." ✓ 학술: Noy & Zhang (2023) — 전문직 453명 글쓰기 실험에서 ChatGPT 노출군은 소요 시간 40% 감소·품질 18% 상승, 특히 실력이 약한 작업자가 가장 큰 이득을 봤다. 중요한 일에서도 초안·대안·체크리스트 생성에는 유용하다 — 다만 최종 판단·책임을 위임할 지점만 분리하면 된다. [Noy 2023]

"프롬프트만 잘 쓰면 경계가 사라진다"

⚠ 흔한 말: "프롬프트 엔지니어링 배우면 AI가 다 해줘." ✓ 학술: Dell'Acqua et al. (2026) — 실험은 AI 없음, GPT-4 사용, GPT-4 사용+프롬프트 작성법 개요의 세 조건으로 나눴다. 초록은 두 AI 조건을 묶은 "AI 사용자" 가 경계 밖 과제에서 정답을 낼 가능성이 19% 낮았다고만 보고한다. 프롬프트 개요 조건만 따로 본 결과는 이번에 읽은 초록에 없어, 프롬프트 교육이 이 손해를 줄였는지는 이 카드에서 판단하지 않는다. 프롬프트 교육을 받은 사람도 포함된 집단에서 손해가 나왔으니, 프롬프트 기술보다 경계를 가려내는 판단을 먼저 둔다. [Dell'Acqua 2026]

1차 출처

Dell'Acqua, F. et al. (2026). "Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality." Organization Science, 37(2), 403-423. DOI: 10.1287/orsc.2025.21838.
초기 working paper: Dell'Acqua et al. (2023). Harvard Business School Technology & Operations Management Unit Working Paper No. 24-013.

원문 핵심 인용

Dell'Acqua et al. (2026), Abstract (Organization Science 초록, CrossRef 등록본과 2026-09 대조):
"We introduce and study the concept of a 'jagged technology frontier' to describe the uneven impact of artificial intelligence (AI) capabilities, where AI assistance improves performance for some tasks but worsens it for others, even within the same knowledge workflow and with a seemingly similar level of difficulty."
"...subjects using AI outperformed those not using AI, completing 12.2% more tasks and completing them 25.1% more quickly on average while also delivering solutions of significantly improved quality. However, for a complex managerial task selected to be outside the frontier, subjects using AI were 19% less likely to produce correct solutions compared with those without AI..."
Noy & Zhang (2023), Abstract (Science, PubMed 초록과 2026-09 대조):
"ChatGPT substantially raised productivity: The average time taken decreased by 40% and output quality rose by 18%. Inequality between workers decreased..."

핵심 정의·메커니즘

"AI 위임 경계선"은 이 사이트가 붙인 카드 이름이고 학술 용어는 없다. 들쭉날쭉한 경계, 사람-AI 협업 메타분석, 위임 판단 실험, 자동화 편향 연구를 묶어 구성했다.

### 원전 정의
들쭉날쭉한 경계(jagged technology frontier) — Dell'Acqua et al. (2026)의 정의: AI 도움이 "어떤 과제에서는 성과를 올리고 다른 과제에서는 떨어뜨리는" 불균등한 영향. 같은 업무 흐름 안에서, "난이도가 비슷해 보이는" 과제 사이에서도 갈린다.
자동화의 유형과 수준(types and levels of automation) — Parasuraman, Sheridan & Wickens (2000)는 자동화할 기능을 네 가지(정보 수집, 정보 분석, 결정·행동 선택, 행동 실행)로 나누고, 각 기능마다 완전 수동부터 완전 자동까지 수준을 따로 정할 수 있다고 봤다. 이 카드의 "어디까지 넘길지" 는 이 틀에서 기능별 자동화 수준을 고르는 문제에 해당한다.

### 작동 기제 1. 경계가 눈에 안 보임 → 경계 안 성공이 밖으로 일반화 → 경계 안 18개 과제에서 AI 사용군은 12.2% 더 많이, 25.1% 더 빨리, 더 높은 품질로 끝냈다. 경계 밖으로 고른 관리 과제 하나에서는 정답을 낼 가능성이 19% 낮았다 [Dell'Acqua 2026]. 2. 사람의 메타지식이 부정확 → 넘길 일을 잘못 고름 → 위임을 잘하려면 "이 사례는 내가 AI보다 잘하나" 를 알아야 한다. 사람은 자기 메타지식을 잘 판단하지 못해 AI에 일을 잘 넘기지 못했고, AI는 자기가 모르는 사례를 사람에게 넘기는 위임을 더 잘했다 [Fügener 2022]. 3. 상대 실력에 따라 조합 결과가 뒤집힘 → 106개 실험 메타분석에서 사람이 AI보다 잘하는 과제에서는 조합이 둘 다를 넘었고(g = 0.46), AI가 더 잘하는 과제에서는 조합이 AI 단독보다 못했다(g = −0.54). 저자들은 사람이 AI보다 나을 때 "언제 내 판단을 믿고 언제 AI를 따를지" 도 더 잘 고르기 때문일 수 있다고 해석했다 [Vaccaro 2024]. 4. 검증이 어려울수록 확인 없이 수용 → 업무량·과제 복잡도·시간 제약이 클수록 기계 제안을 확인 없이 따르는 자동화 편향이 커졌다. 교육과 사용자 책임 강조는 이를 줄였다 [Goddard 2012]. 5. 효과를 잘못 느낌 → 경계 지도가 갱신되지 않음 → 숙련 개발자는 AI로 24% 빨라질 것이라 예상했고, 끝난 뒤에도 20% 빨라졌다고 믿었지만 실제로는 19% 느려졌다 [Becker 2025].

### 언제 강해지고 언제 약해지나
과제 유형: 정해진 선택지에서 고르는 결정 과제에서는 조합이 손해(g = −0.27), 열린 내용을 만드는 생성 과제에서는 이득 방향(g = 0.19, 유의하지 않음)이었고 두 유형의 차이는 유의했다 [Vaccaro 2024].
사용자 숙련도: 글쓰기·고객지원·코딩 현장에서 실력이 낮거나 경험이 적은 사람이 가장 큰 이득을 봤다 [Noy 2023; Brynjolfsson 2025; Cui 2026]. 고객지원 최고 숙련자는 속도가 조금 늘고 품질은 조금 떨어졌다 [Brynjolfsson 2025].
맥락 지식의 양: 평균 5년 동안 기여해 온 대형 저장소(평균 10년, 110만 줄 이상)에서 숙련 개발자는 AI를 쓰면 느려졌다. 저자들은 저장소를 잘 아는 정도와 저장소 크기·성숙도를 원인 후보로 꼽았고, 작은 새 프로젝트나 낯선 코드베이스에서는 결과가 다를 수 있다고 적었다 [Becker 2025].
목적(성과 vs 학습): 연습 중 GPT-4를 쓰면 그 자리 성적은 48% 올랐지만, 접근을 거둔 뒤 시험에서는 AI를 안 쓴 학생보다 17% 낮았다. 학습 보호장치를 넣은 튜터판은 이 손해를 대부분 막았다 [Bastani 2025].
설명·확신도 표시: AI가 설명이나 확신도를 함께 보여 줘도 조합 성과를 유의하게 바꾸지 못했다 [Vaccaro 2024].
너무 안 맡기는 쪽의 손해: 영상의학과 의사는 AI 예측을 자기 판단보다 덜 반영해, AI를 붙여도 진단 품질이 고르게 오르지 않았다 [Agarwal 2023]. 경계 판단은 과잉 위임과 과소 반영 양쪽에서 틀릴 수 있다.
검증 가능성·오류 비용·책임 소재: 이 세 기준은 위 연구들에서 끌어낸 카드의 실천 규칙이다. 직접 검증한 실험은 없다.

### 어떻게 재나
무작위 배정 현장 실험: AI 사용 여부(와 교육 여부)를 무작위로 배정하고 과제 완료 수·시간·품질·정답률을 비교한다. Dell'Acqua et al.은 먼저 비슷한 과제로 기준 성과를 잰 뒤 AI 없음 / GPT-4 / GPT-4+프롬프트 작성법 개요 세 조건에 배정했다.
사람 단독 / AI 단독 / 사람+AI 3자 비교: 조합이 둘 중 나은 쪽을 넘는지(시너지)와 사람 단독보다 나은지(증강)를 따로 계산한다 [Vaccaro 2024].
위임 과제: 참가자가 사례마다 직접 풀지 AI에 넘길지 고르게 하고 위임 결정의 질을 잰다 [Fügener 2022].
과제 단위 무작위화: 같은 개발자가 받은 실제 이슈를 하나씩 "AI 허용/금지" 로 무작위 배정하고, 완료 시간과 화면 녹화를 함께 모은다. 시작 전 예상치와 끝난 뒤 체감치도 같이 받는다 [Becker 2025].
시차 도입 자료: 도구가 팀마다 다른 시점에 들어간 것을 이용해 시간당 처리 건수 변화를 추정한다 [Brynjolfsson 2025].

### 헷갈리는 개념과의 차이 | 개념 | 질문 | 이 카드와의 차이 | |---|---|---| | AI 위임 경계선(이 카드) | 이 작업을 AI에 어디까지 넘길까 | 작업을 나누는 사전 판단 | | 자동화 수준 [Parasuraman 2000] | 시스템 설계자가 기능별로 얼마나 자동화할까 | 설계자 관점의 틀. 이 카드는 사용자가 매번 고르는 경우 | | 자동화 편향 [Goddard 2012] | 기계 제안을 확인 없이 따르는가 | 위임한 뒤 생기는 오류 | | 알고리즘 회피 | 알고리즘이 더 정확해도 사람 판단을 고집하는가 | 넘겨야 할 일을 안 넘기는 반대 방향 오류 | | AI 신뢰 보정 | AI를 얼마나 믿을까 | 신뢰의 크기. 이 카드는 작업 단위의 분할 |

주요 후속 연구·메타분석

### Dell'Acqua et al. (2026) — 같은 업무 안에서도 AI가 돕는 과제와 해치는 과제가 갈린다 Organization Science, 37(2), 403–423. DOI: 10.1287/orsc.2025.21838

설계: 보스턴컨설팅그룹(BCG) 지식 노동자 758명 사전등록 실험. 비슷한 과제로 기준 성과를 잰 뒤 AI 없음 / GPT-4 / GPT-4+프롬프트 작성법 개요 세 조건에 무작위 배정했다. 경계 안 과제 18개와 경계 밖으로 고른 복잡한 관리 과제 1개를 풀게 했다.
결과: 경계 안에서 AI 사용군은 12.2% 더 많은 과제를, 25.1% 더 빨리, 유의하게 높은 품질로 끝냈다. 경계 밖 과제에서는 정답을 낼 가능성이 AI 없는 집단보다 19% 낮았다. 초록 원문은 "19% less likely" 이고, 이것이 퍼센트포인트 차이인지 상대 비율인지는 초록만으로 가를 수 없다(2023년 워킹페이퍼는 이번 작업에서 읽지 못했다).
의미와 한계: 같은 업무 흐름 안에서도 AI 효과의 부호가 바뀐다는 현장 근거. 경계 밖 과제는 하나이고 연구진이 미리 "경계 밖" 으로 골랐으므로, 어떤 과제가 경계 밖인지 사전에 알아보는 방법은 이 실험이 답하지 않는다. GPT-4 시점 결과다. (초록만 읽음)

### Vaccaro, Almaatouq & Malone (2024) — 사람+AI 조합은 평균적으로 더 나은 쪽을 넘지 못했다 Nature Human Behaviour, 8(12), 2293–2303. DOI: 10.1038/s41562-024-02024-1

설계: 사전등록 체계적 고찰·메타분석. 2020-01~2023-06에 나온, 사람 단독·AI 단독·사람+AI를 모두 잰 실험 106편, 효과크기 370개.
결과: 조합은 둘 중 나은 쪽보다 성과가 낮았다(g = −0.23, 95% CI −0.39 ~ −0.07). 사람 단독보다는 나았다(g = 0.64, 95% CI 0.53 ~ 0.74). 결정 과제 g = −0.27, 생성 과제 g = 0.19(유의하지 않음). 사람이 AI보다 나은 과제에서는 조합 g = 0.46, AI가 나은 과제에서는 g = −0.54. 이질성은 I² = 97.7%.
의미와 한계: 효과크기의 약 85%가 결정 과제였고, 95% 넘는 설계에서 사람이 AI 입력을 받아 최종 결정을 내렸다. 과제를 미리 나눠 AI가 더 잘하는 부분만 맡긴 실험은 3편(효과크기 4개)뿐이었고 g = 0.22로 유의하지 않았다. 저자들은 "시너지 부재" 가 최근 실험 설계의 한계일 수 있다고 적었다. 증강 쪽에는 출판 편향 신호가 있었다(Egger β = 1.96). (전문 대조)

### Becker, Rush, Barnes & Rein (2025) — 숙련 개발자는 AI를 쓰고 19% 느려졌지만 빨라졌다고 믿었다 arXiv:2507.09089 (METR, 학술지 미게재 사전공개 논문)

설계: AI 도구 경험이 중간 정도인 오픈소스 개발자 16명이 자기가 평균 5년 기여해 온 대형 저장소의 실제 이슈 246개를 풀었다. 이슈마다 AI 허용/금지를 무작위 배정했다(주로 Cursor Pro + Claude 3.5/3.7 Sonnet, 2025년 2~6월).
결과: AI 허용 시 완료 시간이 19% 늘었다. 개발자는 사전에 24% 단축을, 끝난 뒤에도 20% 단축을 예상했다. 경제학 전문가는 39%, 머신러닝 전문가는 38% 단축을 예상했다. 개발자는 AI가 만든 코드의 44% 미만만 받아들였다. 화면 녹화가 유효하고 활동을 손으로 분류한 AI 허용 이슈 44개에서는 작업 시간의 약 9%가 AI 출력 검토·정리에 들어갔다.
의미와 한계: 느낌으로 경계를 정하면 틀릴 수 있다는 직접 근거. 저자들은 21개 요인을 따져 5개(과도한 낙관, 저장소 친숙도, 대형·복잡 저장소, 낮은 AI 신뢰도, 암묵적 맥락)가 느려짐에 기여했다고 봤고, 결과를 일반화하지 말라고 경고했다. 표본이 16명이다. (전문 대조)

### Cui, Demirer, Jaffe, Musolff, Peng & Salz (2026) — 기업 현장 개발자 4,867명에서는 완료 과제가 늘었다 Management Science (온라인 선공개). DOI: 10.1287/mnsc.2025.00535

설계: Microsoft, Accenture, 익명 포춘 100대 기업이 업무 중에 진행한 무작위 실험 3건. 일부 개발자에게 코드 자동완성 AI 도구를 줬다.
결과: 세 실험을 합친 4,867명에서 완료 과제가 26.08%(표준오차 10.3%) 늘었다. 경험이 적은 개발자가 더 많이 쓰고 더 큰 이득을 봤다. 실험별 결과는 잡음이 크고 서로 달랐다.
의미와 한계: Becker et al.(2025)의 감속과 반대 방향. 도구 종류(자동완성 vs 에이전트), 사용자 경험, 코드베이스 친숙도가 다르므로 두 결과는 경계가 과제·사람에 따라 움직인다는 쪽으로 읽힌다. (초록만 읽음)

### Brynjolfsson, Li & Raymond (2025) — 고객지원 상담원 5,172명의 시차 도입 The Quarterly Journal of Economics, 140(2), 889–942. DOI: 10.1093/qje/qjae044

설계: 생성형 AI 대화 보조 도구가 상담원마다 다른 시점에 도입된 자료.
결과: 시간당 해결 건수가 평균 15% 늘었다. 경험이 적고 실력이 낮은 상담원은 속도와 품질이 함께 올랐고, 최고 숙련자는 속도가 조금 늘고 품질은 조금 떨어졌다. 이득은 사람이 경험이 적지만 시스템 학습 자료는 충분한 "중간 정도로 드문" 문제에서 가장 컸다.
의미와 한계: 경계가 사람의 숙련도와 문제 빈도에 따라 달라진다는 현장 근거. (초록만 읽음)

### Bastani et al. (2025) — 연습 중 AI는 그 자리 성적을 올리고 나중 실력을 깎았다 PNAS, 122(26). DOI: 10.1073/pnas.2422633122 (2025-08 정정 공지: 10.1073/pnas.2518204122)

설계: 고등학생 약 1,000명 현장 실험. 일반 ChatGPT형 튜터(GPT Base)와 학습 보호 프롬프트를 넣은 튜터(GPT Tutor)를 비교.
결과: 연습 중 성적은 GPT Base 48%, GPT Tutor 127% 올랐다. 접근을 거둔 뒤 시험에서 GPT Base 집단은 AI를 안 쓴 학생보다 17% 낮았다. GPT Tutor는 이 손해를 대부분 막았다.
의미와 한계: 배우는 중인 기술은 위임 경계 밖에 두어야 한다는 근거. 수학 한 과목 결과다. (초록만 읽음)

### Agarwal, Moehring, Rajpurkar & Salz (2023) — 영상의학과 의사는 AI 예측을 덜 반영해 조합 이득을 놓쳤다 NBER Working Paper 31422 (학술지 미게재). DOI: 10.3386/w31422

설계: 현직 영상의학과 전문의를 대상으로 AI 예측 제공 여부와 환자 맥락 정보 제공 여부를 바꿔 가며 판독하게 한 실험. 표본 수는 초록에 없다.
결과: AI 예측을 주어도 진단 품질이 고르게 오르지 않았고, 맥락 정보는 품질을 올렸다. 의사들은 AI 정보를 자기 판단보다 덜 반영했고, 자기 정보와 AI 예측이 서로 겹친다는 점도 고려하지 않아 올바른 베이즈 갱신에서 크게 벗어났다. 저자들은 이 오류가 고쳐지지 않는 한 사례를 사람이나 AI 한쪽에 맡기는 편이 낫고, AI 도움을 받는 사람에게 맡기는 경우는 드물어야 한다고 결론지었다.
의미와 한계: Dell'Acqua et al.이 보여 준 "너무 많이 맡겨서 생기는 손해" 의 반대쪽, 곧 "AI 입력을 너무 적게 써서 생기는 손해" 의 근거다. 경계를 정할 때 사람+AI 조합을 기본값으로 두지 말고, 사례 단위로 한쪽에 배정하는 선택지도 따져야 한다. 한 전문 분야의 결과이고 초록에 효과크기는 없다. (초록만 읽음)

### 그 밖의 문헌
Noy & Zhang (2023). Science, 381(6654), 187–192. DOI: 10.1126/science.adh2586 — 전문직 453명 글쓰기 실험. 시간 40% 감소, 품질 18% 상승, 작업자 간 격차 감소.
Fügener, Grahl, Gupta & Ketter (2022). Information Systems Research, 33(2), 678–696. DOI: 10.1287/isre.2021.1079 — 사람은 자기 메타지식을 잘못 판단해 AI에 일을 잘 넘기지 못했다. 초록에 효과크기는 없다.
Goddard, Roudsari & Wyatt (2012). Journal of the American Medical Informatics Association, 19(1), 121–127. DOI: 10.1136/amiajnl-2011-000089 — 자동화 편향 체계적 고찰(논문 74편).
Parasuraman, Sheridan & Wickens (2000). A model for types and levels of human interaction with automation. IEEE Transactions on Systems, Man, and Cybernetics — Part A, 30(3), 286–297. DOI: 10.1109/3468.844354 — 네 기능 × 자동화 수준 모형.

비판·한계

### 재현성
들쭉날쭉한 경계의 핵심 근거는 단일 현장 실험이다 [Dell'Acqua 2026]. 같은 설계의 독립 재현은 이번 작업에서 찾지 못했다.
코딩 분야에서는 같은 시기 결과가 엇갈린다. 기업 개발자 4,867명은 완료 과제 +26% [Cui 2026], 대형 저장소의 숙련 개발자 16명은 완료 시간 +19% [Becker 2025].
메타분석의 이질성이 매우 크다(I² = 97.7%). 조절 변수로 설명하지 못한 부분이 많다고 저자들이 밝혔다 [Vaccaro 2024].

### 대표 반론
"경계 밖" 을 미리 알 수 있나: Dell'Acqua et al.의 경계 밖 과제는 하나이고 연구진이 골랐다. 사용자가 새 과제에서 경계를 사전에 가려낼 방법은 이 실험이 보여 주지 않는다. 원 저자들은 경계가 "비슷한 난이도" 과제 사이에서도 갈린다는 점 자체를 핵심 발견으로 제시한다.
"사람+AI 시너지는 없다" 대 "설계가 잘못됐다": 메타분석은 평균적으로 조합이 더 나은 쪽을 넘지 못했다고 보고했다(g = −0.23). 같은 저자들은 대부분 실험이 사람이 최종 결정을 내리는 설계였고, 작업을 미리 나눠 맡긴 실험은 3편뿐이었다는 점을 들어 위임 설계를 바꾸면 결과가 달라질 수 있다고 봤다 [Vaccaro 2024]. 이 카드의 처방(작업 쪼개기)은 후자 쪽 가설에 기대며, 아직 검증된 것은 아니다.
모델이 바뀌면 경계도 이동: Dell'Acqua는 GPT-4, Becker는 2025년 초 도구 기준이다. 모델 세대마다 경계가 옮겨 갈 때 사용자가 자기 경계 지도를 어떻게 갱신해야 하는지는 미해결 질문이다. 사용자의 체감이 실제와 반대일 수 있어 [Becker 2025], 기록 없이 갱신하기도 어렵다.

### 쓰면 안 되는 상황
배우는 중인 기술 — AI에 통째로 맡기면 나중 실력이 떨어질 수 있다 [Bastani 2025].
스스로 검증할 수 없고 오류 비용이 큰 결정(법률·의료·계약) — 자동화 편향이 커지는 조건이다 [Goddard 2012].
AI가 사람보다 확실히 나은 결정 과제에서 사람이 매번 최종 판정을 뒤집는 설계 — 조합이 AI 단독보다 못했다 [Vaccaro 2024].
이 카드의 기준 자체 — 검증 가능성·오류 비용·책임 기준은 실무 규칙이며 그 자체를 시험한 연구는 없다.