Google의 2026년 7월 23일 ATLAS 발표에 따르면, 직장 내 AI 상호작용 중 업무를 완전히 자동화하는 경우는 10% 미만입니다.

개발자들에게 이는 실질적인 기본 원칙을 제시합니다: 업무를 진전시키고, 증거를 제시하며, 중대한 행동을 하기 전에 일시 중지하는 에이전트를 구축하십시오.

결과를 좁게 해석하라

Google은 사람들이 AI를 어떻게 채택하고 사용하는지에 대한 종합적인 분석으로서 ATLAS를 발표했습니다. 이 직장 관련 조사 결과는 채택(adoption)과 자율성(autonomy)을 분리했다는 점에서 매우 인상적입니다. AI 사용은 직업과 고용 전반에 걸쳐 광범위하게 나타나지만, 일반적인 직무 내에서는 여전히 선택적으로 이루어집니다. 광범위한 사용이 완전한 직무 자동화와 동일한 것은 아닙니다.

지배적인 패턴은 협업적입니다: 아이디어 구상(ideation), 전략(strategy), 정보 검색(information retrieval), 그리고 학습(learning)입니다. 이러한 증거가 자율 에이전트(autonomous agents)가 쓸모없다는 뜻은 아니며, 자동화에 영구적인 한계를 설정하는 것도 아닙니다. 다만, 아무런 개입이 없는 아키텍처(architecture)를 검토 없이 시작점으로 삼아서는 안 된다는 것을 의미합니다.

보존할 가치가 있는 또 다른 경계가 있습니다. ATLAS에서 관찰된 대부분의 상호작용은 업무 외적인 상황에서 발생합니다. 이 관찰만으로 검색 행동, 구매 의도 또는 구매 행태가 변했다고 증명할 수는 없습니다. 만약 영업 지원(sales enablement)을 위한 RAG 파이프라인(RAG pipelines)을 구축하고 있다면, 사용자의 의도(intent)와 단순한 정보 검색을 구분하십시오. 상호작용 위치에 대한 발견을 전환(conversion)에 대한 주장으로 확대 해석하지 마십시오.

에이전트를 검토 가능한 파이프라인으로 모델링하라

유용한 구현 패턴은 하나의 불투명한 실행(opaque run)보다는 경계가 지정된 단계들의 시퀀스(sequence)를 사용하는 것입니다. 상태 머신(state-machine) 에이전트 아키텍처의 기술적 사례 연구로서, 승인된 연구 내용을 글쓰기, 삽화, 출판 및 배포로 옮기되 중대한 단계마다 인간의 검토를 거치는 콘텐츠 에이전트를 생각해 보십시오.

각 상태(state)는 정의된 입력을 수락하고, 검사 가능한 결과물(artifact)을 생성하며, 자동으로 계속 진행할 수 있는지 아니면 승인이 필요한지를 기록합니다. 중요한 설계 선택은 모든 곳에 인간을 배치하는 것이 아닙니다. 중단 조건(stop conditions)을 명시적으로 만드는 것입니다.

각 전환(transition)을 위한 실질적인 계약(contract)에는 다음이 포함될 수 있습니다:

• 승인된 증거 (evidence) 및 그것이 뒷받침하는 주장 (claim)
• 브랜드 정보에 대한 현재 날짜, 버전 또는 기타 최신성 신호 (freshness signal)
• 생성된 결과물 (artifact) 및 명확한 검토자 결정 (reviewer decision)
• 허용된 다음 동작 (permitted next action), 특히 게시 (publishing) 또는 배포 (syndication) 전의 동작

이를 통해 에이전트는 단순한 자동 완성 (autocomplete) 수준으로 전락하지 않으면서도 보조적인 역할을 유지할 수 있습니다. 에이전트는 여전히 여러 매체에 걸쳐 상당한 작업을 수행할 수 있습니다. 게이트 (gate)는 오류가 공개적인 단계나 기타 중대한 단계로 전파될 수 있는 지점에 존재합니다.

증거를 인터페이스의 일부로 만들기

브랜드 정보를 기계가 읽을 수 있는 형태 (machine-readable)로 만들기 위해, 다음 세 가지 스키마 (schema) 표준을 채택하십시오.

• 증거 스키마 (Evidence schema): 승인된 자료, 그것이 뒷받침하는 주장, 그리고 날짜나 버전과 같은 최신성 신호 (freshness signal)
• 결과물 스키마 (Artifact schema): 생성된 출력물, 이를 생성한 단계, 그리고 검토자의 결정 또는 변경 사항
• 전환 스키마 (Transition schema): 허용된 다음 동작 및 실행 전 승인 필요 여부

개발자에게 이것은 단순한 편집상의 선호도가 아니라 인터페이스 요구 사항 (interface requirements)입니다.

초안은 단순히 자신감 있는 문장만을 포함해서는 안 됩니다. 검토자가 검증된 ATLAS 결과와 사례 연구의 분석을 구분할 수 있도록 충분한 구조를 보존해야 합니다. 다운스트림 (downstream)의 시각화 단계는 모호한 채팅 기록으로부터 개념을 추론하는 것이 아니라, 승인된 개념을 전달받아야 합니다. 게시 단계는 대화의 어조를 통해 추측하는 것이 아니라, 승인이 존재하는지 여부를 알고 있어야 합니다.

이 지점이 바로 관찰 가능성 (observability)이 유용해지는 지점이기도 합니다. 어떤 단계에서 결과물 (artifact)이 생성되었는지, 어떤 증거가 사용 가능했는지, 검토자가 무엇을 변경했는지, 그리고 왜 실행이 중단되었는지를 추적하십시오. 목표는 새로운 성능 지표 (performance metric)를 만들어내는 것이 아닙니다. 사람이 검토해야 할 때 워크플로 (workflow)를 이해할 수 있도록 만드는 것입니다.

트레이드오프 (tradeoffs) 수용하기

검토 게이트 (review gates)는 지연 시간 (latency)을 추가합니다. 책임 소재가 불분명할 때 병목 현상 (bottleneck)을 일으킬 수 있으며, 과도한 수의 게이트는 자동화를 통해 얻은 속도를 상쇄할 수 있습니다. 또한 구조화된 증거 (structured evidence)는 텍스트 블록을 다음 프롬프트 (prompt)로 단순히 전달하는 것보다 더 많은 엔지니어링 (engineering)을 요구합니다.

반대의 트레이드오프 (tradeoff)는 성공적인 데모 중에는 알아차리기 더 어렵습니다. 단 한 번의 자율적인 실행 (autonomous run)은 지원되지 않는 추론 (inferences)이 게시 단계에 도달할 때까지 숨길 수 있으며, 무인 완료 (no-touch completion)에만 최적화된 워크플로 (workflow)는 ATLAS가 보고하는 협업적 행동과 일치하지 않을 수 있습니다.

균형 잡힌 접근 방식은 선택적 자율성 (selective autonomy)입니다. 즉, 제한된 변환 (bounded transformations)은 자동화하고, 단계 사이에 증거 (evidence)를 보존하며, 중대한 전환 (consequential transitions)을 위해 리뷰 (review)를 남겨두는 것입니다. 그러한 설계는 현재의 행동이 AI의 모든 미래 사용 사례를 예측할 수 있다고 가장하지 않으면서, 현재의 데이터를 따릅니다.

만약 당신이 내일 보조 에이전트 (assistive agent)를 구축한다면, 어떤 전환 단계에 첫 번째 필수 리뷰 게이트 (review gate)를 설정하시겠습니까: 조사에서 초안으로 (research to draft), 초안에서 삽화로 (draft to illustration), 아니면 승인에서 게시로 (approval to publish)입니까?

📖 전체 가이드 읽기 → Google ATLAS AI Study: Collaborator, Not Automator