AI 에이전트가 지식 노동을 재편하는 방식: 자율성, 효율성, 그리고 범위

프런티어 AI (Frontier AI) 시스템은 대화형 어시스턴트에서 작업을 엔드 투 엔드 (end to end)로 실행하는 자율 에이전트 (autonomous agents)로 전환됨으로써 지능과 유용성 사이의 간극을 메우고 있습니다. 우리는 Perplexity의 Search 및 Computer 제품에서 얻은 프로덕션 데이터를 사용하여, AI 에이전트가 지식 노동 (knowledge work)을 어떻게 가속화하고 재편하는지 조사함으로써 이러한 전환을 연구합니다. 세 가지 주요 실증적 결과가 나타납니다. 첫째, 동일한 기저 작업을 시도하는 거의 동일한 초기 쿼리 쌍을 자연 실험 (natural experiments)으로 사용하여 세션을 분석한 결과, Computer는 사용자 세션당 26분의 자율적 작업을 수행하는 반면, Search는 33초에 그쳤습니다. Computer는 Search 사용자가 수동으로 조율하고 구현해야 했을 수도 있는 작업 분해 (task decomposition) 및 실행을 자동화합니다. 그 결과, Computer는 후속 쿼리 분포를 검증 및 확장과 같은 고차원적 작업 (higher-order work)으로 이동시킵니다. 자율성은 실행 품질 또한 향상시키는데, 쿼리당 불만족률은 Search보다 Computer에서 55% 더 낮았습니다. 둘째, 자율성 우위 덕분에 Computer는 매칭된 작업에서 완료 시간을 269분에서 36분으로 단축하며, Search만 사용하는 인간과 비교했을 때 추정 시간과 비용을 각각 87%와 94% 낮춥니다. 셋째, Computer는 사용자가 시도하는 작업의 범위를 변화시킵니다. Computer 쿼리는 직업적 경계를 더 자주 넘나들고, 고차원적 인지 (higher-order cognition)를 요구하며, 더 넓은 전문 지식을 활용하고, 상호 의존적인 하위 작업들을 하나의 쿼리로 묶는 복합 작업 (composite tasks)의 형태를 띠며, 동일한 사용자 그룹 내에서 Search 사용 시에는 본질적으로 존재하지 않았던 작업 활동들을 가능하게 합니다. 종합적으로, 이러한 증거는 AI 에이전트가 워크플로 (workflows)를 가속화하고, 출력 품질을 향상시키며, 비용을 절감하고, 자동화된 작업의 폭과 깊이를 확장한다는 것을 나타냅니다.