HAAS: 인간과 AI 시스템 간의 적응형 작업 할당에 대한 정책 인식 프레임워크

인간과 AI 시스템 간 작업을 어떻게 분배할 것인지 결정하는 것은 조직 설계의 핵심 과제입니다. 대부분의 접근법은 이를 이진 선택으로 취급하지만, 실제 운영 상황은 더 풍부합니다: 인간과 AI 는 상황에 따라 작업을 공유하거나 보완적인 역할을 수행하며, 피로도와 관련된 위험도에 따라 달라집니다. 이러한 분배를 통치 (governing) 하는 것 -- 효율성, 감시, 인간 능력을 균형 있게 조정하는 것 -- 은 여전히 해결되지 않은 문제입니다. 이 논문은 소프트웨어 공학과 제조업에서 적응형 작업 할당을 위한 구현된 프레임워크인 인간-AI 적응적 공생 (Human-AI Adaptive Symbiosis, HAAS) 을 제시합니다. HAAS 는 두 개의 결합된 구성 요소를 포함합니다: 학습이 시작되기 전에 통치 제약을 강제하는 규칙 기반 전문가 시스템과 결과 피드백에서 선택 가능한 협력 모드 중 하나를 선택하는 컨텍스트 밴트 학습자입니다. 작업 에이전트 적합성은 5 개 검증 가능한 인지 차원과 5 단계 자율성 스펙트럼 -- 인간 전용부터 완전한 자율까지 -- 을 통해 표현되며, 이는 두 도메인을 아우르는 재현 가능한 벤치마크에 통합됩니다. 세 가지 경험적 결과가 도출됩니다. 첫째, 통치는 이진 스위치가 아니라 조정 가능한 설계 변수입니다: 더 엄격한 제약은 예측 가능하게 자율 AI 할당을 감독 협력으로 전환하며, 도메인 특유의 비용과 이점을 가집니다. 둘째, 제조업에서는 더 강력한 통제가 운영 성능을 개선하고 피로도를 동시에 줄일 수 있습니다 -- 이는 통제를 순수한 과제로 보는 일반적인 프레임워크와 반대되는 작업 부퍼링 효과입니다. 셋째, 모든 컨텍스트에서 지배적인 단일 통치 설정은 존재하지 않습니다: 학습자가 통치된 행동 공간 내에서 경험을 축적함에 따라 중도 통치는 경쟁력을 점점 더 높게 됩니다. 이러한 결과들은 HAAS 를 조직적 헌신 전에 인간-AI 할당 정책을 비교하고 검사하기 위한 배포 전 워크벤치를 위치시킵니다.