기업이 자율적인 AI를 도입할 때, 기업은 얼마나 많은 업무를 시스템에 맡기고 얼마나 많은 업무를 노동자가 참여하도록 유지할지 결정해야 합니다. 이러한 결정은 현재의 산출량(output)과 미래의 인적 자본(human capital)에 영향을 미칩니다. 우리는 AI가 작동할 때는 노동자보다 성능이 뛰어날 수 있지만, 양(+)의 확률로 실패할 수 있는 상황을 가정한 간결한 2기간 모델(two-period model)을 개발합니다. 기업은 노동자의 참여(engagement) 수준을 선택합니다. 참여는 벤치마크 미달 노동자의 현재 산출량을 낮추지만, 학습(learning)과 침식(erosion)을 통해 미래의 기술(skill)을 변화시킵니다. 우리는 AI 발전의 두 가지 차원을 구분합니다: 시스템이 작동할 때의 산출량인 능력(capability), 그리고 시스템이 작동할 확률인 신뢰성(reliability)입니다. 단일 기업 벤치마크 상황에서, 참여는 오직 백업(fallback) 투자로서만 가치가 있습니다. 기업은 기술 격차가 가장 크고 유용한 백업 수준으로 끌어올리는 데 비용이 가장 적게 드는 가장 숙련도가 낮은 노동자들에게 가장 많이 참여를 유도합니다. 노동자 이동성(worker mobility)이 존재할 경우, 참여는 노동 시장의 분류(sorting)에도 영향을 미칩니다. 노동자들은 더 가치 있는 기술 경로(skill trajectories)를 구축할 수 있는 직업을 선호합니다. 이러한 분류 동기는 기술 이득이 더 가치 있고 참여 비용이 더 적은, AI 프런티어(frontier)에 근접한 고숙련 노동자들을 목표로 합니다. 따라서 이동성은 참여 패턴을 역전시켜, 투자의 대상을 최저 숙련 노동자에서 AI 벤치마크 미만의 최상위 숙련 노동자로 이동시킬 수 있습니다. 또한 이동성은 AI 발전이 참여에 미치는 방식도 재편합니다: 더 높은 능력(capability)은 기업이 제공하는 기술 경로의 가치를 높임으로써 참여를 증가시키는 반면, 더 높은 신뢰성(reliability)은 백업의 필요성을 줄이는 동시에 학습 기회를 변화시키기 때문에 참여를 높일 수도, 낮출 수도 있습니다. 노동자 이동성 하에서 인간-AI 업무 설계는 오늘 업무를 할당하는 것이 미래의 기술을 형성하는 인적 자본 투자(human-capital investment)의 문제가 됩니다.