ActivTrak 근무일 연구: AI 사용자의 근무일이 더 길다

ActivTrak은 AI 사용자의 근무일 범위가 비사용자보다 최대 90분 더 길다고 보고했다. 이는 더 빠른 업무 처리가 더 짧은 하루로 이어진다는 약속에 의문을 제기한다. ActivTrak 근무일 연구는 2026년 4월 1일부터 9월 25일까지 수집된 디지털 활동 데이터를 바탕으로 467개 기업의 지식 근로자 9,140명을 분석했다. 10월 29일 공개된 결과는 AI 도입과 더 긴 근무일의 연관성을 보여주지만, AI가 그 차이를 유발했다고 확정하지는 않는다.

이 구분은 중요하다. 겉보기의 모순에는 여러 가능한 설명이 있기 때문이다. 업무 강도가 높은 직원일수록 AI를 더 자주 도입할 수 있다. 더 빠른 생산은 추가 업무 배정을 부추길 수 있다. 어시스턴트와 기존 애플리케이션 사이에서 업무를 옮기는 과정 역시 작업 시연에서 빠지는 시간을 소모할 수 있다. 이 모든 설명은 근무일 전체에서 실제로 어떤 일이 벌어지는지 측정하지 않은 채 효율성을 약속하는 고용주에게 부담을 준다.

이전의 AI 근무일 연구는 중요한 반대 근거를 제공한다. 기존 애플리케이션에 통합된 어시스턴트를 대상으로 한 무작위 실험에서는 이메일에 쓰는 시간과 정규 근무시간 외 업무가 줄었다. 따라서 새롭게 나타나는 충돌은 생산성 약속과 고르지 않은 직장 내 결과 사이에 있다. AI는 하나의 업무에 드는 시간을 줄일 수 있지만, 직원이 더 일찍 퇴근하는지, 더 많은 업무를 처리하는지, 아니면 추가 검토와 조정을 떠안는지는 여전히 불분명하다.

ActivTrak 근무일 연구가 실제로 발견한 것

최신 결과는 근무일의 범위에 관한 것이며, 이를 지속적인 노동이나 검증된 산출물과 혼동해서는 안 된다.

ActivTrak의 근무일 분석에 따르면 AI 사용자의 하루는 8.4~9.1시간에 걸쳤으며, 비사용자는 7.6시간이었다. 헤비 유저의 연속 집중 세션은 평균 37.8분으로, 라이트 유저의 48.2분보다 짧았다. 헤비 유저는 하루 기준 근무시간 외 활동도 18분 더 기록했다.

이 수치는 업무의 서로 다른 측면을 설명한다. 더 긴 범위가 그 시간 내내 끊임없는 노력을 의미하지는 않는다. 더 짧은 집중 세션이 더 낮은 품질을 입증하지도 않는다. 저녁 활동의 증가는 고용주가 요구했는지, 직원이 선택했는지, 혹은 일정 유연성에 따라 이동했는지를 알려주지 않는다.

헤드라인 수치는 보고된 범위 안에서의 최대 비교치이기도 하다. 이를 AI를 도입하는 모든 직원이 같은 양의 업무를 추가한다는 주장으로 바꿔서는 안 된다. 관측된 차이를 보편적 불이익으로 취급하면, 고용주가 조사해야 할 바로 그 차이를 지워버리게 된다.

공개 시점은 이 결과를 기업 계획 수립에 관련성 있게 만든다. AI 투자 도입을 검토하는 조직은 직원이 어시스턴트를 열어봤는지 여부를 넘어선 증거가 필요하다. 사용이 납기, 인력 수요, 오류율, 업무 경계에 어떤 변화를 만드는지 이해해야 한다.

더 빠른 초안 작성과 더 이른 퇴근의 차이를 생각해 보자. 초안 작성 어시스턴트는 최초 문서를 만드는 데 필요한 노력을 줄일 수 있다. 하지만 승인, 사실 확인, 수정, 배포 단계에서 어떤 일이 일어나는지는 별개의 문제다. 직장 내 편익을 평가할 때 관련 단위는 완료된 업무다.

이 연구는 그 전체 과정을 해결하지 않는다. 그 기여는 AI 사용과 더 짧은 하루 사이의 간극을 드러내는 데 있다. 인과관계의 방향이 불확실하더라도 이 간극은 조사할 가치가 있다.

직원에게 실질적인 의미는 분명하다. 개별 업무에서는 더 빨라졌다고 느끼는 것과 전체적으로는 더 바쁘다고 느끼는 것은 모순되지 않는다. 두 경험은 서로 다른 것을 측정하며, 고용주의 생산성 평가는 둘 모두를 담아낼 여지가 필요하다.

구매자에게 이 발표는 조달 관련 질문을 던진다. 제품 시연은 일반적으로 어시스턴트가 답변을 반환하면 끝난다. 비즈니스 프로세스는 누군가 그 결과에 책임을 수용할 때 끝난다. 이 두 지점 사이의 거리가 겉보기 절감 효과를 검증해야 하는 곳이다.

관리자는 절약된 시간이 어디로 갈지 선택해야 한다

더 짧은 업무는 활용 가능한 여력을 만든다. 그 여력이 휴식, 추가 산출, 또 다른 의무가 될지는 관리 결정에 달려 있다.

즉각적인 부담은 AI 도입을 승인하는 관리자와 그 가치를 입증해야 하는 직원에게 돌아간다. 구매자는 투자가 비즈니스 성과를 개선한다는 증거가 필요하다. 근로자는 더 빠른 실행이 자신의 책임, 마감기한, 가용성을 바꾸는지 명확히 알아야 한다.

이 이해관계는 일치할 수 있다. 직원은 일상적인 초안 작성을 줄여 판단이 필요한 업무에 집중하고 싶어 할 수 있다. 고용주는 예정된 근무시간을 줄이는 것보다 그러한 전환을 더 가치 있게 여길 수 있다. 문제는 양측이 같은 절약된 시간이 서로 다른 곳으로 향한다고 가정할 때 시작된다.

더 짧은 근무주는 구체적인 결과다. 업무가 허용 가능한 품질과 감당 가능한 수요를 유지하면서 더 적은 예정 근무시간 안에 맞아야 한다. 생산성 향상만으로는 그런 구조가 보장되지 않는다. 조직은 대신 추가 여력을 기존 업무 적체를 해결하는 데 투입할 수 있다.

그 선택이 자동으로 불합리한 것은 아니다. 미완료 업무에는 유용한 프로젝트, 고객 요청, 미뤄진 유지보수가 포함될 수 있다. 그러나 리더는 결과를 정확히 설명해야 한다. 같은 일정 안에서 더 많은 일을 처리하는 것은 일정을 줄이는 것과 다르며, 근무일을 연장하는 것은 또 다른 결과다.

ActivTrak AI 업무량 논의는 이 구분을 피하기 어렵게 만든다. 고용주는 생성된 자료의 양만으로 직원 편익을 평가할 수 없다. 초안이 늘어나면 작성자에게는 도움이 될 수 있지만, 편집자·검토자·구현을 맡은 동료에게는 요구가 늘어날 수 있다.

가상의 제품팀 사례가 이 문제를 보여준다. 한 관리자가 AI로 제안서를 더 빠르게 준비한 뒤, 공유하기 전에 추가 대안을 더한다. 이후 팀은 더 많은 선택지를 평가하고, 더 많은 가정을 확인하며, 더 많은 가능한 변경을 논의한다. 초기 업무의 비용은 낮아지지만 의사결정 과정은 더 커진다.

이 사례에서 어시스턴트가 오작동할 필요는 없다. 모든 초안이 유용할 수도 있다. 추가 부담은 확대된 목표와 제한된 검토 역량에서 발생한다. 더 빠른 생산은 조직이 책임 있게 승인할 수 있는 범위를 바꾸기 전에, 무엇이 가능해 보이는지를 바꾼다.

따라서 관리자가 마주하는 문제는 프롬프팅 역량을 넘어선다. 누군가는 어떤 추가 업무가 관심을 받을 가치가 있는지, 어떤 업무는 미완료 상태로 남아야 하는지를 결정해야 한다. 이런 결정이 없으면 어시스턴트는 동료가 평가할 수 있는 속도보다 더 빠르게 제안의 공급을 늘릴 수 있다.

같은 문제는 지식 관리에도 적용된다. 기존 정보를 정리하는 일은 더 많은 자료를 생성하는 일과는 다른 부담을 해결할 수 있다. 개인 지식 기반은 정보가 어떻게 보존되고 검색되는지에 관한 것이다. 전체 프로세스가 개선됐다는 증거 없이 어느 기능에도 근무시간 단축의 공을 돌려서는 안 된다.

그러므로 관련된 관리 질문은 구체적이다. 도입 이후 직원의 시간을 소모하지 않게 된 것은 무엇인가? 사라진 일이 없다면, 리더는 새 활동을 정당화하는 추가 가치를 밝혀야 한다. 그렇지 않으면 도입은 이미 꽉 찬 일정 위에 덧씌워진 기대가 된다.

더 빠른 업무는 그 주변의 일을 확장할 수 있다

AI가 업무를 더 쉽게 만드는 능력은 직원이 시도하는 업무량도 늘릴 수 있다.

UC Berkeley Haas의 연구는 그 가능성에 관한 현실적인 설명을 제공한다. Xingqi Maggie Ye와 Aruna Ranganathan은 직원 200명 규모의 기술 기업에서 직장 관찰과 인터뷰를 활용해 8개월간의 민족지학 연구를 수행했다. Ye는 기능별 그룹 전반에서 40건이 넘는 인터뷰도 진행했다.

그들의 업무 강도 증가 연구는 더 넓어진 책임, 이전의 휴식 시간으로 들어온 업무, 더 많은 동시 작업을 확인했다. 직원들은 다른 의무를 처리하면서 AI 프로세스를 실행해 두기도 했다. 이 연구는 고용주 전반의 보편적 효과를 추정하기보다 업무가 어떻게 확장됐는지를 설명한다.

이 구분은 ActivTrak 근무일 연구를 해석하는 데 중요하다. 직장 관찰은 활동 측정만으로는 설명할 수 없는 메커니즘을 드러낼 수 있다. 그렇다고 그러한 메커니즘이 다른 데이터셋의 차이를 유발했다고 증명하는 것은 아니다. 다만 검증할 가치가 있는 설명을 제시한다.

한 가지 가능성은 업무를 시작하는 어려움이 줄어들면 중단 지점도 바뀐다는 것이다. 이전에는 현실적이지 않아 보였던 과제가 시도해 볼 만한 일이 될 수 있다. 아이디어를 빠르게 탐색할 수 있는 직원은 계속 진행하고, 다듬고, 공유할지에 관한 새로운 결정을 마주한다.

이는 관리자로부터 단순히 추가 업무를 받는 경험과는 다르다. 추가 노력은 호기심이나 만족감에서 시작될 수 있다. 직원은 이전 역량 범위 밖의 업무를 시도할 수 있다는 점을 가치 있게 여길 수 있다. 따라서 즐거움과 업무량 확장은 함께 일어날 수 있다.

Aruna Ranganathan의 연구 개요는 측정 가능한 생산과 직원의 실제 경험 사이의 이 구분을 강조한다. 그의 연구는 직장 내 AI의 다른 결과와 함께 자율성, 인지적 요구, 전문성, 관계, 웰빙을 살펴본다. 이러한 차원은 긍정적인 산출 지표가 왜 도입에 관한 모든 질문을 해결할 수 없는지 설명하는 데 도움이 된다.

분석상 우려는 누적이다. 작은 선택적 실험이 유용한 산출물이 된다. 유용한 산출물은 기대에 영향을 준다. 기대는 다시 동료가 요청하는 일과 직원이 유지할 책임을 느끼는 일에 영향을 준다. 누군가의 역할을 확대하겠다는 공식 결정 없이도 원래의 절감 효과는 사라질 수 있다.

병렬 작업은 이 문제의 또 다른 형태를 만든다. 어시스턴트를 시작한다고 해서 결과를 확인할 책임이 없어지는 것은 아니다. 직원이 다른 업무를 처리하는 동안 여러 프로세스가 완료되면, 그 결과물은 주의가 필요한 대기열을 만든다.

그에 따른 부담은 그 결과물이 무엇을 요구하는지에 달려 있다. 일상적인 자료는 검토가 거의 필요 없을 수 있다. 중요한 권고안은 출처 확인, 협의, 수정이 필요할 수 있다. 어시스턴트가 완료한 응답 수를 세는 방식은 인간에게 요구되는 수준이 다른데도 이 상황들을 비슷하게 취급하게 된다.

따라서 AI가 즉각적인 업무에서 실패했다고 가정하지 않아도 이러한 역전은 충분히 가능하다. 더 나은 지원은 사람들이 수행하는 업무의 범위를 넓힐 수 있다. 그것이 편익이 되는지는 업무량 한계, 검토 역량, 추가 결과의 가치에 달려 있다.

통합 어시스턴트는 다른 기준점을 제공한다

일부 AI 사용자의 근무시간이 더 길다는 증거가, 다른 도입 사례에서 직원 시간을 절약했다는 실험 증거를 없애지는 않는다.

Eleanor Wiske Dillon, Sonia Jaffe, Nicole Immorlica, Christopher T. Stanton의 연구는 중요한 비교 기준을 제공한다. 이들의 무작위 직장 실험에는 66개 기업의 지식 근로자 7,137명이 참여했다. 무작위 선정으로 이메일, 회의, 글쓰기용 애플리케이션에 통합된 생성형 AI 어시스턴트 접근 권한이 결정됐다.

실험 후반 6개월 동안 참여 사용자들은 매주 이메일에 쓰는 시간을 2시간 줄였고, 정규 근무 시간 외 업무도 감소했다. 연구진은 개인별 접근 권한으로 인해 업무량이나 업무 구성에 변화가 생겼다는 증거를 찾지 못했다. 이 결과는 관찰 데이터에서 보고된 더 긴 근무 시간과는 다른 가능한 결과를 제시한다.

이 비교는 신중한 주장의 필요성을 강화한다. 통합형 어시스턴트가 항상 근무일을 단축하거나 독립형 어시스턴트가 항상 근무일을 늘린다는 점을 입증하지는 않는다. 서로 다른 표본, 방법론, 활용 방식, 업무 환경 때문에 그런 단순화는 불가능하다.

다만 “AI가 직원들을 더 오래 일하게 한다”는 주장은 보편적 결론으로서 지나치게 광범위하다는 점은 보여준다. 일부 조건에서는 접근 권한이 특정 활동에 드는 시간을 줄일 수 있다. 다른 곳에서 관찰된 연관성이 이 실험 결과를 무효화할 수는 없다.

제품 간 차이도 특정 공급업체 간 경쟁으로 비화하지 않는 범위에서 주목할 필요가 있다. ChatGPT, Claude, Microsoft Copilot을 서로 대체 가능한 업무 배포 방식으로 취급해서는 안 된다. 프로세스 내 어시스턴트의 위치, 활용 가능한 맥락, 요구되는 검토 절차는 직원이 결과물 전후로 수행해야 하는 업무에 영향을 미친다.

이는 어느 브랜드가 가장 뛰어난지를 주장하는 것이 아니라 배포 선택지를 비교하는 것이다. 인용된 근거는 해당 제품들 간 순위를 뒷받침하지 않는다. 구매자는 도입하려는 구체적인 버전, 구성, 프로세스를 평가해야 한다.

가상의 글쓰기 워크플로우는 이 차이를 분명하게 보여준다. 어시스턴트가 편집 중인 문서 안에서 자료를 반환하면, 작업자는 주변 텍스트와 나란히 놓고 이를 평가할 수 있다. 자료가 다른 곳으로 전달되면 작업자는 이를 옮기고, 맥락을 조정하며, 최종 문서가 여전히 의도한 출처를 반영하는지 확인해야 한다.

어느 방식도 성공을 보장하지 않는다. 이 사례는 작업 시연에서 제외될 수 있는 추가 단계를 짚어낸다. 공정한 평가는 그 단계가 어디에서 발생하든 모두 계산해야 한다.

같은 논리는 내부 지식을 검색하는 어시스턴트에도 적용된다. 직원이 어떤 문서가 권위 있는 기준인지 확인해야 한다면, 답변 생성은 과제의 일부일 뿐이다. 근거 맥락이 불분명하다면 자신감 있는 답변도 상당한 검토를 요구할 수 있다.

기업 구매자에게 경쟁의 핵심 질문은 배포 방식이 완결된 프로세스 전반에서 업무를 제거하는지 여부가 된다. 더 편리한 생성 기능은 유용하지만, 그 가치는 이후에 무엇이 뒤따르는지에 달려 있다. 실험 근거는 구매자가 측정 가능한 절감 효과를 추구하되, 근무 주 단축에 관한 포괄적 약속에는 신중해야 할 이유를 제공한다.

더 긴 근무일도 여전히 인과관계를 입증하지는 않는다

ActivTrak의 근무일 연구는 조사할 가치가 있는 패턴을 보여주지만, 중요한 설명은 여전히 해결되지 않은 채 남아 있다.

가장 분명한 문제는 선택 편향이다. 직원들이 반드시 무작위로 AI를 도입하는 것은 아니다. 복잡한 과제나 더 많은 업무량을 다루는 사람일수록 도움을 구할 이유가 더 클 수 있다. 이들의 긴 근무일은 AI 사용보다 먼저 나타났을 수도 있다.

직무 차이도 해석을 더욱 복잡하게 만든다. 글쓰기, 조율 또는 코딩을 중심으로 한 직무는 어시스턴트를 활용할 수 있는 기회가 서로 다르다. 그러한 직무의 근로자를 비교하면 AI의 효과와 업무 자체의 요구를 뒤섞을 수 있다.

역인과도 또 다른 가능성이다. 다가오는 마감일 때문에 직원들이 더 오래 일하고 AI를 더 자주 사용할 수 있다. 그런 상황에서는 업무량이 두 관찰 결과를 모두 설명하는 데 도움이 된다. 어시스턴트가 일부 노력을 줄이더라도, 사용자는 계속 더 긴 근무일을 기록할 수 있다.

이는 이 표본에 대해 이미 확립된 설명이 아니라 검증해야 할 설명들이다. 이들은 상관관계만으로는 인과적 질문에 답할 수 없는 이유를 보여준다. 공개된 자료에는 그러한 대안을 정리할 무작위 배정 설계가 제시되지 않았다.

측정 방식에도 한계가 있다. 디지털 활동은 사람들이 애플리케이션과 상호작용하는 방식의 일부 측면을 보여준다. 그러나 그것이 의사결정의 가치, 협업의 품질, 또는 피로 수준을 직접 입증하지는 않는다.

더 긴 근무일은 가치 있는 산출물, 피할 수 있었던 재작업, 유연한 일정, 또는 이 조건들의 조합과 함께 나타날 수 있다. 이를 구분하려면 단순한 시간 외의 정보가 필요하다. 직원 경험과 승인된 결과물은 활동 측정치와 함께 고려되어야 한다.

이전 결과 역시 최신 공개 자료와 신중히 구분해야 한다. ActivTrak의 연례 직장 분석에는 AI 도입 전후를 비교한 10,584명의 사용자 하위 표본이 포함됐다. 이 분석은 이메일과 메시징을 포함한 측정 업무 범주의 증가를 보고했다. 이는 10월 비교 분석과는 다른 분석이며, 그 표본을 더 최근의 표본과 합쳐서는 안 된다.

이러한 구분은 확실성이 부풀려진 인상을 막는다. 여러 결과가 서로 다른 집단과 기간을 측정하면서도 더 많은 활동을 시사할 수 있다. 방향성이 일치한다고 해서 자동으로 공통 원인이 확인되는 것은 아니다.

ActivTrak의 상업적 위치도 고려할 만하다. 이 회사는 인력 분석 서비스를 판매하므로, 기업이 업무를 측정하는 방식에 이해관계가 있다. 그렇다고 결과가 무효가 되는 것은 아니다. 다만 투명한 정의, 독립적 재현, 방법론 세부사항에 대한 접근은 특히 유용하다.

가장 강한 결론은 가장 극적인 헤드라인보다 더 좁다. AI 도입이 직원의 부담 완화를 신뢰성 있게 입증하지는 않는다. ActivTrak의 AI 업무량 관련 결과는 추가 조사가 필요하지만, 실험 근거는 시간 절감이 여전히 가능함을 보여준다.

이는 고용주에게 실질적인 책임을 남긴다. 결과를 설명할 때 추가 산출물과 노력 감소를 구분해야 한다. 직원들은 배포 방식이 어떤 결과를 만들기 위한 것인지, 성공을 어떻게 평가할 것인지 알 권리가 있다.

AI가 시간을 돌려주고 있음을 보여줄 근거

다음으로 설득력 있는 근거는 동일한 평가 안에서 승인된 업무, 직원 근무 시간, 품질을 연결할 것이다.

앞으로 몇 달 동안 가장 먼저 주목할 신호는 유사한 근로자들을 배포 전후로 추적하는 연구다. 더 강력한 설계는 직무, 업무량, 계절적 수요의 차이를 고려할 것이다. 실용적인 경우 무작위 접근 권한 부여는 어시스턴트의 효과와 직원들이 이를 도입하는 이유를 분리하는 데 도움이 된다.

그러한 조건에서도 긴 근무일이 지속된다면, 배포가 근무 시간 연장에 기여한다는 주장은 더 강해진다. 차이가 대부분 사라진다면 선택 편향이 더 설득력 있는 설명이 된다. 어느 결과든 모든 AI 사용자를 획일적인 집단으로 취급하는 방식보다 개선된 접근이다.

두 번째 신호는 고용주가 절감된 역량이 어디에 쓰였는지 보고하는 것이다. 직원들이 과제를 더 빨리 끝냈다는 주장은 핵심 질문에 답하지 못한다. 근거는 승인된 산출물이 늘었는지, 일정이 단축됐는지, 적체 업무가 줄었는지, 또는 검토 요구가 달라졌는지를 보여줘야 한다.

예정된 주당 근무 시간이 짧아졌다면 근무 시간 감소라는 약속을 직접 뒷받침한다. 안정적인 근무 시간 안에서 산출물이 늘었다면 이는 다른 종류의 이점을 뒷받침한다. 더 긴 근무 시간과 함께 산출물이 증가했다면 시간당 생산성이 개선됐는지에 대해 더 명확한 설명이 필요하다.

품질은 이 평가의 일부로 남아야 한다. 대폭 수정이 필요한 빠른 초안은 승인된 업무와 같은 비중을 가질 수 없다. 마찬가지로 최종 결과가 이를 정당화할 만큼 충분히 개선된다면, 추가 검토가 이점을 없애는 것은 아니다.

세 번째 신호는 직원 결과와 함께 워크플로우 변화를 추적하는 근거다. 구매자는 인계 과정을 없애고, 검토를 통합하거나, 출처 접근성을 개선하는 일이 근무 시간을 바꾸는지 살펴봐야 한다. 관련 비교 대상은 재설계 전후의 완결된 프로세스다.

그러한 변화가 품질을 유지하면서 야간 업무를 줄인다면 더 나은 구현 방식에 대한 근거가 강해진다. 근무 시간이 계속 길다면 관심은 업무량 기대치와 조직의 수요로 옮겨가야 한다. 더 쉬운 인터페이스가 고용주가 사람들에게 완료하도록 요구하는 업무량을 결정할 수는 없다.

신뢰할 수 있는 보고에서는 이러한 신호가 함께 나타나야 한다. 시간만으로는 산출물이 불분명하다. 산출물만으로는 직원의 노력이 불분명하다. 사용량만으로는 어느 쪽에 대해서도 거의 알 수 없다.

지식 근로자에게 AI 근무일 연구는 보편적 판결을 내리기보다 이런 관계를 설명할 때 가장 유용하다. 도구는 유용하고 즐거울 수 있으며, 확대되는 업무와 연관될 수도 있다. 배포 방식은 더 짧은 근무 주를 제공하지 않으면서도 실제 시간 절감 효과를 낼 수 있다.

ActivTrak의 근무일 연구는 이러한 구분을 부각한다. 그 결과는 부담 완화에 대한 자동적인 약속에 의문을 제기하면서도, 더 나은 설계와 다른 결과의 여지를 남긴다. 이제 질문은 조직이 절감된 노력이 실제로 어디로 가는지 측정할 것인지다.

또 다른 생산성 주장을 받아들이기 전에 과제 전체와 근무일 전체에 관한 근거를 살펴봐야 한다. 어떤 업무가 사라졌는지, 어떤 추가 업무가 생겼는지, 누가 결과를 검토했는지 물어야 한다. 그 답을 승인된 산출물, 오류, 직원 경험과 비교해야 한다. 신뢰할 수 있는 설명은 사람들이 시간을 얻었는지, 더 많은 가치를 제공했는지, 아니면 단지 더 오래 대기 가능한 상태로 남았는지를 밝혀야 한다. 또한 초기 실험과 지속적인 근무 조건 변화를 구분해야 한다. 다음 어시스턴트 도입이나 직장 연구를 평가할 때 이 질문들을 활용하라. 고용주가 AI가 시간을 돌려준다고 말한다면, 그 시간이 어디로 갔는지를 보여주는 근거는 무엇인가?