소비자 심리가 개선되는 가운데 불안감 드러낸 미시간 AI 버블 설문
미시간대학교는 11월 소비자심리지수 잠정치가 10월의 48.0에서 51.0으로 상승했음에도 AI 버블에 대한 불안이 커지고 있다고 파악했다. Michigan AI bubble survey 결과는 난감한 긴장을 포착한다. 미국인들은 인공지능이 일자리를 흔들 수 있다고 우려하면서도, 투자가 위축될 경우 경제가 타격을 입을 수 있다는 점 역시 걱정할 수 있다.
갈등의 핵심은 AI가 공동 번영을 약속하는 한편, 누가 혜택을 얻고 누가 비용을 부담하며 누가 손실을 떠안는지는 불확실하다는 데 있다. 유용한 애플리케이션이 존재한다고 해서 이를 뒷받침하는 모든 투자가 자동으로 정당화되는 것은 아니다. 마찬가지로 기대가 과도하게 부풀려졌다는 우려가 해당 기술에 가치가 없다는 뜻은 아니다.
개발자, 기업 구매자, 지식 근로자에게 이 구분은 즉각적으로 중요하다. 기업 의사결정에는 신뢰할 수 있는 서비스와 유용한 결과에 관한 근거가 필요하다. 대중의 신뢰에는 더 폭넓은 것이 요구된다. 즉 AI 구축 확대가 일상적인 경제생활을 어떻게 개선하는지에 대한 설득력 있는 설명이다.
Michigan AI bubble survey가 실제로 확인한 내용
이 결과는 새롭게 부상하는 경제적 우려를 기록한 것이지, AI 붕괴가 시작됐음을 입증한 것은 아니다.
미시간대학교의 소비자심리 조사 결과는 응답자 의견에서 AI 버블 가능성에 대한 불안이 커지고 있다고 설명한다. 인터뷰는 10월 20일부터 11월 2일까지 진행됐다. 이후의 정치적 전개나 시장 움직임과 함께 이 발표를 해석할 때 이 시점은 중요하다.
대학교는 가장 큰 주식 포트폴리오를 보유한 소비자 집단에서 심리가 5% 하락했다고도 보고했다. 다만 생활비 우려는 AI 관련 걱정을 앞섰다. 약 57%는 높은 물가가 생활 수준을 잠식한다고 자발적으로 언급했으며, 이는 2월의 46%와 비교된다.
이런 세부 사항은 전국적인 기술 공황이라는 단순한 서사를 복잡하게 만든다. 전체 지수는 개선된 반면, 논평에서는 특정 우려가 나타났다. 경제 신뢰에는 개인 재정, 기업 여건, 물가, 기대에 대한 여러 판단이 겹쳐 있다.
이번 발표는 AI 버블에 대한 공포를 측정한 별도 비율을 제공하지 않는다. 따라서 독자는 이 질적 관찰을 근거 없는 전국 비중으로 바꿔 해석해서는 안 된다. 대학교는 11월 최종 결과의 다음 발표일을 11월 20일로 안내했다.
추가로 주목할 만한 보도상 구분도 있다. Washington Post의 11월 7일자 AI 버블 보도는 이 설문 관찰을 더 폭넓은 독자층에 알렸다.
Michigan AI bubble survey 결과가 특히 유용한 이유는 제품 리뷰가 아니라 경제적 기대를 다루기 때문이다. 가계 재정을 평가하는 사람은 챗봇을 시험하는 사람과 다른 질문을 던진다. 인상적인 시연은 한 가정이 더 안정감을 느끼는지에 직접 답하지 못한다.
이 차이는 대중의 우려를 해석하는 방식을 바꾼다. 한 응답자는 행정 업무 지원을 반기면서도 인프라 확장의 지속 가능성에는 의문을 제기할 수 있다. 이러한 입장은 혼란이나 모순 없이 공존할 수 있다.
AI 비서를 도입한 고용주의 사례로 한 사무직 근로자를 생각해 보자. 이 근로자는 더 빨라진 문서 검색을 반길 수 있지만, 인력 운영 결정에 대해서는 불확실함을 느낄 수 있다. 이후 고용주가 지출을 줄인다면, 같은 근로자는 기업 여건 악화를 걱정할 수 있다.
어느 반응도 모델 역량에 대한 확고한 의견을 전제로 하지 않는다. 둘 다 경제적 혜택의 분배와 지속성에 관한 문제다. 대중의 신뢰는 소프트웨어 인터페이스만큼이나 이를 둘러싼 고용 관계에 달려 있다.
따라서 이 설문은 관찰자들이 환호할 판결이 아니라, 기업이 답해야 할 질문을 제시한다. AI 도입을 사람들이 자신의 삶에서 체감할 수 있는 개선과 연결하는 근거는 무엇인가?
기술적 진보에만 집중한 답변으로는 이 질문을 해소할 수 없다. 역량은 중요하지만, 경제적 안도감에는 결과, 책임, 위험 노출에 대한 더 명확한 설명이 필요하다.
근로자와 구매자는 같은 불확실성을 서로 다르게 마주한다
AI 도입이 업무, 지출, 책임을 어떻게 바꾸는지 설명해야 하는 부담은 조직에 있다.
AI 경제 불안은 이미 투자 사이클에 대한 우려를 넘어 확산되고 있다. Pew Research Center의 AI 인식 조사에 따르면 미국인의 52%는 AI 활용 확대에 대해 기대보다 우려를 더 크게 느꼈다. 또 다른 9%는 우려보다 기대가 컸고, 37%는 두 감정이 동일하다고 답했다.
이 조사는 2026년 6월 22일부터 6월 28일까지 미국 성인 3,488명을 대상으로 했다. 또한 응답자의 71%는 향후 20년 동안 AI가 미국의 일자리를 줄일 것으로 예상했으며, 이는 2024년의 64%보다 높다. 이는 측정된 고용 감소가 아니라 전망이다.
근로자에게 실질적인 문제는 고용주가 기술 지원을 조직 변화로 어떻게 전환하는가다. 업무 완료가 빨라지면 더 나은 서비스, 더 짧은 적체, 추가 책임, 또는 인력 감축으로 이어질 수 있다. 시연만으로는 경영진이 어떤 결과를 의도하는지 확인할 수 없다.
이는 열의만으로 해결할 수 없는 소통 문제를 만든다. 직원들은 성과 기대치가 어떻게 바뀌는지, 도입과 함께 교육이 제공되는지 이해해야 한다. 자동화된 결과물에 수정이 필요할 때 누가 책임지는지도 분명히 알아야 한다.
기업 구매자는 반대 방향에서 이와 관련된 문제에 직면한다. 구매자는 일반적인 운영 환경에서도 서비스가 유용한지 판단해야 한다. 여기에는 불완전한 입력값, 민감한 정보, 통합 작업, 반복 실험에 시간을 낼 수 없는 직원이 포함된다.
참가자에게 이례적인 지원이 제공되기 때문에 파일럿은 매력적으로 보일 수 있다. 광범위한 도입에서는 이런 보호 장치가 사라진다. 그때 경제적 질문은 구현 노력과 검토 요건을 계산에 포함한 뒤에도 조직이 유용한 결과를 유지할 수 있는지가 된다.
개발자는 또 다른 형태의 의존성에 직면한다. 애플리케이션은 동작 방식, 가용성, 상업 조건이 바뀔 수 있는 외부 모델 서비스에 의존할 수 있다. 따라서 기술적 이식성은 특히 고객에 대한 의무가 개별 공급업체와의 관계보다 오래 지속될 때 사업적으로 중요하다.
이러한 우려가 공급업체의 임박한 실패를 뜻하는 것은 아니다. 다만 문제가 발생하기 전에 구매자가 연속성 계획을 마련해야 하는 이유를 보여준다. 의존 관계를 이해하는 조직은 새 도구를 더 큰 확신을 갖고 평가할 수 있다.
같은 원칙은 개인용 소프트웨어를 고르는 지식 근로자에게도 적용된다. 도구가 바뀌더라도 정보는 이해 가능하고 검색 가능하게 유지돼야 한다. 기반 자료에 계속 접근할 수 있다면, 잘 관리된 개인 지식 베이스는 이러한 연속성을 뒷받침한다.
구매와 관련된 질문은 비서가 매력적인 답변을 만들어내는지를 넘어선다. 사용자는 근거 정보를 검토하고, 오류를 수정하며, 기능이 바뀌어도 계속 업무를 수행할 수 있는가?
AI 투자 위험은 이러한 의존 지점에서 구체화된다. 자금 조달 여건의 변화는 서비스 연속성이나 약속된 제공에 영향을 미칠 때 고객에게 중요해진다. 기업 발표는 실제 운영 중인 시스템에 수반되는 의무를 바꿀 때 중요해진다.
경영진은 열망과 약속을 분리함으로써 불확실성을 줄일 수 있다. 탐색 단계의 프로젝트가 핵심 업무를 지원하는 서비스와 동일한 운영상 약속을 해서는 안 된다. 조직이 이 차이를 명확히 밝힐 때 직원과 고객 모두에게 도움이 된다.
따라서 당면한 압박은 기술적이면서 동시에 관리적이다. 사람들에게 변화를 받아들이도록 요구하는 기업은 무엇이 개선되는지, 성공을 어떻게 측정하는지, 누가 계속 책임지는지 설명해야 한다.
유용한 AI가 지속 가능한 투자를 보장하지는 않는다
생산성 향상과 기대에 못 미치는 투자 수익은 동시에 존재할 수 있다.
전면적인 비관론에 대한 가장 강력한 대응은 실제 업무에서 나온 증거다. Erik Brynjolfsson, Danielle Li, Lindsey Raymond의 연구는 그러한 사례 중 하나를 제공한다. 이들의 2023년 11월 워킹페이퍼는 고객 지원 상담원 5,179명이 사용한 AI 비서를 분석했다.
고객 지원 연구는 시간당 해결된 문제 건수가 평균 14% 증가했다고 보고했다. 개선 폭은 근로자에 따라 달랐으며, 초보자와 숙련도가 낮은 상담원에서 더 큰 향상이 나타났다. 경험이 많고 숙련도가 높은 근로자에게서는 효과가 미미했다.
이 결과가 뒷받침하는 주장은 제한적이다. 특정 환경에서 지원 도구가 정의된 활동을 개선했다는 것이다. 모든 직장이 비슷한 성과를 얻는다는 뜻은 아니다. 또한 해당 시장의 모든 공급업체가 매력적인 수익을 거둘지 여부도 결정하지 않는다.
이 구분은 시장에서 사업 가치가 이동하는 방식에서 비롯된다. 도구는 고객을 도울 수 있지만, 경쟁은 공급업체가 확보하는 몫을 줄일 수 있다. 구현 파트너, 인프라 제공업체, 직원, 구매자가 혜택의 서로 다른 부분을 가져갈 수 있다.
더 나은 모델은 기존 서비스의 경제성도 바꿀 수 있다. 비슷한 결과에 더 적은 자원이 필요하다면 고객에게는 또 다른 선택지가 생긴다. 더 오래된 비용 구조를 전제로 계획한 제공업체는 다른 경쟁 환경에 놓이게 된다.
이 때문에 기술적 성공만으로는 버블 문제를 결론지을 수 없다. 투자 논지에는 미래 수요, 비용, 경쟁, 시점에 관한 가정이 포함된다. 유용한 소프트웨어는 일부 가정을 뒷받침하지만, 다른 가정은 여전히 열어 둔다.
반대의 추론도 성립하지 않는다. 과도하게 확장된 프로젝트가 이미 유용한 업무를 수행하는 애플리케이션의 가치를 지우지는 않는다. 전체 부문을 하나의 도박으로 취급하는 것보다 각 주장을 별도로 평가하는 편이 더 정확한 그림을 만든다.
Microsoft와 Google은 제품 수준에서 익숙한 경쟁 구분을 보여준다. 기업 구매자는 독립형 애플리케이션 및 전문 서비스와 함께, 기존 업무용 소프트웨어를 통해 AI 기능을 접한다. 이들의 결정은 역량, 통합, 거버넌스, 전환 노력의 조합에 관한 것이다.
이 비교에서 보편적인 승자를 선언할 필요는 없다. 통합형 비서는 일부 조직의 도입 마찰을 줄일 수 있다. 전문 제품은 그 결과가 추가 관계를 정당화할 때 더 좁은 업무 흐름에 적합할 수 있다.
구매자에게 이는 공급업체 간 경쟁이 모든 근본적 투자 위험을 해결하지 않으면서도 선택지를 개선할 수 있음을 뜻한다. 더 나은 애플리케이션 경험은 관련 없는 인프라 프로젝트의 수익성에 대해서는 거의 말해주지 않는다. 시장의 서로 다른 영역에는 서로 다른 근거가 필요하다.
Michigan AI bubble survey 결과는 이러한 구분을 통해 더 쉽게 해석된다. 경제적 위험 노출에 대한 대중의 우려가 모든 AI 활용 사례가 실패한다고 믿는 것을 뜻하지는 않는다. 사람들은 혜택을 인식하면서도 투자 규모나 배분 방식에는 의문을 제기할 수 있다.
유용한 비교는 활발히 이용되는 서비스와 수익성 있는 서비스의 차이다. 활동량은 사람들이 무언가를 사용하고 있음을 보여준다. 지속 가능한 경제성은 그 활동이 어떤 자원을 소비하는지, 고객이 무엇을 안정적으로 기여하는지를 이해해야 한다.
호의적인 직장 연구 결과가 나오더라도, 실행 방식의 선택지는 여전히 열려 있다. 기업은 절감된 시간을 재투자할지, 서비스 품질을 개선할지, 인력 구성을 바꿀지 결정해야 한다. 노동자가 체감하는 것은 추상적인 생산성 평균이 아니라 그러한 선택의 결과다.
따라서 핵심 긴장은 여전히 분배에 있다. 유용한 역량이 이를 지원하는 조직을 넘어 지속적인 혜택으로 이어질 때 약속된 번영은 신뢰를 얻는다. 기술 발전의 증거는 도움이 되지만, 경제적 주장은 그 자체의 근거를 필요로 한다.
인프라 투자 약속은 신뢰를 운영상의 문제로 만든다
AI 확장은 시장의 열기가 바뀐 뒤에도 의무가 남을 수 있는 물리적 프로젝트에 의존한다.
모델 서비스는 컴퓨팅 장비, 냉각 시스템, 전력 공급, 네트워크 연결을 통해 운영된다. 이러한 지원 시스템은 소프트웨어 시연만으로는 드러나지 않는 의무를 만든다. 그 경제적 의미는 건설 일정, 가동률, 자금 조달, 지역 여건에 따라 달라진다.
International Energy Agency의 2026년 AI 에너지 전망에 따르면, 전 세계 데이터센터 전력 수요는 2025년에 17% 증가했다. AI 중심 시설의 전력 소비는 50% 늘었다. 이 기관의 중심 전망은 2030년 전체 데이터센터의 전력 소비가 약 950테라와트시(TWh)에 이를 것으로 본다.
테라와트시는 전력 에너지 소비량을 측정하는 단위다. 이 전망은 보장된 결과나 전적으로 AI에 귀속되는 필요량이 아니라 예상되는 경로를 설명한다.
이 기관은 자금 조달 여건, 시장 심리, 사회적 수용성도 확장의 제약 요인으로 지목한다. 분석에 따르면 효율성 개선은 더 광범위한 도입 및 더 높은 요구 수준의 애플리케이션과 상호작용한다. 이러한 힘은 자원 요구량을 서로 다른 방향으로 밀어낼 수 있다.
이 상호작용은 AI 투자 위험이 단순한 산술 계산에 따르지 않는 이유를 설명한다. 더 효율적인 시스템은 개별 작업에 필요한 자원을 줄일 수 있다. 그러나 사용 범위 확대는 그 개선 효과를 상쇄할 수 있고, 애플리케이션의 변화는 작업 자체를 바꿀 수 있다.
인프라 계획은 이러한 관계가 완전히 정착되기 전에 결정을 내려야 한다. 장비 주문, 건설 계약, 전력 연결에는 리드타임이 수반된다. 따라서 프로젝트는 여전히 불확실한 조건에 대한 기대를 바탕으로 자원을 투입하게 된다.
그렇다고 프로젝트가 비합리적이라는 뜻은 아니다. 모든 장기 투자에는 전망이 필요하다. 다만 기술을 둘러싼 흥분만큼이나 그러한 가정의 질이 중요하다는 의미다.
기업 고객은 발표와 실제 운영 역량을 구분해야 한다. 제안된 시설, 건설 현장, 이용 가능한 서비스는 서로 다른 단계에 해당한다. 이를 같은 것으로 취급하면 제공 위험이 가려진다.
지역사회는 또 다른 질문에 직면한다. 프로젝트는 혜택을 제공하는 동시에 공동 인프라에 부담을 줄 수 있다. 관련 평가는 지역의 의무, 이행 가능한 약속, 비용 배분을 다뤄야 한다.
모든 전기요금 인상을 AI 탓으로 돌리는 것은 부정확하다. 지역별 결과는 발전, 송전, 규제, 수요 패턴, 투자 결정에 좌우된다. 인과관계를 입증하려면 영향을 받은 시스템에 특화된 증거가 필요하다.
마찬가지로 건설 지연이 곧바로 수요 부진을 뜻하지는 않는다. 프로젝트는 인허가, 장비, 연결 관련 제약에 부딪힐 수 있다. 관찰자는 지연을 재정적 후퇴의 증거로 해석하기 전에 제한 요인을 파악해야 한다.
이러한 구분은 신뢰가 여러 경로를 통해 운영에 영향을 줄 수 있기 때문에 중요하다. 고객은 제공 능력을 의심할 때 약속을 재검토한다. 금융 제공자는 예상 수익이 바뀔 때 익스포저를 재검토한다. 지역사회는 약속된 혜택이 불분명할 때 지지를 재검토한다.
각 반응은 전국적 붕괴를 입증하지 않으면서도 서로에게 영향을 미칠 수 있다. 지연된 프로젝트는 고객의 계획을 바꾸고, 이는 예상 가동률을 다시 바꿀 수 있다. 분석은 헤드라인이 전체 메커니즘을 포착한다고 가정하기보다 그 순서를 살펴야 한다.
업계의 소통 과제는 여기서 직접 따라온다. 신뢰할 수 있는 확장 서사는 수요를 제공 가능한 역량 및 명확히 배정된 의무와 연결해야 한다. 미래 혜택에 관한 일반적 보장은 이러한 세부 사항을 대신할 수 없다.
사람들이 이러한 정보를 갖지 못하면 AI를 둘러싼 경제적 불안은 더욱 쉽게 무시할 수 없게 된다. 실질적인 대응은 무엇을 구축하는지, 무엇이 이를 뒷받침하는지, 기대가 바뀔 경우 누가 결과를 부담하는지에 대해 더 구체적으로 밝히는 것이다.
대중의 불안은 우려의 증거이지 붕괴 전망은 아니다
회의적인 해석은 낙관적인 기업 서사와 확신에 찬 붕괴 예측 모두에 적용된다.
설문조사는 특정 질문과 수집 조건에서 보고된 태도를 측정한다. 응답자가 무엇을 우려하는지와 기대가 어떻게 변하는지를 보여줄 수 있다. 그러나 투자 수익, 고용, 인프라 수요의 미래 경로를 독립적으로 입증할 수는 없다.
Michigan AI bubble survey 결과는 그 경계 안에서 주목할 만하다. 이는 AI 관련 경제적 익스포저가 소비자 담론에 진입했다는 증거를 제공한다. 붕괴 확률을 추정하거나 발생 가능성이 높은 시점을 제시하지는 않는다.
서로 다른 설문조사를 합성 지표로 결합해서도 안 된다. 일상생활 속 AI에 대한 우려는 일자리 상실이나 투자 붕괴에 대한 두려움과 다르다. 관련 결과는 맥락을 제공하지만, 동일한 질문에 답하지는 않는다.
이러한 주의는 심리 변화의 설명에도 적용된다. 사람들은 물가, 고용, 정치, 기술, 금융시장에 관한 서로 겹치는 정보를 접한다. 집계된 변화만으로는 각 영향의 기여도를 거의 파악할 수 없다.
특히 중요한 구분은 익스포저와 결과를 가르는 것이다. AI 서비스에 의존하면 그 서비스의 변화에 노출된다. 그러한 변화가 실질적인 피해를 일으키는지는 이용 가능한 대안, 계약상 보호 장치, 관련 업무에 따라 달라진다.
같은 논리는 기술 발전에 관한 과장된 주장을 막아 준다. 기업의 발표는 해당 기업이 말하거나 계획하는 내용을 확립한다. 독립 테스트, 고객 경험, 운영 공개는 서로 다른 종류의 증거를 제공한다.
투자자, 노동자, 구매자도 서로 다른 결과를 평가한다. 고객은 서비스의 혜택을 받을 수 있지만 공급업체는 상업적으로 어려움을 겪을 수 있다. 고용주는 효율성을 얻을 수 있지만 직원들은 경영진이 이를 어떻게 활용할지 여전히 우려할 수 있다.
이러한 관점은 서로를 상쇄하지 않는다. 이들은 단일한 도입 지표가 공동의 번영을 대신할 수 없는 이유를 보여 준다. 사용 확대는 서비스 품질, 조직 성과, 혜택의 분배와 함께 해석되어야 한다.
대중의 회의론을 무지로 취급하는 데에도 추가적인 위험이 있다. 어떤 사람은 도구의 유용성을 이해하면서도 이를 둘러싼 제도가 신뢰받을 자격이 있는지 의문을 제기할 수 있다. 우려는 낯섦이 아니라 책임성과 관련될 수 있다.
반대로, 우려스러운 일화가 보편적 패턴의 증거가 되어서는 안 된다. 실패한 도입은 잘못된 워크플로 선택, 부적합한 데이터, 불충분한 감독을 반영할 수 있다. 더 광범위한 추세를 입증하려면 사례를 넘어선 증거가 필요하다.
가장 타당한 입장은 여전히 조건부이며 구체적이다. 주장을 식별하고, 이를 검증할 증거를 선택하며, 아직 해결되지 않은 점을 밝혀야 한다. 이러한 규율은 보도와 구매 의사결정 모두를 개선한다.
AI 업계에서 그 부담은 실질적이다. 조직은 도입 비용과 운영 책임이 적절히 고려된 뒤에도 도입이 지속되는 혜택을 어떻게 만들어 내는지 보여줘야 한다. 외부인이 그 근거를 검토할 수 있을 때 안심시키는 말은 더 신뢰를 얻는다.
다음 신호는 신뢰를 결과와 연결해야 한다
다음 단계는 소비자 후속 조사, 기업 공시, 지속적인 직장 내 가치의 증거를 이 순서대로 검토할 만하다.
첫째, Michigan의 11월 최종 발표와 이후의 소비자 담론을 지켜봐야 한다. 질문은 AI 관련 우려가 지속되는지, 더 구체화되는지, 다른 걱정과 함께 약화되는지다. 지속된다면 이것이 계속되는 경제적 우려를 나타낸다는 주장이 더 강해질 것이다.
언급이 줄어든다면 불안이 꾸준히 확산되고 있다는 주장은 약해질 것이다. 어느 결과든 설문 시점과 연구자들이 사용하는 표현에 주의를 기울여야 한다. 반복만으로는 우려의 규모와 원인이 여전히 열려 있게 된다.
둘째, 인프라 투자 약속과 운영 성과 사이의 연결을 보여 주는 향후 기업 공시를 살펴야 한다. 자본 지출은 장비와 시설처럼 장기간 사용하는 자산에 쓰는 비용을 뜻한다. 이는 투자 활동을 설명하며, 가동률과 고객 수요는 그 목적을 이해하는 데 도움이 된다.
유용한 질문은 기업이 이러한 관계를 평가할 수 있을 만큼 충분한 정보를 제공하는지다. 지속적인 수요에 대한 더 명확한 증거는 과잉 건설이라는 일률적 주장을 약화시킬 것이다. 의무가 계속되는 가운데 수요가 약하다면 투자 서사에 가해지는 압력은 커질 것이다.
비교에는 일관된 정의가 필요하다. 전사 매출, 제품 사용량, 시설 운영 활동은 서로 다른 것을 측정한다. 이를 상호 교환 가능한 것으로 취급하면 근거가 허용하는 것보다 주장이 더 결정적인 것처럼 보일 수 있다.
셋째, 직장 내 배포가 초기 시험 이후에도 반복 가능한 개선을 제공하는지 지켜봐야 한다. 가장 강력한 증거는 작업, 비교 기준, 검토 부담, 결과의 지속성을 설명할 것이다. 잘 다듬어진 시연은 그 전체 설명을 제공할 수 없다.
신뢰할 수 있는 개선은 대중의 신뢰가 약한 상태에서도 지속적인 도입을 뒷받침할 것이다. 실망스러운 결과는 광범위한 혜택을 약속한 조직에 대한 압력을 높일 것이다. 엇갈린 결과는 보편적인 판정보다 더 선별적인 도입을 뒷받침할 것이다.
개발자와 구매자에게 이러한 신호는 신중한 대응을 뒷받침한다. 유용한 애플리케이션을 계속 평가하고, 의존성을 문서화하며, 공급업체를 바꿀 수 있는 능력을 유지해야 한다. 공급업체에는 현재 작동하는 역량과 미래의 약속을 구분해 달라고 요청해야 한다.
노동자에게 이에 대응하는 질문은 지원과 기대의 관계에 관한 것이다. 더 빠른 프로세스는 품질을 개선하는지, 과부하를 줄이는지, 아니면 단지 업무량을 늘리는지에 따라 서로 다른 의미를 가진다. 경영진은 어떤 결과를 의도하는지 설명해야 한다.
다음 AI 도입 전에, 이를 계속할 이유가 될 일상적인 결과를 식별하라. 실제 워크플로를 선택하고, 현재의 한계를 기록하며, 사람들이 결과물을 어떻게 검토할지 명시하라. 지원 정보를 쉽게 접근할 수 있게 유지하고, 시스템이 실수했을 때 누가 수정을 책임질지 결정하라. 그 혜택이 일반적인 업무량과 인력 변동 속에서도 유지되는지 물어보라. Michigan AI bubble survey는 신뢰에 관한 더 넓은 질문을 제기하지만, 조직은 관찰 가능한 결과를 통해 그 일부에 답할 수 있다. 시연이나 경영진의 약속에 의존하지 않고 동료가 검증할 수 있는 AI 사용 관련 주장은 무엇인가? 그 주장부터 시작해 신중하게 검증하고, 증거가 다음 약속을 결정하게 하라.
