OpenAI 직장 AI 연구: 직함이 바뀌기 전에 업무 범위가 확장되고 있다

OpenAI의 직장 AI 연구는 150만 건이 넘는 업무 관련 ChatGPT 메시지에서 주목할 만한 변화를 발견했다. 근로자들은 단지 자신의 직업 범위 밖의 작업을 시험해 보는 데 그치지 않았다. 일부는 해당 활동을 다시 수행하며 업무의 반복적인 일부로 만들고 있다.

이러한 구분은 직장 AI를 둘러싼 논의를 바꾼다. 당면한 문제는 단순히 AI가 일자리를 없애는지, 기존 작업을 개선하는지가 아니다. 직원들이 마케터, 분석가, 엔지니어 또는 고객 전문 담당자의 책임이었던 업무를 조용히 떠안고 있는지에 관한 문제다.

OpenAI는 이러한 패턴을 직무 확장(job expansion)이라고 설명한다. 그러나 확장은 더 큰 자율성을 뜻할 수도 있고, 인식되지 않은 업무 부담 증가를 의미할 수도 있다. 근로자는 다른 부서를 기다리지 않고 문제를 해결할 수 있지만, 적절한 교육, 검토 또는 보상 없이 책임까지 넘겨받을 수도 있다.

cross-role task study는 2026년 4월부터 7월까지의 ChatGPT Business 사용자를 다룬다. OpenAI는 메시지가 익명화되고 집계됐으며, 연구진은 개별 대화를 읽지 않았다고 밝혔다.

핵심 발견은 추측이 아니라 행동에 관한 것이다. 지속적으로 관찰된 약 6,200명의 근로자 가운데, 이전에 시도했던 직업 간 작업은 직업별 AI 활동에서 차지하는 비중이 점점 커졌다.

이 결과는 직무 설명이 실제 업무 변화보다 뒤처질 수 있음을 시사한다. 근로자들은 관리자가 역할을 재설계하거나, 통제를 갱신하거나, 최종 결정의 책임자를 정하기 전에 새로운 업무 루틴을 구축할 수 있다.

여기서 이 글의 핵심 긴장이 생긴다. OpenAI는 실험에서 더 폭넓은 직무로 이어지는 경로를 본다. 고용주와 근로자는 그 경로가 유용한 자율성, 위험한 역할 압축 또는 둘 다를 만들어내는지 판단해야 한다.

150만 건의 업무 메시지에서 OpenAI가 발견한 것

중요한 변화는 근로자들이 낯선 작업을 시도했다는 점이 아니라, 의미 있는 비중이 그 작업으로 다시 돌아왔다는 점이다.

OpenAI는 2026년 4월부터 7월 사이 생성된 150만 건 이상의 업무 관련 ChatGPT 메시지를 분석했다. 이 분석은 직원들이 AI를 사용하며 전통적인 직업 경계를 어떻게 넘나드는지 살핀 이전 연구를 뒤따른다.

이전 task crossover analysis는 업무를 일반적 작업, 직업 내 작업, 직업 간 작업으로 분류했다. 일반적 작업에는 일상적인 글쓰기, 요약, 일정 관리처럼 널리 공유되는 활동이 포함됐다.

직업 간 작업은 역사적으로 다른 직업과 연관된 활동을 포괄했다. 예로는 마케터가 소프트웨어 문제를 해결하거나, 영업 담당자가 고객 데이터를 분석하거나, 소상공인 소유자가 계약서를 검토하는 경우가 있었다.

OpenAI는 이전에 업무 관련 메시지의 16.8%가 다른 직업과 연관된 작업을 포함한다고 밝혔다. 일반적 활동을 제외하면 직업별 메시지의 43.5%가 사용자가 밝힌 직업 범위를 벗어났다.

새 연구는 첫 번째 경계 넘기를 한 뒤 어떤 일이 발생했는지 묻는다. 4개월 전체 기간에 걸쳐 관찰된 근로자들 가운데, 이전에 사용한 직업 간 작업은 4월 직업별 AI 활동의 13.1%를 차지했다.

7월에는 그 비중이 25.9%로 상승했다. 이 증가는 누군가의 전체 업무 중 4분의 1이 바뀌었다는 뜻은 아니다. 이는 OpenAI가 관찰한 표본 내에서 직업별 ChatGPT 활동의 구성을 설명한다.

별도의 비교에서는 근로자들이 다음 달에 동일한 직업 간 작업으로 돌아왔는지를 살폈다. 이전에 해당 작업을 사용했던 사람들은 23.6%의 비율로 다시 그 작업을 수행했다.

관찰된 사전 사용 이력이 없는 비교 가능한 근로자들은 같은 작업을 8.4%만 수행했다. 이 차이는 반복 패턴을 뒷받침하지만, ChatGPT가 그 행동을 유발했다고 입증하지는 않는다.

직업 간 작업 전반의 평균 다음 달 재사용률은 18.5%였다. 다만 반복성은 활동 유형에 따라 크게 달랐다.

고객과 상품 또는 서비스에 대해 논의하는 작업은 54%의 재사용률을 보였다. 광고 또는 홍보 문구 작성은 44%에 도달했고, 마케팅 자료 제작은 37%였다.

재무 정보를 설명하는 작업의 재사용률은 약 15%로 훨씬 낮았다. 이러한 격차는 근로자들이 어느 영역에서 역할 확장에 편안함을 느끼는지 암시하기 때문에 중요하다.

고객 커뮤니케이션과 홍보 업무는 사람들이 공개 전에 결과물을 수정할 수 있는 경우가 많다. 재무 설명은 오류가 고객, 관리자 또는 규제기관에 전달될 경우 더 큰 결과를 초래할 수 있다.

결과는 근로자들이 도움을 요청하는 방식의 차이도 보여준다. 사람들은 자신의 전문 분야 내 작업보다 직업 범위 밖의 작업에 더 짧은 프롬프트를 사용했다.

그들은 지침, 조언, 설명 또는 특정 출력 형식을 요청할 가능성이 낮았다. 그러나 예시나 배경을 제공하고 ChatGPT에 무언가를 검증해 달라고 요청할 가능성은 더 높았다.

OpenAI는 이를 근로자들이 전체 분야를 공부하는 대신 전문성을 빌려 쓰는 것으로 해석한다. 누군가는 구체적인 문제를 가져와 현지 맥락을 더하고, AI에게 다른 분야의 지식을 적용해 달라고 요청한다.

이러한 행동은 ChatGPT 업무 작업을 비공식적인 서비스 데스크와 유사하게 만든다. 근로자가 변호사, 엔지니어 또는 분석가가 되는 것은 아니다. AI는 기존의 인계 절차 없이 특정 문제를 진전시키도록 돕는다.

반복되는 행동은 운영 관행이 될 수 있으므로 이러한 변화는 중요하다. 작업이 주간 워크플로에 들어오면 조직은 그것이 그곳에 속하는지, 어떤 통제하에 수행돼야 하는지 결정해야 한다.

OpenAI 직장 AI 연구는 새로운 작업이 습관이 되는 방식을 보여준다

반복 사용은 공식적인 구조조정이 아니라 개인의 행동에서 시작되는 직무 변화의 그럴듯한 메커니즘을 제시한다.

이 과정은 근로자가 역할의 통상적 경계를 벗어난 문제를 마주하면서 시작된다. 전문 담당자가 없거나, 인계가 느리거나, 문제가 감당할 만해 보이기 때문에 직원은 AI를 사용한다.

결과가 유용해 보이면 근로자는 과정을 반복한다. 특히 해당 작업이 자주 발생할 경우 반복은 고립된 실험을 워크플로로 바꾼다.

이 메커니즘은 AI에 따른 직무 확장이 새로운 직함보다 앞설 수 있는 이유를 설명한다. 인사 시스템은 느리게 변하지만, 직원은 몇 분 안에 프롬프트, 문서화, 검토 단계를 추가할 수 있다.

고객 인터뷰를 요약하고 업데이트 자료를 준비해야 하는 제품 관리자를 생각해 보자. 이 관리자는 AI를 활용해 지원 이슈의 주제를 검토하고, 홍보 문구를 초안으로 작성하거나, 추적 쿼리 문제를 해결할 수도 있다.

이런 추가 업무가 반드시 새로운 직책을 만드는 것은 아니다. 그러나 함께 놓고 보면 제품 관리자가 일상적으로 생산하는 결과물과 인계가 줄어드는 팀이 달라진다.

영업 담당자도 고객 데이터를 활용해 같은 패턴을 따를 수 있다. 첫 요청은 탐색적 계산일 수 있지만, 이후 요청은 계정 준비 업무의 일부가 된다.

디자이너는 AI를 사용해 캠페인 문구를 수정하거나 구현 요구사항을 명확히 할 수 있다. 소상공인 운영자는 고객 커뮤니케이션, 마케팅, 기본적인 재무 해석을 오갈 수 있다.

이러한 사례는 근로자들이 빌려 온 분야를 숙달했다는 증거가 아니다. 이는 AI가 좁게 정의된 작업을 시도하는 데 필요한 노력을 어떻게 낮추는지 보여준다.

맥락은 이 과정의 핵심으로 보인다. OpenAI는 근로자들이 자신의 직업 범위 밖에서 작업할 때 더 많은 예시와 배경 정보를 제공한다는 사실을 발견했다.

이는 근로자가 여전히 모델에 없는 지식을 제공한다는 점을 시사한다. 직원은 고객, 마감일, 문서 또는 조직적 제약을 이해하고, AI는 다른 상황에도 적용 가능한 패턴을 제공한다.

이 관계는 완전한 자동화보다 증강에 가깝다. Anthropic의 이전 augmentation evidence는 관찰된 Claude 사용의 57%가 협업을 포함했으며, 43%는 자동화로 분류됐다고 밝혔다.

Anthropic은 또한 자사 데이터가 전체 노동시장이 아니라 Claude 사용자를 나타낸다고 경고했다. OpenAI의 발견에도 관찰된 제품 활동과 일반적인 노동력 행동을 구분하는 같은 주의가 필요하다.

그럼에도 두 연구 프로그램은 작업 기반 변화 관점을 가리킨다. 직무는 많은 활동으로 구성되며, AI 도입은 그 활동들 사이에서 불균등하게 확산될 수 있다.

일부 작업은 확인하기 쉽고 기존 루틴에 맞기 때문에 반복된다. 다른 작업은 실수가 치명적이거나, 현지 규칙이 복잡하거나, 사람의 승인이 여전히 필수적이기 때문에 드물게 유지된다.

이러한 불균등성은 AI 워크플로를 구축하는 사람에게 중요하다. 유용한 시스템은 이후 검토를 가능하게 하는 문서, 결정 및 맥락을 보존해야 한다.

개인용 도구는 근로자가 이러한 연속성을 유지하는 데 도움이 될 수 있다. 구조화된 AI second brain은 반복 요청을 그 배후의 원본 자료와 연결할 수 있다.

목표는 제한 없는 작업 축적이어서는 안 된다. 근로자가 증거를 되찾고, 이전 결정을 이해하며, 전문 검토가 필요한 시점을 식별할 수 있는 추적 가능한 프로세스여야 한다.

따라서 OpenAI의 연구는 단순한 프롬프트 도입 이상을 설명한다. 이는 변하지 않은 역할 안에 반복 활동이 내장되는 방식이 직장 변화의 단위가 될 수 있음을 보여준다.

이 메커니즘은 접근성에서 설계로 관심을 옮긴다. 근로자에게 AI 계정을 제공하는 것은 과정을 시작하지만, 반복 사용이 신뢰할 수 있는 업무가 될지를 결정하지는 않는다.

관리자는 어떤 결과물에 검토가 필요한지, 어떤 출처가 허용되는지, 어떤 결정이 근로자의 권한 밖에 남는지를 정해야 한다. 이러한 선택이 역할 확장을 역량으로 만들지, 위험 노출로 만들지를 결정한다.

역할 확장은 전문 담당자 인계 모델에 압력을 가한다

반복되는 직무 간 업무는 익숙하지 않은 모든 문제를 전문 팀으로 전달하도록 설계된 조직에 도전한다.

전통적인 조직은 타당한 이유로 업무를 분리한다. 마케팅, 재무, 법무, 엔지니어링 및 고객 운영 부문은 각기 다른 전문성, 기준 및 책임 체계를 발전시킨다.

그러한 경계는 대기도 만든다. 작은 요청도 대기열에 들어가고, 전달 과정에서 맥락을 잃으며, 원래의 순간이 지나간 뒤에야 돌아올 수 있다.

ChatGPT 업무 작업은 전달 전에 답을 시도하는 비용을 낮춘다. 문제와 가장 가까운 사람은 즉시 초안을 작성하고, 계산하고, 분류하거나, 문제를 해결할 수 있다.

OpenAI의 첫 보고서는 소규모 워크스페이스의 일반 사용자 사이에서 더 강한 경계 넘기 패턴을 발견했다. 2~5석 규모 워크스페이스 사용자에게서 직업 범위 밖 작업은 활동의 18.9%를 차지했다.

100석이 넘는 워크스페이스 사용자에서는 그 비중이 16.3%였다. OpenAI는 소규모 조직이 전문 인력이 더 적어 일반주의적 지원의 가치가 커진다고 설명했다.

이 해석은 소규모 팀의 운영 현실과 부합한다. 문제를 발견한 사람이 다른 담당자가 없기 때문에 그 문제를 맡게 되는 경우가 많다.

대기업에는 더 많은 전문가가 있지만, 조정 비용도 존재한다. 더 나은 첫 초안을 준비할 수 있는 직원은 최종 검토를 우회하지 않으면서 불필요한 의뢰를 줄일 수 있다.

따라서 압박을 받는 모델은 전문화 자체가 아니다. 모든 전문 작업이 반드시 전문 역할 안에만 완전히 머물러야 한다는 가정이다.

AI는 준비와 승인 권한을 분리할 수 있다. 영업 담당자는 데이터세트를 살펴볼 수 있고, 분석가는 방법론을 검증할 수 있다. 관리자는 계약 관련 질문을 초안으로 작성할 수 있고, 법률 자문은 법적 판단을 제공한다.

이러한 분업은 전문가의 시간을 더 집중적으로 활용하게 할 수 있다. 전문가는 정의되지 않은 문제 대신 더 잘 구조화된 요청, 더 풍부한 맥락, 그리고 예비 결과물을 받게 된다.

그러나 조직은 그 효율성을 쉽게 오용할 수 있다. 리더들은 업무를 시작할 수 있는 직원이라면 그 품질, 위험, 유지보수까지 책임질 수 있다고 결론 내릴 수 있다.

그러한 결론은 AI로 인한 직무 확장을 역할 압축으로 바꾼다. 기존 책임은 줄이지 않은 채 여러 영역이 하나의 직무에 쌓이게 된다.

차이는 흔히 업무량 설계에서 드러난다. 직원이 고객 분석, 마케팅 초안 작성, 기술 문제 해결을 추가로 맡는다면, 기존 업무 중 어떤 것이 사라지는가?

명시적인 답이 없다면 회사는 업무를 재설계한 것이 아니다. 그저 한 사람이 책임감을 느껴야 하는 범위를 넓힌 것일 뿐이다.

반복적인 사용은 전문 인력의 학습 루프를 약화시킬 수도 있다. 영업 직원이 모든 답변을 독립적으로 작성하면 마케팅 팀은 고객이 자주 묻는 질문을 더 이상 접하지 못할 수 있다.

다른 팀이 우회적으로 문제를 해결한다면 엔지니어링 부서는 반복되는 제품 장애를 놓칠 수 있다. 직원들이 최종 승인만 요청한다면 법무 팀은 반복적인 계약상 우려를 파악하지 못할 수 있다.

따라서 조직에는 에스컬레이션 기준이 필요하다. 결과의 영향이 작은 초안 작성은 원래 담당자 가까이에서 처리할 수 있지만, 규제를 받거나 되돌릴 수 없거나 고객 민감도가 높은 결정은 전문 인력에게 넘어가야 한다.

공유 기록도 필요하다. 모든 직원이 각자만의 비공개 ChatGPT 업무 방식을 발전시키면, 회사는 무엇이 성공했고 무엇이 실패했는지, 어떤 가정이 퍼졌는지를 쉽게 점검할 수 없다.

문서화된 워크플로는 관리자에게 더 나은 재설계 근거를 제공한다. 팀은 반복되는 직무 간 활동을 파악하고, 수정 필요성을 측정하며, 새 책임이 해당 역할에 포함되어야 하는지 결정할 수 있다.

제품 팀의 경우 주간 AI 워크플로는 소스와 산출물을 연결해 두는 하나의 모델을 제시한다. 더 넓은 원칙은 모든 기능 조직에 적용된다.

목표는 과거의 모든 업무 인계를 보존하는 것이 아니다. 첫 대응이 문제에 더 가까워지더라도 전문성, 책임성, 조직적 학습을 유지하는 데 있다.

OpenAI의 발견은 도입을 소프트웨어 배포로 취급하는 리더들에게 압박을 가한다. 더 중요한 관리상의 질문은 직원들이 반복 가능한 습관을 형성한 뒤 책임이 어떻게 달라지는가이다.

반복 수치가 입증하지 못하는 것

이 연구는 ChatGPT 사용 내의 패턴을 식별하지만, 생산성, 역량 습득, 또는 지속적인 직무 재설계를 입증하지는 않는다.

OpenAI의 데이터셋은 실제 제품 사용 행태를 이례적으로 잘 보여 준다. 그러나 여전히 업무용으로 ChatGPT Business를 이미 사용하고 있는 사람들을 대상으로 한 관찰 표본이다.

이 표본은 모든 직원, 직업, 기업, 또는 AI 제품을 대표하지 않는다. 육체노동과 ChatGPT 접근성이 제한된 직장은 비례적으로 충분히 나타나지 않을 가능성이 높다.

직업은 Business 온보딩 과정에서 제공된 역할 또는 부서 정보를 바탕으로 추론됐다. 이 방식은 유용하지만, 직함과 부서 라벨은 복합적인 책임을 가릴 수 있다.

고객 분석을 수행하는 제품 관리자는 직업적 경계를 넘나들고 있을 수 있다. 같은 활동이 그 사람의 회사에서는 이미 기대되는 업무일 수도 있다.

이 분류 문제는 첫 번째 보고서에서도 나타났다. OpenAI는 분석만으로는 AI가 지원하는 기존 책임과 새롭게 만들어진 직무 간 업무를 완전히 구분할 수 없다고 인정했다.

새 연구는 반복성에 관한 증거를 추가했지만, 반복성만으로 이 모호함이 해소되지는 않는다. 반복되는 프롬프트는 진정한 직무 확장, 다른 방식으로 수행된 기존 업무, 또는 일시적인 프로젝트를 반영할 수 있다.

관찰 기간도 4개월에 불과했다. 이 기간은 재사용 행태를 식별하기에는 충분하지만, 영구적인 직업 변화를 입증하기에는 너무 짧다.

계절성은 마케팅, 고객 커뮤니케이션, 예산 편성, 보고 업무에 영향을 미칠 수 있다. 인접한 달 사이에 반복되는 작업도 캠페인이나 계획 주기가 끝나면 사라질 수 있다.

4월부터 7월까지의 증가는 특히 신중한 해석이 필요하다. 직원들이 더 많은 활동을 시도할수록, 이전에 사용한 것으로 집계될 수 있는 작업의 풀도 커지기 때문이다.

OpenAI는 방법론에서 이 역학을 언급한다. 증가하는 비율은 루틴 형성과 일치하지만, 통제된 인과 추정치로 간주해서는 안 된다.

이 연구는 완료된 비즈니스 성과가 아니라 메시지를 측정한다. 산출물이 수용됐는지, 수정됐는지, 폐기됐는지, 또는 측정 가능한 성과 향상과 연결됐는지는 보여 주지 않는다.

한 직원이 작업을 다시 수행하는 것은 가치를 의미할 수 있다. 하지만 반복되는 어려움, 불충분한 결과, 또는 여러 번의 시도가 필요한 프로세스를 뜻할 수도 있다.

NBER의 업무 패턴 실험은 이 한계를 이해하는 데 유용한 맥락을 제공한다. 이 연구는 일반적인 업무용 애플리케이션 내에서 직원들에게 생성형 AI 접근 권한을 무작위로 제공했다.

이 연구는 접근 권한이 사람들이 활동 간에 시간을 배분하는 방식을 바꿨다고 발견했다. 다만 실험적 접근 연구와 메시지 로그 분석은 서로 다른 질문에 답한다.

실험은 특정 조건에서의 인과적 변화를 추정할 수 있다. 제품 로그는 훨씬 큰 규모에서 자연스럽게 발생한 행동을 보여 주지만, 표본 선택과 맥락에 대한 통제는 더 적다.

어느 접근법도 단독으로 역할 확대가 직무의 질을 개선하는지 판단할 수는 없다. 생산성, 자율성, 학습, 스트레스, 보상은 서로 다른 방향으로 움직일 수 있다.

역량의 문제도 있다. 배경 정보를 제공하고 검증을 요청하는 것은 모델의 응답을 개선할 수 있지만, 직원에게 전문적인 판단력을 부여하지는 않는다.

매끄러운 재무 설명에도 미묘한 오류가 있을 수 있다. 그럴듯한 소프트웨어 수정안은 보안 문제를 유발할 수 있다. 마케팅 문구는 암묵적인 브랜드 또는 규제 제약을 위반할 수 있다.

OpenAI 연구에서 가장 반복성이 높은 활동은 대체로 커뮤니케이션과 홍보 업무를 포함한다. 이러한 활동의 두드러짐은 신뢰할 수 있는 모델 성능보다는 손쉬운 통합을 반영할 수 있다.

재무 설명의 낮은 반복성은 또 다른 가능성을 제시한다. 직원들은 일부 영역에 더 많은 주의, 검토, 또는 책임성이 필요하다는 점을 인식할 수 있다.

조직은 반복성을 자동적인 허가로 해석해서는 안 된다. 유용한 활동이라도 지정된 검토자, 승인된 소스 세트, 중요한 결정에 대한 명확한 제한이 필요할 수 있다.

프라이버시도 또 다른 고려 사항이다. OpenAI는 익명성을 집계를 통해 보존하면서 학습 비활성화 데이터와 사용 가능한 분류가 없는 메시지를 제외했다고 밝혔다.

이는 보고서에 설명된 연구 절차에 해당한다. 고용주는 여전히 기밀 정보, 고객 데이터, AI 시스템에 입력되는 기록을 다루는 자체 규칙이 필요하다.

가장 타당한 결론은 고용이 변혁된다는 약속보다 더 제한적이다. 일부 직원은 직업적 경계를 넘어 ChatGPT를 반복적으로 사용하며, 특정 작업은 다른 작업보다 더 자주 반복된다.

루틴은 흔히 공식적인 변화에 앞서기 때문에 이 발견은 주목할 가치가 있다. 하지만 그 결과로 생긴 직무가 더 나은지, 더 안전한지, 더 생산적인지, 또는 공정하게 보상되는지는 입증하지 않는다.

AI 직무 확장이 지속되는지 보여 줄 세 가지 신호

다음 검증 과제는 반복되는 직무 간 행동이 책임 있는 워크플로, 더 폭넓게 측정된 도입, 그리고 더 나은 업무 성과로 이어지는지 여부다.

첫 번째 신호는 더 긴 관찰 기간에 걸친 지속성이다. OpenAI의 4개월 관찰 기간은 반복 행동의 시작을 포착했을 뿐, 전체 생애 주기를 포착하지는 못했다.

향후 보고서는 같은 활동이 6개월 또는 12개월 후에도 유지되는지를 보여줘야 한다. 지속적인 반복성은 직무 확장 해석을 더 강하게 뒷받침할 것이다.

감소한다면 많은 사용 사례가 일시적 실험, 계절적 필요, 또는 직원들이 결국 전문 인력에게 되돌린 작업이었다는 점을 시사할 것이다.

반복 업무의 구성도 중요하다. 홍보용 글쓰기에 계속 집중된다면, 분석, 기술 업무, 또는 규제 대상 프로세스로의 확장보다 더 제한적인 변화를 의미할 것이다.

두 번째 신호는 이 패턴이 ChatGPT Business 사용자 외에서도 나타나는지 여부다. OpenAI, Anthropic, Microsoft 및 독립 연구자들은 서로 다른 제품을 통해 서로 다른 집단을 관찰한다.

수렴하는 결과는 제품 설계나 고객 구성이 이 발견을 설명할 가능성을 낮출 것이다. 차이는 모델 인터페이스와 업무 환경이 행동을 어떻게 형성하는지 드러낼 것이다.

Anthropic의 연구는 AI 활동이 소프트웨어 개발과 글쓰기에 집중되어 있음을 발견했다. OpenAI의 직무 간 업무 연구는 재무 계산, 기술 문제 해결, 마케팅, 고객 대면 활동을 부각한다.

이러한 관점은 양립 가능하지만 서로 바꿔 쓸 수는 없다. 각 제공업체는 자체 제품, 사용자 기반, 분류 체계, 프라이버시 보호 측정 프로세스를 통해 행동을 본다.

연구자들은 범용 채팅 도구를 자발적으로 사용하는 직원과 조직이 AI 시스템을 배정한 직원을 구분해야 한다. 동기와 관리자의 기대는 반복성에 영향을 미칠 수 있다.

세 번째 신호는 조직의 대응이다. 고용주는 반복되는 직무 간 작업이 검토, 교육, 조정된 책임을 갖춘 공식 워크플로에 편입되는지를 보여줘야 한다.

수정된 직무 설명서는 하나의 가시적인 지표가 될 수 있다. 새로운 승인 점검 지점, 역량 프로그램, 또는 업무량 측정은 더 강한 운영상 증거를 제공할 것이다.

보상 및 승진 체계도 중요하다. 직원들이 더 넓은 범위의 가치 있는 산출물을 제공한다면, 조직은 그 폭넓음이 인정받는 역량 성장에 해당하는지 결정해야 한다.

인정 없이 업무만 확대된다면, 같은 추세는 업무 강도 증가를 초래할 수 있다. 직원들은 더 많은 영역을 맡으면서도 이전의 책임을 기준으로 계속 평가받게 된다.

OpenAI의 직장 AI 연구는 이러한 관리 선택을 더 이상 외면하기 어렵게 만든다. AI 접근은 리더들이 구조조정을 발표하기도 전에 노동 분업을 바꿀 수 있다.

이 변화는 지연을 줄이고 직원에게 결과에 대한 더 큰 통제권을 줄 때 직원에게 도움이 될 수 있다. 일상적인 준비 작업이 더 체계적으로 정리되어 전달될 때 전문 인력에게도 도움이 될 수 있다.

전문가 검토를 거치지 않은 생성 작업이 빠져나갈 경우에는 숨은 위험을 만들 수도 있다. 결정 요인은 모델 품질만이 아니라 각 반복 작업을 둘러싼 책임의 설계다.

지식 노동자는 어떤 AI 지원 활동이 조용히 정기 업무가 되었는지 파악하는 것부터 시작해야 한다. 해당 활동과 관련된 소스, 검토자, 수정 사항, 결과를 기록해야 한다.

관리자는 이에 상응하는 질문을 던져야 한다. 새 업무가 워크플로에 들어왔을 때 줄어든 기존 책임은 무엇인가? 답이 없다면 확장은 이미 과부하로 바뀌고 있을 수 있다.

가장 유용한 다음 단계는 반복적인 AI 사용에 대한 작은 감사를 실시하는 것이다. 한 달간의 반복 활동을 선택하고, 준비 작업과 최종 결정을 분리하며, 누락된 검토 지점을 파악하라.

그런 다음 결과를 다음 달과 비교하라. 그 작업은 계속 유용했는가, 업무 인계를 줄였는가, 수정 횟수를 줄였는가, 아니면 단지 한 직원에게 더 많은 책임을 옮겼는가?

OpenAI는 실험에서 루틴으로 이어지는 신뢰할 만한 경로를 식별했다. 이제 직원과 고용주는 이러한 루틴이 단지 업무를 넓히는 데 그치지 않고 업무를 개선한다는 증거를 마련해야 한다.