Selenko 외(2022) · AI가 바꾼 과업이 일의 정체성에 닿는 경로
Selenko 외(2022)는 Current Directions in Psychological Science에 실린 8쪽 분량의 통합 리뷰로, AI 도입이 노동자의 일 관련 정체성에 미치는 영향을 설명하는 기능–정체성 틀을 제안한다. 새 자료를 수집한 실증 연구와 달리, 과업 자동화 연구와 조직 정체성 연구를 엮어 앞으로 검증할 질문과 조건을 정리한 개념 논문이다. 이번 주에는 이 틀로 자기 연구 문서의 현상 기술을 과업 변화와 정체성 경로로 나누어 고친다.
1. 논문 소개
저자들은 두 장면으로 글을 연다. 큰 은행에서 수백만 유로 규모의 대출 결정을 책임지는 데 자부심을 느끼던 상담사는, 경영진이 그 결정을 더 빠르고 정확하지만 속을 알 수 없는 알고리즘에 넘기면서 핵심 과업을 잃는다. 수술 영상을 실시간으로 분석하는 AI와 함께 일하는 외과의는 수술 시간이 줄고 환자 결과가 좋아지는 도움을 받는다. 방향은 반대지만 두 사람 모두 핵심 과업이 바뀌면서 자기 일과 자신을 이해하는 방식이 흔들린다. 논문은 AI로 인한 과업 변화가 언제 일 관련 정체성을 위협하고 언제 넓히는지를 묻는다.[1]
저자들이 정체성에 주목하는 이유는 정체성이 태도와 행동의 기준점이 되고 사회 속 자기 자리를 정해 주기 때문이다. 저자들은 AI 도입이 주로 효율 같은 사업상 우선순위로 추진되면서 노동자의 정체성 과정이 충분히 고려되지 않는다는 비판을 소개한다. 또 AI 담론이 반복 업무에서 벗어난다는 낙관과 대량 실업을 예고하는 비관으로 갈라져 있다고 진단한다. 논문은 이 양극단 사이에서 기술의 기능에서 출발해 정체성, 태도, 행동으로 이어지는 경로를 정리하겠다고 밝힌다.[1]
논문은 AI가 이전 기술과 무엇이 다른지도 정리한다. AI는 사람의 인지가 필요한 문제를 푸는 기술들의 묶음이고, 현재의 AI는 모두 한 영역의 과업만 처리하는 좁은 AI다. 그래도 속도, 정확성, 처리 규모에서는 이미 사람을 앞서는 기능이 많다. 저자들은 예측 능력이 인지 업무로 넓어진 점, 학습 데이터의 대표성과 결과의 공정성, 사생활과 자율성, 계산 과정이 블랙박스라 생기는 책임과 투명성 문제를 든다. 스스로 학습하고 자율적으로 움직이는 듯 보여 준사회적 행위자처럼 지각된다는 점도 자기 이해에 영향을 준다고 본다.[1]
이 글은 학술지의 짧은 리뷰 형식으로 쓰인 개념 논문이다. 저자들은 새 표본을 모으거나 측정 도구를 만들지 않았고, 과업 자동화 연구, 조직 내 정체성 연구, 몇몇 사례·면담 연구를 엮어 틀을 제안했다. 그림 1은 기능 변화, 정체성 경로, 조건, 결과를 한 화면에 배치한 개념도로, 통계적으로 검증한 경로 모형과 구별해 읽어야 한다. 따라서 읽을 때 저자의 이론적 주장, 인용된 다른 연구의 결과, 저자의 실무 제언을 각각 나누어 기록한다.[1]
2. 논문의 주요 내용과 이론
틀의 첫 축은 기술의 기능이다. 저자들은 AI가 기존 과업을 보완·지원하거나, 사람이 하던 일을 대체하거나, 새 과업과 그에 따른 새 역할을 만든다고 정리한다. 어떤 직업이 얼마나 영향을 받는지는 과업의 구조, 반복성, 결과의 성격과 경제·구조적 요인에 따라 다르다. 정보기술 과업이 많은 직업은 더 일찍, 더 크게 노출될 수 있다. 한 직업 안에서도 세 변화가 서로 다른 영역에서 동시에 일어날 수 있으므로, 분석 단위는 직업 전체보다 개별 과업이 된다.[1]
둘째 축은 일 관련 정체성이다. 저자들은 이를 일과 관련해 내가 누구이고 무엇을 하는 사람인지에 대한 이해로 본다. 사람은 직업, 조직, 팀 같은 집단에 속해 있다고 느끼고, 그 집단의 전형적인 행동을 하면서 정체성을 만들며, 그 행동으로 사회적 인정을 얻는다. 일 관련 정체성은 자존감, 소속감, 자기 이해, 자기 확증, 자기 연속성, 자기 고양, 불확실성 감소, 의미감 같은 기능을 채워 준다. 팀, 동료, 상사, 조직, 직업 공동체는 사회적 승인을 주어 이 정체성이 자리 잡게 돕는다.[1]
두 축을 잇는 기제는 의미 부여다. 지능적으로 보이는 비인간 행위자가 들어오거나 들어올 것으로 예상되면, 노동자는 그 변화가 자기에게 무엇을 뜻하는지 해석해야 한다. 해석은 세 경로로 이루어진다. 정체성에 맞는 행동을 계속 할 수 있는지(정체성 수행), 정체성이 주던 기능을 계속 채울 수 있는지(정체성 기능), 팀 구성과 지위 위계 같은 일의 사회적 짜임이 어떻게 바뀌는지다. 이 경로가 위협받으면 웰빙이 낮아지고 정체성을 지키려는 반응이 나오며, 기능을 지원하고 이상적인 직업 자아에 가깝게 해 주면 정체성이 확장될 수 있다.[1]
보완형 AI는 실시간 감시로 작업장 위험을 찾거나 일정 수립을 돕는 식으로 기존 일을 지원한다. 이때 노동자는 데이터 분석이나 출력 평가 같은 새 기술을 익히고, 수요가 줄어든 옛 습관을 버려야 할 수 있다. 사회적 짜임도 바뀐다. 저자들은 정신의학에서 AI를 쓰려면 데이터 관리 능력과 소프트웨어 엔지니어와의 긴밀한 협업이 필요해져, 조직 위계와 유능한 의료인의 의미가 다시 정의될 수 있다는 주장을 인용한다. 보완은 겉보기에 덜 위협적이어도 정체성 기능과 관계를 함께 건드린다.[1]
보완형 변화에 대한 반응은 조건에 따라 달라질 수 있다. 저자들은 강요된 업무 변화가 처음에는 정체성 위협으로 받아들여지지만, 변화에 적응하고 정체성을 고쳐 가면 점차 수용으로 옮겨 갈 수 있다는 면담 연구를 인용한다. 이 결과는 도입 과정에 노동자의 목소리가 반영되는지, 변화가 점진적인지, 새 학습을 위한 안전한 전환 공간이 있는지에 달려 있다. 방사선과 의사가 자신을 정보 전문가로 보게 되는 예처럼 AI와 함께 일하는 것이 긍정적 정체성 범주가 될 수도 있다.[1]
대체형 AI는 패턴 인식이나 재고 보충 같은 고되고 반복적인 과업, 일정 관리·진단·자료 검색 같은 일상 과업, 금융·법률·치안 결정이나 고객 응대 같은 고숙련 과업까지 넘겨받을 수 있다. 과업이 대체되면 노동자는 그 과업에 연결된 직업적 자기 이해를 수행할 수 없고, 자기 연속성이 흔들리며 그 과업이 주던 자존감·확실성·의미도 채우기 어려워진다. 반면 높은 실패율이나 사회적 낙인처럼 원하던 정체성을 가로막던 장애물이 사라지면 정체성 변화가 쉬워지고 대체도 더 쉽게 받아들여진다.[1]
대체는 남은 일의 조직도 바꾼다. 스스로 학습하고 사람처럼 움직이는 듯하지만 이해할 수 없는 알고리즘과 상호작용하거나 그 관리를 받는 경험은 섬뜩하게 느껴질 수 있다. 결정이 맥락 정보 없이 내려졌거나 틀리고 자의적이라고 지각되면 신뢰를 얻지 못하고 소외감이나 비인간화된 느낌으로 이어질 수 있다. 과업과 함께 사람까지 대체되면 남은 사람이 기존 정체성을 승인받던 사회적 짜임도 바뀐다. 저자들은 일의 큰 부분이나 역할 자체를 잃은 사람이 가장 큰 정체성 도전에 놓인다고 본다.[1]
AI는 새 과업과 직무도 만든다. 저자들은 과업을 자동화할 수 있게 준비하고 알고리즘을 가르치는 일, 변화를 노동자에게 설명하고 알고리즘 출력을 쓰도록 설득하는 일, 윤리적 함의를 검토하며 AI 사용을 유지하는 일 같은 알고리즘 직업을 예로 든다. 작은 변화도 새 기술을 요구하는 과업을 만든다. 인용된 연구에서 사람들은 바뀐 일을 애도하고, 기존 직업 정체성을 지키려 하며, 새 과업을 피하기도 했다. 저자들은 학습과 정체성 재구성을 위한 전환 공간이 있으면 확장과 적응이 더 일어나기 쉽다고 본다.[1]
저자들은 같은 기능 변화가 위협이 될지 확장이 될지를 가르는 조건을 정체성 조건성으로 묶는다. 하나는 변화의 속도와 범위 같은 도입 방식이고, 다른 하나는 사회적 승인 맥락이다. 소속 집단의 규범은 AI 개입을 해석하는 기준이 되므로, 새 도구가 직업 규범에 어긋난다고 느끼는 사람은 좌절하고 저항할 수 있다. 기능 변화는 무엇이 존중받는 유능한 행동인지에 대한 주변의 기준도 옮겨 놓는다. 어떤 대중 서사에 공감하는지, 조직과 직업 공동체가 함께 의미를 만들어 주는지도 새 정체성이 자리 잡는 데 영향을 준다.[1]
후속 연구 과제로 저자들은 AI로 인한 변화가 언제, 어디서, 누구에게 무관하거나 지지적이거나 위협적으로 평가되는지 밝혀야 한다고 쓴다. 인용된 연구들은 표준 절차에 깊이 익숙한 사람은 위협을, 경험에 대한 개방성이 높은 사람은 긍정적 정체성 성장을 겪기 쉽고, 숙련 전문가가 초심자보다 과업 대체에서 더 큰 위협을 느끼는 경향을 보고한다. 저자들은 정체성을 동적으로 다시 다듬는 과정, 웰빙·태도·성과 같은 결과, 팀 수준의 혼란과 회복도 연구할 과제로 제안한다.[1]
실무 제언은 정체성 위협이 불신, 알고리즘 결정을 이해할 수 없는 블랙박스 상황, 대체 상황에서 특히 생기기 쉽다는 판단에서 나온다. 저자들은 이해관계자의 기대와 요구를 파악하고, 의미 부여와 정체성 발달을 돕는 서사를 제공하며, 장비와 교육을 다시 갖추어 노동자가 이상적인 직업 자아에 가까워지는 방식으로 AI와 일하게 하라고 권한다. 사회적 승인, 안전한 전환 공간, 일 안팎의 관계에 대한 배려도 강조한다. 속도에 대해서는 정체성과 덜 관련된 특정 과업부터 단계적으로 대체하는 편이 핵심 업무를 한꺼번에 바꾸는 것보다 낫다고 본다.[1]
이 틀은 검토할 조건을 넓게 보여 주지만 조건 사이의 우선순위는 정하지 않는다. 여러 정체성 기능 가운데 무엇이 언제 더 중요한지, 한 변화가 어떤 기능은 위협하고 다른 기능은 넓힐 때 결과가 어떻게 되는지, 도입 속도와 사회적 승인이 어떻게 상호작용하는지는 열린 질문이다. 측정 방법도 제시하지 않는다. 근거의 상당수는 특정 직업의 사례·면담 연구이며, 저자들도 체계적 비교 연구가 필요하다고 밝힌다. 그래서 이 논문은 가설을 만드는 지도로 쓰고, 효과 크기나 일반적 반응 순서의 근거로 쓰지 않는다.[1]
3. AI 에이전트 시대의 시사점
트럭 사례에 이 틀을 대어 보면 구간 달리기는 대체된 과업, 상자 상태 확인과 인계 정보 전달은 보완되는 과업, 적재 순서 계획과 차량 이상 확인은 새로 생긴 과업이다. 가장 빠른 직원에게 달리기 기록은 자존감과 자기 확증의 근거였을 가능성이 크다. 회사가 여전히 달리기 기록으로 우수 직원을 뽑는다면, 새 과업에서 생길 수 있는 정체성 확장을 사회적 승인 맥락이 뒷받침하지 못한다. 트럭에는 자율 학습이나 블랙박스 같은 AI 고유의 특성이 없으므로, 이 적용은 과업 분류를 연습하는 수업의 해석이다.
AI 에이전트가 여러 단계의 작업을 계획하고 실행하면, 한 사람의 직무 안에서 보완·대체·생성이 짧은 시간에 함께 일어날 수 있다. 논문의 조건으로 보면 변화 속도와 영향받는 과업의 수가 동시에 커지는 상황이다. 문헌 검색을 에이전트에 맡긴 대학원생이라면 검색과 목록 작성은 대체되고, 출처 검증과 질문에 맞는 선택이 새 과업으로 남는다. 이 과업이 누구에게 배정되는지, 인정 기준에 들어가는지, 에이전트의 선택 이유를 확인할 수 있는지가 후보 조건이다. 논문은 2022년 시점의 AI 일반을 다루므로 에이전트 적용은 수업의 추론이다.
자기 연구에서 먼저 검토할 경쟁 설명은 물질적 조건이다. 직원의 망설임은 정체성 기능의 손상보다 평가 불이익, 임금, 고용 안정에 대한 계산에서 나올 수 있다. 정체성 설명이 맞다면 보상과 고용 조건이 같아도 정체성과 깊이 연결된 과업을 잃은 사람의 반응이 더 커야 한다. 물질적 설명이 맞다면 평가 기준이나 고용 전망이 바뀐 시점과 반응이 더 잘 맞아야 한다. 두 설명은 함께 작동할 수 있으므로 면담 질문과 자료에서 둘을 따로 확인할 항목을 만든다.
두 번째 경쟁 설명은 반응 차이가 과업 변화 유형보다 도입 방식이나 개인 특성에서 온다는 것이다. 같은 대체라도 의견을 낼 기회, 단계적 변화, 연습할 공간이 있었는지에 따라 반응이 달라질 수 있고, 경력이 길거나 표준 절차에 익숙한 사람이 위협을 더 느낄 수 있다. 이를 가르려면 과업 변화는 비슷하지만 도입 방식이 다른 사례, 또는 같은 도입 아래 경력이 다른 사람을 비교하는 설계를 고려한다. 정체성과 깊이 연결된 과업이 대체됐는데 위협이 보이지 않으면, 그 기능이 다른 과업이나 관계에서 채워졌는지 확인한다.
설계할 때 논문이 든 정체성 기능을 모두 측정하려 할 필요는 없다. 자기 사례에서 관련이 커 보이는 기능 두세 개를 고르고, 그것이 어떤 과업과 어떤 승인 출처에 연결되는지 가설로 적는 편이 현실적이다. 위협과 확장이 한 사람 안에서 동시에 나타날 수 있다는 점, 반응이 정해진 순서로 진행된다고 가정할 근거가 없다는 점도 설계서에 남긴다. 학기 초인 지금은 자료를 모으기 전 단계이므로 확인할 질문, 자료 출처, 접근 가능성을 정리하는 데 집중한다.
