Artificial Intelligence in Team Dynamics: Who Gets Replaced and Why?

이 논문은 순차적 팀 생산 모델에서 AI 를 도입할 때 중간 직원은 동료 감시 기능을 유지하기 위해 남겨두고 시작과 끝의 직원을 확률적으로 대체하는 것이 최적이며, 이는 때로 AI 용량을 일부 비활성화하는 것을 수반하고 평균 임금 상승과 팀 내 임금 격차 감소를 초래함을 보여줍니다.

핵심

🏭 비유: '연쇄 도미노 공장'과 '불변의 로봇'

이 논문의 핵심은 **'도미노 효과'**와 **'정보의 흐름'**입니다.

1. 상황 설정:

   • imagine(상상해 보세요) 3 명이 줄지어 서서 공장에서 물건을 만드는 팀이 있습니다. (1 번, 2 번, 3 번)
   • 작업 방식: 1 번이 일을 잘해야 2 번이 일을 시작할 수 있고, 2 번이 잘해야 3 번이 일을 할 수 있습니다. (연쇄 구조)
   • 문제: 사람은 게으를 수 있습니다 (도망갈 수 있음). 하지만 AI 는 절대 게으르지 않습니다. AI 는 항상 100% 열심히 일합니다.
   • 특이점: 팀원들은 "내 앞의 사람이 AI 인지 사람인지"를 알 수 없습니다. 다만, "앞사람이 일을 했는지 (성공했는지)"는 알 수 있습니다.

2. 팀장의 고민:

   • 팀장은 "어디에 AI 를 넣으면 가장 돈을 아끼면서 팀이 잘 돌아가게 할까?"를 고민합니다.
   • 여기서 중요한 것은 AI 를 넣으면 '사람이 게으르면 뒤쪽도 게으르게 되는' (도미노) 효과가 끊어질 수 있다는 점입니다.

---

🔍 논문의 4 가지 핵심 발견 (쉽게 풀이)

1. "무작위"가 정답이다: AI 는 고정된 자리에 앉지 않는다

• 일반적인 생각: "가장 비싼 3 번 직원을 AI 로 바로 바꾸자!" 또는 "가장 쉬운 1 번 직원을 바꾸자!"
• 논문의 결론: 아니요. 팀장은 AI 를 **무작위 (랜덤)**로 배치해야 합니다.
• 비유: 마치 카지노에서 룰렛을 돌리는 것처럼, 어떤 프로젝트에서는 1 번을 AI 가 하고, 다른 프로젝트에서는 3 번을 AI 가 해야 합니다.
• 이유: 특정 직원을 100% AI 로 바꾸면, 나머지 팀원들이 "아, 저 사람은 AI 로 바뀌었구나. 그럼 내가 게으름을 피워도 뒤쪽이 알아서 해줄 거야 (혹은 내가 게으름을 피워도 AI 가 알아서 해줄 거야)"라고 생각하며 동기부여가 떨어집니다. 하지만 누가 AI 가 될지 모른다면, 모든 사람은 "내가 게으르면 팀 전체가 망할 수 있어"라는 긴장감을 유지하게 됩니다.
  • 실제 적용: "오늘은 AI 가 일하고, 내일은 사람이 일한다"거나 "A 프로젝트는 AI 가, B 프로젝트는 사람이 한다"는 식으로 일정을 섞어서 사용하는 것이 가장 좋습니다.

2. "중간"은 절대 건드리지 마세요: 정보의 교량

• 누가 위험한가? 팀의 **맨 앞 (1 번)**과 **맨 뒤 (3 번)**가 AI 로 대체될 확률이 높습니다.
• 누가 안전한가? **정중앙 (2 번)**은 절대 AI 로 대체되지 않습니다.
• 비유: 팀은 다리와 같습니다. 1 번과 3 번은 다리 양 끝의 기둥이고, 2 번은 그 사이를 잇는 중심 기둥입니다.
  • 만약 2 번을 AI 로 바꾸면, 1 번과 3 번 사이의 연결이 끊어집니다. 1 번이 게으름을 피우면 3 번이 그걸 모르게 되어, 3 번도 게으름을 피울 수 있습니다.
  • 하지만 1 번이나 3 번을 AI 로 바꾸면, 2 번이 여전히 1 번과 3 번을 연결하며 감시 (모니터링) 역할을 할 수 있습니다.
  • 결론: 정보와 감시의 흐름을 끊지 않기 위해, '중간' 사람은 반드시 사람으로 남아야 합니다.

3. AI 를 다 쓰지 않는 게 낫다: "아직은 안 써도 돼"

• 일반적인 생각: "AI 가 있는데 다 써야지! 돈 아끼는 거잖아."
• 논문의 결론: 때로는 AI 를 일부만 쓰거나, 아예 안 쓰는 게 더 이득일 수 있습니다.
• 이유: AI 를 100% 다 쓰면, 팀원들은 "어차피 AI 가 일할 거니까 내가 게으름을 피워도 성공 확률이 떨어지지 않아"라고 생각하게 됩니다. 이렇게 되면 팀장은 사람들을 더 많이 일하게 하려면 더 높은 급여를 줘야 합니다.
  • 하지만 AI 를 일부만 쓰면, 팀원들은 "혹시 AI 가 내 일을 대신할까? 아니면 내가 해야 할까?"라는 불확실성을 느끼게 됩니다. 이 불확실성이 사람들을 더 열심히 일하게 만드는 '공포'가 되어, 오히려 급여를 덜 주면서도 일을 잘하게 할 수 있습니다.

4. 급여는 어떻게 변할까?: "격차는 줄어든다"

• 급여 변화:
  • 맨 앞 (1 번) 과 중간 (2 번): 급여가 올라갑니다. (AI 가 뒤를 대신할 수 있다는 불안감 때문에 더 일하게 하려면 돈을 더 줘야 함)
  • 맨 뒤 (3 번): 급여는 변하지 않습니다. (이미 가장 높은 급여를 받던 사람이라 AI 가 뒤를 대신해도 변할 게 없음)
• 결과: 팀 내 급여 격차가 줄어듭니다.
  • 기존에는 "맨 뒤가 가장 많이 받고, 앞이 가장 적게 받음" (격차 큼)
  • AI 도입 후: "맨 뒤는 그대로고, 앞과 중간은 오름" (격차 축소)
  • 의미: AI 가 도입된다고 해서 모든 사람이 해고되거나 임금이 깎이는 것은 아닙니다. 오히려 낮은 임금을 받던 사람들이 더 많은 돈을 받게 되어, 팀 내 불평등이 줄어들 수 있습니다.

---

💡 요약: 팀장님을 위한 3 가지 교훈

1. 고정된 자리 대신 '로테이션'을 하라: AI 를 특정 사람만 대체하게 하지 말고, 프로젝트나 시간에 따라 무작위로 사람을 AI 와 섞어 쓰세요. (사람의 긴장감을 유지하기 위함)
2. 중간을 보호하라: 팀의 연결고리 역할을 하는 중간 인력은 절대 AI 로 바꾸지 마세요. 그들이 있어야 팀원들이 서로 감시하고 동기부여를 유지합니다.
3. AI 를 다 쓰지 마라: AI 가 있다고 해서 다 쓸 필요는 없습니다. 일부만 쓰거나 아예 안 쓰는 전략이 오히려 팀원들의 동기를 자극하고 비용을 아낄 수 있습니다.

한 줄 요약:

"AI 를 팀에 넣을 때는 **'누구를'보다 '어떻게 섞을지'**가 중요하며, 중간 연결고리는 사람으로 남겨두고, 무작위로 섞어 쓰면 팀원들의 급여 격차는 줄어들고 팀은 더 잘 돌아갑니다."

기술 요약

1. 연구 문제 (Problem)

조직이 인공지능 (AI) 을 도입할 때, 기존 팀 구조와 인센티브 체계에 어떤 영향을 미치는지 규명하는 것이 핵심 문제입니다. 기존 연구들은 주로 개별 근로자의 생산성 변화나 고용 대체 효과에 초점을 맞추었으나, 팀 내 상호작용 (특히 동료 감시, Peer Monitoring) 과 정보 흐름 을 고려한 AI 의 전략적 도입 방식은 충분히 연구되지 않았습니다.

저자들은 다음과 같은 구체적인 질문을 던집니다:

1. 주어진 제한된 AI 자원을 팀 내에서 어떻게 최적화하여 인간 근로자를 대체해야 하는가?
2. 작업 순서 (시퀀스) 상의 위치가 근로자의 AI 대체 위험과 임금에 어떤 영향을 미치는가?
3. 주체는 항상 모든 AI 자원을 활용해야 하는가, 아니면 일부 자원을 비활성화 (Slack) 하는 것이 전략적으로 유리한가?
4. 최적의 AI 도입이 팀 내 임금 불평등에 어떤 영향을 미치는가?

2. 방법론 (Methodology)

저자들은 Winter (2010) 의 팀 생산 모델을 기반으로 한 순차적 팀 생산 (Sequential Team Production) 모델을 개발했습니다.

• 모델 설정:

  • 주체 (Principal): 프로젝트 성공을 위해 팀을 관리하며, 계약 (임금) 을 설계합니다.
  • 근로자 (Workers): $n$명의 근로자가 순차적으로 작업을 수행하며, 각자는 이전 근로자의 노력 (Effort) 을 관찰합니다.
  • 노력 결정: 근로자는 노력 ($e_i=1$) 을 하거나 게으름 ($e_i=0$) 을 부릴 수 있습니다. 노력 비용은 $c$입니다.
  • 프로젝트 성공: $k$명의 근로자가 노력할 때 성공 확률 $p_k$가 결정되며, $p_k$는 노력하는 근로자 수가 증가함에 따라 증가합니다 (상호 보완성).
  • AI 에이전트: AI 는 인간과 동일한 비용 ($c$) 으로 작업을 수행하지만, 도덕적 해이 (Moral Hazard) 가 존재하지 않아 항상 노력합니다.
  • 정보 비대칭: 근로자는 자신의 전임자가 인간인지 AI 인지 구분할 수 없으며, 오직 전임자의 노력 여부 (성공/실패) 만 관찰합니다.

• 주체의 의사결정:

  • 주체는 각 근로자 $i$를 AI 로 대체할 확률 $x_i$를 결정합니다 ($\sum x_i \le 1$, 제한된 AI 자원).
  • 주체는 근로자들의 노력 유도를 위한 최적의 보상 체계 (임금 $w$) 를 설계하며, 총 기대 보상 비용을 최소화합니다.

• 해석 전략:

  • 동기 부여 메커니즘: Winter (2010) 의 '트리거 전략 (Trigger Strategy)'을 사용합니다. 즉, 전임자가 게으름을 부리면 후임자들도 모두 게으름을 부리는 '도미노 효과'를 통해 모든 근로자의 노력을 유도합니다. AI 도입은 이 정보 흐름과 도미노 효과를 어떻게 교란시키는지가 핵심 분석 대상입니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

가. 최적 대체 전략: 무작위화 (Randomization)

• 결론: 주체는 특정 직무를 확정적으로 대체하는 것이 아니라, 확률적 (무작위) 으로 근로자를 AI 로 대체하는 전략이 최적입니다.
• 이유: 순수 전략 (특정 위치를 100% 대체) 은 정보 흐름을 단절시키거나 인센티브 비용을 비효율적으로 만듭니다. 무작위화는 "어떤 근로자가 대체될지"뿐만 아니라 "대체 자체가 일어날지"에 대한 불확실성을 창출하여, 주체가 근로자의 게으름 유인을 조절하는 데 전략적 이점을 얻게 합니다.
• 실제 적용: 이는 근로자를 완전히 해고하는 것이 아니라, 프로젝트나 교대 근무 (Shift) 단위로 AI 와 인간이 교차하여 작업하는 '하이브리드 팀' 형태를 의미합니다.

나. 대체 위험의 위치적 차이 (Positional Risk)

• 결론: 3 인 팀 (선두, 중간, 후미) 을 기준으로 할 때, 중간 근로자는 절대 대체되지 않습니다 ($x_2=0$). 반면, 선두 (Front-most) 와 후미 (End-most) 근로자는 대체 위험을 겪으며, 특히 후미 근로자의 대체 확률이 가장 높습니다.
• 이유:
  • 중간 근로자: 팀 내 정보 흐름 (동료 감시) 의 연결고리 역할을 합니다. 이 사람이 AI 로 대체되면 도미노 효과가 끊어져 팀 전체의 동기 부여가 무너집니다.
  • 후미 근로자: 후임자가 없으므로 게으름을 부려도 후임자에게 영향을 주지 않습니다. 따라서 AI 로 대체했을 때의 직접적 비용 절감 효과가 크고, 간접적 인센티브 비용 (선임자들의 동기 저하) 이 상대적으로 적습니다.
  • 선두 근로자: 후임자 모두에게 영향을 미치지만, 후미 근로자보다는 대체 확률이 낮습니다.

다. AI 자원 활용의 전략적 비활성화 (Strategic Underutilization)

• 결론: 주체는 가용한 AI 자원을 전부 사용하지 않을 (Underutilize) 수도 있습니다.
• 이유: 모든 자원을 활용하면 (즉, 항상 AI 가 투입됨), 근로자들은 "내가 게으름을 부려도 프로젝트는 AI 로 인해 일정 수준 성공할 것"이라고 기대하게 되어 게으름 유인이 커집니다. 이를 막기 위해 높은 임금을 지급해야 하므로, 오히려 일부 AI 자원을 비활성화하여 불확실성을 유지하는 것이 비용 효율적일 수 있습니다.

라. 임금 및 불평등 효과 (Wage & Inequality Effects)

• 임금 변화:
  • 선두 및 중간 근로자: 임금이 상승합니다. (후임자가 AI 로 대체될 확률이 있어 게으름 유인이 커지므로, 이를 억제하기 위해 임금을 올려야 함).
  • 후미 근로자: 임금은 변화 없음. (후임자가 없으므로 AI 도입이 게으름 유인에 영향을 주지 않음).
• 임금 불평등:
  • 기존에는 후미 근로자가 가장 높은 임금을 받는 계층적 구조였으나, AI 도입 후 팀 내 임금 격차 (Gap) 가 축소됩니다.
  • 이는 저임금 근로자의 임금이 상승하면서 고임금 근로자의 임금은 그대로 유지되기 때문입니다.

마. 확장 분석 (Extensions)

• 작업 보완성 (Task Complementarity): 작업 간 보완성이 높을수록 (O-ring 생산 함수) AI 가 임금 불평등을 줄이는 효과는 약해집니다.
• 작업 단위 대체 (Task-based Substitution): AI 가 근로자의 일부 작업만 대체하는 경우, 주체는 전체 작업을 대체하는 것을 선호합니다. 부분 대체는 감시 효과를 약화시켜 비용이 더 들기 때문입니다.
• 네트워크 구조: 별 (Star) 구조에서도 정보 흐름의 핵심 (중앙 관리자) 은 대체되지 않으며, 주변부 근로자가 대체 위험을 겪습니다.
• 전략적 AI: AI 가 인간의 행동을 모방하여 게으름을 부릴 수 있도록 프로그래밍될 수 있다면, 주체는 AI 를 무조건적으로 노력하게 하는 것보다 전략적으로 게으름을 부리게 하는 것을 선호할 수 있습니다 (이는 감시 비용을 절감하기 위함).

4. 의의 및 시사점 (Significance)

1. 이론적 기여: 기존 AI 연구가 개별 근로자나 거시적 고용에 집중했던 것과 달리, 팀 내 인센티브 구조와 정보 흐름을 중심으로 AI 도입의 미시적 메커니즘을 규명했습니다. 특히 동료 감시 (Peer Monitoring) 가 AI 도입에 의해 어떻게 교란되고 재설계되어야 하는지를 보여줍니다.
2. 실무적 시사점:
   • 단순 비용 절감 전략의 위험: 고임금 근로자 (후미) 를 무조건 대체하려는 시도는 간접 비용 (팀 전체 동기 저하) 을 증가시켜 비효율적일 수 있습니다.
   • 확률적 도입의 필요성: AI 를 고정적으로 도입하기보다, 프로젝트나 교대 근무별로 무작위적으로 도입하여 인간 - AI 협업의 유연성을 확보하는 것이 생산성과 비용 면에서 유리합니다.
   • 중간 관리자의 보호: 팀의 정보 흐름을 담당하는 핵심 인력 (중간 근로자) 은 AI 로부터 보호해야 팀의 전체적 효율성이 유지됩니다.
   • 임금 정책: AI 도입은 팀 전체의 임금 수준을 높이고 불평등을 완화할 수 있음을 시사하며, 관리자는 AI 도입 후에도 팀 전체의 임금 조정이 필요함을 인지해야 합니다.

이 논문은 AI 가 단순히 인간을 대체하는 도구가 아니라, 조직의 인센티브 구조와 정보 네트워크를 재편성해야 하는 전략적 요소임을 강조하며, 최적의 AI 도입을 위해서는 무작위성 (Randomization) 과 정보 흐름의 보존이 필수적임을 증명합니다.