💻 computer science

The efficiency-gain illusion: People underestimate the rate of AI use and overestimate its benefits on simple tasks

2,691 명의 참가자를 대상으로 한 세 가지 사전 등록 연구를 통해 본 논문은 사람들이 자신의 사용량을 과소평가하면서 시간과 노력 절감 효과를 과대평가하는 이중 오보정 때문에 단순 작업에 AI 를 빈번하고 비효율적으로 의존하며, 이러한 편향은 세션 수준의 전이 효과에 의해 더욱 강화됨을 밝힌다.

원저자: Sunny Yu, Myra Cheng, Ahmad Jabbar, Ilia Sucholutsky, Katherine M. Collins, Dan Jurafsky, Robert D. Hawkins

게시일 2026-05-22

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Sunny Yu, Myra Cheng, Ahmad Jabbar, Ilia Sucholutsky, Katherine M. Collins, Dan Jurafsky, Robert D. Hawkins

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

다음은 '효율성 증가의 착시'라는 논문을 쉬운 언어와 창의적인 비유를 사용하여 설명한 내용입니다.

핵심 아이디어: 마법이 아닌 '마법 같은 지름길'

강을 건너려 한다고 상상해 보세요. 다리가 있습니다 (직접 작업을 수행하는 것) 그리고 마법 요정 카펫이 있습니다 (AI 사용). 대부분의 사람들은 요정 카펫이 항상 더 빠르고 쉽다고 가정합니다. 그들은 "요정 카펫을 타면 시간과 에너지를 절약할 수 있겠지!"라고 생각합니다.

이 논문은 실제로 여정 시간을 재기로 결정한 연구자 그룹과 같습니다. 그들은 놀라운 진실을 발견했습니다: 간단하고 짧은 여정에서는 요정 카펫이 종종 걷는 것보다 더 오래 걸리며, 사람들은 이것이 지름길이라고 완전히 속아 넘어갑니다.

연구자들은 이를 **'효율성 증가의 착시 (Efficiency-Gain Illusion)'**라고 부릅니다. 이는 AI 가 우리를 얼마나 도와주는지 과대평가하고, 실제로 얼마나 자주 사용하는지 (심지어 그것이 나쁜 아이디어일 때조차) 과소평가하는 정신적 함정입니다.

세 가지 실험 (지금까지의 이야기)

연구자들은 왜 우리가 속도가 느려질 때도 여전히 '요정 카펫'에 탑승하는지 파악하기 위해 약 3,000 명을 대상으로 세 가지 대규모 연구를 수행했습니다.

연구 1: "내가 하지 않을 거야"라는 거짓말

배경: 그들은 사람들에게 두 가지 질문을 했습니다:

"간단한 작업 (예: 두 숫자 더하기) 을 해야 한다면 AI 를 사용하겠습니까?"
그런 다음 실제로 사람들에게 작업을 수행하게 하고 그들이 무엇을 하는지 관찰했습니다.

발견: 사람들은 자신의 습관을 예측하는 데 매우 서툴렀습니다.

예측: 사람들은 "아, 간단한 일에는 AI 를 20% 정도만 사용할 거예요. 저는 스스로 처리할 수 있어요"라고 말했습니다.
현실: 실제로 작업을 수행했을 때, 사람들은 38% 의 경우에 AI 를 사용했습니다.
비유: 마치 누군가 "나는 당분 중독자가 아니야, 쿠키 하나만 먹을 거야"라고 말하는 것과 같습니다. 하지만 쿠키 통이 바로 앞에 있으면 세 개를 먹어버립니다. 우리는 독립적이라고 주장하지만, AI 버튼이 바로 앞에 있으면 우리가 인정하는 것보다 훨씬 더 자주 클릭합니다.

연구 2: '속도계' 고장

배경: 그들은 사람들에게 AI 를 사용할 때와 사용하지 않을 때 작업이 얼마나 걸릴지 추측하게 한 다음, 실제 결과를 측정했습니다.

발견: 사람들은 머릿속에 고장 난 속도계를 가지고 있습니다.

착시: 사람들은 AI 가 작업 시간을 약 56 초 절약해 줄 것이라고 예측했습니다.
현실: AI 는 실제로 7.5 초만 절약해 주었습니다. 사실, 매우 간단한 작업 (예: "흰색과 검은색을 섞으면 무슨 색이 되나요?") 의 경우 AI 를 사용하면 오히려 작업이 약 10 초 더 느려졌습니다.
이유: 간단한 작업에 AI 를 사용하는 '마찰'이 너무 큽니다. 다음 단계를 거쳐야 합니다:
1. 프롬프트를 입력합니다.
2. AI 가 생각할 때까지 기다립니다.
3. 답변을 읽습니다.
4. 복사해서 붙여넣습니다.
- 비유: 다음 집 우편함까지 걸어가야 한다고 상상해 보세요. 대신 차를 타고 가기로 결정합니다. 차까지 걸어가고, 시동을 켜고, 한 블록을 운전하고, 주차하고, 다시 걸어와야 합니다. 차 (AI) 는 강력하지만 10 초 거리 걷기에 차는 엄청난 시간 낭비입니다. 그럼에도 우리는 차를 '초고속' 도구라고 생각합니다.

연구 3: '눈덩이 효과'

배경: 그들은 사람들을 두 그룹으로 나눴습니다. 한 그룹은 처음 몇 가지 작업을 AI 를 사용하여 수행했고, 다른 그룹은 혼자 수행했습니다. 그런 다음 모두에게 새로운 작업을 주고 무엇을 선택하는지 관찰했습니다.

발견: 한 번 AI 를 사용하면 그것이 나쁜 아이디어일지라도 다시 사용할 가능성이 더 높아집니다.

효과: 처음에 AI 를 사용한 사람들은 다음 간단한 작업에서도 AI 를 다시 사용할 가능성이 훨씬 더 높았습니다.
함정: 그들은 더 자주 사용할 뿐만 아니라, 데이터가 그렇지 않음을 보여줌에도 불구하고 AI 가 더 빠르다고 더 확신하게 되었습니다.
비유: 새로운 비디오 게임 컨트롤러를 써보는 것과 같습니다. 첫 번째 레벨에서 그것을 사용하면 잡는 법에 익숙해집니다. 다음 레벨에는 예전 컨트롤러가 실제로 더 나을지라도, 이미 손에 들고 있기 때문에 새 것을 계속 사용합니다. "이 새 컨트롤러가 분명 더 빠를 거야"라고 스스로를 설득합니다. 비록 당신이 더 느려졌더라도요. 이는 우리가 AI 에 의존하게 되고, 그것이 도움이 된다고 믿는 동시에 실제로는 효율성을 떨어뜨리는 순환 고리를 만듭니다.

우리가 저지르는 두 가지 주요 실수

이 논문은 우리의 뇌가 속는 두 가지 구체적인 방식을 식별합니다:

"내가 사용하지 않을 거야"라는 맹점: 우리는 합리적이며 어려운 일에만 AI 를 사용할 것이라고 생각합니다. 하지만 실제로는 쉬운 일에도 AI 를 사용하며, 종종 얼마나 자주 사용하는지 깨닫지 못합니다.
"마법 같은 속도" 환각: 우리는 AI 가 문제를 즉시 해결해주는 터보 부스터라고 상상합니다. 실제로는 간단한 작업의 경우 AI 와 대화하는 데 걸리는 시간 (입력, 대기, 읽기) 이 직접 수학 문제를 풀거나 문장을 쓰는 것보다 더 깁니다.

결론

이 논문은 우리가 과도한 의존의 피드백 고리에 갇혀 있다고 결론 내립니다.

우리는 간단한 작업에 AI 를 너무 많이 사용합니다.
우리는 그것이 시간을 절약해 준다고 생각합니다 (그렇지 않습니다).
시간을 절약해 준다고 생각하기 때문에 다시 사용합니다.
이는 우리가 스스로 일을 하는 능력을 떨어뜨리게 하고, AI 가 마법 같은 지름길이라는 착시에 갇히게 만듭니다. 비록 그것이 단지 우회로일지라도요.

연구자들은 이를 해결하기 위해 스스로 일을 하는 것이 항상 '어려운' 선택이 아님을 깨달아야 한다고 제안합니다. 때로는 '쉬운' 버튼 (AI) 이 간단한 작업에 가는 가장 어려운 길일 수 있습니다.

기술 요약: AI 지원 단순 작업에서의 효율성 향상 착시

문제 제기

대규모 언어 모델 (LLM) 이 코딩부터 개인 조언에 이르기까지 다양한 작업에 보편적으로 활용됨에 따라, AI 가 생산성을 극적으로 향상시킨다는 주류 서사가 지배적입니다. 그러나 최근 증거들은 AI 지원이 항상 시간이나 노력을 절약해 주지는 않음을 시사합니다. 본 논문은 산술, 철자 검사, 사실적 회상과 같은 인지적으로 단순한 작업에서 인간이 AI 에 의존하는 의사결정 메커니즘을 조사합니다. 구체적으로, 사용자들이 AI 에 대한 의존도를 정확하게 보정하는지, 그리고 그들의 사용 패턴이 리소스 합리성 원칙 (내부 인지 비용이 외부 지원 비용보다 초과될 때만 작업을 위임함) 과 부합하는지 여부를 다룹니다. 핵심 문제는 체계적인 보정 오류가 존재할 가능성으로, 사용자들이 AI 의 효율성 향상을 과대평가하여 지원 없이도 빠르게 완료할 수 있는 작업에서도 비효율적으로 사용하는 경우입니다.

방법론

저자들은 Prolific 을 통해 모집한 총 2,691 명 ( $N = 2,691$ ) 의 참가자를 대상으로 한 세 가지 대규모 사전 등록 사용자 연구를 수행했습니다. 연구들은 인지 부조화와 자기 보고식 선호도에 영향을 미치는 전이 편향을 피하기 위해 피험자 간 설계를 활용했습니다.

작업 구성: 연구자들은 사용자 요구 및 행동 분류 (TUNA) 에서 파생된 24 가지 작업을 구성하여 정보 탐색, 정보 처리, 절차적 안내, 콘텐츠 생성이라는 네 가지 범주를 다루었습니다. 각 작업은 '쉬운' 변형과 '어려운' 변형을 갖도록 설계되었으며, 모두 지원 없이 5 분 이내에 완료할 수 있도록 고안되었습니다.
연구 1 (자기 추정 보정 오류): 참가자들은 AI 채팅봇 (GPT-4o) 사용 옵션과 함께 네 가지 작업을 완료했습니다. 참가자들의 실제 AI 사용 행동 선택은 독립적 완료 대 AI 지원 완료를 선호한다고 밝힌 별도의 참가자 표본에서 도출된 '예측률'과 비교되었습니다.
연구 2 (효율성 향상 착시): 이 연구는 예측된 시간 및 노력과 실제 시간 및 노력을 비교했습니다.
- 예측 표본 ( $N=600$ ): 참가자들은 독립적 완료 대 AI 또는 다른 인간 참가자와의 완료를 위해 필요한 시간과 정신적 노력 (NASA-TLX 척도를 통해 측정) 을 예측했습니다.
- 완료 표본 ( $N=1,001$ ): 참가자들은 무작위로 독립적으로 또는 AI 와 함께 작업을 완료하도록 배정되었습니다. 실제 완료 시간은 숨겨진 타이머를 통해 기록되었고, 노력은 자기 보고식으로 측정되었습니다.
연구 3 (전이 효과): 참가자들은 '노출 단계'에서 난이도에 따라 독립적으로 또는 AI 와 함께 두 가지 작업을 완료했습니다. 이후 '테스트 단계'에 들어와 후속 AI 채택률과 시간/노력 절감에 대한 보정 정도를 측정했습니다.

주요 기여 및 결과

1. 자기 추정 보정 오류

연구는 예측된 AI 사용률과 실제 AI 사용률 사이에 상당한 격차가 있음을 확인했습니다.

결과: 인구 수준의 실제 AI 사용률은 **47%**로, 예측된 **33%**보다 유의하게 높았습니다.
미묘한 차이: 이 보정 오류는 쉬운 작업 변형에서 가장 두드러졌습니다. 참가자들은 쉬운 작업에 대한 사용률을 20% 로 예측했으나 실제로는 38% 의 빈도로 AI 를 사용했습니다. 어려운 작업의 경우 격차는 더 작았습니다 (예측 46% 대 실제 57%).
함의: 사람들은 독립적으로 작업하기를 선호한다고 주장함에도 불구하고, 단순 작업에서 AI 에 의존할 자신의 성향을 체계적으로 과소평가합니다.

2. 효율성 향상 착시

참가자들은 '효율성 향상 착시'라고 불리는 AI 의 이점에 대한 왜곡된 신념을 가지고 있었습니다.

가속 착시: 참가자들은 AI 가 작업당 평균 55.7 초를 절약할 것이라고 예측했습니다. 실제로는 AI 지원이 평균 7.5 초만 절약했습니다. 쉬운 작업의 경우, 인터페이스 마찰 (프롬프트 입력, 응답 생성, 처리) 로 인해 AI 가 독립적 작업보다 오히려 완료 시간을 10 초 늦췄습니다.
위임 착시: 참가자들은 독립적으로 작업을 완료하는 데 필요한 정신적 노력을 과대평가했습니다 (7 점 척도 NASA-TLX 에서 예측 2.66 대 실제 2.36) 반면, AI 사용의 낮은 노력은 정확하게 추정했습니다. 이로 인해 노력 절감분이 과대평가되었습니다.
AI 특이성: 이러한 착시는 AI 에 특이적이었습니다. 참가자들이 다른 인간의 지원을 예측했을 때, 예상된 시간 절약분은 AI 에 대해 예측된 것보다 유의하게 작았으며, 이는 AI 효율성에 대한 독특한 편향을 나타냅니다.

3. 과의존 피드백 루프

연구 3 은 AI 에 대한 이전 노출이 보정 오류를 악화시키고 미래 의존도를 증가시킨다는 것을 보여주었습니다.

전이 효과: 노출 단계에서 AI 를 사용한 참가자들은 독립적으로 작업을 완료한 참가자 (27.7%) 에 비해 후속 테스트 단계에서 AI 를 사용할 가능성이 유의하게 높았습니다 (44.5%).
편향 강화: AI 에 대한 노출은 사용자의 신념을 교정하지 못했습니다. 오히려 '가속 착시' (AI 를 사용하면 작업이 더 빠르다는 신념) 에 대한 동의를 증가시켰습니다.
비효율성 지속: 노출 후에도 테스트 단계에서 AI 를 선택한 사람들은 독립적으로 작업한 사람들보다 더 많은 시간 (7.06 초 더 오래) 을 소비하고 더 높은 노력을 보고했습니다.

중요성 및 주장

본 논문은 AI 주도 효율성이라는 서사에 도전하는 인간-AI 상호작용 내 특정 인지 편향에 대한 증거를 제공한다고 주장합니다.

과의존 메커니즘: 저자들은 '효율성 향상 착시'가 피드백 루프를 생성한다고 주장합니다. 사용자는 AI 가 시간을 절약한다고 믿기 때문에 AI 사용을 습관화하며, 실제로는 그렇지 않더라도 이를 계속합니다. 이러한 보정 오류를 인지하지 못하기 때문에 행동 변화를 위한 동기가 부족합니다.
인지적 위험: 이 연구는 이러한 과의존과 관련된 위험을 강조하며, 여기에는 인지적 기능 저하, 독립적 수행에 대한 자신감 감소, 학습 능력 저하 등이 포함됩니다.
개입 지점: 저자들은 이러한 보정 오류를 해결하는 것이 중요한 개입 지점이라고 제안합니다. 그들은 단순한 AI 노출이 보정을 개선하지 못하며, 오히려 독립적 사고를 장려하고 더 건강하고 효율적인 AI 사용을 촉진하기 위해 신념 수준에서의 개입이 필요하다고 봅니다.
리소스 합리성: 연구 결과는 현재 인간-AI 상호작용이 종종 리소스 합리성을 위반함을 시사합니다. 사용자는 작업을 수행하는 내부 비용이 도구 사용 비용보다 낮음에도 불구하고 외부 도구에 작업을 위임합니다.

본 논문은 AI 가 '사고 파트너'로서의 잠재력을 지니고 있지만, 효율성 향상과 관련된 왜곡된 정신 모델로 인해 단순 작업에 대한 현재의 배포는 종종 역효과를 낳는다고 결론지었습니다.