인간-기계 시스템이 고정된 수준의 AI 자율성으로 작동하는 경우는 드뭅니다. 작업자와 AI 시스템이 시간에 따라 협업함에 따라 제어권의 이동이 필요합니다. 즉, 협업이 안정적일 때는 AI가 더 많은 책임을 맡을 수 있고, 근거가 모호할 때는 현재의 역할을 유지하며, 조건이 악화될 때는 인간에게 제어권을 반환할 수 있습니다. 적응형 자동화, 감독 제어, 자동화에 대한 신뢰, 탈숙련화(deskilling)에 관한 기존 연구는 이 문제의 일부를 설명하지만, 다중 주기 워크플로 전반에서 언제 자율성이 변경되어야 하는지를 통제하기 위한 감사 가능하고 다중 신호 기반의 기준을 제공하지는 못합니다. 본 연구에서는 이 과제를 핸드오버 문제(Handover Problem)로 공식화합니다. 이는 프로세스를 가역적이고 복구 가능하며 감사 가능하게 유지하면서, 각 운영 주기마다 AI 자율성을 격상할지, 유지할지, 또는 되돌릴지를 결정하는 문제입니다. 우리는 작업자 준비도, 인간-AI 신뢰, 학습 안정성, 운영 성능이라는 네 가지 신호 차원을 통합하는 투명한 복합 척도인 핸드오버 준비도 점수(HRS)를 도입합니다. 이는 자율성을 높이기 전에는 지속적인 긍정적 증거를 요구하지만 조건이 악화될 때는 즉각적으로 되돌리는 이력현상(hysteresis) 기반 전이 정책과 결합됩니다. 소프트웨어 공학 및 제조 분야 전반에 걸쳐, HRS와 엄격한 안전 보호 장치(safety guard)는 상호 보완적인 실패 영역을 해결합니다. 즉, 보호 장치는 단일 지표가 임계값을 위반할 때 즉각적인 시정 조치를 강제하는 반면, HRS는 개별 보호 장치로는 관찰할 수 없는 작업자 준비도의 느리고 다중 신호에 걸친 저하를 감지합니다. 이 프레임워크는 자율성 핸드오버를 명시적이고 복합적이며 감사 가능한 기준이 필요한 거버넌스 문제로 확립합니다. 이는 기존의 적응형 자동화 연구에서 제공하지 못했던 개념적 및 형식적 기반을 제공합니다.
본 논문은 인간과 AI 시스템 간 정책 인식(policy-aware) 적응형 업무(task) 배분을 위한 시뮬레이션 및 의사결정 지원 도구인 HAAS Studio를 제시한다. HAAS Studio는 HAAS 프레임워크를 대화형 환경(environment)으로 전환하여 실용적인 배포 질문에 답할 수 있게 한다. 즉, 워크플로에 AI를 도입하기 전에 팀이 어떻게 배분 전략을 비교하고, 거버넌스(governance) 트레이드오프를 검토하며, 방어 가능한(defensible) 업무 수준의 운영 모델(model)을 도출할 수 있는가 하는 문제다. 이 도구는 하위 업무(subtask)에 대한 5차원 인지 표현, 5모드 협업 스펙트럼, multi-armed bandit(다중 팔 밴딧)(UCB1, Discounted UCB, LinUCB, Thompson Sampling)을 이용한 적응형 배분, oracle counterfactual regret 분석, 4개의 독립적 가드(guard)를 갖춘 계약 기반 거버넌스, 효율적인 전략과 배포 가능한 옵션을 구분하는 다기준 의사결정 지원 층(layer)을 결합한다. 또한 6개 층에 걸친 인간-AI 공진화(coevolution)를 모델링하고, 슬라이딩 윈도우 노출 지표와 벤치마크(benchmark) 러너(runner)를 통해 deskilling(기술 저하) 위험을 모니터링하며, Live Twin 및 Planning 모듈을 통한 지속적 작업자(worker) 모델링을 지원한다. 3개의 도메인 팩(pack)이 포함된다: 소프트웨어 공학, 제조, 의료. 각각은 업무 카탈로그, 작업자 프로필, KPI 어휘를 제공하며, 아키텍처는 시뮬레이션 코어를 수정하지 않고도 새 도메인을 추가할 수 있게 한다. 릴리스에는 16개 회사 프로필과 6개 거버넌스 벤치마크 스위트(suite)가 포함된다. 본 논문은 모델링 가정, 계층형 아키텍처, 상호작용 워크플로, 내장 증거 자산, 업무 지향 레시피(recipe), 사례 연구 프로토콜, 간결한 재현 가능한 데모(demonstration) 스냅샷 등을 포함하여 도구 자체에 초점을 맞춘다. 의사결정 가이던스 층은 구조화된 패턴, 휴리스틱(heuristic), 의사결정 행렬(matrix)을 통해 벤치마크 출력을 배포 결정으로 변환한다.