우리는 AI 자동화가 (i) 소수의 업무 집합에서 AI 역량이 급격히 급증하는 급격한 파도(crashing waves)와 (ii) AI 역량의 증가가 더 연속적이고 광범위한 서서히 차오르는 밀물(rising tides) 사이의 연속체(continuum)라고 제안한다. 미국 노동부 O*NET 분류에서 파생된 3,000개 이상의 광범위한 텍스트 기반, 즉 대규모 언어 모델(LLM)로 처리 가능한 업무에 걸친 AI 역량에 대한 진행 중인 평가의 예비 증거를 통해 이러한 효과를 검증한다. 해당 직종 근로자들의 17,000건 이상의 평가를 바탕으로, 급격한 파도에 대한 증거는 거의 없으며(METR의 최근 연구와 대조적으로), 서서히 차오르는 밀물이 AI 자동화의 주된 형태라는 상당한 증거를 확인한다. AI 성능은 광범위한 업무 전반에서 높으며 빠르게 개선되고 있다. 2024년 2분기에는 AI 모델이 인간이 약 3~4시간 소요하는 업무를 약 50%의 성공률로 완료하는 것으로 추정되며, 2025년 3분기에는 약 65%로 증가한다. 최근 AI 역량 성장 추세가 지속된다면, 이러한 AI 개선 속도는 LLM이 2029년까지 최소한 충분한 품질 수준에서 대부분의 텍스트 관련 업무를 평균 80%~95%의 성공률로 완료할 수 있음을 시사한다. 이 품질 수준에서 거의 완벽한 성공률을 달성하거나, 더 높은 품질에서 동등한 성공률을 달성하는 데는 추가로 수년이 더 필요할 것이다. 이러한 AI 역량 향상은 조직이 AI를 도입함에 따라 경제와 노동 시장에 영향을 미칠 것이며, 그 타임라인은 상당히 더 길 수 있다.
생성형 AI(generative AI)와 로우코드(low-code) 워크플로 플랫폼이 소프트웨어 실무에서 일상화됨에 따라, 차세대 컴퓨터 공학자들이 이러한 도구를 유용하고 사용 가능하며 지속적으로 활용할 가치가 있는 것으로 수용할 것인지가 핵심적인 교육적 질문으로 떠오르고 있다. 본 논문은 태국에서 동일한 스크립트로 진행된 세 차례의 워크숍(n = 103)에서 오픈소스 플랫폼 n8n을 통해 구현된 AI 자동화 툴링에 대한 컴퓨터공학 학부생들의 수용도를 혼합 방법론 횡단 연구로 보고한다. TAM/UTAUT의 여섯 가지 구성 요인—성과 기대(PE), 노력 기대(EE), 행동 의도(BI), 자기 효능감(SE), 쾌락적 동기(HM), 출력 품질(OQ)—에 매핑된 12문항 5점 리커트 척도 도구를 사용하였으며, 개방형 피드백에 대한 귀납적 주제 분석을 병행하였다. 분석에는 서열형 신뢰도 추정, 부트스트랩 신뢰구간, 비모수 검정, 다중 비교 보정 상관분석, 다분형 차원성 진단, 동일 방법 편향 검증, 세션 간 비교가 포함되었다. 수용도는 여섯 구성 요인 모두에서 큰 효과 크기와 함께 긍정적으로 나타났으며, PE가 가장 강한 구성 요인으로, HM이 가장 약한 구성 요인으로 확인되었다. 차원성 진단을 통해 이 단기 사후 워크숍 맥락에서 TAM/UTAUT의 정준 하위 요인들이 단일 일반 수용 요인으로 수렴된다는 사실이 밝혀졌으며, 이는 방법론적·이론적으로 중요한 시사점을 지닌다. 질적 주제는 유용성 및 열의 측면에서 양적 프로파일과 수렴하였으나, 출력 품질 측면에서는 신뢰성에 회의적인 소수의 명확한 의견이 존재하여 양적 결과와 다소 상이하였다. 연구 결과는 학부 컴퓨팅 교육 과정에서 AI 자동화 툴링의 채택을 지지하며, 이론에 근거한 세 가지 교수 설계 레버를 제시한다: 교수 순서 스캐폴딩, 자기 효능감 지원, 신뢰 보정 개입.