arXiv:2606.12430v1 cs.CY

AI 에이전트는 우리를 무의미한 업무에서 해방시킬까? 인간 중심 분석

Will AI Agents Free Us From Meaningless Work? A Human-Centered Analysis

Davide Ghia, Jaspreet Ranjit, Tania Cerquitelli, Daniele Quercia

제출 2026-05-15

한국어 초록

일부는 AI 에이전트가 근로자들을 직업의 지루한 부분으로부터 해방시킬 것이라고 주장하지만, 근로자 스스로가 어떤 업무를 자동화해야 하는지 어떻게 식별하는지에 대해서는 알려진 바가 거의 없다. 기존 연구는 직업에 초점을 맞추어, 동일한 역할 내에서도 업무별로 의미를 다르게 경험한다는 점을 간과해 왔다. 우리는 Graeber의 허튼 일(bullshit jobs) 이론에 기반한 업무 수준 분석으로 이 공백을 메운다. 171개의 직장 업무에 대해 202명의 근로자 평가를 사용하여, 우리는 (1) 인식된 허튼성(perceived bullshitness)의 5문항 척도를 검증하고, (2) 인식된 허튼성이 AI 위임에 대한 욕구를 강하게 예측함을 보이며, (3) 이러한 업무가 인간의 감독이 덜 필요하다고 여겨지기도 함을 밝힌다. 종합하면, 이러한 결과는 허튼 일로 인식되는 업무가 AI 위임의 자연스러운 후보임을 시사하며, 근로자 선호와 인식된 실현 가능성을 일치시킨다.

원문 초록

Some claim that AI agents will free workers from the boring parts of their jobs, yet little is known about how workers themselves identify which tasks should be automated. Prior research focuses on occupations, overlooking that workers experience varying levels of meaning across tasks within the same role. We address this gap with a task-level analysis grounded in Graeber's theory of bullshit jobs. Using ratings from 202 workers on 171 workplace tasks, we (1) validate a five-item scale of perceived bullshitness, (2) show that perceived bullshitness strongly predicts desire for AI delegation, and (3) find that such tasks are also seen as requiring less human oversight. Together, these findings suggest that tasks perceived as bullshit are natural candidates for AI delegation, aligning worker preferences with perceived feasibility.

요약

Graeber의 bullshit jobs 이론을 적용한 작업 수준 분석을 통해, 근로자들이 의미 없다고 인식하는 업무일수록 AI 에이전트에게 위임하고 싶어 하며 인간의 감독이 덜 필요하다고 판단함을 밝혔다.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.12430v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.24515v1cs.CR공통 태그 Survey, ai agents

예측 가능한 경로를 넘어: 에이전트를 위한 AI 보안 사고 보고 재정의

Beyond Predictable Paths: Redefining AI Security Incident Reporting for Agents

AI 에이전트가 빠르게 배포되면서 AI 특화 공격과 그에 따른 사고도 늘고 있다. 사고 보고가 법적 준수, 거버넌스, 책임성, 보안 측면에서 점점 더 중요해지므로, 현행 프레임워크는 AI 에이전트의 고유한 특성에 맞게 조정되어야 한다. 본 논문에서 두 명의 편집 저자는 AI 시스템과 AI 에이전트를 비교하고, 학계 및 산업계 23명의 전문가 의견을 바탕으로 AI 에이전트 보안이 침해된 사고를 보고할 때 필요한 정보를 밝힌다. 잠재적 보고 요소로는 예를 들어 에이전트 메모리 및 메모리 접근, 실제 및 잠재적 자율성 수준, 도구 사용 등이 포함된다. 이러한 결과를 바탕으로 사고를 효율적으로 기록하는 방법과 취약점 및 사고가 일반화되는지 판단하는 방법 등 여러 미해결 연구 질문을 제시한다. 전문가 피드백은 또한 데이터 유출 위험과 보고 인프라 자체를 겨냥한 공격과 같은 잠재적 보고 취약점을 강조하여 추가 연구 필요성을 드러냈다. 마지막으로 개인정보 요구사항을 요약하고 AI 에이전트의 안전하고 신뢰할 수 있는 배포를 위한 연구 방향을 개괄한다.

arXiv:2607.19433v1cs.AI공통 태그 Survey, ai agents

Chronos 취약점: 에이전트형 AI에서의 시간적 지속성 및 메모리 기반 기만의 분류체계

The Chronos Vulnerability: A Taxonomy of Temporal Persistence and Memory-Based Deception in Agentic AI

인공지능에서 상태 비저장(stateless) 생성 모델에서 상태 저장(stateful) 자율 에이전트로의 전환은, 장기 계획 수립 능력과 기업 워크플로 자동화라는 역량을 제공하는 동시에 Chronos 취약점이라는 새로운 형태의 보안 위협을 도입하는 아키텍처적 진화를 나타낸다. Chronos 취약점은 메모리 주입 공격(MINJA)과 잠복 에이전트(sleeper agent) 등 메모리 기반 공격의 위협을 나타내며, 이 공격들에서는 자율 에이전트의 내부 신념 체계가 손상되어 공격 벡터가 최종적 치명적 사건과 효과적으로 분리된다. 본 연구는 지속성 기반 공격에 대한 위협 모델과 World of Workflows 벤치마크 맥락에서의 Dynamics Blindness 위협을 형식화하고, 기존 엔드포인트 콘텐츠 필터가 현재의 상태 저장 아키텍처에 불충분함을 보여준다. 이에 따라 본 연구는 심층 방어(defense-in-depth) 환경을 종합하여, 진단적 궤적 가드레일(AgentDoG), 형식적 시간적 검증(Agent-C), 면역학적 메모리 합의(A-MemGuard), GPU 기반 신뢰 실행 환경(TEE) 및 Zero-Trust 메모리 아키텍처를 통한 하드웨어 기반 신뢰와 같은 신흥 프레임워크를 분류한다.

arXiv:2607.13718v1cs.CR공통 태그 Survey, ai agents

에이전트는 어떻게 권한을 요청하는가: 인터페이스부터 시행까지 AI 에이전트의 사용자 권한

How Agents Ask for Permission: User Permissions for AI Agents, from Interfaces to Enforcement

AI 에이전트가 점점 더 보편화됨에 따라 사용자는 이러한 시스템이 수반하는 위험에 점점 더 많이 노출되고 있다. 프롬프트 인젝션 공격은 물론 환각(hallucination) 또한 에이전트가 개인정보를 제3자에게 유출하도록 만들 수 있다. 자율 시스템으로서 에이전트는 또한 사용자의 의도나 승인 없이 은행 거래와 같은 민감한 작업을 수행한다는 더 적극적인 위험을 제기한다. 이러한 과제를 인식하여, 에이전트 보안(agentic security) 커뮤니티는 보안 에이전트 시스템을 위한 수많은 제안을 개발해 왔다. 이 연구의 상당 부분은 제품 수준의 접근에 초점을 맞춰왔으며, 여기서는 에이전트 시스템 개발자가 모든 사용자에게 동일한 보안 정책과 권한을 결정하고 적용한다. 그러나 사용자마다 요구와 선호가 다르므로, 에이전트 AI 시스템에서 사용자 수준의 권한 정책을 지원할 필요가 있다. AI 에이전트 시스템에서 사용자 수준의 권한이 어떻게 처리되는지 이해하기 위해, 우리는 에이전트 권한 시스템에 대한 21건의 제안을 조사한다. 이 검토를 바탕으로, 서로 다른 시스템이 사용자 수준의 권한 정책을 사용자 인터페이스와 내부적으로 어떻게 명세하는지, 사용자 입력으로부터 내부 정책을 어떻게 도출하는지, 그리고 실행 시점(run-time)에 해당 정책을 어떻게 시행(enforcement)하는지에 대한 분류체계를 구축한다. 그런 다음 우리는 다섯 개의 주목할 만한 상용 에이전트를 분석하고, 이들의 권한 처리 방식을 문헌의 에이전트 권한 시스템과 비교한다. 우리는 문헌과 상용 에이전트 전반에 걸쳐 여러 고수준 주제를 확인하고, 향후 연구가 필요한 여러 공백을 식별한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.