AI를 쓰는 동안 성과가 오르는 것과 AI 없이 일할 실력이 자라는 것은 다른 문제다. 미국 특허변호사 133명을 대상으로 한 3개월 무작위 대조 실험은 이 둘의 차이를 보여주고, 그 차이가 경력에 따라 정반대로 갈림을 보여준다.
핵심 요약
첫째, Autor와 동료들(2026)은 AI 보조가 전문가의 산출물과 전문성 형성에 미치는 영향을 분리해 측정한 3개월 현장 무작위 대조 실험이다. NBER Working Paper No. 35720의 2026년 9월본과 10월 7일 수정본이 있으며, 동료심사를 거치지 않은 워킹페이퍼다. 실험은 2025년 5월 AEA RCT Registry(AEARCTR-0015823)에 사전 등록되었다.
둘째, 미국 지식재산 로펌 11곳의 특허변호사 133명이 맞춤형 AI 초안 작성 도구의 접근(처치)과 비접근(통제)에 2:1 비율로 무작위 배정되었고, 이 중 91명이 전체 절차를 완료했다. 배정은 로펌과 경력 수준으로 층화되었다. 모든 과제 결과물은 독립 로펌의 특허변호사 평가자들이 처치 여부를 모른 채 다섯 가지 기준, 즉 집행가능성, 기술적 정확성, 전략적 모호성, 완결성, 명료성으로 채점했다.
셋째, AI를 사용한 초안 작성 과제에서는 처치 집단이 10일차에 0.34 표준편차, 90일차에 0.38 표준편차 더 높은 점수를 받았다. 효과는 경력 7년 미만 주니어에서 더 컸고(0.58과 0.56), 시니어는 0.23과 0.30이었다. 작성 시간도 약 10분 줄었고 감소 폭은 주니어에서 더 컸다. AI가 신참의 성과를 더 끌어올린다는 기존의 평준화 패턴과 같은 결과다.
넷째, AI 없이 수행한 리드라이닝 과제, 즉 기존 특허 초안을 직접 검토하고 수정하는 판단 과제에서는 결과가 뒤집힌다. 전체 평균 0.32 표준편차의 향상은 전적으로 시니어(0.45)에서 나왔고, 주니어의 평균 효과는 -0.03으로 0과 구별되지 않는다. 게다가 처치된 주니어의 점수는 양극화되었다. 중간 등급이 크게 줄고 하위 등급과 상위 등급이 함께 늘었으며, 최상위 등급의 증가는 없었다.
다섯째, 저자들은 이 결과를 AI가 일부 주니어에게는 학습의 도약대가 되고 다른 주니어에게는 학습을 대신하는 받침대가 되었을 가능성으로 해석한다. 기초 전문성이 AI 보조를 지속적인 실력으로 전환하는 전제 조건일 수 있다는 것이다. 다만 표본이 작고, 실험 전 기초 실력 측정이 없었으며, 연구 수행과 비용을 Google이 맡았고 실험 도구도 Google의 미출시 제품이었다는 점은 해석할 때 함께 고려해야 한다.
배경 및 이론적 맥락
전문 서비스업의 전문성은 대부분 하면서 배우기로 형성된다. 법률, 의학, 과학, 공학, 컨설팅에서 주니어는 시니어의 지도 아래 핵심 업무를 수행하며 판단력을 익힌다. AI 시대에 이런 전문성은 덜 필요해지는 것이 아니라 오히려 더 필요해질 수 있다. 현대 AI 시스템은 작동하기 쉽지만 평가하기 어렵기 때문에, 그 산출물을 검증하는 능력이 바로 전문성이기 때문이다. AI는 고품질의 예시와 즉각적인 피드백을 제공해 학습을 가속할 수도 있고, 주니어가 과업을 알고리즘에 넘기면서 학습 자체를 우회하게 만들 수도 있다. Beane(2024)의 현장연구는 생산성을 높이는 도구가 시니어에서 주니어로 기술이 전수되는 도제 과정을 단절시킬 수 있다고 주장하고, Afrouzi 등(2026), Asriyan 등(2026), Ide(2026)의 이론 연구는 초급 과업의 자동화가 현재 산출을 높이는 대신 미래의 인적자본 축적을 늦출 수 있음을 형식화한다.
단기 생산성에 관한 실증 연구는 일관되게 AI의 성과 향상과 평준화를 보고한다. Noy와 Zhang(2023)의 글쓰기 실험, Brynjolfsson 등(2024)의 고객센터 연구, Cruces 등(2026), Ju와 Aral(2025)의 연구에서 AI는 저성과자와 신참의 성과를 더 크게 끌어올렸다. 법률 영역에서도 Choi와 Schwarcz(2025)는 로스쿨생 사이에서 하위권의 큰 향상과 상위권의 약간의 하락을 보고했다. 반면 Dell'Acqua 등(2026)은 AI 능력의 경계 밖에서는 AI 사용이 산출을 악화시킨다고 보고했고, Vaccaro 등(2024)의 메타분석은 인간과 AI의 결합이 평균적으로 더 나은 쪽 하나보다 못하다고 정리한다. AI 사용의 이득이 그 산출물을 평가하고 통합하거나 기각할 수 있는 능력, 즉 전문성에 조건부일 수 있다는 시사다.
보조 중 성과와 역량 형성은 별개의 질문이고, 후자의 증거는 엇갈린다. Shen과 Tamkin(2026)은 새 라이브러리를 배우는 소프트웨어 엔지니어에게 AI 보조가 개념 이해, 코드 읽기, 디버깅을 손상시켰다고 보고했다. Wiles 등(2024)은 낯선 데이터 과학 과제에서 AI가 임시 외골격처럼 작동해 도구를 제거하면 이득이 사라진다고 했고, Budzyń 등(2025)은 내시경 의사들이 AI 보조에 익숙해진 뒤 비보조 진단 능력이 저하되었다고 보고했다. 반대로 He 등(2026)은 예측 AI와 함께 훈련한 방사선과 초년생이 이후 독립 진단이 더 정확해졌다고 했고, Lira 등(2025)과 Bednar 등(2026)도 AI를 활용한 연습이 이후 무보조 수행을 개선했다고 보고한다.
메커니즘을 가장 직접적으로 보여주는 것은 Bastani 등(2025)의 고등학생 수학 실험이다. 제약 없는 GPT-4 접근은 연습 중 성과를 높이지만 이후 무보조 시험 점수를 낮췄고, 답을 주지 않고 추론을 요구하는 튜터형 설정에서는 그 피해가 사라졌다. AI 산출물을 해석하고 검증하게 만드는 작업 흐름은 실력을 기르지만, 무비판적 수용을 허용하는 흐름은 학습이 일어나야 할 노력을 우회한다는 해석이다. Strömberg 등(2026)은 중국 중학생의 생성형 AI 채택 이후 숙제 시간은 줄고 숙제 점수는 오르는 반면 고입·대입을 좌우하는 시험 점수가 1.3~1.5 표준편차 하락했고, 그 손실은 공부 시간이 줄어든 학생에게 집중되었다고 보고한다. 이 논문은 이 논쟁에 세 가지를 결합한 첫 증거다. 지속적인 실제 사용, AI 보조 산출물과 구별되는 독립적 실력 측정, 접근의 실험적 통제다. 또한 학생이 아니라 자기 전문 분야의 핵심 과업을 수행하는 현직 전문가를 다룬 첫 연구다.
연구 방법론
표본은 Google과 상시 특허 작성 업무 관계가 있는 24개 지식재산 로펌에 참여를 제안해 11곳이 응한 것이다. 한 로펌의 두 코호트를 별개로 처리해 분석 단위는 12개 로펌 코호트다. 로펌이 추천한 156명 중 온보딩을 완료한 133명이 무작위 배정되었고, 처치 90명, 통제 43명이다. 참가자는 고용주의 동의 아래 실험 과제에 쓴 시간을 계약 시간당 요금으로 보상받았다. 무작위 배정은 로펌 내에서 이루어졌고 경력 중앙값으로 층화되었다. 경력, 연락 응답 속도, 과제 수행 자신감, 연구 이해도 등 관찰 가능한 사전 특성에서 처치와 통제의 유의한 차이는 없었다. 본 분석에서는 업계 관행에 따라 경력 7년 이상을 시니어로 분류한다.
처치 도구는 Google Labs가 개발한 미출시 전문서비스 작성 보조 AI다. 사용자가 제공한 문맥, 문체 지침, 작성 목표를 반영하고, 프롬프트 기반 문장 수정, 여러 AI 편집 페르소나의 피드백, 규칙 기반 내부 모순 검토 기능을 제공했다. 실험 기간(2025년 5월~2026년 2월) 중인 2025년 7월에는 사용자 정의 기준에 따라 자동 편집 검토를 하는 리드라이닝 기능이 추가되었다. 두 집단 모두 AI 기초 교육(용어, LLM 개론, 프롬프트 엔지니어링)을 받았고, 처치 집단만 도구 사용법과 특허 작성에 특화된 프롬프트 라이브러리, 흔한 함정과 대처법 교육을 추가로 받았다. 통제 집단은 실험 기간 동안 생성형 AI 작성 도구를 사용하지 않았다. 법률 서비스는 정확성과 비밀유지 때문에 AI 사용이 엄격히 통제되므로 통제 집단의 임의 사용 가능성이 낮다고 저자들은 본다.
과제는 세 가지다. 10일차 초안 작성은 주청구항이 담긴 특허 문서와 발명자 및 고객사 메모를 바탕으로 종속청구항 5~7개와 상세 설명을 2시간 이내, 1,000단어 이내로 작성하는 과제다. 발명 자료는 AI 모델 학습에 쓰이지 않은 홀드아웃 데이터에서 가져왔다. 90일차에는 구조는 같지만 다른 발명을 다루고 2,000단어까지 요구하는 더 어려운 두 번째 초안 작성과, 리드라이닝 과제를 수행했다. 리드라이닝은 AI가 생성한 결함 있는 특허 초안을 AI 없이 직접 수정과 주석으로 검토하는 과제로, 특허 실무자가 평소 보조 없이 수행하며 전문 판단이 전면에 나서는 작업이다. 연구진은 AI 사용 금지를 지시했지만 개별 도구 사용을 관찰할 수 없어 준수를 직접 강제하지는 못했다.
측정은 맹평에 기반한다. 계약된 독립 지식재산 로펌의 평가자 6인 풀에서 과제당 2명이 무작위로 배정되어 처치 여부를 모른 채 채점했다. 루브릭은 Google 사내 변호사와 협력해 개발되었고 다섯 차원, 즉 집행가능성, 기술적 정확성, 전략적 모호성(USPTO의 최광위 합리적 해석 기준 아래 집행 범위를 넓히는 포괄적 청구 문언), 완결성, 명료성을 평가한다. 두 평가자 점수의 상관은 10일차 초안 0.59, 90일차 초안 0.47, 리드라이닝 0.55로 중간 정도다. 보조 평가자로 Gemini 2.5-flash 기반 LLM 채점을 병행했다. 과제 소요 시간은 스톱워치 자기 기록과 직후 설문으로 측정했다. 이탈률은 10일차 21%, 90일차 초안 26%, 리드라이닝 32%이고, 처치 여부에 따른 차등 이탈의 증거는 없었다.
추정은 의도처치(ITT) 효과다. 결과는 과제별로 통제 집단의 평균과 표준편차로 표준화했다. 기본 모형은 로펌 고정효과와 루브릭 차원 고정효과를 포함하고, 평가 수준 관측치에는 평가자 수의 역수 가중치를 두어 각 참가자가 동일한 총 가중치를 갖게 했으며, 표준오차는 개인 수준에서 클러스터링했다. 주니어와 시니어의 별도 절편과 별도 처치 효과를 추정하는 모형으로 경력별 차이를 검정한다.
연구 결과
첫째, AI 보조 초안 작성의 품질은 일관되게 향상되었다. 처치 효과는 10일차에 0.34 표준편차(층적 모형 기준 p=0.03), 90일차에 0.38 표준편차(p=0.01)다. 다섯 평가 차원 모두에서 양의 효과가 나타났다. 평균 점수 상승은 탁월한 작업이 늘어난 결과가 아니라 약한 작업이 줄어든 결과다.
둘째, 보조 중 성과 향상은 주니어에게 더 컸다. 주니어의 처치 효과는 10일차 0.58, 90일차 0.56 표준편차이고 시니어는 0.23과 0.30이다. 90일차에는 AI를 쓴 주니어의 평균 초안 점수(0.36 표준편차)가 AI 없이 일한 시니어의 평균(0.13)을 넘어섰다. AI가 신참과 숙련자의 격차를 좁히는 평준화 패턴이 이 전문직 환경에서도 재현된 것이다.
셋째, 비보조 리드라이닝에서는 순서가 뒤집힌다. 전체 처치 효과 0.32 표준편차(p=0.04)는 전적으로 시니어의 향상(0.45, p=0.02)에서 나온다. 시니어는 다섯 차원 모두에서 통제 시니어보다 유의하게 나았다. 반면 주니어의 점추정치는 -0.03(p=0.89)으로 0과 구별되지 않고, 다섯 차원 중 둘은 음수다(불유의). 통제 집단 안에서는 주니어와 시니어의 리드라이닝 실력에 유의한 차이가 없었는데, 3개월의 AI 보조 작성이 처치 집단 안에 주니어-시니어 격차를 새로 만들었다. 처치 시니어는 처치 주니어보다 유의하게 나았고(p=0.05), 처치 주니어는 통제 시니어를 넘지 못했다.
넷째, 주니어의 결과는 평균이 아니라 분포에서 드러난다. 처치된 주니어의 리드라이닝 점수 분산은 통제보다 유의하게 커졌고(Levene 통계량 3.66, p=0.06), 최하위 등급 비중은 0.22 포인트 늘고(p=0.04), 중간 등급 비중은 0.42 포인트 줄었으며(p=0.01), 상위 등급 비중은 0.19 포인트 늘었으나(p=0.20) 정확하게 추정되지 않았고, 최상위 등급의 증가는 없었다. 시니어는 반대 방향이다. 분산이 오히려 줄고(Levene 통계량 7.74, p=0.01), 상위 등급 비중이 0.22 포인트 늘고(p=0.00) 최하위 등급 비중이 0.14 포인트 줄었다(p=0.07).
다섯째, 주요 결과는 여러 검정에서 유지된다. LLM 채점을 병합하면 리드라이닝 전체 효과는 0.42, 시니어는 0.54로 커지고 주니어 추정치는 0.12로 여전히 0과 구별되지 않는다. 2,000회 몬테카를로 순열검정에서 전체 효과는 귀무분포의 97.1 백분위(p=0.05), 시니어는 98.7 백분위(p=0.02), 주니어는 46.8 백분위(p=0.93)에 위치한다. 로펌을 하나씩 제외해도 전체 추정치는 0.22~0.38, 시니어는 0.33~0.55 범위에 머문다. 시니어 기준을 3년에서 11년으로 바꿔도 시니어 효과는 0.38~0.46으로 모두 5% 수준 이상에서 유의하고 주니어 효과는 모두 불유의하다.
여섯째, 리드라이닝에서의 AI 무단 사용 가능성도 점검했다. LLM 기반 문체 감사와 연구진의 수동 확인으로 91건 중 15건을 AI 사용 가능 건으로 표시했는데, 통제 집단에서도 29건 중 4건이 표시되어 처치 집단에 집중되지 않았다. 표시된 건은 표시되지 않은 건보다 점수가 유의하게 높지 않았고, 이를 통제하거나 제외해도 시니어 효과는 유지된다(제외 시 0.39, p=0.06). 전체 표본 추정치는 제외 시 0.25로 유의성을 잃는다(p=0.14). 또 AI를 썼다면 시간이 절약되어야 하는데 리드라이닝에서는 시간 절감이 없었다. 이 점검들은 인과추정이 아니라 진단이지만, 무단 사용이 주 결과를 만들었다고 보기 어렵다는 정황이다.
일곱째, 시간과 자기평가다. 처치 집단은 10일차 초안 작성을 평균 10분 빨리 끝냈고(p=0.05, 통제 평균 110분), 주니어는 18분, 시니어는 5분 절약으로 점추정치는 주니어가 더 크지만 차이는 유의하지 않다. 리드라이닝에서는 어느 집단도 시간 절감이 없었다. 자기평가에서 처치 집단은 큰 체감 속도 향상(10일차 0.72, 90일차 1.14 표준편차)을 보고했고, 주니어는 체감 품질도 10일차에 0.95 표준편차(p=0.01)로 유의하게 높게 평가했다. 90일차 작업 만족도 향상은 주니어에 집중되어 있다(1.48 표준편차, 시니어는 0.28). 즉 주니어는 도구가 자기 성과를 높인다고 믿었고, 그 믿음은 보조 작업에서는 맞았지만 비보조 판단에서는 확인되지 않았다. 한편 처치 집단은 실험 도구 밖의 다른 생성형 AI 업무 사용도 늘었고, 그 격차는 3개월차에 17.3%포인트(p=0.05)로 벌어졌다. 실제 고객 특허 작업의 완료 기간 등은 표본이 작아 유의한 효과가 검출되지 않았다.
결론 및 의의
이 논문이 보고한 사실을 먼저 구분한다. 첫째, 3개월간 AI 도구를 쓴 특허변호사는 AI를 쓰는 초안 작성에서 더 좋은 결과물을 냈고, 이 이득은 주니어에게 더 컸다. 둘째, 같은 기간 후 AI 없이 수행한 판단 과제에서는 시니어만 실력이 나아졌고 주니어는 평균적으로 나아지지 않았다. 셋째, 주니어의 비보조 점수는 양극화되었다. 이 세 사실은 하나의 이야기로 모아진다. AI 보조의 산출 효과와 전문성 형성 효과는 다르며, 그 차이는 경험의 함수라는 것이다.
가장 주목할 대목은 평준화의 반전이다. AI를 쓰는 작업에서는 주니어가 시니어를 따라잡고 심지어 보조 없이 일한 시니어의 평균을 넘어섰다. 그러나 AI를 거둬낸 과제에서는 처치된 주니어가 보조 없이 일한 시니어는커녕 통제 주니어와도 구별되지 않았고, 처치된 시니어와의 사이에는 통제 집단에는 없던 격차가 생겼다. 보조 중 성과의 평준화가 실력의 평준화로 이어지지 않는다는 직접 증거다. 보조 중 점수만으로 인력의 역량을 평가하면 실제 판단력 분포를 크게 오독할 수 있다.
이론적으로 이 결과는 전문성이 AI 사용을 학습으로 전환하는 보완재라는 해석과 일치한다. 시니어는 AI 초안을 평가하고 교정할 기존 판단력이 있으므로 AI와의 작업 자체가 숙련된 검토 연습이 될 수 있다. 주니어는 그 판단력이 형성되는 중이므로 같은 도구가 검토 연습이 될 수도, 판단을 통째로 위임하는 통로가 될 수도 있다. 이 해석은 Bastani 등(2025)의 튜터 가드레일 결과와 Strömberg 등(2026)의 공부 시간 경로와 같은 메커니즘을 가리킨다. 다만 저자들도 밝히듯, 왜 어떤 주니어에게는 양의 효과가, 다른 주니어에게는 음의 효과가 나타났는지는 이 실험이 답하지 못한다. 시간 투입이 인과 경로인지 검증하려면 시간 배정을 직접 조작하는 실험이 필요하다.
주니어의 양극화는 평균 효과가 숨기는 것을 보여준다. 주니어의 평균 효과 0은 AI가 주니어에게 아무 영향도 없었다는 뜻이 아니다. 중간 수준의 주니어가 줄고 잘하게 된 주니어와 못하게 된 주니어가 함께 늘었다. 어떤 사용 방식과 어떤 학습자 특성이 도약대 경로와 받침대 경로를 가르는지를 밝히는 것이 이 분야의 핵심 미해결 문제다. 평균만 보고 AI 교육의 성패를 판단하면 이 두 상반된 경로를 모두 놓친다.
자기인식의 문제도 중요하다. 처치된 주니어는 도구가 자기 작업의 속도와 품질을 높인다고 느꼈고, 만족도도 크게 올랐다. 그러나 비보조 판단력은 평균적으로 나아지지 않았고 일부는 나빠졌다. 보조 환경에서의 체감 향상이 실제 역량 형성의 신호가 아닐 수 있다는 뜻이다. 수습 기간의 전문직이나 학생이 자기 학습 진도를 스스로 평가하게 하는 설계는 이 연구 이후 더 조심해서 봐야 한다.
교육과 AI 수업 설계에 주는 시사점은 이 논문이 직접 검증한 것이 아니라는 전제로 읽어야 한다. 이 논문의 대상은 현직 변호사이지 학생이 아니다. 다만 다음과 같은 적용을 검토할 수 있다. 첫째, 평가의 분리다. AI를 활용한 과제의 성적을 실력 지표로 쓰지 않고, AI 없이 수행하는 판단 과제를 별도로 평가해야 한다. 이 실험이 리드라이닝을 따로 둔 것처럼, 도구의 기여와 학습자의 기여를 분리하는 평가 설계가 필요하다. 둘째, 기초 형성 단계에서는 무보조 연습을 유지하고, 도구 사용을 허용하더라도 답이 아니라 검토와 교정을 요구하는 방식이 Bastani 등의 결과와 함께 지지된다. 셋째, 주니어의 양극화 결과는 같은 도구를 같은 시간 써도 학습 경로가 갈릴 수 있음을 보여주므로, 스캐폴딩과 사용 지도 없는 일괄 도입은 위험하다. 이상은 모두 검증되지 않은 적용이다.
신규 졸업자 진입과 초기 경력 형성에 대한 시사점도 검증되지 않은 적용으로 읽어야 한다. 이 논문은 채용이나 졸업자 자료를 분석하지 않았다. 그럼에도 도제 구조를 가진 직업에서는 두 가지 우려가 나온다. 첫째, 초급 과업이 AI로 대체되면 주니어가 판단력을 기를 재료 자체가 줄 수 있고, 이 실험은 그 과정에서도 학습 경로가 갈릴 수 있음을 보여준다. 둘째, 채용과 배치에서 AI를 활용한 작업 샘플은 지원자의 무보조 판단력을 과대평가할 수 있다. 반대로 시니어의 결과는 AI가 숙련자의 전문성을 더 연마하는 도구가 될 수 있음을 보여주므로, 기업의 훈련 설계가 경력 단계별로 달라야 한다는 근거가 된다. 구조화된 AI 사용 훈련, 검토 중심 과제 배정, 무보조 평가의 정례화 같은 대응이 논의될 수 있지만, 이 모두 이 논문이 시험한 정책은 아니다.
외부 타당성에는 주의가 필요하다. 표본은 Google과 업무 관계가 있는 미국 지식재산 로펌의 특허변호사이고, 도구는 특정 회사의 맞춤형 미출시 제품이며, 기간은 3개월이다. 다른 나라, 다른 직종, 다른 도구, 더 긴 기간에 그대로 적용할 수 없다. 한국의 대졸 신입 채용이나 로스쿨·변호사시험 제도에 이 결과를 직접 대입할 근거는 없다. 다만 전문성 형성의 도제 구조는 직종을 넘어 공통적이므로, 구조적 질문 자체는 한국의 교육과 고용 논의에도 유효하다.
한계는 다음과 같다. 첫째, 표본이 작고 주니어 하위표본은 더 작아서 주니어 추정은 정밀하지 않다. 둘째, 실험 전 기초 실력 측정이 없어 종점 차이를 학습으로 해석하는 것은 무작위 배정의 균형에 의존한다. 참여 로펌들이 사전 평가를 거부해 원래 설계에서 빠졌다고 저자들이 밝힌다. 셋째, 3개월은 특허 전문성이 형성되는 수년에 비해 짧다. 넷째, 리드라이닝의 AI 미사용 지시 준수를 직접 관찰하지 못했다. 다섯째, 연구 수행과 직접 비용은 Google이 제공했고 참여 로펌은 Google과 업무 관계가 있으며 실험 도구도 Google 제품이다. 저자들이 이를 명시했고 결과는 Google에 불리할 수 있는 주니어 학습 우려를 포함하지만, 이해관계 구조는 독자가 알아야 할 사실이다.
읽기 방식의 주의점도 있다. 추정은 도구 접근을 배정받은 것의 효과(ITT)이지 실제 사용 강도의 효과가 아니다. 리드라이닝은 판단력의 한 측면을 측정하는 하나의 과제이며, 고객 자문이나 협상 같은 다른 판단 능력을 포괄하지 않는다. 주니어의 평균 무효과는 모든 주니어가 피해를 봤다는 뜻이 아니고, 시니어의 향상이 AI가 시니어를 대체할 수 있다는 뜻도 아니다. 마지막으로 3개월 시점의 한 번의 비보조 측정이므로, 주니어의 분산이 이후 수렴하는지 확산하는지는 알 수 없다.
후속 연구는 다섯 방향이 가능하다. 첫째, 기초 실력의 사전 측정과 반복적인 비보조 평가로 학습 궤적을 직접 추적해야 한다. 둘째, 주니어 안에서 도약대 경로와 받침대 경로를 가르는 사용 방식과 개인 특성을 밝혀야 한다. 저자들도 이를 다음 질문으로 남긴다. 셋째, 시간 배정을 직접 조작해 절약된 시간의 재배분이 학습의 인과 경로인지 검증해야 한다. 넷째, 의학, 회계, 소프트웨어 같은 다른 도제 직종에서 같은 설계를 반복해야 한다. 다섯째, AI가 기초 훈련 없이도 판단력을 가르치도록 설계될 수 있는지, 예를 들어 검토를 요구하는 튜터형 인터페이스가 전문직 훈련에서도 주니어의 양극화를 막는지 시험해야 한다. 이 모든 것이 이 논문이 열어 둔 질문이며, 이 글이 답을 제시하는 것은 아니다.
참고문헌
Autor, D., Rodchenko, T., Martin, J., Iscenko, Z., Strand, S., Pearl, D., & Ferere, M. (2026). Does AI assistance enhance or erode expertise? Evidence from a three-month field experiment in patent drafting (NBER Working Paper No. 35720). National Bureau of Economic Research. https://doi.org/10.3386/w35720
NBER 논문 페이지와 논문 전체 PDF(2026년 10월 7일 수정본), AEA RCT Registry의 사전등록(AEARCTR-0015823)을 확인했다. 이 논문은 동료심사를 거치지 않은 워킹페이퍼다. 저자들은 연구 수행과 직접 비용이 Google에 의해 제공되었고, 실험 도구가 Google Labs의 미출시 제품이었으며, 참여 로펌이 Google과 특허 업무 관계에 있음을 명시한다. 본 리뷰는 논문이 보고한 사실, 저자들의 이론적 해석, 그리고 아직 검증되지 않은 교육·졸업자 진입 적용을 구분했다.
AI 활용 내역
이 글은 AI(Instinct AI 어시스턴트)를 활용하여 논문의 핵심 내용을 분석·요약하고, 한국어 리뷰 원고를 작성하였습니다. 최종 검토 및 발행은 블로그 운영자가 수행합니다.