봇시팅(Botsitting)의 부상: AI 감독이 노동자의 생산성성과 직무 만족도에 미치는 영향

AI 감독은 '봇시팅'이라는 새로운 노동 계층을 만들고 있다

노동자들은 AI 에이전트를 감독, 수정 및 관리하는 행위인 "봇시팅"을 수행하는 데 업무 주간의 상당 부분—평균 6시간 이상—을 소비하고 있습니다. 이러한 변화는 전문적인 노동의 성격에 있어 근본적인 변화를 나타내며, 인간의 역할을 주요 창작자에서 자동화된 출력물의 품질 보증 계층으로 이동시키고 있습니다.

일부 사용자들은 복잡한 MySQL joins를 작성하거나 Terraform 구성을 작성하는 것과 같은 특정 기술적 작업에서 엄청난 효율성 향상을 보고하고 있지만, 전반적인 추세는 좌절감이 증가하고 있다는 것입니다. 노동은 더 이상 작업의 "기술"에 관한 것이 아니라 AI가 "탈선"하지 않도록 보장하는 것에 관한 것입니다.

자동화된 실행의 심리적 대가

자동화는 의미와 전문적인 자부심을 제공하는 업무 요소들을 제거함으로써 직무 만족도를 저하시키고 있습니다. 이 현상은 여러 방식으로 나타납니다:

창의적 주도권의 상실: 노동자들은 종종 자신이 가장 즐기는 업무의 부분을 자동화하도록 요구받습니다. 예를 들어, 관계 구축을 중요하게 생각하는 고객 서비스 담당자는 이제 그러한 상호작용을 처리하는 AI 에이전트를 감독하는 업무를 맡게 됩니다.
기술적 소외: 노동자들은 자신의 전문 기술이 자신이 이제 돌봐야 하는 도구로 대체되고 있다는 것을 깨달으면서 사회적 불안감을 느끼고 있습니다. 이러한 전환은 지난 수십 년간의 소프트웨어 라이브러리의 느린 진화와 비교했을 때 시스템에 가가운 "갑작스러운 충격"처럼 느껴질 수 있습니다.
정서적 위축: AI를 통해 달성한 생산성 향상은 종종 공허하거나 반복적인 작업을 수행하는 데 따르는 심리적 비용으로 인해 상쇄됩니다.

"나를 활기차게 만들었던 업무로 인해 끊임없이 위축된다면, 20%의 생산성 향상이 무슨 소용인가요? 그것은 생산성 향상을 상쇄하고 그 이상을 앗아갈 것이며, 동시에 나의 삶의 질을 떨어뜨릴 것입니다."

생산성 역설: 인지된 생산성 vs. 실제 효율성

경영진과 직원이 AI 생산성을 인지하는 방식 사이에는 간극이 넓어지고 있습니다. 이러한 불일치는 종종 서로 다른 성공 지표에서 비롯됩니다:

경영진의 관점: 생산성은 유급 노동 시간당 총 출력물로 측정됩니다. 총 출력이 일정하거나 약간 증가하면서 비용이 감소한다면, 이는 성공으로 간주됩니다.
노동자의 관점: 생산성은 투입된 노력 대비 출력물의 양으로 측정됩니다. 노동자는 이전 출력물의 80%를 단 40%의 노력만으로 달성할 수 있기 때문에, 절대적인 출력물은 감소했을지라도 더 생산적이라고 느낄 수 있습니다.

게다가, 일부에서는 AI가 "가짜 생산성"를 만든다고 주장합니다. 기업들이 실제 비즈니스 성과를 달성하는 대신 agentic workflows와 MCP tools를 구현하는 데 집중하는 현상은 과거 생산성 템플릿과 타이머를 과도하게 최적화하던 경향을 반영합니다.

기술적 마찰과 새로운 병목 현상

전문적인 워크플로우에 AI를 통합하는 것은 기존의 병목 현상을 대체하는 새로운 형태의 기술적 마찰을 유도합니다:

피드백 루프의 단절: 전통적인 코딩은 작성, 실행, 수정의 긴밀한 루프를 포함합니다. AI 에이전트는 에이전트가 "계획"하거나 "코딩"하는 동안 대기 시간을 유도하여 이 루프를를 단절시키며, 이는 인내심과 즐거움을 앗아갈 수 있습니다.
컨텍스트 스위칭 과부하: 여러 작업 에이전트를 관리하기 위한 오케스트레이터 에이전트의 사용은 마비될 정도의 엄청난 컨텍스트 스위칭을 유합니다. 사용자들은 검토를 기다리는 수많은 드래프트 PRs가 쌓여 있다고 보고하며, 이는 각 작업에 필요한 정신적 컨텍스트를 회복하는 데 어려움을 겪게 만듭니다.
"비정상적인" 변동성: LLMs는 번뜩이는 천재성과 절대적인 황당함 사이를 오간다는 특징이 있습니다. 이를 완화하기 위해 일부 개발자들은 지루루한 권한 질문과 수정을 줄이기 위해 엄격한 가드레일과 샌드박스(예: Golang을 위한 forbidigo 사용)를 사용합니다.

경제적 인센티브와 토큰 모델

일부 관찰자들은 현재의 AI 비효율성의 상태가 AI 제공업체의 경제적 인센티브에 의해 주도되고 있다고 제안합니다. 많은 모델이 토큰 단위로 운영되거나 토큰 제한이 있기 때문에, 제공업체는 작업을 완료하는 데 필요한 토큰을 최소화하기보다는 토큰 사용량을 최대화하는 데 경제적 인센티브가 있습니다. 이는 도구가 해결책을 가장 효율적인 경로로 찾는 데 최적화된 것이 아니라, 가장 토큰 집약적인 경로로 찾는 데 최적화된 시스템을 만듭니다.