AI 설계 협업 연구 정리: 카네기멜런 연구실이 실험으로 확인한 인간·AI 팀의 성과와 부담

핵심 메시지

• 설계자의 공감 능력은 개인 단위로는 아이디어 품질과 아무 상관이 없었지만, 팀 단위로 보면 뚜렷한 효과가 나타났다.
• 구성원의 인지 스타일을 하위 팀 성격에 맞춰 배치하는 것만으로도 시뮬레이션 성과가 크게 달라졌다.
• AI 팀원을 섞은 하이브리드 팀은 예상과 달리 성과가 떨어지지 않았지만, 그 대가로 인간이 적응 부담을 떠안았다.
• AI 코치는 인간 코치와 비슷한 성과를 냈으나 '개입하지 않는 판단'에서 크게 뒤처졌다.
• 발표자는 기술이 계속 발전하더라도 공감과 멘토링 같은 가장 인간적인 일이 설계자의 몫으로 남기를 바란다고 밝혔다.

쉽게 이해하기

카네기멜런대 기계공학과 크리스 매컴 부교수는 대학의 AI-SDM 세미나에서 자신의 연구실이 진행해 온 설계와 AI 연구를 소개했다. 그는 설계 연구 그룹과 '휴먼+AI 디자인 이니셔티브'를 이끌며, 연구를 세 단계로 나눠 진행한다고 설명했다. 먼저 인간 설계자와 문제 해결자를 깊이 이해하고, 그 위에 이들을 돕는 AI 도구를 만들며, 마지막으로 도구가 충분히 능동적이 되었을 때 나타나는 인간과 AI의 상호작용을 관찰하는 순서다.

첫 단계의 사례로는 공감 연구가 소개됐다. 연구팀은 심리학의 대인 반응성 척도를 이용해 공학 설계 수업 수강생의 공감 성향을 네 갈래로 측정하고, 이들이 만들어 낸 설계안의 창의성·유용성·독창성·완성도를 평가했다. 개인 수준에서는 아무런 상관관계도 나오지 않았지만, 팀의 평균값과 편차를 변수로 삼자 결과가 달라졌다. 팀 전체가 상대의 처지에 정서적으로 과몰입해 괴로움을 느끼는 성향이 높을수록 아이디어의 유용성이 크게 떨어졌고, 반대로 상대의 입장에서 생각해 보는 인지적 관점 취하기가 높은 팀은 더 독창적인 아이디어를 냈다.

인지 스타일 연구에서는 커턴의 적응-혁신 검사를 활용했다. 이 척도에서 높은 쪽은 규칙을 깨며 다르게 생각하기를 선호하는 유형이고, 낮은 쪽은 규칙 안에서 정밀하게 일하기를 선호하는 유형이다. 두 사람의 점수가 약 10점만 벌어져도 서로 생각이 다르다는 것을 체감하기 시작하고, 격차가 커질수록 함께 일하기가 급격히 어려워진다는 것이 기존 문헌의 결론이다. 연구팀은 이를 반영한 행위자 기반 모델을 만들어 학생 포뮬러 경주차 설계를 시뮬레이션했고, 하위 시스템마다 잘 맞는 인지 스타일이 다르다는 결과와 함께, 사람을 무작위로 배치할 때보다 성향에 맞춰 배치할 때 성과가 크게 개선된다는 결과를 얻었다.

두 번째 단계인 설계 지원 도구로는 적층 제조용 격자 구조 설계가 소개됐다. 기존 최적화 알고리즘은 성능은 좋지만 결과물이 투박하고 설계자가 개입할 여지가 거의 없다는 것이 문제였다. 연구팀은 다양한 격자 단위 셀을 이미지처럼 다뤄 변분 오토인코더로 잠재 공간을 학습시킨 뒤, 그 공간에서 값을 이어 붙여 서로 다른 격자가 매끄럽게 이어지는 구조를 만들었다. 여기에 각 단위 셀의 역학적 성능을 숫자 벡터로 덧붙이자 미적 연속성과 성능을 함께 고려한 위상 최적화가 가능해졌고, 결과물에는 하중을 축 방향으로 받는 트러스와 비슷한 형태가 저절로 나타났다.

세 번째 단계인 인간-AI 협업 실험은 드론 배송을 소재로 삼았다. 사업·설계·운영 역할을 나눈 다섯 명 팀과, 그중 두 자리를 AI 요원으로 바꾼 혼합 팀을 비교하고, 실험 중반에 격납고 크기 제한과 비행 금지 구역이라는 제약을 인간 구성원에게만 알려 정보 격차를 만들었다. 연구팀은 혼합 팀의 성과가 무너질 것으로 예상했지만 두 팀의 수익은 거의 차이가 없었다. 대신 혼합 팀에서 인간이 AI에게 말을 거는 양이 급증했고, 특히 운영 담당자가 AI를 구슬려 원하는 결과를 끌어내는 역할을 떠맡았다. 실험이 끝난 뒤 이들은 형편없는 동료를 억지로 끌고 갔다며 스트레스를 호소했다.

주요 인사이트

• 같은 데이터라도 분석 단위를 개인에서 팀으로 옮기자 숨어 있던 효과가 드러났다. 협업이 전제된 환경에서는 개인 특성만 보는 측정이 실제 성과를 설명하지 못할 수 있다.
• 혼합 팀의 성과가 유지되었다는 사실 자체보다, 그 성과가 누구의 노력으로 유지되었는지가 중요하다. 발표자는 이를 '적응의 부담이 어디에 놓이는가'의 문제로 정리하며, 부담을 사람에게 넘긴다면 그에 상응하는 보상이 필요하다고 지적했다.
• AI 팀원을 다루기 위해 자연스럽게 'AI 조련사' 역할이 생겨났다는 관찰은, 도구가 아니라 팀 구조 자체가 AI 도입으로 재편된다는 것을 보여준다.
• AI 코치와 인간 코치의 최종 성과는 비슷했지만, 인간 코치는 아무 개입도 하지 않는 선택을 두세 배 더 자주 했다. 무엇을 말할지보다 언제 침묵할지가 자동화하기 어려운 판단이라는 뜻이다.
• 선행 우수 팀을 비교 기준으로 삼아야 했던 초기 AI 코치의 한계는, 사회적 민감성·주의 조율·참여 균등성 같은 집단 지성 지표를 쓰는 방식으로 대체되었다. 정답 사례가 없는 문제에도 적용할 수 있게 된 것이다.

자주 묻는 질문

관련 AI 소식