arXiv에 2026년 7월 9일 제출된 이 프리프린트는 AI 에이전트의 불평등을 사람·조직 차원의 접근성에서만 보지 않는다. 오히려 한 번의 질의가 실제로 어떻게 수행되는지, 즉 시스템이 사용자의 문서 저장소에서 문맥을 자동으로 끌어오느냐 아니면 사용자가 매번 관련 파일을 찾아 붙여야 하느냐를 더 미세한 분기점으로 제시한다. 논문은 전자를 Dynamic Context Retrieval, 후자를 Manual Attachment로 부르고, 둘 사이의 차이를 Context Access Divide(CAD)라고 명명한다.
핵심 논지는 지식노동에서 이 차이가 단순한 편의성 문제가 아니라는 데 있다. 저자는 수만 개 파일에 걸친 지적 자본을 다루는 환경에서는, 사용자가 직접 문맥을 골라 붙이는 방식이 인간에게 인지 부담을 떠넘긴다고 본다. 그래서 AI가 약속한 비효율 제거가 아니라, 오히려 그 비효율의 재현이 일어날 수 있다고 설명한다.
이 주장을 위해 본문은 인지심리학의 fan effect 문헌에 기대어 확률 모형을 세운다. 한편 수치들은 실측 추정이 아니라 설명용 예시다. 식 1에서 문서 한 건의 회상 확률 q(N)은 코퍼스 크기 N이 커질수록 qmax에서 qmin으로 로그스틱하게 감소하도록 두었고, 식 2에서는 작업에 필요한 핵심 문서 k개의 회상 확률을 곱해 성공 확률을 계산한다. 저자는 이 곱 구조 때문에 코퍼스 규모와 과제의 결합성(conjunctivity)이 커질수록 Manual Attachment의 성공 확률이 조합적으로 붕괴한다고 본다.
그림 1의 시뮬레이션은 이 결론을 시각화한다. 패널 (a)와 (b)는 코퍼스 크기 N과 결합 요소 k를 바꿨을 때 MAM의 성공 확률이 어떻게 떨어지는지 보여주고, 패널 (c)는 k=3에서 MAM, Walled DCRM(α=0.6), Open DCRM을 비교한다. 하지만 본문은 이를 실제 사용자 실험이 아니라 시뮬레이션 결과로 제시하며, fan effect 실험이 보통 1~4 또는 5개 수준의 작은 자극 집합에서 수행돼 수천·수만 개 문서 규모로는 직접 측정된 적이 거의 없다고 한계를 분명히 적는다.
| 항목 | 원문 근거 | 의미 |
|---|---|---|
| Context Access Divide (CAD) | “the difference between AI systems that can dynamically retrieve context … and those that require manual context attachment” | 질의 단위에서 갈리는 문맥 접근 격차 |
| 식 1의 q(N) | “q(N) = qmin + qmax −qmin / (1 + (N/N0)^β)” | 문서 수 N이 늘수록 문서 회상 확률이 감소하는 로그스틱 함수 |
| 시뮬레이션 비교 | “MAM, Walled DCRM with α = 0.6, Open DCRM” | 세 아키텍처의 성공확률 비교 |
| 실증 한계 | “fan effect experiments are typically conducted with small… fans of 1 to 4 or 5 associates per cue” | 수천·수만 문서 규모로의 직접 측정 부재 |
자료: STORIUM 정리
검증 근거로는 개인 정보 관리 문헌도 동원된다. 1주일간 25명을 관찰한 Elsweiler et al. (2007) 연구를 인용해, 이전에 본 정보를 다시 찾지 못한 실패의 다수가 검색 도구 결함보다 “그 항목이 존재한다는 사실 자체를 떠올리지 못한” 회상 실패에서 비롯됐다고 짚는다. 또 Standing (1973)의 사진 인식 기억 연구를 들어, 인식과 회상은 다른 작업이며 “기억 용량” 논의가 어떤 인출 과업을 뜻하는지 구분해야 한다고 덧붙인다. 결론적으로 이 프리프린트는 MCP와 RAG 같은 아키텍처가 자동 맥락 접근을 얼마나 넓게 제공하느냐가 지식노동의 위계를 가를 수 있다고 주장하지만, 직접 실증보다는 이론적 가설 정식화에 머문다.
저작권자 © STORIUM 무단전재 및 재배포 금지
