정의
에이전틱 AI의 채택 정도를 사용자 수나 대화 수가 아니라 위임된 작업의 크기·재사용성·병렬성으로 측정하는 프레임. OpenAI가 Codex 사용 로그를 개인 계정·조직 계정·OpenAI 사내 세 집단으로 나눠 분석하며 제시한 네 가지 관측 축이다.
핵심 속성
- 분석 단위의 전환: 대화(conversation) → 위임된 워크플로(delegated workflow). 대화형 AI는 “묻기(ask)“가 절반, 에이전틱은 “하기(do)“가 지배적
- ① 출력 토큰 점유율(집약도): Codex가 전체 출력 토큰에서 차지하는 비중. 2026-06-11 기준 OpenAI 사내 99.8%, 조직 63.3%, 개인 16.5%
- ② 작업 복잡도: 숙련자 1시간 이상 소요 추정 요청을 1회 이상 보낸 사용자 비율 35.4%(2025-12) → 70.2%(2026-05). 8시간 이상은 2.1% → 25.6%
- ③ 체계화(systematization): skill·plugin 사용률. 전체 5.4%(2026-03-01) → 26.6%(2026-06-11). OpenAI 사내 96.2%, 조직 30.4%, 개인 25.7%
- ④ 동시성·런타임: 조직 67.4%·개인 63.9%는 동시 실행 0. OpenAI 사내는 10.7%만 단일, 28.6%가 5개 이상 동시 운용. 사내 중위 직원 하루 2.5시간, 99퍼센타일은 하루 71시간 에이전트 런타임
- 평균과 총량의 괴리: 조직 엔지니어의 평균 Codex 토큰 비중은 26.8%지만 해당 직군 전체 토큰의 88.3%가 Codex. 법무는 평균 1.9% vs 전체 17.6%. 소수의 집약 사용자가 총량을 지배
- 확산 순서와 급전: 기술 직군 선행 → 비기술 직군 후행. OpenAI 사내 법무·리크루팅은 2026-01 ~0% → 04월 초 20% → 한 달 만에 75%
- 첫 턴 집중: 스레드 첫 번째 턴이 네 번째 턴보다 1시간 이상 작업일 확률이 2배 이상. 사용자는 가장 큰 덩어리를 먼저 던지고 이후 좁혀간다
- 조직 보완재 가설: 모델 역량만이 변수라면 집단 간 사용 패턴이 같아야 한다. 격차가 크다는 것은 파일·시스템 접근권, 관리자 기대, 리뷰 프로세스가 실제 병목이라는 뜻
- 전기화 유추: David(1990) — 공장이 증기기관을 전기모터로 바꾸기만 했을 땐 생산성이 오르지 않았고, 배치와 공정을 재설계한 뒤에야 올랐다. 단 소프트웨어는 실험 비용이 낮아 전환이 더 빠를 수 있다
관계
- 20260806-internal-ai-lab — 상위 전제 (조직 보완재를 갖추는 구체적 시스템)
- 20260710-agentic-loop-taxonomy — 연장 (위임 루프의 유형 분류)
- 20260710-software-factory-engineering — 연장 (병렬 에이전트 운용의 공장 모델)
- 20260716-cognitive-debt-in-agentic-coding — 대조 (위임 확대의 비용 측면)
- 20260531-ai-agent-skill-packaging-prompt — 하위개념 (체계화의 구현 수단)
- 20260718-manager-stop-condition — 연장 (감독자로 이동한 인간의 판단 기준)
- 20260606-codex — 측정 대상 도구
인용
에이전틱 AI에서 중요한 마진은 어떤 사람이 도구를 쓰느냐만이 아니라, 그가 어떤 일을 위임하고, 시스템이 얼마나 많은 실행을 수행하며, 사용자가 반복적·병렬적 위임을 중심으로 워크플로를 조직하기 시작하는지다.
AI 사용이 상담에서 위임으로 옮겨가면서, 조직은 일을 어떻게 배분하고 검토하고 조율할지를 다시 설계해야 할 수 있다.