유형: 논문 · 저자: Jeremy Yang, Noah Yonack · 출처: Harvard University, Perplexity · 별점: ⭐️⭐️⭐️⭐️⭐️

• AI 에이전트(Agentic AI)의 실세계 채택·사용 강도·사용 사례를 대규모 행동 데이터로 정량적으로 분석한 최초의 연구
• Perplexity가 개발한 Comet 브라우저와 통합된 Comet Assistant를 대상으로 수억 건의 익명 상호작용 데이터를 분석

전제

1. 에이전트 정의
   • 사용자 목적을 기반으로 계획 설계, 다중 단계 행동 실행, 웹 환경과의 상호작용을 수행할 수 있는 시스템
   • 단순 대화형 LLM 챗봇과 구분되며, 실제 세계 상의 행동(예: 문서 편집, 이메일 전송, 쇼핑 등)을 수행할 수 있어야 함
2. 분석 데이터 한계
   • 데이터는 Comet 사용자 기반
   • 조직 사용자나 비웹 상호작용 데이터는 포함되지 않음

결과 정리

누가 AI 에이전트를 사용하는가

• 테크 종사자: 28%
• 학생: 12%
• 금융: 10%
• 마케팅: 9%
• 창업가: 8%

→ 지식 노동 + 디지털 도구 의존도가 높은 집단

Agent Usage Ratio (AUR)

AUR은 “에이전트를 얼마나 적극적으로 사용하는지”를 나타내는 상대 지표

• 마케터: 1.46
• 창업가: 1.38
• 학생: 1.26
• 테크 종사자: 1.12

반면,

• 디자이너: 0.76
• 의료 종사자: 0.67

해석

• 에이전트 활용도는 “직무의 난이도”가 아니라 업무 중 브라우저가 차지하는 비중과 강하게 연동
• 에이전트가 대신하는 것은 추상적 사고가 아니라 웹 탐색, 정리, 입력, 비교, 관리 같은 반복적 인지 작업

어디에 사용하는가 (사용 목적 분포)

1위. 생산성 & 워크플로우 (36%)

• 문서 편집: 22%
• 계정 관리: 21%
• 이메일 처리: 16%

2위. 학습 & 리서치 (21%)

• 온라인 강의 관련: 62%
• 숙제 도움: 73%
• 전체 에이전트 사용의 약 9.4%가 ‘숙제 해결’
• 90개 태스크 중 단일 태스크 기준 1위

3위 이하

• 미디어 & 엔터테인먼트: 16% (소셜미디어, 유튜브, 게임)
• 쇼핑: 10%
• 커리어: 7%
• 여행: 7%

사용 맥락

• 개인 용도: 55%
• 업무 용도: 30%
• 교육 용도: 16%

회사 도입보다 개인 단위 채택이 먼저 발생 → BtoCtoB

Stickiness (연속 사용성)

같은 카테고리 내에서의 연속 사용 확률

• 생산성: 75%
• 학습: 74%
• 커리어: 73%
• 여행: 51% (최저)

해석

• 생산성·학습·커리어는 반복적으로 발생하는 문제 → 오늘 문서 편집을 시켰다면, 내일도 시킬 일이 생김
• 여행은 일회성 문제