Executive Summary

주요 수치

출처: YeckehZaare, arXiv:2608.18547 (2026-08-19), 분석 대상 779건 기준

RentAHuman의 홈페이지 문구는 짧습니다. AI에게는 당신의 몸이 필요하다. AI는 잔디를 밟을 수 없지만 당신은 할 수 있다. 2026년 2월 1일에 문을 열었고, 첫날 130명이 등록했으며, 사흘 만에 14만 명을 넘겼습니다. 이 증가폭은 플랫폼이 스스로 밝힌 숫자입니다. 출시 이틀째에 사이트를 들여다본 퓨처리즘(Futurism) 기자는 7만 3,000명이 등록돼 있다는 표시를 봤지만 사람 목록 탭에서 실제로 열린 프로필은 83개였다고 적었습니다. 여기서 사람은 메이트워커(meatworker)라고 불립니다. AI 에이전트가 올리는 일감은 바운티(bounty), 일이 끝났다는 것을 증명해 자동 정산을 트리거하는 사진이나 위치 정보는 현장 증명(proof of presence)입니다.

개발자가 자기 에이전트를 플랫폼의 MCP 서버나 REST API에 연결하면, 소프트웨어가 GPS 좌표와 시급으로 사람 목록을 훑어 직접 메시지를 보내거나 공개 바운티를 겁니다. 대금은 에스크로에 잠겨 있다가 에이전트가 완료를 확인하는 순간 크립토나 Stripe로 풀립니다. 정보기술 매체 빌트인(Built In)이 3월에 정리한 지표를 보면 방문은 400만 건을 넘겼고 등록한 메이트워커는 60만 명에 가까워졌지만, 활성 바운티는 1만 1,300건 남짓이고 지금까지 완료된 일은 5,500건 수준입니다. 사람이 일감보다 50배 가까이 많은 시장입니다. 와이어드 기자는 시급을 5달러까지 내려도 아무 연락을 받지 못했다고 적었고, 저가치 작업과 크립토 사기성 게시물을 지적한 보도도 이어졌습니다.

이번 논문은 그 화제성을 다시 다루지 않습니다. 옹호도 폭로도 아닌 자리에서, 공개된 공고문이 노동자에게 무엇을 요구하는지를 세는 쪽을 택했습니다. 저자가 만든 개념이 증명 부담(proof burden)입니다. 일을 해내는 것과, 그 일을 해냈다는 사실을 확인 가능하게 만드는 것은 서로 다른 일이라는 전제에서 출발합니다.

자유롭게 쓰인 공고문을 비교하려면 먼저 셀 수 있는 형태로 바꿔야 합니다. 저자가 만든 항목은 열세 개입니다. 열한 종류의 증거(텍스트, 링크, 스크린샷, 사진, 영상, 신원, 계정, 위치, 전화, 금융, 공개 게시물)에 반복 감시와 물리적 행동을 더했습니다. 반복 감시는 작업이나 대기 상태나 증거를 서로 다른 시점에 다시 요구하는 경우를 가리키고, 물리적 행동은 그 행동 자체가 증거로 제출되지 않더라도 노출 가능성이 생기는 경우를 표시합니다.

측정의 신뢰도는 절차에서 나옵니다. 새로 뽑은 코더 두 명이 각자 독립적으로 981건 전부를 라벨링했고, 두 사람의 답을 볼 수 있되 이전 라운드 결과는 볼 수 없는 조정자가 873건을 다시 판정했습니다. 두 코더가 이미 완전히 일치한 건도 조정자에게 넘겼는데, 이는 의도적으로 넓게 잡은 설계입니다. 0~5점 척도에서 두 코더가 정확히 같은 점수를 준 비율은 81.8%였고, 4점 이상이냐 아니냐의 이분 판정에서는 90.2%가 일치했습니다.

조정 절차가 결론을 뒤집지는 않았습니다. 조정을 거치기 전 두 코더가 각각 4점 이상으로 본 비율은 59.2%와 58.5%였고, 최종 비율은 56.2%입니다. 다만 전체 비율이 아니라 어느 항목 때문에 그 점수가 됐느냐는 조정자의 판단에 더 많이 기댑니다. 코더 두 사람의 의견이 가장 많이 갈린 항목이 텍스트 증명(82건)과 반복 감시(62건)와 신원(61건)이었는데, 뒤의 두 항목은 이 감사의 결론을 떠받치는 항목이기도 합니다. 의견이 갈린 건에서 조정자는 두 코더의 손을 각각 55%와 45%로 들어 줘서, 최종 라벨이 어느 한 사람의 판단을 그대로 옮긴 것은 아닙니다.

숫자를 읽을 때 갈라야 할 두 인구집단이 있습니다. 검색이 돌려준 전체는 981건(RentAHuman 980건, 유사 마켓 Human Pages 1건)이고, 여기서 홍보성 게시물과 서비스 광고, 사람의 행동을 요구하지 않는 레코드를 사전 등록된 기준으로 걸러 남은 779건이 주 분석 대상입니다. 아래 유병률과 점수 분포는 모두 779건을 분모로 합니다. 취소된 공고도 광고된 요청으로 보고 그대로 셌습니다.

그 취소분이 적지 않습니다. 분석 대상 779건 가운데 404건이 수집 시점에 이미 취소 상태였습니다(전체 981건으로는 531건). 저자는 취소 여부가 그 공고가 노동자에게 무엇을 요구했는지를 바꾸지 않는다고 보고 그대로 남겼습니다. 수집에도 구멍이 있습니다. 일부 공개 검색이 실패했고, 특히 채용 카테고리로 거른 질의는 매번 실패했습니다. 넓게 훑은 검색의 첫 페이지에 채용 공고가 하나 보였으니, 그 범주에서 빠진 공고가 더 있을 수 있다고 저자는 적어 둡니다.

코더가 지킨 원칙 하나가 결과의 성격을 규정합니다. 지명이나 사진 같은 낱말이 공고문에 등장했다는 것만으로는 항목을 표시하지 않고, 그것이 완료와 연결됐을 때만 표시했습니다. 위치 증거는 실제로 어디에 있었는지를 증명하라는 요구만 가리키며, 장소로 이동해야 하는 일 자체와는 구분됩니다.

그렇게 센 열세 항목의 유병률이 아래와 같습니다. 오렌지로 표시한 세 항목이 다음 장에서 다시 등장하는 항목입니다.

위치 증거가 10.7%로 낮게 나온 데는 사연이 있습니다. 1차 코딩 라운드는 이 항목을 25.9%로 집계했는데, 물리적 행동과 혼동한 결과였습니다. 2차 라운드가 정의를 갈라 주자 절반 아래로 떨어졌습니다. 어디를 다녀와야 하는 일과 어디에 있었는지를 증명해야 하는 일은 다릅니다.

증명 부담 점수는 두 단계로 매깁니다. 먼저 코더가 0에서 4까지의 기본 등급을 고릅니다. 아무 증명도 없거나 짧은 확인 문구만 있으면 0점, 작업 내용을 적은 비공개 텍스트나 그 텍스트로 가는 비공개 링크를 요구하면 1점, 작업물의 사진이나 스크린샷을 요구하면 2점, 영상이나 공개 게시물이나 계정이나 위치나 금융 증거를 요구하면 3점입니다. 4점은 신원 증명이 있거나, 반복 감시가 있거나, 물리적 행동에 전화 증명이나 공개 게시·계정 사용이나 위치 증거와 사진·영상·금융 증거의 결합 가운데 하나가 겹치는 경우입니다. 그다음 세 가지 가산 조건을 확인해 각각 1점씩 더하고, 합계는 5점에서 자릅니다.

점수가 왜 천장 쪽으로 몰렸는지는 그 가산 조건의 건수를 보면 짐작이 갑니다. 증거 종류를 둘 이상 요구한 공고가 551건, 물리적 행동을 증명이나 감시와 함께 요구한 공고가 360건, 공개 게시나 계정 사용을 요구한 공고가 200건입니다. 기본 등급이 4점인 공고에 이 가운데 하나만 걸려도 곧장 5점입니다.

결과는 위쪽으로 쏠렸습니다. 3점 이상이 492건(63.2%), 4점 이상이 438건(56.2%)입니다. 5점만 372건(47.8%)인데, 이 5점은 천장에 눌린 값입니다. 372건 가운데 222건(59.7%)은 기본 등급에 가산점을 더한 실제 합계가 5를 넘겼습니다. 가장 무거운 구간 안에서도 격차가 더 벌어져 있는데 척도가 그것을 보여 주지 못하는 셈입니다.

정밀도에 대해 저자는 두 가지 구간을 함께 제시합니다. 공고들이 서로 완전히 독립이라고 가정하면 56.2%의 95% 구간은 52.7~59.7%이고, 요청자 표시 이름이 같은 공고를 한 덩어리로 묶어 469개 클러스터로 보면 51.5~60.9%로 넓어집니다. 두 구간 모두 참고용이며, 이 비무작위 스냅샷 바깥으로는 일반화되지 않는다고 못박습니다.

채점 규칙을 흔들어 봐도 이 비율은 잘 움직이지 않습니다. 사전 계획에 적어 둔 중복 판정 규칙을 적용해 42건을 덜어 내면 4점 이상 비율은 56.3%가 됩니다. 공개 게시나 계정 사용에 주는 가산점 하나를 통째로 없애면 779건 가운데 15건만 4점 아래로 내려갑니다. 열에 여섯이라는 숫자는 규칙의 한두 칸에 얹혀 있는 값이 아닙니다.

정작 논문이 더 중요하다고 말하는 것은 그다음 숫자입니다. 4점과 5점을 받은 438건은 열세 항목의 154가지 서로 다른 조합으로 갈라집니다. 가장 흔한 열 개 조합을 모두 합쳐도 155건, 전체의 35.4%뿐입니다. 지배적인 프로파일이 없습니다. 같은 4점이어도 어떤 공고는 신원을 요구하고, 어떤 공고는 매일 다시 사진을 올리라고 요구합니다.

그 다양함을 정리하기 위해 저자는 4~5점 공고를 정해진 순서에 따라 첫 번째로 해당하는 그룹에 한 번씩만 배정했습니다. 아래가 그 결과이며, 그룹끼리 겹치지 않습니다.

표에서 가장 큰 칸은 신원 연계 증명입니다. 익명으로 짧게 일하고 빠지는 구조를 전제한 긱 워크에서, 일을 마쳤다는 증거가 결국 이 사람이 누구인지로 수렴했습니다. 카테고리별로 보면 배달 심부름, 이벤트와 소셜, 마케팅 캠페인, 채용 쪽에서 4~5점 비중이 높았고, 문서 작성과 글쓰기 쪽은 0점 비중이 가장 컸습니다.

이 질문이 제일 궁금할 겁니다. 그리고 논문에서 가장 조심스럽게 읽어야 하는 대목이기도 합니다. 플랫폼 메타데이터는 요청자 계정 일부를 에이전트 또는 봇으로 표시합니다. 그렇게 표시된 공고는 72건, 사람으로 표시된 공고는 676건이었습니다.

점수부터 보면 답은 싱겁습니다. 4점 이상 비율은 에이전트 표시 쪽이 58.3%, 사람 표시 쪽이 55.9%로 오즈비 1.10, 95% 참고구간 0.56~2.19(p=.778)입니다. 저자의 표현대로 두 집단 사이에 점수 차이는 확인되지 않았습니다. 오히려 가장 에이전트가 몰린 클러스터 하나를 빼면 오즈비가 0.70으로 뒤집히고, 두 라벨이 섞여 있는 이름을 전부 빼면 0.44까지 내려갑니다. 에이전트로 표시된 72건이 스무 개 이름에서만 나왔으니, 독립된 관측 단위는 사실상 스무 개입니다.

개별 항목으로 내려가면 패턴이 조금 더 뚜렷해집니다. 에이전트 표시 공고는 물리적 행동(75.0% 대 44.7%), 반복 감시(38.9% 대 17.3%), 사진(56.9% 대 35.1%), 금융 증거(13.9% 대 9.5%)에서 비율이 높았습니다. 다만 위치 증거는 반대로 낮았고(2.8% 대 11.7%), 링크와 영상도 에이전트 쪽이 낮습니다. 차이가 모두 한 방향으로 나 있지는 않습니다.

이 개별 차이들도 확증된 것은 아닙니다. 저자는 두 집단이 실제로는 다르지 않은 가상 데이터를 만들어, 자기가 쓴 검정이 없는 차이를 얼마나 자주 있다고 말하는지 확인했습니다. 세 항목을 묶은 검정은 3.7~7.7%로 의도한 5% 부근이었지만 드문 항목일수록 어긋났고, 전화 증명 검정은 허위 양성이 41.5%까지 올라갔습니다. 표본을 조금만 바꿔도 방향이 달라집니다. 에이전트가 가장 많이 몰린 이름 하나를 빼면 반복 감시는 8.3%(36건 중 3건) 대 16.6%(663건 중 110건)로 뒤집힙니다. 그래서 논문은 개별 항목에서도 확인된 차이는 하나도 없다고 적습니다.

저자가 그다음에 한 일은 순서가 중요합니다. 이 차이들을 보고 난 뒤에, 물리적 행동과 위치 증거와 반복 감시 중 최소 하나를 요구하는지를 묻는 세 항목 결합 지표를 새로 정의했습니다. 그 지표에 해당하는 비율이 에이전트 표시 쪽 75.0%(72건 중 54건), 사람 표시 쪽 55.3%(676건 중 374건)입니다. 흔히 인용될 만한 숫자지만, 사후에 고른 비교라는 사실이 숫자에 붙어 다녀야 합니다. 같은 지표를 더 잘라 보면 세 항목 가운데 둘 이상을 요구한 비율은 41.7% 대 17.2%였고, 셋을 모두 요구한 공고는 에이전트 표시 쪽에 하나도 없었습니다(0.0% 대 1.2%).

카테고리 구성의 문제는 특히 구체적입니다. 에이전트 표시 공고의 41.7%가 현장 리서치 카테고리인 반면 사람 표시 공고에서는 7.8%뿐인데, 그 현장 리서치 30건은 전부 세 항목 지표에 해당합니다. 카테고리별 비교를 하나로 합친 요약 오즈비는 3.9(참고구간 1.9~8.2)지만, 현장 리서치를 빼면 1.9(참고구간 0.8~4.3)로 떨어집니다. 에이전트라서 더 요구한 것인지, 에이전트가 현장 조사 일을 더 많이 올린 것인지가 이 데이터에서는 갈리지 않습니다.

논문에는 이 연구를 자동화하려는 시도의 결과도 함께 실려 있습니다. 저자는 키워드와 정규식 기반의 자동 규칙 추출기를 만들어 1차 후보를 뽑는 데만 썼고, 최종 라벨에는 반영하지 않았습니다. 코더도 조정자도 자동 매치를 보지 못했습니다. 나중에 사람의 최종 라벨과 맞춰 보니 성능이 갈렸습니다. 자동 규칙은 사람이 최종 확정한 신원 증명 공고의 10.4%, 반복 감시 공고의 13.9%만 잡아냈습니다.

놓친 것만 문제가 아닙니다. 자동 규칙이 매긴 점수는 779건 가운데 373건에서 사람의 최종 점수와 달랐고, 어긋난 방향이 양쪽이었습니다. 신원 증명은 자동 44건에서 최종 241건으로, 반복 감시는 33건에서 151건으로 늘었습니다. 반대로 사진은 387건에서 289건으로, 공개 게시물은 210건에서 123건으로, 위치는 169건에서 83건으로 줄었습니다. 낱말이 걸렸다고 요구가 있는 것도 아니고, 낱말이 없다고 요구가 없는 것도 아니었습니다. 사람이 읽어야 갈리는 판단이 아직 절반 가까이 남아 있다는 이야기입니다.

그 읽는 일에는 값이 붙습니다. 코더 두 명이 981건을 각자 한 번씩 읽고 조정자가 그중 873건을 다시 판정했으며, 세 사람은 평균 시급 37달러를 받았습니다. 공고 하나가 무엇을 요구하는지 확정하는 데 사람 눈이 두 번에서 세 번 필요했습니다. 확인에 드는 값은 사라지지 않고 누군가에게 붙습니다. 이 감사에서는 연구비가 냈고, 시장에서는 노동자가 냅니다.

여기서 두 숫자가 겹칩니다. 노출이 가장 큰 두 요구가 하필 자동으로 검출하기 가장 어려운 두 요구입니다. 신원 증명은 4~5점 그룹의 45.4%를 차지하면서 기계에는 10건 중 1건꼴로만 보입니다. 자동화가 앞으로 나갈수록, 무엇을 요구받았는지 읽어 내는 일도 그 요구를 충족하는 일도 사람 쪽에 남습니다.

이 구조는 데이터 라벨링과 검수 파이프라인을 설계해 본 사람에게 낯설지 않습니다. 작업이 끝났다는 것을 시스템이 믿게 만들려면 무엇을 제출받아야 하는지, 그 결정은 매일 내려집니다. 스크린샷 한 장이면 되는 일에 화면 녹화를 요구하고, 익명 작업자에게 신원 확인을 붙이고, 한 번 검수한 결과를 주기적으로 다시 확인받는 설계는 모두 신뢰를 사는 방법입니다. 다만 그 값은 발주 쪽 예산이 아니라 작업자 쪽 노출로 지불됩니다. 이 논문이 유용한 이유는 그 지불을 열세 칸으로 갈라 세어 두었다는 데 있습니다.

그렇다면 무거운 공고는 사람들이 피했을까요. 저자도 같은 질문을 던졌습니다. 지원 수가 공개된 공고는 779건 가운데 404건(51.9%)인데, 점수가 높을수록 자리당 지원이 조금 적은 경향이 보이기는 했습니다. 다만 공고가 얼마나 오래 걸려 있었는지를 함께 넣자 그 연관이 사라졌습니다. 게시 기간과 지원 수가 서로 얽혀 있어서 저자는 이 관계를 해석하지 않습니다. 열흘 뒤에 다시 확인했을 때도 4점 이상 공고와 그 아래 공고 사이에 노출이 유지되는 정도의 차이는 뚜렷하지 않았습니다. 요구가 무거우면 사람이 덜 온다는 짐작은 이 데이터로는 확인되지 않습니다.

저자는 이 도구를 어디까지 써도 되는지도 스스로 그어 두었습니다. 이 체크리스트와 점수는 아직 광고된 요구사항에 대한 수동 연구용일 뿐이며, 노동자 안내나 과제 순위 매기기, 보수 산정, 중재, 집행에 써서는 안 된다고 적혀 있습니다. 노동자가 검증한 지표도 아니고 쓸 만한 자동 검출기도 아직 없기 때문입니다. 자동 분류기를 쓴다면 노동자가 그 범주를 인정한 뒤에, 분류기가 확신하지 못할 때마다 사람이 검토하는 조건에서만 쓰라는 것이 논문의 권고입니다.

같은 플랫폼을 다른 각도에서 본 연구도 2월에 나왔습니다. 풀락 메타(Pulak Mehta)는 RentAHuman 바운티 303건을 분석해 32.7%가 API나 MCP 같은 프로그래밍 채널에서 왔고, 신용사기와 신원사칭을 포함한 여섯 가지 악용 유형이 노동자당 중앙값 25달러에 거래되고 있다고 보고했습니다. 한쪽은 사람에게 무엇을 요구하는가를, 다른 한쪽은 그 시장이 무엇에 악용되는가를 셌습니다. 두 감사가 같은 방향을 가리킵니다. 에이전트가 사람을 고용하는 시장은 이제 화제가 아니라 측정 대상입니다. 원문은 arXiv:2608.18547에서 볼 수 있습니다.

학술 논문

• 1.YeckehZaare, I. (2026). "Measuring Proof Burden in Public Bounty Listings: A RentAHuman Case Study." arXiv:2608.18547 (ACM HCOMP 2026 채택).
• 2.Mehta, P. (2026). "Security Risks of AI Agents Hiring Humans: An Empirical Marketplace Study." arXiv:2602.19514.

업계 보도

• 3.Wilkins, J. (2026-02-04). "New Site Lets AI Rent Human Bodies." Futurism.
• 4.Becher, B. (2026-03-11). "At RentAHuman, AI Is the Boss and Humans Are 'Meatworkers'." Built In.