샤프(Sharp) 연구팀은 AI 에이전트 활용 격차를 분석하는 프레임워크를 제시했어요. 기존 프레임워크는 접근성·품질·수량 측면을 다루지만, 상호작용 수준의 격차는 간과돼요. 동적 컨텍스트 검색(Dynamic Context Retrieval)과 수동 첨부(Manual Attachment) 방식에 따라 사용자 경험이 달라지는 '컨텍스트 접근 격차'(CAD)가 존재해요.
지식 기반 업무 종사자에게 CAD는 AI의 효율성을 떨어뜨리는 주요 요인이에요. 수동 컨텍스트 첨부는 업무 복잡성을 증가시키고, AI가 제공해야 할 효율성을 상쇄할 수 있어요. 컨텍스트 접근성은 기존 불평등 프레임워크를 보완하는 AI 매개 불평등의 새로운 차원이에요.
연구팀은 인지 심리학의 '팬 효과' 문헌에 근거한 확률 모델로 CAD를 공식화했어요. 수동 첨부는 지식 자산 규모와 작업의 복잡성이 증가함에 따라 성공 확률이 급격히 감소하지만, 동적 검색 아키텍처는 이러한 감소에서 구조적으로 보호돼요.
모델 컨텍스트 프로토콜(MCP)과 검색 증강 생성(RAG) 아키텍처를 분석하고, 지식 기반 업무 계층화 및 AI 플랫폼 거버넌스에 미치는 영향을 검토했어요.