2026 - 노동 - 컴퓨터 작업 수행 AI와 화이트 칼라 업무 변화

https://fundaai.substack.com/p/deepllm-computer-use-white-collar

2026.10.07
[Deep|LLM: Computer Use - White-Collar Work’s "Spinning Jenny" Moment; How Many Jobs Will AI Replace?]

인공지능 기술의 발전으로 컴퓨터 화면을 직접 조작하며 업무를 수행하는 이른바 컴퓨터 유스(Computer Use) 능력이 대두되면서, 사무직 업무 자동화의 거대한 변곡점이 다가오고 있습니다. AI 에이전트들이 웹사이트와 다양한 데스크톱 애플리케이션을 인간처럼 넘나들며 복잡한 다단계 업무를 스스로 처리할 수 있게 됨에 따라, AI 제공업체들은 단순한 소프트웨어 예산을 넘어 약 1조 달러에 달하는 거대한 글로벌 노동 시장의 수익을 겨냥할 수 있게 되었습니다. 이는 전 세계 화이트칼라 일자리의 약 18%에 해당하는 방대한 업무량을 대체할 잠재력을 지니고 있으며, 초기에는 전면적인 해고보다는 반복적인 행정 업무의 태스크 재분배 형태로 노동 시장에 큰 충격과 변화를 가져올 것으로 전망됩니다.

 

 

컴퓨터는 실행 루프를 사용합니다.

출처: OpenAI; FUNDA에서 정리함.

OpenAI는 인공지능으로 인해 사라질 위험에 처한 미국 일자리의 비율을 추산했습니다.

 

 

Computer Use와 화이트칼라 업무 변화 — 챕터별 분석

이 글의 핵심은 ‘AI가 몇 명을 해고할 것인가’보다, ‘AI가 소프트웨어를 직접 조작하면서 기업의 인건비 예산을 매출로 전환할 수 있는가’에 있습니다. FUNDA는 Computer Use의 기술적 진전, 운영상 한계, 경제성을 연결해 장기 시장규모를 추정합니다.[1]

다만 연간 약 1조 달러의 추가 매출과 1억 8천만 명에 해당하는 노동시간 자동화는 장기 시나리오이지, 현재 실측된 시장이나 확정된 일자리 감소가 아닙니다.[1]

아래는 원문의 4개 대장·12개 소절 순서에 따른 분석입니다. 원문 본문과 주요 도표를 확인했으며, 모델 성능·전문가 인터뷰·시장 전망은 FUNDA가 제시한 근거로 구분했습니다. 연결된 기관용 보고서와 인터뷰 전문, 벤치마크의 1차 자료까지 독립 검증한 것은 아닙니다.

 

Ⅰ. Astra의 복잡한 데스크톱 과업 수행 능력

1. 공개 벤치마크에서의 높은 성능

원문의 주장

AI의 소프트웨어 접근 방식은 세 가지입니다.[1]

접근 방식	작동 방식	이 글에서의 위치
API	시스템이 제공하는 함수·인터페이스 호출	직접적인 시스템 연동
DOM·접근성 트리	화면 요소의 구조적 정보를 읽고 조작	구조 기반 인터페이스 제어
GUI Computer Use	스크린샷을 해석하고 마우스·키보드 조작	분석의 주된 대상

GUI 방식의 장점은 API가 없거나 구조적 화면 정보가 부족한 환경에서도 기존 소프트웨어를 그대로 사용해 업무를 수행할 수 있다는 것입니다. MCP는 이들 방법을 지원하는 도구에 접근하도록 연결할 수 있지만, 그 자체가 GUI 조작 방식은 아닙니다.[1]

FUNDA는 Astra가 복잡한 업무를 위임할 수 있는 능력의 문턱에 접근했다고 평가하며, 다음 벤치마크를 강조합니다.[1]

• Agents’ Last Exam: 13개 산업군, 실제 프로젝트에서 가져온 1,000개 이상의 전문 과업.
• OSWorld 2.0: 웹·데스크톱을 아우르는 108개 장기 워크플로, 과업당 평균 250회 이상의 행동.

분석

이 절의 중요한 변화는 평가 단위가 ‘버튼을 잘 클릭하는가’에서 ‘여러 프로그램을 거쳐 검증 가능한 결과물을 만드는가’로 이동했다는 점입니다.

다만 도표는 상용 업무의 완전 자동화까지 입증하지 않습니다.

• OSWorld 도표의 가로축은 모의 시간(Simulated time)입니다. 실제 사무실에서의 경과시간으로 그대로 읽으면 안 됩니다.
• 일부 비교 모델에는 ‘Reported score only’가 표시되어 있어, 모두 동일한 조건의 직접 비교인지 확인이 필요합니다.
• 벤치마크 성공과 기업의 실제 운영 성공은 다릅니다. 권한, 내부 규칙, 예외 처리, 결과 검수까지 추가됩니다.

1. 실무 시사점: 모델 선정 시 단일 성공률보다 성공한 업무 1건당 비용·시간·사람의 개입량을 함께 평가해야 합니다.

 

2. 소프트웨어와 워크플로의 적용 범위 확대

원문의 주장

공식·커뮤니티 사례는 3D 모델링, 영상 제작, 소프트웨어 테스트, 금융·사무 업무, 공학·과학 연구로 확장되고 있습니다. Blender에서 만든 모델을 Unreal Engine으로 넘기거나, Xero에서 거래를 대사하고 CRM 워크플로를 설정하는 사례가 제시됩니다.[1]

동시에 저자는 공개 데모의 선택 편향을 지적합니다. 시각적으로 인상적인 3D 작업은 공개하기 쉽지만, 재무·CRM·내부 업무는 민감정보가 포함되고 성과를 보여주기 어렵습니다.[1]

분석

1. 이 절은 ‘눈에 잘 보이는 기술 성과’와 ‘돈이 되는 업무’를 분리한다는 점에서 타당합니다.
2. 상업적 가치는 화려한 결과물보다 다음 조건에서 더 명확하게 나타날 수 있습니다.

• 업무가 빈번하게 발생한다.
• 처리 절차가 비교적 일정하다.
• 사람이 여러 시스템을 오가며 반복 입력한다.
• 산출물의 정상 여부를 검증하기 쉽다.

그러나 데모는 가능성을 보여주는 사례이지, 실패율·재작업률·전체 운영비를 보여주는 대표 표본은 아닙니다.

실무 시사점: 도입 후보를 앱 이름으로 선정하기보다, 발생 빈도·예외율·오류 영향·검증 가능성으로 선정하는 편이 적절합니다.

 

3. 투자 리서치 업무에 대한 직접 시험

원문의 주장과 시험 범위

FUNDA는 Mac에서 Astra의 추론 강도를 높게 설정해 투자 리서치 관련 과업을 시험했고, 모두 성공했다고 보고합니다. 공개 시험표에는 다음 8개 과업이 제시되어 있습니다.[1]

번호	환경	시험 과업
1	웹	Gmail 이메일 초안 작성
2	웹	기업 실적발표 일정 검색·시간대 변환·캘린더 등록
3	웹	TradingView 조건 검색·표시 설정·기업 정보 정리
4	웹	기업 연차보고서 수집·재무정보 정리·분석
5	데스크톱	Outlook 이메일 초안 작성
6	데스크톱	PDF 재무보고서의 지정 정보 탐색·강조·주석
7	데스크톱	주가 차트·이동평균선·서식·스크린샷 생성
8	데스크톱	Excel 기업가치 평가모델 보완·수식 점검·요약

8번은 성공했지만, 표 자체가 Excel 자동화·API를 활용하고 GUI는 서식 조정과 검수 등에 제한하는 편이 낫다고 명시합니다. 별도의 시간·비용 비교에서는 Excel 과업을 제외했습니다.[1]

분석

.       이 시험의 의미는 금융 분야의 전문 판단을 대체했다는 데 있지 않습니다. 자료 탐색, 정리, 프로그램 조작, 서식 준수 등 리서치의 실행 업무를 연결했다는 데 있습니다.

.       한계도 분명합니다.

• 제한된 과업군과 단일 운영환경의 시험입니다.
• 시간·비용 수치는 과업별 2회 실행의 평균입니다.
• 사람의 소요시간은 실제 대조 실험이 아니라 숙련 실무자 기준의 추정입니다.
• 성공 판정의 세부 기준과 검수 독립성은 공개 정보만으로 충분히 확인되지 않습니다.[1]

.       판단: 유용한 실무 사례이지만, 이를 ‘투자 리서치 전체를 안정적으로 자동화했다’는 결론으로 확대하면 안 됩니다.

 

Ⅱ. Computer Use 능력을 만드는 요인

1. 관찰–행동–검증 루프

원문의 주장

.       Computer Use는 목표를 단계로 분해하고, 화면을 관찰해 행동을 선택한 뒤, 실행 결과를 다시 확인하는 반복 구조입니다. 오류가 발생하면 수정하거나 재시도합니다.[1]

.       저자는 세 가지 능력을 구분합니다.[1]

1. 시각적 이해: 텍스트·버튼·메뉴·창의 위치와 관계 파악.

1. 업무 의미 이해: 재무 필드, 설계 파라미터, 업무 전제조건 해석.

1. 장기 계획 관리: 진행상태·미해결 요구·이전 오류·예외 추적.

분석

.       핵심은 클릭의 정확성과 업무의 정확성이 다르다는 것입니다.

.       예를 들어 재무정보 입력에서 올바른 셀을 클릭했더라도, 통화·단위·회계기간을 잘못 해석하면 업무는 실패합니다. 또한 화면에 ‘저장 완료’가 표시되어도 실제 데이터가 정확하게 반영되었는지는 별도 확인이 필요합니다.

.       실무 권고: 검증을 다음처럼 나누는 것이 좋습니다.

검증 수준	확인할 내용
동작 검증	클릭·입력·저장이 실행되었는가
데이터 검증	값·단위·기간·수식이 맞는가
업무 검증	요청한 업무 목적과 승인 조건을 충족했는가

.       이는 원문의 관찰–행동–검증 구조를 운영 통제로 구체화한 분석자 권고입니다.

 

2. 데이터·학습·실행 하네스

원문의 주장

.       FUNDA는 Astra의 능력을 데이터, 단계적 학습, 실행 하네스의 결합으로 설명합니다.[1]

• 데이터: 스크린샷·화면 녹화·다양한 앱과 화면 상태.
• 학습: 전문가 시연, 샌드박스 실행, 강화학습, 오류 복구 사례.
• 하네스: 모델의 행동을 운영체제 동작으로 바꾸고 결과를 반환하는 실행 계층.

.       하네스의 발전 방향은 통제와 조정입니다. 통제에는 권한 경계·안전 검사·감사로그·롤백이, 조정에는 GUI·검색·코드·MCP 도구의 결합과 병렬·비동기 실행이 포함됩니다.[1]

분석

.       이 절은 Computer Use를 모델 단독 제품이 아닌 실행 시스템으로 보는 관점이 중요합니다.

.       동일 모델이라도 다음 차이로 성능과 안전성이 달라질 수 있습니다.

• 화면 상태를 얼마나 정확하게 전달하는가.
• 언제 재시도하고 언제 중단하는가.
• 이미 실행된 행동을 중복 수행하지 않는가.
• API·코드로 처리할 부분과 GUI로 처리할 부분을 어떻게 나누는가.
• 고위험 행동을 어떤 기술적 통제로 제한하는가.

.       다만 Astra의 실제 학습 구성과 장비 조달 설명은 전문가 의견·언론 보도에 의존합니다. 공식적으로 공개된 상세 학습 설계로 단정할 수는 없습니다.[1]

.       감리 관점: 모델 평가와 함께 하네스의 권한 통제, 결과 확인, 재시도, 중단, 복구, 로그를 독립적으로 점검해야 합니다.

 

3. 텍스트 능력보다 증류가 어려운 이유

원문의 주장

.       Computer Use 증류는 교사 모델의 화면·행동·피드백을 기록한 실행 궤적을 학생 모델이 학습하는 방식입니다. 그러나 학생이 초반에 다른 행동을 하면 이후 화면 상태도 달라져, 교사의 남은 행동을 그대로 따라갈 수 없습니다.[1]

.       장기 업무에서는 작은 오류가 누적되고, 실패 원인이 여러 단계 이전에 존재할 수 있으며, 소프트웨어 버전·창 배치·컨트롤 변화도 일반화를 어렵게 합니다.[1]

분석

.       문제의 본질은 정답 문장을 복제하는 것이 아니라, 변화한 상태에서도 올바르게 행동해야 한다는 것입니다.

.       따라서 정상 실행 시연만으로는 부족하며, 다음 역량이 중요해집니다.

• 현재 상태를 다시 파악하는 능력.
• 계획을 변경하는 능력.
• 오류를 발견하고 복구하는 능력.
• 더 진행하지 않고 사람에게 넘기는 능력.

.       한계: ‘증류가 어렵다’는 기술적 논거와 ‘특정 업체가 장기적으로 경쟁우위를 유지한다’는 시장 결론은 별개입니다. 이 글은 재현 비용의 어려움을 설명하지만, 경쟁우위의 지속기간을 입증하지는 않습니다.

 

Ⅲ. 현재의 제약

1. 낯선 앱과 기업 고유 워크플로

원문의 주장

.       모델은 다양한 앱을 조작할 수 있지만, 강하게 커스터마이징된 화면, 전문 소프트웨어, 기업 고유 규칙에서는 신뢰성이 떨어집니다.[1]

.       익명 전문가의 대략적 추정으로는 많이 사용하는 기업 앱 100개 중 70% 이상을 조작할 수 있지만, 종단간 과업 성공률이 90%를 넘는 앱은 약 3분의 1에 불과하다고 설명합니다.[1]

분석

.       ‘앱을 사용할 수 있음’과 ‘그 앱의 업무를 안정적으로 완료함’은 다릅니다.

.       이 수치는 앱 목록, 과업 구성, 평가 조건이 공개된 체계적 조사 결과가 아니라 전문가의 대략적 추정으로 읽어야 합니다. ‘앱의 70%에서 업무 성공률이 90% 이상’이라는 해석은 잘못입니다.

.       기업 적용에서는 화면 조작보다 다음 문제가 더 어려울 수 있습니다.

• 조직별 승인 절차.
• 내부 코드·용어·데이터 정의.
• 부서 간 책임 경계.
• 예외에 대한 처리 기준.

.       실무 시사점: 범용 모델을 넣는 것만으로 끝나지 않으며, 기업별 업무 규칙과 예외 사례의 정비가 필요합니다.

 

2. Windows의 데스크톱 제어 제약

원문의 주장

.       글은 Mac에서는 백그라운드 실행이 가능하지만, Windows에서는 활성 데스크톱의 마우스·키보드를 점유해 사람이 같은 화면에서 계속 일하기 어렵다고 설명합니다. 가상머신·원격 데스크톱·전용 장비가 대안이지만 운영·계정·라이선스 비용이 추가됩니다.[1]

분석

.       중요한 문제는 운영체제 자체보다 사람과 에이전트가 동일한 작업 세션을 어떻게 공유하거나 분리하는가입니다.

.       다만 본문의 설명을 모든 Computer Use 제품이나 Windows 구현의 보편적 제약으로 일반화해서는 안 됩니다. 지원 방식은 제품·실행도구·세션 구성에 따라 확인해야 합니다.

.       도입 시 확인사항: 입력 점유, 독립 세션, 인증정보 분리, 화면 잠금 시 동작, 라이선스 조건, 사람의 즉시 중단 가능성입니다.

 

3. 속도·비용과 Jev 방식의 가능성

원문의 주장

.       FUNDA의 고추론 설정 시험에서는 숙련 투자 리서치 실무자가 한 시간에 처리할 일을 수행하는 데 API 비용이 약 30~60달러 들었습니다. 따라서 이 조건에서는 사람 대비 비용 우위가 제한적이라고 평가합니다.[1]

.       반면 이메일 초안·단순 정보 정리·일정 관리 등은 더 빠르고 저렴했다고 보고합니다. 비용·시간 도표의 AI 실행시간·토큰·비용 세부값은 공개 이미지에서 가려져 있어 개별 과업의 수치를 재현할 수 없습니다.[1]

.       개선 방향으로는 다음 분업을 제시합니다.[1]

• 고성능 모델: 목표 해석, 업무 규칙, 계획, 예외 처리.
• 빠른 실행 모델: 빈번한 화면 인식과 행동 선택.

.       하지만 FUNDA가 직접 실험한 모델 분업은 오히려 느려졌습니다. Gmail 자동저장이 화면 상태를 바꾸면서 상위 모델로 제어가 반복 반환된 사례를 설명합니다.[1]

분석

.       이 절의 핵심은 빠른 모델을 붙인다고 전체 업무가 자동으로 빨라지지 않는다는 점입니다.

.       개별 행동의 지연이 줄어도 상태 전달, 모델 간 인계, 재계획, 오류 복구가 늘어나면 전체 시간은 증가할 수 있습니다. 또한 본문의 일반적인 2계층 구상과 Jev 프로젝트에 대한 구체적 설명을 완전히 동일한 구현으로 취급해서는 안 됩니다.

.       경제성 역시 API 비용만으로 판단하면 부족합니다.

.       분석자 권고: 모델 비용에 검수·재작업·연동·운영 비용을 더한 성공한 업무 1건당 총비용으로 비교해야 합니다. 절감된 시간이 다른 생산적 업무로 전환되지 않는다면, 시간 절감이 곧 현금 절감도 아닙니다.

 

4. 규제 준수와 소프트웨어 공급자의 대응

원문의 주장

.       컴퓨터 조작 권한을 받았다고 해서 모델 공급자에게 개인정보·영업비밀을 전송·보관하거나 학습에 사용할 권한까지 생기는 것은 아닙니다. 플랫폼 약관·소프트웨어 라이선스·데이터 이용 조건도 별도 문제입니다.[1]

.       글은 접근통제, 고위험 행동의 사람 확인, 감사 추적, 공급자 간 상업적 합의와 책임 배분을 강조합니다.[1]

분석

.       이 절은 기술적 접근과 법적 권한을 정확히 분리합니다.

.       기업에서는 최소한 다음 권한을 구분해야 합니다.

1. 시스템 접근·화면 열람 권한.

.       데이터 처리·외부 전송 권한.

1. 기록 변경·발송·제출 등 행동 권한.

1. 데이터 보관·재사용·학습 권한.

.       감리 시사점: ‘사용자가 로그인한 계정으로 실행된다’는 사실만으로 적법성·안전성이 충족되지는 않습니다. 승인받은 행위의 범위와 실제 실행기록을 대조할 수 있어야 합니다.

 

Ⅳ. Computer Use 시장규모 추정

1. 어디에서 가치가 생기는가

원문의 주장

.       FUNDA는 소비자용 편의 기능보다 기업 화이트칼라 업무에 더 큰 상업적 기회가 있다고 봅니다. 기업은 절감시간·처리주기·처리량으로 편익을 측정할 수 있기 때문입니다.[1]

.       평가축은 다음 두 가지입니다.[1]

• 해당 업무 중 AI가 자동화할 수 있는 비중.
• 그 자동화 가능 업무 중 GUI 조작이 필요한 비중.

.       행정 업무는 API가 부족한 레거시 시스템을 오가는 경우가 많아 GUI의 필요성이 높고, 소프트웨어 개발은 코드·터미널·API 활용 비중이 높다고 설명합니다. 전략·관리·복잡한 의사소통은 맥락 판단과 신뢰·목표 설정 때문에 완전 자동화가 더 어렵다고 봅니다.[1]

분석

.       ‘AI 자동화 시장 전체’와 ‘GUI Computer Use 시장’을 분리한 것은 이 보고서의 장점입니다.

.       API로 더 빠르고 안정적으로 처리할 수 있는 업무까지 GUI 시장에 넣으면 과대 추정이 됩니다. 본문에 인용된 전문가도 API가 잘 갖춰진 경우에는 API를 우선 사용하겠다고 설명합니다.[1]

.       실무 적용: GUI는 모든 업무의 기본 수단보다, 기존 자동화가 닿지 못한 시스템 사이의 공백을 메우는 수단으로 보는 편이 합리적입니다.

 

2. 시장규모와 고용 영향의 추정

산정 구조

.       FUNDA의 방법론은 다음 요소를 결합합니다.[1]

.       직군별 인원·평균임금·업무별 시간 배분
→ AI 자동화 가능 비중
→ GUI 필요 비중
→ 노동비용 절감 가능액
→ AI 공급자가 매출로 확보하는 몫

.       주요 가정은 다음과 같습니다.[1]

요소	원문에서 사용한 자료·가정	검토할 한계
고용·임금	ILO 중심, 4개 직군으로 구분	직군 내부의 이질성
글로벌 임금 보정	70개 이상 국가 표본 평균의 70% 적용	보정계수의 민감도
업무시간 배분	O*NET 기반 연구·설문 등	지역·산업 간 이전 가능성
AI 자동화 비중	표준화·판단·신뢰성·경제성 평가	미래 능력과 채택 가정
GUI 의존 비중	API·플러그인·소프트웨어 환경 고려	향후 API·네이티브 AI 확산
공급자 몫	데이터 플랫폼·비용 최적화 서비스 가격 참고	다른 시장의 가격구조를 적용하는 한계

두 가지 결론을 구분해야 함

.       ① 연간 약 1조 달러

.       이는 장기적으로 AI 공급자가 얻을 수 있다고 추정한 추가 연간 매출 기회입니다. 전체 화이트칼라 임금총액이나 기업의 총절감액, AI 기업의 이익과 같지 않습니다.[1]

.       ② 약 1억 8천만 명, 글로벌 화이트칼라 고용의 약 18%

.       이는 자동화 가능한 노동시간을 전일제 일자리로 환산한 규모입니다. 동일 인원의 해고를 예측한 수치가 아닙니다. 저자는 절감시간이 모두 인원 감축으로 바뀔 때에만 해당 규모가 일자리 감소의 상한이 된다고 제한합니다.[1]

분석

.       시장규모 산정의 논리 구조는 이해할 수 있지만, 공개 자료만으로 세부 계산을 재현하기는 어렵습니다. 확인한 시장규모 도표에서는 입력 수치가 가려져 있습니다.

.       특히 다음을 구분해야 합니다.

.       기술적으로 자동화 가능
≠ 기업이 실제 도입
≠ 노동시간이 실제 절감
≠ 인건비가 현금으로 절감
≠ 절감액이 AI 공급자 매출로 전환

.       또한 여러 가정을 곱하는 구조이므로, 자동화율·GUI 비중·공급자 확보 비율의 변화가 최종 시장규모에 영향을 줍니다. ‘합리적인 가정’이라는 저자의 평가와 ‘추정값의 검증’은 별개입니다.

.       [보완 필요: 원문 Ⅳ-2] 기준연도·목표시점, 직군별 입력값, 채택률 반영 방식, 민감도 분석, 공급자 간 매출 배분 및 중복계상 여부가 공개되어야 추정의 견고성을 판단할 수 있습니다.

 

결론: ‘스피닝 제니’ 비유가 전달하는 의미

.       원문은 방적기 발전이 단위 생산당 노동을 줄이는 동시에 관련 산업을 확장했지만, 기존 노동자가 자동으로 새 일자리로 이동한 것은 아니었다고 설명합니다. 산업 성장과 개인의 직업적 손실이 동시에 발생할 수 있다는 비유입니다.[1]

.       이를 Computer Use에 적용하면 변화는 단순한 인력 대체보다 다음에 가깝습니다.

• 반복적인 화면 조작·전송·정리 업무는 에이전트로 이동.
• 사람은 결과 검수·예외 처리·조정·책임 판단에 집중.
• 이후 기업이 업무를 재설계하면서 인력 수요가 달라질 가능성.

.       이는 원문의 전망을 정리한 것이며, 전환 속도나 고용의 순감소 규모가 검증되었다는 뜻은 아닙니다.

 

종합 평가와 실무 시사점

평가 대상	판단
기술 방향	단일 화면 조작에서 다중 앱의 장기 업무 실행으로 평가 관점이 확장됨
성능 근거	벤치마크·데모·제한된 자체 시험이 혼재하므로 증거 수준을 구분해야 함
경제성	단순 행정 업무와 복잡한 전문 업무를 분리해 평가해야 함
실행 아키텍처	모델 능력뿐 아니라 상태 관리·검증·복구·권한 통제가 중요
시장 전망	유용한 장기 시나리오지만 공개 입력값만으로 재현·독립 검증하기 어려움
고용 전망	업무시간 환산을 실제 해고 인원으로 해석하면 안 됨

 

최종적으로 이 글은 Computer Use의 사업 기회를 설명하는 데 유용하지만, 인력 감축 규모를 확정하는 근거로는 부족합니다. 도입 판단의 중심은 ‘몇 개 앱을 조작하는가’가 아니라 ‘어떤 업무를, 어떤 권한 아래, 어느 정도의 검수·복구 비용으로 끝까지 완료하는가’가 되어야 합니다.

 

출처

.       [1] https://open.substack.com/pub/fundaai/p/deepllm-computer-use-white-collar — FUNDA: Computer Use—White-Collar Work’s Spinning Jenny Moment