안녕하세요, 에디터 요니입니다.

개인적으로 10월 첫 두 주는 새로운 기술과 관련된 인풋이 매우 많았던 시기였습니다.

조금은 게으른 추석 연휴를 보내던 중, 10월 6일 오픈 AI Dev Day에서 새로운 기술들이 발표됐습니다. 머리가 핑 돌 만큼 새로운 정보가 쏟아졌죠. 2~3주 사이 쏟아진 발표 내용을 따라잡느라 정신없이 여러 AI 기능을 실험해 보았습니다. 분주한 연휴가 지나고 복귀해서는 15일 개최된 AWS AI x Industry Week에 회사 동료들과 함께 참관했는데요, 모든 세션이 상상으로만 그렸던 산업 영역에서의 AI 실제 적용 사례를 본격적으로 다루고 있었습니다. 신기하기도, 두렵기도 한 감정과 함께, 실제 사용해 보면서 나는 앞으로 어떤 방식으로 일해야겠다는 인사이트를 얻기도 했습니다.

AI는 똑똑한 대화를 넘어 실제로 일을 하기까지 이르렀습니다. 개인의 일상에서부터 산업 영역까지 또 다른 변화를 일으키고 있는 에이전트 기반 AI(Agentic AI)를 소개해 드리고, 어떤 변화를 확인했는지, 또 일하는 방식은 어떻게 바뀔지에 관한 일개 기획자의 생각을 레터로 써서 보냅니다.

매주 8억 명의 사람들이 챗GPT를 사용한다고 합니다. 이렇게 대중화된 생성형 AI, 이 글을 읽고 있는 여러분도 이미 경험해 봤고, 유용하게 쓰고 계실 겁니다. 질문하면 답을 주고, 글을 써달라고 하면 써주고, 기획서나 보고서에 대한 인사이트도 주죠. 그 결과물은 내가 입력한 텍스트에 대한 텍스트 형식의 답변입니다.

예를 들어 노션에서 회의록을 정리한다고 해봅시다. 챗GPT에게 회의록을 요약하고 액션 아이템 체크리스트로 만들어 달라고 지시합니다. 그 답변을 복사해서 노션에 붙여넣고, 액션 아이템은 체크리스트로 만들어 담당자에게 슬랙으로 공유합니다. 단계마다 우리가 개입해야 하죠.

그럼 에이전트는 어떻게 다를까요? 노션 페이지에서 AI 에이전트에게 바로 업무 지시하는 상황을 예로 들어 설명해 보겠습니다. '최근 고객 피드백으로 버그 트래커 만들어줘'

그러면 노션 에이전트가 여러 단계를 알아서 연결해서 처리합니다. 고객 피드백 데이터를 찾아 읽고, 버그 이슈를 분류하고, 데이터베이스를 생성한 뒤 각 버그를 페이지로 만들어 추가합니다. 중간중간에 다음 액션을 지시하지 않아도, 에이전트가 알아서 필요한 행동을 판단하고 진행하죠. 결과물을 복사-붙여넣기 할 필요도 없고, 형식을 다시 정리할 필요도 없습니다. 노션 안에서 모든 게 완성되어 있는 결과를 확인할 수 있어요. 

이렇게 직접 도구를 조작하며 일을 완수하는 것이 바로 AI 에이전트입니다.

에이전트 개념 자체는 아주 새롭진 않습니다. 어거스트 레터에서도 작년 11월 앤트로픽에 관한 레터를 통해서 에이전트의 개념을 설명해 드렸었죠. (찬비 에디터, ??? : 나 오픈AI 다니다가 여기로 이직했다) 이미 몇 년 전부터 자율적으로 작업하는 AI에 대한 논의는 있었지만 실제로 만들기는 쉽지 않았습니다. 도구마다 연결 방식이 달랐기 때문입니다. 챗GPT가 피그마와 대화하려면 피그마 방식을 배워야 하고, 슬랙과 대화하려면 슬랙 방식을 따로 배워야 했습니다. 도구가 100개면 100가지 방식을 다 구현해야 했죠.

각 연결마다 전문 개발자가 필요하고, 막대한 비용과 인력이 투입되어야 했습니다. 더 큰 문제는 시장성 검증이었습니다. 다 만들어봐야 제대로 작동하는지 알 수 있었기 때문에, 투자 리스크가 너무 컸습니다.

✅ 공통 언어의 탄생 - MCP

2024년 말, 클로드의 개발사인 앤트로픽이 MCP (Model Context Protocol)을 발표하고 오픈소스로 공개했습니다. MCP는 AI와 도구를 연결하는 표준 연결 방식입니다.

에이전트는 MCP라는 공통 언어로 모든 도구와 대화할 수 있게 되어, 한 번만 개발하면 챗GPT에서도, 클로드에서도, 다른 어떤 AI 도구에서도 작동할 수 있게 되었습니다. 그리고 오픈AI도 이 표준을 채택했습니다. 가장 큰 두 AI 기업이 같은 표준을 쓰기 시작한 거죠. 결과적으로 생태계가 폭발적으로 성장하기 시작했습니다.

✅ 에이전트 개발 장벽이 낮아졌다

표준이 생겼다고 해서 모두가 에이전트를 만들 수 있는 건 아닙니다. 여전히 개발 지식이 필요하니까요. 하지만 이 장벽도 무너질 계기가 생겼습니다. 10월 6일, 오픈AI Dev Day에서 발표된 새로운 도구 Agent Kit로 쉽게 에이전트 워크플로우를 구현할 수 있습니다. Ramp라는 기업은 이 도구로 몇 달 걸리던 구매 에이전트를 몇 시간 만에 만들었다고 합니다. 아직 파일럿 단계고 갈 길이 멀지만, 방향성만큼은 명확합니다. 누구나 에이전트를 만들 수 있게 하겠다는 것이죠.

비용과 인력 장벽이 급격히 낮아졌습니다. 이제 개발자들은 "이거 되려나?" 고민하기보다 "일단 만들어보자"라고 생각할 수 있게 됐습니다. 시장성 검증도 빨라졌고요. 프로토타입을 빠르게 만들어서 실험하고, 안 되면 방향을 바꾸면 됩니다.

✅ 대중화 그리고 엔터프라이즈 진입의 폭발적인 시너지

기업 영역에서의 변화 역시 실험이 아닌 실행 단계로 접어들었다는 것이 느껴집니다. 제가 서론에 언급한 AWS AI x Industry Week에서는 모든 세션이 국내 산업 영역에서의 AI 실적용 사례를 다뤘습니다. 제일제당은 자연어로 영양정보를 검색하는 에이전트를 구축해 Fai라는 서비스로 실제 서비스하고 있고, LG전자는 에이전트 협업 시스템으로 마케팅 리포트 작업 시간을 99% 단축했다고 합니다.

챗GPT, 클로드 같은 서비스에서 에이전트 도구들을 제공하면서, 개인은 활발하게 활용하고, 기업은 본격적으로 산업 영역에 적용하기 시작했습니다. 이 두 흐름이 2025년 하반기에 동시에 일어나면서, 에이전트의 시대가 본격적으로 열리고 있습니다.

👉 때로는 얕고 넓게, 때로는 좁고 깊게 취사선택 해보자.

챗GPT나 클로드 같은 생성형 AI를 통해 에이전트를 활용하면 많은 일을 할 수 있습니다. 하나의 대화창에서 명령을 통해 글 쓰고, 코드도 짜고, 번역도 하고, 분석도 하죠. 하나의 도구로 웬만한 건 다 해결할 수 있다는 게 매력입니다.

하지만 전문적인 작업 영역으로 들어가면 아쉬운 부분이 드러납니다. 챗GPT에게 "내가 설명한 내용을 피그잼 플로우 차트로 만들어줘."라고 지시하면, 피그마 API를 통해 작업을 시도하고 그럴듯한 결과가 나옵니다. 하지만 조금 수정하려고 하면 난관에 봉착하게 되죠.

피그잼에서 직접 같은 지시를 내리면 피그마 전용 에이전트가 디자인 맥락을 이해하고 더 정확한 결과를 만들어냅니다.

여러 간단한 작업을 한 번에 처리하기 위해서는 범용 에이전트를 활용하면 좋겠습니다. 하지만 하나의 작업을 장인처럼 깎아가려고 한다면 전문 에이전트로 좁고 깊게 작업해 보는 게 좋겠더라고요.

👉 자연어로 명령하는 게 더 이상 어색하지가 않다.

슬랙이나 다른 업무 메신저에서 과거 대화를 찾아본 적 있나요? 이제는 그냥 옆자리 사람에게 묻듯이 물으면 됩니다.

키워드 조합도, 검색 연산자도, 채널 필터도 필요 없었습니다. 과거에는 도구마다 사용법을 배워야 했습니다. 엑셀은 VLOOKUP 같은 함수 문법을, 슬랙은 from:@사용자 in:#채널 같은 검색 연산자를 배워야 했죠. 이제는 사람의 언어로 생각하는 대로 말하면 됩니다. 

자연어 인터페이스 덕분에 에이전트는 누구나 사용하게 될 것입니다. 도구 사용법을 배우지 않아도 그냥 말하면 되니까요. 마치 스마트폰 터치 인터페이스가 컴퓨터보다 진입장벽을 낮춘 것처럼, 자연어 인터페이스는 에이전트를 누구나 쓸 수 있게 만들고 있습니다.

💬 AI 쇼핑 에이전트의 대중화는 생각보다 천천히 올 것 같아요

저는 커머스 회사에서 기획자로 일하고 있습니다. 여러 발표 내용 중에서 Agentic Commerce라는 항목도 눈에 띄더라구요. AI 에이전트가 상품 검색부터 비교, 추천, 결제까지 전 과정을 대행할 수 있도록 오픈AI와 구글이 표준을 만들고 있다고 합니다. 우리 업계의 미래는 어떻게 될까요? 그 변화는 얼마나 가까운 시일 내에 올까요?

변화가 아주 빠르지는 않을 것 같다는 생각이 한편으론 들었습니다. 지금 챗GPT가 옷을 추천해 준다면 여러분은 구매할 수 있을 것 같으신가요? 소비는 감각과 감정적 결정이 꽤나 큰 영역이므로, 합리적인 추천만으로는 부족할 겁니다. 살아오는 내내 직접 고르고 구매하던 사람들이 AI에게 소비를 전면적으로 맡기기로 전환하는 데 시간이 걸리기도 할 거고요. 실제로도 이커머스가 대세라곤 하지만 오프라인 커머스의 결제 비중이 훨씬 큰 것처럼 전환에는 생각보다 많은 시간이 필요할것입니다.

하지만 단순 재구매부터 시작해서, 점차 큰 소비에 대한 의사결정으로 확장될 거라는 방향성만은 확실한 것 같네요. 좌절하거나 비장해하기 보단, 점진적으로 변화에 대비해야 할 것 같습니다.

지금 할 수 있는 건 고객이 AI 추천을 신뢰할 수 있는 경험을 차근차근 쌓아가는 것이 커머스 기획자가 지금 준비할 수 있는 것들이라 생각합니다.

💬 AI 에이전트를 다루는 사람 에이전트가 생기지 않을까

일부 기업에서 AI 활용도를 개인 성과 평가에 반영하기 시작했다고 하는데요. ‘프롬프트 쓰는 능력’을 막연하게 평가하는 것보다 ‘에이전트를 활용해 반복 업무를 줄이고 생산성을 높였다’라는 식으로 정량적 평가가 가능해질 것 같습니다.

업무 프로세스를 이해하고, 어디에 에이전트를 배치하면 효율적인지 파악하는 직군이 생길 것이라는 예상을 해봅니다. '이 반복 작업, 에이전트로 자동화하면 되겠네'라고 발견하는 능력이 핵심이죠. 개발자와 운영팀 사이를 연결하는 DevOps 직군처럼, 업무 담당자와 에이전트 사이를 연결하는 역할이 필요해질 겁니다.

그런 영역까지 완전히 자동화될 수 있지 않을까? 라고 생각할 수 있지만, 각 기업의 상황이 다르고 내부 데이터 보안에 민감하므로 내부 데이터만을 다룰 수 있는 전문 직군이 필요하게 될 것 같다는 생각이에요. 회사의 비즈니스 프로세스, 데이터 정책, 보안 요구사항에 맞춰 커스터마이징하고 결과를 판단하고 통제할 수 있는 컨트롤 타워 역할이 되지 않을까요.

💬 데이터에 더해 대화, 히스토리, 맥락이 경쟁력이다

LG전자 마케터들은 매주 광고 성과 리포트를 만들었습니다. 여러 플랫폼에서 데이터를 모으고, 정리하고, 차트 만들고, 인사이트 뽑으면 족히 3일은 걸렸다네요. 에이전트를 도입하고 난 뒤 이 작업의 소요시간은 30분으로 줄어들었다고 합니다.

비결은 LG만의 맥락을 학습시켰다는 겁니다. 어떤 지표가 중요한지, 어떤 형식으로 보고해야 하는지, 어떤 인사이트를 원하는지. 이 맥락을 에이전트에게 가르쳤습니다. 게다가, 각 에이전트의 작업을 누적해 수립한 계획, 처리한 데이터, 검증 과정의 피드백이 모두 기록됩니다. 이렇게 전체 맥락이 보존되니까, 다음번 리포트를 만들 때 더 정확해질 수 있었다고 합니다.

데이터 히스토리뿐 아니라 과거의 시도, 의사결정 과정, 실패와 성공의 맥락까지. 이런 맥락을 쌓아가는 기업이 에이전트 시대의 경쟁력을 갖게 될 겁니다.

이런 여러 생각들을 모아봤을 때, 에이전트가 똑똑해질수록 에이전트의 빈틈을 채우고 전체 협업을 강화할 수 있게 만드는 역할이 중요해질 것 같습니다. 똑똑한 에이전트 중에서 임무에 맞는 에이전트를 선별하고, 어떻게 연결해서 쓸 것인지. 저도 기획자로서 연결을 기획하는 관점에서 AI를 활용해 보려고 합니다.

AWS Industry Week 한샘 발표에서 인상적이었던 한마디가 있었습니다. 'AI가 이미지를 생성해 주더라도 브랜드 정체성을 헤치지 않도록 창의성을 통제해야 한다.' 에이전트는 엄청나게 빠르게 결과물을 만들어냅니다. 하지만 그게 우리 비즈니스 맥락에 맞는지, 우리 브랜드 가치에 부합하는지 최종 판단하는 건 사람의 몫입니다.

거창한 방향성이 아니더라도 괜찮습니다. 개발자도, 전문가도 아니지만 어떤 작업에 에이전트를 활용 할 수 있을지, 어떤 연결을 만들 수 있을지 설계하고, 결과물이 기준에 맞는지 판단하는 방법을 알아가는 것 만으로도 거대한 변화의 바람과 같은 방향으로 순항하는 방향성일 거라는 확신이 듭니다.