“제가 사장이고, 클로드는 팀입니다.”

저는 강의 자료를 만들고, 뉴스레터를 발행하고, 새로운 제품을 기획하는 일을 동시에 합니다. 몇 년 전까지만 해도 이 일들을 혼자 해내려면 하루를 두 배로 늘려야 했습니다. 지금은 다릅니다. 클로드라는 AI 팀원 여러 명이 제 옆에 앉아 있고, 저는 그들에게 업무를 분배하고 결과를 검토합니다.

이 변화의 핵심은 한 가지였습니다. 챗봇과 대화하지 않기로 결심한 것입니다.

지난 2년간 많은 이들이 AI에 좋은 질문을 잘 던지는 법을 배우려고 했습니다. 프롬프트 엔지니어링이라는 단어가 한 시대를 정의했죠. 그러나 저는 정반대 방향으로 움직였습니다. 질문을 줄이고, 대신 매뉴얼을 만들기 시작했습니다. AI가 매번 같은 질문을 받지 않아도 알아서 일할 수 있도록 환경을 설계한 것입니다.

AI를 사용하는데도 왜 내 일은 줄지 않을까?

AI를 처음 봤을 때는 정말 신기했습니다. “이메일 써 줘.”, “번역해 줘.”, “코드 설명해 줘.” 대화창에 내가 필요한 것만 입력하면 답이 나왔으니까요. 하지만 일반 대화창을 열고 실제 업무를 하려고 할 때마다 벽에 부딪혔습니다. 정확히 세 가지 벽이었습니다.

❶ 첫 번째 벽: 기억 상실

월요일에 자료를 주고 분석 결과물을 받았더라도, 화요일에 새로운 창을 켜고 작업을 이어가려면 파일을 다시 올리고 상황을 다시 설명해야 합니다. 매일 출근하면 기억이 리셋되는 비서와 일하는 느낌이었습니다.

❷ 두 번째 벽: 실행 능력의 부재

“분석 결과를 엑셀 파일로 저장해 줘”라고 하면 “죄송합니다. 저는 파일을 저장하는 기능이 없습니다”라고 응답합니다. 대답은 잘하지만 실행하지 못합니다. 결국 사용자가 답변을 복사해 엑셀에 붙여 넣고, 서식을 잡고, 파일 이름을 정하고, 폴더에 저장하는 일을 직접 해야 했습니다. 품이 덜 든 게 아니라, 품이 다르게 든 것이었습니다.

❸ 세 번째 벽: 깊이의 부족

“시장 조사 보고서를 만들어 줘”라고 하면 한 번에 쫙 써주기는 합니다. 그런데 자세히 보면 데이터는 오래되었고, 경쟁사 분석은 수박 겉핥기식이며, 결론은 빤한 일반론입니다. 하나의 두뇌가 리서치, 분석, 작성, 검토를 모두 처리하다 보니 각 단계의 깊이가 떨어지는 것입니다.

사람 한 명에게 모든 일을 한꺼번에 시켜도 느리고 품질은 떨어지기 마련입니다. 대화창 하나로는 분명한 한계가 존재합니다.

도구를 쓰고 판단하며 실행하는 AI, AI 에이전트

편한 듯 불편했던 AI 세계는 2024년부터 분위기가 달라졌습니다. 에이전트라는 개념이 본격적으로 주목받기 시작했기 때문입니다. AI 에이전트는 단순히 답변하는 AI가 아닙니다. 도구를 사용해 실제 작업을 수행하는 AI입니다.

“이번 달 매출 보고서 만들어 줘”라는 업무를 일반 채팅창에 시키면, 사용자가 매출 데이터를 복사해서 붙여 넣고 분석을 요청해야 합니다. 텍스트로 분석 결과가 나오면 다시 워드에 붙여 넣습니다. 차트가 필요하면 엑셀을 열어 직접 만들고, 서식을 잡고, 파일 이름을 정해 폴더에 저장합니다. AI가 한 일은 텍스트 생성뿐이고, 나머지 단계는 전부 사람이 처리한 것입니다.

반면 에이전트에게 시키면 다릅니다. 질문이 아니라 목표를 줍니다. “이번 달 매출 보고서 만들어 줘.” 그러면 에이전트가 알아서 데이터를 찾고, 분석하고, 보고서를 만들어 옵니다. 우리는 결과를 검토하고 피드백을 주면 됩니다. 지시 한 줄로 모든 일이 끝나는 것. 우리가 생각한 바로 그 AI의 모습입니다.

멀티 에이전트란? AI가 다른 AI에게 일을 시키는 구조

에이전트 하나만으로도 충분히 강력합니다. 하지만 여기서 한 단계 더 나아갈 수 있습니다. 여러 에이전트를 하나의 팀처럼 움직이는 것. 이를 멀티 에이전트라고 부릅니다.

영화 한 편을 만든다고 생각해 보세요. 감독 혼자 시나리오를 쓰고, 촬영하고, 편집하고, 음악까지 만들면 모든 일을 할 수는 있겠지만, 각각의 완성도는 떨어질 가능성이 큽니다. 실제 영화 제작에서는 감독이 비전을 제시하고, 각본가가 대본을 쓰고, 촬영 감독이 화면을 잡고, 편집 기사가 다듬고, 음악 감독이 사운드를 입힙니다. 각자의 전문성이 합쳐져 하나의 완성도 높은 결과물이 만들어지는 것입니다.

멀티 에이전트도 같은 원리입니다.

• 리서치 에이전트는 경쟁사를 조사합니다.
• 분석 에이전트는 데이터를 정리합니다.
• 글쓰기 에이전트는 보고서를 작성합니다.
• 메인 에이전트는 업무를 나누고 결과를 모아 보고합니다.

마치 팀장이 팀원들에게 업무를 분배하는 것과 같은 구조입니다.

질문자에서 지시자, 그리고 오케스트레이터로

AI 시대에 사람의 역할은 세 단계로 변화하고 있습니다.

첫 번째는 일반 채팅창, 즉 챗봇 시대입니다. 우리는 질문자였습니다. ‘좋은 질문을 해야 한다’고 많은 전문가가 이야기했고, 좋은 질문으로 좋은 답을 끌어내려고 했습니다. 프롬프트 엔지니어링이라는 말이 유행한 이유입니다. 어떻게 물어볼지를 고민하는 시대였습니다.

두 번째는 에이전트 시대입니다. 우리는 지시자가 되었습니다. 우리는 질문이 아니라 목표를 줍니다.  “이번 달 매출 보고서를 만들어 줘.”처럼 말이죠. 그럼 에이전트가 알아서 데이터를 찾고, 분석하고, 결과물을 만들면 우리는 결과를 검토하고 피드백을 줍니다.

세 번째는 멀티 에이전트 시대입니다. 우리는 오케스트레이터가 됩니다. 오케스트라의 지휘자가 연주자들에게 언제, 어떻게 연주할지 지시하는 것처럼 여러 에이전트의 역할을 정하고, 협업 구조를 설계하며, 팀 전체의 성과를 관리합니다. 작업을 직접 처리하는 것이 실무자의 일이었다면, 이제는 작업을 수행하는 에이전트를 지휘하고 결과물을 평가하며 전략적 방향을 제시하는 것이 일이 됩니다.

1인 직장인이 10명분의 AI 팀을 갖는다는 의미

팀원 없이 혼자서 마케팅 전체를 담당하는 7년 차 김 과장의 월요일을 따라가 보겠습니다. 

아침 9시, 김 과장은 클로드에 입력합니다. 

“오늘 이메일을 정리하고 일정을 브리핑해 줘.” 5분 후 받은 편지함 47통이 중요도 별로 분류되고, 오늘 일정 세 건이 요약되어 올라옵니다. 급한 메일 두 통에는 답장 초안까지 붙어 있습니다. 

오전 10시 경쟁사 세 곳의 최근 뉴스, 재무제표, 신제품 출시 현황을 조사하도록 지시합니다. 

리서치 에이전트와 데이터 분석 에이전트가 동시에 움직이고, 점심 전에 1차 자료 수집이 끝납니다. 

오후 1시에는 수집된 자료를 바탕으로 보고서 초안을 만듭니다. 

글쓰기 에이전트가 보고서를 만들고, 검토 에이전트가 오타와 논리 오류를 잡아줍니다.

오후 업무도 AI 에이전트와 함께 진행합니다.

이제 중요한 것은 ‘좋은 질문’보다 ‘일의 구조’입니다

“제 담당 업무는 마케팅이 아닌데요?”라고 생각하실 수 있습니다. 어떤 직무든 패턴은 같습니다. 해야 할 일을 역할별로 나누고, 각 에이전트에 업무를 맡긴 뒤, 결과를 하나로 합치는 것입니다.

챗봇 시대에는 좋은 답을 얻기 위해 질문을 다듬어야 했습니다. 에이전트 시대에는 원하는 결과와 업무 방식을 명확하게 지시해야 합니다. 그리고 멀티 에이전트 시대에는 여러 에이전트가 각자의 역할을 수행할 수 있도록 협업 구조를 설계해야 합니다.

사람의 역할도 달라집니다. 자료를 직접 찾고, 정리하고, 초안을 만드는 일에서 벗어나 어떤 일을 누구에게 맡길지 결정하고, 결과물의 품질을 검토하며, 최종 방향을 판단하는 데 집중하게 됩니다.

혼자 일한다는 의미 역시 달라지고 있습니다. 일하는 사람은 한 명이어도, 그 사람을 지원하는 AI는 비서, 리서처, 분석가, 작성자, 검토자의 역할을 나눠 맡을 수 있습니다. 한 사람이 모든 업무를 직접 처리하는 것이 아니라, 한 사람이 여러 AI 에이전트를 지휘하는 구조입니다.

결국 앞으로의 생산성 차이는 AI를 얼마나 자주 사용하는지가 아니라, AI가 스스로 일할 수 있는 환경과 팀 구조를 얼마나 잘 설계하느냐에서 만들어질 것입니다.

위 컨텐츠는 『클로드 에이전트 협업의 기술』에서 내용 발췌하여 작성하였습니다.