[태그:] AI 에이전트

코딩 도구인 클로드 코드(Claude Code)로 여름 휴가 계획을 짜는 사람들이 생겼다. 영수증 정리, 이메일 요약, 지출 보고서 작성—코딩과 전혀 무관한 업무들이다. 개발자용으로 만든 도구를 비개발자들이 훨씬 넓은 용도로 갖다 쓰기 시작한 것이다. Anthropic도 처음엔 예상 못 했을 거다. 이 ‘그림자 활용’이 결국 클로드 코워크(Claude Cowork) 탄생의 방아쇠가 됐다.

AI 에이전트가 내 폴더에 들어오기까지

LLM 기반 AI의 진화 방향이 여기서 한 번 갈렸다. 텍스트를 주고받는 수준에 머물던 AI가 이제 실제 파일 시스템에 손을 뻗기 시작했다. 단순히 ‘이렇게 고치면 어때요?’라고 제안하는 게 아니라, 직접 파일을 열고 수정하고 저장하는 단계다. Anthropic은 클로드 코드 사용자들의 비기술적 활용 패턴을 포착하고, 비개발자도 AI 에이전트의 자동화 능력을 쉽게 쓸 수 있는 솔루션을 내놨다. 그게 코워크다.

코워크, 실제로 뭘 해주냐 하면

클로드 코워크는 사용자가 지정한 로컬 폴더에 직접 접근해서 작업을 처리한다. 기술 전문가가 아니어도 쓸 수 있게 설계됐다는 게 핵심이다. 폴더를 지정하면 에이전트가 그 안에서 네 가지 일을 한다.

• 파일 읽기 및 분석: 폴더 내 문서를 전부 훑어서 정보를 추출하고 맥락을 파악한다.
• 파일 수정 및 편집: 기존 문서를 직접 고치거나 특정 섹션을 업데이트한다.
• 파일 생성: 분석 결과를 바탕으로 새 문서, 스프레드시트, 보고서를 만들어낸다.
• 파일 정리 및 구성: 뒤섞인 파일을 종류별로 분류하고, 파일명을 알아서 바꾼다.

실제 예시를 보면 더 와닿는다. 스크린샷으로 찍어둔 영수증 사진이 폴더에 쌓여 있다고 치자. 코워크에 연결하면 AI가 사진들에서 날짜·금액·항목을 뽑아내 지출 보고서 스프레드시트를 자동으로 만들어준다. 여러 문서에 흩어진 메모를 모아 보고서 초안을 써내는 것도 가능하다. 현재는 macOS 데스크톱 앱으로, 클로드 맥스(Claude Max) 구독자를 대상으로 연구 미리보기 형태로 제공 중이다. 윈도우 확장은 추후 예정이다.

챗봇이랑 뭐가 다른 건데

기존 챗봇은 텍스트를 복사해서 붙여넣으면 텍스트로 답을 돌려줬다. 코워크는 다르다. ‘에이전트 루프(agentic loop)’를 통해 스스로 움직인다. 작업을 맡기면 네 단계를 밟는다.

1. 목표 설정 및 계획 수립: 주어진 작업을 이해하고 구체적인 실행 단계를 계획한다.
2. 실행: 계획에 따라 지정 폴더에서 파일을 읽고, 수정하고, 생성한다.
3. 자기 검증 및 피드백: 작업 결과를 스스로 평가한다. 오류가 있으면 수정하거나 다른 방법을 시도한다.
4. 모호할 때의 질의: 지시가 불분명하거나 정보가 부족하면 사용자에게 확인을 요청한다.

이게 실제로 동료에게 업무를 위임하는 것과 비슷한 느낌을 준다. Anthropic의 기존 ‘커넥터(Connectors)’ 생태계와도 연동되어 아사나(Asana), 노션(Notion), 페이팔(PayPal) 같은 외부 서비스와도 연결된다. ‘클로드 인 크롬(Claude in Chrome)’ 브라우저 확장과 함께 쓰면 웹 탐색, 양식 작성, 정보 수집도 소화된다. ‘스킬(Skills)’ 기능으로 특정 문서 작성이나 프레젠테이션 제작도 가능해서 활용 폭이 꽤 넓다.

1주일 반 만에 만들었다고요

코워크 출시 소식에서 가장 충격적이었던 건 이 숫자다. Anthropic 내부 관계자에 따르면 코워크 핵심 기능 대부분을 단 1주일 반 만에 개발했다고 한다. 이게 가능했던 건 개발팀이 자사 AI 코딩 에이전트인 클로드 코드를 직접 활용해서 상당 부분을 구축했기 때문이다.

AI 도구가 스스로 더 나은 AI 도구를 만들어내는 ‘재귀적 개선 루프(recursive improvement loop)’가 이미 현실이 됐다는 증거다. 이게 AI 연구실 간 기술 격차를 빠르게 벌려놓을 수 있는 이유이기도 하다. 에이전트를 내부적으로 잘 쓰는 조직은 그렇지 못한 조직보다 제품 출시 속도가 근본적으로 달라진다. 개발 주기가 몇 주에서 며칠로 압축되면, 실험 횟수 자체가 달라지니까.

양날의 검: 내 파일을 AI가 지운다면

좋은 소식만 있는 건 아니다. AI 에이전트가 파일을 직접 수정하고 삭제까지 할 수 있다는 건—솔직히 좀 불안하다. Anthropic도 코워크 출시 발표에서 이 위험성을 투명하게 인정했다.

• 파일 조작 위험: 클로드는 사용자의 지시에 따라 로컬 파일 삭제 같은 잠재적으로 파괴적인 행동을 수행할 수 있다. AI가 지시를 잘못 해석할 가능성이 있으므로, 민감한 작업에는 매우 명확한 지침이 필요하다.
• 프롬프트 인젝션 공격: 악의적인 행위자가 AI가 접근하는 콘텐츠(웹 페이지, 문서 등)에 숨겨진 지시를 심어서 AI를 오작동시킬 수 있다. Anthropic이 방어책을 구축 중이지만, 에이전트 안전 문제는 여전히 업계 전반에서 연구 중인 미해결 과제다.

Anthropic은 이 위험이 코워크만의 문제가 아니라 AI 에이전트 기술 자체에 내재된 특성이라고 강조한다. 마이크로소프트 코파일럿(Copilot)과 비교해보면, Anthropic은 에이전트를 특정 폴더에만 가두고 명시적인 커넥터만 허용하는 ‘샌드박스(sandboxed)’ 방식을 택했다. 운영체제 전체에 에이전트가 개입하는 방식보다 보안 위험을 낮추려는 설계다. 그래도 사용자가 위험을 직접 인지하고 신중하게 관리해야 한다는 전제는 변하지 않는다.

솔직히 써보니까

코워크 소식을 처음 접했을 때 든 생각은 두 가지였다. ‘드디어 올 게 왔구나’와 ‘근데 이걸 어디까지 믿고 쓰지?’ 동시에. 영수증 정리, 문서 요약 같은 반복적인 작업을 맡길 수 있다는 건 확실히 매력적이다. 여러 파일에 흩어진 정보를 취합해서 보고서 초안을 써주는 기능은—매번 손으로 하던 작업이라 기대가 크다. 유능한 인턴에게 일을 시키는 기분이라고 해야 할까.

근데 보안 걱정이 사라지진 않는다. 지정 폴더 안에서 파일을 만들고 수정하고 삭제까지 할 수 있다는 건 분명 위험 요소다. Anthropic이 샌드박스 방식을 택해 위험을 줄이려 했지만, 사용자가 잘못된 지시를 내리거나 AI가 지시를 오해하는 상황은 언제든 생길 수 있다. 아직 macOS 구독자만 연구 미리보기로 쓸 수 있다는 것도 아쉽다. 윈도우까지 확장되면 접근성이 훨씬 넓어질 텐데. 잠재력은 크다고 생각하지만, 그 전에 기술의 한계를 제대로 이해하는 게 먼저다.

결국 어떻게 써야 하나

AI 에이전트 도입은 ‘업무 위임’이라는 새로운 패러다임이다. 반복적이고 지루한 일은 에이전트에게 맡기고, 창의적이고 전략적인 업무에 집중하는 구조다. 이 방향으로 실제로 가려면 몇 가지를 미리 챙겨야 한다.

• 명확한 목표 설정: 에이전트의 성능은 지시의 명확성에 달려 있다. 모호한 요청일수록 결과도 모호해진다. 목표, 제약 조건, 기대 결과물을 구체적으로 제시해야 한다.
• 단계적 도입과 모니터링: 핵심 업무에 처음부터 에이전트를 전면 투입하는 건 위험하다. 비교적 덜 중요한 업무나 테스트 환경에서 먼저 써보면서 작동 방식을 파악하는 과정이 필요하다. 작업 과정을 꾸준히 확인해서 예상치 못한 결과를 사전에 막는 것도 중요하다.
• 보안 및 데이터 관리 원칙 수립: AI 에이전트에게 어떤 데이터까지 접근을 허용할지 내부 정책을 먼저 세워야 한다. 민감한 정보는 별도 보안 환경에서 다루거나, 에이전트 접근 권한을 엄격히 제한하는 게 현명하다.
• 협업 도구와의 통합: 코워크의 커넥터 기능처럼, AI 에이전트가 평소 쓰는 협업 도구—프로젝트 관리, 문서 공유 등—와 매끄럽게 연동될 때 생산성 향상이 실제로 체감된다.

파일 정리, 데이터 분석, 보고서 작성, 웹 정보 수집—이런 작업들을 에이전트에게 위임하는 미래가 생각보다 빨리 오고 있다. VentureBeat AI가 전한 바에 따르면 이 기술은 이미 실사용 단계에 진입했다. 사용자의 신중한 관리와 탄탄한 보안 인식이 뒷받침된다면, AI 에이전트는 개인 생산성과 기업 디지털 전환을 동시에 앞당기는 엔진이 될 것이다. 지금 당장 쓸 수 있는 도구가 눈앞에 있다. 단, 눈을 뜨고 써야 한다.

출처: VentureBeat AI

음성 비서에게 ‘이탈리아 여행 계획 짜줘’라고 말해본 사람이라면 이미 안다. 돌아오는 건 항공사 링크 열 개, 숙소 비교 사이트 서너 개. 탭은 쌓이고, 실제 예약은 결국 직접 해야 한다. 그게 지금까지의 AI였다. 그런데 만약 AI가 내 항공 마일리지를 확인하고, 지난 여행 기록을 뒤져 선호 좌석을 파악한 뒤, 실제로 티켓을 예약하고 일정표까지 카카오톡으로 보내준다면? 이게 에이전트 AI가 하려는 일이다. 정보를 ‘찾아주는’ 단계가 끝나고, 정보를 ‘활용해 실제로 해내는’ 방향으로 전환이 시작됐다.

에이전트 AI란? ‘알려주는’ AI와 ‘해주는’ AI의 차이

공식 명칭은 ‘자율형 인공지능’ 혹은 ‘AI 에이전트’. 기존 LLM 기반 챗봇들은 질문에 답하는 게 본업이다. 정확히는 ‘언어적으로 그럴듯한’ 답을 생성하는 것. 명확한 지시 없이는 움직이지 않고, 외부 시스템과 직접 연동해 뭔가를 실행하는 건 기본적으로 안 된다. ‘내일 비 오면 우산 주문해줘’는 처리 불가다.

에이전트 AI는 거기서 한 발 더 나간다. 목표만 던져주면 스스로 계획을 세우고, 필요한 도구를 선택하고, 실행까지 마친다. 유능한 비서랑 구조가 같다. 상사가 “이번 달 매출 보고서 만들어”라고 하면 비서는 데이터를 직접 끌어오고, 정리하고, PPT까지 뽑아낸다. 에이전트 AI가 하려는 게 딱 그거다.

• 정보 제공 → 직접 실행: 검색 결과를 보여주는 것에서 그 결과를 활용해 실제 행동으로 옮긴다.
• 수동 대기 → 능동적 문제 해결: 목표가 주어지면 필요한 단계를 스스로 분석하고, 적합한 도구를 골라 처리한다.
• 일반 답변 → 개인화 실행: 과거 선호도, 예산, 제약 조건을 학습해 나에게 맞는 방식으로 움직인다.

기존 AI와 에이전트 AI — 결정적으로 다른 한 가지

핵심 차이는 ‘도구 사용(Tool Use)’과 ‘계획 수립(Planning)’ 능력이다. 특정 목표가 생기면 에이전트 AI는 이런 순서를 밟는다.

• 목표 분해: 최종 목표를 달성 가능한 하위 작업들로 잘게 쪼갠다.
• 전략 수립: 각 하위 작업마다 최적의 순서와 방법을 정한다.
• 도구 선택 및 사용: 웹 검색, API 호출, 이메일 전송, 결제 시스템 연동 등 필요한 도구를 그때그때 꺼내 쓴다.
• 실행 + 피드백 반영: 계획을 실행하면서 결과를 보고, 필요하면 다음 단계를 바로 수정한다.

이 자율 실행 능력 덕분에 에이전트 AI를 단순 AI 비서가 아닌 ‘디지털 동료’라고 부르기 시작했다. 처음엔 좀 과한 표현 같았는데, 실제로 해내는 일의 범위를 보면 그 표현이 틀리지 않는다.

작동 원리 3단계 — 계획, 실행, 학습

구조 자체는 생각보다 단순하다.

1. 계획(Planning): 지시와 목표를 받아서 행동 계획을 짠다. ‘제주도 가족 여행’이라는 목표가 들어오면 → 날짜 확인 → 항공권 검색 → 숙소 비교 → 렌터카 여부 판단 → 예약 → 확인 메일 발송, 이런 식으로 하위 작업을 나눈다. 사람이 복잡한 프로젝트 시작 전에 Gantt 차트를 그리는 것과 같은 과정이다.
2. 실행(Execution): 계획대로 외부 시스템에 붙는다. 항공사 API를 호출하고, 호텔 예약 플랫폼에 접속하고, 결제까지 진행한다. 중간에 선택한 항공편이 매진됐다면 — 유연하게 대안을 찾거나 사용자에게 보고한다. 예외 상황에서 멈추지 않는다는 게 포인트다.
3. 학습 및 개선(Learning & Refinement): 매 실행 결과를 평가해서 다음번 정확도를 높인다. 내가 항상 창가 좌석을 고른다면, 다음엔 묻지 않고 창가로 잡는다. 쓸수록 나한테 맞게 다듬어진다. 이게 시간이 지날수록 에이전트가 더 유능해지는 이유다.

일상에서 뭐가 달라지나

개인 생활부터 보자. 체감 변화가 뚜렷한 영역이 세 군데다.

• 스마트 쇼핑: ‘이번 달 예산 15만 원 안에서 유기농 채소랑 과일 정기 배송 맡겨줘’라고 하면, AI가 여러 쇼핑몰을 직접 비교해 가장 합리적인 구성으로 주문을 완료한다. 탭 열고 가격 비교하던 시간이 사라진다.
• 여행 및 여가: ‘포인트 써서 조용한 데로 가족 여행 다녀오고 싶어’라는 한 문장이면 항공·숙소·렌터카 예약이 한 번에 끝난다. 내가 할 일은 짐 싸는 것뿐. 솔직히 이게 가장 기대되는 변화다.
• 개인 비서: 복잡한 일정 조율, 이메일 분류, 회의 자료 요약 같은 작업들이 알아서 처리된다. 지금은 Slack 메시지 몇 번 오가야 잡히는 팀 회의 시간이 에이전트 하나로 해결된다.

비즈니스 쪽은 변화의 폭이 더 크다.

• 고객 서비스: 단순 문의 응대를 넘어 주문 변경·환불 처리·맞춤 상품 추천까지 자율 수행한다. 24시간 운영 가능하고 실수도 적다.
• 영업 및 마케팅: 잠재 고객 발굴부터 캠페인 실행, 실시간 성과 분석과 전략 수정까지 한 사이클을 에이전트가 돌린다.
• 데이터 분석 및 보고: 방대한 데이터에서 인사이트를 추출하고 정기 보고서를 자동 생성한다. 사람 손이 많이 타던 영역이 크게 줄어든다.
• HR 및 관리: 채용 프로세스 자동화, 온보딩 교육 추천, 복리후생 관리 같은 행정 업무 부담이 확 줄어든다.

반복 업무에서 벗어나 창의적이고 전략적인 일에 집중하는 구조. 말로는 늘 해왔던 얘기지만, 에이전트 AI가 이걸 실제로 가능하게 할 첫 번째 기술인 건 맞다.

도입할 때 꼭 짚어야 할 지점들

가능성이 크다고 무조건 좋은 게 아니다. 몇 가지는 걱정이 된다.

• 데이터 신뢰성과 맥락 이해: AI가 잘못된 데이터를 기반으로 판단하면 실행 결과도 틀어진다. 단순 사실 나열을 넘어 상황과 맥락에 대한 깊은 이해가 성능을 좌우하는 핵심 변수다.
• 보안 및 개인 정보 보호: 금융 정보, 개인 일정, 이메일 접근 권한까지 에이전트가 다루게 된다. 뚫리면 일반 데이터 유출과 차원이 다른 피해가 생긴다. 최고 수준의 보안 설계가 전제조건이다.
• 윤리적 문제와 책임 소재: AI가 자율 판단으로 잘못된 결제를 실행했을 때 책임이 개발사인지, 운영사인지, 사용자인지 아직 정리가 안 됐다. 법적·사회적 합의가 초기 단계다.
• 인간과의 협업 모델: AI가 다 대체하는 게 아니라, 인간의 판단과 AI의 실행력을 어떻게 잘 섞느냐가 도입 성패를 가른다. 전권을 주는 것도, 너무 좁은 권한만 주는 것도 비효율이다.

다음 수순은

에이전트 AI는 AI 기술 진화의 당연한 다음 단계다. 개인 생산성을 극대화하고, 기업 경쟁력을 강화하며, 이전에는 불가능했던 새로운 서비스와 비즈니스 모델을 만들어낼 잠재력이 있다.

MIT Tech Review 보도를 보면, “에이전트 커머스는 진실과 맥락 위에서 작동한다”는 표현이 나온다. 신뢰할 수 있는 데이터와 맥락 이해 없이는 에이전트도 그냥 빠른 실수 기계에 불과하다는 얘기다. 기술적 난관과 윤리적 논의가 아직 현재 진행형이지만, 방향성 자체는 이미 정해졌다.

각자의 디지털 에이전트가 옆에서 반복 업무를 처리하고, 사람은 더 가치 있는 일에 집중하는 구조. 준비된 곳이 먼저 이 변화를 자기 것으로 만들 것이다.

출처: MIT Tech Review AI