글

라벨이 AI 에이전트인 게시물 표시

GPT-5.5가 1등인데, 가장 어려운 문제에서는 둘 다 0점이었습니다(에이전트 하네스가 가른 결과)

이미지
UC버클리와 Snorkel AI가 만든 에이전트 벤치마크 ALE(Agents' Last Exam)에서 GPT-5.5가 1위와 2위를, 클로드 Fable 5가 3위를 차지했습니다. 그런데 가장 어려운 문제 구간에서는 1위도 3위도 거의 다 0점이었습니다. 더 흥미로운 건 벤치마크 팀이 직접 내놓은 후속 분석입니다. 같은 모델이라도 어떤 도구연결 구조, 즉 에이전트 하네스로 감싸느냐에 따라 점수가 모델을 바꾼 것보다 더 크게 흔들렸다는 내용입니다. 이 글은 그 벤치마크 결과를 원문 중심으로 정리하고, ATM이 운영 중인 에이전트 17개의 실제 툴 권한을 열어 같은 패턴이 있는지 직접 대조해 본 기록입니다. UC버클리가 만든 '진짜 업무' 시험은 어떻게 생겼나요? ALE는 UC버클리 RDI와 Snorkel AI가 250명이 넘는 산업 전문가와 함께 설계한 벤치마크입니다. O*NET과 SOC 직업 분류를 기반으로 55개 세부 산업을 13개 클러스터로 묶고, 그 안에서 실제 업무 형태를 흉내 낸 과제를 1,500개 넘게(목표는 5,000개) 모았습니다. 과제는 난이도에 따라 근접(Near-Term), 풀스펙트럼(Full-Spectrum), 라스트-엑스잼(Last-Exam) 세 단계로 나뉘는데, 이름 그대로 마지막 단계일수록 실제 업무에 가깝고 어렵습니다. 챗봇에 질문 하나를 던지는 식의 평가가 아니라, 여러 단계를 거쳐야 끝나는 작업을 에이전트에게 그대로 맡기고 채점하는 방식입니다. 리더보드 1위는 GPT-5.5인데, 왜 숫자가 매체마다 다른가요? Codex 하네스로 실행한 GPT-5.5가 리더보드 1위와 2위를 차지했고, 클로드 Fable 5는 3위로 집계됐습니다. 다만 정확한 통과율은 이를 다룬 매체마다 조금씩 다릅니다. 집계 사이트 Klu는 26.6%로, 2차 보도는 GPT-5.5 24%, Fable 5 22%로, 논문 표 자체는 23.3~25.2% 구간으로 적고 있습니다. 숫자가 엇갈리는 이유까지 논문이 밝히지는 않지만...

AI로 만든 온라인 공간 20곳, 도메인 없이 운영 중인 7곳을 찾았습니다

AI로 만든 온라인 공간 20곳의 주소를 하나씩 열어봤습니다. 7곳은 자기 이름의 도메인이 없고, 만든 플랫폼이 기본으로 주는 주소(workers.dev, pages.dev, chatgpt.site) 그대로였습니다. 4곳은 이미 운영 중이던 다른 도메인에 하위 주소로 얹었고, 나머지 8곳과 앱 1개만 이 공간을 위한 새 도메인을 달았습니다. 출발점은 10월 31일 aitrend.kr에 올라온 AI로 만든 온라인 공간 20곳 글입니다. 새벽 예배당, 사우나, 오리 연못처럼 가입과 결제 없이 들어가서 앉거나 걷는 것만 할 수 있는 공간 20곳을 소개했습니다. 저는 그 글에 적힌 주소 20개를 오늘(11월 6일) 전부 열어 상태 코드를 확인하고, 각 주소가 어떤 방식으로 공개됐는지 나눠봤습니다. 20곳을 세 갈래로 나눠봤습니다 분류 개수 공간 플랫폼 기본 주소 그대로 7곳 추억의 수련회, 찰랑섬, 블로그 작업실, 오운완 헬스장, 강가 캠핑장, 새벽 예배당, 찜질방 있던 도메인에 얹음 4곳 명상 라운지, 물멍 수영장, 고양이 골목, 할로윈 파티 이 공간만의 새 도메인 8곳 온라인 성당 인피스, 산사, 사우나 고요, 오리 연못, 마이펭스, KBO 야구장, 심야 포장마차, 블로크라운 앱(도메인 해당 없음) 1개 카페 집중 앱 BrewFocus 이 분류는 주소 끝을 읽어 나눈 것입니다. 실제로 서버가 어디에 있는지까지 확인한 건 아니라서, 참고용으로 봐주시면 됩니다. 도메인 연결이 왜 마지막 관문일까요? 지난 10월 2일 코딩 1도 몰라도 클로드로 나만의 홈페이지 만들고 무료 배포까지 글에서, 클로드로 만든 홈페이지를 Netlify로 배포하는 데 12.5초가 걸렸다고 공개했습니다. 용량은 138메가바이트에서 44메가바이트로 줄었고, 돈이 드는 자리는 딱 하나, 도메인이었습니다. AI로 만든 온라인 공간 20곳도 같은 구조를 지나고 있다고 봅니다. 화면을 만들고 띄우는 일 자체는 무료입니다. 추억의 수련회 처럼 workers.dev 주소만 받아도...

소넷 5.5 오퍼스 5.5 중 뭘 쓸지, 제 에이전트 17개의 모델 선택이 이미 답하고 있었습니다

소넷 5.5와 오퍼스 5.5 중 뭘 써야 할지는 가격표만 보면 답이 쉬워 보입니다. 100만 토큰당 입력·출력 단가가 정확히 절반이니 소넷이 유리해 보입니다. 그런데 외부 평가기관 Artificial Analysis 가 같은 벤치마크 묶음으로 한 작업당 평균 비용을 재 보니, 소넷 5.5가 약 7.60달러, 오퍼스 5.5가 약 5.98달러로 나왔습니다. 단가는 절반인데 작업 하나를 끝내는 데는 27% 더 든 셈입니다. 저는 이 숫자를 보고 바로 두 모델을 맞바꿔 실험하는 대신, 제가 이미 짜 둔 에이전트 17개의 모델 설정 파일을 다시 열어 봤습니다. 단가는 절반인데 작업당 비용은 왜 더 나오나요? 같은 측정에서 소넷 5.5는 한 작업에 평균 19만 3천 토큰을 썼고, 오퍼스 5.5는 12만 토큰을 썼습니다. 소넷이 쓴 토큰이 오퍼스의 약 1.61배입니다. 단가가 절반이어도 그만큼 더 길게 쓰면 절약은 그대로 사라집니다. 공식 벤치마크 점수도 한쪽으로 쏠리지 않습니다. Anthropic 이 공개한 다섯 항목 중 Terminal-Bench는 소넷이 앞섰고(70.6 대 66.4), FrontierCode는 오퍼스가 크게 앞섰고(54.4 대 46.2), GDPval-AA는 사실상 동률입니다(1846 대 1844). 그래서 Anthropic의 안내도 단순합니다. 판단이 필요한 복잡한 작업은 오퍼스, 범위가 분명한 일상 작업은 소넷 입니다. 이 기준, 어디서 본 것 같아서 제 설정 파일을 다시 열었습니다 이 구분을 보고 든 생각은 하나였습니다. 저는 지난 7월부터 콘텐츠 자동화를 돌리면서 에이전트 17개를 만들 때, 모델을 하나하나 정해 뒀습니다. 가격표를 보고 맞춘 게 아니라 그 일에 맞는 모델을 그때그때 골랐을 뿐입니다. 그래서 .claude/agents/ 폴더에 있는 설정 파일 17개를 다시 열어, 각 파일의 model 항목이 이 기준과 실제로 겹치는지 세어 봤습니다. 제 에이전트 17개는 이미 이렇게 나뉘어 있었습니다 모델 개수 맡은 일...

AI 자동화 시간표, 실행 시각보다 '검토 창'이 결과를 가릅니다 — 1인 운영 자동 작업 14개 실측

이미지
AI 자동화 시간표를 짤 때 저는 늘 실행 시각부터 정했습니다. 그런데 2026년 10월 9일 기준으로 제가 돌리는 자동 작업 14개를 '만들어지는 시각'과 '밖으로 나가는 시각'의 간격으로 다시 재 보니, 결과를 가른 것은 실행 시각이 아니라 그 사이에 사람이 끼어들 수 있는 틈, 곧 검토 창의 길이와 위치였습니다. 창이 0분이었던 라인은 채널을 하나씩 끊다가 발행 0이 됐고, 창이 무한이었던 라인은 14세트가 쌓인 채 발행 0이었습니다. 지금 실제로 발행되고 있는 라인은 창이 2시간 30분에서 10시간 사이인 것들뿐입니다. 지난달 말에 AI 에이전트 29명과 자동 작업 14개를 한 장의 조직도 로 그렸습니다. 그 글은 '누가 몇 시에 무엇을 하는가'였고, 이 글은 그 표의 칸과 칸 사이를 봅니다. 숫자는 전부 윈도우 작업 스케줄러에 등록된 값과 각 작업이 남긴 실행 로그에서 가져왔습니다. 검토 창은 무엇이고 왜 실행 시각보다 중요합니까? 검토 창은 자동화가 결과물을 만든 시각부터 그 결과물이 밖으로 나가는 시각까지, 사람이 보고 고치거나 멈출 수 있는 시간입니다. 실행 시각은 기계의 사정이고, 검토 창은 사람의 사정입니다. 실행 시각은 서버 부하나 독자가 글을 읽는 시간에 맞추면 되지만, 검토 창은 제가 실제로 화면을 보는 시간과 겹쳐야만 의미가 있습니다. 이 틈이 비어 있으면 어떤 일이 생기는지는 올해 3월 메타 사례가 보여 줍니다. 디 인포메이션 보도와 메타의 확인에 따르면, 한 엔지니어가 내부 포럼의 기술 질문을 분석하라고 맡긴 AI 에이전트가 답을 엔지니어의 확인 없이 포럼에 바로 올렸고, 그 답에 들어 있던 잘못된 안내를 따른 직원이 권한 없는 엔지니어들에게 회사 데이터와 사용자 데이터 접근권을 열어 주는 상태가 약 2시간 이어졌습니다. 메타는 이 건을 내부 심각도 두 번째 등급인 Sev 1로 분류했습니다( Unite.AI, 2026년 3월 19일 ). 에이전트의 답이 틀렸다는 사실보...

AI 에이전트 팀 16명 중 실제로 도는 건 6명 — 지시서로 확인한 조직도 감사

이미지
AI 에이전트 팀을 16명 만들어 두었지만, 자동화 파이프라인이 실제로 이름을 부르는 에이전트는 6명이었습니다. 나머지 10명은 정의 파일만 남아 있고 지시서 어디에도 등장하지 않았습니다. 에이전트를 잘 정의하는 일과 에이전트가 실제로 도는 일은 서로 다른 문제였습니다. 두 달 전 저는 서브에이전트 구조를 다루면서, 도구가 풀리는 날 바로 움직일 수 있도록 역할 분담 초안을 그려 두자고 썼습니다. 그때의 전제는 조직도를 잘 그리는 사람이 유리하다는 것이었습니다. 오늘은 그 전제를 제 운영 환경에서 채점했습니다. 결론부터 말씀드리면 조직도를 그리는 일은 병목이 아니었습니다. 무엇을 어떻게 셌습니까 숫자를 먼저 밝히고 세는 방법도 함께 적습니다. 따라 해 보실 수 있어야 의미가 있다고 생각하기 때문입니다. 제 작업 폴더에는 에이전트 정의 파일이 16개 있습니다. 각각 리서치, 기업 동향, 인사이트, 기획, 블로그, 스레드, 인스타그램, 페이스북, 유튜브 대본, 뉴스레터, 디자인, 디자인 검수, 품질 검수, 성과 분석, 발행, 그리고 이 모두를 지휘하는 매니저 역할을 맡고 있습니다. 한편 자동화가 매일 새벽에 실제로 읽는 문서는 따로 있습니다. 각 채널 폴더 아래 기획 폴더에 들어 있는 지시서 19개입니다. 정해진 시각에 헤드리스로 뜬 작업이 이 문서를 읽고 그대로 일합니다. 그래서 저는 질문을 이렇게 바꿨습니다. 조직도에 있는 이름이 지시서 안에 실제로 등장하는가. 단어 경계를 넣어 세어 보니 결과는 이렇습니다. 구분 인원 세부 정의된 에이전트 16명 정의 파일 16개 지시서에 이름이 나오는 에이전트 6명 디자인 검수 1명, 리서치 계열 3명, 뉴스레터 계열 2명 한 번도 나오지 않는 에이전트 10명 기획, 블로그, 스레드, 인스타그램, 페이스북, 유튜브 대본, 품질 검수, 성과 분석, 발행, 매니저 여기서 처음에 제가 실수할 뻔한 지점을 하나 적어 둡니다. 폴더 전체를 대상으로 단순 검색을 돌렸을 때는 특정 에이전트가 300회...

위임서를 써 보면 안다: AI 에이전트에게 맡길 일과 남길 일

이미지
새 직원이 들어온 첫날, 유능한 관리자는 무엇부터 할까요. 저는 "무엇을 시킬지"를 먼저 정리한다고 봅니다. AI 에이전트도 똑같습니다. 요즘 개인 에이전트를 보며 저는 도구의 성능보다, 그 도구에 무엇을 넘길지 정하는 능력이 훨씬 중요해졌다고 느낍니다. 지금은 물어보면 답하던 대화형 AI에서, 일을 통째로 맡기는 위임형 AI로 넘어가는 시기입니다. 이 전환기에 실력은 프롬프트가 아니라 위임 목록에서 드러납니다. 위임 목록을 짜는 방법은 의외로 단순합니다. 저는 세 가지 질문으로 후보를 걸러냅니다. 규칙을 문장으로 적을 수 있는가, 매일이나 매주 반복되는가, 틀려도 손해가 작은가. 세 질문에 모두 그렇다고 답할 수 있는 일이 가장 먼저 넘길 대상입니다. 받은 편지함 분류와 초안 회신, 일정 조율, 리서치 요약, 정기 리포트 취합이 여기에 딱 들어맞습니다. 규칙이 분명하고, 반복되며, 한 번 어긋나도 큰 사고로 번지지 않는 일들이지요. 저는 이 과정을 위임서 쓰기라고 부릅니다. 실제 순서는 이렇습니다. 먼저 내 반복업무를 스무 개쯤 종이에 적습니다. 머릿속에만 있으면 후보가 보이지 않기 때문입니다. 그다음 세 기준으로 후보를 추리고, 각 업무의 지시를 위임서처럼 문장으로 씁니다. 무엇을, 어떤 규칙으로, 어떤 형태로 내놓아야 하는지 적는 것입니다. 마지막으로 결과를 표본으로 스팟체크합니다. 넘긴 뒤에도 권한과 검수를 사람이 챙기는 것은 당연한 기본기입니다. 반대로 남겨야 할 일도 분명합니다. 기획과 판단과 관계는 여전히 사람의 몫입니다. 규칙으로 적기 어렵고, 한 번의 실수가 큰 비용으로 돌아오는 일이기 때문입니다. 위임 목록을 잘 짠다는 것은 결국 넘길 것과 남길 것의 경계를 또렷하게 긋는 일입니다. 에이전트는 시간을 되사주는 도구입니다. 그러나 그 시간을 어디에 쓸지, 무엇을 넘기고 무엇을 쥘지는 여전히 우리가 정합니다. 좋은 도구를 찾는 일보다, 위임 목록을 먼저 손으로 써 보시기를 권합니다. 승부는 거기서 갈립니다....

Genspark AgentBase 해부 — 코드 없이 내 데이터로 CRM을 만드는 시대

이미지
숫자부터 보겠습니다. Genspark는 2026년 6월 시리즈 B를 4억 8,500만 달러 규모로 확장하며 기업가치 26억 달러를 인정받았습니다. 그 회사가 최근 내놓은 신규 에이전트가 AgentBase입니다. 이메일·드라이브·캘린더 같은 개인 데이터를 CRM, HR 시스템, 프로젝트 관리 툴로 즉시 변환해 주는 도구입니다. 저는 이 발표를 클라이언트 관리 실무자의 눈으로 읽었습니다. 그동안 업무 시스템이란 남이 만든 SaaS를 구독해서 내 업무를 거기에 맞추는 것이었는데, 이제 방향이 뒤집혀 내 데이터에 맞는 시스템을 AI가 만들어 주는 흐름이 시작됐다는 것입니다. 이 글은 그 전환이 마케터에게 무엇을 의미하는지 정리합니다. AgentBase가 하는 일 — 데이터가 곧 시스템이 된다 AgentBase의 구조를 한 문장으로 줄이면 이렇습니다. 이미 내가 가진 데이터에서 시스템을 꺼낸다. 클라이언트와 주고받은 이메일에는 대화 이력이, 드라이브에는 제안서와 계약 문서가, 캘린더에는 미팅 기록이 쌓여 있습니다. 지금까지 이것들은 흩어진 흔적이었고, CRM을 쓰려면 이 흔적을 사람이 일일이 옮겨 적어야 했습니다. AgentBase는 이 방향을 뒤집어, 흩어진 개인 데이터를 읽고 그 위에 CRM이든 프로젝트 관리 툴이든 필요한 시스템을 세워 주는 방식을 내세웁니다. 마케터에게 이 발상 전환이 중요한 이유는 명확합니다. CRM 도입이 실패하는 가장 큰 원인은 기능 부족이 아니라 입력이 유지되지 않는 것입니다. 데이터가 이미 있는 곳에서 시스템을 만들어 내는 구조라면, 입력이라는 가장 약한 고리를 처음부터 우회할 수 있습니다. SaaS 구독과 내 데이터 시스템, 구조가 다르다 기존 SaaS CRM 구독과 AgentBase형 접근의 차이를 표로 정리하면 이렇습니다. 구분 SaaS CRM 구독 AgentBase형 내 데이터 시스템 출발점 남이 정한 틀에 내 업무를 맞춤 내 데이터에서 시스템을 생성 비용 구조 좌석당 월 구독료가 계속 발생 구독 대신...

Gemini 3.5 Flash 무료 전면배포 — 마케터가 0원으로 세우는 AI 업무 자동화 동선

이미지
2026년 6월 말, AI 비용 구도가 흥미롭게 갈렸습니다. OpenAI는 GPT-5.6을 Sol·Terra·Luna 세 티어로 나눠 100만 토큰당 1달러에서 30달러까지 가격표를 세분화했고, ChatGPT 무료 티어에는 광고까지 붙기 시작했습니다. 반면 구글은 정반대로 갔습니다. 가장 빠르면서 프론티어급 지능을 내세운 Gemini 3.5 Flash를 전 세계 사용자에게 무료로 전면배포하고, 개인 AI 에이전트 Gemini Spark를 macOS용 앱으로 확대한 것입니다. 저는 이 발표를 보고 계산이 하나 섰습니다. 마케터의 일상 업무 상당수는 이제 결제 카드 등록 없이 자동화 동선에 올릴 수 있다는 것입니다. 이 글은 그 동선을 실제 운영 관점에서 정리합니다. 무엇이 무료로 풀렸나 — 3.5 Flash와 스파크 먼저 사실관계를 짚겠습니다. 구글 공식 릴리즈 노트 기준으로 Gemini 3.5 Flash는 속도를 앞세운 경량 모델이면서도 프론티어급 지능을 표방하며, 전 세계 사용자 대상 무료 롤아웃이 시작됐습니다. 유료 구독자에게만 열어 주는 미리보기가 아니라 무료 티어 전면 배포라는 점이 핵심입니다. 같은 시기에 확대된 Gemini Spark는 성격이 다릅니다. 챗봇이 아니라 개인 에이전트입니다. macOS용 제미나이 앱에서 사용자 지시를 받아 폴더 정리, 문서 작성, Workspace 워크플로우 같은 일을 자율적으로 대행합니다. 로컬 파일을 기반으로 문서를 만들어 준다는 점에서, 브라우저 안에 갇혀 있던 AI가 내 컴퓨터의 잡무 영역으로 내려온 셈입니다. 유료 API와 무료 티어, 마케터 기준으로 비교하면 마케터 입장에서 지금 선택지를 표로 놓고 보면 구도가 선명해집니다. 구분 OpenAI GPT-5.6 (API) ChatGPT 무료 티어 구글 무료 티어 (3.5 Flash) 비용 Luna 1/6달러 ~ Sol 5/30달러 (100만 토큰당) 0원, 단 광고 노출 시작 0원 접근성 초기 승인 기업 20곳 한정 공개 5시간당 10...

GPT-5.6 티어별 가격 해부 (1인 마케터가 지금 준비할 자동화 전략)

이미지
OpenAI가 2026년 6월 26일 GPT-5.6을 공개했습니다. 최상위 Sol, 균형형 Terra, 저비용·고속 Luna의 3개 티어로 나뉘며, 100만 토큰 기준 가격은 Luna가 입력 1달러·출력 6달러, Terra가 2.5달러·15달러, Sol이 5달러·30달러입니다. 여기에 서브에이전트 여러 개가 협업하는 Ultra 모드가 새로 추가됐습니다. 발표 내용 자체는 이미 여러 매체가 정리했으니, 이 글에서는 비개발자 마케터인 제가 이 가격표를 어떻게 읽었는지, 그리고 1인 마케터가 이 구조에서 실제로 무엇을 자동화할 수 있는지를 짚어 보겠습니다. 발표 요약 — 3개 티어와 Ultra 모드 사실관계부터 정리합니다. 이번 발표를 다룬 Axios 보도 에 따르면 GPT-5.6은 추론·코딩·바이오·사이버보안 성능이 강화됐고, 단일 에이전트를 넘어 서브에이전트가 협업하는 Ultra 모드가 처음 들어갔습니다. 다만 미 정부 요청으로 초기에는 승인된 20개 기업에만 API와 Codex로 제한 공개되며, 일반 공개는 이후 확대될 예정입니다. 티어 성격 가격 (100만 토큰, 입력/출력) Luna 저비용·고속 1달러 / 6달러 Terra 균형형 2.5달러 / 15달러 Sol 최상위 5달러 / 30달러 표에서 보이듯 입력 기준으로 Luna와 Sol의 가격 차이는 5배입니다. 하나의 모델을 모든 일에 쓰는 시대가 아니라, 일의 성격에 따라 모델을 골라 쓰는 시대가 가격표로 명문화된 셈입니다. 가격표를 마케터의 업무표로 바꿔 읽기 저는 이 가격표를 보자마자 제 일주일 업무 목록을 옆에 놓고 두 줄로 나눠 봤습니다. 기준은 단순합니다. 양이 많고 판단이 얕은 일인가, 양이 적고 판단이 깊은 일인가입니다. 양이 많고 판단이 얕은 일은 Luna의 영역입니다. SNS 문구 변형, 블로그 초안 요약, 해시태그 후보 뽑기, 채널별 카피 리라이팅 같은 작업입니다. 이런 일은 하루에도 수십 번 돌아가기 때문에 단가가 낮을수록 이득이 커집니다. 반대로 양이 적...

AI 팀은 있는데 회사가 안 보인다 — 에이전트 17명을 가상 오피스로 옮긴 기록 (EP.1)

이미지
저는 AI 에이전트 17명과 콘텐츠 회사를 운영하는 비개발자 마케터입니다. 리서치부터 발행까지 전 과정을 에이전트들이 나눠 맡는데, 정작 그 팀이 일하는 모습은 어디에도 없었습니다. 존재하는 것은 터미널 로그뿐이었습니다. 그래서 클로드 코드에게 부탁해 팀 전체를 미니어처 가상 오피스로 옮겼습니다. 캐릭터들이 책상에서 타이핑하고, 서류를 들고 보고하러 걸어가고, 결재가 나야 다음 단계로 넘어가는 시뮬레이션입니다. 결과물은 오픈소스로 공개했습니다. 로그는 기록이지 현황이 아닙니다 에이전트 운영에서 제가 부딪힌 문제는 성능이 아니라 가시성이었습니다. 각 에이전트가 무엇을 하는지는 로그를 뒤지면 알 수 있지만, 그것은 사후 기록이지 지금의 현황이 아닙니다. 어느 단계가 병목인지, 누가 놀고 있는지, 반려된 작업이 어디서 멈춰 있는지 같은 운영 감각은 로그에서 나오지 않았습니다. 사람 조직은 이 문제를 공간으로 풉니다. 사무실을 한 바퀴 돌면 팀의 상태가 읽힙니다. 같은 원리를 적용해, 에이전트마다 좌석과 동선을 부여하고 상태를 몸짓으로 표현하게 했습니다. 일할 때는 앉아서 타이핑하고, 이동할 때는 일어서서 걷고, 보고할 때는 문서를 들고 상급자 자리로 향합니다. 지시는 위에서, 보고는 아래에서 동작 구조는 실제 회사의 결재 체계를 그대로 옮겼습니다. 좌측 상단 패널에서 과제를 지시하면(주간 콘텐츠 사이클, 긴급 카드뉴스, 성과 분석 프리셋 3종) 매니저가 업무를 배분하고 캐릭터들이 움직이기 시작합니다. 진행 속도는 0.5배에서 4배까지 조절됩니다. 핵심은 두 개의 관문입니다. 첫째, CEO 승인 게이트입니다. 기획이 실행으로 넘어가는 지점과 발행 직전, 두 곳에서 결재 카드가 우측 상단 승인함에 도착하고 파이프라인이 정지합니다. 승인 또는 사유를 적은 반려가 가능하고, AUTO 토글을 켜면 자동 결재로 흘러갑니다. 둘째, QC 톨게이트입니다. 디자인 검수 담당 iris가 결과물을 판정해 불합격이면 차단바가 내려가고, 콘텐츠 검수 담당 sa...

AI 에이전트로 콘텐츠 자동화하기 (리서치·작성·검수·발행 주간 사이클)

이미지
혼자 콘텐츠를 만들다 보면 늘 같은 벽에 부딪힙니다. 주제를 찾는 데 한나절, 글을 쓰는 데 한나절, 다듬고 올리는 데 또 한나절이 걸립니다. 한 편을 겨우 올리고 나면 다음 편을 시작할 기운이 없습니다. 이 문제를 푸는 방법은 더 오래 일하는 것이 아니라 일을 나누는 것입니다. 사람을 더 뽑는 게 아니라, AI 에이전트에게 역할을 나눠 맡기는 것입니다. 이번 글은 리서치, 작성, 검수, 발행을 각각의 에이전트가 담당하게 만들어 한 사람을 작은 콘텐츠 공장처럼 돌리는 방법을 정리합니다. 왜 한 명의 AI가 아니라 여러 역할로 나누나 처음에는 누구나 만능 AI 하나에게 전부 시킵니다. 주제도 찾아 줘, 글도 써 줘, 검수도 해 줘 하는 식입니다. 그런데 이렇게 하면 결과가 어중간해집니다. 한 번의 대화 안에서 조사도 하고 글도 쓰면, 조사가 얕아진 채로 글이 나오고 글의 약점을 같은 머리로 검수하니 놓치는 게 많습니다. 사람 팀이 일을 나누는 데는 이유가 있습니다. 리서치하는 사람의 시선과 글 쓰는 사람의 시선, 검수하는 사람의 시선이 다르기 때문입니다. AI 에이전트도 마찬가지입니다. 각 단계를 별도의 작업으로 분리하면, 그 단계에 맞는 지시와 자료만 집중해서 줄 수 있습니다. 리서치 에이전트에게는 최신 정보를 찾는 일만, 작성 에이전트에게는 그 자료로 글을 쓰는 일만, 검수 에이전트에게는 완성된 글의 허점을 찾는 일만 맡깁니다. 역할이 좁아질수록 결과의 품질은 올라갑니다. 1단계: 리서치 에이전트가 주제와 근거를 모은다 사이클의 출발점은 리서치입니다. 이 에이전트의 일은 두 가지입니다. 첫째, 이번 주에 다룰 만한 주제 후보를 모읍니다. 관심 분야의 최신 동향, 사람들이 자주 검색하는 키워드, 경쟁 채널이 다루기 시작한 소재를 훑어 후보 목록을 만듭니다. 둘째, 정해진 주제에 대한 근거 자료를 모읍니다. 글에 들어갈 사실, 수치, 사례를 정리해 둡니다. 여기서 중요한 것은 출력 형식을 미리 정해 두는 것입니다. 리서치 결과를 그냥...

자율 코딩 에이전트 시대 (비개발자도 앱·SaaS 만든다)

이미지
자율 코딩 에이전트란, 사람이 매번 한 줄씩 지시하지 않아도 여러 파일을 스스로 수정하고 테스트를 돌려 가며 작업을 반복하는 AI를 말합니다. 2026년 6월 현재, 이 흐름은 실험 단계를 넘어 일반 사용자가 쓸 수 있는 제품으로 들어왔습니다. GitHub Copilot의 Fable 5가 6월 9일 정식 제공되며 멀티파일 자율 수정·테스트·반복을 단일 프롬프트 없이 수행하는 단계에 진입했고, Windsurf의 Cascade 같은 도구도 코드를 작성·실행·디버그까지 자율로 이어 갑니다. 이 글은 비개발자가 이 흐름을 어떻게 활용할지, 그리고 무엇을 조심해야 할지 정리합니다. 자율 코딩 에이전트는 기존 AI 코딩과 뭐가 다른가? 핵심 차이는 "한 번 묻고 한 번 답하는" 방식에서 "스스로 돌리고 고치는" 방식으로 넘어갔다는 점입니다. 이전의 AI 코딩 도우미는 사용자가 질문하면 코드 한 토막을 내놓고 멈췄습니다. 사람이 그 코드를 붙여 넣고, 실행해 보고, 오류가 나면 다시 물어야 했습니다. 자율 에이전트는 이 루프를 안으로 가져옵니다. 목표를 받으면 여러 파일을 함께 수정하고, 테스트를 실행해 결과를 확인하고, 실패하면 스스로 다시 시도합니다. 사람이 매 단계 개입하지 않아도 "작동하는 결과"에 가까워질 때까지 작업을 이어 가는 구조입니다. 비개발자 입장에서는, 코드를 읽고 고치는 부담이 줄고 "무엇을 만들고 싶은가"에 더 집중할 수 있게 됩니다. 비개발자가 앱·SaaS를 만들 수 있나? 가능성은 분명히 커졌습니다. 다만 "버튼 한 번에 완성"이 아니라 "방향을 잡고 검수하는 사람"이 여전히 필요하다는 전제 위에서입니다. 비개발자가 자율 에이전트로 작은 SaaS를 만든다면 흐름은 대체로 이렇습니다. 단계 사람이 하는 일 에이전트가 하는 일 1. 목표 정의 만들 기능을 한 문장으로 작업 계획 제안 2. 골격 생성 승인·우선순위 결...

AI 에이전트 팀으로 1인 사업 자동화하기 (2026 실전 가이드)

이미지
혼자 사업을 하면 가장 먼저 부딪히는 벽은 '시간'이 아니라 '역할의 수'입니다. 기획·디자인·개발·마케팅·운영을 한 사람이 다 해야 하죠. 2026년 지금, 이 문제의 가장 현실적인 답은 AI 에이전트를 한 명이 아니라 '팀'으로 쓰는 것 입니다. 이 글은 Claude·GPT 같은 도구를 부서별 담당자처럼 조직해 1인 사업을 자동화하는 방법을, 그대로 따라 할 수 있게 정리했습니다. AI 에이전트 '팀'은 왜 한 명보다 강한가? 챗봇 하나에게 모든 걸 시키면 맥락이 뒤섞이고 결과 품질이 떨어집니다. 반면 역할을 나누면 각 에이전트가 좁고 명확한 책임만 갖기 때문에 출력이 일관됩니다. 이유는 세 가지입니다. 맥락 분리: '마케팅 담당'은 브랜드 톤만, '개발 담당'은 코드 규칙만 기억하면 됩니다. 지시가 짧고 정확해집니다. 검증 구조: 작성 담당과 검수 담당을 나누면, 한 에이전트가 만든 결과를 다른 에이전트가 비판적으로 점검합니다. 재사용: 한 번 정의한 역할은 다음 작업에서도 그대로 불러 씁니다. 매번 처음부터 설명할 필요가 없습니다. 핵심은 '지시 파일' 하나: 팀을 만드는 법 실제로 팀을 조직하는 출발점은 거창한 도구가 아니라 프로젝트 폴더 안의 지시 파일 한 개 입니다. Claude Code를 예로 들면 CLAUDE.md라는 파일에 내 사업과 팀 구성을 적어두는 것에서 시작합니다. 1단계. 프로젝트 폴더를 만들고 지시 파일을 엽니다. 2단계. 내 사업을 3줄로 정의합니다. (무엇을, 누구에게, 어떤 톤으로) 3단계. 부서를 정의합니다. 아래처럼 역할을 적어두면 됩니다. # 우리 팀 마케팅: 브랜드 톤 유지, SEO 키워드 중심, 과장 금지 개발: 정해진 스택만 사용, 작은 단위로 커밋 디자인: 브랜드 컬러/폰트 가이드 준수 QC: 모든 산출물을 발행 전 점검(사실·톤·완성도) 이렇게 해두면 ...