
AI 업무 자동화를 시작할 때 매번 같은 순서로 처리할 수 있는 일은 정해진 워크플로로 만드는 편이 좋습니다. 자료를 읽어 본 뒤에야 다음 행동을 고를 수 있는 일이라면 에이전트를 검토할 만합니다. 둘을 가르는 기준은 업무가 얼마나 자주 반복되느냐가 아니라, 다음 단계까지 미리 정할 수 있느냐입니다.
회의록을 정리하는 일과 고객 문의를 해결하는 일은 모두 반복 업무입니다. 그러나 녹취를 요약해 지정된 폴더에 저장하는 과정과, 문의 내용을 보고 주문 조회·추가 질문·담당자 연결 중 무엇을 할지 고르는 과정은 다릅니다. 같은 AI 모델을 쓰더라도 필요한 운영 방식이 달라집니다.
저는 첫 자동화의 범위를 정할 때, AI가 작성할 결과와 AI가 직접 실행할 행동을 나누어 보기를 권합니다. 문장을 잘 만드는 것과 고객에게 그 문장을 보내도 되는 것은 별개의 판단이기 때문입니다.

Anthropic의 공식 글 Building effective agents는 워크플로를 미리 정의한 코드 경로에 따라 모델과 도구를 연결하는 시스템으로 설명합니다. 에이전트는 모델이 작업 과정과 도구 사용을 동적으로 결정하는 시스템으로 구분합니다. 이 글은 2024년 12월에 발표된 설계 설명이며, 현재 페이지에도 도구 환경이 달라졌다는 안내가 있습니다. 여기서는 특정 제품의 최신 기능이 아니라 이 설계 구분을 참고합니다.
이 정의에 따르면 AI가 들어갔다고 모든 자동화가 에이전트인 것은 아닙니다. 이메일을 읽고 유형을 분류한 뒤 담당 부서에 보내는 흐름도, 분류별 처리 경로를 사람이 정했다면 워크플로로 설계할 수 있습니다. 선택지가 있다는 이유만으로 자유로운 에이전트가 필요한 것은 아닙니다.
반대로 조사 결과에 따라 새로운 자료를 찾고, 발견한 내용으로 다음 검색 방향을 바꾸는 작업은 처음부터 모든 단계를 열거하기 어렵습니다. 이런 일에는 모델이 다음 행동을 선택할 여지가 필요합니다. 다만 유연성이 생기는 만큼 실행 경로를 추적하고 결과를 확인할 준비도 필요합니다.
공식 글은 가장 단순한 해결책에서 시작해 필요한 경우에만 복잡도를 높이라고 권합니다. 에이전트 시스템은 작업 성능을 얻는 대신 지연과 비용이 늘어날 수 있으며, 자율적인 실행 과정에서 오류가 누적될 가능성도 설명합니다. 에이전트를 쓰면 무조건 더 좋다는 근거로 읽어서는 안 됩니다.

다음은 실제 고객 사례가 아니라 설계 판단을 위한 예시입니다. 팀이 회의 녹취를 받아 요약하고, 결정사항을 뽑아 담당자에게 확인받은 뒤 업무 목록에 옮기려 한다고 가정하겠습니다.
입력 위치와 저장 위치가 정해져 있고, 회의마다 필요한 결과도 비슷하다면 흐름을 미리 만들 수 있습니다. 녹취를 읽고, 요약 초안을 작성하고, 결정사항과 미확정 항목을 분리한 뒤 검토 대기 상태로 저장합니다. 모델은 문맥을 읽는 역할을 맡고, 저장 경로와 승인 후 실행은 프로그램이 담당합니다.
이때 참석자가 말한 제안이 확정된 결정으로 바뀌는 것이 중요한 오류입니다. 문장이 자연스러운지만 보면 놓칠 수 있습니다. 요약 옆에 근거가 되는 발언이나 원문 위치를 남겨 두면 검토자가 판단을 확인하기 쉬워집니다. 담당자가 명시되지 않았다면 AI가 임의로 채우지 않고 미정으로 남기도록 설계할 수 있습니다.
자료가 부족한 회의록이 들어왔을 때도 대응을 정할 수 있습니다. 녹취가 비어 있으면 작성하지 않고, 담당자를 확인할 수 없으면 업무 등록을 보류합니다. 이런 예외 경로가 정리된다면 고정된 흐름 안에서 충분히 처리할 수 있습니다.
AI가 매번 사용할 도구와 저장 위치를 새로 고민하게 만들 이유는 크지 않습니다. 먼저 정해진 흐름으로 운영해 보고, 예상하지 못한 입력 때문에 사람이 자주 새 경로를 만들어야 하는지를 살펴보는 편이 실용적입니다.

또 다른 예시로 배송 문의를 생각해 보겠습니다. 주문 번호가 있는 문의라면 주문 조회부터 시작할 수 있습니다. 주문 번호가 없으면 고객에게 정보를 요청해야 하고, 조회 결과에 따라 배송 안내나 담당자 연결이 필요할 수 있습니다.
이 정도 분기는 규칙으로 만들 수 있습니다. 문의 유형이 명확하고 예외도 정리되어 있다면 분류와 고정 경로를 연결하는 방식이 적합합니다. 반면 여러 주문이 얽혀 있거나 문의에 서로 다른 문제가 섞여 있어 조사 순서를 그때그때 정해야 한다면 에이전트 방식이 도움이 될 수 있습니다.
저의 판단은 '답변을 준비하는 자율성'과 '고객에게 영향을 주는 권한'을 따로 주자는 것입니다. AI가 주문 상태와 안내 문서를 조회해 답변 초안을 만드는 것까지는 맡기더라도, 환불 실행이나 가격 변경, 외부 발송은 별도 승인을 거치게 할 수 있습니다. 에이전트 도입이 모든 권한을 한꺼번에 넘겨야 한다는 뜻은 아닙니다.
이 예시는 구현 제안이지, 특정 서비스가 이런 권한 체계를 자동으로 제공한다는 설명은 아닙니다. 실제 연결 도구의 권한과 승인 기능은 따로 확인해야 합니다. 읽기 권한만 필요한 작업에 수정 권한까지 주지 않는 것도 그 확인에 포함됩니다.

워크플로나 에이전트 모두 마지막 확인은 필요합니다. '저장했습니다'라는 답변이 나왔다고 파일이 원하는 위치에 있다는 뜻은 아닙니다. '발송했습니다'라는 문장만으로 수신 대상과 전송 결과를 확인할 수도 없습니다.
Anthropic의 글은 에이전트가 실행 중 도구 호출 결과나 코드 실행처럼 환경에서 얻은 실제 근거로 진행 상황을 판단해야 한다고 설명합니다. 이를 업무에 적용하면 저장 결과를 다시 읽거나, 외부 서비스가 반환한 항목 ID와 처리 상태를 확인하는 단계가 필요하다는 뜻으로 해석할 수 있습니다.
실무적으로는 결과물을 만든 상태와 업무를 끝낸 상태를 따로 기록하기를 제안합니다. 답변 초안 작성, 담당자 승인, 실제 발송은 서로 다른 상태입니다. 승인을 기다리는 초안을 실패로 취급할 필요는 없지만, 발송 완료로 표시해서도 안 됩니다.
에이전트가 막힐 때는 무작정 더 시도하게 두지 않는 편이 좋습니다. 같은 정보를 반복해서 요청하거나 사용할 권한이 없는 도구를 계속 부른다면 사람이 확인할 수 있도록 멈추는 경로를 둡니다. 횟수나 시간 한도는 업무의 긴급성과 비용에 맞춰 정해야 하며, 모든 업무에 같은 값을 적용할 이유는 없습니다.

도입을 결정할 때는 최근에 처리한 업무를 떠올려 다음 과정을 적어 보십시오. 어떤 자료를 받았고, 무엇을 확인했으며, 어떤 경우에 다른 행동을 했는지까지 적습니다. 민감한 자료는 조직의 사용 정책과 도구의 데이터 처리 조건을 먼저 확인하고, 시험에는 허용된 자료만 사용해야 합니다.
그 과정을 다른 사람이 읽고 그대로 따라 할 수 있다면 워크플로부터 시작할 수 있습니다. 중간 결과를 본 뒤 조사 방향을 새로 정해야 하는 부분이 반복해서 나타난다면, 그 구간에만 에이전트의 판단을 넣는 방법을 검토하십시오. 전체 업무를 한 번에 자율화할 필요는 없습니다.
시험 결과에서는 초안의 그럴듯함 외에 사람의 수정 부담과 잘못 실행될 위험을 함께 살펴야 합니다. 어떤 입력에서 틀렸는지, 검토자가 무엇을 고쳤는지, 되돌릴 수 없는 행동은 누가 승인했는지를 남기면 다음 개선 방향을 정하기 쉬워집니다. 절감 시간이나 효과는 실제 실행을 측정한 뒤 판단할 수 있습니다.
저라면 처음에는 입력과 결과가 분명하고, 실행 전에 사람이 확인할 수 있는 업무를 고르겠습니다. 고정된 흐름을 운영하면서 정말로 경로 선택이 필요한 구간을 찾아 에이전트에 맡기는 방식입니다. 지금 팀의 반복 업무 하나에 대해 '다음 단계를 미리 정할 수 있는가'를 적어 보는 것부터 시작하십시오.
업무별 자동화 범위와 승인 지점을 함께 정리하고 싶다면 아래 경로에서 문의하실 수 있습니다.
태그: #AI업무자동화 #AI에이전트 #워크플로 #AX컨설팅