에이전트 AI의 부상: 코드에서 비즈니스 가치까지

점점 더 많은 기업들이 에이전트 워크플로우로 전환하고 있습니다.

에이전트 AI 시장은 올해 약 70억 달러에서 향후 몇 년 안에 약 930억 달러로 성장할 것으로 예상되며, 이는 엄청난 산업 변화를 의미합니다.

올해 이미 약 25%의 기업들이 에이전트 파일럿을 배포하고 있습니다. 2027년에는 이 수치가 50%로 증가하여 주요 기업의 절반이 에이전트 워크플로우의 일부 버전을 실행하게 될 것입니다.

Zapier와 같은 전통적인 자동화 도구와 달리 에이전트 워크플로우는 추론 및 적응력을 통합할 수 있습니다. 에이전트가 활발하게 구축하거나 반복하는 동안 실행 중에 문제를 감지하고 접근 방식을 조정하며 도구를 업데이트하여 해당 컨텍스트에서 매우 현실적인 자체 복구 기능을 제공할 수 있습니다.

전통적인 자동화는 모든 레일과 연결을 직접 놓는 기차 선로를 손으로 만드는 것과 같습니다. 에이전트 워크플로우는 건설 팀에게 선로를 만들도록 지시할 수 있으며, 건설 과정에서 예상치 못한 문제를 처리하여 더 빠르고 오류가 적은 선로를 만들 수 있습니다.

에이전트 워크플로우가 클라우드에 배포되면 자체 복구 기능은 사라지고 전통적이고 예측 가능한 자동화처럼 작동합니다.

이러한 워크플로우의 실용성은 LLM이 프로덕션에 충분히 신뢰할 수 있게 되어 추론하고, 결정을 내리고, 다단계 작업을 일관성 있게 실행할 수 있다는 사실에 의해 뒷받침됩니다.

이 작업 메모리는 일반적으로 약 200,000 토큰의 유한 용량을 가지며, 이 한도를 초과하면 모델이 대화 중간 부분을 잊거나, 정보를 만들어내거나, 세션 재설정이 필요한 '컨텍스트 로트'가 발생할 수 있습니다.

시스템 프롬프트, 통합 도구, `.md` 파일, MCP 서버 및 전체 대화 기록을 포함한 다양한 요소가 이 토큰 공간을 소비하므로 효율적인 관리가 필요합니다.

토큰 사용량을 관리하고 컨텍스트 로트를 완화하기 위해 사용자는 `/compact`를 사용하여 대화 기록을 압축하고, `/clear`를 사용하여 세션을 재설정하고, `/context`를 사용하여 프로젝트 내 토큰 소비량의 자세한 분석을 볼 수 있습니다.

이 파일은 메시지가 전송될 때마다 AI에 의해 읽히므로 토큰 소비를 최소화하고 효율성을 향상시키기 위해 간결하게 유지하는 것이 중요합니다.

`claude.md`의 내용은 일반적으로 세 가지 주요 계층을 포함합니다: '무엇'(기술 스택, 제품 구조, 주요 패키지), '왜'(구성 요소의 목적), '어떻게'(Claude의 원하는 운영 동작).

Claude는 자체 `claude.md` 파일을 생성할 수 있습니다. 사용자는 `/init` 명령을 실행하여 코드베이스를 자동으로 스캔하고 기본 구성을 생성할 수 있습니다.

에이전트 워크플로우는 워크플로우, 에이전트 및 도구를 의미하는 'WAT' 프레임워크를 활용하여 AI 자동화를 구축하고 관리하는 구조화된 접근 방식을 제공합니다.

공개 저장소에 푸시되는 프로젝트의 경우, 보안을 보장하기 위해 민감한 정보가 포함된 파일을 암호화하는 것이 가장 좋은 방법입니다.

API 키가 상당한 위험을 수반하는 경우, 사용자는 Claude가 키를 직접 처리하도록 허용하는 대신 Claude Code의 안내에 따라 로컬 터미널에서 키가 포함된 명령을 직접 실행해야 합니다.

이 모드에서 AI 에이전트는 사용자의 요청에 대한 솔루션을 철저히 연구하고 브레인스토밍하여 어떤 작업도 실행하기 전에 상세한 계획을 제공합니다.

이 계획 단계는 에이전트가 다양한 접근 방식을 고려할 수 있도록 하여 오류율을 크게 줄이고 결과 워크플로우의 전반적인 품질을 향상시킵니다.

계획 모드는 인간의 감독 기회를 제공하여, 사용자가 에이전트의 제안된 전략이 구축을 진행하기 전에 검토하고 승인하여 프로젝트 요구 사항과의 정렬을 보장할 수 있도록 합니다.

예를 들어, 21페이지에 걸쳐 622개의 채용 기회를 스크랩하고 이를 Excel 시트에 정리하는 작업을 맡았을 때, 계획 모드의 에이전트는 스크랩 프로세스를 시작하기 전에 도구 생성 및 워크플로우 실행을 포함한 상세한 전략을 먼저 제안할 것입니다.

반대로 Claude 스킬은 Claude가 동적으로 로드하고 적용할 수 있는 지식 기반 사용자 지정 지침 또는 프롬프트 템플릿으로, 특수 지식 모듈처럼 기능합니다.

스킬은 Claude가 사용자의 요청에 따라 사용 가능한 스킬을 효율적으로 검토하고 관련 스킬만 로드하여 일관성, 속도 및 전반적인 성능을 향상시키며, 이로 인해 토큰도 절약됩니다.

외부 API와의 상호 작용을 촉진하는 MCP 서버와 달리 스킬은 일단 설치되면 다른 프로젝트에서 전역적으로 액세스할 수 있는 내부 지식 또는 지침 세트 역할을 하여 재사용성 및 확장성을 향상시킵니다.

이러한 예약된 작업은 기존의 결정론적 스크립트처럼 단순히 실패하는 것이 아니라, 자체 복구 및 오류에 적응할 수 있는 고유한 에이전트 작업입니다.

예약된 작업을 실행하려면 Claude 데스크톱 애플리케이션과 사용자 컴퓨터가 열려 있어야 합니다. 자동화는 이러한 활성 구성 요소에 의존하기 때문입니다.

이 시스템의 유익한 기능은 놓친 작업을 처리하는 능력입니다. 예약된 실행 중에 컴퓨터가 꺼져 있으면 컴퓨터가 다시 켜지면 Claude Code가 놓친 작업을 실행합니다.

이 자동화 기능은 '모닝 커피' 스킬처럼 하루를 계획하고 팀 업데이트를 제공하는 것과 같은 반복적인 수동 작업을 매일 아침 6:00와 같은 지정된 시간에 자동으로 실행되는 루틴으로 변환합니다.

이 모델은 개발 시간을 획기적으로 단축하여 이전에 며칠이 걸리던 작업을 30분 이내에 완료할 수 있도록 합니다. 예를 들어, 이미지가 포함된 68페이지 PDF 사용 설명서용 채팅 애플리케이션을 구축하는 것과 같습니다.

검색 증강 생성(RAG)은 훈련 데이터에 의해 제한된 AI 에이전트가 응답의 정확성과 완전성을 향상시키기 위해 외부 정보를 검색하는 개념입니다.

RAG 시스템에서 문서, 비디오 및 이미지와 같은 다양한 데이터 소스는 Google의 새로운 임베딩 모델 2와 같은 임베딩 모델을 사용하여 의미의 수치적 표현인 벡터 포인트로 변환됩니다.

이러한 벡터 포인트는 벡터 데이터베이스 내의 다차원 공간에 매핑되어 AI가 이 공간을 쿼리하고 관련 데이터 청크(텍스트, 이미지 또는 비디오)를 검색하여 생성 프로세스를 증강할 수 있도록 합니다.

이 시스템은 공유 임베딩 공간에서 다양한 양식에 걸쳐 쿼리할 수 있도록 함으로써 '진실의 원천'을 구축하고, 다양한 데이터 유형 간의 관계를 이해하여 보다 상황에 맞는 정확한 답변을 제공합니다.

Nate Herk에 따르면 시스템은 이미지나 비디오를 직접 표시할 수는 없지만 각 임베딩과 함께 텍스트 설명을 저장합니다.

멀티모달 콘텐츠 검색은 이러한 텍스트 설명과 임베딩 좌표에 의존합니다.

초기 수집 단계에서 개선된 메타데이터와 설명은 검색 결과의 정확성을 크게 향상시킵니다.

실제 미디어 파일을 표시하려면 프론트엔드를 업데이트하여 파일 이름만 제공하는 것을 넘어 인라인으로 제공해야 합니다.

비텍스트 미디어에 대한 정확하고 설명적인 컨텍스트를 생성하여 AI가 콘텐츠를 효과적으로 이해하도록 하는 데 주제 전문 지식이 중요합니다.

Vercel의 서버 구성 오류와 같은 서버 구성 오류는 환경 변수 누락으로 인해 발생할 수 있습니다.

이 특정 튜토리얼에서 Nate Herk는 데모 목적의 배포 프로세스를 단순화하고 구성 단계를 피하기 위해 웹훅 URL을 하드코딩하기로 선택했습니다.

Vercel의 설정은 환경 변수를 구성하는 옵션을 제공하며, 이는 자격 증명 노출을 피하기 위한 프로덕션 환경의 더 안전한 방법입니다.

GitHub 커밋을 통한 코드 재배포는 애플리케이션의 테스트 및 프로덕션 버전 모두에 변경 사항이 일관되게 적용되도록 합니다.

웹훅을 하드코딩하기로 한 결정은 환경 변수를 구성하지 않고도 Vercel에 변경 사항을 즉시 푸시하는 방법을 보여주기 위한 것이었습니다.

API 키는 대화 기록에 노출되는 것을 방지하기 위해 .env 파일을 통해 관리되어 보안을 보장합니다.

설정에는 도구 사용 및 시나리오에 대한 AI에 필요한 컨텍스트를 제공하기 위한 'firecrawl-cheatsheet.mmd' 파일 생성이 포함됩니다.

또한 프로젝트의 시스템 프롬프트를 정의하는 'claude.md' 파일이 생성되어 Claude Code에 데이터 스크래핑, 추출, 스크린샷 생성 및 사이트 크롤링에 중점을 두도록 지시합니다.

이를 위해서는 구조화된 폴더 아키텍처, 진화하는 'claude.md' 시스템 프롬프트 및 AI 기능을 용이하게 하는 특수 스킬 파일을 구축해야 합니다.

사용자는 하루 계획, 팀 건강 상태 확인, 새로운 기능 연구 및 소셜 미디어 콘텐츠 생성과 같은 작업을 위해 네 개의 병렬 에이전트를 실행하여 시스템을 시연합니다.

이 접근 방식은 기존의 채팅 기반 AI 상호 작용에서 벗어나 생산성을 향상하고 의사 결정 피로를 줄이기 위해 보다 체계화된 로컬 프로젝트 기반 프레임워크로 전환합니다.

Nate Herk는 Claude 스킬이 상당한 '레버리지'를 제공하여 한 개인이 전체 팀이 사용할 수 있는 프로세스를 만들고 집단 생산성을 높일 수 있다고 설명합니다.

스킬은 'AI 에이전트를 위한 SOP' 역할을 하여 일일 계획, 프로젝트 상태 확인, 다이어그램 작성, 댓글 분석 등 다양한 작업을 자동화하며, 종종 병렬로 실행됩니다.

이 시스템은 아침 계획, 프로젝트 상태 확인, Excalidraw 다이어그램 및 YouTube 댓글 분석과 같은 작업을 약 30초 만에 완료하는 네 가지 에이전트를 동시에 실행하는 것을 시연했습니다.

'스킬 생성기' 스킬은 이러한 자동화된 워크플로우의 효과와 정확성을 보장하기 위해 자동으로 테스트, 측정 및 개선하는 데 사용됩니다.

Nate Herk는 Claude Code가 복잡한 작업을 계획하는 방식을 관찰하기 위해 의도적으로 프롬프트를 모호하게 유지하며, 자율적으로 워크플로우를 예측하고 구조화하는 능력을 보여줍니다.

Claude Code는 특정 기술 스택에 대한 프롬프트 없이도 상세한 단계와 평가 프로세스를 생성하는 능동적인 계획을 보여줍니다.

이 접근 방식은 경영진 및 관리자와 같은 비엔지니어가 비즈니스 목표와 원하는 지표를 정의하는 데 집중할 수 있는 중요한 변화를 나타냅니다.

AI는 지난 7일 동안의 비디오, 댓글, 조회수 및 참여도를 분석하고 통찰력, 강점, 약점, 위협 및 기회에 대한 PDF 보고서를 제공하는 YouTube 주간 요약 스킬을 독립적으로 생성했습니다.

에이전트 팀은 강력하지만 일반적으로 더 느리고 비용이 많이 들므로, 다양하고 전문화된 에이전트가 필요한 매우 복잡하고 여러 영역에 걸친 프로젝트에만 적합합니다.

하위 에이전트는 순차적인 프로세스, 단일 대화 기록 또는 컨텍스트 창이 필요한 작업, 에이전트 팀이 과도한 간단한 작업에 선호됩니다.

비용 관리는 중요한 요소이며, Nate Herk는 비용을 효과적으로 관리하기 위해 에이전트 팀을 2~5명으로 제한할 것을 권장합니다.

작업을 병렬로 수행하고, 서로에게 반응하고, 작업을 할당하고, 여러 검증 단계를 통해 높은 품질을 유지해야 할 때 에이전트 팀을 고려해야 합니다.

Nate Herk는 여러 헤드리스 또는 헤드 브라우저를 배포하여 특정 기능을 동시에 테스트함으로써 QA를 자동화하는 혁신적인 기능을 강조합니다.

이 설정은 수동 개입 없이 테스트, 버그 식별 및 수정의 자체 검증 주기를 설정합니다.

AI 에이전트는 모든 시스템 검사가 통과될 때까지 서버를 자율적으로 다시 시작하고 테스트를 다시 실행하여 지속적인 품질 관리를 보장합니다.

예를 들어, AI는 캘리포니아의 치과 의사를 Google에서 검색하는 것을 성공적으로 자동화했으며, 초기 실패(예: Google에 의해 차단됨)에서 배우고 DuckDuckGo를 사용하도록 전략을 조정하여 궁극적으로 5개의 다른 웹사이트에서 전화번호를 찾았습니다.

Nate Herk는 기업이 주로 시간, 돈, 집중을 우선시하며, 솔루션이 AI, 인간 비서 또는 임시방편적인 방법을 통해 제공되는지 여부에는 무관심하다고 주장합니다.

발표자는 AI 에이전트 또는 워크플로우 판매가 상품화되고 경쟁이 치열한 시장이 되어 가격 경쟁으로 이어지고 있다고 주장합니다.

성공적인 컨설팅은 복잡한 AI 구축을 과시하는 대신 특정 비즈니스 문제를 진단하고 고객 지원 업무량을 60% 줄이거나 클라이언트 온보딩에 주당 10시간을 절약하는 것과 같은 구체적인 결과를 제공하는 것을 포함합니다.

사업주는 AI가 구현의 기술적인 세부 사항보다 시간이나 돈을 어떻게 절약하는지에 더 가치를 둡니다. 이는 사용된 차량 유형보다 목적지에 빠르고 저렴하게 도달하는 것에 관심이 있는 것과 유사합니다.

가장 실용적인 AI 구축은 종종 덜 화려하지만, 정교한 멀티 에이전트 프로젝트의 인기와 달리 가장 높은 투자 수익률(ROI)을 제공합니다.

Nate Herk는 증언과 사례 연구를 대가로 무료 또는 매우 저렴한 '유료 연습' 구축을 제공할 것을 조언합니다. 이는 즉각적인 이익보다 장기적으로 더 가치가 있습니다.

발표자는 고객에게 환불 보장을 제공하여 위험을 고객에서 컨설턴트로 전환하고, 이를 통해 회의적인 고객에 대한 장벽을 낮추고 스트레스 없는 학습 환경을 조성할 것을 제안합니다.

처음 3~5개의 프로젝트는 포트폴리오 구축, 프로세스 학습 및 자신감 확보에 대한 투자로 보아야 하며, 이는 나중에 더 높은 요금을 청구할 수 있도록 합니다.

Herk는 자신의 여정에는 1달러에서 2,000달러, 그리고 30,000달러 이상에 이르는 프로젝트가 포함되었으며, 이 모든 것은 자신의 자신감과 포트폴리오를 구축한 초기 저위험 프로젝트에서 비롯되었다고 강조했습니다.